Moving Average Filter Ecg

Como um exemplo SMA, considere uma segurança com os seguintes preços de fechamento em 15 dias: Semana 1 (5 dias) 20, 22, 24, 25, 23 Semana 2 (5 dias) 26, 28, 26, 29, 27 Semana 3 (5 dias) 28, 30, 27, 29, 28 Uma MA de 10 dias seria a média dos preços de fechamento para os primeiros 10 dias como o primeiro ponto de dados. O ponto de dados seguinte iria cair o preço mais antigo, adicionar o preço no dia 11 e tomar a média, e assim por diante, como mostrado abaixo. Conforme mencionado anteriormente, MAs atraso ação preço atual, porque eles são baseados em preços passados ​​quanto maior for o período de tempo para o MA, maior o atraso. Assim, um MA de 200 dias terá um grau muito maior de atraso do que um MA de 20 dias porque contém preços nos últimos 200 dias. A duração da MA a ser utilizada depende dos objetivos de negociação, com MAs mais curtos usados ​​para negociação de curto prazo e MAs de longo prazo mais adequados para investidores de longo prazo. O MA de 200 dias é amplamente seguido por investidores e comerciantes, com quebras acima e abaixo desta média móvel considerada como sinais comerciais importantes. MAs também transmitir sinais comerciais importantes por conta própria, ou quando duas médias se cruzam. Um aumento MA indica que a segurança está em uma tendência de alta. Enquanto um declínio MA indica que ele está em uma tendência de baixa. Da mesma forma, o impulso ascendente é confirmado com um crossover de alta. Que ocorre quando um MA de curto prazo cruza acima de um MA de longo prazo. Momento descendente é confirmado com um crossover de baixa, o que ocorre quando um MA de curto prazo cruza abaixo de um MA. how mais longo prazo para executar filtro de média móvel e filtro sgolay Gostaria de saber como executar filtro de média móvel e sgolay filtro para suavização O sinal ecg eu já tentei com a média móvel quando eu uso a média móvel os picos recebendo. Eles têm apenas para suavizar os dados, mas quando eu uso a média móvel, usando a sua função de transferência como eu já disse que os picos estão recebendo e ele não se parece com sinal ecg. Na verdade, meu objetivo é suavizar os dados usando qualquer um do filtro suave e, em seguida, passá-lo através do filtro iirnotch. Se eu fizer isso haverá qualquer melhoria na snr do sinal filtrado. Assunto: como executar filtro de média móvel e sgolay filtro De: Wayne King sugasini vaithiyanathan escreveu na mensagem ltilkkvljhn1fred. mathworksgt. Gt Gostaria de saber como executar filtro de média móvel e sgolay filtro para suavizar o sinal ecg eu já tentei com média móvel quando eu uso a média móvel os picos obtendo. Eles têm apenas para suavizar os dados, mas quando eu uso a média móvel, usando a sua função de transferência como eu já disse que os picos estão recebendo e ele não se parece com sinal ecg. Na verdade, meu objetivo é suavizar os dados usando qualquer um do filtro suave e, em seguida, passá-lo através do filtro iirnotch. Se eu fizer isso haverá qualquer melhoria na snr do sinal filtrado. Tem certeza de que você não quer remover o componente de linha de 50 ou 60 Hz primeiro usando iirnotch antes de aplicar um filtro de suavização que eu faria isso. De qualquer forma, consulte a ajuda para sgolay () na Caixa de Ferramentas de Processamento de Sinais para saber como aplicar um filtro de suavização Savitzky-Golay. E para a média móvel, você pode usar conv (). Deve ser bastante simples sobre como usá-lo. Algo como smoothedSignal conv (originalSignal, uns (1, 5)) Wayne King ltwmkingtygmailgt escreveu na mensagem ltilkn181jv1fred. mathworksgt. Gt sugasini vaithiyanathan escreveu na mensagem ltilkkvljhn1fred. mathworksgt. Gt gt Gostaria de saber como executar filtro de média móvel e sgolay filtro para suavizar o sinal ecg eu já tentei com média móvel quando eu uso a média móvel a obtenção de picos. Eles têm apenas para suavizar os dados, mas quando eu uso a média móvel, usando a sua função de transferência como eu já disse que os picos estão recebendo e ele não se parece com sinal ecg. Na verdade, meu objetivo é suavizar os dados usando qualquer um do filtro suave e, em seguida, passá-lo através do filtro iirnotch. Se eu fizer isso haverá qualquer melhoria na snr do sinal filtrado. Gt gt Tem certeza de que não deseja remover o componente de linha de 50 ou 60 Hz primeiro usando iirnotch antes de aplicar um filtro de suavização Eu faria isso. Gt gt De qualquer forma, consulte a ajuda para sgolay () na Caixa de Ferramentas de Processamento de Sinal para saber como aplicar um filtro de suavização Savitzky-Golay. Gt gt Wayne Eu suspeito que você pode ter dificuldade com as etapas iniciais, como a leitura dos dados e traçar os resultados. Se você tiver sucesso nisso, podemos aconselhá-lo sobre os próximos passos para a filtragem S-G. Os comandos do MATLAB xlsread e plot podem ajudá-lo a começar. Além disso, como Wayne recomenda, sgolay e sgolayfilt certamente vai ajudar depois you8217ve ido além de leitura e conspiração. Uma ideia rápida da linha de chegada: oferecemos uma demonstração sobre o uso de S-G para suavizar os sinais de ECG. Se você digitar: você verá uma GUI para filtragem interativa de um sinal de ECG barulhento. Parece fazer o que você está pedindo em sua postagem - exceto que você quer usar seus dados, é claro, não nossos. A demonstração não fornece essa capacidade, mas demonstra o que é possível eo código para fazê-lo. O uso desta demonstração requer a Caixa de Ferramentas de Processamento de Sinal. Se você digitar 8220ver8221 na linha de comando MATLAB, você pode ver a lista de produtos MathWorks aos quais você tem acesso. Sugasini vaithiyanathan escreveu na mensagem ltilmqt1c461fred. mathworksgt. Gt Don Orofino ltdonmathworks. DOTgt escreveu na mensagem ltill1q87oh1fred. mathworksgt. Gt gt Wayne King ltwmkingtygmailgt escreveu na mensagem ltilkn181jv1fred. mathworksgt. Gt gt gt sugasini vaithiyanathan escreveu na mensagem ltilkkvljhn1fred. mathworksgt. Gt gt gt gt Gostaria de saber como executar filtro de média móvel e sgolay filtro para suavizar o sinal ecg eu já tentei com média móvel quando eu uso a média móvel os picos recebendo. Eles têm apenas para suavizar os dados, mas quando eu uso a média móvel, usando a sua função de transferência como eu já disse que os picos estão recebendo e ele não se parece com sinal ecg. Na verdade, meu objetivo é suavizar os dados usando qualquer um do filtro suave e, em seguida, passá-lo através do filtro iirnotch. Se eu fizer isso haverá qualquer melhoria na snr do sinal filtrado. Você tem certeza que não quer remover o componente de linha de 50 ou 60 Hz primeiro usando iirnotch antes de aplicar um filtro de suavização Eu faria isso. No entanto, consulte a ajuda para sgolay () na Caixa de Ferramentas de Processamento de Sinal para saber como aplicar um filtro de suavização Savitzky-Golay. Suspeito que você pode estar tendo dificuldade com os passos iniciais, como a leitura dos dados e traçar os seus resultados. Por favor, Se você tiver sucesso nisso, podemos aconselhá-lo sobre os próximos passos para a filtragem S-G. Os comandos do MATLAB xlsread e plot podem ajudá-lo a começar. Gt gt gt gt Também como Wayne recomenda, sgolay e sgolayfilt certamente vai ajudar depois de you8217ve ido além de leitura e conspiração. Gt gt gt gt Uma idéia rápida da linha de chegada: nós fornecemos uma demonstração sobre o uso de S-G para suavizar sinais ECG. Se você digitar: gt gt gt gt gtgt sgolaydemo gt gt gt gt você verá uma GUI para filtragem interativa de um sinal de ECG barulhento. Parece fazer o que você está pedindo em sua postagem - exceto que você quer usar seus dados, é claro, não nossos. A demonstração não fornece essa capacidade, mas demonstra o que é possível eo código para fazê-lo. O uso desta demonstração requer a Caixa de Ferramentas de Processamento de Sinal. Se você digitar 8220ver8221 na linha de comando MATLAB, você pode ver a lista de produtos MathWorks aos quais você tem acesso. Gt gt gt gt - Não gt gt obrigado, gt Estou muito claro na leitura do meu sinal de entrada e traçá-lo. Eu posso ler o sinal ecg de entrada com folha de Excel e também do espaço de trabalho matlab eu duvido sobre ele. Gt gt Eu vi o sgolaydemo de que eu tenho algumas idéias, mas não estou claro gt, usando o filtro de solay podemos obter o sinal ecg limpo ou sinal suavizado gt gt e também eu gostaria de saber que nessa demo sgolay os parâmetros de filtragem São grau de polinômio e tamanho de quadro, mas quando eu olhar para sgolayfilt como Wayne sugeriu eu vi notado alguns parâmetros mais como fator de ponderação W e dimensão DIM com esses parâmetros meus dados de entrada consiste em 3600x1 você pode me sugerir quais são os parâmetros devo usar e wat Valores posso dar para ele aproximadamente. Oi, eu acho que Dons sugestão para olhar sgolaydemo é um bom para ver o que a interação é entre grau polinomial e tamanho do quadro. Você deve fazer algumas coisas com essa demo: 1.) Corrija o grau de polinômio enquanto varia o tamanho do quadro. 2.) Corrigir o tamanho do quadro ao variar o grau do polinômio. Eu acho que se você fizer isso você vai ver o que esses parâmetros comprá-lo. Em termos de limpo versus suavizado eu acho que você pode precisar pensar sobre o que esses termos significam para você um pouco. Em algumas aplicações, eles são muito sinônimo. Em outras aplicações, eles não são. Porque você está analisando um sinal de ECG, estou supondo que você deseja preservar o complexo QRS, tanto quanto possível. Você não nos disse qual é sua freqüência de amostragem, mas eu sugeriria determinar quantos pontos de dados constituem um complexo QRS, incluindo os intervalos PR e QT. Use isso como seu tamanho de quadro inicial. Uma vez que o complexo QRS tem algumas características nítidas que você deseja preservar, inicialmente eu comecei com um polinômio de ordem 4 ou 5. O grau polinomial tem que ser menor que o tamanho do quadro, mas eu estou adivinhando (e esperando) o seu quadro Tamanho será muito maior do que isso. Se não, então o meu palpite sobre um bom tamanho inicial deve ser ajustado. Eu inicialmente não se preocupar com o vetor de peso. Mais uma vez, acho que você deve seguir conselhos Dons e passar algum tempo com a demo para ver como esses parâmetros interagem. Isso permitirá que você olhe para seus resultados iniciais e tenha uma suposição informada sobre como proceder em vez de apenas alterar parâmetros sem qualquer razão principal. Finalmente, você mencionou em seu post anterior que você planejava usar um filtro de entalhe. Se por um sinal limpo, você quer dizer que seus dados estão corrompidos por 50 ou 60 Hz de ruído, então eu acho que você deve remover o primeiro. Fora da minha cabeça, eu não sei muito sobre a distribuição de energia na freqüência de dados ECG típico, mas Im supondo que 50 ou 60 Hz é suficientemente longe removida na freqüência que você pode entalhar filtro sem afetar seus dados de forma apreciável. Sobre Newsgroups, Newsreaders e MATLAB Central O que são newsgroups Os newsgroups são um fórum mundial aberto a todos. Grupos de notícias são usados ​​para discutir uma enorme variedade de tópicos, fazer anúncios e trocar arquivos. As discussões são encadeadas ou agrupadas de uma forma que lhe permite ler uma mensagem postada e todas as suas respostas em ordem cronológica. Isto torna mais fácil seguir o fio da conversa e ver whatrsquos já foi dito antes de postar sua própria resposta ou fazer uma nova postagem. O conteúdo do grupo de notícias é distribuído por servidores hospedados por várias organizações na Internet. As mensagens são trocadas e gerenciadas usando protocolos de padrão aberto. Nenhuma entidade única ldquoownsrdquo os newsgroups. Existem milhares de newsgroups, cada um abordando um único tópico ou área de interesse. O MATLAB Central Newsreader publica e exibe mensagens no newsgroup comp. soft-sys. matlab. Como faço para ler ou publicar nos newsgroups Você pode usar o leitor de notícias integrado no site da MATLAB Central para ler e publicar mensagens neste newsgroup. MATLAB Central é hospedado por MathWorks. As mensagens enviadas através do Central Newsreader do MATLAB são vistas por todos os grupos de notícias, independentemente de como eles acessam os grupos de notícias. Há várias vantagens em usar o MATLAB Central. Uma Conta A sua conta do MATLAB Central está ligada à sua Conta MathWorks para facilitar o acesso. Use o endereço de e-mail da sua escolha O MATLAB Central Newsreader permite que você defina um endereço de e-mail alternativo como seu endereço de postagem, evitando a confusão na sua caixa postal principal e reduzindo o spam. Controle de Spam A maioria de spam do newsgroup é filtrada para fora pelo newsreader central de MATLAB. Marcação As mensagens podem ser marcadas com um rótulo relevante por qualquer usuário conectado. As tags podem ser usadas como palavras-chave para encontrar arquivos particulares de interesse ou como uma maneira de categorizar suas postagens marcadas. Você pode optar por permitir que outras pessoas visualizem suas tags e você pode exibir ou pesquisar outras tags, bem como as da comunidade em geral. Tagging fornece uma maneira de ver tanto as grandes tendências e as menores, mais obscuras idéias e aplicações. Listas de vigilância A configuração de listas de observação permite que você seja notificado das atualizações efetuadas nas postagens selecionadas por autor, segmento ou qualquer variável de pesquisa. As notificações da sua lista de observações podem ser enviadas por email (resumo diário ou imediato), exibidas em Meu leitor de notícias ou enviadas via feed RSS. Outras maneiras de acessar os grupos de notícias Use um leitor de notícias através de sua escola, empregador ou provedor de serviços de internet Pagar pelo acesso de grupos de notícias de um provedor comercial Usar Grupos do Google Mathforum. org fornece um leitor de notícias com acesso ao grupo de notícias comp. soft sys. matlab Execute seu próprio servidor. Para obter instruções típicas, consulte: www. slyck / ngpage2 Selecione seu paísEu sei que esta é uma resposta antiga, mas tenha em mente que há intervalos de freqüência muito específicos que precisam ser preservados para a precisão diagnóstica de um ECG de superfície. Especificamente, deve-se preservar 0,05-1 Hz para os segmentos ST de fidelidade mais alta, e talvez um passa-baixa de 40Hz para adultos e 150Hz para peds no restante do ECG (um filtro de entalhe apropriado para a freqüência de linha também é encorajado) . I39m não tão familiarizado com a FIR Savitzky-Golay, mas deve-se tomar cuidado para garantir que preserva freqüências importantes no ECG. Ndash user7116 Jul 8 13 at 15:44 1 obrigado pela informação. Eu devo salientar que eu não tenho muito conhecimento de domínio de sinais de ECG, a resposta acima foi simplesmente a partir de uma perspectiva de processamento de sinal puro (listando várias funções que se poderia usar para filtrar um sinal em geral). A verdade é que não estou familiarizado com o filtro SG, também o mencionei porque o vi com freqüência na literatura relacionada ao ECG: uap-bd. edu/jcitpapers/vol-1no-2/IJCIT-110126.pdf ndash Amro Jul 8 13 Às 16:35 Papel puro, obrigado pela referência Uma comparação morfológica do ECG39 resultante é o fator mais importante quando se consideram os filtros. No entanto, para monitoramento ambulatorial simples (o que muitos chamariam de interpretação quotrítmica) você tem uma ampla latitude na seleção de filtros como você está Ok com alguma distorção de sinal. Ndash user7116 Jul 8 13 em 16: 50Removal da linha de base vaguear de sinal de ECG com base em um filtro de média móvel ponderada estatística Em primeiro lugar: 04 de maio de 2011 Revisão: 11 de novembro de 2010 Citar este artigo como: Hu, X. Xiao, Z. Zhang, NJ Zhejiang Univ. - Sci. C (2011) 12: 397. doi: 10.1631 / jzus. C1010311 5 Citações 781 Visualizações Resumo Baseline vagar é um ruído comum em eletrocardiograma (ECG) resultados. Para efetivamente corrigir a linha de base e preservar mais componentes subjacentes de um sinal de ECG, propomos um método de filtragem simples e inovador baseado em um filtro de média móvel ponderada estatística. Suposto aeb são o mínimo e máximo de todos os valores de amostra dentro de uma janela em movimento, respectivamente. Em primeiro lugar, toda a região a. B é dividido em M sub-regiões iguais sem sobreposição. Em segundo lugar, são escolhidas três sub-regiões com maiores probabilidades de distribuição de amostras (com excepção de M lt3) e incorporadas numa região, designada por 0. B 0 por simplicidade. Em terceiro lugar, para cada ponto de amostra na janela em movimento, seu peso é definido como 1 se seu valor cair em 0. B 0 caso contrário, o seu peso é 0. Por último, todos os pontos de amostra com peso 1 são calculados para estimar a linha de base. O algoritmo foi testado pelo sinal ECG simulado e sinal de ECG real de www. physionet. org. Os resultados mostraram que o filtro proposto poderia extrair mais efetivamente a linha de base do sinal ECG e afetar a característica morfológica do sinal de ECG consideravelmente menor do que o tradicional filtro de média móvel ea tradução do pacote wavelet. Palavras-chave sinal de ECG Balanço de linha de base Característica morfológica Filtro de média móvel Filtro de pacote de Wavelet Projeto apoiado pelo Projeto de Ciência e Tecnologia da Província de Guangdong (No. 2009B060700124) eo Projeto de Ciência e Tecnologia do Município de Cantão, Província de Guangdong, China (No. 2010Y1-C801 ) Número CLC Referências Boucheham, B. Ferdi, Y. Batouche, MC 2005. Correção linear por peça do andamento da linha de base do ECG: uma abordagem de simplificação da curva. Comput. Métodos Programas Biomed. . 78 (1): 110. O efeito do andamento da linha de base na detecção automática de alternância de ondas T a partir de gravações de holter. Comput. Cardiol. . 33: 257260. Chen, H. Y. Huang, M. Jiang, Y. X. Hai, J. 2006. Detecção do segmento ST no eletrocardiograma por transformada wavelet. Electr. Mach. Ao controle . 10 (5): 531533 (em chinês). MATH Clifford, G. D. Azuaje, F. McSharry, P. E. 2006. Métodos avançados e ferramentas para a análise de dados do ECG. Artech House, Norwood, MA, p.135191. Coifman, R. R. Wickerhauser, M. V. 1992. Algoritmos baseados em entropia para melhor seleção de base. IEEE Trans. Informar. Teoria. 38 (2): 713718. Doi: 10.1109 / 18.119732 MATH CrossRef Hu, X. Gao, Y. Liu, W. X. 2009. Reconhecimento de padrões do sinal de eletromiografia de superfície baseado na entropia do coeficiente wavelet. Saúde . 1 (2): 121126. Doi: 10.4236 / health.2009.12020 CrossRef Hu, X. Xiao, Z. Liu, C. H. 2010. Aritmética de Redução para Interferência de Linha de Energia de ECG com base na estimativa de parâmetros sinusoidais. 3º Int. Conf. Em Engenharia Biomédica e Informática, p.20892092. Doi: 10.1109 / BMEI.2010.5640006 Jeong, G. Y. Yu, K. H. Yoon, M. J. Inooka, E. 2010. Classificação de forma ST em ECG pela construção de referência ST set. Med. Eng. Phys. . 32 (9): 10251031. Doi: 10.1016 / j. medengphy.2010.07.003 CrossRef Leski, J. M. Henzel, N. 2005. Redução da interferência da linha de base e da linha eléctrica do ECG com banco de filtros não linear. Processo de Sinal. . 85 (4): 781793. Doi: 10.1016 / j. sigpro.2004.12.001 MATH CrossRef Momot, A. 2009. Métodos de média ponderada de sinais de ECG usando inferência bayesiana e minimização da função critério. Biomed. Processo de Sinal. Ao controle . 4 (2): 162169. doi: 10.1016 / j. bspc.2009.01.002 MathSciNet CrossRef NIBIB e NIGMS, 1999. PhysioNet Resource. Instituto Nacional de Saúde. Disponível em www. physionet. org/ Shi, L. Yang, C. Y. Fei, M. R. 2008. Electrocardiograma R-onda e extração do segmento ST com base em transformada wavelet. Queixo. J. Sci. Instrum. . 29 (4): 804809 (em chinês). Srnmo, L. 1993. Variação temporal da filtragem digital de ECG baseline vagar. Med. 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. Baseline wander correção em formas de onda de pulso usando wavelet baseado em cascata filtro adaptativo. Comput. Biol. Med. . 37 (5): 716731. Doi: 10.1016 / jpbiomed.2006.06.014 CrossRef Direitos de autor Jornal da Universidade de Ciência de Zhejiang Escritório de Ciências e Springer-Verlag Berlim Heidelberg 2011 Autores e Afiliações Xiao Hu 1 Email Zhong Xiao 1 Ni Zhang 2 1. Escola de Engenharia Mecânica e Elétrica Guangzhou University Guangzhou China 2. Guangdong General Hospital Guangzhou China Sobre este artigo Um olhar mais atento sobre o avançado algoritmo de média móvel CODAS A média móvel versátil no algoritmo CODAS avançado filtra o ruído de forma de onda, os extratos significam e elimina a deriva da linha de base. A média móvel é uma técnica matemática simples usada principalmente para eliminar aberrações e revelar a tendência real em uma coleção de pontos de dados. Você pode estar familiarizado com ele a partir da média de dados ruidosos em uma experiência de física de caloiro, ou de rastrear o valor de um investimento. Você pode não saber que a média móvel é também um protótipo do filtro de resposta de impulso finito, o tipo mais comum de filtro usado em instrumentação computadorizada. Nos casos em que uma dada forma de onda está cheia de ruído, onde uma média necessita de ser extraída de um sinal periódico, ou quando uma linha de base lentamente à deriva necessita de ser eliminada a partir de um sinal de frequência mais elevada, um filtro de média móvel pode ser aplicado para atingir o desejado resultado. O algoritmo de média móvel do Advanced CODAS oferece este tipo de desempenho de filtragem de forma de onda. Advanced CODAS é um pacote de software de análise que opera em arquivos de dados de forma de onda existentes criados pela primeira geração de pacotes de aquisição de dados WinDaq ou de segunda geração do WinDaq. Além do algoritmo de média móvel, o Advanced CODAS também inclui um utilitário de geração de relatórios e rotinas de software para integração de formas de onda, diferenciação, captação de pico e vale, rectificação e operações aritméticas. Teoria do Filtro de Movimentação Média O algoritmo de média móvel DATAQ Instruments permite uma grande flexibilidade nas aplicações de filtragem de formas de onda. Ele pode ser usado como um filtro passa-baixa para atenuar o ruído inerente em muitos tipos de formas de onda, ou como um filtro passa-alta para eliminar uma linha de base derivada de um sinal de freqüência mais alta. O procedimento usado pelo algoritmo para determinar a quantidade de filtragem envolve o uso de um fator de suavização. Este fator de suavização, controlado por você através do software, pode ser aumentado ou diminuído para especificar o número de pontos de dados de forma de onda real ou amostras que a média móvel se espalhará. Qualquer forma de onda periódica pode ser pensada como uma seqüência longa ou coleção de pontos de dados. O algoritmo realiza uma média móvel tomando dois ou mais desses pontos de dados da forma de onda adquirida, somando-os, dividindo sua soma pelo número total de pontos de dados adicionados, substituindo o primeiro ponto de dados da forma de onda pela média apenas calculada e Repetindo as etapas com o segundo, terceiro e assim por diante pontos de dados até o final dos dados é alcançado. O resultado é uma segunda forma de onda gerada, constituída pelos dados médios e com o mesmo número de pontos que a forma de onda original. Figura 1 8212 Qualquer forma de onda periódica pode ser considerada como uma seqüência longa ou coleção de pontos de dados. Na ilustração acima, pontos de dados de forma de onda consecutivos são representados por quotyquot para ilustrar como a média móvel é calculada. Neste caso, um fator de suavização de três foi aplicado, o que significa que três pontos de dados consecutivos da forma de onda original são adicionados, sua soma dividida por três, e então este quociente é plotado como o primeiro ponto de dados de uma forma de onda gerada. O processo se repete com o segundo, terceiro e assim por diante pontos de dados da forma de onda original até o final dos dados é atingido. Uma técnica de quotfeatheringquot especial faz a média dos pontos de dados iniciais e finais da forma de onda original para garantir que a forma de onda gerada contenha o mesmo número de pontos de dados que o original. A Figura 1 ilustra como o algoritmo de média móvel é aplicado a pontos de dados de forma de onda (que são representados por y). A ilustração apresenta um fator de suavização de 3, o que significa que o valor médio (representado por a) será calculado sobre 3 valores de dados de forma de onda consecutivos. Observe a sobreposição que existe nos cálculos da média móvel. É essa técnica de sobreposição, juntamente com um tratamento especial de ponto inicial e final que gera o mesmo número de pontos de dados na forma de onda média como existia no original. A forma como o algoritmo calcula uma média móvel merece um olhar mais atento e pode ser ilustrado com um exemplo. Digamos que temos sido em uma dieta de duas semanas e queremos calcular o nosso peso médio nos últimos 7 dias. Nós somamos nosso peso no dia 7 com nosso peso nos dias 8, 9, 10, 11, 12 e 13 e depois multiplicamos por 1/7. Para formalizar o processo, isto pode ser expresso como: a (7) 1/7 (y (7) y (8) y (9) y (13)) Esta equação pode ser mais generalizada. A média móvel de uma forma de onda pode ser calculada por: Onde: um valor médio n posição de ponto de dados fator de suavização y valor de ponto de dados real Figura 2 8212 A forma de onda de saída da célula de carga mostrada original e não filtrada no canal superior e como um ponto 11 Movendo a forma de onda média no canal inferior. O ruído que aparece na forma de onda original foi devido às intensas vibrações criadas pela prensa durante a operação de embalagem. A chave para esta flexibilidade de algoritmos é a sua ampla gama de fatores de suavização selecionáveis ​​(de 2 - 1.000). O factor de suavização determina quantos pontos de dados ou amostras reais serão calculados. Especificar qualquer fator de suavização positivo simula um filtro passa-baixa enquanto especifica um fator de suavização negativo simula um filtro passa-alta. Dado o valor absoluto do fator de suavização, valores maiores aplicam maiores restrições de suavização na forma de onda resultante e, inversamente, valores menores aplicam menos suavização. Com a aplicação do fator de suavização apropriado, o algoritmo também pode ser usado para extrair o valor médio de uma dada forma de onda periódica. Um fator de alisamento positivo mais alto é tipicamente aplicado para gerar valores de forma de onda média. Aplicando o Algoritmo de Média Móvel Uma característica saliente do algoritmo de média móvel é que ele pode ser aplicado muitas vezes à mesma forma de onda se necessário para obter o resultado de filtragem desejado. Filtragem de forma de onda é um exercício muito subjetivo. O que pode ser uma forma de onda devidamente filtrada para um usuário pode ser inaceitavelmente ruidoso para outro. Só você pode avaliar se o número de pontos médios selecionados foi muito alto, muito baixo ou apenas correto. A flexibilidade do algoritmo permite ajustar o fator de suavização e fazer outra passagem através do algoritmo quando resultados satisfatórios não são alcançados com a tentativa inicial. A aplicação e as capacidades do algoritmo de média móvel podem ser melhor ilustradas pelos exemplos seguintes. Figura 3 8212 A forma de onda ECG mostrada original e não filtrada no canal superior e como uma forma de onda média movimentada de 97 pontos no canal inferior. Observe a ausência de deriva de linha de base no canal inferior. Ambas as formas de onda são mostradas em uma condição comprimida para fins de apresentação. Uma Aplicação de Redução de Ruído Nos casos em que uma dada forma de onda está cheia de ruído, o filtro de média móvel pode ser aplicado para suprimir o ruído e produzir uma imagem mais clara da forma de onda. Por exemplo, um cliente CODAS avançado estava usando uma prensa e uma célula de carga em uma operação de empacotamento. O seu produto era para ser comprimido até um nível predeterminado (monitorizado pela célula de carga) para reduzir o tamanho da embalagem necessária para conter o produto. Por razões de controle de qualidade, eles decidiram monitorar a operação da prensa com instrumentação. Um problema inesperado apareceu quando começaram a ver a saída de células de carga em tempo real. Uma vez que a máquina de prensa vibrou consideravelmente durante a operação, a forma de onda de saída das células de carga era difícil de discernir porque continha uma grande quantidade de ruído devido à vibração como mostrado no canal superior da Figura 2. Este ruído foi eliminado gerando um canal com média de movimento de 11 pontos como mostrado no canal inferior da Figura 2. O resultado foi uma imagem muito mais clara da saída das células de carga. Uma aplicação para eliminar a deriva da linha de base Nos casos em que uma linha de base lentamente derivada precisa ser removida de um sinal de freqüência mais alta, o filtro de média móvel pode ser aplicado para eliminar a linha de base da derivação. Por exemplo, uma forma de onda ECG exibe tipicamente algum grau de desvio de linha de base tal como pode ser visto no canal superior da Figura 3. Esta deriva de linha de base pode ser eliminada sem alterar ou perturbar as características da forma de onda como mostrado no canal inferior da Figura 3. Isto é conseguido aplicando um factor de suavização de valor negativo apropriado durante o cálculo da média móvel. O fator de suavização apropriado é determinado dividindo um período de forma de onda (em segundos) pelo intervalo de amostra de canais. O intervalo de amostra de canais é simplesmente o recíproco da taxa de amostragem de canais e é exibido convenientemente no menu de utilitário de média móvel. O período de forma de onda é facilmente determinado a partir da tela de exibição, posicionando o cursor em um ponto conveniente na forma de onda, definindo um marcador de tempo e, em seguida, movendo o cursor um ciclo completo longe do marcador de tempo exibido. A diferença de tempo entre cursor e marcador de tempo é um período de forma de onda e é exibido na parte inferior da tela em segundos. Em nosso exemplo de ECG, a forma de onda possuía um intervalo de amostra de canal de 0,004 segundos (obtido a partir do menu de utilidade de média móvel) e um período de forma de onda foi medido para espaçar 0,388 segundos. Dividindo o período de forma de onda pelo intervalo de amostra de canais nos deu um fator de suavização de 97. Como é a deriva de linha de base que estamos interessados ​​em eliminar, aplicamos um fator de suavização negativo (-97) ao algoritmo de média móvel. Isto, com efeito, subtraiu o resultado médio móvel do sinal original da forma de onda, que eliminou a deriva da linha de base sem alterar a informação da forma de onda. Quaisquer que sejam as aplicações, a razão universal para a aplicação de um filtro de média móvel é quotsmooth outquot as aberrações altas e baixas e revelam um valor de forma de onda intermediário mais representativo. Ao fazer isso, o software não deve comprometer outros recursos da forma de onda original no processo de geração de uma forma de onda média movimentada. Por exemplo, o software deve ajustar automaticamente as informações de calibração associadas ao arquivo de dados original, de modo que a forma de onda média móvel esteja nas unidades de engenharia apropriadas quando geradas. Todas as leituras nas figuras foram feitas usando o software WinDaq Data Acquisition