Исследование динамически меняющегося сигнала с применением вейвлет-преобразований
(Стр. 34-42)

В представленной работе проведен вейвлет-анализ электроэнцефалограммы пациента с последующим построением скалограммы. Данный подход позволил выявить частотные компоненты электроэнцефалограммы и провести их комплексный анализ. Полученные результаты могут быть использованы для мониторинга состояние активности мозга пациента. Основной целью исследования является проведение анализа и фильтрации сигнала для определения основных составных частот электроэнцефалографического сигнала, на основании которых можно определить состояние активности мозга в определенные моменты времени, которые могут отражать различные когнитивные процессы, эмоциональные состояния и уровни концентрации пациента. Методология. Берется электроэнцефалограмма пациента, и с использованием вейвлет-преобразований получается набор частот в каждый момент времени с их амплитудой. Затем сигнал фильтруется от шумов, и повторно применяется вейвлет-преобразование для получения набора частот. После этого анализируются частоты в каждый момент времени, и на основании данных определяется состояние активности мозга пациента. Результаты исследования. В результате исследования процесса анализа электроэнцефалографического сигнала удалось отфильтровать исходный сигнал от шумов и выявить основные частоты, входящие в состав электроэнцефалографического сигнала. После чего на основе частот определено различные состояния сознания пациента в каждый момент времени. Область применения. Внедрение принципов вейвлет-анализа в архитектуру программируемых логических интегральных схем (ПЛИС) для проведения анализа снятых сигналов при помощи ультразвуковых датчиков на ПЛИС, реализуя таким образом автономное устройство.

ОБРАЗЕЦ ЦИТИРОВАНИЯ: Комаров П.В., Потехин Д.С. Исследование динамически меняющегося сигнала с применением вейвлет-преобразований // Computational Nanotechnology. 2024. Т. 11. № 3. С. 34-42. DOI: 10.33693/2313-223X-2024-11-3-34-42. EDN: QGFXPP

Быков В.В. Моделирование передачи изображений с сжатием // DSPA: Вопросы применения цифровой обработки сигналов. 2023. Т. 13. № 2. С. 4–11. EDN: SIKGOO.
Боронахин А.М., Большакова А.В., Клионский Д.М. и др. Методы обработки сигналов акселерометров на железнодорожном транспорте с использованием вейвлет-преобразования // Известия высших учебных заведений России. Радиоэлектроника. 2024. Т. 27. № 1. С. 6–16. DOI: 10.32603/1993-8985-2024-27-1-6-16. EDN: UQFHFJ.
Вохник О.М., Короленко П.В., Мохов В.И. Вейвлет-анализ степени пространственной когерентности диспергированных световых пучков // XII междунар. конф. по фотонике и информационной оптике (Москва, 1–3 февраля 2023 г.): сб. науч. тр. М.: Нац. иссл. ядерный ун-т «МИФИ», 2023. С. 195–196. EDN: SOYFEM.
Гуйо Г.А., Павлова О.Н., Павлов А.Н. Диагностика изменений динамики сложных систем по переходным процессам на основе многомасштабного вейвлет-анализа // Письма в Журнал технической физики. 2023. Т. 49. № 2. С. 7–9. DOI: 10.21883/PJTF.2023.02.54277.19255. EDN: YQEFIU.
Евстратова Л.Г., Антошкин А.А. Исследование текстурных признаков космических изображений объектов с применением вейвлет-анализа // Современные проблемы дистанционного зондирования Земли из космоса. 2024. Т. 21. № 1. С. 246–253. DOI: 10.21046/2070-7401-2024-21-1-246-253. EDN: HTIGGB.
Журавлев М.О., Руннова А.Е., Киселев А.Р. и др. Детектирование фазы быстрого сна по сигналам электроэнцефалограммы на основе модификаций вейвлет-анализа // Письма в Журнал технической физики. 2023. Т. 49. № 2. С. 39–43. DOI: 10.21883/PJTF.2023.02.54285.19359. EDN: XPGPWS.
Комаров П.В., Потехин Д.С. Архитектура устройства для мониторинга работоспособности человеческого тела на основе ультразвуковых измерений // Computational Nanotechnology. 2024. Т. 11. № 2. С. 51–57. DOI: 10.33693/2313-223X-2024-11-2-51-57. EDN: MPEVLZ.
Кузнецов И.В. Применение вейвлет-преобразования для повышения эффективности классификации движений на основе электромиограмм // Наука. Технологии. Инновации: сб. науч. тр. XVII Всерос. науч. конф. молодых ученых (Новосибирск, 4–8 декабря 2023 г.). В 11 ч. Новосибирск: Новосибирский гос. техн. ун-т, 2024. С. 66–70. EDN: HXSOKN.
Медиевский А.В., Зотин А.Г., Симонов К.В. и др. Применение вейвлет-преобразования для обработки и анализа медицинских данных пациентов с эпилепсией // Медицина и высокие технологии. 2023. № 2. С. 14–24. DOI: 10.34219/2306-3645-2023-13-2-14-24. EDN: UTFIOA.
Немирко А.П., Ба Махел А.С., Манило Л.А. Распознавание опасных аритмий по скалограммам ЭКГ // Компьютерная оптика. 2024. Т. 48. № 1. С. 149–156. DOI: 10.18287/2412-6179-CO-1354. EDN: TFXJTR.
Нефедов Н.Г., Пузырев Е.И., Степанов Д.А. Обнаружение дыма в видео с использованием вейвлетов и машины опорных векторов // Проблемы развития современного общества: сб. науч. ст. 8-й Всерос. нац. науч.-практ. конф. (Курск, 19–20 января 2023 г.). В 4 т. / под ред. В.М. Кузьминой. – Курск: Юго-Западный гос. ун-т, 2023. Т. 3. С. 304–307. EDN: UKGSDD.
Сай С.В., Зинкевич А.В. Вычислительные методы повышения быстродействия дискретного вейвлет-преобразования на базе FPGA // Научно-технический вестник информационных технологий, механики и оптики. 2023. Т. 23. № 1. С. 79–87. DOI: 10.17586/2226-1494-2023-23-1-79-87. EDN: PDZLDQ.
Сейтказин Н.К. Вейвлет-анализ для фильтрации шума в цифровых сигналах: обзор методов и применений // Современные условия интеграционных процессов в науке и образовании: сб. ст. по результатам Междунар. науч.-практ. конф. (Казань, 21 апреля 2023 г.). Стерлитамак: Агентство международных исследований, 2023. С. 54–59. EDN: UDEGIG.
Фальков Г.А., Попов С.А., Горлов А.С. Сравнительный анализ преобразования Фурье и вейвлет-преобразования для анализа качества электроэнергии в сети // Электроэнергетика сегодня и завтра: сб. науч. ст. 2-й Междунар. науч.-техн. конф. (Курск, 24 марта 2023 г.). Курск: Университетская книга, 2023. Т. 2. С. 209–211. EDN: PYVTJE.
Фальков Г.А., Попов С.А. Математическое моделирование процесса несинусоидальности на базе «Вейвлет-преобразования» // Молодежь и XXI век – 2024: сб. науч. ст. 13-й Междунар. молодежной науч. конф. (Курск, 15–16 февраля 2024 г.). В 3 т. Курск: Университетская книга, 2024. С. 225–227. EDN: ASFYEP.

вейвлет-функция, спектр, частота.