немного заблудился в теории. Подскажите, каким методом можно отличить сигнал от шума? (зеленые точки — просто опорные для себя в редакторе ставил).
Дисперсия/Вариабельность здесь не работает, поскольку высокоамплитудный сигнал будет давать те же значения как и низкоамплитудный шум.
Нужна какая-то характеристика плотности/равномерности заполнения.
Как вариант, суммировать количество точек в проекции на ось Y и оценивать равномерность полученного ряда. Но может есть какой-то стандартный статпоказатель?
Здравствуйте, pva, Вы писали:
pva>Как вариант, суммировать количество точек в проекции на ось Y и оценивать равномерность полученного ряда. Но может есть какой-то стандартный статпоказатель?
В твоем случае спектр сработает — спектры шума и сигнала будут ну очень разные.
Здравствуйте, pva, Вы писали:
pva>Как вариант, суммировать количество точек в проекции на ось Y и оценивать равномерность полученного ряда. Но может есть какой-то стандартный статпоказатель?
Если сигнал шифрованный длинным ключом неизвестной длины с частотной модуляцией, как сигналы военных каналов ГЛОНАСС и GPS, то они выглядят как шум и при этом устойчивее к воздействию РЭБ
Здравствуйте, pva, Вы писали:
pva>Дисперсия/Вариабельность здесь не работает, поскольку высокоамплитудный сигнал будет давать те же значения как и низкоамплитудный шум. pva>Нужна какая-то характеристика плотности/равномерности заполнения.
Частотная характеристика. Сигнал (в твоем понимании) будет занимать узкую полосу или несколько их. Шум будет более-менее равномерно размазан.
Но, примечание, я не знаю, какова природа твоего источника сигнала, но любой зашифрованный (или даже просто закомпрессованный) сигнал будет выглядеть, как шум. Любоая современная крутая модуляция выдает шумоподобный сигнал, но укладывающийся в отведенный диапазон.
Здравствуйте, pva, Вы писали:
pva>Привет,
pva>немного заблудился в теории. Подскажите, каким методом можно отличить сигнал от шума? (зеленые точки — просто опорные для себя в редакторе ставил).
Дык тебе ЦОС нужна.
pva>Нужна какая-то характеристика плотности/равномерности заполнения.
Эта характеристика называется АЧХ. У белого шума это будет в среднем ровная линия. Получить АЧХ можно с помощью БПФ.
Потом — автокорреляция как вариант.
Задача то практическая какая? То что ты нарисовал — это вообще говоря не факт, что зеленым — шум. Может, у тебя вообще есть задача тупо детектировать наличие какой-то синусоиды с известной частотой. Тогда вообще все просто.
Здравствуйте, Vzhyk2, Вы писали:
pva>>Как вариант, суммировать количество точек в проекции на ось Y и оценивать равномерность полученного ряда. Но может есть какой-то стандартный статпоказатель? V>В твоем случае спектр сработает — спектры шума и сигнала будут ну очень разные.
Кстати, да.. можно FFT попробовать. Но по сути, я получу тот же вектор, в котором нужно будет делать оценку.
И что делать если частота полезного сигнала а) колеблется, б) меньше сканирующего окна? Допустим, в окно попадает 1-2 волны.
Кстати, а можно как-то определить границы зашумленного сигнала? Окно с перекрытием (например, ширина — 10с, а шаг — 1с)? Или есть еще какие-то методы?
Здравствуйте, Maniacal, Вы писали:
M>Если сигнал шифрованный длинным ключом неизвестной длины с частотной модуляцией, как сигналы военных каналов ГЛОНАСС и GPS, то они выглядят как шум и при этом устойчивее к воздействию РЭБ Не, таких сложностей у меня нет. Только гражданское применение.
Здравствуйте, viellsky, Вы писали:
V>Задача то практическая какая?
Ну вот, анализ дыхания пациентов с апноэ, например. На фоне общих шумов будет периодический сигнал: вдох-задержка-выдох-задержка. При этом частота дыхания и задержек — вариабельна в зависимости от нагрузки и т.д. Шумы тоже имеют различную природу. И вопрос сейчас даже не в фильтрации, а в выделении участков где анализ нецелесообразен вообще.
Здравствуйте, pva, Вы писали:
pva>Ну вот, анализ дыхания пациентов с апноэ, например. На фоне общих шумов будет периодический сигнал: вдох-задержка-выдох-задержка. При этом частота дыхания и задержек — вариабельна в зависимости от нагрузки и т.д. Шумы тоже имеют различную природу. И вопрос сейчас даже не в фильтрации, а в выделении участков где анализ нецелесообразен вообще.
Как понимаю стоит датчик (чего-то), который выдает значения.
Опрашиваешь его с какой-то частотой, получаешь выборку во временнОм домене. Применяешь БПФ — получаешь выборку в частотном домене (АЧХ). Дыхание пациента будет лежать в области низких частот. Значит, если там амплитуды высокие — дышит. А если примерно те же, что в других частотах — не дышит.
Если надо отфильтровать шумы, сгладить график дыхания — то применяешь фильтр по БПФ. Т.е. тупо зануляешь бины на тех частотах, которые тебе не нужны, оставляешь нужные (низкие) — далее обратно БПФ-ом во временнОй домен перегоняешь. Получишь ровный график без шумов.
Ну и конечно не забываем про оконную функцию и перекрытие. Используй Ханна и перекрытие в 50 или 75%
pva>И вопрос сейчас даже не в фильтрации, а в выделении участков где анализ нецелесообразен вообще.
А зачем? Т.е. конечная задача какая?
Здравствуйте, viellsky, Вы писали:
V>А зачем? Т.е. конечная задача какая?
Конечная задача — получить статистически значимые параметры дыхания (частоту, амплитуду, профиль волны и т.д.). Если анализировать поверх шумов, то начинают подмешиваться ошибки. А для клиники проще выкинуть шумные участки, оставив только значимые и анализировать "там где светлей".
Здравствуйте, viellsky, Вы писали:
V>Ну и конечно не забываем про оконную функцию и перекрытие. Используй Ханна и перекрытие в 50 или 75%
Интересно, а нельзя ли получить аналогичную же статистику по частотному распределению (АЧХ), но на вейвлетах?
Здравствуйте, pva, Вы писали:
pva>Интересно, а нельзя ли получить аналогичную же статистику по частотному распределению (АЧХ), но на вейвлетах?
Да, под описанную тобой задачу вейвлеты будут лучше — т.к. ты хочешь получить характеристики нестационарного сигнала. Вот как именно применить — не подскажу, практического опыта с ними не имел, но в гугле наверняка найдешь
Здравствуйте, pva, Вы писали:
pva>Кстати, да.. можно FFT попробовать. Но по сути, я получу тот же вектор, в котором нужно будет делать оценку.
Почитай таки книжки по ЦОС. Рассказывать тебе здесь пол книжки мне лень.
Здравствуйте, pva, Вы писали:
pva>Ну вот, анализ дыхания пациентов с апноэ, например. На фоне общих шумов будет периодический сигнал: вдох-задержка-выдох-задержка.
А вот тут будет всё сильно сложнее, чем ты нарисовал выше.
Тут без наличия реальных снятых сигналов и экспериментов с ними ничего сказать не выйдет.
Здравствуйте, pva, Вы писали:
pva>Конечная задача — получить статистически значимые параметры дыхания (частоту, амплитуду, профиль волны и т.д.). Если анализировать поверх шумов, то начинают подмешиваться ошибки. А для клиники проще выкинуть шумные участки, оставив только значимые и анализировать "там где светлей". Наш радар для подобных задач используют и есть довольно много публикаций с теорией. Например. Ключевые слова: "uwb" + "breath".
Здравствуйте, Skorodum, Вы писали:
S>Наш радар для подобных задач используют и есть довольно много публикаций с теорией. Например. Ключевые слова: "uwb" + "breath".
Интересная штука. Где продается и сколько стоит девкит ваш?
Здравствуйте, Vzhyk2, Вы писали:
V>Интересная штука. Где продается и сколько стоит девкит ваш?
5 лет частным лицам не продавали, но скоро снова будет доступен для всех желающих через дестрибьютеров электронники по довольно низкой цене. Наверняка будет анонс в линкедине, может я в разделе "о работе" напишу.
Здравствуйте, Skorodum, Вы писали:
S>5 лет частным лицам не продавали, но скоро снова будет доступен для всех желающих через дестрибьютеров электронники по довольно низкой цене. Наверняка будет анонс в линкедине, может я в разделе "о работе" напишу.
Жду, пиши здесь, на линкедине меня нет. Он последние 3 года окончательно скатился в УГ.
Здравствуйте, pva, Вы писали:
pva>Ну вот, анализ дыхания пациентов с апноэ, например. На фоне общих шумов будет периодический сигнал: вдох-задержка-выдох-задержка. При этом частота дыхания и задержек — вариабельна в зависимости от нагрузки и т.д. Шумы тоже имеют различную природу. И вопрос сейчас даже не в фильтрации, а в выделении участков где анализ нецелесообразен вообще.
Ищи периоды в требуемом диапазоне, если в шуме их нет. Статистики можно попробовать разные. Например, кросс-корреляция сигнала с задержанной на период его репликой. Для шума это будет примерно 0, а на сигнале будет пик, если период угадал. Все гипотезы по периоду можно просматривать параллельно.
Не, таких сложностей у меня нет. Только гражданское применение.
