728x90 반응형 SMALL Biomedical & AI/Characterization4 통계적 특징 통계적 특징 (Statistical features) 통계 기능은 다양한 지능형 신호 처리 응용 프로그램에서 사용되었다. 통계적 특징은 정보 기반 측정과 같은 다른 측정 외에 최대, 최소, 범위, 사분위수 범위, 중앙값, 최빈값 및 평균, 분산, 첨도 및 왜도와 같은 통계적 모멘트와 같은 통계적 특성 측면에서 데이터 모델링을 고려한다. 통계적 모멘트는 피처의 분포 속성에 대한 정보를 캡처할 수 있다. 무작위 변수 X의 샘플이 주어지면 기하학적 시리즈를 사용하여 차수 p의 원점에 대한 통계적 모멘트를 정의할 수 있다. 평균은 중심 경향의 척도이다. 중심 경향을 측정하기 위해 평균을 사용하면 이상치에 민감하기 때문에 때때로 오도될 수 있다. 모드 (가장 빈번한 데이터 값) 또는 중앙값 (데이터가 정렬될 때 .. 2022. 4. 27. 시간-주파수 분석 시간-주파수 분석 (Time-frequency analysis) 단시간 푸리에 변환 (STFT)을 통해 시간-주파수 분석을 수행할 수 있다. 신호의 현지 시간과 주파수 내용을 모두 캡처하는 표현을 생성하는 데 사용된다. 푸리에 변환과 유사하게 STFT는 여전히 고정 기저 함수에 의존한다. 그러나 고정 크기 time-shifted window 함수 w(n)를 사용하여 신호 변환을 얻고 다음과 같이 표현할 수 있다. 그러나 STFT는 푸리에 변환에 비해 시간 및 주파수 위치 특성이 더 우수하다. 그러나 시간 및 주파수 분해능의 곱이 일정하기 때문에 (고전적인 하이젠베르크의 불확정성 원리 때문에) 생성된 기능은 시간과 주파수 모두의 즉각적인 위치 파악을 달성할 수 없다. 또한 고정 창 길이와 고정 기저 기능을.. 2022. 4. 27. 이산 푸리에 변환 이산 푸리에 변환 (Discrete Fourier transform) 푸리에 분석은 신호의 주파수 내용에 대한 통찰력을 얻는 데 유용하다. 이산 신호 x ∈ RN의 이산 푸리에 변환 (DFT) X는 고정 기저 함수가 있는 단일 대칭 행렬 W 에 대한 x의 선형 투영으로 정의된다. DFT X는 신호 주파수의 크기와 위상 정보를 인코딩하는 복소수이다. 주기가 2π인 대칭 및 주기 함수이다. X의 크기는 [0, π] 또는 [0, F s / 2] 범위에 표시되며 여기서 Fs는 샘플링 주파수이다. DFT의 분해능은 신호의 샘플 수 x에 따라 달라진다. 따라서 정보 손실을 방지하기 위해 원래 신호의 모든 샘플을 사용하는 것이 좋다. DFT는 가역적이다. 투영으로도 표현되는 역 DFT를 사용하여 원래 신호를 재구성할.. 2022. 4. 27. 특성 엔지니어링 특성 엔지니어링 (Feature engineering) 생체의학 신호의 특성화는 잡음, 신호의 확률적 특성, 개인 내 및 개인 간의 큰 변동성으로 인해 어렵다. 따라서, 통계적 특징 생성, 변환 기반 특징 생성 및 추출, 시간-주파수 분석이 필요하다. 기능 선택은 중복되고 정보가 없는 기능을 제거하는 것을 목표로 하므로 광범위한 테스트 모집단에서 일반화하는 모델을 구축할 수 있다. 파이프라인은 "실제 세계"에서 데이터를 캡처하고 이러한 데이터를 원시 데이터 개체로 표시하는 센서로 구성된다. 아티팩트 및 원치 않는 노이즈 제거, 대체 양식을 얻기 위한 데이터 변환, 평균 강도 / 진폭 수준 조정, 다운샘플링 (decimation) 또는 업샘플링 (보간, interpolation)과 같은 다음 단계를 위해 .. 2022. 4. 27. 이전 1 다음 728x90 반응형 LIST
