Алгоритм статистической фильтрации AVT - AVT Statistical filtering algorithm

Алгоритм статистической фильтрации AVT это подход к повышению качества необработанных данных, собранных из различных источников. Это наиболее эффективно в случаях, когда присутствует внутриполосный шум. В таких случаях AVT лучше фильтрует данные, полосовой фильтр или любая цифровая фильтрация, основанная на вариации.

Обычная фильтрация полезна, когда сигнал / данные имеют частоту, отличную от частоты шума, и сигнал / данные разделяются / фильтруются с помощью частотной дискриминации шума. Фильтрация с частотной дискриминацией выполняется с использованием фильтрации нижних, верхних и полосовых частот, которая относится к целевым критериям относительной частотной фильтрации для такой конфигурации. Эти фильтры создаются с использованием пассивных и активных компонентов и иногда реализуются с использованием программных алгоритмов на основе Быстрое преобразование Фурье (БПФ).

AVT-фильтрация реализована программно, а ее внутренняя работа основана на статистическом анализе исходных данных.

Когда частота сигнала / (частота распространения полезных данных) совпадает с частотой шума / (частота распространения зашумленных данных), мы имеем внутриполосный шум. В этих ситуациях фильтрация с частотной дискриминацией не работает, поскольку шум и полезный сигнал неотличимы, а AVT лучше. Для достижения фильтрации в таких условиях доступно несколько методов / алгоритмов, которые кратко описаны ниже.

Алгоритм усреднения

  1. Собирать п образцы данных
  2. Рассчитать среднее значение собранных данных
  3. Представить / записать результат как фактические данные

Медианный алгоритм

  1. Собирать п образцы данных
  2. Отсортируйте данные в порядке возрастания или убывания. Обратите внимание, что порядок не имеет значения
  3. Выберите данные, которые оказались в п/ 2 положение и представить / записать его как окончательный результат, представляющий образец данных

Алгоритм AVT

АВТ внутренняя рабочая

Алгоритм AVT расшифровывается как Antonyan Vardan Transform, и его реализация объясняется ниже.

  1. Собирать п образцы данных
  2. Рассчитайте стандартное отклонение и среднее значение
  3. Отбросьте любые данные, которые больше или меньше среднего ± одно стандартное отклонение
  4. Рассчитать среднее значение оставшихся данных
  5. Представить / записать результат как фактическое значение, представляющее выборку данных

Этот алгоритм основан на различении амплитуды и может легко отклонить любой шум, который не похож на реальный сигнал, иначе статистически отличается от 1 стандартного отклонения сигнала. Обратите внимание, что этот тип фильтрации может использоваться в ситуациях, когда фактический шум окружающей среды заранее не известен. Обратите внимание, что предпочтительно использовать мадиан в вышеуказанных шагах, чем в среднем. Первоначально алгоритм AVT использовал среднее значение для сравнения его с результатами медианы в окне данных.

Сравнение алгоритмов фильтрации

Использование системы со значением сигнала 1 и добавленным шумом на уровнях 0,1% и 1% упростит количественную оценку производительности алгоритма. R[1] Скрипт используется для создания псевдослучайного шума, добавляемого к сигналу, и анализа результатов фильтрации с использованием нескольких алгоритмов. См. "Уменьшение внутриполосного шума с помощью алгоритма AVT" [2] Подробные сведения приведены в статье. Эти графики показывают, что алгоритм AVT обеспечивает лучшие результаты по сравнению с алгоритмами медианы и усреднения при использовании размера выборки данных в 32, 64 и 128 значений. Обратите внимание, что этот график был создан путем анализа массива случайных данных из 10000 значений. Пример этих данных графически представлен ниже.
Из этого графика видно, что AVT превосходит другие алгоритмы фильтрации, обеспечивая на 5-10% более точные данные при анализе тех же наборов данных. Принимая во внимание случайный характер шума, использованного в этом численном эксперименте, который граничит с наихудшей ситуацией, когда фактический уровень сигнала ниже окружающего шума, улучшения точности обработки данных с помощью алгоритма AVT являются значительными.
Сравнение алгоритмов AVTОбразец тестовых данных AVT

Варианты алгоритма AVT

Каскадный АВТ

В некоторых ситуациях лучшие результаты могут быть получены путем каскадирования нескольких этапов AVT-фильтрации. Это даст единичное постоянное значение, которое можно использовать для оборудования с известными стабильными характеристиками, такого как термометры, термисторы и другие медленно действующие датчики.

Обратный АВТ

  1. Собирать п образцы данных
  2. Рассчитайте стандартное отклонение и среднее значение
  3. Отбросьте все данные, которые находятся в пределах одного стандартного отклонения ± среднего диапазона
  4. Рассчитать среднее значение оставшихся данных
  5. Представить / записать результат как фактические данные

Это полезно для обнаружения мельчайших сигналов, близких к уровню фонового шума.

Возможное применение и использование

Рекомендации

  1. ^ «Проект R для статистических вычислений». r-project.org. Получено 2015-01-10.
  2. ^ «Уменьшение внутриполосного шума с помощью алгоритма AVT | Встроенный контент от Electronic Design». electronicdesign.com. Получено 2015-01-10.
  1. Джозеф, Фэвис; Balinadoa, C .; Паоло Дар Сантос, Джеральд; Эсканилья, Рио; Дарелл С. Агуда, Джон; Рамона А. Алькантара, Ма .; Белен М. Робле, Мариэла; Ф. Бюзер, Джомалин (5 мая 2020 г.). Разработка и внедрение системы мониторинга скорости воды на основе статистики гидроэнергетики и преобразования антоняна вардана (AVT). Дои:10.1063/5.0002323.
  2. Виниций, Цене; Маурисио, Тосин; J., Machado; А., Балбино (апрель 2019). «Открытая база данных для точного определения намерений верхних конечностей с помощью электромиографии и надежных машин для экстремального обучения». Датчики. 19. Дои:10,3390 / с19081864.
  3. HornCene, Vinicius; Балбино, Александр (10 августа 2018 г.), «Улучшение репрезентативности сигналов sEMG для повышения надежности классификации движений верхних конечностей», Обработка и контроль биомедицинских сигналов, 46: 182–191, Дои:10.1016 / j.bspc.2018.07.014, ISSN  1746-8094
  4. Хорн Цене, Виниций; Рушель душ Сантуш, Рафаэль; Балбино, Александр (18 июля 2018 г.). 2018 40-я ежегодная международная конференция общества инженеров IEEE в медицине и биологии (EMBC). Гонолулу, Гавайи, США: IEEE. С. 5224–5227. Дои:10.1109 / EMBC.2018.8513468. ISBN  978-1-5386-3646-6.