Viele reale Signale wie Klimaindizes, biomedizinische Aufzeichnungen oder medizinische Bilddaten stehen nicht still. Ihr Charakter verändert sich im Laufe der Zeit: Ein Herzschlag beschleunigt sich bei körperlicher Anstrengung und verlangsamt sich anschließend wieder; die Meeresoberflächentemperaturen schwanken mit den Jahreszeiten, verändern sich aber auch über Jahrzehnte hinweg. Dies sind nicht-stationäre Signale.
Die Wavelet-Transformation ist ein mathematisches Werkzeug, das genau für solche Signale entwickelt wurde. Sie zerlegt ein Signal in Komponenten, die sowohl zeitlich als auch im Maßstab (Skalierung) lokalisiert sind, und zeigt präzise, wann ein bestimmtes Muster auftritt und über welche Dauer oder Dehnung es sich erstreckt.
Im Gegensatz zur herkömmlichen Fourier-Analyse, die ein Signal in unendliche Sinuswellen zerlegt, konstruiert die kontinuierliche Wavelet-Transformation (CWT) eine Zeit-Skalen-Darstellung unter Verwendung von skalierten und verschobenen Kopien einer einzigen Prototyp-Welle. Dieser Artikel erläutert die Logik der CWT, wie man ein Mother-Wavelet auswählt, das resultierende Skalogramm berechnet und interpretiert, und was Jahrzehnte der Anwendung gezeigt haben, zusammen mit den inhärenten Grenzen der Methode.
Was ist eine Wavelet-Transformation?
Eine Wavelet-Transformation ist ein mathematisches Verfahren zur Untersuchung eines Signals auf mehreren Skalen. Anstatt das gesamte Signal nur durch globale sinusförmige Komponenten darzustellen, vergleicht sie das Signal mit kurzen Funktionen, den sogenannten Wavelets. Diese Funktionen werden entlang des Signals verschoben und gedehnt oder gestaucht, um lokale Muster offenzulegen.
Das Ergebnis ist eine Sammlung von Koeffizienten. Jeder Koeffizient gibt an, wie stark das Signal einem bestimmten Wavelet an einer bestimmten Position und Skala ähnelt. Kleine Skalen betonen im Allgemeinen schnelle Änderungen und feine Details, während große Skalen langsamere Variationen und breitere Strukturen beschreiben.
Dieses lokale Verhalten ist der wesentliche Unterschied zwischen der Wavelet-Analyse und vielen herkömmlichen Frequenzmethoden. Eine Fourier-Transformation kann zeigen, welche Frequenzen vorhanden sind, aber eine Wavelet-Transformation kann auch angeben, wo diese Merkmale auftreten. Das macht sie geeignet für Transienten, Diskontinuitäten, Bursts, Flanken und andere Ereignisse, bei denen das Timing eine Rolle spielt.
Kontinuierliche Wavelet-Transformation: Wie sie funktioniert
Das Herzstück der CWT ist eine einzelne, lokalisierte oszillierende Funktion, das sogenannte Mother-Wavelet (Mutter-Wavelet), bezeichnet mit ψ(t). Sie müssen das Signal nicht in einen festen Satz von Sinuskurven zerlegen. Stattdessen erzeugen Sie eine Familie von Wavelets, indem Sie diesen einen Prototyp strecken (skalieren) und verschieben (translatieren). Die CWT bei der Skala a und der Position b ist das innere Produkt des Signals x(t) mit einem Wavelet, das um a skaliert und um b verschoben wurde:
ψᵃᵇ(t) \= (1/√a) ψ((t‑b)/a)
Der Faktor 1/√a normalisiert die Energie über die Skalen hinweg. Wenn a klein ist, wird das Wavelet komprimiert und erfasst kurze, schnelle Änderungen. Wenn a groß ist, wird das Wavelet gestreckt und erfasst langsame, breite Wellenbewegungen. Die Translation b verschiebt das Wavelet entlang der Zeitachse, sodass die Analyse von Anfang bis Ende gleitet.
Das Ergebnis ist eine zweidimensionale Funktion von Zeit und Skala, die als Skalogramm dargestellt werden kann. Bereits im Jahr 1988 formulierten Forscher wie Ingrid Daubechies die grundlegende Idee der Multiresolutionsanalyse für diskrete Wavelets und bewiesen, dass orthonormale Basen von kompakt getragenen Wavelets mit hoher Regularität konstruiert werden können. Die CWT übernimmt dieses grundlegende Skalierungs- und Verschiebungsprinzip, jedoch ohne die Anforderung einer orthogonalen Basis: Sie können jedes Mother-Wavelet verwenden, das eine einfache Zulässigkeitsbedingung erfüllt, was die Transformation umkehrbar macht.
Diese Konstruktion verleiht Wavelets ihre charakteristische Stärke. Da ein Mother-Wavelet ein kurzer, wellenartiger Impuls ist, konzentriert es sich von Natur aus auf transiente Ereignisse. Skalierung und Verschiebung allein liefern eine gleichzeitige Sicht auf Zeit und Skala – etwas, das ein Fourier-Ansatz mit festem Fenster nicht leisten kann, ohne einen künstlichen Kompromiss zwischen Zeit- und Frequenzauflösung zu erzwingen.
Was ist eine diskrete Wavelet-Transformation?
Die diskrete Wavelet-Transformation, oder DWT, tastet die Skalierungs- und Translationsparameter auf einem strukturierten Gitter ab, anstatt jeden möglichen Wert auszuwerten. Bei gängigen Konstruktionen ändern sich Skalen und Positionen dyadisch, oft in Zweierpotenzen. Dies erzeugt einen kompakten Satz von Koeffizienten, während Informationen auf mehreren Auflösungsstufen erhalten bleiben.
Die DWT wird üblicherweise mit paarweisen Tiefpass- und Hochpassfiltern implementiert. Der Tiefpasszweig behält eine geglättete Approximation des Signals bei, während der Hochpasszweig Details erfasst. Downsampling (Dezimierung) reduziert dann die Anzahl der Abtastwerte auf jeder Stufe, und der Approximationszweig kann erneut zerlegt werden.
Diese Filterbankstruktur macht die DWT effizient für endliche digitale Daten. Sie unterstützt auch die Rekonstruktion, wenn die Analyse- und Synthesefilter richtig ausgelegt sind.
Zu den Anwendungen gehören Rauschunterdrückung, Kompression, Ereigniserkennung und multiskalige Merkmalsextraktion, obwohl die Interpretation der Koeffizienten von der Abtastung, der Randbehandlung und der Wahl des Wavelets abhängig bleibt.
Die diskrete Wavelet-Transformation erklärt
Die DWT stellt ein abgetastetes Signal durch Approximationskoeffizienten und Detailkoeffizienten auf aufeinanderfolgenden Ebenen dar. Auf der ersten Ebene wird das Signal in breite, sich langsam ändernde Inhalte und sich schneller ändernde Details aufgeteilt. Die Wiederholung dieses Vorgangs auf der Approximation erzeugt eine Hierarchie von Auflösungen.
Im Gegensatz zur CWT erzeugt die DWT normalerweise keine Koeffizienten für jede kontinuierliche Position und Skala. Ihre strukturierte Abtastung reduziert Redundanz und Rechenaufwand. Dies macht sie praktisch für große Arrays, Echtzeitverarbeitung und Kompressionssysteme.
Die Zerlegungsebene bestimmt, wie weit die Analyse fortschreitet. Zu wenige Ebenen übersehen möglicherweise breite Strukturen, während zu viele Ebenen Koeffizienten erzeugen können, die schwer zu interpretieren oder stark von der Signallänge und den Randbedingungen beeinflusst sind. Die sinnvolle Tiefe ist daher eine Eigenschaft der Daten und des Analysezwecks, keine universelle Konstante.
DWT-Algorithmus: Die Schritte der diskreten Wavelet-Transformation
Eine Standard-DWT läuft über wiederholtes Filtern und Downsampling ab. Die Kernoperation ist einfach, aber jeder Schritt beeinflusst die nachfolgende Darstellung.
Wählen Sie eine Wavelet-Familie und die gewünschte Zerlegungsebene aus.
Leiten Sie das Signal durch einen Tiefpassfilter, um Approximationswerte zu erhalten.
Leiten Sie dasselbe Signal durch einen Hochpassfilter, um Detailwerte zu erhalten.
Führen Sie bei beiden Ausgängen ein Downsampling durch und wiederholen Sie den Vorgang für den Approximationszweig.
Speichern Sie die Koeffizienten und rekonstruieren Sie das Signal bei Bedarf.
Der resultierende Koeffizientenbaum trennt grobe Strukturen von zunehmend feineren Details. In der Praxis kann die Rekonstruktion verwendet werden, um zu testen, ob ausgewählte Koeffizienten die für die Analyse relevanten Signalmerkmale bewahren.
Haar-Wavelet-Transformation: Das einfachste Wavelet
Das Haar-Wavelet ist das einfachste verwendete Wavelet. Es ist stückweise konstant, da es über einen Teil eines kurzen Intervalls einen Wert und über einen anderen Teil den entgegengesetzten Wert annimmt, bei einem Mittelwert von Null. Seine abrupte Form macht es von Natur aus empfindlich für Sprünge und stufenartige Übergänge.
Für ein kurzes Paar von Abtastwerten kann die Haar-Transformation als Berechnung eines Mittelwerts und einer Differenz verstanden werden. Der Mittelwert wird zu einer groben Approximation, während die Differenz die lokale Änderung aufzeichnet. Die Wiederholung dieser Operation erzeugt eine mehrstufige Darstellung mit einer besonders klaren Interpretation.
Das Haar-Wavelet ist rechengünstig und einfach zu erklären, aber es ist nicht glatt. Signale, die von allmählichen Schwingungen dominiert werden, werden möglicherweise weniger effizient dargestellt als mit glatteren Wavelets. Sein Wert ist am größten, wenn Einfachheit, schnelle Berechnung oder Empfindlichkeit gegenüber Diskontinuitäten wichtiger sind als eine glatte Frequenzselektivität.
Auswahl eines Mother-Wavelets
Nicht jedes kleine Schwingen qualifiziert sich als Mother-Wavelet. Die Funktion muss die Zulässigkeitsbedingung erfüllen, was im Wesentlichen bedeutet, dass sie einen Mittelwert von Null und eine endliche Energie aufweist – sie schwingt also über und unter Null und klingt außerhalb eines kurzen Intervalls gegen Null ab.
Abgesehen von dieser Anforderung steht es Ihnen frei, eine Form zu wählen, die zu den Merkmalen passt, die Sie in Ihren Daten erwarten. Die Wahl folgt keiner festen Formel, aber die praktische Erfahrung deutet auf einige Heuristiken hin:
Formähnlichkeit. Wenn Ihr Signal oszillierende Bursts enthält, funktioniert ein Morlet-Wavelet – eine komplexe Sinuswelle mit einer Gauß-Hüllkurve – oft gut, da es einer lokalisierten Schwingung ähnelt. Für scharfe, impulsartige Transienten kann etwas wie das Mexican-Hat-Wavelet (die zweite Ableitung einer Gauß-Funktion) oder ein kompakt getragenes Wavelet Kanten und Spitzen sauberer isolieren.
Ausgewogenheit der Zeit-Skala-Auflösung. Ein längeres Wavelet ermöglicht eine feinere Unterscheidung zwischen nahe beieinander liegenden Skalen, verwischt jedoch den genauen Zeitpunkt, an dem ein Merkmal auftritt. Ein kürzeres Wavelet bestimmt das Timing genau, vermischt jedoch die Skalen. Dies ist der unvermeidliche Kompromiss einer lokalisierten Analyse, kein Fehler.
Reelle vs. komplexe Wavelets. Ein reellwertiges Mother-Wavelet (z. B. das Mexican-Hat-Wavelet) liefert nur Amplitudeninformationen. Ein komplexes Wavelet (z. B. das Morlet-Wavelet) liefert sowohl Amplitude als auch Phase, was wichtig sein kann, wenn Sie später zeitliche Beziehungen zwischen zwei Signalen mittels Kreuz-Wavelet-Kohärenz untersuchen möchten.
Die orthonormalen Basen von kompakt getragenen Wavelets, die in Daubechies' Studie entwickelt wurden, sind für diskrete, perfekte Rekonstruktionsaufgaben gedacht. Bei der CWT sind Sie nicht an Orthonormalität gebunden, sodass Sie frei nicht-orthogonale Wavelets wählen können, wenn diese besser zur Morphologie Ihres Signals passen.
Dennoch bleiben ein kompakter Träger und Regularität wünschenswert, da sie Randverschmierungen reduzieren und saubere Transformationen liefern können.
Berechnung der kontinuierlichen Wavelet-Transformation
In der Praxis wird die CWT angenähert, indem das Signal mit skalierten, zeitumgekehrten Kopien des Mother-Wavelets gefaltet wird. Da Signale endlich sind, ragt das Wavelet unweigerlich über die Ränder der Daten hinaus, wenn es sich dem Anfang oder Ende der Aufzeichnung nähert. Diese Randbereiche erzeugen verzerrte Werte; der Einflusskegel (Cone of Influence, COI) markiert den Zeit-Skala-Bereich, in dem Randeffekte die Analyse unzuverlässig machen. Jedes Merkmal, das in den COI hineinragt, ist mit Vorsicht zu genießen.
Um ein Skalogramm zu erstellen, werden die Skalen typischerweise als fraktionale Zweierpotenzen abgetastet, um einen Bereich abzudecken, der der Dauer des Signals entspricht. Die Berechnung des quadrierten Betrags der CWT-Koeffizienten liefert die Wavelet-Leistung, die dann als Farbkarte mit der Zeit auf der einen Achse und der Skala auf der anderen Achse dargestellt wird.
Interpretation von Skalogrammen
Ein Skalogramm ist das primäre visuelle Ergebnis der Wavelet-Analyse. Helle Bereiche entsprechen einer hohen Wavelet-Leistung; dies sind Stellen, an denen das Signal eine starke Komponente bei einer bestimmten Skala und Zeit aufweist.
Aber nicht jeder Hotspot ist aussagekräftig. Um echte Merkmale von zufälligen Schwankungen zu unterscheiden, greifen Forscher häufig auf statistische Signifikanztests gegenüber theoretischen Hintergründen zurück: weißes Rauschen (das die Leistung gleichmäßig verteilt) und rotes Rauschen (das die Leistung bei niedrigen Frequenzen konzentriert, wie es viele natürliche Prozesse tun). Durch den Vergleich der beobachteten Leistung mit dem 95. Perzentil des Hintergrundspektrums können Sie Epochen und Skalen identifizieren, die wahrscheinlich nicht durch Zufall entstanden sind.
Eine Glättung in der Zeit, in der Skala oder in beiden Dimensionen kann die Zuverlässigkeit solcher Merkmale erhöhen.
Bekannte Einschränkungen und Warnhinweise zur CWT
Kein mathematisches Werkzeug ist ohne Schwachstellen, und die CWT bildet da keine Ausnahme. Die Wahl des Mother-Wavelets ist sowohl eine Flexibilität als auch ein Risiko. Es gibt kein automatisches Verfahren, das das optimale Wavelet für ein unbekanntes Signal garantiert.
Eine ungeeignete Wahl – wie etwa ein langes Morlet-Wavelet für ein Signal voller scharfer Spitzen – kann Merkmale verwischen oder irreführende Artefakte im Skalogramm erzeugen. Selbst wenn Experimentatoren nach Augenmaß eine gute Übereinstimmung finden, bleibt die Analyse teilweise subjektiv.
Randeffekte sind eine physikalische Realität endlicher Daten. Lange Skalen schieben das Wavelet weit über die Grenzen hinaus, sodass der COI einen großen Teil des Skalogramms auf den gröbsten Skalen verschlingen kann. Jedes aus den Randbereichen abgeleitete Ereignis muss als vorläufig betrachtet werden. Signifikanztests sind zwar prinzipiell fundiert, hängen jedoch von angenommenen Rauschmodellen ab, die möglicherweise nicht für jeden Datensatz zutreffen.
Bei der Herangehensweise an einen neuen Datensatz kombiniert der klarste Weg physikalische Überlegungen über die erwartete Struktur des Signals mit konservativen statistischen Überprüfungen und der nüchternen Einsicht, dass das Skalogramm eine andeutende Karte und kein definitiver anatomischer Entwurf ist.
Nutzung der Wavelet-Transformation für die EEG-Analyse
Die Elektroenzephalografie zeichnet Spannungsänderungen im Laufe der Zeit auf, und diese Änderungen enthalten oft überlappende Rhythmen, transiente Ereignisse und nicht-stationäres Verhalten. Eine Wavelet-Transformation kann diese Komponenten über Zeit und Skala hinweg darstellen, was sie nützlich macht, um zu untersuchen, wann bestimmte Muster auftreten. Die Methode ist daher für die Neurowissenschaften und für die Analyse von EEG-Aufzeichnungen von Bedeutung.
Bei der EEG-Arbeit können die Koeffizienten nach Skala, Zeitintervall, Kanal oder Ereignisbedingung zusammengefasst werden. Solche Zusammenfassungen können die Erforschung von Rhythmen, evozierten Potentialen, anfallsbezogenen Transienten, Schlafmustern oder Artefaktstrukturen unterstützen. Die Transformation selbst diagnostiziert keine Hirnstörung; die Interpretation erfordert eine angemessene Erfassung, Vorverarbeitung, Vergleichsgruppen und Fachwissen.
Preprocessing (die Vorverarbeitung) bleibt zentral. Elektroden-Artefakte, Augenbewegungen, Muskelaktivität, Referenzwahlen, Filterung, fehlende Daten und Randeffekte können alle die Wavelet-Koeffizienten verändern. Die Ergebnisse hängen auch empfindlich von der Frequenz-zu-Skala-Abbildung ab und davon, ob das ausgewählte Wavelet der zu untersuchenden zeitlichen Morphologie ähnelt.
Tools und Software zur Berechnung von Wavelet-Transformationen
Wavelet-Transformationen können mit numerischen Bibliotheken, wissenschaftlichen Programmierumgebungen und spezialisierter Signalverarbeitungssoftware berechnet werden. Die richtige Wahl hängt davon ab, ob das Ziel in der Lehre, der explorativen Visualisierung, der Stapelverarbeitung, der eingebetteten Berechnung oder der reproduzierbaren Forschung liegt.
Ein nützliches Tool sollte die Transformationsparameter klar offenlegen, anstatt sie hinter einem einzigen Standardbefehl zu verbergen.
Ein typischer Workflow lädt und validiert die abgetasteten Daten, wählt ein Wavelet aus, berechnet die CWT oder DWT, prüft die Koeffizienten und bewertet die Rekonstruktion oder nachgelagerte Merkmale. Die Wiederholung des Workflows mit kontrollierten Parameteränderungen kann zeigen, ob das Ergebnis stabil ist. Dokumentation und Versionsaufzeichnungen sind wichtig, wenn kleine Implementierungsunterschiede die Koeffizientenwerte beeinflussen.
Für eine zuverlässige Arbeit umfasst die Softwarebewertung oft die numerische Genauigkeit, die Unterstützung multidimensionaler Daten, Randoptionen, grafische Darstellungen, den Rechenaufwand und die Interoperabilität. Der Code sollte auch die Abtastrate und die Vorverarbeitungshistorie bewahren, da Koeffizienten ohne diesen Kontext schwer zu reproduzieren oder zu interpretieren sind.
Warum die Wavelet-Analyse für das Lesen nicht-stationärer Signale wichtig ist
Die entscheidende Erkenntnis der Wavelet-Transformation ist, dass die Identität eines Signals am besten nicht als statische Liste von Frequenzen verstanden wird, sondern als lebendige Karte, die zeigt, wann Muster auftreten und wie lange sie andauern. Diese Zeit-Skala-Sicht hat sich in der Praxis bewährt. Dennoch sind diese Erfolge immer mit einem Vorbehalt verbunden: Die Analyse ist nur so vertrauenswürdig wie die Entscheidungen, die vor dem Beginn der Mathematik getroffen werden.
Die Wahl eines Mother-Wavelets ist eine Frage des wissenschaftlichen Urteilsvermögens, und Randeffekte sowie Rauschannahmen setzen der Aussagekraft eines jeden Skalogramms reale Grenzen. Das ehrliche Fazit ist, dass die Wavelet-Analyse eine Möglichkeit bietet, Strukturen in sich verändernden Signalen zu erkennen, sie verlangt jedoch eine konservative Interpretation und keine blinde Akzeptanz jedes hellen Flecks.
Forscher, die physikalische Überlegungen mit statistischen Überprüfungen verknüpfen, ziehen den größten Nutzen aus diesem Werkzeug und halten ihre Schlussfolgerungen angemessen bescheiden.
Referenzen
Daubechies, I. (1988). Orthonormal bases of compactly supported wavelets. Communications on pure and applied mathematics, 41(7), 909-996. https://doi.org/10.1002/cpa.3160410705
Torrence, C., & Compo, G. P. (1998). A practical guide to wavelet analysis. Bulletin of the American Meteorological society, 79(1), 61-78. https://doi.org/10.1175/1520-0477(1998)079%3C0061:APGTWA%3E2.0.CO;2
Häufig gestellte Fragen
Was ist die Wavelet-Transformation und warum wird sie für nicht-stationäre Signale verwendet?
Die Wavelet-Transformation zerlegt ein Signal in Komponenten, die sowohl in der Zeit als auch in der Skala lokalisiert sind, und zeigt auf, wann ein Muster auftritt und über welche Dauer es wirkt. Sie wurde für nicht-stationäre Signale entwickelt, deren Charakter sich im Laufe der Zeit ändert, im Gegensatz zu statischen Ansätzen, die von einem gleichbleibenden Verhalten ausgehen.
Wie unterscheidet sich die kontinuierliche Wavelet-Transformation von der Fourier-Analyse?
Anstatt ein Signal in unendliche Sinuswellen zu zerlegen, verwendet die CWT skalierte und verschobene Kopien eines einzigen Mother-Wavelets. Diese Konstruktion bietet eine gleichzeitige Sicht auf Zeit und Skala und vermeidet den bei Fourier-Methoden üblichen Kompromiss zwischen Zeit- und Frequenzauflösung durch feste Fenster.
Was ist ein Mother-Wavelet und welche Bedingung muss es erfüllen?
Ein Mother-Wavelet ist eine einzelne, lokalisierte oszillierende Funktion, die gestreckt und verschoben wird, um ein Signal zu analysieren. Um gültig zu sein, muss sie die Zulässigkeitsbedingung erfüllen, was im Wesentlichen bedeutet, dass sie einen Mittelwert von Null und eine endliche Energie aufweist – sie schwingt also über und unter Null und klingt außerhalb eines kurzen Intervalls gegen Null ab.
Wie wählt man ein Mother-Wavelet für ein bestimmtes Signal aus?
Wählen Sie ein Wavelet, dessen Form den erwarteten Merkmalen entspricht; beispielsweise eignet sich ein Morlet-Wavelet für oszillierende Bursts, während ein Mexican-Hat-Wavelet scharfe Spitzen isoliert. Sie wägen auch die Zeit- gegenüber der Skalenauflösung ab und entscheiden, ob Sie Phaseninformationen benötigen, wobei komplexe Wavelets sowohl Amplitude als auch Phase bieten.
Was ist ein Skalogramm und wie interpretiert man es?
Ein Skalogramm ist das wichtigste visuelle Ergebnis der Wavelet-Analyse, das die Wavelet-Leistung mit der Zeit auf der einen Achse und der Skala auf der anderen Achse darstellt. Helle Bereiche weisen auf starke Signalkomponenten zu einer bestimmten Zeit und Skala hin, aber Signifikanztests gegenüber weißem oder rotem Rauschen helfen dabei, echte Merkmale von zufälligen Schwankungen zu unterscheiden.
Was ist der Einflusskegel und warum ist er wichtig?
Der Einflusskegel (Cone of Influence, COI) markiert den Zeit-Skala-Bereich, in dem Randeffekte die Wavelet-Analyse unzuverlässig machen, da das Wavelet über die endlichen Datengrenzen hinausragt. Jedes Merkmal, das in den COI fällt, muss mit Skepsis betrachtet werden.
Was sind die Haupteinschränkungen der kontinuierlichen Wavelet-Transformation?
Die Wahl des Mother-Wavelets ist teilweise subjektiv, und eine ungeeignete Wahl kann Merkmale verwischen oder irreführende Artefakte erzeugen. Randeffekte können große Bereiche des Skalogramms beeinträchtigen, und Signifikanztests beruhen auf angenommenen Rauschmodellen, die möglicherweise nicht für jeden Datensatz zutreffen.
Wie unterscheiden sich reelle und komplexe Mother-Wavelets in der Praxis?
Reellwertige Wavelets wie das Mexican-Hat-Wavelet liefern nur Amplitudeninformationen. Komplexe Wavelets wie das Morlet-Wavelet liefern sowohl Amplitude als auch Phase, was für die Untersuchung von zeitlichen Beziehungen zwischen Signalen mittels Kreuz-Wavelet-Kohärenz unerlässlich ist.
Was ist der Unterschied zwischen CWT und DWT?
Die kontinuierliche Wavelet-Transformation wertet viele eng beieinander liegende Skalen und Positionen aus und erzeugt eine detaillierte und oft redundante Darstellung. Die diskrete Wavelet-Transformation verwendet einen strukturierten Satz von Skalen und Positionen, um eine kompaktere Darstellung zu erzeugen.
Wofür wird das Haar-Wavelet verwendet?
Das Haar-Wavelet ist nützlich für die einfache, schnelle Analyse von Signalen mit abrupten Änderungen oder stufenartigen Verläufen. Seine stückweise konstante Form macht zudem die zugrunde liegenden Mittelwerte und Differenzen leicht interpretierbar.
Emotiv ist ein führender Anbieter von Neurotechnologie, der die neurowissenschaftliche Forschung mit zugänglichen EEG- und Gehirndaten-Tools vorantreibt.
Christian Burgos
