Nhiều tín hiệu trong thế giới thực, chẳng hạn như các chỉ số khí hậu, bản ghi sinh y học, hình ảnh y tế, không đứng yên. Bản chất của chúng thay đổi theo thời gian: nhịp tim tăng nhanh khi tập thể dục, sau đó chậm lại; nhiệt độ bề mặt đại dương dao động theo mùa nhưng cũng thay đổi qua nhiều thập kỷ. Đây là những tín hiệu không dừng.
Phép biến đổi wavelet là một công cụ toán học được xây dựng để xử lý chúng. Nó phân tích một tín hiệu thành các thành phần được định vị trong cả thời gian và quy mô, tiết lộ chính xác khi nào một mẫu cụ thể xuất hiện và ở khoảng thời gian hoặc độ giãn nào nó hoạt động.
Khác với phân tích Fourier truyền thống vốn phân tích một tín hiệu thành các sóng sin vô tận, phép biến đổi wavelet liên tục (CWT) xây dựng một biểu diễn thời gian-quy mô bằng cách sử dụng các bản sao đã được co giãn và dịch chuyển của một sóng nguyên mẫu duy nhất. Bài viết này trình bày logic của CWT, cách chọn wavelet mẹ, tính toán và giải thích biểu đồ scalogram kết quả, cùng với những gì mà nhiều thập kỷ ứng dụng đã chứng minh bên cạnh những hạn chế cố hữu của phương pháp.
Biến đổi Wavelet là gì?
Biến đổi wavelet là một phương pháp toán học để phân tích một tín hiệu ở nhiều tỷ lệ khác nhau. Thay vì biểu diễn toàn bộ tín hiệu chỉ thông qua các thành phần hình sin toàn cục, nó so sánh tín hiệu với các hàm ngắn gọi là wavelet. Các hàm này được dịch chuyển dọc theo tín hiệu và được giãn ra hoặc nén lại để để lộ các mẫu cục bộ.
Kết quả là một tập hợp các hệ số. Mỗi hệ số cho biết mức độ tương đồng giữa tín hiệu và một wavelet cụ thể tại một vị trí và tỷ lệ cụ thể. Các tỷ lệ nhỏ thường làm nổi bật các thay đổi nhanh và chi tiết mịn, trong khi các tỷ lệ lớn mô tả sự biến đổi chậm hơn và cấu trúc rộng hơn.
Hành vi cục bộ này là sự khác biệt trung tâm giữa phân tích wavelet và nhiều phương pháp tần số truyền thống. Phép biến đổi Fourier có thể chỉ ra những tần số nào hiện diện, nhưng biến đổi wavelet còn có thể chỉ ra các đặc trưng đó xuất hiện ở đâu. Điều đó làm cho nó phù hợp với các tín hiệu nhất thời, các điểm gián đoạn, các đợt bùng phát, các cạnh và các sự kiện khác có thời điểm xảy ra quan trọng.
Biến đổi Wavelet liên tục: Cách thức hoạt động
Trọng tâm của CWT là một hàm dao động định vị đơn lẻ gọi là wavelet mẹ, ký hiệu là ψ(t). Bạn không cần phải phân rã tín hiệu thành một tập hợp cố định các đường hình sin. Thay vào đó, bạn tạo ra một họ wavelet bằng cách kéo giãn (tỷ lệ) và trượt (dịch chuyển) bản mẫu duy nhất này. CWT tại tỷ lệ a và vị trí b là tích vô hướng của tín hiệu x(t) với một wavelet đã được định tỷ lệ theo a và dịch chuyển theo b:
ψᵃᵇ(t) \= (1/√a) ψ((t‑b)/a)
Hệ số 1/√a chuẩn hóa năng lượng trên các tỷ lệ. Khi a nhỏ, wavelet bị nén và ghi nhận những thay đổi ngắn, nhanh. Khi a lớn, wavelet được kéo giãn và nó ghi lại những dao động chậm, rộng. Phép dịch chuyển b di chuyển wavelet dọc theo trục thời gian, do đó quá trình phân tích sẽ trượt từ đầu đến cuối.
Đầu ra là một hàm hai chiều của thời gian và tỷ lệ, có thể được hiển thị dưới dạng biểu đồ scalogram. Quay lại năm 1988, các nhà nghiên cứu như Ingrid Daubechies đã chính thức hóa ý tưởng nền tảng của phân tích đa phân giải cho các wavelet rời rạc, chứng minh rằng các cơ sở trực chuẩn của các wavelet có giá đỡ compact có thể được xây dựng với tính đều đặn cao. CWT kế thừa nguyên lý định tỷ lệ và dịch chuyển cơ bản đó, nhưng không có yêu cầu về một cơ sở trực giao: bạn có thể sử dụng bất kỳ wavelet mẹ nào đáp ứng điều kiện chấp nhận đơn giản, điều này giúp phép biến đổi có thể nghịch đảo được.
Cấu trúc này mang lại cho các wavelet sức mạnh đặc trưng của chúng. Vì wavelet mẹ là một xung dạng sóng ngắn, nó tự nhiên tập trung vào các sự kiện nhất thời. Chỉ riêng việc định tỷ lệ và dịch chuyển đã mang lại cái nhìn đồng thời về thời gian và tỷ lệ, một điều mà phương pháp Fourier cửa sổ cố định không thể sánh được nếu không buộc phải đánh đổi một cách nhân tạo giữa độ phân giải thời gian và tần số.
Biến đổi Wavelet rời rạc là gì?
Biến đổi wavelet rời rạc, hay DWT, lấy mẫu các tham số tỷ lệ và dịch chuyển trên một lưới có cấu trúc thay vì đánh giá mọi giá trị có thể. Trong các cấu trúc thông thường, các tỷ lệ và vị trí thay đổi theo kiểu nhị phân, thường là theo lũy thừa của hai. Điều này tạo ra một tập hợp các hệ số nhỏ gọn trong khi vẫn giữ lại thông tin ở nhiều độ phân giải.
DWT thường được triển khai với các bộ lọc thông thấp và thông cao đi kèm. Nhánh thông thấp giữ lại một xấp xỉ mượt mà của tín hiệu, trong khi nhánh thông cao ghi lại chi tiết. Việc giảm mẫu sau đó sẽ làm giảm số lượng mẫu ở mỗi cấp độ, và nhánh xấp xỉ có thể được phân rã một lần nữa.
Cấu trúc băng bộ lọc này giúp DWT hiệu quả đối với dữ liệu số hữu hạn. Nó cũng hỗ trợ tái dựng khi các bộ lọc phân tích và tổng hợp được thiết kế đúng cách.
Các ứng dụng bao gồm khử nhiễu, nén, phát hiện sự kiện và trích xuất đặc trưng đa tỷ lệ, mặc dù việc diễn giải các hệ số vẫn phụ thuộc vào việc lấy mẫu, xử lý biên và lựa chọn wavelet.
Giải thích về biến đổi Wavelet rời rạc
DWT biểu diễn một tín hiệu được lấy mẫu thông qua các hệ số xấp xỉ và hệ số chi tiết ở các cấp độ liên tiếp. Ở cấp độ đầu tiên, tín hiệu được tách thành nội dung biến đổi chậm, rộng và chi tiết thay đổi nhanh hơn. Việc lặp lại thao tác trên phần xấp xỉ sẽ tạo ra một hệ phân cấp các độ phân giải.
Không giống như CWT, DWT thông thường không tạo ra các hệ số cho mọi vị trí và tỷ lệ liên tục. Việc lấy mẫu có cấu trúc của nó giúp giảm sự dư thừa và chi phí tính toán. Điều này làm cho nó thực tế đối với các mảng lớn, xử lý thời gian thực và các hệ thống nén.
Cấp độ phân rã quyết định phân tích sẽ tiến hành bao xa. Quá ít cấp độ có thể bỏ lỡ cấu trúc rộng, trong khi quá nhiều cấp độ có thể tạo ra các hệ số khó diễn giải hoặc bị ảnh hưởng mạnh bởi chiều dài tín hiệu và các điều kiện biên. Do đó, độ sâu hữu ích là một đặc tính của dữ liệu và mục đích phân tích, chứ không phải là một hằng số phổ quát.
Các bước thuật toán biến đổi Wavelet rời rạc DWT
Một DWT tiêu chuẩn tiến hành thông qua việc lọc và giảm mẫu lặp đi lặp lại. Thao tác cốt lõi rất đơn giản, nhưng mỗi bước đều ảnh hưởng đến biểu diễn theo sau.
Chọn một họ wavelet và cấp độ phân rã mong muốn.
Truyền tín hiệu qua bộ lọc thông thấp để thu được các mẫu xấp xỉ.
Truyền cùng một tín hiệu đó qua bộ lọc thông cao để thu được các mẫu chi tiết.
Giảm mẫu cả hai đầu ra và lặp lại quy trình trên nhánh xấp xỉ.
Lưu trữ các hệ số và tái dựng tín hiệu khi cần thiết.
Cây hệ số thu được phân tách cấu trúc thô khỏi chi tiết mịn dần. Trong thực tế, việc tái dựng có thể được sử dụng để kiểm tra xem các hệ số được chọn có bảo toàn các đặc trưng tín hiệu liên quan đến phân tích hay không.
Biến đổi Wavelet Haar: Wavelet đơn giản nhất
Wavelet Haar là wavelet đơn giản nhất được sử dụng. Nó là hằng số từng đoạn vì nó nhận một giá trị trên một phần của khoảng ngắn và giá trị ngược lại trên phần còn lại, với trung bình bằng không. Hình dạng đột ngột của nó giúp nó phản ứng tự nhiên với các bước nhảy và các chuyển tiếp dạng bậc thang.
Đối với một cặp mẫu ngắn, biến đổi Haar có thể được hiểu là việc tính toán giá trị trung bình và hiệu số. Giá trị trung bình trở thành một xấp xỉ thô, trong khi hiệu số ghi lại sự thay đổi cục bộ. Việc lặp lại thao tác này tạo ra một biểu diễn đa cấp độ với một cách diễn giải đặc biệt rõ ràng.
Wavelet Haar không tốn kém về mặt tính toán và dễ giải thích, nhưng nó không mượt mà. Các tín hiệu bị chi phối bởi các dao động dần dần có thể được biểu diễn kém hiệu quả hơn so với khi sử dụng các wavelet mượt mà hơn. Giá trị của nó lớn nhất khi sự đơn giản, tính toán nhanh hoặc độ nhạy đối với các điểm gián đoạn quan trọng hơn tính chọn lọc tần số mượt mà.
Chọn một Wavelet mẹ
Không phải mọi dao động nhỏ đều đủ điều kiện là một wavelet mẹ. Hàm số phải thỏa mãn điều kiện chấp nhận, về cơ bản có nghĩa là nó có trung bình bằng không và năng lượng hữu hạn, nghĩa là nó dao động trên và dưới mức không và giảm dần về không bên ngoài một khoảng ngắn.
Ngoài yêu cầu đó, bạn có thể tự do chọn một hình dạng phù hợp với loại đặc trưng mà bạn mong đợi trong dữ liệu của mình. Lựa chọn này không theo công thức, nhưng kinh nghiệm thực tế chỉ ra một số phương pháp suy nghiệm:
Sự tương đồng về hình dạng. Nếu tín hiệu của bạn chứa các đợt bùng phát dao động, một wavelet Morlet—một sóng sin phức được bao bọc trong một hàm Gaussian—thường hoạt động tốt vì nó giống với một dao động định vị. Đối với các tín hiệu nhất thời sắc nhọn, có đỉnh nhọn, một thứ gì đó như wavelet mũ Mexico (đạo hàm bậc hai của một hàm Gaussian) hoặc một wavelet có giá đỡ compact có thể cô lập các cạnh và đỉnh một cách sạch sẽ hơn.
Sự cân bằng độ phân giải thời gian–tỷ lệ. Một wavelet dài hơn mang lại sự phân biệt tốt hơn giữa các tỷ lệ gần nhau nhưng làm mờ thời điểm chính xác một đặc trưng xảy ra. Một wavelet ngắn hơn xác định chính xác thời điểm nhưng lại trộn lẫn các tỷ lệ với nhau. Đây là sự đánh đổi tất yếu của phân tích định vị, không phải là một lỗi.
Wavelet thực so với wavelet phức. Một wavelet mẹ có giá trị thực (ví dụ: mũ Mexico) chỉ cung cấp thông tin về biên độ. Một wavelet phức (ví dụ: Morlet) mang lại cả biên độ và pha, điều này có thể cần thiết khi sau đó bạn muốn kiểm tra mối quan hệ thời gian giữa hai tín hiệu thông qua sự kết hợp chéo wavelet.
Các cơ sở trực chuẩn của các wavelet có giá đỡ compact được xây dựng trong nghiên cứu của Daubechies dành cho các nhiệm vụ tái dựng hoàn hảo, rời rạc. Đối với CWT, bạn không bị ràng buộc vào tính trực chuẩn, vì vậy bạn có thể tự do lựa chọn các wavelet không trực giao nếu chúng phù hợp hơn với hình thái tín hiệu của bạn.
Tuy nhiên, giá đỡ compact và tính đều đặn vẫn là những đặc tính mong muốn vì chúng có thể giảm hiện tượng nhòe biên và mang lại các phép biến đổi sạch sẽ.
Tính toán biến đổi Wavelet liên tục
Trong thực tế, CWT được xấp xỉ bằng cách tích chập tín hiệu với các bản sao đảo ngược thời gian, đã được định tỷ lệ của wavelet mẹ. Vì các tín hiệu là hữu hạn, wavelet chắc chắn sẽ vượt ra ngoài các biên của dữ liệu khi nó tiến gần đến điểm bắt đầu hoặc điểm kết thúc của bản ghi. Những vùng biên đó tạo ra các giá trị bị biến dạng; nón ảnh hưởng (COI) đánh dấu vùng thời gian-tỷ lệ nơi các hiệu ứng biên làm cho phân tích không còn đáng tin cậy. Bất kỳ đặc trưng nào rơi vào COI đều phải được xem xét một cách thận trọng.
Để xây dựng một biểu đồ scalogram, các tỷ lệ thường được lấy mẫu dưới dạng lũy thừa phân số của hai để bao phủ một phạm vi phù hợp với thời lượng của tín hiệu. Tính toán bình phương độ lớn của các hệ số CWT sẽ thu được năng lượng wavelet, sau đó được biểu diễn dưới dạng bản đồ màu với thời gian trên một trục, tỷ lệ trên trục kia.
Diễn giải biểu đồ Scalogram
Scalogram là đầu ra trực quan chính của phân tích wavelet. Các vùng sáng tương ứng với năng lượng wavelet cao, đây là những nơi tín hiệu có thành phần mạnh ở một tỷ lệ và thời gian cụ thể.
Nhưng không phải mọi điểm nóng đều có ý nghĩa. Để phân biệt các đặc trưng thực sự với các biến động ngẫu nhiên, các nhà nghiên cứu thường rút ra các bài kiểm tra ý nghĩa thống kê chống lại các nền tảng lý thuyết: nhiễu trắng (phân bổ năng lượng đồng đều) và nhiễu đỏ (tập trung năng lượng ở tần số thấp, giống như nhiều quá trình tự nhiên). Bằng cách so sánh năng lượng quan sát được với phân vị thứ 95 của phổ nền, bạn có thể xác định các kỷ nguyên và tỷ lệ không có khả năng phát sinh do ngẫu nhiên.
Làm mượt theo thời gian, theo tỷ lệ hoặc cả hai có thể làm tăng độ tin cậy của các đặc trưng đó.
Các hạn chế đã biết và những lưu ý của CWT
Không có công cụ toán học nào là không có điểm yếu, và CWT cũng không ngoại lệ. Việc lựa chọn wavelet mẹ vừa là một sự linh hoạt vừa là một điểm bất lợi. Không có quy trình tự động nào đảm bảo tìm được wavelet tối ưu cho một tín hiệu chưa biết.
Một lựa chọn không phù hợp—ví dụ, một wavelet Morlet dài cho một tín hiệu chứa đầy các đỉnh sắc nhọn—có thể làm nhòe các đặc trưng hoặc tạo ra các tạo ảnh scalogram gây hiểu lầm. Ngay cả khi các nhà thực nghiệm tìm thấy một kết quả khớp tốt bằng mắt thường, phân tích vẫn mang tính chủ quan một phần.
Các hiệu ứng biên là một thực tế vật lý của dữ liệu hữu hạn. Các tỷ lệ dài đẩy wavelet vượt xa các biên, do đó COI có thể nuốt chửng một phần lớn của scalogram ở các tỷ lệ thô nhất. Bất kỳ sự kiện nào được suy ra từ các biên phải được xử lý một cách thận trọng. Các bài kiểm tra ý nghĩa, mặc dù có tính nguyên tắc, vẫn dựa trên các mô hình nhiễu giả định có thể không đúng với mọi tập dữ liệu.
Khi tiếp cận một tập dữ liệu mới, con đường rõ ràng nhất là kết hợp suy luận vật lý về cấu trúc dự kiến của tín hiệu với các kiểm tra thống kê thận trọng, và sự chấp nhận sáng suốt rằng scalogram là một bản đồ gợi ý, không phải là một bản thiết kế giải phẫu dứt khoát.
Sử dụng biến đổi Wavelet để phân tích EEG
Điện não đồ ghi lại các thay đổi điện áp theo thời gian, và các thay đổi đó thường chứa các nhịp điệu chồng chéo, các sự kiện nhất thời và hành vi không dừng. Biến đổi wavelet có thể biểu diễn các thành phần này theo thời gian và tỷ lệ, giúp nó hữu ích cho việc kiểm tra khi nào các mẫu cụ thể xuất hiện. Do đó, phương pháp này có liên quan đến khoa học thần kinh và phân tích các bản ghi EEG.
Trong công việc EEG, các hệ số có thể được tóm tắt theo tỷ lệ, khoảng thời gian, kênh hoặc điều kiện sự kiện. Các bản tóm tắt như vậy có thể hỗ trợ nghiên cứu về nhịp điệu, phản hồi gợi lên, các hiện tượng nhất thời liên quan đến co giật, mẫu giấc ngủ hoặc cấu trúc tạo ảnh. Bản thân phép biến đổi không chẩn đoán một rối loạn não bộ; việc diễn giải đòi hỏi quá trình thu nhận dữ liệu, tiền xử lý, các nhóm so sánh thích hợp và chuyên môn trong ngành.
Tiền xử lý vẫn đóng vai trò trung tâm. Các tạo ảnh điện cực, chuyển động mắt, hoạt động cơ, lựa chọn tham chiếu, lọc nhiễu, dữ liệu bị thiếu và các hiệu ứng biên đều có thể làm thay đổi các hệ số wavelet. Các kết quả cũng nhạy cảm với việc ánh xạ tần số sang tỷ lệ và việc liệu wavelet được chọn có giống với hình thái thời gian đang được nghiên cứu hay không.
Công cụ và phần mềm để tính toán biến đổi Wavelet
Các phép biến đổi wavelet có thể được tính toán bằng các thư viện số học, môi trường lập trình khoa học và phần mềm xử lý tín hiệu chuyên dụng. Lựa chọn phù hợp phụ thuộc vào việc mục tiêu là giảng dạy, trực quan hóa khám phá, xử lý hàng loạt, tính toán nhúng hay nghiên cứu có thể tái lập.
Một công cụ hữu ích nên hiển thị rõ ràng các tham số biến đổi thay vì ẩn chúng đằng sau một lệnh mặc định duy nhất.
Một quy trình làm việc điển hình sẽ tải và xác thực dữ liệu được lấy mẫu, chọn một wavelet, tính toán CWT hoặc DWT, kiểm tra các hệ số và đánh giá việc tái dựng hoặc các đặc trưng hạ nguồn. Việc lặp lại quy trình làm việc với các thay đổi tham số được kiểm soát có thể cho biết kết quả có ổn định hay không. Tài liệu hướng dẫn và hồ sơ phiên bản rất quan trọng khi những khác biệt nhỏ trong triển khai ảnh hưởng đến giá trị hệ số.
Để có công việc đáng tin cậy, việc đánh giá phần mềm thường bao gồm độ chính xác số học, hỗ trợ dữ liệu đa chiều, các tùy chọn biên, vẽ đồ thị, chi phí tính toán và khả năng tương tác. Mã nguồn cũng nên bảo toàn tốc độ lấy mẫu và lịch sử tiền xử lý, vì các hệ số không có ngữ cảnh đó sẽ rất khó để tái lập hoặc diễn giải.
Tại sao phân tích Wavelet lại quan trọng để đọc các tín hiệu không dừng
Hiểu biết cốt lõi của biến đổi wavelet là đặc tính của một tín hiệu được hiểu tốt nhất không phải là một danh sách tần số tĩnh mà là một bản đồ sống động về thời điểm các mẫu xuất hiện và chúng kéo dài bao lâu. Góc nhìn thời gian-tỷ lệ này đã chứng minh được giá trị của nó trong các bối cảnh thực tế. Tuy nhiên, những thành công đó luôn đi kèm với một cảnh báo: phân tích chỉ đáng tin cậy như những lựa chọn được đưa ra trước khi quá trình toán học bắt đầu.
Chọn một wavelet mẹ là một vấn đề mang tính đánh giá khoa học, và các hiệu ứng biên cộng với các giả định về nhiễu sẽ đặt ra những ranh giới thực sự cho những gì mà bất kỳ scalogram nào có thể tuyên bố. Kết luận trung thực là phân tích wavelet cung cấp một cách để nhìn thấy cấu trúc trong các tín hiệu thay đổi, nhưng nó đòi hỏi sự diễn giải thận trọng thay vì chấp nhận mù quáng mọi điểm sáng.
Các nhà nghiên cứu kết hợp suy luận vật lý với các kiểm tra thống kê sẽ nhận được nhiều giá trị nhất từ công cụ này trong khi vẫn giữ cho các kết luận của họ ở mức khiêm tốn phù hợp.
Tài liệu tham khảo
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
Các câu hỏi thường gặp
Biến đổi wavelet là gì và tại sao nó được sử dụng cho các tín hiệu không dừng?
Biến đổi wavelet phân rã một tín hiệu thành các thành phần được định vị trong cả thời gian và tỷ lệ, tiết lộ thời điểm một mẫu xuất hiện và nó hoạt động trong khoảng thời gian nào. Nó được xây dựng cho các tín hiệu không dừng, có đặc tính thay đổi theo thời gian, không giống như các phương pháp cố định giả định hành vi ổn định.
Biến đổi wavelet liên tục khác với phân tích Fourier như thế nào?
Thay vì phân tách một tín hiệu thành các sóng sin vô tận, CWT sử dụng các bản sao đã được định tỷ lệ và dịch chuyển của một wavelet mẹ duy nhất. Cấu trúc này cung cấp một cái nhìn đồng thời về thời gian và tỷ lệ, tránh được sự đánh đổi cửa sổ cố định giữa độ phân giải thời gian và tần số trong các phương pháp Fourier.
Wavelet mẹ là gì và nó phải thỏa mãn điều kiện gì?
Wavelet mẹ là một hàm dao động định vị đơn lẻ, được kéo giãn và dịch chuyển để phân tích một tín hiệu. Để hợp lệ, nó phải thỏa mãn điều kiện chấp nhận, về cơ bản có nghĩa là nó có trung bình bằng không và năng lượng hữu hạn—nó dao động trên và dưới mức không và giảm dần về không bên ngoài một khoảng ngắn.
Làm thế nào để chọn một wavelet mẹ cho một tín hiệu cụ thể?
Chọn một wavelet có hình dạng phù hợp với các đặc trưng mà bạn mong đợi; ví dụ, một wavelet Morlet phù hợp với các đợt bùng phát dao động, trong khi một wavelet mũ Mexico cô lập các đỉnh sắc nhọn. Bạn cũng cần cân bằng giữa độ phân giải thời gian và tỷ lệ và quyết định xem bạn có cần thông tin pha hay không, với các wavelet phức cung cấp cả biên độ và pha.
Scalogram là gì và bạn diễn giải nó như thế nào?
Scalogram là đầu ra trực quan chính của phân tích wavelet, vẽ biểu đồ năng lượng wavelet với thời gian trên một trục và tỷ lệ trên trục kia. Các vùng sáng biểu thị các thành phần tín hiệu mạnh tại một thời điểm và tỷ lệ cụ thể, nhưng các bài kiểm tra ý nghĩa thống kê chống lại nền nhiễu trắng hoặc đỏ sẽ giúp phân biệt các đặc trưng thực sự với các biến động ngẫu nhiên.
Nón ảnh hưởng là gì và tại sao nó lại quan trọng?
Nón ảnh hưởng đánh dấu vùng thời gian-tỷ lệ nơi các hiệu ứng biên làm cho phân tích wavelet không đáng tin cậy vì wavelet vượt ra ngoài các biên dữ liệu hữu hạn. Bất kỳ đặc trưng nào rơi vào bên trong COI đều phải được xem xét một cách thận trọng.
Các hạn chế chính của biến đổi wavelet liên tục là gì?
Việc lựa chọn wavelet mẹ mang tính chủ quan một phần, và một lựa chọn không phù hợp có thể làm nhòe các đặc trưng hoặc tạo ra các tạo ảnh gây hiểu lầm. Các hiệu ứng biên có thể làm ảnh hưởng đến các vùng lớn của scalogram, và các bài kiểm tra ý nghĩa dựa trên các mô hình nhiễu giả định có thể không đúng với mọi tập dữ liệu.
Các wavelet mẹ thực và phức khác nhau như thế nào trong thực tế?
Các wavelet có giá trị thực, chẳng hạn như mũ Mexico, chỉ cung cấp thông tin biên độ. Các wavelet phức, chẳng hạn như Morlet, cung cấp cả biên độ và pha, điều này rất cần thiết để kiểm tra các mối quan hệ thời gian giữa các tín hiệu thông qua sự kết hợp chéo wavelet.
Sự khác biệt giữa CWT và DWT là gì?
Biến đổi wavelet liên tục đánh giá nhiều tỷ lệ và vị trí có khoảng cách gần nhau, tạo ra một biểu diễn chi tiết và thường dư thừa. Biến đổi wavelet rời rạc sử dụng một tập hợp các tỷ lệ và vị trí có cấu trúc để tạo ra một biểu diễn nhỏ gọn hơn.
Wavelet Haar được sử dụng để làm gì?
Wavelet Haar hữu ích cho việc phân tích nhanh, đơn giản các tín hiệu có các thay đổi đột ngột hoặc hành vi dạng bậc thang. Dạng hằng số từng đoạn của nó cũng giúp dễ dàng diễn giải các giá trị trung bình và hiệu số cơ bản.
Emotiv là một đơn vị dẫn đầu về công nghệ thần kinh, giúp thúc đẩy nghiên cứu khoa học thần kinh thông qua các công cụ EEG và dữ liệu não bộ dễ tiếp cận.
Christian Burgos
