Promedio móvil - MA BREAKING DOWN Promedio móvil - MA Como ejemplo de SMA, considere una garantía con los siguientes precios de cierre durante 15 días: Semana 1 (5 días) 20, 22, 24, 25, 23 Semana 2 (5 días) 26, 28, 26, 29, 27 Semana 3 (5 días) 28, 30, 27, 29, 28 Un MA de 10 días promediaría los precios de cierre de los primeros 10 días como el primer punto de datos. El próximo punto de datos bajaría el precio más temprano, agregaría el precio el día 11 y tomaría el promedio, y así sucesivamente como se muestra a continuación. Como se mencionó anteriormente, las AMs se retrasan en la acción de los precios actuales porque se basan en precios pasados, mientras más largo sea el período de tiempo para la MA, mayor será el retraso. Por lo tanto, un MA de 200 días tendrá un grado mucho mayor de retraso que un MA de 20 días porque contiene precios durante los últimos 200 días. La longitud de la MA a utilizar depende de los objetivos comerciales, con MA más cortos utilizados para el comercio a corto plazo y de más largo plazo MA más adecuado para los inversores a largo plazo. El MA de 200 días es ampliamente seguido por inversores y comerciantes, con rupturas por encima y por debajo de este promedio móvil considerado como señales comerciales importantes. Las MA también imparten señales comerciales importantes por sí solas, o cuando dos medias se cruzan. Un aumento MA indica que la seguridad está en una tendencia alcista. Mientras que un MA decreciente indica que está en una tendencia bajista. Del mismo modo, el impulso ascendente se confirma con un cruce alcista. Que se produce cuando una MA a corto plazo cruza por encima de un MA a más largo plazo. Momento descendente se confirma con un cruce bajista, que se produce cuando un MA a corto plazo cruza por debajo de un MA a largo plazo. Cómo realizar el filtro de media móvil y filtro sgolay Me gustaría saber cómo realizar filtro de media móvil y filtro sgolay para suavizar La señal de ecg que ya he intentado con el promedio móvil cuando uso el promedio móvil de los picos de conseguir. Que tienen que simplemente suavizar los datos, pero cuando se utiliza el promedio móvil mediante el uso de su función de transferencia como ya he dicho los picos están recibiendo y no se ve como ecg señal. En realidad mi objetivo es suavizar los datos mediante el uso de cualquiera del filtro suave y luego pasar a través de filtro iirnotch. Si lo hago habrá cualquier mejora en el snr de la señal filtrada. Asunto: cómo realizar el filtro de media móvil y sgolay filtro De: Wayne King sugasini vaithiyanathan escribió en mensaje ltilkkvljhn1fred. mathworksgt. Gt Me gustaría saber cómo realizar filtro de media móvil y filtro sgolay para suavizar la señal ecg que ya he intentado con el promedio móvil cuando uso el promedio móvil de los picos obtenidos. Que tienen que simplemente suavizar los datos, pero cuando se utiliza el promedio móvil mediante el uso de su función de transferencia como ya he dicho los picos están recibiendo y no se ve como ecg señal. En realidad mi objetivo es suavizar los datos mediante el uso de cualquiera del filtro suave y luego pasar a través de filtro iirnotch. Si lo hago habrá cualquier mejora en el snr de la señal filtrada. ¿Está seguro de que no desea eliminar el componente de línea 50 o 60 Hz primero usando iirnotch antes de aplicar un filtro de suavizado que haría eso. En cualquier caso, consulte la ayuda de sgolay () en la Caja de herramientas de procesamiento de señales para saber cómo aplicar un filtro de suavizado Savitzky-Golay. Y para el promedio móvil, puede usar conv (). Debe ser bastante sencillo en cómo usarlo. Algo así como smoothedSignal conv (originalSignal, unos (1, 5)) Wayne King ltwmkingtygmailgt escribió en el mensaje ltilkn181jv1fred. mathworksgt. Gt sugasini vaithiyanathan escribió en el mensaje ltilkkvljhn1fred. mathworksgt. Gt gt Me gustaría saber cómo realizar el filtro de media móvil y filtro sgolay para suavizar la señal ecg que ya he intentado con el promedio móvil cuando uso el promedio móvil de los picos de conseguir. Que tienen que simplemente suavizar los datos, pero cuando se utiliza el promedio móvil mediante el uso de su función de transferencia como ya he dicho los picos están recibiendo y no se ve como ecg señal. En realidad mi objetivo es suavizar los datos mediante el uso de cualquiera del filtro suave y luego pasar a través de filtro iirnotch. Si lo hago habrá cualquier mejora en el snr de la señal filtrada. Gt gt ¿Está seguro de que no desea eliminar el componente de línea 50 o 60 Hz primero usando iirnotch antes de aplicar un filtro de suavizado que haría eso. Gt gt En cualquier caso, consulte la ayuda de sgolay () en la Caja de herramientas de procesamiento de señal para saber cómo aplicar un filtro de suavizado Savitzky-Golay. Gt gt Wayne Sospecho que podría tener dificultades con los pasos iniciales, como leer los datos y trazar los resultados. Si tiene éxito en eso, le podemos aconsejar sobre los próximos pasos hacia el filtrado S-G. Los comandos de MATLAB xlsread y plot pueden ayudarlo a empezar. También como recomienda Wayne, sgolay y sgolayfilt sin duda ayudará después de que usted ha ido más allá de la lectura y el complot. Una idea rápida de la línea de llegada: ofrecemos una demostración sobre el uso de S-G para suavizar las señales de ECG. Si escribe: verá una GUI para el filtrado interactivo de una señal de ECG ruidosa. Parece que haces lo que estás preguntando en tu publicación, excepto que quieres usar tus datos, por supuesto, no los nuestros. La demostración no proporciona esa capacidad, pero demuestra lo que es posible y el código para hacerlo. El uso de esta demostración requiere la Caja de herramientas de procesamiento de señal. Si escribe 8220ver8221 en la línea de comandos de MATLAB, puede ver la lista de productos de MathWorks a los que tiene acceso. Sugavini vaithiyanathan escribió en el mensaje ltilmqt1c461fred. mathworksgt. Gt Don Orofino ltdonmathworks. DOTgt escribió en el mensaje ltill1q87oh1fred. mathworksgt. Gt gt Wayne King ltwmkingtygmailgt escribió en el mensaje ltilkn181jv1fred. mathworksgt. Gt gt gt sugasini vaithiyanathan escribió en el mensaje ltilkkvljhn1fred. mathworksgt. Gt gt gt gt Me gustaría saber cómo realizar el filtro de media móvil y filtro sgolay para suavizar la señal ecg que ya he intentado con el promedio móvil cuando uso el promedio móvil de los picos de conseguir. Que tienen que simplemente suavizar los datos, pero cuando se utiliza el promedio móvil mediante el uso de su función de transferencia como ya he dicho los picos están recibiendo y no se ve como ecg señal. En realidad mi objetivo es suavizar los datos mediante el uso de cualquiera del filtro suave y luego pasar a través de filtro iirnotch. Si lo hago habrá cualquier mejora en el snr de la señal filtrada. ¿Está seguro de que no desea eliminar el componente de línea de 50 o 60 Hz primero usando iirnotch antes de aplicar un filtro de suavizado que haría eso. En cualquier caso, consulte la ayuda de sgolay () en la Caja de herramientas de procesamiento de señal para saber cómo aplicar un filtro de suavizado Savitzky-Golay. Sospecho que podría tener dificultades con los pasos iniciales, como la lectura de los datos y el trazado de sus resultados. Por lo tanto, Si tiene éxito en eso, le podemos aconsejar sobre los próximos pasos hacia el filtrado S-G. Los comandos de MATLAB xlsread y plot pueden ayudarlo a empezar. Gt gt gt gt También como Wayne recomienda, sgolay y sgolayfilt sin duda ayudará después de you8217ve ido más allá de la lectura y el trazado. Gt gt gt gt Una idea rápida de la línea de llegada: ofrecemos una demostración sobre el uso de S-G para suavizar las señales de ECG. Si escribe: gt gt gt gt gtgt sgolaydemo gt gt gt gt verá una GUI para el filtrado interactivo de una señal de ECG ruidosa. Parece que haces lo que estás preguntando en tu publicación, excepto que quieres usar tus datos, por supuesto, no los nuestros. La demostración no proporciona esa capacidad, pero demuestra lo que es posible y el código para hacerlo. El uso de esta demostración requiere la Caja de herramientas de procesamiento de señal. Si escribe 8220ver8221 en la línea de comandos de MATLAB, puede ver la lista de productos de MathWorks a los que tiene acceso. Gt gt gt gt - No gt gt gracias, gt Estoy muy claro en la lectura de mi señal de entrada y el trazado de ella. Puedo leer la señal del ecg de la entrada con la hoja de la excel y también del espacio de trabajo de matlab que tengo duda sobre él. Gt gt He visto el sgolaydemo de que tengo algunas ideas pero no estoy claro gt mediante el filtro de solay podemos obtener la señal limpia ecg o señal suavizado gt gt y también me gustaría saber que en esa demostración sgolay los parámetros de filtrado Son el grado polinomial y el tamaño del marco pero cuando miro en sgolayfilt como Wayne sugirió que he notado algunos parámetros más como factor de ponderación W y dimensión DIM con estos parámetros mis datos de entrada consiste en 3600x1 ¿puede sugerirme cuáles son los parámetros que debo usar y wat Valores que puedo dar por ello aproximadamente. Hola, creo que la sugerencia de Dons para mirar a sgolaydemo es buena para ver cuál es la interacción entre el grado polinomial y el tamaño del fotograma. Debe hacer un par de cosas con esa demostración: 1.) Corregir el grado polinomial mientras se varía el tamaño del marco. 2.) Fijar el tamaño del marco mientras se varía el grado del polinomio. Creo que si lo haces verás lo que esos parámetros te compran. En términos de limpieza versus suavizado, creo que es posible que deba pensar en lo que esos términos significan para usted un poco. En algunas aplicaciones, son mucho más. En otras aplicaciones, no lo son. Debido a que está analizando una señal de ECG, supongo que desea preservar el complejo QRS tanto como sea posible. Usted no nos ha dicho cuál es su frecuencia de muestreo, pero yo sugeriría determinar cuántos puntos de datos constituyen un complejo QRS incluyendo los intervalos PR y QT. Utilice eso como su tamaño de marco inicial. Puesto que el complejo de QRS tiene algunas características agudas en él que usted desea conservar, comenzaría inicialmente con un polinomio del orden 4 o 5. El grado del polinomio tiene que ser menos que el tamaño del marco, pero Im que conjetura (y esperando) su marco Tamaño será mucho mayor que eso. Si no, entonces mi conjetura sobre un buen tamaño del marco que comienza debe ser ajustado. Al principio no me preocuparía por el vector de peso. Una vez más, creo que usted debe seguir el consejo de Dons y pasar algún tiempo con la demo para ver cómo interactúan estos parámetros. Eso le permitirá ver sus resultados iniciales y tener una suposición informada sobre cómo proceder en lugar de simplemente cambiar los parámetros sin ninguna razón principal. Por último, mencionó en su publicación anterior que planeaba utilizar un filtro de muescas. Si por una señal limpia, quiere decir que sus datos están dañados por 50 o 60 Hz de ruido, entonces creo que debe quitar primero. En la parte superior de mi cabeza, no sé mucho acerca de la distribución de energía en la frecuencia de los datos típicos de ECG, pero Im suponiendo que 50 o 60 Hz está lo suficientemente lejos en la frecuencia que se puede muesca filtro sin afectar sus datos apreciablemente. Acerca de los grupos de noticias, los lectores de noticias y MATLAB Central ¿Qué son los grupos de noticias? Los grupos de noticias son un foro mundial abierto a todos. Los grupos de noticias se usan para discutir una amplia gama de temas, hacer anuncios y intercambiar archivos. Las discusiones están enhebradas o agrupadas de una manera que le permite leer un mensaje publicado y todas sus respuestas en orden cronológico. Esto hace que sea fácil seguir el hilo de la conversación, y ver whatrsquos ya se ha dicho antes de publicar su propia respuesta o hacer una nueva publicación. El contenido del grupo de noticias es distribuido por servidores alojados por varias organizaciones en Internet. Los mensajes se intercambian y se gestionan mediante protocolos estándar abiertos. Ninguna entidad ldquoownsrdquo los newsgroups. Hay miles de grupos de noticias, cada uno de los cuales aborda un único tema o área de interés. El MATLAB Central Newsreader publica y muestra mensajes en el grupo de noticias comp. soft-sys. matlab. Cómo puedo leer o publicar en los grupos de noticias Puede utilizar el lector de noticias integrado en el sitio web de MATLAB Central para leer y publicar mensajes en este grupo de noticias. MATLAB Central está alojado en MathWorks. Los mensajes publicados a través del lector de noticias de MATLAB Central son vistos por todos los usuarios de los grupos de noticias, independientemente de cómo accedan a los grupos de noticias. Hay varias ventajas al usar MATLAB Central. Una cuenta Su cuenta de MATLAB Central está vinculada a su cuenta de MathWorks para un fácil acceso. Utilice la dirección de correo electrónico de su elección El lector de noticias MATLAB Central le permite definir una dirección de correo electrónico alternativa como su dirección de correo, evitando el desorden en su buzón principal y reduciendo el spam. Control de correo no deseado La mayoría del spam de grupos de noticias es filtrado por el lector de noticias central de MATLAB. Etiquetado Los mensajes pueden ser etiquetados con una etiqueta relevante por cualquier usuario que haya iniciado sesión. Las etiquetas se pueden utilizar como palabras clave para encontrar determinados archivos de interés, o como una forma de categorizar sus publicaciones marcadas. Puedes elegir permitir que otros vean tus etiquetas, y puedes ver o buscar otras etiquetas, así como las de la comunidad en general. El etiquetado proporciona una manera de ver tanto las grandes tendencias como las ideas más pequeñas y más oscuras y las aplicaciones. Listas de vigilancia La configuración de listas de vigilancia le permite recibir notificaciones de las actualizaciones realizadas en las publicaciones seleccionadas por autor, hilo o cualquier variable de búsqueda. Las notificaciones de su lista de observaciones se pueden enviar por correo electrónico (resumen diario o inmediato), se muestran en Mi lector de noticias o se envían a través de RSS. Otras formas de acceder a los grupos de noticias Utilice un lector de noticias a través de su escuela, empleador o proveedor de servicios de Internet Pague por el acceso de grupos de noticias de un proveedor comercial Utilice Grupos de Google Mathforum. org proporciona un lector de noticias con acceso al grupo de noticias sys. matlab comp. soft Ejecute su propio servidor. Para obtener instrucciones típicas, consulte: www. slyck / ngpage2 Seleccione su paísSobre que esta es una respuesta antigua, pero tenga en cuenta que hay rangos de frecuencias muy específicos que deben conservarse para la precisión diagnóstica de un ECG de superficie. Específicamente, se debe conservar 0,05-1 Hz para los segmentos ST de mayor fidelidad, y tal vez un paso bajo de 40 Hz para adultos y 150 Hz para pedales en el resto del ECG (también se recomienda un filtro de muesca apropiado para la frecuencia de línea) . No estoy tan familiarizado con la FIR Savitzky-Golay, pero hay que tener cuidado para garantizar que conserva frecuencias importantes en el ECG. Ndash user7116 Jul 8 13 at 15:44 1 gracias por la información. Debo señalar que no tengo mucho conocimiento de dominio de las señales de ECG, la respuesta anterior fue simplemente desde una pura perspectiva de procesamiento de señal (mediante la lista de varias funciones que se podría utilizar para filtrar una señal en general). La verdad es que no estoy tan familiarizado con el filtro SG, lo he mencionado porque lo he visto a menudo en la literatura relacionada con el ECG: uap-bd. edu/jcitpapers/vol-1no-2/IJCIT-110126.pdf ndash Amro Jul 8 13 A las 16:35 Papel pulido, gracias por la referencia Una comparación morfológica del ECG39 resultante es el factor más importante a la hora de considerar los filtros. Sin embargo, para el monitoreo ambulatorio simple (lo que muchos llamarían interpretación quotrítmica), usted tiene una amplia latitud en la selección de filtros, ya que está bien con alguna distorsión de la señal. Ndash user7116 Jul 8 13 at 16: 50Removal de la línea de base deambulan de la señal de ECG basada en un filtro de promedio móvil ponderado estadístico En línea: 04 de mayo 2011 Recibido: 27 de agosto de 2010 Revisado: 11 de noviembre 2010 Citar este artículo como: Z. Zhang, NJ Zhejiang Univ. - Sci. C (2011) 12: 397. doi: 10.1631 / jzus. C1010311 5 Citas 781 Vistas Resumen Baseline vagar es un ruido común en los resultados del electrocardiograma (ECG). Para corregir eficazmente la línea base y preservar más componentes subyacentes de una señal de ECG, se propone un método de filtrado simple y novedoso basado en un filtro de promedio móvil ponderado estadístico. Se supone que ayb son el mínimo y el máximo de todos los valores de muestra dentro de una ventana en movimiento, respectivamente. En primer lugar, toda la región a. B se divide en M sub-regiones iguales sin solapamiento. En segundo lugar, se eligen tres subregiones con las mayores probabilidades de distribución de muestras (excepto M lt3) y se incorporan en una región, designada como 0. B 0 por simplicidad. En tercer lugar, para cada punto de muestreo en la ventana en movimiento, su peso se establece en 1 si su valor cae en 0. B 0 en caso contrario, su peso es 0. Por último, se promedian todos los puntos de muestra con el peso 1 para estimar la línea de base. El algoritmo fue probado por la señal simulada de ECG y la señal de ECG real de www. physionet. org. Los resultados mostraron que el filtro propuesto podría extraer de forma más efectiva la línea de base de la señal ECG y afectar la característica morfológica de la señal de ECG considerablemente menos que el tradicional filtro de media móvil y la traducción de paquete wavelet. Palabras clave Señal de ECG Voz de línea de base Característica morfológica Filtro de media móvil Traducción de paquete de Wavelet Proyecto apoyado por el Proyecto de Ciencia y Tecnología de la provincia de Guangdong (No. 2009B060700124) y el Proyecto de Ciencia y Tecnología del Municipio de Guangzhou, provincia de Guangdong, China (No. 2010Y1-C801 ) Número CLC Referencias Boucheham, B. Ferdi, Y. Batouche, MC 2005. Corrección lineal por pieza de la línea de base de ECG errante: un enfoque de simplificación de la curva. Comput. Métodos Programas Biomed. . 78 (1): 110. El efecto de la erradicación de la línea de base en la detección automática de alternancia de las ondas T de las grabaciones holter. Comput. Cardiol. . 33: 257260. Chen, H. Y. Huang, M. Jiang, Y. X. Hai, J. 2006. Detección del segmento ST en electrocardiograma por transformada wavelet. Electr. Mach. Control. 10 (5): 531533 (en chino). MATH Clifford, G. D. Azuaje, F. McSharry, P. E. 2006. Métodos avanzados y herramientas para el análisis de datos de ECG. Artech House, Norwood, MA, p.135191. Coifman, R. R. Wickerhauser, M. V. 1992. Algoritmos basados en entropía para la mejor selección de bases. IEEE Trans. Informar. Teoría. 38 (2): 713718. Doi: 10.1109 / 18.119732 MATH CrossRef Hu, X. Gao, Y. Liu, W. X. 2009. Reconocimiento de patrones de señal electromiográfica de superficie basada en la entropía del coeficiente wavelet. Salud . 1 (2): 121126. Doi: 10.4236 / health.2009.12020 CrossRef Hu, X. Xiao, Z. Liu, C. H. 2010. Aritmética de Reducción para la Interferencia de Línea Eléctrica de ECG Basado en la Estimación de Parámetros Sinusoidales. 3er Int. Conf. Sobre Ingeniería Biomédica e Informática, p.20892092. Doi: 10.1109 / BMEI.2010.5640006 Jeong, G. Y. Yu, K. H. Yoon, M. J. Inooka, E. 2010. Clasificación de forma ST en ECG mediante la construcción de referencia ST conjunto. Medicina. Eng. Phys. . 32 (9): 10251031. Doi: 10.1016 / j. medengphy.2010.07.003 CrossRef Leski, J. M. Henzel, N. 2005. Disminución de interferencia de línea de base de ECG y de interferencia de línea eléctrica utilizando banco de filtros no lineal. Proceso de Señal. . 85 (4): 781793. Métodos de promedio ponderado de las señales de ECG utilizando la inferencia bayesiana y la minimización de la función de criterio. Biomed. Proceso de Señal. Control. 4 (2): 162169. doi: 10.1016 / j. bspc.2009.01.002 MathSciNet CrossRef NIBIB y NIGMS, 1999. PhysioNet Resource. Institutos Nacionales de Salud. Disponible en www. physionet. org/ Shi, L. Yang, C. Y. Fei, M. R. 2008. Electrocardiograma R-onda y extracción del segmento ST basada en la transformación wavelet. Barbilla. J. Sci. Instrum. . 29 (4): 804809 (en chino). Srnmo, L. 1993. Filtrado digital con variación temporal de la línea de base del ECG. Medicina. Biol. Eng. Comput. . 31 (5): 503508. Doi: 10.1007 / BF02441986 CrossRef Xu, L. S. Zhang, D. Wang, K. Q. Li, N. M. Wang, X. Y. 2007. Correlación de la línea de base en ondas de pulso utilizando un filtro adaptativo en cascada basado en wavelets. Comput. Biol. Medicina. . 37 (5): 716731. Doi: 10.1016 / jpbiomed.2006.06.014 CrossRef Información de los derechos de autor Journal of Zhejiang University Oficina de Redacción científica y Springer-Verlag Berlin Heidelberg 2011 Autores y afiliaciones Xiao Hu 1 Email Zhong Xiao 1 Ni Zhang 2 1. Escuela de Ingeniería Mecánica y Eléctrica Guangzhou University Guangzhou China 2. Hospital General de Guangdong Guangzhou China Acerca de este artículoA Un análisis más detenido del algoritmo avanzado de media móvil CODAS La media móvil versátil en el algoritmo CODAS avanzado filtra el ruido de la forma de onda, los extractos significan y elimina la deriva de línea de base. El promedio móvil es una técnica matemática simple usada principalmente para eliminar aberraciones y revelar la tendencia real en una colección de puntos de datos. Usted puede estar familiarizado con él de promediar datos ruidosos en un experimento de física de primer año, o de seguir el valor de una inversión. Es posible que no sepa que el promedio móvil es también un prototipo del filtro de respuesta al impulso finito, el tipo más común de filtro utilizado en la instrumentación computarizada. En los casos en que una forma de onda dada está llena de ruido, donde se necesita extraer una media de una señal periódica, o cuando se necesita eliminar una línea de base lentamente a una señal de frecuencia más alta, se puede aplicar un filtro de media móvil para lograr la deseada resultado. El algoritmo de media móvil de Advanced CODAS ofrece este tipo de rendimiento de filtrado de formas de onda. Advanced CODAS es un paquete de software de análisis que opera en los archivos de datos de forma de onda existentes creados por los paquetes de adquisición de datos WinDaq o de segunda generación de WinDaq de primera generación. Además del algoritmo de media móvil, Advanced CODAS también incluye una utilidad de generador de informes y rutinas de software para integración de formas de onda, diferenciación, captura de pico y valle, rectificación y operaciones aritméticas. Teoría del filtro de media móvil El algoritmo de media móvil DATAQ Instruments permite una gran flexibilidad en las aplicaciones de filtrado de formas de onda. Puede utilizarse como un filtro de paso bajo para atenuar el ruido inherente a muchos tipos de formas de onda, o como un filtro de paso alto para eliminar una línea de base a la deriva a partir de una señal de frecuencia más alta. El procedimiento utilizado por el algoritmo para determinar la cantidad de filtrado implica el uso de un factor de suavizado. Este factor de suavizado, controlado por usted a través del software, se puede aumentar o disminuir para especificar el número de puntos de datos de forma de onda reales o muestras que el promedio móvil se extenderá. Cualquier forma de onda periódica puede considerarse como una cadena larga o una colección de puntos de datos. El algoritmo logra un promedio móvil tomando dos o más de estos puntos de datos de la forma de onda adquirida, sumándolos, dividiendo su suma por el número total de puntos de datos agregados, reemplazando el primer punto de datos de la forma de onda por el promedio que se acaba de calcular y Repitiendo los pasos con los puntos de datos segundo, tercero y así sucesivamente hasta que se alcanza el final de los datos. El resultado es una segunda forma de onda generada que consta de los datos promediados y que tiene el mismo número de puntos que la forma de onda original. Figura 1 8212 Cualquier forma de onda periódica puede considerarse como una cadena larga o una colección de puntos de datos. En la ilustración anterior, los puntos de datos de forma de onda consecutivos se representan mediante quotyquot para ilustrar cómo se calcula el promedio móvil. En este caso, se aplicó un factor de suavizado de tres, lo que significa que se añaden tres puntos de datos consecutivos de la forma de onda original, su suma dividida por tres, y este cociente se representa como el primer punto de datos de una forma de onda generada. El proceso se repite con el segundo, tercer y así sucesivamente puntos de datos de la forma de onda original hasta que se alcanza el final de los datos. Una técnica quotfeatheringquot especial promedia los puntos de datos inicial y final de la forma de onda original para asegurar que la forma de onda generada contiene el mismo número de puntos de datos que el original. La figura 1 ilustra cómo se aplica el algoritmo de media móvil a los puntos de datos de forma de onda (que están representados por y). La ilustración presenta un factor de suavizado de 3, lo que significa que el valor promedio (representado por a) se calculará sobre 3 valores de datos de forma de onda consecutivos. Observe la superposición que existe en los cálculos del promedio móvil. Es esta técnica de superposición, junto con un tratamiento especial de principio y fin que genera el mismo número de puntos de datos en la forma de onda media que existía en el original. La forma en que el algoritmo calcula un promedio móvil merece una mirada más cercana y se puede ilustrar con un ejemplo. Digamos que hemos estado en una dieta durante dos semanas y queremos calcular nuestro peso promedio durante los últimos 7 días. Sumaríamos nuestro peso el día 7 con nuestro peso en los días 8, 9, 10, 11, 12 y 13 y luego multiplicaríamos por 1/7. Para formalizar el proceso, esto puede expresarse como: a (7) 1/7 (y (7) y (8) y (9) y (13)) Esta ecuación puede generalizarse más. La media móvil de una forma de onda puede calcularse mediante: Donde: un valor promediado n posición de punto de datos s factor de suavización y valor de punto de datos real Figura 2 8212 La forma de onda de salida de la celda de carga mostrada original y no filtrada en el canal superior y como punto 11 Moviendo la forma de onda promediada en el canal inferior. El ruido que aparece en la forma de onda original se debió a las intensas vibraciones creadas por la prensa durante la operación de empaquetado. La clave de esta flexibilidad de algoritmos es su amplia gama de factores de suavizado seleccionables (de 2 - 1.000). El factor de suavizado determina cuántos puntos de datos reales o muestras se promediarán. Especificar cualquier factor de suavizado positivo simula un filtro de paso bajo mientras que la especificación de un factor de suavizado negativo simula un filtro de paso alto. Dado el valor absoluto del factor de suavizado, los valores más altos aplican mayores restricciones de suavizado en la forma de onda resultante y, a la inversa, los valores inferiores aplican menos suavizado. Con la aplicación del factor de suavizado adecuado, el algoritmo también se puede utilizar para extraer el valor medio de una forma de onda periódica dada. Un factor de suavizado positivo más alto se aplica típicamente para generar valores medios de forma de onda. Aplicación del algoritmo de media móvil Una característica destacada del algoritmo de media móvil es que puede aplicarse muchas veces a la misma forma de onda si es necesario para obtener el resultado de filtrado deseado. El filtrado de formas de onda es un ejercicio muy subjetivo. Lo que puede ser una forma de onda debidamente filtrada para un usuario puede ser inaceptablemente ruidoso para otro. Sólo usted puede juzgar si el número de puntos promedio seleccionados fue demasiado alto, demasiado bajo o simplemente correcto. La flexibilidad del algoritmo le permite ajustar el factor de suavizado y hacer otro paso a través del algoritmo cuando no se logran resultados satisfactorios con el intento inicial. La aplicación y las capacidades del algoritmo de media móvil se pueden ilustrar mejor mediante los siguientes ejemplos. Figura 3 8212 La forma de onda de ECG mostrada en original y no filtrada en el canal superior y como forma de onda en promedio móvil de 97 puntos en el canal inferior. Obsérvese la ausencia de deriva basal en el canal inferior. Ambas formas de onda se muestran en una condición comprimida para propósitos de presentación. Una aplicación de reducción de ruido En los casos en que una forma de onda dada está llena de ruido, el filtro de media móvil puede aplicarse para suprimir el ruido y producir una imagen más clara de la forma de onda. Por ejemplo, un cliente CODAS avanzado estaba utilizando una prensa y una celda de carga en una operación de empaquetado. Su producto debıa ser comprimido a un nivel predeterminado (controlado por la célula de carga) para reducir el tama~no del envase requerido para contener el producto. Por razones de control de calidad, decidieron monitorear la operación de la prensa con instrumentación. Un problema inesperado apareció cuando comenzaron a ver la salida de celda de carga en tiempo real. Dado que la máquina de prensa vibraba considerablemente durante el funcionamiento, la forma de onda de salida de las células de carga era difícil de discernir porque contenía una gran cantidad de ruido debido a la vibración como se muestra en el canal superior de la figura 2. Este ruido se eliminó generando un canal promedio de 11 puntos en movimiento como se muestra en el canal inferior de la Figura 2. El resultado fue una imagen mucho más clara de la salida de las células de carga. Una aplicación en la eliminación de la deriva de la línea de base En los casos en que una línea de base de derivación lentamente necesita ser eliminada de una señal de frecuencia más alta, el filtro de media móvil puede aplicarse para eliminar la línea de base de deriva. Por ejemplo, una forma de onda de ECG típicamente exhibe cierto grado de desviación de línea de base como puede verse en el canal superior de la Figura 3. Esta deriva de línea de base puede ser eliminada sin cambiar o alterar las características de la forma de onda como se muestra en el canal inferior de la Figura 3. Esto se logra aplicando un factor de suavizado de valor negativo apropiado durante el cálculo del promedio móvil. El factor de suavizado apropiado se determina dividiendo un periodo de forma de onda (en segundos) por el intervalo de muestreo de canales. El intervalo de muestreo de canales es simplemente el recíproco de la tasa de muestreo de canales y se muestra convenientemente en el menú de utilidad de media móvil. El período de la forma de onda se determina fácilmente a partir de la pantalla de visualización colocando el cursor en un punto conveniente en la forma de onda, estableciendo un marcador de tiempo y moviendo el cursor un ciclo completo lejos del marcador de tiempo mostrado. La diferencia de tiempo entre el cursor y el marcador de tiempo es un período de forma de onda y se muestra en la parte inferior de la pantalla en segundos. En nuestro ejemplo de ECG, la forma de onda poseía un intervalo de muestra de canal de 0,004 segundos (obtenido del menú de utilidad de medio móvil) y un período de forma de onda se midió para extender 0,388 segundos. Dividiendo el período de la forma de onda por el intervalo de muestreo de los canales nos dio un factor de suavizado de 97. Puesto que es la deriva de la línea de fondo que estamos interesados en eliminar, aplicamos un factor de suavizado negativo (-97) al algoritmo del promedio móvil. Esto, en efecto, restó el resultado promedio móvil de la señal de forma de onda original, que eliminó la deriva de la línea base sin alterar la información de la forma de onda. Cualquiera que sea la aplicación, la razón universal para aplicar un filtro de media móvil es quotsmooth outquot las aberraciones altas y bajas y revelan un valor de forma de onda intermedia más representativo. Al hacer esto, el software no debe comprometer otras características de la forma de onda original en el proceso de generar una forma de onda media móvil. Por ejemplo, el software debe ajustar automáticamente la información de calibración asociada con el archivo de datos original, de modo que la forma de onda promedio móvil esté en las unidades de ingeniería apropiadas cuando se genere. Todas las lecturas de las cifras se tomaron utilizando el software WinDaq Data Acquisition
No comments:
Post a Comment