• Ураков Ш.У., Жураев Ж.У., Абдуллаева С.Б., Тохирова Ф.А.
  1 – Самаркандский государственный медицинский институт, Республика Узбекистан, г. Самарканд; 2 - Самаркандский государственный университет, Республика Узбекистан, г. Самарканд

Аннотация

Данная статья посвящена построению фрагментно-вейвлетных моделей, которые считаются важными при обработке биомедицинских сигналов. Эти модели построены с использованием неразрывных вейвлетов Хаара, а также вейвлетов Добеши. Фрагментарные вейвлет-модели Хаара обладают высокой точностью цифровой обработки биомедицинских сигналов, что в значительной степени способствует предоставлению полезной информации о том, как врачи принимают решения о заболеваниях пациентов. В качестве примера были взяты первые экспериментальные данные гастроэнтерологического сигнала, на основе которых были построены фрагментарные и вейвлет-модели Добеши и оценены их ошибки. Известно, что модификация сигналов с использованием фрагментарных длин волн приводит к образованию ортонормированных вейвлетов, что приводит к резкому увеличению ошибок вдоль сигнального графика, и вейвлеты Добеши использовались для уменьшения этих ошибок, что приводило к уменьшению ошибок.

Ключевые слова

вейвлет Добеши, модификация вейвлета, ошибка цифровой обработки, относительная ошибка, вейвлет Xaar, вейвлет с постоянной фрагментарностью Xaar, ортогональные вейвлеты, функция масштабирования, родительский вейвлет.

Литература

Акимов П.А., Мозгалева М.Л., “Некоторые элементы кратномасш табного вейвлет-анализа. часть 2. анализ и синтез”, Вестник МГСУ, 2012, № 8, 60–65

Астафьева Н.М. Вейвлет-анализ: Основы теории и примеры применения // Успехи физических наук, 1996, т.166, № 11. С. 1145– 1170.

Фильтрации сигналов и изображений: фурье и вейвлет алгоритмы (с примерами в Mathcad): монография/ Ю. Е. Воскобойников, А. В. Го-чаков, А. Б. Колкер; Новосиб. гос. архитектур.-строит. ун-т (Сибстрин). – Новосибирск: НГАСУ (Сибстрин), 2010. – 188 с.

Ахметханов Р.С., Дубинин Е.Ф., Куксова В.И., “Применение вейв-лет преобразований для анализа экспериментальных данных”, Проблемы машиностроения и автоматизации, 2012, №4, 39–45

Зайнидинов Х.Н. Методы и средства обработки сигналов в кусочно полиномиальных вейвлетах. // «Ташкент», 2015. 70 стр.

Зайнидинов Х.Н., Сплайны в задачах цифровой обработки сигналов //Ташкентский университет информационных технологий-Т.: «Fan va texnologiya», 2015, 208 с.

Зайнидинов Х.Н, Атаджанова М.П, Жиянбеков Х. Р, “Многопроцес сорная вычислительная структура для выполнения быстрых спектральных преобразований в двумерных базисах”, автоматика и программная инженерия, Новосибирск. 2016. 38-42 стр.

Добеши И. Десять лекций по вейвлетам. – М.: Ижевск: РХД, 2001.

Daubechies I. The Wavelet Transform, Time-Frequency Localization and Signal Analysis //IEEE Trans. Inform. Theory, 1990, № 5. P. 961-1005.

Фрик П.Г., Вейвлет-анализ и иерархические модели турбулен тности: Препринт/ИМСС УоР РАН. Пермь, 19925.

Amit kumar and Rajnish Manwall, ‘WAVELET BASED COMPRESSI- ON OF BIOLOGICAL IMAGES’, International Journal of data and network security, Volume 3-No-1, ISSN23191236, February 2011.

Bakhtadze N., Sakrutina E., “Applying the Multi-Scale Wavelet-Trans-form to the Identification of Non-linear Time-varying Plants”, IFAC PAPERSONLINE, 49:12 (2016), 1927–1932

Perov D.V., Rinkevich A.B., “Localization of Reflectors in Plates By Ultrasonic Testing With Lamb Waves”, Russ. J. Nondestr. Test., 53:4 (2017), 265–278.

Sukharev A.L., “Variability of the Extragalactic Radio Sources 3C 446- and Bl Lac in the Centimeter Wavelength Range”, Astrophysics, 58:1 (2015), 1–13

Turovsky Ya. A., Kurgalin S. D., Vahtin A. A., Borzunov S. V., Belobrodsky V. A., “Event-related brain potential investigation using the adaptive wavelet recovery method”, BIOPHYSICS, 60:3 (2015), 443.