KR101157377B1 - 적응형 최적 웨이블릿 함수 선택 방법 및 시스템 - Google Patents
적응형 최적 웨이블릿 함수 선택 방법 및 시스템 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.
Description
본 발명의 일실시예는 최적의 모 웨이블릿 함수를 선택하기 위한 방안에 관한 것이다.
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.
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.
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.
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.
본 발명의 일실시예는 다양한 변화상황에서 수집된 입력신호에 최적의 웨이블릿 함수를 적용함으로써, 사용성을 높일 수 있는 적응형 최적 웨이블릿 함수 선택 방법 및 시스템을 제공한다.
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.
본 발명의 일실시예는 입력신호에 대한 재현율을 높여 정밀도를 향상시킬 수 있는 적응형 최적 웨이블릿 함수 선택 방법 및 시스템을 제공한다.
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.
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.
상기 테이블 생성부는 상기 문턱값이 적용된 교차 상관 행렬을, 엔 그램 단위의 확률값으로 변환하여 상기 엔 그램 테이블을 생성할 수 있다.
상기 적응형 최적 웨이블릿 함수 선택 시스템은 상기 생성된 엔 그램 테이블에 기초하여 최적 웨이블릿 함수를 선택하는 함수 선택부를 더 포함할 수 있다.
상기 함수 선택부는 상기 생성된 엔 그램 테이블에 기초하여 상기 동적 조각구간별로 상기 최적 웨이블릿 함수를 선택할 수 있다.
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.
본 발명의 일실시예에 따르면, 다양한 변화상황에서 수집된 입력신호에 최적의 웨이블릿 함수를 적용함으로써, 사용성을 높일 수 있다.
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.
본 발명의 일실시예에 따르면, 입력신호에 대한 재현율을 높여 정밀도를 향상시킬 수 있다.
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.
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.
이하, 첨부 도면들 및 첨부 도면들에 기재된 내용들을 참조하여 본 발명의 다양한 실시예를 상세하게 설명하지만, 본 발명이 실시예에 의해 제한되거나 한정되는 것은 아니다.
도 1은 본 발명의 일실시예에 따른 적응형 최적 웨이블릿 함수 선택 시스템의 구성을 도시한 블록도이다.
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.
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.
도 2는 입력신호에 대한 전체 시간구간을 동적 조각구간으로 세분화하는 일례를 도시한 도면이다.
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.
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.
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.
테이블 생성부(130)는 상기 산출된 교차 상관계수를 이용하여 엔 그램 테이블을 생성한다.
도 3은 서로 상이한 입력신호에 따른 상관계수가 서로 상이한 패턴을 보이는 일례를 도시한 도면이다.
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.
도 4는 동적 조각구간별 모 웨이블릿 함수를 적용하는 일례를 도시한 도면이다.
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.
테이블 생성부(130)는 상기 산출된 교차 상관계수를 이용하여 교차 상관 행렬(N*M 행렬)을 생성할 수 있다.
도 5는 교차 상관계수를 이용하여 교차 상관 행렬을 생성하는 일례를 도시한 도면이다.
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.
도 6은 교차 상관계수를 이용하여 엔 그램 테이블을 생성하는 일례를 도시한 도면이다.
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.
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.
도 7은 본 발명의 일실시예에 따른 적응형 최적 웨이블릿 함수 선택 방법의 순서를 도시한 흐름도이다.
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.
단계 720에서, 적응형 최적 웨이블릿 함수 선택 시스템(100)은 상기 세분화한 동적 조각구간마다 모 웨이블릿 함수를 적용하여 상관계수를 산출할 수 있다.
단계 730에서, 적응형 최적 웨이블릿 함수 선택 시스템(100)은 산출된 상관계수 및 상기 동적 조각구간별 입력신호를 이용하여 교차 상관계수를 산출할 수 있다.
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.
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.
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.
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.
그러므로, 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
100: 적응형 최적 웨이블릿 함수 선택 시스템
110: 구간 세분화부
120: 계수 산출부
130: 테이블 생성부
140: 함수 선택부
110: 구간 세분화부
120: 계수 산출부
130: 테이블 생성부
140: 함수 선택부
Claims (9)
- 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 생성부
를 포함하는, 적응형 최적 웨이블릿 함수 선택 시스템. - 제1항에 있어서,
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. - 제2항에 있어서,
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. - 제1항에 있어서,
상기 생성된 엔 그램 테이블에 기초하여 최적 웨이블릿 함수를 선택하는 함수 선택부
를 더 포함하는, 적응형 최적 웨이블릿 함수 선택 시스템. - 제4항에 있어서,
상기 함수 선택부는,
상기 생성된 엔 그램 테이블에 기초하여 상기 동적 조각구간별로 상기 최적 웨이블릿 함수를 선택하는, 적응형 최적 웨이블릿 함수 선택 시스템. - 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 단계
를 포함하는, 적응형 최적 웨이블릿 함수 선택 방법. - 제6항에 있어서,
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. - 제7항에 있어서,
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. - 제6항에 있어서,
상기 생성된 엔 그램 테이블에 기초하여 상기 동적 조각구간별로 최적 웨이블릿 함수를 선택하는 단계
를 더 포함하는, 적응형 최적 웨이블릿 함수 선택 방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020100117851A KR101157377B1 (ko) | 2010-11-25 | 2010-11-25 | 적응형 최적 웨이블릿 함수 선택 방법 및 시스템 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020100117851A KR101157377B1 (ko) | 2010-11-25 | 2010-11-25 | 적응형 최적 웨이블릿 함수 선택 방법 및 시스템 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20120056364A KR20120056364A (ko) | 2012-06-04 |
KR101157377B1 true KR101157377B1 (ko) | 2012-06-20 |
Family
ID=46608523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020100117851A KR101157377B1 (ko) | 2010-11-25 | 2010-11-25 | 적응형 최적 웨이블릿 함수 선택 방법 및 시스템 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR101157377B1 (ko) |
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/ko 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 (ko) | 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 (zh) | 基于模糊熵的含噪信号处理方法及迭代奇异谱软阈值去噪方法 | |
CN109711278B (zh) | 一种低复杂度的脑电波信号压缩和分类方法 | |
CN105677035A (zh) | 基于eemd和小波阈值的运动想象脑电信号消噪方法 | |
WO2019041772A1 (zh) | 一种基于脑电信号的麻醉深度的监测方法及*** | |
CN115700544A (zh) | 一种联合经验模态分解及小波软阈值的色谱信号去噪方法 | |
CN108280464A (zh) | Dwt和emd融合近似熵的脑电特征提取方法 | |
CN112084845B (zh) | 基于多尺度小波系数自相关的低频1/f噪声消除方法 | |
Fu et al. | An Improved VMD‐Based Denoising Method for Time Domain Load Signal Combining Wavelet with Singular Spectrum Analysis | |
Vigneshwari et al. | Analysis of finger movements using EEG signal | |
CN112205990B (zh) | 一种基于sEMG的不同负载下手腕角度预测方法及装置 | |
CN112183407B (zh) | 一种基于时频域谱减法的隧道地震波数据去噪方法及*** | |
Qin et al. | Medical image enhancement method based on 2D empirical mode decomposition | |
KR101157377B1 (ko) | 적응형 최적 웨이블릿 함수 선택 방법 및 시스템 | |
Özaydın et al. | Speech enhancement using maximal overlap discrete wavelet transform | |
CN116392145A (zh) | 一种单通道脑电信号中眨眼伪影的去除方法 | |
CN106952272B (zh) | 一种基于二代小波变换的抗噪Otsu图像分割方法 | |
CN113827253A (zh) | 计算设备和从脑电信号中去除噪声的方法 | |
Singh et al. | Binary mask based method for enhancement of mixed noise speech of low SNR input | |
Thanki et al. | Advance compression and watermarking technique for speech signals | |
Wang et al. | A 2-D ECG compression algorithm based on modified SPIHT | |
CN1302454C (zh) | 语音识别的概率加权平均缺失特征数据重建方法 | |
KR102382538B1 (ko) | 표면 근전도 신호의 잡음 채널 검출 방법 | |
Hatamian et al. | Improving the Quality of ECG Signal Using Wavelet Transform and Adaptive Filters | |
Zhang et al. | Whale sound signal denoising based on SVMD and improved wavelet thresholding |
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 |