Что такое база сигнала

База сигнала

База сигнала — это произведение эффективного значения длительности сигнала $\Delta t$ и эффективного значения ширины его спектра $\Delta f$ :

$B=\Delta t\Delta f$

В простых случаях за эффективную ширину спектра можно принять ширину главного лепестка спектра. Длительность сигнала и ширина его спектра подчиняются соотношению неопределенности, гласящему, что база сигнала не может быть меньше единицы. Ограничений на максимальное значение базы сигнала не существует. То есть короткий сигнал с узким спектром существовать не может, а бесконечный сигнал с широким спектром — может (так называемый широкополосный сигнал, сигнал с большой базой). Примером такого рода может служить ЛЧМ-сигнал.

Литература

Радиотехнические цепи и сигналы. Автор:Баскаков С. И. 1988, 446 страниц.

Обработка сигналов
Спектроскопия

Wikimedia Foundation . 2010 .

Баженовка (Нижегородская область)
Базаиха

Полезное

Смотреть что такое «База сигнала» в других словарях:

база сигнала — Произведение ширины спектра сигнала на его длительность. См. processing gain. [Л.М. Невдяев. Телекоммуникационные технологии. Англо русский толковый словарь справочник. Под редакцией Ю.М. Горностаева. Москва, 2002] Тематики электросвязь, основные … Справочник технического переводчика
база — база: Поверхность или выполняющее ту же функцию сочетание поверхностей, ось, точка, принадлежащая заготовке или изделию и используемая для базирования. [ГОСТ 21495 76, таблица, пункт 2] Источник … Словарь-справочник терминов нормативно-технической документации
база радиочастотного сигнала — база сигнала Отношение ширины спектра модулированного радиочастотного сигнала к ширине спектра модулирующего сигнала. [ГОСТ 24375 80] Тематики радиосвязь Обобщающие термины сигналы Синонимы база сигнала … Справочник технического переводчика
База — База: В Викисловаре есть статья «база» База (хранилище) место для хранения товаров, например: «овощная база». Военная база … Википедия
База радиочастотного сигнала — 123. База радиочастотного сигнала База сигнала Источник: ГОСТ 24375 80: Радиосвязь. Термины и определения оригинал документа … Словарь-справочник терминов нормативно-технической документации
База радиочастотного сигнала — 1. Отношение ширины спектра модулированного радиочастотного сигнала к ширине спектра модулирующего сигнала Употребляется в документе: ГОСТ 24375 80 … Телекоммуникационный словарь
Сверхширокополосные сигналы — Сверхширокополосные (СШП) сигналы радиосигналы (СВЧ сигналы) со «сверхбольшой» шириной полосы частот. Применяются для сверхширокополосной радиолокации и сверхширокополосной радиосвязи. Содержание 1 Определение 2 Регулирование … Википедия
ГОСТ 24375-80: Радиосвязь. Термины и определения — Терминология ГОСТ 24375 80: Радиосвязь. Термины и определения оригинал документа: 304. Абсолютная нестабильность частоты радиопередатчика Нестабильность частоты передатчика Определения термина из разных документов: Абсолютная нестабильность… … Словарь-справочник терминов нормативно-технической документации
Сигнал — У этого термина существуют и другие значения, см. Сигнал (значения). Эта статья или раздел нуждается в переработке. Пожалуйста, улучшит … Википедия
Сигнал (техника) — Сигнал в теории информации и связи называется материальный носитель информации, используемый для передачи сообщений по системе связи. Сигналом может быть любой физический процесс, параметры которого изменяются в соответствии с передаваемым… … Википедия

Обратная связь: Техподдержка, Реклама на сайте

�� Путешествия

Экспорт словарей на сайты, сделанные на PHP,

WordPress, MODx.

Пометить текст и поделитьсяИскать в этом же словареИскать синонимы
Искать во всех словарях
Искать в переводах
Искать в ИнтернетеИскать в этой же категории

Поделиться ссылкой на выделенное

Прямая ссылка:

… Нажмите правой клавишей мыши и выберите «Копировать ссылку»

ПРИНЦИПЫ ФОРМИРОВАНИЯ БАЗЫ ЗАПИСЕЙ ЭКГ СИГНАЛОВ И ИХ ФРАГМЕНТОВ ДЛЯ ОЦЕНКИ ХАРАКТЕРИСТИК НОСИМЫХ ЦИФРОВЫХ ON-LINE МОНИТОРОВ Текст научной статьи по специальности «Компьютерные и информационные науки»

ДИСКРЕТНОГО ВЕЙВЛЕТ-ПРЕОБРАЗОВАНИЯ ДВП / ВЕЙВЛЕТ-ПРЕОБРАЗОВАНИЕ ВП / ЭЛЕКТРОКАРДИОГРАФИЯ ЭКГ / НЕПРЕРЫВНОГО ВЕЙВЛЕТ-ПРЕОБРАЗОВАНИЯ НВ / MIT PHYSIONET / ELECTROCARDIOGRAPHY ECG / WAVELET TRANSFORM WT / DISCRETE WAVELET TRANSFORM DWT / CONTINUOUS WAVELET TRANSFORM CWT

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Рагеб Ага Мохамад

Электрокардиографические (ЭКГ) сигналы обладают рядом свойств, которые могут значительно дополнить существующие и более устоявшиеся биометрические методы. Некоторые из наиболее заметных свойств — это тот факт, что сигналы могут быть получены непрерывно с использованием минимально навязчивых настроек, не склонны к созданию скрытых паттернов и обеспечивают естественное обнаружение живости, открывая новые возможности в области разработки биометрических систем. В статье предложены методы формирования базы данных ЭКГ-сигналов и их фрагментов для оценки характеристик портативных цифровых он-лайн мониторов. В методе дискретного вейвлет-преобразования (DWT) позволяет с высокой точностью определить наличие RR-интервалов и их сегментов. Это позволяет использовать данный метод для классификации ЭКГ-сигналов, формирования базы записей данных сигналов и генерирования тестовых сигналов, предназначенных для оценки характеристик носимых цифровых ONLINE-мониторов. В этой статье представлен улучшенный и более эффективный алгоритм генерация сигналов электрокардиограммы (ЭКГ) под Непрерывным Вейвлет-Преобразованием от архива PhysioBank для проверки работоспособности ЭКГ аппарата ,

i Надоели баннеры? Вы всегда можете отключить рекламу.

PRINCIPLES OF FORMING A DATABASE OF ECG SIGNALS AND THEIR FRAGMENTS FOR EVALUATING THE CHARACTERISTICS OF WEARABLE DIGITAL ON-LINE MONITORS

Electrocardiographic (ECG) signals have several properties that can greatly complement the existing, and more established biometric modalities. Some of the most prominent properties are the fact that the signals can be continuously acquired using minimally intrusive setups, are not prone to produce latent patterns, and provide intrinsic liveliness detection, opening new opportunities within the area of biometric systems development. The paper proposes methods for forming a database of ECG signals and their fragments for assessing the characteristics of portable digital on-line monitors. In the method of discrete wavelet transform (DWT) it allows to determine with high accuracy the presence of RR-intervals and their segments. This makes it possible to use this method for classifying ECG signals, forming a database of signal data records and generating test signals designed to assess the characteristics of wearable digital ONLINE monitors. This article presents an improved and more efficient algorithm by Discrete Wavelet Transform for generating electrocardiogram (ECG) signals from the PhysioBank archive to test the performance of an ECG machine.

Текст научной работы на тему «ПРИНЦИПЫ ФОРМИРОВАНИЯ БАЗЫ ЗАПИСЕЙ ЭКГ СИГНАЛОВ И ИХ ФРАГМЕНТОВ ДЛЯ ОЦЕНКИ ХАРАКТЕРИСТИК НОСИМЫХ ЦИФРОВЫХ ON-LINE МОНИТОРОВ»

УДК 615.47:616-072.7 DOI 10.18522/2311-3103-2020-5-31-40

ПРИНЦИПЫ ФОРМИРОВАНИЯ БАЗЫ ЗАПИСЕЙ ЭКГ СИГНАЛОВ И ИХ ФРАГМЕНТОВ ДЛЯ ОЦЕНКИ ХАРАКТЕРИСТИК НОСИМЫХ ЦИФРОВЫХ ON-LINE МОНИТОРОВ

Дискретного вейвлет-преобразования ДВП; вейвлет-преобразование ВП; электрокардиография ЭКГ; непрерывного вейвлет-преобразования НВ; MIT Physionet.

PRINCIPLES OF FORMING A DATABASE OF ECG SIGNALS AND THEIR FRAGMENTS FOR EVALUATING THE CHARACTERISTICS OF WEARABLE DIGITAL ON-LINE MONITORS

Electrocardiography ECG; wavelet transform WT; discrete wavelet transform DWT; continuous wavelet transform CWT; MIT Physionet.

Введение. В работе предложены методы формирования базы записей ЭКГ сигналов и их фрагментов для оценки характеристик носимых цифровых on-line мониторов. Проведено сравнение различных методов обнаружения RR-интервалов ЭКГ-сигнала на рис. 1.

Для распознавания отклонений ЭКГ-сигнала от нормы могут применяться решающие правила, функции расстояния и правдоподобия, дисперсионный анализ, нейронные сети, статистические классификаторы и другие методы [2].

Рис. 1. Обнаружение различных волн в ЭКГ-сигнале

Наименования амплитудно-временных параметров элементов ЭКГ-сигнала

Сегмент Описание Длительность

RR интервал между соседними R-колебаниями 0.6-1.2 s

P первое короткое восходящее движение ЭКГ 80 ms

PR измеряется от начала зубца Р до начала комплекса QRS 120-200 ms

QRS колебание обычно начинается с отклонения вниз зубца Q, значительного отклонения вверх зубца R и заканчивается нисходящим отклонением зубца S 80-120 ms

J- точка Точка, в которой заканчивается комплекс QRS и начинается сегмент ST, называется J-точкой. / /

PR соединяет волну Р и комплекс QRS 50-120 ms

ST соединяет комплекс QRS и зубец Т 80-120 ms

T обычно незначительный восходящий сигнал 160 ms

ST измеряется от точки J до конца зубца Т 320 ms

QT измеряется от начала комплекса QRS до конца зубца Т 420 ms

U обычно имеет низкую амплитуду и часто полностью отсутствует / /

Биомедицинские сигналы, такие как сигналы ЭКГ человеческого организма, являются нелинейными и нестационарными. Из-за нестационарной природы сигналов ЭКГ преобразование Фурье не подходит для них;

Вейвлет-преобразование (Wavelet Transform — WT). Это метод, который позволяет провести анализ ЭКГ-сигнала во временной и частотной областях одновременно с многократным анализом исследуемой функции [4].

WT (ВП) состоит из непрерывного вейвлет-преобразования (CWT) Continuous Wavelet Transform и дискретного вейвлет-преобразования (DWT) Discrete Wavelet Transform / (ДВП).

Во многих аспектах DWT можно использовать для извлечения признаков сигнала ЭКГ.

DWT определяется следующей формулой [4]:

где у j, к — вейвлет-функция, х(£) — это сигнал ЭКГ; DWT используется для извлечения статистических характеристик. Каждое отдельное сердцебиение ЭКГ делится на пять поддиапазонов с использованием у(^) — материнского вейвлета [3].

С помощью данного метода в среде Matlab была создана система, позволяющая исследовать ЭКГ-сигналы, выделять в них фрагменты, определять наличие заболеваний по виду сигнала. Для формирования базы данных ЭКГ-сигналов были использованы данные 300 ЭКГ-сигналов из базы MIT Physionet [1].

Эти данные могут быть использованы для формирования тестовых сигналов для оценки характеристик носимых цифровых Online-мониторов. В каждом сигнале содержится 3600 отсчётов. Сигнал разбивается на 8-9 интервалов. Каждый интервал содержит около 250-300 отсчётов [7].

В качестве примера можно рассмотреть ЭКГ-сигнал с частотой 50 Гц. В таком случае результаты преобразования будут выглядеть следующим образом:

Наименование интервала Уровень Диапазон частот, Гц

D5 5 1.5625-0.78125

D6 . D9 6. 9 0.78125-0.390625

Вейвлет-преобразование при обработке сигналов ЭКГ может быть использовано как инструмент для выделения признаков, шумоподавления и распознавания сердцебиения. В данном случае DWT использовался в качестве метода выделения признаков [6].

где у ^ к (1) — вейвлет-функция, х(Ь) это сигнал ЭКГ

Особенности распознавания интервала КЯ. Зубец R — это точка, соответствующая наивысшему пику кривой ЭКГ, а интервал RR — время между последовательными комплексами QRS. Сигнал ЭКГ имеет нелинейное динамическое поведение, и во время аритмии нелинейные динамические компоненты изменяются более значительно, чем линейные аналоги.

Интервал RR характеризуется тем, что его достаточно просто определить, легко рассчитать, а также данный интервал менее подвержен шуму, чем другие интервалы [12].

Четыре типа признаков интервала ЯЯ, а именно RRpГe — предыдущий КЯ-интервал, ЯЯ^ — последующий ЯЯ-интервал, КЯауе — средний ЯЯ-интервал и КК1оса1 — локальный ЯЯ-интервал, были получены из последовательности нескольких ЯЯ-интервалов, чтобы характеризовать динамические особенности сердцебиения. При расчете этих функций используются следующие формулы [9]:

яяРО54(0 = да + 1)- но,

где i — номер местоположения текущего пика R, а RRpre, RRpost, R-Rlocal и RRave представляют предыдущий, последующий, локальный и средний интервал RR соответственно. R (i) — текущий R-пик, R (i — 1) и R (i + 1) представляют предыдущий и последующий R-пики соответственно.

На рис. 3 изображено сравнение графиков результата дискретного вейвлет-преобразования и исходного ЭКГ-сигнала [5].

Рис. 3. Сравнение графиков результата дискретного вейвлет-преобразования

и исходного ЭКГ-сигнала

Как видно, дискретное вейвлет-преобразование обладает высокой чувствительностью к распознаванию ЯЯ-интервала и его сегментов. Это даёт возможность использовать данный метод для формирования базы записей ЭКГ-сигналов, характерных для нормальной работы сердца и при наличии заболеваний [9].

Алгаритм формирования базы записей ЭКГ-сигналов. На рис. 4 изображена структурная схема процесса формирования базы записей ЭКГ-сигналов. Исходный ЭКГ-сигнал берётся из базы данных (например, MГГ-BЩ, Алмазова и др.) [10].

Рис. 4. Структурная схема процесса формирования базы записей ЭКГ-сигналов

В данном случае используется база МГТ-БЩ. Затем сигнал предварительно обрабатывается: анализируется спектр, определяется амплитуда, частота и диапазон частот. Далее происходит сегментация ЭКГ-сигнала и к каждому сегменту применяется ДВП. В результате применения ДВП происходит распознавание КЯ-интервала. Затем выделяются признаки интервала ( Q R S T U P ) и по ним определяется принадлежность исследуемого ЭКГ-сигнала к определённому классу сигналов (классификация ЭКГ-сигнала). Записи сигналов оформляются и хранятся в системе в виде таблицы. На рис. 5 данная база записей впоследствие может быть использована для оценки характеристики носимых цифровых ОКЬГМБ-мониторов путём использования генератора тестового ЭКГ-сигнала displayWaveformLabels(data,tmeД000) [14].

Рис. 5. Генератора тестового ЭКГ-сигнала

Пиковый детектор комплекса QRS. Другим методом, позволяющим выявить КЯ-интервал [17], является использование пикового детектора применительно к комплексу РЯ8. Структурная схема процесса оценки комплекса QRS и обнаружение его пиковых значений (зубца Я) изображена на рис. 7. Результат применения пикового детектора в среде МайаЪ изображён на рис. 6 [11].

ЭКГ Сортировка по амплитуде

Сигнал производной функции

Удаление данных ниже порогового уровня детектора

Цифровой Генератор ЭКГ-сигнала

Классификация ЭКГ-сигнала. Формирование и сохранение

Определение исходного местоположени я сегментов

обнаружение пикового значения (зубца R)

Рис. 6. Структурная схема процесса оценки комплекса QRS и обнаружение

его пиковых значений

Рис. 7. Обнаружения пика R для сигнала 102mt.mat (пороговый коэффициент = 0,7)

Пиковые индексы детектора QRS. Данный метод похож на предыдущий. Отличие заключается в том, что для определения пика используются значения, которые близки к пороговому уровню [16, 20].

Рис. 7. Обнаружения пика R для сигнла 102т1та (пороговый коэффициент = 0,7)

Сравнение методов обнаружения сегментов ЭКГ-сигнала. Для оценки точности обнаружения сегментов ЭКГ-сигнала необходимо использовать такие количественные параметры, как чувствительность, специфичность, точность и средняя ошибка времени [14].

Чувствительность — это отношение количества верно не найденных R-зубцов (т.е. их нет и на самом деле) к сумме количества верно не найденных R-зубцов и ошибок второго рода (R-зубец обнаружен, но его нет на самом деле). Специфичность — это отношение количества верно найденных R-зубцов (т.е. они есть и на самом деле) к сумме количества верно найденных R-зубцов и ошибок первого рода (R-зубец не обнаружен, но на самом деле он есть).

Точность (Precision) обнаружения RR-интервала — это отношение количества верно не найденных R-зубцов к сумме количества верно не найденных R-зубцов и количества ошибок первого рода [ 15, 21].

Точность (Accuracy) обнаружения RR-интервала — это отношение суммы количества верно найденных пиков и количества верно не найденных к сумме количества верно найденных и верно не найденных пико и количества ошибок первого и второго рода.

Средняя ошибка времени — это отношение суммы модулей разности момента времени, в который алгоритмом был обнаружен пик, и действительному моменту времени пика к TP — количеству верно не найденных пиков[22].

Эти параметры рассчитываются с использованием следующих формул:

специфичность = TN + рр

TP + FN + TN + FP TP

Средняя ошибка времени =

i Не можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Y,Iобнаруженное в. QRS — в реальное в. QRS\ TP ‘

где ТМ — количество верно найденных пиков (количество найденных верно пиков); БМ — количество ошибок второго рода (когда пик найден, но на самом деле его нет); БР — количество ошибок первого рода (когда пик не найден, но на самом деле он есть); ТР — количество верно не найденных пиков (их нет на самом деле) [19] [18, 19].

Рассмотреть сравнения все методы определить наличие ЯЯ-интервалов и их сегментов следующим образом:

Метод Чувствительность Специфичность Точность (Accuracy) Точность (Precision) Средняя ошибка времени

DWT 0,975 0,991 0,988 0,985 3,56

Пиковый детектор 0,931 0,955 0,947 0,954 6,9

Пиковые индексы детектора 0,901 0,945 0,953 0,957 7,1

Заключение. В результате проделанной работы было выявлено, что метод дискретного вейвлет-преобразования (DWT) позволяет с высокой точностью определить наличие RR-интервалов и их сегментов. Это позволяет использовать данный метод для классификации ЭКГ-сигналов, формирования базы записей данных сигналов и генерирования тестовых сигналов, предназначенных для оценки характеристик носимых цифровых ONLINE-мониторов.

1. Интернет-портал PhysioNet. — URL: https://www.physionet.org.

2. Ту Дж., Гонсалес Р. Принципы распознавания образов: пер. И.П. Гуревича / под ред. Ю.И. Журавлева. — М.: Мир, 1978. — C. 410-415.

3. Бейтс Р.А., Хилтон М. Ф., Годфри К.Р. и Чаппелл М.Дж. Сравнение методов гармонического вейвлет-анализа вариабельности сердечного ритма. — 1998. — C. 278-299.

4. Эрчелеби Э. Удаление шума сигналов электрокардиограммы с использованием дискретного вейвлет-преобразования на основе подъема. — 2004. — C. 479-493.

5. Пиньомарк А., Лимсакул К., Пхукпаттаранонт П. Оптимальные вейвлет-функции в вейв-лет-шумоподавлении для многофункционального миоэлектрического управления // ECTI Transactions по электротехнике, электронике и коммуникациям. — ECTI, 2010. — C. 43-52.

6. Чуакри S. Вейвлет-шумоподавление сигнала электрокардиограммы на основе оценки искаженного шума // Компьютеры в кардиологии. — 2005, IEEE.

7. Хаберл Р., Джиге Г., Пултер Р., Стейнбек Г. Спектральное картирование электрокардиограммы с преобразованием Фурье для идентификации пациентов с устойчивой желудочковой тахикардией и ишемической болезнью сердца. — C. 310-326.

8. Месте О., Рикс Х., Каминал П., Такор Н. Характеристика поздних потенциалов желудочков в частотно-временной области с помощью вейвлет-преобразования // Транзакция IEEE по биомедицинской инженерии. — 1994. — C. 625-633.

9. Морлет Д., Кудерк Дж. П., Тубул П., Рубель П. Вейвлет-анализ ЭКГ высокого разрешения у пациентов после инфаркта: роль основного вейвлета и анализируемого отведения.

10. Симсон М.Б., Эйлер Д., Майкельсон Э. Обнаружение задержки активации желудочков на поверхности тела у собак. — 1981. — C. 362-372.

11. Симсон М.Б. Использование сигнала терминального комплекса QRS для идентификации пациентов с желудочковой тахикардией после инфаркта миокарда. — 1981. — C. 230-244.

12. Эберт Х. Легкая ЭКГ. Интерпретация дифференциальных диагнозов. — Штутгарт; Нью-Йорк: Тиме, 2005. — C. 138-140.

13. Авдеева Д.К., Казаков В.Ю., Наталинова Н.М., Иванов М.Л. Результаты моделирования воздействия фильтра высокой частоты и фильтра низкой частоты на качество регистрации микропотенциалов на электрокардиограмме. — 2013. — С. 318.

14. Рангайян Р.М. Анализ биомедицинских сигналов. Практический подход. — 2007.

15. СмоленцевН.К. Основы теории вейвлетов. Вейвлеты в MatLab. — 2005. — C. 304-310.

16. Дроздов Д.В. Влияние фильтрации на диагностические свойства биосигналов // Функциональная диагностика. — 2011. — C. 75-78.

17. Дубровин В.И., Твердохлеб Ю.В., Харченко В.В. Автоматизированная система анализа и интерпретации ЭКГ // Радиоэлектроника, информатика, управление. — 2014. — C. 148-160.

18. Cайт «PhysioBank Archive Index». — http://www.physionet.org/physiobank/database/.

19. ГольденбергЛ.М. Справочник. Цифровая обработка сигналов. — M.: Радио и связь, 1985.

20. Гайдышев И. Анализ и обработка. — СПб., 2006. — C. 750-754.

21. Монахова О.А. Регистрация каррдиоинтервалограммы по вейвлетному спектру электрокардиограммы. — Саратов, 2009. — C. 10-17.

22. Монахова О.А. Исследование тонкой структуры электрокардиографического сигнала методами вейвлетного анализа. — Саратов, 2009. — C. 119-132.

1. Internet-portal PhysioNet [The Internet portal PhysioNet]. Available at: https://www.physionet.org.

2. Tu Dzh., Gonsales R. Printsipy raspoznavaniya obrazov [Principles of image recognition]: translated by I.P. Gurevicha, ed. by Yu.I. Zhuravleva. Moscow: Mir, 1978, pp. 410-415.

3. Beyts R.A., Khilton M.F., GodfriK.R. i ChappellM.Dzh. Sravnenie metodov garmonicheskogo veyvlet-analiza variabel’nosti serdechnogo ritma [Comparison of methods of harmonic wavelet analysis of heart rate variability], 1998, pp. 278-299.

4. Erchelebi E. Udalenie shuma signalov elektrokardiogrammy s ispol’zovaniem diskretnogo veyvlet-preobrazovaniya na osnove pod»ema [Noise removal of electrocardiogram signals using discrete lift-based wavelet transform], 2004, pp. 479-493.

5. Pin’omark A., Limsakul K., Pkhukpattaranont P. Optimal’nye veyvlet-funktsii v veyvlet-shumopodavlenii dlya mnogofunktsional’nogo mioelektricheskogo upravleniya [Optimal wavelet functions in wavelet noise reduction for multifunctional myoelectric control], ECTI Transactions po elektrotekhnike, elektronike i kommunikatsiyam [ECTI Transactions in Electrical engineering, Electronics and Communications]. ECTI, 2010, pp. 43-52.

6. Chuakri S. Veyvlet-shumopodavlenie signala elektrokardiogrammy na osnove otsenki iskazhennogo shuma [Wavelet noise reduction of the electrocardiogram signal based on the assessment of distorted noise], Komp’yutery v kardiologii [Computers in Cardiology], 2005, IEEE.

7. Khaberl R., Dzhige G., Pulter R., Steynbek G. Spektral’noe kartirovanie elektrokardiogrammy s preobrazovaniem Fur’e dlya identifikatsii patsientov s ustoychivoy zheludochkovoy takhikardiey i ishemicheskoy bolezn’yu serdtsa [Spectral mapping of a fourier transform electrocardiogram for the identification of patients with sustained ventricular tachycardia and is-chemic heart disease], pp. 310-326.

8. Meste O., Riks Kh., Kaminal P., Takor N. Kharakteristika pozdnikh potentsialov zheludochkov v chastotno-vremennoy oblasti s pomoshch’yu veyvlet-preobrazovaniya [Characterization of late ventricular potentials in the time-frequency domain using a wavelet transform], Tranzaktsiya IEEE po biomeditsinskoy inzhenerii [IEEE transaction on biomedical engineering], 1994, pp. 625-633.

9. Morlet D., Kuderk Dzh. P., Tubul P., Rubel’ P. Veyvlet-analiz EKG vysokogo razresheniya u patsientov posle infarkta: rol’ osnovnogo veyvleta i analiziruemogo otvedeniya [Highresolution ECG wavelet analysis in patients after a heart attack: the role of the main wavelet and the analyzed lead], 1995, pp. 308-330.

10. Simson M.B., Eyler D., Maykel’son E. Obnaruzhenie zaderzhki aktivatsii zheludochkov na poverkhnosti tela u sobak [Detection of delayed ventricular activation on the body surface in dogs], 1981, pp. 362-372.

11. Simson M.B. Ispol’zovanie signala terminal’nogo kompleksa QRS dlya identifikatsii patsientov s zheludochkovoy takhikardiey posle infarkta miokarda [Using the signal of the terminal complex QRS to identify patients with ventricular tachycardia after myocardial infarction], 1981, pp. 230-244.

12. Ebert Kh. Legkaya EKG. Interpretatsiya differentsial’nykh diagnozov [Light ECG. Interpretation of differential diagnoses]. Shtutgart; N’yu-York: Time, 2005, pp. 138-140.

13. Avdeeva D.K., Kazakov V.Yu., Natalinova N.M., Ivanov M.L. Rezul’taty modelirovaniya vozdeystviya fil’tra vysokoy chastoty i fil’tra nizkoy chastoty na kachestvo registratsii mikropotentsialov na elektrokardiogramme [Results of modeling the effect of a high-frequency filter and a low-frequency filter on the quality of recording micro-potentials on an electrocardiogram], 2013, pp. 318.

14. Rangayyan R.M. Analiz biomeditsinskikh signalov. Prakticheskiy podkhod [Analysis of biomedical signals. Practical approach], 2007, pp. 438-444.

15. Smolentsev N.K. Osnovy teorii veyvletov. Veyvlety v MatLab [Fundamentals of wavelet theory. Wavelets in MatLab], 2005, pp. 304-310.

16. Drozdov D.V. Vliyanie fil’tratsii na diagnosticheskie svoystva biosignalov [Influence of filtering on diagnostic properties of biosignals], Funktsional’naya diagnostika [Functional diagnostics], 2011, pp. 75-78.

17. Dubrovin V.I., Tverdokhleb Yu.V., Kharchenko V.V. Avtomatizirovannaya sistema analiza i interpretatsii EKG [Automated system of analysis and interpretation of ECG], Radioelektronika, informatika, upravlenie [Radioelectronics, informatics, managemen], 2014, pp. 148-160.

18. Cayt «PhysioBank Archive Index» [The Website «PhysioBank Archive Index»]. Available at: http://www.physionet.org/physiobank/database/.

19. Gol’denberg L.M. Spravochnik. TSifrovaya obrabotka signalov [Guide. Digital signal processing]. Moscow: Radio i svyaz’, 1985, pp. 310-314.

20. Gaydyshev I. Analiz i obrabotka [Analysis and processing]. Saint Petersburg, 2006, pp. 750-754.

21. Monakhova O.A. Registratsiya karrdiointervalogrammy po veyvletnomu spektru elektro-kardiogrammy [Check cardiointervalogram in the wavelet spectrum of the electrocardiogram]. Saratov, 2009, pp. 10-17.

22. Monakhova O.A. Issledovanie tonkoy struktury elektrokardiograficheskogo signala metodami veyvletnogo analiza [Investigation of the fine structure of the electrocardiographic signal by wavelet analysis methods]. Saratov, 2009, pp. 119-132.

Статью рекомендовал к опубликованию д.т.н., профессор З.М. Юлдашев.

Рагеб Ага Мохамад — Санкт-Петербургский государственный электротехнический университет «ЛЭТИ»; e-mail: aga.mod@hotmail.co.uk; 197376, Санкт-Петербург, ул. проф. Попова, 5; тел.: 88122343059; кафедра биотехнических систем; аспирант.

Ragheb Agha Mokhamed — Saint Petersburg Electrotechnical University «LETI»; e-mail: aga.mod@hotmail.co.uk; 5, prof. Popova street, Saint Petersburg, 197376, Russia; phone: +78123464487; the department of biotechnical systems; graduate student.

УДК 681.324 БОГ 10.18522/2311-3103-2020-5-40-51

ПРИМЕНЕНИЕ ЗАПРЕЩЕННЫХ ФИГУР В ЗАДАЧЕ РАСКРАСКИ ГРАФА ПРИ ПРОЕКТИРОВАНИИ ПЕЧАТНЫХ ПЛАТ

Проектирование конструкции печатных плат в виде плоских структур без перемычек является одной из самых сложных задач на этапе схемотехнического проектирования. Задача в такой постановке особенно актуальна микросборок и для электронных модулей контрольно-проверочной, бортовой аппаратуры, выполненных по технологии поверхностного монтажа, где, например, по причине металлического теплоотвода или керамического основания, структура соединений возможна только в одном слое. В работе рассматривается задача проектирования печатных плат в виде синтеза плоских структур электронных схем. Целью является расположение соединений на печатной плате без пересечений, что облегчает условия проведения трасс любому трассировщику современных программ проектировании. Для её решения предложено большое число различных алгоритмов, основным недостатком которых является заложенный в них принцип последовательного и фрагментарного просмотра коммутационного пространства. Сложность алгоритмов синтеза подобных структур обусловлена также необходимостью учета большого числа различных требований, связанных со спецификой их изготовления и особенностями разрабатываемого конструктивно-технологического решения. В настоящей работе предлагается выполнить проектирование печатной платы с высокой эффективностью трассировки соединений за счет решения задачи расслоения исходного графа-схемы и построения плоского графа-схемы как на стороне установки ЭРЭ, так и на обратной стороне платы -стороне пайки, исключая запрещенные фигуры по теореме Потрягина-Куратовского. Критерием является минимизация переходных отверстий, а также минимизация проводников (ребер) на одной стороне печатной платы. Задача расслоения представляет собой задачу раскраски графа в два цвета с использованием принципов характеризационного управления, решение которой базируется на теореме Кенига, определяющей запрещенную фигуру в виде циклов нечетной длины. Для проектирования печатных плат разработаны алгоритм и методика построения планарных графов и расслоения графа на две стороны печатной платы с уменьшением количества неразведенных ребер. Точное решение принимает вид полиномиальной зависимости не выше 5-й степени, позволяет получить результат за приемлемое время и повысить эффективность трассировки на 5-15 %.

Плоские структуры электронных средств; графо-теоретический подход; запрещенные фигуры; трассировка в одном слое; граф; ребро графа; планарность; алгоритм; анализ; синтез; электро-радиоэлемент.

База сигнала

База сигнала — это произведение эффективного значения длительности сигнала \Delta t и эффективного значения ширины его спектра \Delta f: В простых случаях за эффективную ширину спектра можно принять ширину главного лепестка спектра.

Сигнал

По физической природе носителя информации.

Спектральная плотность

В статистической радиотехнике и физике при изучении детерминированных сигналов и случайных процессов широко используется их спектральное представление в виде спектральной плотности, которая базируется на преобразовании Фурье.

База

Ба́за (от лат. basis — базис, из греч. βάσις).

Юнионпедия это понятие карту или семантическая сеть организована как энциклопедия или словарь. Это дает краткое определение каждому понятию и его отношений.

Это гигантский онлайн ментальная карта, которая служит в качестве основы для концептуальных диаграмм или синтетических фотографий. Это бесплатно в использовании и каждый элемент или документ может быть загружен. Это инструмент, ресурс или ссылка для изучения, исследования, образование, обучение, учителя могут использовать, учителей, профессоров, преподавателей, учеников или студентов; или школа для академического мира, в школу, начальное, среднее, средней, колледж, технической степени, университет, студентов, магистров или докторские степени; для бумаг, отчетов, документов, проектов, идей, документации, резюме, обследований или диссертации. Вот определение, объяснение, описание, или смысл каждого значительным, на котором вам нужна информация, а также список или перечень соответствующих концепций, как кажется глоссарий. Доступна на русский, английский, испанский, португальский, японский, китайский, французский, немецкий, итальянский, польский, нидерландский, арабский, хинди, шведский, украинский, венгерский, каталанский, чешский, иврит, датский, финский, индонезийский, Норвежский, румынский, турецкий, вьетнамский, корейский, тайский, греческий, болгарский, хорватский, словацкий, литовский, филиппинский, латышский, эстонский и словенский. Другие языки в ближайшее время.

Вся информация была извлечена из Википедия, и это доступно в соответствии с лицензией Creative Commons Attribution-ShareAlike.

Юнионпедия не одобрена Фондом Викимедиа и не связана с ним.

Google Play, Android и логотип Google Play являются товарными знаками корпорации Google Inc.

База данных сигналов

В данном разделе описана база данных сигналов SDB (англ. Signals Data Base) и методы работы с ней в SimInTech.

База сигналов проекта представляет собой структурированную файловую базу данных, содержащую в себе константы и переменные (сигналы), используемые в одном или нескольких проектах. Также может содержать информационные поля (строковые константы), которые не используются для целей моделирования.

База данных обеспечивает пользователю возможность создавать информационные структуры произвольного состава, содержавшие все необходимы переменные и константы для описания модели, обмена данными в комплексных моделях, визуальное представления процесса моделирования на видеокадрах.

Рисунок 1. Взаимодействие компонентов проекта через базу сигналов

Элементарной единицей базы сигналов является сигнал. Сигнал – переменная одного из доступных типов данных, несущая какую-либо информацию. Сигнал в SimInTech обладает рядом свойств (имя, название, тип данных, значение, способ расчета), набор которых является персональным для каждого сигнала и также хранится в базе.

Для структурирования сигналов и обеспечения удобства поиска и доступа к ним, применяются два уровня хранения сигналов в базе: «Категория» и «Группа сигналов». Количество этих уровней определено проводимой аналогией с моделируемыми аппаратными сигналами, где категорией можно считать тип оборудования, а группой сигналов – конкретную аппаратную часть, конкретный экземпляр данного типа оборудования, внутри которой используется сигнал. Например, сигнал включения насоса с номером 1 будет располагаться в категории «Насосы» и в группе сигналов «Насос 1».

Этот принцип организации базы сигналов не является жестко регламентируемым, но именно такая концепция формирования базы закладывалась разработчиками и именно ею рекомендуется руководствоваться при формировании и наполнении базы сигналов.

Таким образом структура базы сигналов в общем виде выглядит следующим образом:

Рисунок 2. Структура базы сигналов

Группа сигналов – служит исключительно для упорядочивания набора сигналов и не несет дополнительной информации, кроме своего имени. Идеологически является образом единицы аппаратного объекта своей категории.

Категория – единица иерархии верхнего уровня базы сигналов. Содержит в себе набор групп сигналов, а также перечень шаблонных сигналов, идеологически является отражением определенного типа аппаратного обеспечения. Категория, в отличие от Группы сигналов, несет в себе информацию о шаблонных (типовых) сигналах, об их количестве и наборе свойств каждого из них. Этот набор типовых сигналов и их свойств в SimInTech называется Шаблономкатегории. При добавлении новой группы сигналов в категорию, группа получит все сигналы, указанные в шаблоне соответствующей категории. Это удобно и логично, если помнить про аппаратную аналогию, лежащую в основе структуры базы сигналов. Например: существует категория «Насосы», имеющая в своем шаблоне все сигналы, характерные для единицы насосного оборудования. Если в составе этой категории создать группу сигналов, соответствующую конкретному насосу, то логично, чтобы в ней сразу же создавались все сигналы, характерные для насосов, а следовательно, входящие в состав шаблона соответствующей категории. При этом данная группа сигналов может быть отредактирована вручную и иметь как дополнительные сигналы, не входящие в состав шаблона категории, так и не иметь всех сигналов соответствующего шаблона. Однако рекомендуется всё же разрабатывать шаблон категории так, чтобы минимизировать отличия набора сигналов группы от шаблонного. Данная техника позволяет унифицировать группы сигналов между собой и уменьшить вероятность ошибок из-за некорректно отредактированных сигналов в группе.

С точки зрения моделирования, важным атрибутом сигналов, хранящихся в базе данных, является полное имя сигнала. Полное имя сигнала складывается из имени группы и имени сигнала, объединённых через символ подчёркивания ( _ ), а именно:

Например, сигнал ON для группы сигналов Pump1, будет иметь полное имя Pump1_ON.

Такая организация имён сигналов позволяет в расчетной схеме создавать шаблонные алгоритмы или панели управления для категории сигналов, а также формировать типовые решения (алгоритмы) с векторной обработкой сигналов, поскольку все группы сигналов данной категории имеют разные начала полных имён сигналов и одинаковые окончания.

Справочная система создана на базе XML Author

Что такое база сигнала

База сигнала

Литература

Полезное

Смотреть что такое «База сигнала» в других словарях:

Поделиться ссылкой на выделенное

Прямая ссылка:

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Рагеб Ага Мохамад

Похожие темы научных работ по компьютерным и информационным наукам , автор научной работы — Рагеб Ага Мохамад

PRINCIPLES OF FORMING A DATABASE OF ECG SIGNALS AND THEIR FRAGMENTS FOR EVALUATING THE CHARACTERISTICS OF WEARABLE DIGITAL ON-LINE MONITORS

Текст научной работы на тему «ПРИНЦИПЫ ФОРМИРОВАНИЯ БАЗЫ ЗАПИСЕЙ ЭКГ СИГНАЛОВ И ИХ ФРАГМЕНТОВ ДЛЯ ОЦЕНКИ ХАРАКТЕРИСТИК НОСИМЫХ ЦИФРОВЫХ ON-LINE МОНИТОРОВ»

База сигнала

Сигнал

Спектральная плотность

База

База данных сигналов

Добавить комментарий Отменить ответ