Получите MODWTMRA, простой timeseries сигнализирует и демонстрирует совершенную реконструкцию.

Создайте сигнал timeseries

t = 1:10;
x =sin(2*pi*200*t);

Получите MODWT и MODWTMRA и суммируйте строки MODWTMRA.

m = modwt(x);
mra = modwtmra(m);
xrec = sum(mra);

Используйте максимум абсолютных значений, чтобы показать, что различие между исходным сигналом и реконструкцией является чрезвычайно небольшим. Самое большое абсолютное значение находится на порядке $$10^{-\mathrm{}25}$$, который демонстрирует совершенную реконструкцию.

max(abs(x-xrec))

ans = 5.5738e-25

Создайте MRA сигнала ECG вниз, чтобы выровнять четыре использования 'db2' вейвлета.

load wecg;
lev = 4;
wtecg = modwt(wecg,'db2',lev);
mra = modwtmra(wtecg,'db2');

Постройте форму волны ECG и MRA.

subplot(6,1,1)
plot(wecg)
    for kk = 2:lev+2
        subplot(6,1,kk)
        plot(mra(kk-1,:))
    end

Создайте анализ мультиразрешения для южных Индексных данных о Колебании. Период выборки является одним днем. Постройте уровень восемь деталей, соответствующих шкале $$2^8$$ дни. Детали в этой шкале получают колебания в шкале приблизительно одного года.

load soi
wtsoi = modwt(soi);
mrasoi = modwtmra(wtsoi);
plot(mrasoi(8,:))
title('Level 8 Details')

Получите MRA для Деуча Марка - данные об обменном курсе доллара США с помощью минимального масштабирования пропускной способности и фильтров вейвлета с четырьмя коэффициентами.

load DM_USD;
Lo = [0.4801755, 0.8372545, 0.2269312, -0.1301477];
Hi = qmf(Lo);
wdm = modwt(DM_USD,Lo,Hi);
mra = modwtmra(wdm,Lo,Hi);

Получите MRA для сигнала ECG использование обработки контура 'reflection'.

load wecg;
wtecg = modwt(wecg,'reflection');
mra = modwtmra(wtecg,'reflection');

Покажите, что количество столбцов в MRA равно числу элементов в исходном сигнале.

isequal(size(mra,2),numel(wecg))

ans = logical
   1

Этот пример демонстрирует различия между функциями MODWT и MODWTMRA. Разделы MODWT энергия сигнала через коэффициенты детали и масштабные коэффициенты. Проекты MODWTMRA сигнал на подпространства вейвлета и масштабирующееся подпространство.

Выберите 'sym6' вейвлет. Загрузите и постройте форму волны ECG. Данные о ECG взяты из Базы данных Аритмии MIT-BIH.

load mit200
wv = 'sym6';
plot(ecgsig)
grid on
title(['Signal Length = ',num2str(length(ecgsig))])

Возьмите MODWT сигнала.

wtecg = modwt(ecgsig,wv);

Входные данные являются выборками функции $$f(x)$$ оцененный в $$N$$- много моментов времени. Функция может быть выражена как линейная комбинация масштабирующейся функции $$\varphi (x)$$ и вейвлет $$\psi (x)$$в переменных шкалах и переводах: $$f(x)=\sum _{k=0}^{N-1}{c}_k{2}^{-J_0/2}\varphi (2^{-J_0}x-k)+\sum _{j=1}^{J_0}{f}_j(x)$$ где $$f_j(x)=\sum _{k=0}^{N-1}{d}_{j,k}{2}^{-j/2}\psi (2^{-j}x-k)$$ и $$J_0$$ количество уровней разложения вейвлета. Первая сумма является крупным приближением шкалы сигнала, и $$f_j(x)$$ детали в последовательных шкалах. MODWT возвращается $$N$$- много коэффициентов $$\{c_k\}$$и $$(J_0\times N)$$- много коэффициентов детали $$\{d_{j,k}\}$$ из расширения. Каждая строка в wtecg содержит коэффициенты в различной шкале.

При взятии MODWT сигнала длины $$N$$, существуют $$\text{пол}({\mathrm{журнал}}_2(N))$$- много уровней разложения (по умолчанию). Коэффициенты детали производятся на каждом уровне. Масштабные коэффициенты возвращены только для итогового уровня. В этом примере, с тех пор $$N=\mathrm{}\mathrm{}\mathrm{}\mathrm{}10000$$, $$J_0=\text{пол}(\mathrm{журнал}2(\mathrm{}\mathrm{}\mathrm{}\mathrm{}10000))=\mathrm{}13$$ и количество строк в wtecg $$J_0+1=\mathrm{}13+1=\mathrm{}14$$.

Разделы MODWT энергия через различные шкалы и масштабные коэффициенты: $${\left|\right|X\left|\right|}^2=\sum _{j=1}^{J_0}{\left|\right|W_j\left|\right|}^2+{\left|\right|V_{J_0}\left|\right|}^2$$ где $$X$$ входные данные, $$W_j$$ коэффициенты детали в шкале $$j$$, и $$V_{J_0}$$ масштабные коэффициенты итогового уровня.

Вычислите энергию в каждой шкале и оцените их сумму.

energy_by_scales = sum(wtecg.^2,2);
Levels = {'D1';'D2';'D3';'D4';'D5';'D6';'D7';'D8';'D9';'D10';'D11';'D12';'D13';'A13'};
energy_table = table(Levels,energy_by_scales);
disp(energy_table)

    Levels    energy_by_scales
    ______    ________________

    'D1'          0.31592     
    'D2'           2.6504     
    'D3'           28.802     
    'D4'           159.37     
    'D5'            300.5     
    'D6'           431.33     
    'D7'           444.93     
    'D8'           182.37     
    'D9'           45.381     
    'D10'          11.578     
    'D11'          19.809     
    'D12'          4.5406     
    'D13'           3.308     
    'A13'          192.46     

energy_total = varfun(@sum,energy_table(:,2))

energy_total=1×1 table
    sum_energy_by_scales
    ____________________

           1827.3       

Подтвердите, что MODWT является сохранением энергии путем вычисления энергии сигнала и сравнения его с суммой энергий по всем шкалам.

energy_ecg = sum(ecgsig.^2);
max(abs(energy_total.sum_energy_by_scales-energy_ecg))

ans = 4.0875e-09

Возьмите MODWTMRA сигнала.

mraecg = modwtmra(wtecg,wv);

MODWTMRA возвращает проекции функции $$f(x)$$ на различные подпространства вейвлета и итоговый пробел масштабирования. Таким образом, MODWTMRA возвращается $$\sum _{k=0}^{N-1}{c}_k{2}^{-J_0/2}\varphi (2^{-J_0}x-k)$$и $$J_0$$- многие $$\{f_j(x)\}$$оцененный в $$N$$- много моментов времени. Каждая строка в mraecg является проекцией $$f(x)$$ на различное подпространство. Это означает, что исходный сигнал может быть восстановлен путем добавления всех проекций. Это не верно в случае MODWT. Добавление коэффициентов в wtecg не восстановит исходный сигнал.

Выберите момент времени, добавьте проекции $$f(x)$$ оцененный в то время указывают и соответствуют исходному сигналу.

time_point = 1000;
abs(sum(mraecg(:,time_point))-ecgsig(time_point))

ans = 3.0942e-13

Подтвердите, что, в отличие от MODWT, MODWTMRA не является сохраняющим энергию преобразованием.

energy_ecg = sum(ecgsig.^2);
energy_mra_scales = sum(mraecg.^2,2);
energy_mra = sum(energy_mra_scales);
max(abs(energy_mra-energy_ecg))

ans = 534.7949

MODWTMRA является фильтрацией нулевой фазы сигнала. Функции будут выровнены временем. Продемонстрируйте это путем графического вывода исходного сигнала и одной из его проекций. Чтобы лучше проиллюстрировать выравнивание, увеличить масштаб.

figure
plot(ecgsig)
hold on
plot(mraecg(4,:),'-')
grid on
xlim([4000 5000])
legend('Signal','Projection','Location','northwest')

Сделайте подобный график с помощью коэффициентов MODWT в той же шкале. Обратите внимание на то, что функции не будут выровнены временем. MODWT не является фильтрацией нулевой фазы входа.

figure
plot(ecgsig)
hold on
plot(wtecg(4,:),'-')
grid on
xlim([4000 5000])
legend('Signal','Coefficients','Location','northwest')

Ссылки

Голдбергер А. Л., Л. А. Н. Амарал, L. Стекло, Дж. М. Гаусдорф, P. Ch. Иванов, Р. Г. Марк, Дж. Э. Митус, Г. Б. Муди, C-K Пенг, Х. Э. Стэнли. "PhysioBank, PhysioToolkit и PhysioNet: Компоненты Нового Ресурса Исследования для Комплексных Физиологических Сигналов". Циркуляция 101. Vol.23, e215-e220, 2000. http://circ.ahajournals.org/cgi/content/full/101/23/e215

Капризный, G. B. "Оценивая ECG Анализаторы". http://www.physionet.org/physiotools/wfdb/doc/wag-src/eval0.tex

Муди Г. Б., Р. Г. Марк. "Влияние Базы данных Аритмии MIT-BIH". Инженер IEEE в Med и Biol. Издание 20, Номер 3, 2001), стр 45-50.