بسیاری از سیگنالهای دنیای واقعی، مانند شاخصهای اقلیمی، ثبتهای زیستپزشکی و تصویربرداری پزشکی، ثابت نمیمانند. ویژگیهای آنها در طول زمان تغییر میکند: ضربان قلب در حین ورزش تندتر و سپس کند میشود؛ دمای سطح اقیانوسها با فصول نوسان میکند اما در طول دههها نیز تغییر مییابد. اینها سیگنالهای غیرایستا هستند.
تبدیل موجک یک ابزار ریاضی است که برای مدیریت این سیگنالها ساخته شده است. این تبدیل، یک سیگنال را به مولفههایی تجزیه میکند که هم در زمان و هم در مقیاس متمرکز شدهاند، و دقیقاً نشان میدهد که یک الگوی خاص چه زمانی ظاهر میشود و در چه مدت یا بازهای عمل میکند.
برخلاف آنالیز فوریه متعارف که یک سیگنال را به موجهای سینوسی بیپایان تجزیه میکند، تبدیل موجک پیوسته (CWT) با استفاده از نسخههای مقیاسگذاریشده و منتقلشده از یک موج نمونه اولیه، یک نمایش زمان-مقیاس میسازد. این مقاله منطق CWT، نحوه انتخاب یک موجک مادر، محاسبه و تفسیر اسکالوگرام حاصل، و آنچه که دههها کاربرد در کنار محدودیتهای ذاتی این روش نشان داده است را ارائه میدهد.
تبدیل موجک چیست؟
تبدیل موجک یک روش ریاضی برای بررسی یک سیگنال در مقیاسهای متعدد است. به جای نمایش کل سیگنال تنها از طریق مؤلفههای سینوسی سراسری، این روش سیگنال را با توابع کوتاهی به نام موجک مقایسه میکند. این توابع در طول سیگنال منتقل شده و منبسط یا منقبض میشوند تا الگوهای محلی را آشکار کنند.
نتیجه، مجموعهای از ضرایب است. هر ضریب نشان میدهد که سیگنال چقدر به یک موجک خاص در یک موقعیت و مقیاس خاص شباهت دارد. مقیاسهای کوچک به طور کلی بر تغییرات سریع و جزئیات دقیق تأکید دارند، در حالی که مقیاسهای بزرگ تغییرات کندتر و ساختار گستردهتر را توصیف میکنند.
این رفتار محلی، تفاوت اصلی بین تحلیل موجک و بسیاری از روشهای فرکانسی سنتی است. یک تبدیل فوریه میتواند نشان دهد چه فرکانسهایی وجود دارند، اما یک تبدیل موجک همچنین میتواند نشان دهد که آن ویژگیها در کجا رخ میدهند. این امر آن را برای گذارها، ناپیوستگیها، انفجارها، لبهها و سایر رویدادهایی که زمانبندی آنها اهمیت دارد، مناسب میسازد.
تبدیل موجک پیوسته: چگونه کار میکند
در هسته CWT یک تابع نوسانی منفرد و محلی به نام موجک مادر وجود دارد که با ψ(t) نشان داده میشود. شما نیازی به تجزیه سیگنال به مجموعهای ثابت از سینوسیها ندارید. در عوض، با کشیدن (مقیاسگذاری) و لغزاندن (انتقال) این یک نمونه اولیه، خانوادهای از موجکها را تولید میکنید. CWT در مقیاس a و موقعیت b حاصل ضرب داخلی سیگنال x(t) با موجکی است که با a مقیاسگذاری شده و به اندازه b منتقل شده است:
ψᵃᵇ(t) \= (1/√a) ψ((t‑b)/a)
فاکتور 1/√a انرژی را در مقیاسها نرمالسازی میکند. وقتی a کوچک است، موجک فشرده میشود و تغییرات کوتاه و سریع را دریافت میکند. وقتی a بزرگ است، موجک کشیده میشود و نوسانات کند و گسترده را ثبت میکند. انتقال b موجک را در طول محور زمان حرکت میدهد، بنابراین تحلیل از ابتدا تا انتها میلغزد.
خروجی یک تابع دو بعدی از زمان و مقیاس است که میتواند به عنوان یک اسکالوگرام نمایش داده شود. در سال 1988 پژوهشگرانی مانند اینگرید دابشیز ایده پایه تحلیل چندرزولوشنی برای موجکهای گسسته را فرمولبندی کردند و ثابت کردند که پایههای متعامد از موجکهای با تکیهگاه فشرده را میتوان با نظم بالا ساخت. CWT آن اصل اساسی مقیاسگذاری و انتقال را به ارث میبرد، اما بدون نیاز به یک پایه متعامد: شما میتوانید از هر موجک مادری که شرایط پذیرش سادهای را برآورده میکند استفاده کنید، که این امر تبدیل را معکوسپذیر میسازد.
این ساختار به موجکها قدرت شاخص آنها را میدهد. از آنجا که یک موجک مادر یک پالس کوتاه و موجمانند است، به طور طبیعی روی رویدادهای گذرا متمرکز میشود. مقیاسگذاری و انتقال به تنهایی نمایی همزمان از زمان و مقیاس را ارائه میدهند، چیزی که یک رویکرد فوریه با پنجره ثابت نمیتواند بدون تحمیل یک سازش مصنوعی بین رزولوشن زمان و فرکانس با آن رقابت کند.
تبدیل موجک گسسته چیست؟
تبدیل موجک گسسته، یا DWT، پارامترهای مقیاس و انتقال را روی یک شبکه ساختاریافته نمونهبرداری میکند، به جای اینکه هر مقدار ممکن را ارزیابی کند. در ساختارهای معمول، مقیاسها و موقعیتها به صورت دوگانه (dyadically)، اغلب با توانهای دو، تغییر میکنند. این امر مجموعهای فشرده از ضرایب را ایجاد میکند در حالی که اطلاعات را در چندین رزولوشن حفظ میکند.
DWT معمولاً با فیلترهای پایینگذر و بالاگذر جفتشده پیادهسازی میشود. شاخه پایینگذر یک تقریب هموار شده از سیگنال را حفظ میکند، در حالی که شاخه بالاگذر جزئیات را ثبت میکند. سپس کاهش نمونهبرداری (downsampling) تعداد نمونهها را در هر سطح کاهش میدهد و شاخه تقریب میتواند دوباره تجزیه شود.
این ساختار بانک فیلتر، DWT را برای دادههای دیجیتال محدود کارآمد میسازد. همچنین در صورتی که فیلترهای تحلیل و بازسازی به درستی طراحی شده باشند، از بازسازی پشتیبانی میکند.
کاربردها شامل حذف نویز، فشردهسازی، تشخیص رویداد و استخراج ویژگیهای چندمقیاسی است، اگرچه تفسیر ضرایب همچنان به نمونهبرداری، برخورد با مرزها و انتخاب موجک بستگی دارد.
توضیح تبدیل موجک گسسته
DWT یک سیگنال نمونهبرداری شده را از طریق ضرایب تقریب و ضرایب جزئیات در سطوح متوالی نشان میدهد. در سطح اول، سیگنال به محتوای گسترده و با تغییرات کند و جزئیات با تغییرات سریعتر تقسیم میشود. تکرار این عملیات روی تقریب، سلسله مراتبی از رزولوشنها را ایجاد میکند.
برخلاف CWT، تبدیل DWT معمولاً برای هر موقعیت و مقیاس پیوسته ضریب تولید نمیکند. نمونهبرداری ساختاریافته آن، همپوشانی و هزینه محاسباتی را کاهش میدهد. این امر آن را برای آرایههای بزرگ، پردازش بیدرنگ و سیستمهای فشردهسازی کاربردی میسازد.
سطح تجزیه تعیین میکند که تحلیل تا چه حد پیش رود. سطوح خیلی کم ممکن است ساختار گسترده را از دست بدهند، در حالی که سطوح خیلی زیاد میتوانند ضرایبی تولید کنند که تفسیر آنها دشوار است یا به شدت تحت تأثیر طول سیگنال و شرایط مرزی قرار دارند. بنابراین، عمق مفید، ویژگی دادهها و هدف تحلیلی است، نه یک ثابت جهانی.
مراحل الگوریتم تبدیل موجک گسسته DWT
یک DWT استاندارد از طریق فیلتر کردن و کاهش نمونهبرداری مکرر پیش میرود. عملیات اصلی ساده است، اما هر مرحله بر نمایشی که در ادامه میآید تأثیر میگذارد.
یک خانواده موجک و سطح تجزیه مطلوب را انتخاب کنید.
سیگنال را از یک فیلتر پایینگذر عبور دهید تا نمونههای تقریب را به دست آورید.
همان سیگنال را از یک فیلتر بالاگذر عبور دهید تا نمونههای جزئیات را به دست آورید.
هر دو خروجی را کاهش نمونهبرداری کنید و فرآیند را روی شاخه تقریب تکرار کنید.
ضرایب را ذخیره کرده و در صورت نیاز سیگنال را بازسازی کنید.
درخت ضرایب حاصل، ساختار درشت را از جزئیات به تدریج دقیقتر جدا میکند. در عمل، ممکن است از بازسازی برای آزمایش اینکه آیا ضرایب انتخابشده ویژگیهای سیگنال مرتبط با تحلیل را حفظ میکنند یا خیر، استفاده شود.
تبدیل موجک هار: سادهترین موجک
موجک هار سادهترین موجک مورد استفاده است. این موجک به صورت تکهای ثابت است زیرا در بخشی از یک بازه کوتاه یک مقدار و در بخش دیگر مقدار مخالف را با میانگین صفر میگیرد. شکل ناگهانی آن باعث میشود به طور طبیعی به جهشها و گذارهای پلهمانند پاسخ دهد.
برای یک جفت نمونه کوتاه، تبدیل هار را میتوان به عنوان محاسبه یک میانگین و یک اختلاف درک کرد. میانگین به یک تقریب درشت تبدیل میشود، در حالی که اختلاف، تغییرات محلی را ثبت میکند. تکرار این عملیات یک نمایش چندسطحی با تفسیری بسیار واضح ایجاد میکند.
موجک هار از نظر محاسباتی ارزان و توضیح آن آسان است، اما هموار نیست. سیگنالهایی که نوسانات تدریجی بر آنها غالب است ممکن است با کارایی کمتری نسبت به موجکهای هموارتر نمایش داده شوند. ارزش آن زمانی بیشتر است که سادگی، محاسبه سریع یا حساسیت به ناپیوستگیها بیش از انتخاب فرکانس هموار اهمیت داشته باشد.
انتخاب یک موجک مادر
هر نوسان کوچکی به عنوان موجک مادر واجد شرایط نیست. تابع باید شرایط پذیرش را برآورده کند، که اساساً به این معنی است که دارای میانگین صفر و انرژی محدود باشد، یعنی در بالا و پایین صفر نوسان کند و در خارج از یک بازه کوتاه به صفر میل کند.
فراتر از آن شرط، شما آزادید شکلی را انتخاب کنید که با نوع ویژگیهایی که در دادههای خود انتظار دارید مطابقت داشته باشد. این انتخاب فرمولی نیست، اما تجربه عملی به چند روش تجربی اشاره میکند:
شباهت شکل. اگر سیگنال شما شامل انفجارهای نوسانی است، یک موجک مورلت (یک موج سینوسی پیچیده که در یک گاوسی پیچیده شده است) اغلب به خوبی کار میکند زیرا شبیه به یک نوسان محلی است. برای گذارهای تیز و نوکتیز، چیزی مانند موجک کلاه مکزیکی (مشتق دوم یک گاوسی) یا یک موجک با تکیهگاه فشرده میتواند لبهها و قلهها را با وضوح بیشتری جدا کند.
تعادل رزولوشن زمان-مقیاس. یک موجک طولانیتر تشخیص دقیقتری بین مقیاسهای نزدیک ارائه میدهد اما لحظه دقیق رخ دادن یک ویژگی را محو میکند. یک موجک کوتاهتر زمانبندی را دقیقاً مشخص میکند اما مقیاسها را با هم مخلوط میکند. این سازش اجتنابناپذیر تحلیل محلی است، نه یک نقص.
موجکهای حقیقی در مقابل مختلط. یک موجک مادر با مقدار حقیقی (مانند کلاه مکزیکی) تنها اطلاعات دامنه را ارائه میدهد. یک موجک مختلط (مانند مورلت) هم دامنه و هم فاز را ارائه میدهد، که میتواند در زمانی که بعداً میخواهید روابط زمانبندی بین دو سیگنال را از طریق انسجام متقاطع موجک بررسی کنید، ضروری باشد.
پایههای متعامد موجکهای با تکیهگاه فشرده که در مطالعه دابشیز ساخته شدهاند، برای کارهای بازسازی کامل و گسسته در نظر گرفته شدهاند. برای CWT، شما به متعامد بودن مقید نیستید، بنابراین میتوانید آزادانه موجکهای غیرمتعامد را انتخاب کنید اگر با مورفولوژی سیگنال شما مطابقت بهتری دارند.
با این حال، تکیهگاه فشرده و منظم بودن همچنان مطلوب هستند زیرا میتوانند پخش شدن لبهها را کاهش داده و تبدیلهای تمیزی ارائه دهند.
محاسبه تبدیل موجک پیوسته
در عمل، CWT با کانولوشن سیگنال با نسخههای مقیاسگذاری شده و معکوس زمانی موجک مادر تقریب زده میشود. از آنجا که سیگنالها محدود هستند، موجک به ناچار با نزدیک شدن به ابتدا یا انتهای رکورد، از لبههای دادهها فراتر میرود. آن نواحی مرزی مقادیر مخدوش تولید میکنند؛ مخروط تأثیر (COI) ناحیه زمان-مقیاسی را مشخص میکند که در آن اثرات لبه، تحلیل را غیرقابل اعتماد میسازد. هر ویژگی که به داخل COI وارد شود باید با تردید مورد بررسی قرار گیرد.
برای ساخت یک اسکالوگرام، مقیاسها معمولاً به عنوان توانهای کسری دو نمونهبرداری میشوند تا دامنهای را پوشش دهند که با مدت زمان سیگنال مطابقت دارد. محاسبه مجذور قدر مطلق ضرایب CWT، توان موجک را به دست میدهد که سپس به صورت یک نقشه رنگی با زمان در یک محور و مقیاس در محور دیگر ترسیم میشود.
تفسیر اسکالوگرامها
اسکالوگرام خروجی بصری اصلی تحلیل موجک است. نواحی روشن با توان موجک بالا مطابقت دارند؛ اینها جاهایی هستند که سیگنال دارای یک مؤلفه قوی در یک مقیاس و زمان خاص است.
اما هر نقطه داغی معنادار نیست. برای تمایز ویژگیهای واقعی از نوسانات تصادفی، پژوهشگران اغلب آزمونهای اهمیت آماری را در برابر پسزمینههای تئوری به دست میآورند: نویز سفید (که توان را به طور یکنواخت پخش میکند) و نویز قرمز (که توان را در فرکانسهای پایین متمرکز میکند، همانطور که بسیاری از فرآیندهای طبیعی انجام میدهند). با مقایسه توان مشاهدهشده با صدک 95ام طیف پسزمینه، میتوانید دورهها و مقیاسهایی را که بعید است به طور تصادفی ایجاد شده باشند، شناسایی کنید.
هموارسازی در زمان، در مقیاس، یا هر دو میتواند قابلیت اطمینان چنین ویژگیهایی را افزایش دهد.
محدودیتها و هشدارهای شناخته شده CWT
هیچ ابزار ریاضی بدون نقاط ضعف نیست و CWT نیز از این قاعده مستثنی نیست. انتخاب موجک مادر هم یک انعطافپذیری و هم یک مسئولیت است. هیچ فرآیند خودکاری وجود ندارد که موجک بهینه را برای یک سیگنال ناشناخته تضمین کند.
یک انتخاب نامناسب — برای مثال، یک مورلت طولانی برای سیگنالی پر از اسپایکهای تیز — میتواند ویژگیها را پخش کند یا مصنوعات گمراهکنندهای در اسکالوگرام ایجاد کند. حتی زمانی که آزمایشکنندگان با چشم به یک تطابق خوب میرسند، تحلیل تا حدی ذهنی باقی میماند.
اثرات مرزی یک واقعیت فیزیکی دادههای محدود است. مقیاسهای طولانی موجک را به شدت از مرزها فراتر میبرند، بنابراین COI میتواند بخش بزرگی از اسکالوگرام را در درشتترین مقیاسها ببلعد. هر رویدادی که از حاشیهها استنباط شود باید به عنوان موقتی در نظر گرفته شود. آزمونهای اهمیت، هرچند اصولی هستند، به مدلهای نویز فرضی بستگی دارند که ممکن است برای هر مجموعه دادهای صادق نباشند.
هنگام مواجهه با یک مجموعه داده جدید، واضحترین مسیر ترکیبی از استدلال فیزیکی درباره ساختار مورد انتظار سیگنال با بررسیهای آماری محافظهکارانه و پذیرش واقعبینانه این موضوع است که اسکالوگرام یک نقشه پیشنهادی است، نه یک طرح آناتومیک قطعی.
استفاده از تبدیل موجک برای تحلیل EEG
الکتروانسفالوگرافی تغییرات ولتاژ را در طول زمان ثبت میکند و آن تغییرات اغلب شامل ریتمهای همپوشان، رویدادهای گذرا و رفتار غیرایستا هستند. یک تبدیل موجک میتواند این مؤلفهها را در طول زمان و مقیاس نشان دهد، که آن را برای بررسی زمان ظهور الگوهای خاص مفید میسازد. بنابراین این روش برای علوم اعصاب و تحلیل ثبتهای EEG مرتبط است.
در کار EEG، ضرایب ممکن است بر اساس مقیاس، بازه زمانی، کانال یا شرایط رویداد خلاصه شوند. چنین خلاصههایی میتوانند از تحقیقات در زمینه ریتمها، پاسخهای برانگیخته، گذارهای مرتبط با تشنج، الگوهای خواب یا ساختار مصنوعات پشتیبانی کنند. خود تبدیل، یک اختلال مغزی را تشخیص نمیدهد؛ تفسیر نیازمند ثبت مناسب، پیشپردازش، گروههای مقایسهای و تخصص تخصصی است.
پیشپردازش همچنان نقشی محوری دارد. مصنوعات الکترود، حرکات چشم، فعالیت عضلانی، انتخابهای مرجع، فیلتر کردن، دادههای مفقود و اثرات مرزی همگی میتوانند ضرایب موجک را تغییر دهند. نتایج همچنین به نقشهبرداری فرکانس به مقیاس و اینکه آیا موجک انتخابشده شبیه به مورفولوژی زمانی مورد مطالعه است یا خیر، حساس هستند.
ابزارها و نرمافزارها برای محاسبه تبدیلهای موجک
تبدیلهای موجک را میتوان با کتابخانههای عددی، محیطهای برنامهنویسی علمی و نرمافزارهای تخصصی پردازش سیگنال محاسبه کرد. انتخاب مناسب بستگی به این دارد که هدف آموزش، تجسم اکتشافی، پردازش دستهای، محاسبات تعبیهشده یا تحقیقات تکرارپذیر باشد.
یک ابزار مفید باید پارامترهای تبدیل را به وضوح نشان دهد، به جای اینکه آنها را پشت یک دستور پیشفرض پنهان کند.
یک گردش کار معمولی دادههای نمونهبرداری شده را بارگذاری و اعتبارسنجی میکند، یک موجک را انتخاب میکند، CWT یا DWT را محاسبه میکند، ضرایب را بازرسی میکند و بازسازی یا ویژگیهای پاییندستی را ارزیابی میکند. تکرار گردش کار با تغییرات پارامتر کنترلشده میتواند نشان دهد که آیا نتیجه پایدار است یا خیر. مستندات و سوابق نسخه زمانی اهمیت دارند که تفاوتهای کوچک پیادهسازی بر مقادیر ضرایب تأثیر بگذارند.
برای کار قابل اعتماد، ارزیابی نرمافزار اغلب شامل دقت عددی، پشتیبانی از دادههای چندبعدی، گزینههای مرزی، ترسیم، هزینه محاسباتی و تعاملپذیری است. کد همچنین باید نرخ نمونهبرداری و سابقه پیشپردازش را حفظ کند، زیرا ضرایب بدون آن زمینه برای بازتولید یا تفسیر دشوار هستند.
چرا تحلیل موجک برای خواندن سیگنالهای غیرایستا اهمیت دارد
بینش تعیینکننده تبدیل موجک این است که هویت یک سیگنال بهتر است نه به عنوان یک لیست ایستا از فرکانسها، بلکه به عنوان یک نقشه زنده از زمان رخ دادن الگوها و مدت زمان دوام آنها درک شود. این دیدگاه زمان-مقیاس ارزش خود را در محیطهای واقعی ثابت کرده است. با این حال، این موفقیتها همیشه یک هشدار به همراه دارند: تحلیل تنها به اندازه انتخابهای انجامشده قبل از شروع ریاضیات قابل اعتماد است.
انتخاب یک موجک مادر موضوعی مربوط به قضاوت علمی است و اثرات مرزی به همراه فرضیات نویز، مرزهای واقعی را برای آنچه هر اسکالوگرام میتواند ادعا کند تعیین میکنند. برداشت صادقانه این است که تحلیل موجک راهی برای دیدن ساختار در سیگنالهای در حال تغییر ارائه میدهد، اما به جای پذیرش کورکورانه هر نقطه روشن، نیازمند تفسیر محافظهکارانه است.
پژوهشگرانی که استدلال فیزیکی را با بررسیهای آماری ترکیب میکنند، بیشترین ارزش را از این ابزار میگیرند در حالی که نتیجهگیریهای خود را به طور مناسبی فروتنانه حفظ میکنند.
منابع
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
پرسشهای متداول
تبدیل موجک چیست و چرا برای سیگنالهای غیرایستا استفاده میشود؟
تبدیل موجک یک سیگنال را به مؤلفههایی تجزیه میکند که در هر دو حوزه زمان و مقیاس محلی هستند و نشان میدهد که یک الگو چه زمانی ظاهر میشود و در چه مدتی عمل میکند. این تبدیل برای سیگنالهای غیرایستا ساخته شده است، که ویژگیهای آنها در طول زمان تغییر میکند، برخلاف رویکردهای ثابت که رفتار پایدار را فرض میکنند.
تبدیل موجک پیوسته چه تفاوتی با تحلیل فوریه دارد؟
به جای شکستن یک سیگنال به موجهای سینوسی بیپایان، CWT از نسخههای مقیاسگذاری شده و انتقالیافته یک موجک مادر منفرد استفاده میکند. این ساختار نمایی همزمان از زمان و مقیاس را ارائه میدهد و از سازش پنجره ثابت بین رزولوشن زمان و فرکانس که در روشهای فوریه یافت میشود، اجتناب میکند.
موجک مادر چیست و چه شرایطی را باید برآورده کند؟
یک موجک مادر یک تابع نوسانی منفرد و محلی است که برای تحلیل یک سیگنال کشیده و منتقل میشود. برای معتبر بودن، باید شرایط پذیرش را برآورده کند، که اساساً به این معنی است که دارای میانگین صفر و انرژی محدود باشد — در بالا و پایین صفر نوسان کند و در خارج از یک بازه کوتاه به صفر میل کند.
چگونه یک موجک مادر را برای یک سیگنال خاص انتخاب میکنید؟
موجکی را انتخاب کنید که شکل آن با ویژگیهای مورد انتظار شما مطابقت داشته باشد؛ به عنوان مثال، یک موجک مورلت برای انفجارهای نوسانی مناسب است، در حالی که یک موجک کلاه مکزیکی اسپایکهای تیز را جدا میکند. شما همچنین تعادل بین رزولوشن زمان در مقابل مقیاس را برقرار میکنید و تصمیم میگیرید که آیا به اطلاعات فاز نیاز دارید یا خیر، که موجکهای مختلط هر دو دامنه و فاز را ارائه میدهند.
اسکالوگرام چیست و چگونه آن را تفسیر میکنید؟
اسکالوگرام خروجی بصری اصلی تحلیل موجک است که توان موجک را با زمان در یک محور و مقیاس در محور دیگر ترسیم میکند. نواحی روشن نشاندهنده مؤلفههای قوی سیگنال در یک زمان و مقیاس خاص هستند، اما آزمونهای اهمیت در برابر پسزمینههای نویز سفید یا قرمز به تمایز ویژگیهای واقعی از نوسانات تصادفی کمک میکنند.
مخروط تأثیر چیست و چرا اهمیت دارد؟
مخروط تأثیر ناحیه زمان-مقیاسی را مشخص میکند که در آن اثرات لبه تحلیل موجک را غیرقابل اعتماد میسازد زیرا موجک از مرزهای دادههای محدود فراتر میرود. هر ویژگی که در داخل COI قرار گیرد باید با تردید مورد بررسی قرار گیرد.
محدودیتهای اصلی تبدیل موجک پیوسته چیست؟
انتخاب موجک مادر تا حدی ذهنی است و انتخاب نامناسب میتواند ویژگیها را پخش کند یا مصنوعات گمراهکنندهای ایجاد کند. اثرات مرزی میتوانند مناطق بزرگی از اسکالوگرام را در مقیاسهای درشت آلوده کنند و آزمونهای اهمیت به مدلهای نویز فرضی بستگی دارند که ممکن است برای هر مجموعه دادهای صادق نباشند.
موجکهای مادر حقیقی و مختلط در عمل چه تفاوتی با هم دارند؟
موجکهای با مقدار حقیقی، مانند کلاه مکزیکی، تنها اطلاعات دامنه را ارائه میدهند. موجکهای مختلط، مانند مورلت، هم دامنه و هم فاز را ارائه میدهند، که برای بررسی روابط زمانبندی بین سیگنالها از طریق انسجام متقاطع موجک ضروری است.
تفاوت بین CWT و DWT چیست؟
تبدیل موجک پیوسته مقیاسها و موقعیتهای بسیار نزدیک به هم را ارزیابی میکند و نمایشی دقیق و اغلب همپوشان تولید میکند. تبدیل موجک گسسته از یک مجموعه ساختاریافته از مقیاسها و موقعیتها برای تولید نمایشی فشردهتر استفاده میکند.
موجک هار برای چه کاری استفاده میشود؟
موجک هار برای تحلیل ساده و سریع سیگنالهایی با تغییرات ناگهانی یا رفتار پلهمانند مفید است. شکل تکهای-ثابت آن نیز تفسیر میانگینها و اختلافهای اساسی را آسان میسازد.
Emotiv یک شرکت پیشرو در فناوری عصبی است که با ابزارهای در دسترس EEG و دادههای مغزی به پیشبرد پژوهشهای علوم اعصاب کمک میکند.
کریستین بورگوس
