Применение метода вейвлет-кодирования для сжатия и реконструкции физиологической информации, передаваемой по каналу радиотелеметрии
Дипломная работа - Компьютеры, программирование
Другие дипломы по предмету Компьютеры, программирование
Вµ-преобразование не позволяет, например, определить присутствовала данная частота в сигнале всегда или она появилась в какой-то момент. В реальной практике, рассматривают нестационарные сигналы как стационарные, разделяя их на блоки условно стационарных сегментов, чья статистика остается по существу неизменной в течение их длительности.
Пока еще применяемый, метод оконного преобразования Фурье имеет фундаментальный недостаток: если временное окно сделать очень коротким, то пострадает частотное разрешение, удлинив его - можно аннулировать предположение о стационарности в пределах окна.
В медицинской практике преобладают нестационарные сигналы, статистические свойства которых изменяются со временем. Часто, они состоят из кратковременных, высокочастотных компонентов сопровождаемые длительными низкочастотными составляющими. Любой применяемый метод анализа таких сигналов должен показывать хорошее разрешение по частоте наряду с прекрасным разрешением по времени. Первое, чтобы локализовать низкочастотные компоненты, и второе, чтобы разрешить высокочастотные составляющие. Для анализа таких сигналов преобразование Фурье строго математически не применимо. Преобразование Фурье разлагает сигналы на ортогональные базисные функции (синусы и косинусы), определяя их частотные составляющие. Но этот метод не может локализовать частотные компоненты во времени, а только анализирует их наличие и величину. На практике, рассматривают нестационарные сигналы как стационарные, разделяя их на блоки квазистационарных сегментов, чья статистика остается по существу неизменной в течение их длительности. Пока еще применяемый в ряде приложений, этот метод названный short-time Fourier преобразованием, имеет фундаментальный недостаток: если временное окно сделать очень коротким, то пострадает частотное разрешение, с другой стороны, удлиняя его, можно аннулировать предположение о стационарности в пределах окна.
Альтернативный путь анализа нестационарных медицинских сигналов вейвлет-преобразование - разложение их в ряд базисных функций, особо выбранных для этого типа сигнала. Вейвлет-преобразование позволяет анализировать любые сигналы, как стационарные, так и нестационарные, точно локализуя частотные составляющие. Оно может обеспечить, как очень хорошее временное разрешение на высоких частотах, так и удовлетворительное частотное разрешение на низких частотах. Это возможно даже при отсутствии информации о статистическом характере временных и частотных параметрах сигнала, благодаря избыточности присущей непрерывному вейвлет-преобразованию сигнала.
В реальных приложениях желательно устранить значительную часть этой избыточности, чтобы уменьшить требования к памяти и ускорить численные вычисления. Этого достигают обычно дискретизацией частотных и временных параметров с необходимым временным разрешением для каждой частоты. Отличное сочетание временного и частотного разрешения позволяет применять вейвлет-анализ для медицинских исследований и диагностики.
Выводы по главе 2
Рассмотрен математический аппарат вейвлет-преобразования. Рассмотрены преимущества данного метода преобразования информации перед существующими. Осуществлён анализ основных принципов вейвлет-преобразования. Показаны принципы его реализации. Проведено сравнение результатов частотного анализа, полученных методами Фурье анализа и вейвлет-преобразования. Показаны преимущества аппарата вейвлет-преобразования при работе с квазистационарными процессами, представленными физиологическими сигналами. Предложено использовать аппарат вейвлет-преобразования для сжатия биотелеметрической информации. В главе 3 представлено исследование предложенных принципов сжатия медико-биологической информации.
Глава 3. Исследование алгоритмов компрессии биоэлектрических сигналов в реальном масштабе времени
Передача отiетов сигналов в реальном времени по всем каналам в условиях конечной пропускной способности и производительности встроенных интеллектуальных систем требует построения строгой информационной модели системы. Известно, что физиологические сигналы имеют значительную избыточность и могут быть упакованы с целью снижения требований к системе.
Рассмотрение алгоритмов компрессии сигналов необходимо выполнять с представлением о том, что их выполнение будет возложено на микроконтроллерное управляющее ядро с известными возможностями по производительности. Важной особенностью анализируемого метода сжатия информации является его принципиальная неблочность, то есть метод должен позволять обеспечить компрессию в реальном времени и с предсказуемым коэффициентом сжатия для целей адекватного управления потоками информации с датчиков.
3.1 Методы сжатия цифровой информации для передачи по виртуальной магистрали
3.1.1RLE - кодирование
Алгоритм: Последовательности отiетов сигнала ставится в соответствие набор из трех выходных символов: байт префикса, длина входной последовательности, собственно входной символ.
Алгоритм в отношении биологических сигналов относительно эффективен в случае, если сигнал уже обработан (не имеет шумовой составляющей) и получен с высокой частотой дискретизации (велика вероятность повторения символов).
3.1.2 Унарное кодирование (VLI)
Алгоритм: Значениям кода ставится в соответствие код, соответствующий частоте повторения данного отiета в последовательн