Filter 사용

Antialiasing

 

https://www.maximintegrated.com/en/design/technical-documents/tutorials/9/928.html

 

유비쿼터스에는 측정 장치 내에서 아날로그에서 디지털로의 변환에 앞서 하드웨어 "앤티 앨리어싱" 필터가 있다. 오늘날 데이터 처리는 디지털 영역에서 거의 예외 없이 이루어지며, 이를 위해서는 신호를 디지털 표현으로 변환하기 위해 개별 시점에서 샘플링해야 한다. 샘플링 지점의 값만 샘플링 프로세스에 의해 유지되므로 디지털 표현이 모호하다. 동일한 숫자 집합이 다른 원시 신호를 반영할 수도 있다. 원시 신호가 특정 조건을 준수하면 모호성이 사라진다. 그 중 가장 잘 알려진 것은 샘플링 정리이다. 원래 신호의 스펙트럼에 나이퀴스트 주파수 (샘플링 속도의 절반) 이상의 전력이 포함되어 있지 않으면 다음으로부터 완벽하게 재구성될 수 있다. 샘플. 앤티앨리어싱 필터는 나이퀴스트 조건을 적용하는 것을 목표로 한다. 하드웨어 앤티앨리어싱 필터는 일반적으로 샘플링 전에 적용되며, 샘플링된 데이터가 더 다운샘플링되거나 다시 샘플링되면 소프트웨어 앤티앨리어싱 필터가 나중에 적용될 수 있다.

 

Smoothing / Low-Pass Filtering

 

https://ko.wikipedia.org/wiki/%EB%A1%9C%EC%9A%B0%ED%8C%A8%EC%8A%A4_%ED%95%84%ED%84%B0

 

고주파수 변동은 관련 없는 잡음 변동에 기인하고 저역 통과 필터링에 의해 감쇠될 수 있다. 평활화는 또한 데이터 플롯을 시각적으로 더 보기 좋게 만들거나 미세한 세부 사항보다 장기적인 추세를 더 강조하는 데 사용된다.

 

High-Pass Filtering to Remove Drift and Trends

 

https://help.descript.com/hc/en-us/articles/4412025709581-High-Pass-Filter

 

EEG (electroencephalography) 또는 MEG (magnetoencephalography)와 같은 일부 기록 방식은 DC 이동 및 느린 드리프트 전위 또는 필드에 민감하며, 이에 따라 더 빠른 관심 신호가 발생한다. 마찬가지로, 세포 외 기록에서 단일 뉴런의 스파이크는 로컬 필드 전위 (LFP)의 부정적인 편향과 같은 더 느린 이벤트를 ride한다. LFP는 종종 스파이크에 선행하거나 전극 팁과 뇌 조직 사이의 접합 전위의 발달로 인해 더 크고 느린 드리프트를 나타낸다. 고역 통과 필터는 데이터 분석 전에 이러한 느린 구성 요소를 제거하는 표준 도구이다. 디지털 표현의 제한된 범위를 최대한 활용하기 위해 변환 전에 DC 성분을 제거하기 위해 하드웨어 고역 통과 필터가 측정 장치에 포함될 수도 있다. 이것은 오실로스코프에서 "AC 커플링"의 의미를 가진다. 이는 고역 통과 필터 (종종 단순한 커패시터로 구현됨)를 신호에 적용하는 것으로 구성된다. 세포외 뇌 활동을 기록하기 위한 증폭기는 일반적으로 AC 결합된다.

 

Notch Filtering

 

 

전기 생리학적 신호는 종종 기록 회로와 전기적으로 또는 자기적으로 결합된 전력선 노이즈 (50 또는 60Hz 및 고조파)로 인해 어려움을 겪는다. 이러한 소음은 신중한 장비 설계 및 차폐를 통해 근원에서 가장 잘 제거되지만 이것이 항상 성공적인 것은 아니며 이미 수집된 데이터에 적용할 수 있는 것도 아니다. 노치 필터링은 종종 이러한 전력선 노이즈를 완화하는 데 사용된다. 필요한 경우 고조파에 추가 노치를 배치할 수 있다.

 

Band-Pass Filtering

 

https://www.analogictips.com/basics-of-bandpass-filters/

 

뇌 활동을 알파, 베타, 세타 등과 같은 이름을 가진 주파수 대역에서 오는 것으로 해석하는 것이 전통적이 되었으며 데이터 분석에는 종종 하나 이상의 대역 통과 필터를 적용하여 특정 대역을 분리하는 것이 포함된다. 경계 주파수 또는 적용할 필터 유형에 적용된다.

 

Time-Frequency Analysis

 

필터링의 한 가지 두드러진 응용 프로그램은 TF 분석이다. TF 표현은 필터뱅크의 출력에서 ​​시간에 따라 변하는 데이터 크기로 볼 수 있다. 필터뱅크는 매개변수 값의 범위 (ex. 중심 주파수 및/또는 대역폭)에 걸쳐 다른 필터 어레이이다. 필터의 인덱스는 주파수 축을 구성하는 반면 출력 크기의 시계열은 TF 표현의 시간 축을 따라 펼쳐진다. 시간에 따라 변하는 크기는 반파장 정류 또는 제곱과 같은 필터 출력에 비선형 변환을 적용한 다음 가능하면 거듭제곱 또는 대수 변환을 적용하여 얻을 수 있다. 각 채널의 시변 위상도 나타낼 수 있다.

 

https://www.sciencedirect.com/science/article/pii/S0896627319301746

Filters: When, Why, and How (Not) to Use Them