-
Выделение переменной составляющей сигнала
Устройство для выделения переменнойи постоянной составляющих электри-ческого сигнала
Сееоз Сфветсаиз Семалнстеикпик Ркаублнн(22) Заявлено 190279 (21) 2725943/18-21с присоединением заявки йУ(51)м, л,з С 01 й 19/00 Государственный коинтет СССР но делам нзобретеннй н открытнй(54) УСТРОЙСТВО ДЛЯ ВЫДЕЛЕНИЯ ПЕРЕМЕННОЙ И ПОСТОЯННОЙ СОСТАВЛЯЮЩИХ ЭЛЕКТРИЧЕСКОГО СИГНАЛА Изобретение относится к измерительной технике, в частности к средствам, используемым при анализе колебаний н деформаций, возникающих при воздействии на испытываемые изделия и системы суммы механических, статических и инфранизкочастотных нагрузок, и предназначено для получения по разным выходам устройства постоянной и переменной составляющих сигнала, поступающего на вход устройства, с целью дальнейшего статистического анализа их воздействий.Известны устройства, содержащие управляемый переключатель, подключенный к выходу сравнивающего устройства, и сглаживающуЮ цепочку. В таких устройствах переключатель автоматически срабатывает, когда периодический сигнал принимает значения постоянной составляющей, а сигнал переменной составляющей получается как разность между входным сигналом и напряжением на сглаживающей цепочке 1 .Недостаток таких устройств заключается в том, что они предназначены для выделения импульсных последовательностей и не могут быть использованы в том случае, когда переменная составляющая имеет малую величину производной, что типично дляинфраниэкочастотных сигналов.Известны также устройства для вы"деления переменной и постоянной со"ставляющих электрического сигнала,содержащие блок управления, преобразователь напряжение-частота, двасчетчика, усилитель, резистор, источник напряжения, сумматор и компаратор, соединенные со входом устройства. Эти устройства обладают более высоким быстродействием. Принципдействия их основан на преобразова 1 нии входного сигнала в пропорциональный его уровню частотный сигнал,измерении среднего периода частотного сигнала эа период входного сигнала, формировании импульсной последо 20 вательности с частотой повторениячастотного сигнала и длительностьюимпульсов, равной половине его среднего периода, и выделении ри демодуляции импульсной последовательности переменной составляющей с последующим ее вычитанием из г.:.одного сигнала 21,Недостаток этих устройств - отста 30 ванне по фазе переменной ",-:таз яю 796764- масштабный коэффициент цифрового резистора 7 сразмерностью Ом/число.Напряжение на выходе усилителя 8 ойределяется выражением:ц -ц . ч-ц, ъ (4)1 т 1 Т кт 14+ щей выходного сигнала относительновходного, возникающее эа счет использования демодуляции, что приводит куменьшению точности определения постоянной составляющей. Амплитуда выходной переменной составляющей зависит от постоянной составляющей, чтотребует дополнительной компенсациипри разделении сигналов и увеличивает погрешность,Цель изобретения - повышение точности и уменьшение фазового сдвигамежду переменными составляющими входного и выходного сигналов,Поставленная цель достигаетсятем, что устройство для выделенияпеременной и постоянной составляющих 15электрического сигнала, содержащееблок управления, преобразователь напряжение-частота, два .счетчика, уси"литель, резистор, источник напряжения, сумматор и компаратор, соединенные со входом устройства, снабженовторым сумматором, двумя элементами2 И, цифровым управляемым резистором,цифроаналоговым преобразователем игенератором, соединенным через эле- дмент 2 И со счетчиком, выход которого соединен со входом цифрового управляемого резистора, выход которогосоединен со входом усилителя и резистором, второй выход которого соединен с выходом усилителя и входомцифроаналогового преобразователя,выход которого соединен с одним входом второго сумматора, второй входкоторого, как и вход цифрового управляемого резистора, соединен с выходом источника напряжений, а выходвторого сумматора соединен с первымвыходом устройства, вторыми входамикомпаратора и сумматора, выход которого соединен со вторым выкодом устройства, причем вход устройства дополнительно соединен с преобразователем напряжение-частота, выход которого через второй элемент 2 И ивторой счетчик связан со входом цифроаналогового преобразователя, авыход компаратора соединен с блокомуправления, один выход которого соединен со входами элементов 2 И, адва других соответственно с управляющими входами счетчиков и управляющими входами цифрового управляемого резистора и цифроаналогового преобразователя.На чертеже изображена структурная схема устройства.55Устройство содержит компаратор 1,преобразователь 2 напряжение-частота, сумматор 3, генератор 4 постоянной частоты, элемент 2 И 5, счетчикб, цифровой управляемый резистор 7, ЮОусилитель 8, резистор 9, цифроаналоговый преобразователь 10, сумматор 11, выход которого соединен свыходом устройства, источник 12 напряжения, второй элемент 2 И 13, 5 второй счетчик 14, блок 15 управления с выходами 16, 17 и 18.Устройство работает следующим образом.Компаратор 1 выполнен в виде усилителя постоянного тока с дифференциальными входами, выход которого соединен со счетным входом триггера, выходной сигнал которого поступает на выход компаратора (на чертеже не показано). На выходе компаратора 1 сигнал "1" возникает в интервалах между нечетным и четным моментом, когда входной сигнал превышает сигнал на выходе сумматора 3. В интервалах между четным и нечетным моментами вышеуказанного превышения сигнал на выходе компаратора 1 равен нулю. В исходном состоянии счетчики б и 14 установлены в нулевые состояния. На вхо
Извлечение частоты характеристик на основе анализа основных компонентов и его применение на орбите оси
Диагностика на основе вибрации используется как мощный инструмент для поддержания эффективности и безопасности работы больших вращающихся механизмов. Однако выделение признаков неисправности не является достаточно точным с использованием традиционных методов обработки сигналов вибрации из-за их внутренних недостатков. В этой статье была исследована взаимосвязь между эффективными собственными значениями и частотными составляющими, и был предложен новый метод разделения характеристической частоты на основе PCA (CFSM-PCA).Определенная частота признака может быть очищена путем восстановления указанных собственных значений. Кроме того, были изучены три важных аспекта с помощью распределения эффективных собственных значений, и впоследствии были проиллюстрированы теоретические выводы. Что еще более важно, эту предложенную схему можно также использовать для синтеза орбит осей более крупных машин. Очищенные кривые были настолько четкими, и CFSM-PCA показал более высокую эффективность, чем гармонический вейвлет и вейвлет-пакет.
1. Введение
Анализ главных компонентов (PCA), который может уменьшить размерность набора данных, но сохранить большинство исходных переменных [1–3], широко используется в областях обработки изображений, диагностики неисправностей, распознавания образов, нейронная сеть, сжатие данных, вейвлет-преобразование и т. д.Например, Кирби и др. [4] использовал алгоритм PCA для сжатия изображения и извлечения основных характеристик. Более того, комбинация нейронной сети PCA и обратного распространения (BP) также может быть применена при реорганизации изображения лица. Си и др. [5] и Malhi et al. [6] индивидуально применил подход PCA для уменьшения размера данных и извлечения переменных признаков. Кроме того, нейронная сеть в дальнейшем использовалась в качестве классификатора для классификации неисправностей подшипников. Чтобы исследовать диагностику неисправностей рабочего колеса центробежного компрессора, группа Цзяна также приняла PCA для уменьшения размерности множественных временных рядов [7].Sun et al. [8] проанализировали дефекты традиционных методов диагностики неисправностей и внедрили технологию интеллектуального анализа данных в диагностику неисправностей. После этого была предложена новая схема, используемая для уменьшения характеристик данных, основанная на дереве решений C4.5 и алгоритме PCA.
Обычно, когда PCA используется для шумоподавления или сжатия данных, количество эффективных собственных значений определяется совокупной долей вклада и его деформацией [9–14], выраженными как где и являются собственными значениями ковариационной матрицы, соответственно; - количество собственных значений ковариационных матриц; - количество эффективных собственных значений.Когда совокупная ставка взносов превышает определенное значение (80% -95%), может быть принято решение [2].
Несмотря на то, что был достигнут впечатляющий прогресс в области шумоподавления сигнала и уменьшения размерности, исследования по выделению или устранению определенного характеристического спектра (одной частоты) с помощью этого классического метода PCA всегда игнорировались. Однако точное извлечение основной частоты (1X), второй гармоники (2X) или других характерных частот необработанного сигнала имеет значение для очистки осевой орбиты, режекторного фильтра [15], распознавания речи [16], диагностика неисправностей подшипников качения [17] и т. д.За последнее десятилетие было разработано множество инструментов обработки сигналов для выделения определенной частоты, таких как преобразование вейвлет-пакетов, гармонический вейвлет, ансамблевое разложение по эмпирическим модам (EEMD) и разреженное разложение [18]. Например, в [19–21] принята техника многоуровневого деления вейвлет-пакета для выбора определенной полосы частот для выделения определенной частоты, из которой может быть произведена осевая орбита. В источниках [22, 23] бесконечность случайных частотных полос подразделяется с помощью гармонического вейвлета для извлечения интересующей частоты; Уточнение орбиты центра ротора из одной или нескольких интересных полос частот может быть реализовано впоследствии.Тем не менее, вейвлет-пакет и алгоритм гармонического пакета подчиняются принципу неопределенности Гейзенберга, и разрешения во временной и частотной областях не могут быть случайно высокими одновременно, то есть
.Методы извлечения признаков сигнала ЭЭГ с использованием линейного анализа в частотной и частотно-временной областях
Технически признак представляет собой отличительное свойство, узнаваемое измерение и функциональный компонент, полученный из части паттерна. Извлеченные функции предназначены для минимизации потери важной информации, заложенной в сигнал. Кроме того, они также упрощают количество ресурсов, необходимых для точного описания огромного набора данных. Это необходимо для минимизации сложности реализации, снижения затрат на обработку информации и устранения потенциальной необходимости сжатия информации.В последнее время для извлечения признаков из сигналов ЭЭГ широко использовались различные методы, среди которых - частотно-временные распределения (TFD), быстрое преобразование Фурье (FFT), методы собственных векторов (EM), вейвлет-преобразование (WT) и авторегрессивный метод (ARM) и так далее. В целом, анализ сигнала ЭЭГ был предметом нескольких исследований из-за его способности давать объективный режим регистрации стимуляции мозга, который широко используется в исследованиях интерфейса мозг-компьютер с применением в медицинской диагностике и реабилитационной инженерии.Цели данной статьи, таким образом, должны обсудить некоторые традиционные методы извлечения признаков ЭЭГ, сравнить их производительность для конкретной задачи и, наконец, рекомендовать наиболее подходящий метод для извлечения признаков на основе производительности.
1. Введение
В последние годы интерфейс мозг-компьютер и интеллектуальная сегментация сигналов вызвали большой интерес в самых разных областях, от медицины до военных целей [1–6]. Чтобы облегчить сборку интерфейса мозг-компьютер, необходим профессиональный метод извлечения признаков из сигнала ЭЭГ.
Электрическая активность головного мозга представлена сигналами электроэнцефалограммы (ЭЭГ). Многие неврологические заболевания (например, эпилепсия) можно диагностировать, изучая сигналы ЭЭГ [7–9]. Перекодирование сигналов ЭЭГ выполняется путем фиксации электрода на коже черепа пациента с использованием стандартной схемы размещения электродов (рис. 1) [10–12]. Однако источников артефактов много. Сигнальный шум, который может возникнуть при захвате сигнала, отрицательно повлияет на полезные свойства исходного сигнала.Основными источниками артефакта являются мышечная активность, мигание глаз во время процедуры сбора сигнала и электрические помехи от линии электропередачи [13]. Для устранения этих нежелательных сигналов было предложено множество методов. У каждого из них есть свои достоинства и недостатки. Тем не менее, существует общий путь обработки сигналов ЭЭГ (рис. 2). Первая часть - это предварительная обработка, которая включает в себя сбор сигнала, удаление артефактов, усреднение сигнала, определение порога вывода, улучшение результирующего сигнала и, наконец, обнаружение фронтов.Второй шаг операции - это схема извлечения признаков, которая предназначена для определения вектора признаков из обычного вектора. Признак - это отличительный или характерный элемент измерения, преобразования, структурный компонент, извлеченный из сегмента паттерна [14]. Статистические характеристики и синтаксические описания - это два основных подразделения обычных методов извлечения признаков. Схема выделения признаков предназначена для выбора признаков или информации, которая является наиболее важной для упражнения по классификации [15–17].Последним этапом является классификация сигналов, которая может быть решена с помощью линейного анализа, нелинейного анализа, адаптивных алгоритмов, методов кластеризации и нечеткости, а также нейронных сетей. Это делается за счет использования алгоритмических характеристик вектора признаков входных данных и, таким образом, вызывает гипотезу [10, 15].
В этой статье представлен краткий обзор математических методов извлечения признаков из сигналов ЭЭГ. В обзоре рассмотрены пять различных методов выделения сигнала ЭЭГ.Принятый подход таков, что представлен полный обзор литературы по пяти различным методам с обобщением их сильных и слабых сторон.
2. Методы
Различные статьи были использованы для выявления преимуществ и недостатков выбранных методов путем тщательного анализа выбранных статей, включая основные методы линейного анализа одномерных сигналов в частотной или частотно-временной области. Сравнивались различные представляющие интерес общие методы и обсуждались общие преимущества и недостатки этих методов.
2.1. Метод быстрого преобразования Фурье (БПФ)
В этом методе используются математические средства или инструменты для анализа данных ЭЭГ. Характеристики полученного сигнала ЭЭГ, подлежащего анализу, вычисляются путем оценки спектральной плотности мощности (СПМ), чтобы выборочно представить сигнал образцов ЭЭГ. Однако четыре полосы частот содержат основные характерные формы волн спектра ЭЭГ [18].
PSD вычисляется с помощью преобразования Фурье оцененной автокорреляционной последовательности, которая находится непараметрическими методами.Один из таких методов - метод Уэлча. Последовательность данных применяется к окнам данных, создавая модифицированные периодограммы [19]. Информационная последовательность выражается как принять за точку начала -й последовательности. Тогда длина представляет собой сформированные сегменты данных. Полученные выходные периодограммы дают Здесь в оконной функции приводится коэффициент нормировки мощности, который выбирается таким, что где оконная функция. Среднее значение этих модифицированных периодограмм дает спектр мощности Уэлча следующим образом:
2.2. Метод вейвлет-преобразования (WT)
WT играет важную роль в области распознавания и диагностики: он сжимает изменяющийся во времени биомедицинский сигнал, который включает множество точек данных, в несколько небольших параметров, которые представляют сигнал [14].
Поскольку сигнал ЭЭГ нестационарен [7], наиболее подходящим способом извлечения признаков из необработанных данных является использование методов частотно-временной области, таких как вейвлет-преобразование (WT), которое представляет собой метод спектральной оценки, в котором любая общая функция можно представить в виде бесконечной серии всплесков [20–22].Поскольку WT позволяет использовать окна переменного размера, он дает более гибкий способ частотно-временного представления сигнала. Чтобы получить более точное низкочастотное разрешение, используются длинные временные окна WT; Напротив, для получения высокочастотной информации используются короткие временные окна [13].
Кроме того, WT использует только многомасштабную структуру, а не единичную шкалу. Этот метод является продолжением ортодоксального метода преобразования Фурье [23]. Более того, он предназначен для решения проблем нестационарных сигналов, таких как ЭЭГ [14].В методе WT исходный сигнал ЭЭГ представлен защищенными и простыми строительными блоками, известными как вейвлеты. Материнский вейвлет порождает эти вейвлеты как часть производных функций посредством трансляции и расширения, то есть операций (сдвига) и (сжатия и растяжения) вдоль оси времени, соответственно [24]. Есть две категории WT; первый - непрерывный, а второй - дискретный [14].
2.2.1. Метод непрерывного вейвлет-преобразования (CWT)
Это можно выразить как обозначает необработанную ЭЭГ, где обозначает дилатацию и представляет коэффициент трансляции.Обозначает комплексное сопряжение и может быть вычислено как где означает вейвлет. Однако его главная слабость заключается в том, что параметр масштабирования и параметр трансляции CWT постоянно изменяются. Таким образом, коэффициенты вейвлета для всех доступных масштабов после расчета потребуют больших усилий и дадут много неиспользованной информации [14].
2.2.2. Дискретное вейвлет-преобразование (DWT)
Чтобы устранить слабые места CWT, дискретное вейвлет-преобразование (DWT) было определено на основе многомасштабного представления функций.Каждая рассматриваемая шкала представляет собой уникальную толщину сигнала ЭЭГ [23]. Разложение необработанных данных ЭЭГ с несколькими разрешениями показано на рисунке 3. Каждый шаг содержит два цифровых фильтра, и два субдискретизатора на 2. Дискретный материнский вейвлет является высокочастотным по своей природе, в то время как его зеркальное отображение - низкое. -пройти на природе.
Как показано на Рисунке 3, выход каждого каскада предоставляет подробную информацию о сигнале и его аппроксимацию, причем последний из них становится входом для следующего шага.Количество уровней, на которые разлагается вейвлет, выбирается в зависимости от компонента данных ЭЭГ с доминирующей частотой [14].
Связь между WT и фильтром, то есть фильтр нижних частот, можно представить следующим образом: Здесь представляет собой преобразование фильтра. Дополнительное преобразование фильтра высоких частот выражается как За счет точного описания характеристик сегмента сигнала в заданной частотной области и локализованных свойств во временной области существует множество преимуществ, которые затмевают высокие требования к вычислительным ресурсам и памяти, характерные для традиционной реализации DWT на основе свертки [14, 23].
2.3. Собственные векторы
Эти методы используются для расчета частоты и мощности сигналов на основе измерений с преобладанием артефактов. Суть этих методов заключается в способности разложения по собственному логическому элементу коррелировать даже искаженный артефактом сигнал. Существует несколько доступных методов собственных векторов, среди которых метод Писаренко, метод MUSIC и метод минимальной нормы [25, 26].
2.3.1. Метод Писаренко
Метод Писаренко является одним из доступных подходов на основе собственных векторов, используемых для оценки спектральной плотности мощности (PSD).Для расчета PSD используется математическое выражение
.Снижение шумов сигнала ЭКГ и извлечение характеристик с использованием несмещенного сглаживания КИХ
Методы извлечения характеристик сигнала электрокардиографии (ЭКГ) необходимы для обнаружения сердечных аномалий и различных заболеваний. Однако различные артефакты и шум измерения часто мешают точному извлечению признаков. Один из стандартных методов, разработанных для сигналов ЭКГ, использует линейное предсказание. Что касается того факта, что для обработки сигнала ЭКГ прогнозирование не требуется, сглаживание может быть более эффективным.В этой статье мы используем фильтр несмещенной конечной импульсной характеристики (UFIR) смещения, который сглаживается на. Мы разрабатываем этот фильтр, чтобы иметь адаптивный горизонт усреднения: оптимальный для медленного поведения ЭКГ и минимальный для быстрых скачков. Показано, что разработанный таким образом адаптивный алгоритм UFIR обеспечивает лучшее шумоподавление и выделение субоптимальных характеристик с точки зрения отношения сигнал / шум (SNR) на выходе. Алгоритм разработан для определения длительности и амплитуды зубца P, комплекса QRS и зубца T на стандартной карте сигналов ЭКГ.Лучшая производительность разработанного алгоритма продемонстрирована в сравнении со стандартным линейным предсказателем, фильтром UFIR и фильтром предсказания UFIR, основанным на реальных данных ЭКГ, связанных с нормальным сердечным сокращением.
1. Введение
Электрокардиографические сигналы (ЭКГ) играют ключевую роль в диагностике различных сердечных заболеваний. Поскольку импульсы, производимые сердцем, могут незначительно отличаться друг от друга, а шум влияет на точность решения, ЭКГ обычно организовывается с использованием точного электронного оборудования [1].Точные измерения особенно необходимы, когда данные используются для извлечения характеристик сигналов ЭКГ и принятия решений о различных видах сердечных заболеваний с использованием специального программного обеспечения. Однако даже очень точные измерения обычно сопровождаются артефактами и шумом. Артефакты могут быть результатом множества внутренних и внешних причин, таких как паркинсонический мышечный тремор, высушивающий гель электрода. Различные виды шумов могут загрязнять сигнал ЭКГ во время его сбора и передачи, например высокочастотный шум (шум электромиограммы, аддитивный белый гауссов шум и помехи от линии электропередачи) и низкочастотный шум (блуждание базовой линии).Поскольку шум может привести к неправильной интерпретации, требуется шумоподавление сигнала ЭКГ. Поэтому в последние десятилетия значительное внимание было уделено разработке математических методов и вычислительных алгоритмов для извлечения характеристик ЭКГ из обычных (зашумленных) данных с точностью, достаточной для медицинских нужд [2–12].
Подход, основанный на преобразовании Фурье, был разработан в [13] для извлечения характеристик сигнала ЭКГ в частотной области. Но в этом методе отсутствует временное разрешение, что влияет на точность оценки.Эта проблема была обойдена в некоторых других работах, обеспечив частотно-временной анализ без значительного влияния на разрешение. В [14–17] были разработаны алгоритмы на основе вейвлет-преобразования для поиска приложений в некоторых областях медицины. В области вейвлетов легче достичь компромисса между разрешением по частоте и времени, и можно выбрать правильный вейвлет для обеспечения разумной точности. Однако выбор оптимального вейвлета по-прежнему остается сложной задачей [18], и этот подход имеет низкую эффективность при сглаживании сигналов ЭКГ.Другие алгоритмы, протестированные для таких нужд, включают анализ главных компонентов (PCA) [19], линейный дискриминантный анализ (LDA) [20], анализ независимых компонентов (ICA) [21], машину опорных векторов [22] и нейронные сети [23]. ].
Один из широко известных подходов, предложенных в [24], обеспечивает снижение шума и извлечение признаков из данных ЭКГ с использованием линейного прогнозирования на основе теории, развитой в [25]. Подход предполагает, что все основные характеристики сигналов ЭКГ можно сохранить и получить с помощью одношагового линейного предсказателя.Соответственно, выделение признаков в комплексе QRS (область быстрых экскурсий ЭКГ) обеспечивается на основе анализа остаточных ошибок между данными и оценками. Этот подход оказался полезным при обнаружении аритмий. В других работах, использующих одношаговое предсказание [26, 27], автоматическая классификация ЭКГ сердечных аномалий обеспечивается с использованием гауссовых смесей. Позже подход, основанный на прогнозировании, был признан одним из стандартных методов, подходящих для сигналов ЭКГ [28].
Теперь следует отметить, что с точки зрения оптимальной фильтрации, прогноз менее точен в снижении шума, чем , фильтрация и намного менее точен, чем сглаживание . С другой стороны, проблемы обработки сигнала ЭКГ не предполагают прогнозирования будущих значений, и сглаживание с некоторым запаздыванием может быть лучшим выбором для анализа сердца. Классическим примером является фильтр Савицки-Голея (сглаживающий) [29], который нашел широкое применение в самых разных областях [30–35].
Оптимальный подход для обеспечения сглаживания и оценки состояния в линейных моделях был предложен в [36], чтобы минимизировать среднеквадратичную ошибку (MSE). Решение было найдено на горизонте точек данных, где соответствует фиксированной дискретной точке сигнала ЭКГ, а - дискретный сдвиг. Полученный оптимальный фильтр КИХ (OFIR) становится сглаживающим с запаздыванием, обеспечивает фильтрацию и становится -шаговым прогнозированием, когда. Однако фильтр OFIR с сдвигом требует информации о шуме, которая не полностью доступна для сигналов ЭКГ.
Особым случаем OFIR-фильтра с -сдвигом является несмещенный FIR-фильтр (UFIR) [36–39], который полностью игнорирует шум с нулевым средним значением и, таким образом, больше подходит для сигналов ЭКГ. В более общем смысле UFIR-фильтр -shift обобщает фильтр Савицки-Голея и линейный предиктор с. Хотя такой фильтр не требует статистики шума, за исключением предположения о нулевом среднем, он обеспечивает хорошие почти оптимальные оценки, если он установлен оптимально, например, путем минимизации MSE [36].
В этой статье мы разрабатываем алгоритм сглаживающей фильтрации UFIR с адаптивным горизонтом для шумоподавления сигналов ЭКГ и выделения признаков.Мы также исследуем компромисс между сглаживающим фильтром UFIR, фильтром UFIR и прогнозным фильтром UFIR и сравниваем их со стандартным линейным предсказателем, предложенным в [24]. Мы основываем наши исследования на базе данных по аритмии MIT-BIH, доступной для бесплатного использования по адресу [40, 41]. Сосредоточившись на разработке эффективных алгоритмов, в этой статье мы ограничиваем наши исследования данными, связанными с нормальным сердцебиением, и откладываем анализ различных видов сердечных заболеваний до будущих исследований. Оставшаяся часть теста организована следующим образом.В разделе 2 мы описываем базу данных, теорию предложенных алгоритмов и валидацию. Экспериментальные результаты показаны в разделе 3, где мы сравниваем алгоритмы прогнозирующей фильтрации UFIR, сглаживания UFIR и UFIR. Обсуждение результатов приведено в разделе 4, а обобщения с заключительными замечаниями - в разделе 5.
2. Материал и методы
2.1. Материалы
В этой работе в качестве эталона используется база данных по аритмии MIT-BIH.Эта база данных содержит 48 записей ЭКГ с использованием двух отведений (например, MLII, V1), полученных от 47 исследованных субъектов. Записи имеют частоту дискретизации 360 Гц на канал с разрешением 11 бит в диапазоне 10 мВ. В общем, наиболее распространенным отведением в этой базе данных является MLII, где четко видна морфология сигнальной ЭКГ. Для процесса тестирования учитываются отведение MLII и синусовый нормальный ритм. Кроме того, дополнительный тест с синтетическими данными ЭКГ предоставляется специализированным программным обеспечением MATLAB, разработанным Картиком Равипракашем.Моделируемые сигналы ЭКГ основаны на принципе ряда Фурье. Здесь сигнал искажен разными уровнями гауссовского белого шума. Ниже приводится краткое описание характеристик сигнала ЭКГ.
2.1.1. Сигнал ЭКГ
Морфология сердцебиения является фундаментальной для извлечения характеристик сигналов ЭКГ, которые являются квазипериодическими, как показано на рисунке 1. Пульс сердцебиения может быть представлен с четырьмя основными характеристиками: -волна (медленное движение влево), -комплекс (центральный быстрый экскурсия), -волна (первая правая медленная экскурсия) и -волна (вторая правая медленная экскурсия).
При обработке сигналов ЭКГ, показанных на Рисунке 1, возникает несколько проблем: (i) Данные измерений обычно загрязнены шумом, который может не быть гауссовым и белым. (Ii) Стандартные характеристики, изображенные на Рисунке 1, должны оцениваться с максимальной точностью. чтобы избежать медицинских ошибок. (iii) Истинная достоверность (эталонная модель) недоступна для оптимальной настройки оценщика.
В таких условиях для извлечения характеристик сигнала ЭКГ обычно рассматриваются два подхода, основанные на точной идентификации импульсов сердцебиения: реперный и нефидический .Опорный подход относится к таким характеристикам, как амплитуда и частота сердечных сокращений, которые связаны с продолжительностью, амплитудой и формой волны [44–49]. Неосновной подход относится к квазипериодичности сигналов ЭКГ [28], и все характеристики разделены на три основные категории на основе автокорреляции, анализа фазового пространства и частотной области.
2.2. Методы
2.2.1. -Shift UFIR Smoothing Filtering
Предположим, что сигнал ЭКГ (рисунок 1) загрязнен аддитивным шумом с нулевым средним и неизвестной статистикой.Затем измерение
.Извлечение радиочастотных отпечатков пальцев на основе многомерной энтропии перестановок
Извлечение радиочастотных отпечатков пальцев (RF-отпечатков пальцев) - это технология, которая может идентифицировать уникальный радиопередатчик на физическом уровне, используя только внешние измерения функций для соответствия библиотеке функций. РЧ-отпечаток - это отражение различий между аппаратными компонентами передатчиков, и он содержит богатые нелинейные характеристики внутренних компонентов передатчика. Радиочастотная технология отпечатков пальцев широко применяется для повышения безопасности радиочастотной связи.В этой статье мы предлагаем новый метод RF fingerprint, основанный на энтропии многомерной перестановки. Мы анализируем механизм генерации RF-отпечатка пальца в соответствии с физической структурой радиопередатчика. Система сбора сигналов предназначена для захвата сигналов для оценки нашего метода, где сигналы генерируются теми же тремя радиостанциями Anykey AKDS700. Предлагаемый метод позволяет достичь более высокой точности классификации, чем два других стационарных метода, а его эффективность при различном SNR оценивается на основе экспериментальных данных.Результаты демонстрируют эффективность предложения.
1. Введение
Так же, как у каждого из нас есть уникальные отпечатки пальцев, радиопередатчики также имеют разные радиочастотные отпечатки пальцев, а именно, РЧ-отпечатки [1, 2]. РЧ-отпечатки возникают из-за различий между аппаратными компонентами передатчиков, и различия могут отражаться в сигналах связи. Отпечатки пальцев могут быть извлечены путем обработки переходного или установившегося сигнала из принятых радиочастотных сигналов.Метод получения характеристик оборудования передатчика называется извлечением РЧ-отпечатка пальца, а метод идентификации отдельного передатчика по отпечатку пальца называется РЧ-отпечатком пальца. Отпечатки RF работают на физическом уровне в устройствах передачи, поэтому их нельзя уничтожить или скопировать.
RF fingerprint является популярной областью исследований в последние десятилетия и широко применяется в управлении ресурсами спектра, сертификации безопасности беспроводного оборудования, защите сетей мобильной связи и других областях [3].Фрактальные измерения (размер коробки и информационное измерение) были извлечены как отпечатки RF для идентификации 3 FM-станций в [4]. Три алгоритма извлечения отпечатков пальцев, основанные на спектре Гильберта, были введены в [5]. РЧ-отпечатки, основанные на функциях комплексного вейвлет-преобразования двойного дерева (DT-CWT), были извлечены из непереходного отклика преамбулы сигналов 802.11a на основе OFDM в [6].
В этой статье анализируются нелинейности, присущие радиопередатчикам, и их можно извлечь как РЧ-отпечатки сигналов.В результате предлагается новый метод RF fingerprinting, основанный на энтропии многомерной перестановки. Мы разрабатываем систему сбора сигналов для сбора сигналов, и сигналы DSSS от тех же трех радиопередатчиков используются в экспериментах по идентификации. Результаты показывают, что предложенный метод эффективен при дифференциации отдельных передатчиков.
2. Предлагаемый метод
2.1. Механизм генерации RF Fingerprinting
Радиопередающее оборудование имеет сложную структуру и состоит из множества электронных устройств [7].Как показано на рисунке 1, сигнал основной полосы частот обрабатывается в блоке процессора цифровых сигналов и затем поступает в части аналоговой схемы. В частях аналоговых схем есть много нелинейных элементов и единичных схем. Примеры нелинейных элементов включают усилитель мощности, нелинейные резисторы, диоды, транзисторы и полевые лампы. Блоки схемы могут содержать операционные усилители, умножители, схемы абсолютных значений и так далее. Благодаря наличию этих нелинейных устройств сигналы связи имеют нелинейные компоненты.
Особые нелинейные компоненты возникают из-за эффекта допуска устройства, что означает, что есть несколько различий между передатчиками, произведенными одними и теми же производителями. Даже если передатчики имеют одинаковые режимы и производственные партии, фактические параметры устройств различны, такие как девиация частоты генератора, фазовый шум, ошибка модуляции, нелинейные искажения усилителя мощности и искажения фильтра. Эти аппаратные допуски являются материальной основой RF-отпечатков пальцев.В процессе проектирования схемы мы обычно рассматриваем возможность принятия некоторых мер для компенсации нелинейных допусков [8]. Но на самом деле, независимо от того, какая модель принята, во время создания модели должны быть некоторые ошибки, поэтому нелинейные составляющие сигнала не могут быть полностью устранены. Эти нелинейные компоненты неизбежно возникают непреднамеренно, и они происходят из-за физических дефектов в устройствах. Каждое передающее устройство имеет свои собственные характеристики по той причине, что эти дефекты индивидуальны и специфичны, поэтому их можно использовать в качестве радиочастотных отпечатков пальцев для идентификации радиопередатчиков [9].
2.2. Многомерная энтропия перестановок
Алгоритм перестановочной энтропии впервые был введен Кристофом Бандтом и Берндом Помпе. Энтропия перестановки является подходящей мерой сложности для хаотических временных рядов, и она чрезвычайно быстра и надежна по сравнению со всеми известными параметрами сложности, такими как скорость перехода через нуль и показатель Ляпунова [10]. Как метод анализа сигналов в нелинейной теории, он может извлекать и усиливать крошечные изменения во временных рядах и может быстро обнаруживать динамические мутации в сложных системах.Кроме того, он прост в реализации и обладает сильной противошумной способностью [11]. Его основной принцип заключается в следующем.
Ключом к алгоритму является реконструкция фазового пространства. Он может реконструировать одномерные временные ряды в векторы высокой размерности в многомерном пространстве состояний и найти правила движения, скрытые во всей системе. Затем рассмотрим дискретную временную последовательность, и ее реконструкция в фазовом пространстве может быть рассчитана следующим образом:
- размерность внедрения (), а - временная задержка.Переменная должна иметь значение. И компоненты могут быть ранжированы в порядке возрастания:
Если два значения равны, например, когда, они должны быть сначала упорядочены по значению. И тогда каждому соответствует перестановка:
Независимое число, поэтому количество способов расположения равно. В реконструированном фазовом пространстве предполагается, что существуют способы размещения, и вероятность каждой перестановки может быть записана как. Согласно определению энтропии Шеннона, энтропия перестановок определяется как
. Обычно ее можно нормализовать по формуле:
. Согласно определению, четко отражает случайность временных рядов по размерности.В приведенном выше процессе размер встраивания является очень важным параметром; Бандт и Помпе предполагают, что в [10] его следует оценивать от 3 до 7.
Радиопередатчик - это сложная система, которая содержит различные нелинейные характеристики от каждого аналогового модуля. Таким образом, мы не можем реконструировать полное фазовое пространство системы, используя только одно измерение. В статье предлагается улучшенный алгоритм энтропии перестановок, который учитывает множественные измерения. Улучшенная энтропия перестановок называется многомерной энтропией перестановок, и ее определение выглядит следующим образом.Многомерный вектор определен как
.
