İklim endeksleri, biyomedikal kayıtlar, tıbbi görüntüler gibi gerçek dünyadaki birçok sinyal durağan değildir. Karakterleri zamanla değişir: Bir kalp atışı egzersiz sırasında hızlanır, ardından yavaşlar; deniz yüzeyi sıcaklıkları mevsimlerle birlikte dalgalanır ancak aynı zamanda on yıllar boyunca da kayma gösterir. Bunlar durağan olmayan (non-stationary) sinyallerdir.
Dalgacık dönüşümü (wavelet transform), bunları ele almak için oluşturulmuş matematiksel bir araçtır. Bir sinyali hem zaman hem de ölçek olarak lokalize edilmiş bileşenlerine ayırarak, belirli bir örüntünün tam olarak ne zaman ortaya çıktığını ve hangi sürede veya aralıkta işlediğini hassas bir şekilde ortaya koyar.
Bir sinyali sonsuz sinüs dalgalarına ayıran geleneksel Fourier analizinin aksine, sürekli dalgacık dönüşümü (CWT), tek bir prototip dalganın ölçeklendirilmiş ve ötelenmiş kopyalarını kullanarak bir zaman-ölçek gösterimi oluşturur. Bu makale, CWT'nin mantığını, bir ana dalgacığın (mother wavelet) nasıl seçileceğini, elde edilen skalogramın nasıl hesaplanıp yorumlanacağını ve yöntemin kendi sınırlamalarıyla birlikte onlarca yıllık uygulamaların neler gösterdiğini açıklamaktadır.
Dalgacık Dönüşümü (Wavelet Transform) Nedir?
Dalgacık dönüşümü, bir sinyali birden fazla ölçekte incelemek için kullanılan matematiksel bir yöntemdir. Sinyalin tamamını yalnızca küresel sinüzoidal bileşenlerle temsil etmek yerine, sinyali dalgacık adı verilen kısa fonksiyonlarla karşılaştırır. Bu fonksiyonlar sinyal boyunca kaydırılır ve yerel kalıpları ortaya çıkarmak için genişletilir veya sıkıştırılır.
Sonuç, katsayılardan oluşan bir koleksiyondur. Her katsayı, sinyalin belirli bir konum ve ölçekte belirli bir dalgacığa ne kadar benzediğini gösterir. Küçük ölçekler genellikle hızlı değişimleri ve ince ayrıntıları vurgularken, büyük ölçekler daha yavaş değişimleri ve daha geniş yapıyı tanımlar.
Bu yerel davranış, dalgacık analizi ile birçok geleneksel frekans yöntemi arasındaki temel ayrımdır. Bir Fourier dönüşümü hangi frekansların mevcut olduğunu gösterebilir, ancak bir dalgacık dönüşümü bu özelliklerin nerede oluştuğunu da gösterebilir. Bu durum, onu geçici durumlar, süreksizlikler, patlamalar, kenarlar ve zamanlaması önem taşıyan diğer olaylar için uygun hale getirir.
Sürekli Dalgacık Dönüşümü: Nasıl Çalışır?
CWT'nin merkezinde, ψ(t) ile gösterilen, ana dalgacık (mother wavelet) adı verilen tek, lokalize salınımlı bir fonksiyon yer alır. Sinyali sabit bir sinüzoid kümesine ayrıştırmanız gerekmez. Bunun yerine, bu tek prototipi esneterek (ölçekleyerek) ve kaydırarak (çevirerek) bir dalgacık ailesi oluşturursunuz. a ölçeğinde ve b konumunda CWT, x(t) sinyalinin a ile ölçeklenmiş ve b ile kaydırılmış bir dalgacıkla iç çarpımıdır:
ψᵃᵇ(t) \= (1/√a) ψ((t‑b)/a)
1/√a faktörü, enerjiyi ölçekler arasında normalize eder. a küçük olduğunda, dalgacık sıkıştırılır ve kısa, hızlı değişimleri yakalar. a büyük olduğunda, dalgacık esnetilir ve yavaş, geniş dalgalanmaları kaydeder. b kaydırması, dalgacığı zaman ekseni boyunca hareket ettirir, böylece analiz baştan sona doğru kayar.
Çıktı, skalogram olarak görüntülenebilen, zaman ve ölçeğin iki boyutlu bir fonksiyonudur. 1988 yılında Ingrid Daubechies gibi araştırmacılar ayrık dalgacıklar için çoklu çözünürlük analizinin temel fikrini resmileştirerek, kompakt destekli dalgacıkların ortonormal tabanlarının yüksek düzenlilikle inşa edilebileceğini kanıtladılar. CWT, bu temel ölçekleme ve kaydırma ilkesini devralır, ancak ortogonal bir taban gereksinimi olmaksızın: basit bir kabul edilebilirlik koşulunu karşılayan herhangi bir ana dalgacığı kullanabilirsiniz, bu da dönüşümü tersine çevrilebilir kılar.
Bu yapı, dalgacıklara kendilerine özgü gücünü verir. Bir ana dalgacık kısa, dalga benzeri bir darbe olduğundan, doğal olarak geçici olaylara odaklanır. Ölçekleme ve kaydırma tek başına, zaman ve ölçeğin eş zamanlı bir görünümünü sunar; bu, sabit pencereli bir Fourier yaklaşımının, zaman ve frekans çözünürlüğü arasında yapay bir ödün vermeyi zorunlu kılmadan eşleşemeyeceği bir şeydir.
Ayrık Dalgacık Dönüşümü Nedir?
Ayrık dalgacık dönüşümü veya DWT, olası her değeri değerlendirmek yerine ölçek ve kaydırma parametrelerini yapılandırılmış bir ızgara üzerinde örnekler. Yaygın yapılarda, ölçekler ve konumlar ikişerli olarak, genellikle ikinin kuvvetleriyle değişir. Bu, bilgiyi birkaç çözünürlükte korurken kompakt bir katsayı kümesi üretir.
DWT yaygın olarak eşleştirilmiş alçak geçiren ve yüksek geçiren filtrelerle uygulanır. Alçak geçiren dal, sinyalin düzleştirilmiş bir yaklaşık değerini korurken, yüksek geçiren dal ayrıntıları yakalar. Ardından alt örnekleme, her seviyedeki örnek sayısını azaltır ve yaklaşım dalı tekrar ayrıştırılabilir.
Bu filtre bankası yapısı, DWT'yi sonlu dijital veriler için verimli kılar. Analiz ve sentez filtreleri düzgün tasarlandığında yeniden yapılandırmayı da destekler.
Uygulamalar arasında gürültü giderme, sıkıştırma, olay algılama ve çok ölçekli özellik çıkarma yer alır, ancak katsayıların yorumlanması örneklemeye, sınır işlemeye ve dalgacık seçimine bağlı kalmaya devam eder.
Ayrık Dalgacık Dönüşümü Açıklaması
DWT, örneklenmiş bir sinyali ardışık seviyelerdeki yaklaşım katsayıları ve ayrıntı katsayıları aracılığıyla temsil eder. İlk seviyede sinyal, geniş, yavaş değişen içerik ve daha hızlı değişen ayrıntı olarak ikiye ayrılır. İşlemin yaklaşım üzerinde tekrarlanması, çözünürlüklerden oluşan bir hiyerarşi oluşturur.
CWT'nin aksine, DWT normalde her sürekli konum ve ölçek için katsayı üretmez. Yapılandırılmış örneklemesi gereksizliği ve hesaplama maliyetini azaltır. Bu, onu büyük diziler, gerçek zamanlı işleme ve sıkıştırma sistemleri için pratik hale getirir.
Ayrıştırma seviyesi, analizin ne kadar ilerleyeceğini belirler. Çok az seviye geniş yapıyı gözden kaçırabilir, çok fazlası ise yorumlanması zor olan veya sinyal uzunluğundan ve sınır koşullarından güçlü bir şekilde etkilenen katsayılar üretebilir. Bu nedenle kullanışlı derinlik, evrensel bir sabit değil, verinin ve analitik amacın bir özelliğidir.
DWT Ayrık Dalgacık Dönüşümü Algoritması Adımları
Standart bir DWT, tekrarlanan filtreleme ve alt örnekleme adımlarıyla ilerler. Temel işlem basittir, ancak her adım takip eden temsili etkiler.
Bir dalgacık ailesi ve istenen ayrıştırma seviyesini seçin.
Yaklaşım örneklerini elde etmek için sinyali alçak geçiren bir filtreden geçirin.
Ayrıntılı örnekleri elde etmek için aynı sinyali yüksek geçiren bir filtreden geçirin.
Her iki çıktıyı da alt örnekleyin ve işlemi yaklaşım dalında tekrarlayın.
Katsayıları saklayın ve gerektiğinde sinyali yeniden yapılandırın.
Elde edilen katsayı ağacı, kaba yapıyı kademeli olarak daha ince ayrıntılardan ayırır. Pratikte, seçilen katsayıların analizle ilgili sinyal özelliklerini koruyup korumadığını test etmek için yeniden yapılandırma kullanılabilir.
Haar Dalgacık Dönüşümü: En Basit Dalgacık
Haar dalgacığı, kullanılan en basit dalgacıktır. Kısa bir aralığın bir kısmında bir değer alıp diğer kısmında zıt değeri aldığı ve ortalaması sıfır olduğu için parçalı sabittir. Ani şekli, onu sıçramalara ve basamak benzeri geçişlere karşı doğal olarak duyarlı hale getirir.
Kısa bir örnek çifti için Haar dönüşümü, bir ortalama ve bir fark hesaplamak olarak anlaşılabilir. Ortalama kaba bir yaklaşım haline gelirken, fark yerel değişimi kaydeder. Bu işlemin tekrarlanması, özellikle net bir yoruma sahip çok seviyeli bir temsil oluşturur.
Haar dalgacığının hesaplama maliyeti düşüktür ve açıklanması kolaydır, ancak pürüzsüz değildir. Kademeli salınımların baskın olduğu sinyaller, pürüzsüz dalgacıklara kıyasla daha az verimli temsil edilebilir. Değeri, sadelik, hızlı hesaplama veya süreksizliklere karşı hassasiyet, pürüzsüz frekans seçiciliğinden daha önemli olduğunda en yüksektir.
Bir Ana Dalgacık Seçmek
Her küçük kıpırdanma bir ana dalgacık olma niteliği taşımaz. Fonksiyonun kabul edilebilirlik koşulunu karşılaması gerekir; bu da esasen sıfır ortalamaya ve sonlu enerjiye sahip olduğu, yani sıfırın üstünde ve altında kıpırdandığı ve kısa bir aralığın dışında sönümlenerek yok olduğu anlamına gelir.
Bu gereksinimin ötesinde, verilerinizde görmeyi beklediğiniz özelliklerin türüne uyan bir şekil seçmekte özgürsünüz. Bu seçim formüle dayalı değildir, ancak pratik deneyim birkaç bulgusal yönteme işaret eder:
Şekil benzerliği. Sinyaliniz salınımlı patlamalar içeriyorsa, bir Morlet dalgacığı (Gauss eğrisine sarılmış karmaşık bir sinüs dalgası) genellikle iyi çalışır çünkü lokalize bir salınıma benzer. Keskin, dikenli geçişler için, Meksika şapkası (Mexican hat) dalgacığı (bir Gauss eğrisinin ikinci türevi) veya kompakt destekli bir dalgacık gibi bir şey kenarları ve tepeleri daha temiz bir şekilde izole edebilir.
Zaman-ölçek çözünürlük dengesi. Daha uzun bir dalgacık, birbirine yakın ölçekler arasında daha ince bir ayrım sağlar ancak bir özelliğin tam olarak gerçekleştiği anı bulanıklaştırır. Daha kısa bir dalgacık zamanlamayı tam olarak belirler ancak ölçekleri birbirine karıştırır. Bu, yerelleştirilmiş analizin kaçınılmaz bir uzlaşısıdır, bir kusur değil.
Gerçek ve karmaşık dalgacıklar karşılaştırması. Gerçek değerli bir ana dalgacık (örneğin Meksika şapkası) yalnızca genlik bilgisi sağlar. Karmaşık bir dalgacık (örneğin Morlet) hem genlik hem de faz üretir; bu durum, daha sonra çapraz dalgacık tutarlılığı (cross-wavelet coherence) aracılığıyla iki sinyal arasındaki zamanlama ilişkilerini incelemek istediğinizde gerekli olabilir.
Daubechies’in çalışmasında oluşturulan kompakt destekli dalgacıkların ortonormal tabanları, ayrık, mükemmel yeniden yapılandırma görevleri için tasarlanmıştır. CWT için ortonormalliğe bağlı değilsiniz, dolayısıyla sinyalinizin morfolojisine daha iyi uyuyorlarsa ortogonal olmayan dalgacıkları özgürce seçebilirsiniz.
Yine de, kompakt destek ve düzenlilik, kenar bulanıklaşmasını azaltabildikleri ve temiz dönüşümler sağlayabildikleri için tercih edilmeye devam eder.
Sürekli Dalgacık Dönüşümünü Hesaplama
Pratikte CWT, sinyalin ana dalgacığın ölçeklenmiş, zamanı tersine çevrilmiş kopyalarıyla evriştirilmesiyle (convolution) tahmin edilir. Sinyaller sonlu olduğundan, dalgacık verilerin başına veya sonuna yaklaştıkça kaçınılmaz olarak sınırların ötesine uzanır. Bu sınır bölgeleri bozuk değerler üretir; etki konisi (cone of influence - COI), kenar etkilerinin analizi güvenilmez kıldığı zaman-ölçek bölgesini işaretler. COI içine giren her özelliğe şüpheyle yaklaşılmalıdır.
Bir skalogram oluşturmak için ölçekler, genellikle sinyalin süresine uyan bir aralığı kapsayacak şekilde ikinin kesirli kuvvetleri olarak örneklenir. CWT katsayılarının karesel büyüklüğünün hesaplanması, bir eksende zaman, diğerinde ölçek olacak şekilde bir renk haritası olarak çizilen dalgacık gücünü (wavelet power) verir.
Skalogramları Yorumlama
Skalogram, dalgacık analizinin birincil görsel çıktısıdır. Parlak bölgeler yüksek dalgacık gücüne karşılık gelir; bunlar, sinyalin belirli bir ölçek ve zamanda güçlü bir bileşene sahip olduğu yerlerdir.
Ancak her sıcak nokta anlamlı değildir. Gerçek özellikleri rastgele dalgalanmalardan ayırt etmek için, araştırmacılar genellikle teorik arka planlara karşı istatistiksel anlamlılık testleri türetirler: beyaz gürültü (gücü eşit şekilde yayar) ve kırmızı gürültü (birçok doğal süreçte olduğu gibi gücü düşük frekanslarda yoğunlaştırır). Gözlemlenen gücü arka plan spektrumunun 95. yüzdeliği ile karşılaştırarak, tesadüfen ortaya çıkması muhtemel olmayan dönemleri ve ölçekleri belirleyebilirsiniz.
Zamanda, ölçekte veya her ikisinde birden düzleştirme yapmak, bu tür özelliklerin güvenilirliğini artırabilir.
CWT'nin Bilinen Sınırları ve Dikkat Edilmesi Gerekenler
Hiçbir matematiksel araç zayıf noktalardan yoksun değildir ve CWT de bir istisna değildir. Ana dalgacık seçimi hem bir esneklik hem de bir risktir. Bilinmeyen bir sinyal için en uygun dalgacığı garanti eden otomatik bir prosedür yoktur.
Uygun olmayan bir seçim —örneğin, keskin çıkışlarla dolu bir sinyal için uzun bir Morlet— özellikleri bulanıklaştırabilir veya yanıltıcı skalogram yapaylıkları (artifacts) oluşturabilir. Deneyciler göz kararıyla iyi bir eşleşme bulsalar bile, analiz kısmen öznel kalır.
Kenar etkileri, sonlu verilerin fiziksel bir gerçeğidir. Uzun ölçekler dalgacığı sınırların çok ötesine iter, bu nedenle COI en kaba ölçeklerde skalogramın büyük bir bölümünü yutabilir. Sınırlardan çıkarılan her olay geçici olarak kabul edilmelidir. Anlamlılık testleri, ilkeli olsalar da, her veri seti için geçerli olmayabilecek varsayılan gürültü modellerine dayanır.
Yeni bir veri setine yaklaşırken en net yol, sinyalin beklenen yapısı hakkındaki fiziksel akıl yürütmeyi ihtiyatlı istatistiksel kontrollerle birleştirmek ve skalogramın kesin bir anatomik plan değil, fikir veren bir harita olduğunu net bir şekilde kabul etmektir.
EEG Analizi İçin Dalgacık Dönüşümü Kullanımı
Elektroensefalografi voltaj değişimlerini zaman içinde kaydeder ve bu değişimler genellikle örtüşen ritimler, geçici olaylar ve durağan olmayan (non-stationary) davranışlar içerir. Bir dalgacık dönüşümü bu bileşenleri zaman ve ölçek boyunca temsil edebilir, bu da belirli kalıpların ne zaman ortaya çıktığını incelemek için kullanışlı olmasını sağlar. Bu nedenle yöntem, sinirbilim ve EEG kayıtlarının analizi ile ilgilidir.
EEG çalışmalarında katsayılar ölçek, zaman aralığı, kanal veya olay durumuna göre özetlenebilir. Bu tür özetler; ritimler, uyarılmış yanıtlar, nöbetle ilişkili geçici durumlar, uyku kalıpları veya yapaylık (artifact) yapısı üzerine yapılan araştırmaları destekleyebilir. Dönüşümün kendisi bir beyin bozukluğu teşhisi koymaz; yorumlama için uygun veri toplama, ön işleme, karşılaştırma grupları ve alan uzmanlığı gerekir.
Ön işleme merkezi önemini korumaktadır. Elektrot yapaylıkları, göz hareketleri, kas aktivitesi, referans seçimleri, filtreleme, eksik veriler ve kenar etkilerinin tümü dalgacık katsayılarını değiştirebilir. Sonuçlar ayrıca frekans-ölçek eşlemesine ve seçilen dalgacığın incelenen zamansal morfolojiye benzeyip benzemediğine karşı hassastır.
Dalgacık Dönüşümlerini Hesaplamak İçin Araçlar ve Yazılımlar
Dalgacık dönüşümleri sayısal kütüphaneler, bilimsel programlama ortamları ve özel sinyal işleme yazılımları ile hesaplanabilir. Uygun seçim; amacın eğitim, keşif amaçlı görselleştirme, toplu işleme, gömülü hesaplama veya tekrarlanabilir araştırma olup olmadığına bağlıdır.
Yararlı bir araç, dönüşüm parametrelerini tek bir varsayılan komutun arkasına gizlemek yerine açıkça ortaya koymalıdır.
Tipik bir iş akışı, örneklenen verileri yükler ve doğrular, bir dalgacık seçer, CWT veya DWT'yi hesaplar, katsayıları inceler ve yeniden yapılandırmayı veya sonraki özellikleri değerlendirir. İş akışını kontrollü parametre değişiklikleriyle tekrarlamak, sonucun kararlı olup olmadığını gösterebilir. Küçük uygulama farklılıkları katsayı değerlerini etkilediğinde, belgeleme ve sürüm kayıtları önem kazanır.
Güvenilir bir çalışma için yazılım değerlendirmesi genellikle sayısal doğruluğu, çok boyutlu veri desteğini, sınır seçeneklerini, grafik çizmeyi, hesaplama maliyetini ve birlikte çalışabilirliği içerir. Kod ayrıca örnekleme hızını ve ön işleme geçmişini de korumalıdır, çünkü bu bağlam olmadan katsayıları yeniden üretmek veya yorumlamak zordur.
Durağan Olmayan Sinyalleri Okumak İçin Dalgacık Analizi Neden Önemlidir?
Dalgacık dönüşümünün tanımlayıcı öngörüsü, bir sinyalin kimliğinin en iyi şekilde statik bir frekans listesi olarak değil, kalıpların ne zaman ortaya çıktığının ve ne kadar sürdüğünün yaşayan bir haritası olarak anlaşılması gerektiğidir. Bu zaman-ölçek görünümü, gerçek dünya koşullarında değerini kanıtlamıştır. Yine de bu başarılar her zaman bir uyarı taşır: analiz, yalnızca matematik başlamadan önce yapılan seçimler kadar güvenilirdir.
Bir ana dalgacık seçmek bilimsel bir yargı meselesidir; kenar etkileri ve gürültü varsayımları, herhangi bir skalogramın iddia edebileceği şeylere gerçek sınırlar koyar. Dürüstçe çıkarılacak sonuç, dalgacık analizinin değişen sinyallerdeki yapıyı görmenin bir yolunu sunduğu, ancak her parlak noktanın körü körüne kabul edilmesini değil, ihtiyatlı bir yorum gerektirdiğidir.
Fiziksel akıl yürütmeyi istatistiksel kontrollerle eşleştiren araştırmacılar, bu araçtan en yüksek değeri elde ederken sonuçlarını da makul ölçüde mütevazı tutarlar.
Referanslar
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
Sıkça Sorulan Sorular
Dalgacık dönüşümü nedir ve neden durağan olmayan sinyaller için kullanılır?
Dalgacık dönüşümü, bir sinyali hem zaman hem de ölçekte lokalize edilmiş bileşenlere ayırarak bir kalıbın ne zaman ortaya çıktığını ve ne kadar süreyle etkili olduğunu ortaya koyar. Karakteri zamanla değişen durağan olmayan sinyaller için tasarlanmıştır; kararlı davranış varsayan sabit yaklaşımlardan farklıdır.
Sürekli dalgacık dönüşümü Fourier analizinden nasıl ayrılır?
Sinyali sonsuz sinüs dalgalarına bölmek yerine CWT, tek bir ana dalgacığın ölçeklenmiş ve kaydırılmış kopyalarını kullanır. Bu yapı, zaman ve ölçeğin eş zamanlı bir görünümünü sağlayarak, Fourier yöntemlerinde bulunan zaman ve frekans çözünürlüğü arasındaki sabit pencereli ödünleşimden kaçınır.
Ana dalgacık nedir ve hangi koşulu sağlamalıdır?
Ana dalgacık, bir sinyali analiz etmek için esnetilen ve kaydırılan tek, lokalize salınımlı bir fonksiyondur. Geçerli olabilmesi için, temel olarak sıfır ortalamaya ve sonlu enerjiye sahip olduğu anlamına gelen kabul edilebilirlik koşulunu karşılaması gerekir; yani sıfırın üstünde ve altında kıpırdanmalı ve kısa bir aralığın dışında sönümlenerek yok olmalıdır.
Belirli bir sinyal için ana dalgacık nasıl seçilir?
Beklediğiniz özelliklerle şekli uyuşan bir dalgacık seçin; örneğin, salınımlı patlamalar için Morlet dalgacığı uygunken, keskin çıkışları izole etmek için Meksika şapkası dalgacığı uygundur. Ayrıca zaman ile ölçek çözünürlüğünü dengeler ve karmaşık dalgacıkların hem genlik hem de faz sunmasıyla faz bilgisine ihtiyacınız olup olmadığına karar verirsiniz.
Skalogram nedir ve nasıl yorumlanır?
Skalogram, bir eksende zaman diğerinde ölçek olacak şekilde dalgacık gücünü çizen, dalgacık analizinin ana görsel çıktısıdır. Parlak bölgeler belirli bir zaman ve ölçekteki güçlü sinyal bileşenlerini gösterir, ancak beyaz veya kırmızı gürültü arka planlarına karşı yapılan anlamlılık testleri gerçek özellikleri rastgele dalgalanmalardan ayırmaya yardımcı olur.
Etki konisi (cone of influence) nedir ve neden önemlidir?
Etki konisi, dalgacığın sonlu veri sınırlarının ötesine uzanması nedeniyle kenar etkilerinin dalgacık analizini güvenilmez kıldığı zaman-ölçek bölgesini işaretler. COI içine düşen her özelliğe şüpheyle yaklaşılmalıdır.
Sürekli dalgacık dönüşümünün temel sınırlılıkları nelerdir?
Ana dalgacık seçimi kısmen özneldir ve uygunsuz bir seçim özellikleri bulanıklaştırabilir veya yanıltıcı yapaylıklar oluşturabilir. Kenar etkileri skalogramın geniş alanlarını bozabilir ve anlamlılık testleri, her veri seti için geçerli olmayabilecek varsayılan gürültü modellerine dayanır.
Gerçek ve karmaşık ana dalgacıklar pratikte nasıl farklılık gösterir?
Meksika şapkası gibi gerçek değerli dalgacıklar yalnızca genlik bilgisi sağlar. Morlet gibi karmaşık dalgacıklar ise hem genlik hem de faz sağlar; bu, çapraz dalgacık tutarlılığı yoluyla sinyaller arasındaki zamanlama ilişkilerini incelemek için gereklidir.
CWT ve DWT arasındaki fark nedir?
Sürekli dalgacık dönüşümü, birbirine yakın çok sayıda ölçek ve konumu değerlendirerek ayrıntılı ve genellikle gereksiz bilgi içeren bir temsil üretir. Ayrık dalgacık dönüşümü ise daha kompakt bir temsil üretmek için yapılandırılmış bir ölçek ve konum kümesi kullanır.
Haar dalgacığı ne için kullanılır?
Haar dalgacığı, ani değişimler veya basamak benzeri davranışlar gösteren sinyallerin basit ve hızlı analizi için kullanışlıdır. Parçalı sabit formu, temel ortalamaların ve farkların yorumlanmasını da kolaylaştırır.
Emotiv, erişilebilir EEG ve beyin verisi araçları aracılığıyla sinirbilim araştırmalarının ilerlemesine yardımcı olan bir nöroteknoloji lideridir.
Christian Burgos
