Veel real-world signalen, zoals klimaatindices, biomedische opnames en medische beeldvorming, staan niet stil. Hun karakter verandert in de loop van de tijd: een hartslag versnelt tijdens het sporten en vertraagt daarna; de temperatuur van het zeeoppervlak schommelt met de seizoenen, maar verschuift ook over decennia. Dit zijn niet-stationaire signalen.
De wavelet-transformatie is een wiskundig hulpmiddel dat is ontwikkeld om hiermee om te gaan. Het ontleedt een signaal in componenten die zowel in tijd als schaal zijn gelokaliseerd, waardoor precies wordt onthuld wanneer een bepaald patroon verschijnt en op welke duur of rek het actief is.
In tegenstelling alseen conventionele Fourier-analyse die een signaal opdeelt in eindeloze sinusgolven, bouwt de continue wavelet-transformatie (CWT) een tijd-schaalrepresentatie op met behulp van geschaalde en verschoven kopieën van één enkele prototypegolf. Dit artikel legt de logica van de CWT uit, hoe u een moederwavelet kiest, het resulterende scalogram berekent en interpreteert, en wat decennia van toepassing hebben aangetoond, samen met de inherente beperkingen van de methode.
Wat is een wavelet-transformatie?
Een wavelet-transformatie is een wiskundige methode om een signaal te onderzoeken op meerdere schalen. In plaats van het gehele signaal uitsluitend te representeren via globale sinusoïdale componenten, vergelijkt het het signaal met korte functies die wavelets worden genoemd. Deze functies worden langs het signaal verschoven en uitgerekt of gecomprimeerd om lokale patronen te onthullen.
Het resultaat is een verzameling coëfficiënten. Elke coëfficiënt geeft aan hoe sterk het signaal lijkt op een specifieke wavelet op een specifieke positie en schaal. Kleine schalen benadrukken over het algemeen snelle veranderingen en fijne details, terwijl grote schalen langzamere variaties en bredere structuren beschrijven.
Dit lokale gedrag is het centrale verschil tussen wavelet-analyse en veel conventionele frequentiemethoden. Een Fourier-transformatie kan laten zien welke frequenties aanwezig zijn, maar een wavelet-transformatie kan ook aangeven waar die kenmerken zich voordoen. Dat maakt het geschikt voor transiënten, discontinuïteiten, bursts, randen en andere gebeurtenissen waarvan de timing van belang is.
Continue wavelet-transformatie: hoe het werkt
De kern van de CWT is een enkele, gelokaliseerde oscillerende functie die de moederwavelet wordt genoemd, aangeduid met ψ(t). U hoeft het signaal niet te ontleden in een vaste set sinusoïden. In plaats daarvan genereert u een familie van wavelets door dit ene prototype uit te rekken (schalen) en te verschuiven (vertalen). De CWT op schaal a en positie b is het inwendig product van het signaal x(t) met een wavelet die is geschaald met a en verschoven met b:
ψᵃᵇ(t) \= (1/√a) ψ((t‑b)/a)
De factor 1/√a normaliseert de energie over de schalen. Wanneer a klein is, is de wavelet gecomprimeerd en pikt deze korte, snelle veranderingen op. Wanneer a groot is, is de wavelet uitgerekt en legt deze langzame, brede golvingen vast. Vertaling b verplaatst de wavelet over de tijdas, zodat de analyse van begin tot eind verschuift.
De output is een tweedimensionale functie van tijd en schaal die kan worden weergegeven als een scalogram. Al in 1988 formaliseerden onderzoekers zoals Ingrid Daubechies het fundamentele idee van multiresolutie-analyse voor discrete wavelets, waarmee ze bewijzen dat orthonormale bases van compact ondersteunde wavelets met een hoge regulariteit kunnen worden gebouwd. De CWT erft dat fundamentele principe van schalen en verschuiven, maar zonder de vereiste van een orthogonale basis: u kunt elke moederwavelet gebruiken die voldoet aan een eenvoudige toelaatbaarheidsvoorwaarde, wat de transformatie omkeerbaar maakt.
Deze constructie geeft wavelets hun kenmerkende kracht. Omdat een moederwavelet een korte, golfachtige puls is, richt deze zich van nature op transiënte gebeurtenissen. Schalen en verschuiven alleen al zorgen voor een gelijktijdige weergave van tijd en schaal, iets wat een Fourier-benadering met een vast venster niet kan evenaren zonder een kunstmatige afweging tussen tijd- en frequentieresolutie af te dwingen.
Wat is discrete wavelet-transformatie?
De discrete wavelet-transformatie, of DWT, bemonstert de schaal- en vertaalparameters op een gestructureerd rooster in plaats van elke mogelijke waarde te evalueren. In gangbare constructies veranderen schalen en posities dyadisch, vaak met machten van twee. Dit levert een compacte set coëfficiënten op terwijl informatie op verschillende resoluties behouden blijft.
De DWT wordt doorgaans geïmplementeerd met gepaarde laagdoorlaat- en hoogdoorlaatfilters. De laagdoorlaattak behoudt een vloeiende benadering van het signaal, terwijl de hoogdoorlaattak details vastlegt. Downsampling vermindert vervolgens het aantal monsters op elk niveau, en de benaderingstak kan opnieuw worden ontleed.
Deze filterbankstructuur maakt de DWT efficiënt voor eindige digitale gegevens. Het ondersteunt ook reconstructie wanneer de analyse- en synthesefilters goed zijn ontworpen.
Toepassingen zijn onder meer ruisonderdrukking, compressie, detectie van gebeurtenissen en multischalige extractie van kenmerken, hoewel de interpretatie van coëfficiënten afhankelijk blijft van bemonstering, randbehandeling en waveletkeuze.
Discrete wavelet-transformatie uitgelegd
De DWT vertegenwoordigt een bemonsterd signaal door middel van benaderingscoëfficiënten en detailcoëfficiënten op opeenvolgende niveaus. Op het eerste niveau wordt het signaal gescheiden in een brede, langzaam variërende inhoud en sneller veranderende details. Het herhalen van de bewerking op de benadering creëert een hiërarchie van resoluties.
In tegenstelling tot de CWT produceert de DWT normaal gesproken geen coëfficiënten voor elke continue positie en schaal. De gestructureerde bemonstering vermindert redundantie en computationele kosten. Dit maakt het praktisch voor grote arrays, realtime verwerking en compressiesystemen.
Het ontledingsniveau bepaalt hoe ver de analyse doorgaat. Te weinig niveaus kunnen een brede structuur missen, terwijl te veel niveaus coëfficiënten kunnen opleveren die moeilijk te interpreteren zijn of sterk worden beïnvloed door de signaallengte en randvoorwaarden. De nuttige diepte is daarom een eigenschap van de gegevens en het analytische doel, geen universele constante.
Stappen van het DWT discrete wavelet-transformatie-algoritme
Een standaard DWT verloopt via herhaald filteren en downsampling. De kernbewerking is eenvoudig, maar elke stap beïnvloedt de representatie die volgt.
Selecteer een waveletfamilie en het gewenste ontledingsniveau.
Stuur het signaal door een laagdoorlaatfilter om benaderingsmonsters te verkrijgen.
Stuur hetzelfde signaal door een hoogdoorlaatfilter om detailmonsters te verkrijgen.
Downsample beide outputs en herhaal het proces op de benaderingstak.
Sla de coëfficiënten op en reconstrueer het signaal indien nodig.
De resulterende coëfficiëntenboom scheidt een grove structuur van progressief fijnere details. In de praktijk kan reconstructie worden gebruikt om te testen of geselecteerde coëfficiënten de signaalkenmerken behouden die relevant zijn voor de analyse.
Haar-wavelet-transformatie: de eenvoudigste wavelet
De Haar-wavelet is de eenvoudigste gebruikte wavelet. Deze is stuksgewijs constant, omdat hij de ene waarde aanneemt over een deel van een kort interval en de tegenovergestelde waarde over een ander deel, met een gemiddelde van nul. De abrupte vorm maakt hem van nature gevoelig voor sprongen en stapsgewijze overgangen.
Voor een kort paar monsters kan de Haar-transformatie worden begrepen als het berekenen van een gemiddelde en een verschil. Het gemiddelde wordt een grove benadering, terwijl het verschil lokale veranderingen registreert. Het herhalen van deze bewerking creëert een representatie op meerdere niveaus met een bijzonder duidelijke interpretatie.
De Haar-wavelet is computationeel goedkoop en eenvoudig uit te leggen, maar is niet vloeiend. Signalen die worden gedomineerd door geleidelijke trillingen, worden mogelijk minder efficiënt weergegeven dan met vloeiendere wavelets het geval zou zijn. De waarde ervan is het grootst wanneer eenvoud, snelle berekening of gevoeligheid voor discontinuïteiten belangrijker zijn dan vloeiende frequentieselectiviteit.
Een moederwavelet kiezen
Niet elke kleine rimpeling kwalificeert als een moederwavelet. De functie moet voldoen aan de toelaatbaarheidsvoorwaarde, wat in wezen betekent dat deze een gemiddelde van nul en een eindige energie heeft, wat betekent dat deze boven en onder nul rimpelt en buiten een kort interval tot niets vervalt.
Naast die vereiste bent u vrij om een vorm te kiezen die past bij het soort kenmerken dat u in uw gegevens verwacht. De keuze is niet formeel voorgeschreven, maar de praktijkervaring wijst op een paar heuristieken:
Vormovereenkomst. Als uw signaal oscillerende bursts bevat, werkt een Morlet-wavelet — een complexe sinusgolf verpakt in een gausscurve — vaak goed omdat deze lijkt op een gelokaliseerde oscillatie. Voor scherpe, piekvormige transiënten kan zoiets als de Mexican hat-wavelet (de tweede afgeleide van een gausscurve) of een compact ondersteunde wavelet randen en pieken zuiverder isoleren.
Balans in tijd-schaalresolutie. Een langere wavelet geeft een fijnere discriminatie tussen nabijgelegen schalen, maar vervaagt het exacte moment waarop een kenmerk zich voordoet. Een kortere wavelet bepaalt de timing nauwkeurig, maar mengt schalen door elkaar. Dit is de onvermijdelijke afweging van een gelokaliseerde analyse, geen fout.
Reële versus complexe wavelets. Een reëelwaardige moederwavelet (bijv. de Mexican hat) levert alleen amplitude-informatie. Een complexe wavelet (bijv. de Morlet) levert zowel amplitude als fase op, wat essentieel kan zijn wanneer u later de timingrelaties tussen twee signalen wilt onderzoeken via cross-waveletcoherentie.
De orthonormale bases van compact ondersteunde wavelets die in de studie van Daubechies zijn gebouwd, zijn bedoeld voor discrete, perfecte reconstructietaken. Voor de CWT bent u niet gebonden aan orthonormaliteit, dus u kunt vrijelijk niet-orthogonale wavelets selecteren als deze beter passen bij de morfologie van uw signaal.
Toch blijven compacte ondersteuning en regulariteit wenselijk, omdat ze randsmering kunnen verminderen en zuivere transformaties opleveren.
De continue wavelet-transformatie berekenen
In de praktijk wordt de CWT benaderd door het signaal te convolueren met geschaalde, in de tijd omgekeerde kopieën van de moederwavelet. Omdat signalen eindig zijn, strekt de wavelet zich onvermijdelijk uit tot buiten de randen van de gegevens wanneer deze het begin of einde van de registratie nadert. Die randgebieden produceren vervormde waarden; de invloedskegel (COI) markeert het tijd-schaalgebied waar randeffecten de analyse onbetrouwbaar maken. Elk kenmerk dat in de COI terechtkomt, moet met argwaan worden behandeld.
Om een scalogram te bouwen, worden schalen doorgaans bemonsterd als fractionele machten van twee om een bereik te bestrijken dat overeenkomt met de duur van het signaal. Het berekenen van de gekwadrateerde grootte van de CWT-coëfficiënten levert wavelet-vermogen op, dat vervolgens wordt uitgezet als een kleurenkaart met tijd op de ene as en schaal op de andere.
Scalogrammen interpreteren
Een scalogram is de primaire visuele output van wavelet-analyse. Heldere gebieden komen overeen met een hoog wavelet-vermogen; dit zijn plaatsen waar het signaal een sterke component heeft op een specifieke schaal en tijd.
Maar niet elke hotspot is betekenisvol. Om echte kenmerken te onderscheiden van willekeurige fluctuaties, leiden onderzoekers vaak statistische significantietoetsen af tegen theoretische achtergronden: witte ruis (die het vermogen gelijkmatig verspreidt) and rode ruis (die het vermogen concentreert op lage frequenties, zoals veel natuurlijke processen doen). Door het waargenomen vermogen te vergelijken met het 95e percentiel van het achtergrondspectrum, kunt u tijdperken en schalen identificeren die waarschijnlijk niet toevallig zijn ontstaan.
Gladdere weergave in de tijd, in schaal of beide kan de betrouwbaarheid van dergelijke kenmerken vergroten.
Bekende beperkingen en waarschuwingen van CWT
Geen enkel wiskundig hulpmiddel is zonder zwakke plekken, en de CWT is daarop geen uitzondering. De keuze van de moederwavelet is zowel een flexibiliteit als een risico. Er is geen automatische procedure die de optimale wavelet voor een onbekend signaal garandeert.
Een ongepaste keuze — bijvoorbeeld een lange Morlet voor een signaal vol scherpe pieken — kan kenmerken uitsmeren of misleidende scalogram-artefacten veroorzaken. Zelfs wanneer experimenteerders op het oog een goede match vinden, blijft de analyse deels subjectief.
Randeffecten zijn een fysieke realiteit van eindige gegevens. Lange schalen duwen de wavelet ver buiten de grenzen, zodat de COI een groot deel van het scalogram op de grofste schalen kan opslokken. Elke gebeurtenis die uit de marges wordt afgeleid, moet als voorlopig worden beschouwd. Significantietoetsen zijn weliswaar principieel, maar hangen af van veronderstelde ruismodellen die mogelijk niet voor elke dataset opgaan.
Bij het benaderen van een nieuwe dataset combineert het duidelijkste pad fysieke redenering over de verwachte structuur van het signaal met conservatieve statistische controles, en een nuchtere acceptatie dat het scalogram een suggestieve kaart is, geen definitieve anatomische blauwdruk.
Wavelet-transformatie gebruiken voor EEG-analyse
Elektro-encefalografie registreert spanningsveranderingen in de loop van de tijd, en die veranderingen bevatten vaak overlappende ritmes, transiënte gebeurtenissen en niet-stationair gedrag. Een wavelet-transformatie kan deze componenten weergeven in de tijd en op schaal, waardoor deze nuttig is om te onderzoeken wanneer specifieke patronen ontstaan. De methode is daarom relevant voor de neurowetenschap en voor de analyse van EEG-registraties.
Bij EEG-werk kunnen coëfficiënten worden samengevat per schaal, tijdsinterval, kanaal of gebeurtenisconditie. Dergelijke samenvattingen kunnen onderzoek ondersteunen naar ritmes, geëvoceerde reacties, aanvalsgerelateerde transiënten, slaappatronen of de structuur van artefacten. De transformatie zelf diagnosticeert geen hersenandoening; interpretatie vereist de juiste acquisitie, voorverwerking, vergelijkingsgroepen en domeinexpertise.
Voorverwerking blijft centraal staan. Elektrode-artefacten, oogbewegingen, spieractiviteit, referentiekeuzes, filtering, ontbrekende gegevens en randeffecten kunnen allemaal de wavelet-coëfficiënten veranderen. Resultaten zijn ook gevoelig voor de frequentie-naar-schaal-mapping en voor de vraag of de geselecteerde wavelet lijkt op de temporele morfologie die wordt bestudeerd.
Hulpmiddelen en software voor het berekenen van wavelet-transformaties
Wavelet-transformaties kunnen worden berekend met numerieke bibliotheken, wetenschappelijke programmeeromgevingen en gespecialiseerde software voor signaalverwerking. De juiste keuze hangt af van de vraag of het doel onderwijs, verkennende visualisatie, batchverwerking, ingebedde berekening of reproduceerbaar onderzoek is.
Een nuttig hulpmiddel moet de transformatieparameters duidelijk weergeven in plaats van ze achter een enkele standaardopdracht te verbergen.
Een typische workflow laadt en valideert de bemonsterde gegevens, kiest een wavelet, berekent de CWT of DWT, inspecteert coëfficiënten en evalueert reconstructie- of downstream-kenmerken. Het herhalen van de workflow met gecontroleerde parameterwijzigingen kan aantonen of het resultaat stabiel is. Documentatie en versieregisters zijn van belang wanneer kleine verschillen in implementatie de coëfficiëntwaarden beïnvloeden.
Voor betrouwbaar werk omvat software-evaluatie vaak numerieke nauwkeurigheid, ondersteuning voor multidimensionale gegevens, randopties, plotten, computationele kosten en interoperabiliteit. Code moet ook de bemonsteringsfrequentie en de geschiedenis van de voorverwerking behouden, aangezien coëfficiënten zonder die context moeilijk te reproduceren of te interpreteren zijn.
Waarom wavelet-analyse van belang is voor het lezen van niet-stationaire signalen
Het bepalende inzicht van de wavelet-transformatie is dat de identiteit van een signaal het best kan worden begrepen, niet als een statische lijst van frequenties, maar als een levende kaart van wanneer patronen optreden en hoe lang ze duren. Deze tijd-schaalweergave heeft zijn waarde bewezen in praktijksituaties. Toch brengen die successen altijd een voorbehoud met zich mee: de analyse is slechts zo betrouwbaar als de keuzes die worden gemaakt voordat de wiskunde begint.
Het kiezen van een moederwavelet is een kwestie van wetenschappelijk oordeel, en randeffecten plus ruisveronderstellingen stellen reële grenzen aan wat een scalogram kan claimen. De eerlijke conclusie is dat wavelet-analyse een manier biedt om structuur te zien in veranderende signalen, maar dat deze vraagt om een conservatieve interpretatie in plaats van blinde acceptatie van elke hotspot.
Onderzoekers die fysieke redenering combineren met statistische controles, halen de meeste waarde uit dit hulpmiddel, terwijl ze hun conclusies passend bescheiden houden.
Referenties
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
Veelgestelde vragen
Wat is de wavelet-transformatie en waarom wordt deze gebruikt voor niet-stationaire signalen?
De wavelet-transformatie ontleedt een signaal in componenten die zowel in de tijd als op schaal gelokaliseerd zijn, waardoor wordt onthuld wanneer een patroon verschijnt en hoe lang het actief is. Het is ontworpen voor niet-stationaire signalen, waarvan het karakter in de loop van de tijd verandert, in tegenstelling tot vaste benaderingen die uitgaan van constant gedrag.
Hoe verschilt de continue wavelet-transformatie van Fourier-analyse?
In plaats van een signaal op te splitsen in oneindige sinusgolven, gebruikt de CWT geschaalde en verschoven kopieën van een enkele moederwavelet. Deze constructie biedt een gelijktijdige weergave van tijd en schaal, waardoor de afweging van het vaste venster tussen tijd- en frequentieresolutie die in Fourier-methoden wordt gevonden, wordt vermeden.
Wat is een moederwavelet en aan welke voorwaarde moet deze voldoen?
Een moederwavelet is een enkele, gelokaliseerde oscillerende functie die wordt uitgerekt en verschoven om een signaal te analyseren. Om geldig te zijn, moet deze voldoen aan de toelaatbaarheidsvoorwaarde, wat in wezen betekent dat deze een gemiddelde van nul en een eindige energie heeft — deze rimpelt boven en onder nul en vervalt tot niets buiten een kort interval.
Hoe kiest u een moederwavelet voor een specifiek signaal?
Kies een wavelet waarvan de vorm overeenkomt met de kenmerken die u verwacht; een Morlet-wavelet is bijvoorbeeld geschikt voor oscillerende bursts, terwijl een Mexican hat-wavelet scherpe pieken isoleert. U weegt ook de tijd- versus de schaalresolutie af en beslist of u fase-informatie nodig hebt, waarbij complexe wavelets zowel amplitude als fase bieden.
Wat is een scalogram en hoe interpreteert u dit?
Een scalogram is de belangrijkste visuele output van wavelet-analyse, waarbij het wavelet-vermogen wordt uitgezet met de tijd op de ene as en de schaal op de andere. Heldere gebieden duiden op sterke signaalcomponenten op een specifieke tijd en schaal, maar significantietoetsen tegen witte of rode ruisachtergronden helpen om echte kenmerken te onderscheiden van willekeurige fluctuaties.
Wat is de invloedskegel en waarom is deze van belang?
De invloedskegel markeert het tijd-schaalgebied waar randeffecten de wavelet-analyse onbetrouwbaar maken omdat de wavelet zich buiten de eindige gegevensgrenzen uitstrekt. Elk kenmerk dat binnen de COI valt, moet met argwaan worden behandeld.
Wat zijn de belangrijkste beperkingen van de continue wavelet-transformatie?
De keuze van de moederwavelet is deels subjectief, en een ongepaste keuze kan kenmerken uitsmeren of misleidende artefacten veroorzaken. Randeffecten kunnen grote delen van het scalogram vervuilen, en significantietoetsen zijn afhankelijk van veronderstelde ruismodellen die mogelijk niet voor elke dataset opgaan.
Hoe verschillen reële en complexe moederwavelets in de praktijk?
Reëelwaardige wavelets, zoals de Mexican hat, bieden alleen amplitude-informatie. Complexe wavelets, zoals de Morlet, bieden zowel amplitude als fase, wat essentieel is voor het onderzoeken van timingrelaties tussen signalen via cross-waveletcoherentie.
Wat is het verschil tussen CWT en DWT?
De continue wavelet-transformatie evalueert veel dicht opeengepakte schalen en posities, wat resulteert in een gedetailleerde en vaak redundante representatie. De discrete wavelet-transformatie gebruikt een gestructureerde set schalen en posities om een compactere representatie te produceren.
Waarvoor wordt de Haar-wavelet gebruikt?
De Haar-wavelet is nuttig voor eenvoudige, snelle analyse of signalen met abrupte veranderingen of stapsgewijs gedrag. De stuksgewijs constante vorm maakt de onderliggende gemiddelden en verschillen bovendien gemakkelijk te interpreteren.
Emotiv is een leider in neurotechnologie die helpt om neurowetenschappelijk onderzoek vooruit te helpen met toegankelijke EEG- en hersendatatools.
Christian Burgos
