Вейвлеты Мейера с коэффициентом масштабирования N > 2 | Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2021. № 56. DOI: 10.17223/19988605/56/9

Вейвлеты Мейера с коэффициентом масштабирования N > 2

Определяются ортогональные вейвлеты с коэффициентом масштабирования N > 2, аналогичные классическим вейвлетам Мейера для N = 2. Построенные вейвлеты используются для анализа электроэнцефалограмм (ЭЭГ). Получено разложение сигнала ЭЭГ на отдельные компоненты, локализованные по частоте.

Meyer wavelets with scaling factor N > 2.pdf Вейвлет-анализ предоставляет мощный инструментарий для изучения различных медицинских данных. В настоящее время широко используются методы непрерывного вейвлет-анализа (см. напр.: [1, 2]. Также исследуются и числовые характеристики сигналов электрокардиограмм (ЭКГ) и электроэнцефалограмм (ЭЭГ), получаемые методами дискретного вейвлет-преобразования [3-7]. Использование степеней двойки для вейвлет-анализа и при построении теории вейвлетов удобно во многих отношениях, хотя и не является обязательным. Можно вместо коэффициента масштабирования 2 использовать любое целое число N и даже рациональное, большее единицы [8]. Основы теории вейвлетов с целым коэффициентом N > 2 представлены в работах [9] и [10]. В [10] показано использование вейвлетов Хаара с коэффициентами масштабирования 4, 5, 8 для анализа экономических данных. Однако других практических применений вейвлетов с коэффициентом N > 2 в настоящее время нет. Более того, нет даже примеров дифференцируемых вейвлетов с коэффициентом масштабирования N > 2. В данной работе построены вейвлеты с коэффициентом масштабирования N > 2, аналогичные обычным (N = 2) вейвлетам Мейера. В случае N = 3 показано их применение для исследования ЭЭГ. Получено разложение сигнала ЭЭГ на основные частотные ритмы. Результаты показывают, что вейвлетанализ с коэффициентом масштабирования больше двух позволяет получить новые числовые характеристики ЭЭГ, что подтверждает перспективность использования таких вейвлетов для анализа данных. 1. Предварительные сведения Напомним основные положения вейвлет-анализа с масштабным коэффициентом N > 2. Развитие этой темы см.: [10]. Предположим, что задана интегрируемая с квадратом функция ф(х), удовлетворяющая следующему масштабирующему соотношению: ф( х) = VN Z h ф(Ах - п). neZ Такая функция ф(х) называется масштабирующей, а набор коэффициентов разложения {й„} называется фильтром функции ф(х). Кроме того, предположим, что целочисленные сдвиги {ф(х - n)} попарно .^-ортогональны и нормированы. Тогда для любого j е Z функции ф ■ п(х) = 4N ф(NJх -п), n е Z образуют ортонормированную систему. Пусть Vj с L2 (R) - подпространство, порожденное функциями ф2 п (х), n е Z. Для масштабирующей функции ф(х) определяется частотная функция формулой 81 П.Н. Подкур, Н.К. Смоленцев После преобразования Фурье масштабирующего соотношения оно принимает вид: Ф< и) = Н0 ( ^)ф (И). Масштабирующей функции ф(х) соответствует N - 1 вейвлетов Ѵ(х), ••• , y^^x), определенных равенствами \\\\F(x) = 4N^gkn ср(Ях-и), k = \\,2,...,N-\\, (1) П где коэффициенты разложения {gkn }neZ называются фильтрами вейвлетов. Для каждого j е Z сдвиги масштабированных вейвлетов у^ < х) = Ѵ NJ yk < NJx - n), n e Z, k = 1, 2, ..., N - 1, образуют ортонормированные базисы пространств вейвлетов Wk с Vj , k = 1, 2, ..., N - 1. Определим соответствующие вейвлетам уk(x) частотные функции: (2) Н

Ключевые слова

вейвлеты Мейера, вейвлет-анализ ЭЭГ, вейвлеты с коэффициентом масштабирования N

Авторы

ФИООрганизацияДополнительноE-mail
Подкур Полина НиколаевнаКузбасский государственный технический университет им. Т.Ф Горбачевакандидат физико-математических наук, доцент кафедры математикиpaulina.podkur@gmail.com
Смоленцев Николай КонстантиновичКемеровский государственный университетдоктор физико-математических наук, профессор кафедры фундаментальной математикиsmolennk@mail.ru
Всего: 2

Ссылки

Павлов А.Н., Храмов А.Е., Короновский А.А., Ситникова Е.Ю., Макаров В.А., Овчинников А.А. Вейвлет-анализ в нейро динамике // Успехи физических наук. 2012. Т. 182, № 9. С. 905-939
Yumatov E.A., Hramov A.E., Grubov V.V., Glazachev O.S., Dudnik E.N., Karatygin N.A. Possibility for recognition of psychic brain activity with continuous wavelet analysis of EEG // Journal of Behavioral and Brain Science (JBBS). 2019. V. 9, № 3. P. 67-77.
Подкур П.Н., Смоленцев Н.К. Вейвлет-пакетное разложение ЭЭГ на основные частотные ритмы // Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2016. № 2 (35). С. 54-61.
Siddiqi A.H., Sevindir H.K., Yazici C., Kutlu A., Aslan Z. Spectral Analysis of Eeg Signals by Using Wavelet and Harmonic Transforms // Istanbul Aydin Universitesi Dergisi. 2014. V. 3 (9). P. 1-20.
Rahman M.A., Khanam F., Ahmad M., Uddin M.S. Multiclass EEG signal classification utilizing Renyi minentropy-based feature selection from wavelet packet transformation // Brain Informatics. 2020. V. 7/7. P. 1-11.
Мптрупов Т.М., Талатов Е.Т., Абдихаликов С.П., Рипка Д.С. Обработка и анализ показателей электрокардиограмм на основе вейвлет-преобразования // XIV Международная научная конференция «Физика и радиоэлектроника в медицине и экологии ФРЭМЭ-2020» : доклады. Владимир ; Суздаль, 2020. Кн. 1. C. 316-319.
Lung C.C., Sudirman R., Hussin S.S. Feature extraction of EEG signal using wavelet transform for autism Classification // ARPN Journal of Engineering and Applied Sciences. 2015. V. 10, № 19. P. 8533-8540.
Добеши И. Десять лекций по вейвлетам. Ижевск : РХД, 2001. 464 с.
Podkur P.N., Smolentsev N.K. About construction of orthogonal wavelets with compact support and with scaling coefficient N. URL: https://arxiv.org/abs/0705.4150
Смоленцев Н.К. Основы теории вейвлетов. Вейвлеты в MATLAB. М. : ДМК Пресс, 2013. 628 с.
 Вейвлеты Мейера с коэффициентом масштабирования N > 2 | Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2021. № 56. DOI: 10.17223/19988605/56/9

Вейвлеты Мейера с коэффициентом масштабирования N > 2 | Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2021. № 56. DOI: 10.17223/19988605/56/9