KR101157377B1 - Adaptive optimum wavelet function selected method and system - Google Patents
Adaptive optimum wavelet function selected method and system Download PDFInfo
- Publication number
- KR101157377B1 KR101157377B1 KR1020100117851A KR20100117851A KR101157377B1 KR 101157377 B1 KR101157377 B1 KR 101157377B1 KR 1020100117851 A KR1020100117851 A KR 1020100117851A KR 20100117851 A KR20100117851 A KR 20100117851A KR 101157377 B1 KR101157377 B1 KR 101157377B1
- Authority
- KR
- South Korea
- Prior art keywords
- wavelet function
- correlation coefficient
- gram
- function selection
- cross correlation
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
본 발명은 입력신호를 처리하기 위한, 최적의 모 웨이블릿 함수를 선택하는 적응형 최적 웨이블릿 함수 선택 방법 및 시스템에 관한 것이다. 적응형 최적 웨이블릿 함수 선택 시스템은 입력신호에 대한 전체 시간구간을 동적 조각구간으로 세분화하고, 상기 세분화한 동적 조각구간마다 모(mother) 웨이블릿 함수를 적용하여 상관계수를 산출하고, 상기 산출된 상관계수 및 상기 동적 조각구간별 입력신호를 이용하여 교차 상관계수를 산출하고, 상기 산출된 교차 상관계수를 이용하여 엔 그램(n-gram) 테이블을 생성함으로써, 엔 그램 테이블을 이용하여 최적 웨이블릿 함수를 선택할 수 있다.The present invention relates to an adaptive optimal wavelet function selection method and system for selecting an optimal parent wavelet function for processing an input signal. The adaptive optimal wavelet function selection system subdivides the entire time interval of the input signal into dynamic fragmentation sections, calculates a correlation coefficient by applying a mother wavelet function to each of the divided dynamic fragmentation sections, and calculates the correlation coefficient. And calculating a cross correlation coefficient using the input signal for each dynamic slice section, and generating an n-gram table using the calculated cross correlation coefficient to select an optimal wavelet function using the gram table. Can be.
Description
본 발명의 일실시예는 최적의 모 웨이블릿 함수를 선택하기 위한 방안에 관한 것이다.One embodiment of the present invention is directed to a method for selecting an optimal parent wavelet function.
웨이블릿 기반 기술은 BCI(Brain-Computer Interface), 이미지 처리, 통신 등 다양한 기술분야에서 사용되고 있다. 최적의 웨이블릿 함수를 선택하기 위해서는 다양한 주변환경에서 발생하는 신호의 패턴에 따라 적응적으로 적용할 수 있는 최적 웨이블릿 모(Mother) 웨이블릿 함수를 선택하는 것이다.Wavelet-based technology is used in various technical fields such as BCI (Brain-Computer Interface), image processing, communication. In order to select an optimal wavelet function, an optimal wavelet mother wavelet function that can be adaptively applied according to a signal pattern generated in various environments is selected.
예를 들어, 개인별 뇌신호(뇌파)를 수집하여 분석할 때, 개인별 신호의 패턴이 다를 수 있다. 또한 개인 한명에 대해서도 연속적인 신호 전체 구간을 세부 구간으로 나누었을 때 세부 구간에 대한 최적 모 웨이블릿 수가 다른 패턴으로 나타날 수 있다. For example, when collecting and analyzing individual brain signals (EEGs), the patterns of the individual signals may be different. In addition, when the entire continuous signal section is divided into subdivision sections, the optimal number of wavelets for the subdivision section may also appear in different patterns.
웨이블릿 변환을 위해서는 모(Mother) 웨이블릿을 사용하여 분석을 수행하는데, db, bior, rbio 등 다양한 모 웨이블릿 함수가 존재한다. 기존에는 뇌신호처리, 이미지 처리 등 다양한 신호처리기법이 있고, 지속적으로 연구하고 있는데, 이들 대부분은 웨이블릿 기반 신호 분석을 위해서 하나의 모 웨이블릿 함수를 개발자 자신이 스스로 선택하여 최적의 모웨이블릿 함수를 눈으로 확인하여 선택하였다. 이는, 다양한 변화상황에서 수집된 신호에 대해서 개발된 기술을 적용할 수 없어 재사용성이 낮아지는 문제점이 있다.For wavelet transformation, the analysis is performed using mother wavelets. There are various wavelet functions such as db, bior, and rbio. In the past, there are various signal processing techniques such as brain signal processing and image processing, and many of them are continuously researched. Most of them use a single wavelet function for the analysis of wavelet-based signals, and the developer himself selects the optimal wavelet function. Confirmed and selected. This is a problem that the reusability is lowered because the developed technology cannot be applied to signals collected in various changes.
또한, 특정 상황에서 수집된 신호에 대해서라도 수집한 연속적인 신호 전체 내에서 특정 구간마다 최적의 모 웨이블릿 함수가 달라 질 수 있는데, 종래에는 이러한 접근이 이루어지지 않고 있다.In addition, even for a signal collected in a specific situation, an optimal mother wavelet function may vary for each specific section within the entire continuous signal collected, but this approach has not been conventionally made.
본 발명의 일실시예는 다양한 변화상황에서 수집된 입력신호에 최적의 웨이블릿 함수를 적용함으로써, 사용성을 높일 수 있는 적응형 최적 웨이블릿 함수 선택 방법 및 시스템을 제공한다.One embodiment of the present invention provides an adaptive optimal wavelet function selection method and system which can improve usability by applying an optimal wavelet function to an input signal collected under various changes.
본 발명의 일실시예는 전체 시간구간을 동적 조각구간으로 세분화하여, 세분화된 동적 조각구간별로 최적 웨이블릿 함수를 적용함으로써, 뇌신호, 뇌이미징 등 다양한 신호처리를 효과적으로 처리할 수 있는 적응형 최적 웨이블릿 함수 선택 방법 및 시스템을 제공한다.An embodiment of the present invention is an adaptive optimal wavelet that can effectively process a variety of signal processing, such as brain signals, brain imaging by applying the optimal wavelet function by subdividing the entire time period into dynamic fragmentation section, each segmented dynamic fragmentation section Provides a method and system for function selection.
본 발명의 일실시예는 입력신호에 대한 재현율을 높여 정밀도를 향상시킬 수 있는 적응형 최적 웨이블릿 함수 선택 방법 및 시스템을 제공한다.One embodiment of the present invention provides a method and system for selecting an adaptive optimal wavelet function that can improve accuracy by increasing a recall of an input signal.
본 발명의 일실시예에 따른 적응형 최적 웨이블릿 함수 선택 시스템은 입력신호에 대한 전체 시간구간을 동적 조각구간으로 세분화하는 구간 세분화부, 상기 세분화한 동적 조각구간마다 모(mother) 웨이블릿 함수를 적용하여 상관계수를 산출하고, 상기 산출된 상관계수 및 상기 동적 조각구간별 입력신호를 이용하여 교차 상관계수를 산출하는 계수 산출부, 및 상기 산출된 교차 상관계수를 이용하여 엔 그램(n-gram) 테이블을 생성하는 테이블 생성부를 포함한다.In the adaptive optimal wavelet function selection system according to an embodiment of the present invention, a segmentation unit for subdividing an entire time section of an input signal into a dynamic fragment section and a mother wavelet function for each of the divided dynamic fragment sections are applied. A coefficient calculation unit for calculating a correlation coefficient and calculating a cross correlation coefficient using the calculated correlation coefficient and the input signal for each dynamic fragment section, and an n-gram table using the calculated cross correlation coefficient. It includes a table generator for generating a.
상기 테이블 생성부는 상기 산출된 교차 상관계수를 이용하여 교차 상관 행렬을 생성하고, 상기 생성된 교차 상관 행렬에 선정된 문턱값을 적용하여 상기 엔 그램 테이블을 생성할 수 있다.The table generator may generate a cross correlation matrix using the calculated cross correlation coefficient, and generate the gram table by applying a threshold value selected to the generated cross correlation matrix.
상기 테이블 생성부는 상기 문턱값이 적용된 교차 상관 행렬을, 엔 그램 단위의 확률값으로 변환하여 상기 엔 그램 테이블을 생성할 수 있다.The table generator may generate the gram table by converting the cross correlation matrix to which the threshold is applied, into probability values in gram units.
상기 적응형 최적 웨이블릿 함수 선택 시스템은 상기 생성된 엔 그램 테이블에 기초하여 최적 웨이블릿 함수를 선택하는 함수 선택부를 더 포함할 수 있다.The adaptive optimal wavelet function selection system may further include a function selector for selecting an optimal wavelet function based on the generated table.
상기 함수 선택부는 상기 생성된 엔 그램 테이블에 기초하여 상기 동적 조각구간별로 상기 최적 웨이블릿 함수를 선택할 수 있다.The function selector may select the optimal wavelet function for each dynamic fragment section based on the generated gram table.
본 발명의 일실시예에 따른 적응형 최적 웨이블릿 함수 선택 방법은 입력신호에 대한 전체 시간구간을 세분화한 동적 조각구간마다 모(mother) 웨이블릿 함수를 적용하여 상관계수를 산출하는 단계, 상기 산출된 상관계수 및 상기 동적 조각구간별 입력신호를 이용하여 교차 상관계수를 산출하는 단계, 및 상기 산출된 교차 상관계수를 이용하여 엔 그램(n-gram) 테이블을 생성하는 단계를 포함한다.In the adaptive optimal wavelet function selection method according to an embodiment of the present invention, a method of calculating a correlation coefficient by applying a mother wavelet function for each dynamic fragmentation segmented by subdividing an entire time interval for an input signal, the calculated correlation Calculating a cross correlation coefficient using a coefficient and an input signal for each dynamic fragment section, and generating an n-gram table using the calculated cross correlation coefficient.
본 발명의 일실시예에 따르면, 다양한 변화상황에서 수집된 입력신호에 최적의 웨이블릿 함수를 적용함으로써, 사용성을 높일 수 있다.According to an embodiment of the present invention, usability may be improved by applying an optimal wavelet function to the input signals collected in various changes.
본 발명의 일실시예에 따르면, 전체 시간구간을 동적 조각구간으로 세분화하여, 세분화된 동적 조각구간별로 최적 웨이블릿 함수를 적용함으로써, 뇌신호, 뇌이미징 등 다양한 신호처리를 효과적으로 처리할 수 있다.According to an embodiment of the present invention, by subdividing the entire time interval into dynamic fragments, and applying the optimal wavelet function for each of the fragmented dynamic fragments, it is possible to effectively process various signal processing such as brain signals, brain imaging.
본 발명의 일실시예에 따르면, 입력신호에 대한 재현율을 높여 정밀도를 향상시킬 수 있다.According to one embodiment of the present invention, it is possible to improve the accuracy by increasing the reproducibility of the input signal.
도 1은 본 발명의 일실시예에 따른 적응형 최적 웨이블릿 함수 선택 시스템의 구성을 도시한 블록도이다.
도 2는 입력신호에 대한 전체 시간구간을 동적 조각구간으로 세분화하는 일례를 도시한 도면이다.
도 3은 서로 상이한 입력신호에 따른 상관계수가 서로 상이한 패턴을 보이는 일례를 도시한 도면이다.
도 4는 동적 조각구간별 모 웨이블릿 함수를 적용하는 일례를 도시한 도면이다.
도 5는 교차 상관계수를 이용하여 교차 상관 행렬을 생성하는 일례를 도시한 도면이다.
도 6은 교차 상관계수를 이용하여 엔 그램 테이블을 생성하는 일례를 도시한 도면이다.
도 7은 본 발명의 일실시예에 따른 적응형 최적 웨이블릿 함수 선택 방법의 순서를 도시한 흐름도이다.1 is a block diagram illustrating a configuration of an adaptive optimal wavelet function selection system according to an embodiment of the present invention.
2 is a diagram illustrating an example of subdividing an entire time period with respect to an input signal into a dynamic engraving section.
3 is a diagram illustrating an example in which a correlation coefficient according to different input signals is different from each other.
4 is a diagram illustrating an example of applying a mother wavelet function for each dynamic fragment section.
5 illustrates an example of generating a cross correlation matrix using a cross correlation coefficient.
FIG. 6 illustrates an example of generating an gram table by using a cross correlation coefficient.
7 is a flowchart illustrating a procedure of an adaptive optimal wavelet function selection method according to an embodiment of the present invention.
이하, 첨부 도면들 및 첨부 도면들에 기재된 내용들을 참조하여 본 발명의 다양한 실시예를 상세하게 설명하지만, 본 발명이 실시예에 의해 제한되거나 한정되는 것은 아니다.Hereinafter, various embodiments of the present invention will be described in detail with reference to the accompanying drawings and accompanying drawings, but the present invention is not limited to or limited by the embodiments.
도 1은 본 발명의 일실시예에 따른 적응형 최적 웨이블릿 함수 선택 시스템의 구성을 도시한 블록도이다.1 is a block diagram illustrating a configuration of an adaptive optimal wavelet function selection system according to an embodiment of the present invention.
도 1을 참고하면, 적응형 최적 웨이블릿 함수 선택 시스템(100)은 구간 세분화부(110), 계수 산출부(120), 테이블 생성부(130) 및 함수 선택부(140)를 포함할 수 있다.Referring to FIG. 1, the adaptive optimal wavelet
구간 세분화부(110)는 입력신호에 대한 전체 시간구간을 동적 조각구간으로 세분화한다. 입력신호는 뇌파 등 사람의 신체로부터 측정된 신호일 수 있다. 이러한, 입력신호는 다양한 주변환경에서 발생하는 잡음으로 인해, 신호 패턴이 달라질 수 있다. 즉, 동일한 사람이더라도, 시간에 따라 특성이 모두 동일하지 않으므로, 구간 세분화부(110)는 입력신호에 대한 전체 시간구간을 세부 단위인 동적 조각구간으로 조각낼 수 있다. 동적 조각구간은 동적으로 변화시킬 수 있다.The interval segmentation unit 110 subdivides the entire time interval for the input signal into dynamic fragmentation intervals. The input signal may be a signal measured from a human body such as brain waves. The input signal may have a different signal pattern due to noise generated in various surrounding environments. That is, even if the same person, the characteristics are not all the same according to time, the section segmentation unit 110 may slice the entire time interval for the input signal into a dynamic fragment section, which is a detailed unit. Dynamic slices can be changed dynamically.
도 2는 입력신호에 대한 전체 시간구간을 동적 조각구간으로 세분화하는 일례를 도시한 도면이다.2 is a diagram illustrating an example of subdividing an entire time period with respect to an input signal into a dynamic engraving section.
도 2를 참조하면, 구간 세분화부(110)는 전체 시간구간 'T'인 입력신호에 대하여, t1부터 tn까지의 동적 조각구간으로 세분화한다. 종래에는 db1, db2 등 모 웨이블릿 함수 하나만 전체 시간구간에 적용하여 입력신호의 전처리, 분류, 군집 등에 대한 연구가 대부분이었다. 따라서, 종래에는 다양한 주변환경(사람 개개인, 신호간섭환경 등)의 영향에 따라 일정한 결과를 제시할 수 없다는 문제점이 있다.Referring to FIG. 2, the section segmentation unit 110 subdivides a dynamic fragment section from t 1 to t n for an input signal having a total time section 'T'. In the past, only one wavelet function such as db1 and db2 was applied to the entire time interval, and most of the studies were conducted on preprocessing, classification, and clustering of input signals. Therefore, conventionally, there is a problem in that a certain result cannot be presented according to the influence of various surrounding environments (individual individuals, signal interference environments, etc.).
따라서, 본 발명에서는 전체 시간구간 'T'를 동적인 조각 단위인 동적 조각구간으로 나누어, 각 동적 조각구간별로 최적의 모 웨이블릿 함수를 찾는 방법을 제시한다. 각 동적 조각구간에 대해서 최적의 모 웨이블릿 함수를 찾기 위해서는 엔 그램(n-gram) 기반의 확률 테이블을 이용하여 최적의 모 웨이블릿 함수를 선택할 수 있다.Therefore, the present invention proposes a method for finding an optimal parent wavelet function for each dynamic fragment by dividing the entire time interval 'T' into a dynamic fragment, which is a dynamic fragment. In order to find the optimal parent wavelet function for each dynamic fragment, an optimal parent wavelet function can be selected using an gram-based probability table.
이를 위해, 계수 산출부(120)는 상기 세분화한 동적 조각구간마다 모(mother) 웨이블릿 함수를 적용하여 상관계수(correlation coefficient)를 산출한다. 또한, 계수 산출부(120)는 상기 산출된 상관계수 및 상기 동적 조각구간별 입력신호를 이용하여 교차 상관계수를 산출한다.To this end, the
테이블 생성부(130)는 상기 산출된 교차 상관계수를 이용하여 엔 그램 테이블을 생성한다.The table generator 130 generates an gram table by using the calculated cross correlation coefficient.
도 3은 서로 상이한 입력신호에 따른 상관계수가 서로 상이한 패턴을 보이는 일례를 도시한 도면이다.3 is a diagram illustrating an example in which a correlation coefficient according to different input signals is different from each other.
도 3을 참조하면, 상단의 입력신호에 대해서 웨이블릿 기반 분석을 수행하였을 때, 모 웨이블릿 함수 db2(310), bior1.1(320)에 대해서 상관계수가 다른 패턴을 보임을 볼 수 있다. 즉, 도 3을 보면, db2(310)의 모 웨이블릿 함수가 분석에 사용된 입력신호에 더 적합함을 알 수 있다. 예를 들어, 실생활의 입력신호는 위 그림의 입력신호와 같이 단순한 패턴이 아니기 때문에 수집된 전체 시간구간 'T'의 각 구간마다 최적의 모 웨이블릿 함수가 다를 것이다. 이러한 이유로 세부구간별 최적의 모 웨이블릿 함수를 선택하는 기법이 필요하다.Referring to FIG. 3, when wavelet-based analysis is performed on the upper input signal, it can be seen that different correlation coefficients are shown for the mother
도 4는 동적 조각구간별 모 웨이블릿 함수를 적용하는 일례를 도시한 도면이다.4 is a diagram illustrating an example of applying a mother wavelet function for each dynamic fragment section.
도 4를 참조하면, 구간 세분화부(110)는 입력신호(410 내지 440)에 대한 전체 시간구간 'T'를 동적 조각구간(1 segment, 2 segment, ... N segment, N은 자연수)으로 세분화한다. 동적 조각구간은 전체 시간구간 'T'에 대해서 균등하게, 또는 비균등한 사이즈로 구분할 수 있다. 또한, 동적 조각구간은 동적인 사이즈로 구분할 수 있다. 예를 들어, 1 segment의 크기는 '10', 2 segment의 크기는 '30', 3 segment의 크기는 '10', 4 segment의 크기는 '100'으로 세분화 할 수 있다. 이때, 각 segment의 크기의 총합은 전체 시간구간인 'T' 크기만큼이다. 그리고, 웨이블릿 기반으로 분석할 수 있는 모 웨이블릿 함수 리스트가 있다. DWT(Discrete Wavelet Transform) 및 CWT(Continuous Wavelet Transform) 분석을 제안된 모 웨이블릿 함수들(MW)은 약 50여 개 이상이 존재한다.Referring to FIG. 4, the section segmentation unit 110 converts the entire time interval 'T' for the
테이블 생성부(130)는 상기 산출된 교차 상관계수를 이용하여 교차 상관 행렬(N*M 행렬)을 생성할 수 있다.The table generator 130 may generate a cross correlation matrix (N * M matrix) using the calculated cross correlation coefficient.
도 5는 교차 상관계수를 이용하여 교차 상관 행렬을 생성하는 일례를 도시한 도면이다.5 illustrates an example of generating a cross correlation matrix using a cross correlation coefficient.
도 5를 참조하면, 테이블 생성부(130)는 상기 산출된 교차 상관계수를 이용하여 교차 상관 행렬을 생성할 수 있다. 하나의 동적 조각구간은 128 개의 샘플을 포함할 수 있다. 따라서, 테이블 생성부(130)는 상기 생성된 교차 상관 행렬에 문턱값을 적용하여 상기 엔 그램 테이블을 생성할 수 있다.Referring to FIG. 5, the table generator 130 may generate a cross correlation matrix using the calculated cross correlation coefficient. One dynamic segment may contain 128 samples. Accordingly, the table generator 130 may generate the gram table by applying a threshold to the generated cross correlation matrix.
도 6은 교차 상관계수를 이용하여 엔 그램 테이블을 생성하는 일례를 도시한 도면이다.FIG. 6 illustrates an example of generating an gram table by using a cross correlation coefficient.
도 6을 참조하면, 테이블 생성부(130)는 상기 엔 그램 테이블을 생성하기 위해, 상기 생성된 교차 상관 행렬에 선정된 문턱값(threshold)을 적용한 후, 엔 그램 단위의 확률값으로 변환할 수 있다. 도 6은 'bi-gram'에 대한 테이블 구성 예시를 나타낸다. 'bi-gram'이란 이전 터미널 노드와 이후 터미널 노드 간의 발생 확률값을 나타내는데, 이후 터미널 노드를 하나만 고려하여 발생 확률 테이블로 구성하는 것을 말한다.Referring to FIG. 6, in order to generate the gram table, the table generator 130 may apply a threshold selected to the generated cross-correlation matrix and then convert it into probability values in gram units. . 6 shows an example of a table configuration for 'bi-gram'. 'bi-gram' represents an occurrence probability value between a previous terminal node and a subsequent terminal node. The bi-gram is configured to generate an occurrence probability table considering only one terminal node.
함수 선택부(140)는 상기 생성된 엔 그램 테이블에 기초하여 최적 웨이블릿 함수를 선택할 수 있다. 즉, 함수 선택부(140)는 상기 생성된 엔 그램 테이블에 기초하여 상기 동적 조각구간별로 상기 최적 웨이블릿 함수를 선택할 수 있다. 따라서, 적응형 최적 웨이블릿 함수 선택 시스템(100)은 동적 조각구간별로 최적 웨이블릿 함수를 다르게 적용함으로써, 뇌신호, 뇌이미징 등 다양한 신호처리를 효과적으로 처리할 수 있다.The
도 7은 본 발명의 일실시예에 따른 적응형 최적 웨이블릿 함수 선택 방법의 순서를 도시한 흐름도이다.7 is a flowchart illustrating a procedure of an adaptive optimal wavelet function selection method according to an embodiment of the present invention.
단계 710에서, 적응형 최적 웨이블릿 함수 선택 시스템(100)은 입력신호에 대한 전체 시간구간을 동적 조각구간으로 세분화한다. 입력신호는 단순한 패턴이 아니기 때문에, 입력신호의 전체구간 'T'를 동적 조각구간인 segment로 세분화하여, 세분화된 동적 조각구간마다 최적의 모 웨이블릿 함수를 적용할 필요가 있다.In
단계 720에서, 적응형 최적 웨이블릿 함수 선택 시스템(100)은 상기 세분화한 동적 조각구간마다 모 웨이블릿 함수를 적용하여 상관계수를 산출할 수 있다.In
단계 730에서, 적응형 최적 웨이블릿 함수 선택 시스템(100)은 산출된 상관계수 및 상기 동적 조각구간별 입력신호를 이용하여 교차 상관계수를 산출할 수 있다.In
단계 740에서, 적응형 최적 웨이블릿 함수 선택 시스템(100)은 상기 산출된 교차 상관계수를 이용하여 엔 그램 테이블을 생성할 수 있다. 예컨대, 적응형 최적 웨이블릿 함수 선택 시스템(100)은 상기 산출된 교차 상관계수를 이용하여 교차 상관 행렬을 생성하고, 상기 생성된 교차 상관 행렬에 선정된 문턱값을 적용하여 상기 엔 그램 테이블을 생성할 수 있다. 적응형 최적 웨이블릿 함수 선택 시스템(100)은 상기 문턱값이 적용된 교차 상관 행렬을, 엔 그램 단위의 확률값으로 변환하여 상기 엔 그램 테이블을 생성할 수 있다.In
단계 750에서, 적응형 최적 웨이블릿 함수 선택 시스템(100)은 상기 생성된 엔 그램 테이블에 기초하여 최적 웨이블릿 함수를 선택할 수 있다. 즉, 적응형 최적 웨이블릿 함수 선택 시스템(100)은 상기 생성된 엔 그램 테이블에 기초하여 상기 동적 조각구간별로 상기 최적 웨이블릿 함수를 선택할 수 있다.In
본 발명의 실시 예에 따른 방법들은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. The methods according to embodiments of the present invention may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer readable medium may include program instructions, data files, data structures, etc. alone or in combination. The program instructions recorded on the medium may be those specially designed and constructed for the present invention or may be available to those skilled in the art of computer software.
이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.As described above, the present invention has been described by way of limited embodiments and drawings, but the present invention is not limited to the above embodiments, and those skilled in the art to which the present invention pertains various modifications and variations from such descriptions. This is possible.
그러므로, 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.Therefore, the scope of the present invention should not be limited to the described embodiments, but should be determined by the equivalents of the claims, as well as the claims.
100: 적응형 최적 웨이블릿 함수 선택 시스템
110: 구간 세분화부
120: 계수 산출부
130: 테이블 생성부
140: 함수 선택부100: Adaptive Optimal Wavelet Function Selection System
110: section segmentation unit
120: coefficient calculation unit
130: table generation unit
140: function selection unit
Claims (9)
상기 세분화한 동적 조각구간마다 모(mother) 웨이블릿 함수를 적용하여 상관계수를 산출하고, 상기 산출된 상관계수 및 상기 동적 조각구간별 입력신호를 이용하여 교차 상관계수를 산출하는 계수 산출부; 및
상기 산출된 교차 상관계수를 이용하여 엔 그램(n-gram) 테이블을 생성하는 테이블 생성부
를 포함하는, 적응형 최적 웨이블릿 함수 선택 시스템.An interval subdivision unit for subdividing the entire time interval for the input signal into dynamic fragmentation intervals;
A coefficient calculator for calculating a correlation coefficient by applying a mother wavelet function to each of the divided dynamic fragment sections, and calculating a cross correlation coefficient using the calculated correlation coefficient and the input signal for each dynamic fragment section; And
A table generator for generating an n-gram table using the calculated cross correlation coefficient
The adaptive optimal wavelet function selection system comprising a.
상기 테이블 생성부는,
상기 산출된 교차 상관계수를 이용하여 교차 상관 행렬을 생성하고, 상기 생성된 교차 상관 행렬에 선정된 문턱값을 적용하여 상기 엔 그램 테이블을 생성하는, 적응형 최적 웨이블릿 함수 선택 시스템.The method of claim 1,
The table generator,
And generating a cross-correlation matrix using the calculated cross-correlation coefficient and applying the selected threshold to the generated cross-correlation matrix to generate the gram table.
상기 테이블 생성부는,
상기 문턱값이 적용된 교차 상관 행렬을, 엔 그램 단위의 확률값으로 변환하여 상기 엔 그램 테이블을 생성하는, 적응형 최적 웨이블릿 함수 선택 시스템.The method of claim 2,
The table generator,
And converting the cross correlation matrix to which the threshold is applied to a probability value in gram units to generate the gram table.
상기 생성된 엔 그램 테이블에 기초하여 최적 웨이블릿 함수를 선택하는 함수 선택부
를 더 포함하는, 적응형 최적 웨이블릿 함수 선택 시스템.The method of claim 1,
A function selection unit for selecting an optimal wavelet function based on the generated gram table
The adaptive optimal wavelet function selection system further comprising.
상기 함수 선택부는,
상기 생성된 엔 그램 테이블에 기초하여 상기 동적 조각구간별로 상기 최적 웨이블릿 함수를 선택하는, 적응형 최적 웨이블릿 함수 선택 시스템.The method of claim 4, wherein
The function selection unit,
The adaptive optimal wavelet function selection system for selecting the optimal wavelet function for each dynamic fragment interval based on the generated grammar table.
상기 산출된 상관계수 및 상기 동적 조각구간별 입력신호를 이용하여 교차 상관계수를 산출하는 단계; 및
상기 산출된 교차 상관계수를 이용하여 엔 그램(n-gram) 테이블을 생성하는 단계
를 포함하는, 적응형 최적 웨이블릿 함수 선택 방법.Calculating a correlation coefficient by applying a mother wavelet function for each dynamic fragmentation interval subdividing the entire time interval for the input signal;
Calculating a cross correlation coefficient using the calculated correlation coefficient and the input signal for each dynamic fragment section; And
Generating an n-gram table using the calculated cross correlation coefficient
The adaptive optimal wavelet function selection method comprising a.
상기 엔 그램 테이블을 생성하는 단계는,
상기 산출된 교차 상관계수를 이용하여 교차 상관 행렬을 생성하는 단계; 및
상기 생성된 교차 상관 행렬에 문턱값을 적용하여 상기 엔 그램 테이블을 생성하는 단계
를 포함하는, 적응형 최적 웨이블릿 함수 선택 방법.The method of claim 6,
Generating the gram table,
Generating a cross correlation matrix using the calculated cross correlation coefficient; And
Generating the gram table by applying a threshold to the generated cross correlation matrix;
The adaptive optimal wavelet function selection method comprising a.
상기 엔 그램 테이블을 생성하는 단계는,
상기 문턱값이 적용된 교차 상관 행렬을, 엔 그램 단위의 확률값으로 변환하여 상기 엔 그램 테이블을 생성하는 단계
를 포함하는, 적응형 최적 웨이블릿 함수 선택 방법.The method of claim 7, wherein
Generating the gram table,
Generating the gram table by converting the cross correlation matrix to which the threshold is applied, into probability values in gram units.
The adaptive optimal wavelet function selection method comprising a.
상기 생성된 엔 그램 테이블에 기초하여 상기 동적 조각구간별로 최적 웨이블릿 함수를 선택하는 단계
를 더 포함하는, 적응형 최적 웨이블릿 함수 선택 방법.The method of claim 6,
Selecting an optimal wavelet function for each dynamic fragment section based on the generated gram table;
The adaptive optimal wavelet function selection method further comprising.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020100117851A KR101157377B1 (en) | 2010-11-25 | 2010-11-25 | Adaptive optimum wavelet function selected method and system |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020100117851A KR101157377B1 (en) | 2010-11-25 | 2010-11-25 | Adaptive optimum wavelet function selected method and system |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20120056364A KR20120056364A (en) | 2012-06-04 |
| KR101157377B1 true KR101157377B1 (en) | 2012-06-20 |
Family
ID=46608523
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020100117851A KR101157377B1 (en) | 2010-11-25 | 2010-11-25 | Adaptive optimum wavelet function selected method and system |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101157377B1 (en) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090092333A1 (en) | 2003-11-10 | 2009-04-09 | Metropolis Data Consultants Limited | Digital signal processing with improved mapping |
-
2010
- 2010-11-25 KR KR1020100117851A patent/KR101157377B1/en active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090092333A1 (en) | 2003-11-10 | 2009-04-09 | Metropolis Data Consultants Limited | Digital signal processing with improved mapping |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20120056364A (en) | 2012-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Üstündağ et al. | Denoising of weak ECG signals by using wavelet analysis and fuzzy thresholding | |
| CN107688120A (en) | Signals and associated noises processing method and iteration singular spectrum Soft-threshold Denoising Method based on fuzzy entropy | |
| CN109711278B (en) | Low-complexity brain wave signal compression and classification method | |
| CN105677035A (en) | EEMD (Ensemble Empirical Mode Decomposition) and wavelet threshold based motor imagery electroencephalogram signal denoising method | |
| WO2019041772A1 (en) | Electroencephalogram signal-based anesthesia depth monitoring method and system | |
| Nieblas et al. | High performance heart sound segmentation algorithm based on matching pursuit | |
| CN108280464A (en) | The brain electrical feature extracting method of DWT and EMD fusion approximate entropies | |
| CN113723171A (en) | Electroencephalogram signal denoising method based on residual error generation countermeasure network | |
| CN112084845B (en) | Low-frequency 1/f noise elimination method based on multi-scale wavelet coefficient autocorrelation | |
| CN115700544A (en) | Chromatographic signal denoising method combining empirical mode decomposition and wavelet soft threshold | |
| Fu et al. | An Improved VMD‐Based Denoising Method for Time Domain Load Signal Combining Wavelet with Singular Spectrum Analysis | |
| CN114403897A (en) | Human body fatigue detection method and system based on electroencephalogram signals | |
| Vigneshwari et al. | Analysis of finger movements using EEG signal | |
| CN112205990B (en) | Wrist angle prediction method and device based on sEMG under different loads | |
| CN112183407B (en) | Tunnel seismic wave data denoising method and system based on time-frequency domain spectral subtraction | |
| Qin et al. | Medical image enhancement method based on 2D empirical mode decomposition | |
| KR101157377B1 (en) | Adaptive optimum wavelet function selected method and system | |
| Özaydın et al. | Speech enhancement using maximal overlap discrete wavelet transform | |
| CN116392145A (en) | Method for removing blink artifacts in single-channel electroencephalogram signals | |
| CN109712639A (en) | A kind of audio collecting system and method based on wavelet filter | |
| Strazza et al. | Pcg-decompositor: A new method for fetal phonocardiogram filtering based on wavelet transform multi-level decomposition | |
| Chavan et al. | Improved EEG signal processing with wavelet based multiscale PCA algorithm | |
| CN106952272B (en) | A kind of anti-noise Otsu image segmentation method based on two generation wavelet transformations | |
| CN113827253A (en) | Computing device and method for removing noise from electroencephalogram signals | |
| Thanki et al. | Advance compression and watermarking technique for speech signals |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20150528 Year of fee payment: 4 |
|
| FPAY | Annual fee payment |
Payment date: 20160419 Year of fee payment: 5 |
|
| FPAY | Annual fee payment |
Payment date: 20170328 Year of fee payment: 6 |
|
| FPAY | Annual fee payment |
Payment date: 20180406 Year of fee payment: 7 |
|
| FPAY | Annual fee payment |
Payment date: 20190325 Year of fee payment: 8 |