Update: die bes presterende algoritme tot dusver is hierdie een. Hierdie vraag poog om die beskikbare robuuste metodes of algoritmes te verken vir die opsporing skielike piek in real-time tijdreeksen data. Ek soek nie 'n vinnige en duidelike antwoorde. Ek wil graag elke antwoord op 'n ander benadering tot die probleem, aangevul met die voor - en nadele van die voorgestelde metode verskaf. Oorweeg die volgende datastel (Matlab-formaat, maar dit is nie oor die taal nie, maar oor die algoritme) Jy kan duidelik sien dat daar drie groot pieke en 'n paar klein pieke. Dit dataset is 'n spesifieke voorbeeld van die klas van tijdreeksen datastelle wat die vraag is oor. Hierdie klas van datastelle het twee algemene eienskappe: Daar is basiese geraas met 'n algemene beteken Daar is groot pieke of hoër datapunte wat aansienlik afwyk van die geraas. Kom ons ook aanvaar die volgende: die breedte van die pieke kan nie vooraf bepaal die hoogte van elke piek duidelik afwyk van die ander waardes die gebruik algoritme moet realtime bereken (so verander met elke nuwe datapoint) Dit is duidelik dat, vir so 'n situasie, 'n randwaarde moet gebou word wat seine snellers. Maar in werklikheid, hierdie randwaarde kan nie staties wees en moet bepaal realtime gebaseer op 'n algoritme. My vraag: Hoe kan ek bereken soos randwaardes realtime Wat is bekende en toepassing algoritmes vir sulke situasies (nie hierdie inligting spesifiek ingestel) Verder, ek sou graag wou weet die volgende: Is dit moontlik om pieke op te spoor sonder versuim gegee net wat bekend voor daardie tyd wat moet bekend word oor 'n hoogtepunt om dit op te spoor (met 'n paar gegee vertraging) goed gestig / kreatiewe alternatiewe, en nuttige insigte is almal hoog op prys gestel. (Antwoorde in enige taal is fyn: sy oor die algoritme) vra 22 Maart 14 aan 20:48 Ag, ek sien. Ek wasn39t verwag dat dit in die kode vorm. As ek hierdie vraag vroeër waarskynlik gesien jy wil hê dat die antwoord baie vinniger D. In elk geval kry, my aansoek daardie tyd was om op te spoor of die photosensor belemmer uit die omringende ligbron (dit is die rede waarom ons die bewegende gemiddelde nodig, aangesien die omgevingslicht bron kan geleidelik verander met verloop van tyd). Ons het dit as 'n spel waar jy jou hand uit oor die sensors moet hover volgende spesifieke patroon. D uitvoering maak justhalf 28 Maart 14 aan 10:05 Nuwe (baie) robuuste algoritme wat die standaardafwyking Ek het 'n baie goed presteer algoritme wat aandui wanneer die datapunte is 'n gespesifiseerde aantal standaardafwykings weg van die bewegende gemiddelde gebou gebruik. Maar wanneer 'n sein bespeur, daaropvolgende datapunte wat ook 'n sein (so beduidend weg van die bewegende gemiddelde) is, sal nie handel dryf met die sein drumpel. Dit wil sê, die algoritme skep 'n nuwe gemiddelde en nuwe st. dev. waarin die datapunte wat seine nie gebruik word. Daarom is die drumpel bly nie bedorwe en is in staat om korrek toekoms seine te identifiseer, sonder verlies van prestasie. Dit werk baie goed Ten einde die krag van hierdie robuuste algoritme vertoon, het ek 'n demo waarin die gebruiker sy eie data kan spesifiseer voorberei. Hierdie klein demo vertoon beide hoe die algoritme werk en hoekom dit so nuttig. Die volle werkende Matlab-kode vir die demo: Die nodige parameters is: LAG. lag vir die bewegende gemiddelde en die verskuiwing van st. dev. EWENAAR. aantal st. dev. weg van die gemiddelde tot 'n sein INVLOED genereer. wanneer daar 'n sein, hoeveel is die gemiddelde / st. dev. beïnvloed (getal tussen 0-1) rigting. sein wanneer afwyking is op / af / beide weg van die gemiddelde Soos jy kan sien, het ek die instellings LAG10 DIFF3.5 INFLUENCE0 vir hierdie demo. Voel vry om rond te peuter met die parameters en die verskille in prestasie van die algoritme te bestudeer. Oorspronklike verklaring wat ek het 'n nuwe (baie goed presteer) algoritme waarin die aantal standaardafwykings weg van die gemiddelde gebruik as drumpel gebou. Die basiese idee agter dit is die volgende: Hierdie klein algoritme voer verbasend goed Veral omdat dit nie die geval gebruik die werklike gemiddelde en standaardafwyking maar bou 'n nuwe een so dat seine nie beïnvloed / korrupte die sein drumpel. Voer verbasend goed (maak nie saak hoe lank) baie sterk: pas vir geraas, maar nog steeds objektief teenoor hoë pieke Slegs nodig 2 insette parameters maak voorsiening vir verskillende bewegende gemiddelde strukture (Gewone, eksponensiële, Geweegde ens) Behoefte om te skat die 2 insette parameters, moet die parameter invloed spesifiseer vir klein algemene variasie in die geraas, die algoritme is nie baie nuttig Voorbeelde vir die voorbeeld van die data: lag 30, diff 3, invloed 0 lag 30, verskil 3.5, invloed 0 lag 30, diff 5, invloed 0 Kode Kode vir replicerende in Matlab: Een benadering is om pieke gebaseer op die volgende waarneming spoor: Tyd t is 'n hoogtepunt as (y (t) y (t-1)) ampamp (y (t) y (T1)) dit vermy vals positiewes deur wag totdat die uptrend is verby. Dit is nie presies real-time in die sin dat dit die hoogtepunt sal mis deur een dt. sensitiwiteit kan beheer word deur te vereis dat 'n marge vir 'n vergelyking. Daar is 'n kompromis tussen lawaaierige opsporing en tydvertraging van opsporing. Jy kan die model te verryk deur die toevoeging van meer parameters: waar dt en m is parameters om te beheer sensitiwiteit teenoor tyd-delay hier is die kode om die plot in Python reproduseer: Deur m 0.5. jy kan 'n skoner sein te kry met net een vals positiewe: In seinverwerking, is die piek opsporing dikwels gedoen via wavelet transformeer. Jy doen basies 'n diskrete wavelet transformeer op jou tydreeksdata. Zero-kruisings in die detail koëffisiënte wat teruggestuur sal stem ooreen met pieke in die tyd reeks sein. Jy kry verskillende piek amplitudes bespeur by verskillende detail koëffisiënt vlakke, wat gee jou 'n multi-vlak resolusie. antwoord 31 Maart 14 aan 20:54 As die randwaarde of ander kriteria is afhanklik van toekomstige waardes, dan is die enigste oplossing (sonder 'n time-masjien, of ander kennis van toekomstige waardes) is om 'n besluit tot 'n voldoende toekomstige waardes te vertraag. As jy 'n vlak bo 'n gemiddelde wat strek, byvoorbeeld wil, 20 punte, dan moet jy wag totdat jy voor enige piek besluit ten minste 19 punte, of anders die volgende nuwe punt kan heeltemal af te gooi jou drumpel 19 punte gelede . Jou huidige plot geen pieke het. tensy jy een of ander manier weet by voorbaat dat die volgende punt isnt 1e99, wat ná hersch aling jou erwe Y dimensie, sou plat tot op daardie punt wees. antwoord 24 Maart 14 aan 1: 57Consider 'n sein in die tydgebied, en jy wil die sein glad. Bewegende gemiddelde en Gaussiese filters wat gebruik word. Hoe kies jy wat gebruik word vir wat Wat is die omstandighede waaronder Gaussiese is beter en omstandighede waaronder bewegende gemiddelde is beter Wat ek probeer doen het met hierdie sein, piek opsporing aanvanklik, dan klein vensters toe te pas op elke deel en figuur uit die frekwensie verander (Doppler skofte) vir elke deel om uit te vind die rigting van beweging van die frekwensie verander. Ek wil gepolijst uit die sein in die tyd-domein sonder verlies van inligting in die frekwensiedomein. Ek het gedink vir die deel van die uitzoeken die Doppler skuiwe, met behulp van STFT sou wees 'n goeie idea. If verwysing gegee kan word om 'n paar papier, wat ook werklik nuttig sou wees. gevra 29 September om 11: 12What is die hoogtepunt opsporing algoritmes bestaan ek lawaaierige data, en ek sou graag wou implementeer piek opsporing vir hierdie data. Data is in reverse, eintlik ek probeer om die onderkant te bepaal. Hier is 'n momentopname van die data in Excel. Ek hou van beide bottoms te spoor. Ek het gedink oor die verbygaan van die data deur middel van 'n laaglaatfilter en daarna doen 'n bewegende gemiddelde waar ek bepaal die pieke en binne die bewegende gemiddelde ek doen 'n ander soek. Ek het 'n zero DSP agtergrond is dit net 'n gesonde verstand benadering. Ek sou graag wou hoor wat die kenners beveel. gevra 1 Februarie 12 aan 06:17 Ktuncer, daar is 'n aantal metodes wat jy kan hier gebruik. Een metode wat ek sou aanbeveel is om te gebruik 'n Diskrete Wavelet herskep (DWT), en in die besonder, kyk na die Daubechies Golfie. Ek sou haal, sê, klei-14 / klei-Tetra. Basies wat jy regtig nodig het om te doen is tendens jou sein, en dan van daar af, doen 'n min of maksimum pick. Dit sal ontslae te raak van jou uitskieters te kry. A klei-14 / klei-tetra wavelet transformeer kan jou help om dit te doen, en dit help veral omdat jy nie die aard van jou sein te leer ken. (Die gebruik van klei-14, kan jy akkuraat polinoom seine van graad 14/2 7 verteenwoordig, en dit lyk asof jy gewoond meer as wat nodig). Die berekening van hierdie wavelet transformeer in wese saamgepers jou energie in 'n paar EKSPONENTE. Diegene EKSPONENTE verteenwoordig gewigte op basisvektore. Die res van die gewigte sal (verkieslik) naby nul. Wanneer jy geraas in jou sein (soos jy doen), die gewigte wat normaalweg was nul het 'n paar gewigte nou nie, maar jy kan net nul hulle uit en denoise jou sein. Sodra dit voltooi is, kan jy dan doen 'n eenvoudige Max / min op te spoor. Daar is meer besonderhede betrokke is, kan jy vir my 'n e-pos te stuur as jy wil om te bespreek hoe om dit te implementeer. Ek het soortgelyke werk voorheen gedoen op hierdie punt. EDIT: Hier is 'n paar foto's illustreer klei-Tetra Denoiser: Ek is ver van 'n kenner nie, maar hier is wat ek sou doen: Jy lyk na 'n stadig wisselende sein gesuperponeer met skommelinge het. Die pieke jy soek is 'n paar sterker skommelinge, so ek sal dit op te spoor met behulp van dit. Laat x (t) jou rou sein wees. Neem 'n bewegende gemiddelde oor 'n geskikte aantal monsters om Y (t) 'n gladde draer te skep. As jy daarin slaag om X-Y moet moet 'n nul gemiddelde het. Bereken die standaardafwyking sigma van X-Y. Jy kan jou pieke op te spoor wanneer (X-Y) (t) GT Alpha keer sigma, met alfa om tipies 2, 3, 4. 'n oorskiet of 'n undershoot kan spesifiek waargeneem deur die verwydering van die absolute waarde en gebruik van behoorlike toets. Is dit wat jy is op soek na user4749: Interessante naam :) Ok. So ja, sigma is die standaardafwyking. Ons gebruik dit as 'n maatstaf van die skommeling amplitude. Op jou data, dit lyk mooi konstant oor tyd, so dit dui daarop dat dit die regte benadering. Die logika is om te sê dat 'n hoogtepunt is opgespoor wanneer dit groter as dié skommelinge, sodat ons sterk in die opsporing. Doen jy MATLAB IW ons jou sein, ons kon ten minste vlag die pieke baie maklik sou hê. uitvoering maak Jean-Yves 2 Februarie 12 by 19:19 user4749 Basies wat hier gebeur, jou Y (t) gaan die 39trend only39 sein wees. Ook beteken die gemiddelde. So nou is jy trek die gemiddeld van jou sein van die sein. Dit is die X (t) - Y (t) deel. So nou wat oorbly is jou lawaai. Nou, (met die aanvaarding van jou geraas is Gaussiese), jou st neem jy, ampsigmaamp. Nou kyk na alle waardes van ABS (X (t) - y (t)) GT 4sigma. Hoekom Dit beteken basies in Engels, quotDiscard 99.99 van alle waardes waarskynlik die geraas wees, en laat net waardes nie as gevolg van noisequot. â € Mohammad 3 Februarie 12 by 05:21 Peak opsporing het nogal 'n paar programme vir 1D of multidimensionele seine. Hier is 'n paar voorbeelde te wys hoe uiteenlopend die seine en hul interpretasies van 'n hoogtepunt kan wees: Die oorspronklike plakkate 1D data Hough transform van 'n beeld, elke piek ooreenstem met 'n lyn in die oorspronklike beeld outokorrelasie van 'n beeld, elke piek ooreenstem met 'n frekwensie onthulling van 'n periodiese patroon veralgemeen kruis-korrelasie van 'n beeld en 'n sjabloon, elke piek ooreenstem met 'n voorkoms van die sjabloon in die beeld resultaat van die filter 'n beeld vir Harris (ons kan belangstel in die opsporing van net die beste piek of 'n paar pieke wees) hoeke, elke piek ooreenstem met 'n hoek in die oorspronklike beeld. Dit is definisies en opsporing tegnieke van pieke ek teëgekom het - sekerlik is daar ander wat ek nie vergeet of nie weet, en hopelik ander antwoorde sal hulle oordek. Preprocessing tegnieke sluit glad en denoising. Mohammads antwoord oor golfies, en jy kan verskillende gebruike van hulle sien in die dokumentasie van Mathematicas WaveletThreshold (waar ek my voorbeelde het ook uit, by the way). Dan soek jy vir maksima. Afhangende van jou aansoek, moet jy eers die globale maksima (bv beeld registrasie), 'n paar plaaslike maxima (bv lyn opsporing), of baie plaaslike maxima (sterk punte opsporing): Dit kan iteratief gedoen, op soek na die hoogste waarde in die data dan skoonmaak van 'n gebied rondom die geselekteerde piek, ens totdat die hoogste oorblywende waarde is minder as 'n drumpel. Alternatiewelik kan jy kyk vir die lokale maksima binne 'n sekere omgewing grootte, en hou net die lokale maksima wie se waardes bo 'n drempel - sommige beveel om die lokale maksima op grond van hul afstand na die res van die lokale maksima hou (die verdere hoe beter). Die arsenaal beskik ook oor morfologiese bedrywighede: Uitgebreide maksima en top-hoed omskep kan beide geskik. Sien die resultate van drie van hierdie tegnieke op 'n beeld gefiltreer vir Harris hoeke: Verder het sommige programme poog om berge te sub-pixel resolusie vind. Interpolasie, wat aansoek-spesifieke kan wees, kom handig te pas kom. Sover ek weet, is daar geen silwer bullet, en die data sal vertel watter tegnieke die beste werk. Dit sal regtig lekker om meer antwoorde hê, esp. afkomstig van ander disciplinesparison van openbare piek opsporing algoritmes vir MALDI massaspektrometrie data-analise Abstract Agtergrond In massaspektrometrie (MS) gebaseer proteomiese data-analise, piek opsporing is 'n noodsaaklike stap vir latere ontleding. Onlangs het daar 'n beduidende vordering in die ontwikkeling van verskeie piek opsporing algoritmes is. Maar nie 'n omvattende opname of 'n eksperimentele vergelyking van hierdie algoritmes is nog beskikbaar. Die hoofdoel van hierdie artikel is om so 'n opname te verskaf en om die prestasie van enkele spektrum gebaseer piek opsporing metodes te vergelyk. Resultate In die algemeen, kan ons 'n hoogtepunt opsporing proses ontbind in drie gevolglike dele: glad, basislyn regstelling en piek bevinding. Ons kategoriseer eerste bestaande piek opsporing algoritmes volgens die tegnieke wat gebruik word in verskillende fases. So 'n kategorisering onthul die verskille en ooreenkomste tussen bestaande piek opsporing algoritmes. Dan kies ons vyf tipiese piek opsporing algoritmes om 'n omvattende eksperimentele studie met behulp van beide simulasie data en ware MALDI MS data uit te voer. Ten slotte Die resultate van vergelyking toon dat die deurlopende wavelet gebaseer algoritme bied die beste gemiddelde prestasie. Agtergrond proteoom navorsing vereis dat die analise van groot-volume proteïen data in 'n hoë-deurset wyse. Massaspektrometrie (MS) is 'n algemene analitiese instrument in proteoom navorsing. Dit kan gebruik word as 'n tegniek om massas van proteïene / peptiede meet in komplekse mengsels verkry vanaf biologiese monsters. Dit bied 'n geweldige potensiaal om siekte proteoom te bestudeer en om dwelms teikens direk identifiseer op die proteïen / peptied vlak 1. In 'n tipiese proteomiese eksperiment, is 'n groot volume (bv 1 GB) van MS data dikwels gegenereer. Elkeen van MS-spektra bestaan uit twee groot vektore wat ooreenstem met massa-verhouding (m / z) en intensiteit waarde hef, onderskeidelik. Die eerste stap in proteomiese data-analise is om peptied veroorsaak seine (dit wil sê pieke) uittreksel uit rou MS-spektra. Peak opsporing is nie net 'n funksie onttrekking stap, maar ook 'n onontbeerlike stap vir daaropvolgende proteïen identifisering, kwantifisering en ontdekking van siekte-verwante biomerkers 2, 3. Maar piek opsporing is 'n uitdagende taak, aangesien massa-spektra dikwels beskadig deur geraas. As gevolg hiervan, het verskeie algoritmes voorgestel om die identifisering van inligting pieke wat ooreenstem met ware peptied seine te fasiliteer. Hierdie algoritmes van mekaar verskil in hul beginsels, implementering en prestasie. Ten einde 'n omvattende vergelyking van bestaande piek opsporing algoritmes bied en te onttrek redelike kriteria vir die ontwikkeling van nuwe hoogtepunt opsporingsmetodes, moet ons die volgende vrae te beantwoord: 1. Wat is die werk meganisme van 'n algoritme 2. Wat is die verskille en 'n gemeenskaplike punte onder verskillende algoritmes 3. Wat is die funksie daarvan in MS data-analise aan te spreek die bogenoemde vrae, bestudeer ons die piek opsporing proses met behulp van 'n gemeenskaplike raamwerk: glad, basislyn regstelling en piek bevinding. So 'n ontbinding stel ons in staat om die fundamentele beginsels onderliggend aan verskillende piek opsporing algoritmes beter toe te lig. Nog belangriker, dit help ons om die verskille en ooreenkomste tussen bestaande piek opsporing algoritmes duidelik te identifiseer. Ons beskryf elke deel in die piek opsporing proses met spesifieke klem op die tegniese besonderhede, met die hoop dat dit kan help om lesers te implementeer hul eie piek opsporing algoritmes. Tydens evaluering, kies ons vyf tipiese piek opsporing algoritmes om 'n vergelykende eksperimentele studie uit te voer. In die eksperimente, gebruik ons beide simulasie data en ware MALDI MS data vir prestasie vergelyk. Die resultate dui daarop dat die deurlopende wavelet gebaseer algoritme bied die beste gemiddelde prestasie. Die res van hierdie vraestel word soos volg georganiseer: artikel 2 verskaf besonderhede oor bestaande piek opsporing algoritmes en beklemtoon hul verskille en ooreenkomste artikel 3 voer 'n prestasie vergelyking op 'n paar tipiese piek opsporing algoritmes gebruik van simulasie data en ware MALDI MS data artikel 4 sluit die papier . Metodes Peak Detection Proses Gewoonlik, peptied seine vertoon as lokale maksima (dit wil sê pieke) in MS-spektra. Maar die opsporing van hierdie seine steeds bly 'n uitdaging as gevolg van die volgende redes: (1) 'n Bietjie peptiede met 'n lae oorvloed kan begrawe deur geraas veroorsaak hoë vals positiewe koers van piek opsporing. (2) Die chemiese, ionisasie en elektroniese geraas dikwels lei tot 'n afname in kurwe in die agtergrond van MALDI / SELDI MS data, wat verwys as basislyn 4. Die bestaan van basislyn produseer sterk vooroordeel in piek opsporing. Dit is wenslik om basislyn te verwyder voordat piek opsporing. Om piek opsporing te vergemaklik, gebruik ons dikwels die raamwerk in Figuur x200B Figuur 1. 1. Daar moet kennis geneem word dat glad en basislyn regstelling kan hul plekke in die pyplyn te skakel. Figuur x200B Figure2 2 gee 'n konkrete voorbeeld van piek opsporing deur te wys die resultaat na elke stap van die pyplyn. Peak opsporing raamwerk. Die insette massaspektrum is omskep in 'n lys van pieke. 'N Voorbeeld van die piek opsporing proses. (A) 'n rou spektrum, (b) die spektrum na glad, (c) die spektrum na glad en basislyn regstelling en (d) die finale hoogtepunt opsporing resultate met pieke gemerk as sirkels. Kategorisering Bestaande piek opsporing algoritmes kan gekategoriseer word volgens die gebruik in elke stap van die piek opsporing proses metodes. Table x200B Tabel1 1 lyste paar gewilde MS data-analise metodes en hul piek opsporing funksies. In hierdie vraestel gebruik ons CWT om aan te dui MassSpecWavelet en LMS te dui lokale maksimum Soek. Ooreenkomste en verskille tussen hierdie metodes kan word van die tafel. Hier wil ons graag die volgende uitlig: Open source sagteware pakkette vir MS data-analise (1) Die algoritmes in Table x200B Tabel1 1 gekies volgens drie kriteria: x02022 Die sagteware is hoofsaaklik ontwerp vir MS data pre-verwerking. x02022 Die sagteware is open source. x02022 Die sagteware word in 'n publikasie. (2) In Tabel x200B Tabel1, 1. S1-S7, B1-B5 en P1-P8 dui verskillende glad metodes, basislyn korreksie metodes en piek bevinding kriteria, onderskeidelik. Ons sal hul besonderhede te verskaf in die daaropvolgende onderafdelings. S1: Moving gemiddelde filter S2: Savitzky-Golay filter S3: Gauss filter S4: Kaiser venster S5: Deurlopende Golfie Transformeer S6: Diskrete Wavelet Transform S7: Undecimated Diskrete Wavelet Transform x02022 Basislyn Regstelling B1: Mono Tone minimum B2: Lineêre interpolasie B4: Deurlopende Golfie omskep B5: Moving gemiddelde van minima x02022 Peak vind kriterium 2: Opsporing / Intensiteit drumpel V3: hange van berge P4: Plaaslike maksimum P7: Model-gebaseerde maatstaf Smoothing filters Hierdie metodes gewoonlik tradisionele seinverwerking tegnieke toe te pas soos bewegende gemiddelde filter, Savitzky - Golay filter en Gaussiese filter. Vir 'n inset spektrum, verteenwoordig ons dit as m / z. x met die eerste element as m / z vektor en die tweede element as intensiteit vektor (met ewe lank). Om beskrywings in seinverwerking te fasiliteer, het ons verder gebruik x (t) die deurlopende vorm van intensiteit vektor dui en te gebruik x N om die diskrete vorm van intensiteit vektor dui. Hier t en N dien as kruip veranderlikes. Die insette spektrum is altyd diskrete. Ons gebruik die deurlopende vorm in ooreenstemming met die oorspronklike beskrywing te wees. In die werklike aansoeke, ons gewoonlik proe die deurlopende filter om sy diskrete vorm kry. Ons kan m / z waardes van m / z vektor verkry maklik deur die gebruik van die ooreenstemmende kruip veranderlike sowel. 'N spektrum ná glad kan uitgedruk word as y N x N w N vir diskrete geval en y (t) x (t) w (t) vir deurlopende geval, waar dui konvolusie werking. In bostaande vergelykings, w N en w (t) is 'n gewig vektor en 'n gewig funksie, onderskeidelik. Die gebruik van verskillende w N en w (t) sal lei tot verskillende filters. Die uitset van die bewegende gemiddelde filter y N lui: J N x N x02217 w N 1 2 k 1 x02211 Ek x02212 k k x N x02212 i. waar w N 1 2 k 1. - k x02264 N x02264 k. Die onewe getal 2 k 1 dui filter breedte. Hoe groter die filter breedte, hoe meer intens die smoothing effek. S2: Savitzky-Golay filter: Die Saviztky-Golay filter kan beskou word as 'n algemene bewegende gemiddelde filter. Dit voer 'n kleinste kwadrate passing van 'n klein stel opeenvolgende data dui op 'n polinoom en neem die sentrale punt van die polinoom toegerus kurwe as uitset. Die stryk data punt y N ná Savitzky-Golay filter word gegee deur die volgende vergelyking: y N x N x02217 w N x02211 Ek x02212 k k A i x n x02212 Ek x02211 Ek x02212 k k A i. waar w N A N x02211 Ek x02212 k k A i. - K x02264 N x02264 k. Hier, A i beheer die polinoom orde. Figuur 3 (a) toon Savitzky-Golay filters met verskillende polinoom bestellings. Vir meer inligting oor 'n i. verwys asseblief na 6. Glad filters. In (a), PO staan vir polinoom einde van polinoom pas in Savitzky-Golay filter. In (b), x003c3 is die standaardafwyking. In (c), x003b1 bepaal die vorm van Kaiser venster. In (d), 'n is die omvang van die wavelet. Na 'n sein x (t) verby Gaussiese filter, die uitset lui: y (t) x (t) x02217 w (t) x0222b x02212 x0221e x0221e x (x003c4) w (t x02212 x003c4) d x003c4. waar w (t) 1 2 x003c0 x003c3 e x02212 t 2 2 x003c3 2. Die mate van gladstryking word bepaal deur die standaardafwyking x003c3. In feite, kan ons Gaussiese filter as 'n geweegde bewegende gemiddelde filter te sien. Dit filter stel groter gewig faktore vir punte in die sentrum en kleiner gewig faktore vir punte weg van die sentrum. Figuur 3 (b) toon Gaussiese filters met verskillende x003c3. Sommige navorsers gebruik die tweede afgeleide van Gauss te glad te voer. Hul argument is dat die tweede afgeleide van Gauss implisiet kan verwyder agtergrond wanneer glad seine 7, 8. Na 'n sein verby 'n Kaiser venster: J N x N x02217 w N x02211 Ek x02212 x0221e x0221e x i w N x02212 i. waar w N I 0 (x003b1 1 x02212 (2 N x02212 1) 2) Ek 0 (x003b1). 0 x02264 N x02264 N. x003b1 bepaal die vorm van die venster Kaiser. 'N Groot x003b1 dui op 'n skerp Kaiser venster. N dui op die breedte van die venster. Ek 0 is nulde-orde verander Bessel funksie van die eerste soort 9. Figuur 3 (c) toon twee Kaiser vensters met verskillende x003b1 waardes. S5, S6, S7: Golfie gebaseer filters Golfie kan gegroepeer as deurlopende wavelet transformeer en diskrete wavelet transformeer. Die deurlopende wavelet transformeer kan geskryf word as y (t) x (t) x02217 w (t) 1 'n x0222b x02212 x0221e x0221e x (x003c4) x003c8 (t x02212 x003c4 a) d x003c4. waar w (t) 1 'n x003c8 (t a). 'n dui skaal en x003c8 dui ma wavelet funksie. In deurlopende wavelet analise, Du et al 10 kies Mexikaanse hoed wavelet. Mexikaanse hoed wavelet lui soos: x003c8 (t) 2 3 x003c0 04/01 (1 x02212 t 2) e x02212 t 2 / 2. Dan w (t) vorm 'n afgeskaal Mexikaanse hoed wavelet. Figuur 3 (d) toon w (t) met verskillende a. Hier, 'n bepaal die breedte van die wavelet. Met verskillende a. ons kan gebruik w (t) te pieke met verskillende breedte model. Dit is veral belangrik vir 'n lae-resolusie data waarin piek breedte wissel baie. Peaks met 'n hoër m / z waardes is geneig om groter wydte hê. Die gebruik van vaste-venster filters sal nie goed presteer in hierdie geval. Diskrete wavelet transformeer bere op skale en vertalings gebaseer op die krag van twee. Figuur x200B Figure4 4 toon 'n tipiese metode vir die berekening van diskrete wavelet transformeer, waar h N is 'n hoë-pass filter en g N is 'n laaglaatfilter. Die prosedure wat gevolg moet diskrete wavelet bereken omskep is soos volg: Die proses van die rekenaar DWT. Hier x02193 2 beteken af steekproefneming deur 2, h N is 'n hoë-pass filter en g N is 'n laaglaatfilter. (1) sein gelyktydig ontbind deur 'n laaglaatfilter g N en 'n hoë-pass filter h N. (2) Die opbrengs van h N word dan af gemonsterde deur twee aan detail koëffisiënte te genereer en die opbrengs van g N is af gemonsterde deur twee tot benadering koëffisiënte te genereer. Die verkry uit die opbrengs van h N koëffisiënte is vernoem vlak een koëffisiënte. (3) Die opbrengs van g N gaan deur 'n ander groep van 'n hoë-pass filter en laaglaatfilter. Stappe (1) en (2) gaan op totdat ons die laaste vlak van koëffisiënte te verkry. Die voordeel van diskrete wavelet transformeer oor deurlopende wavelet transformeer is sy doeltreffendheid, want dit net bere op die skale en posisies gebaseer op die krag van twee, terwyl die ontslag van deurlopende wavelet transformeer maak die interpretasie van MS piek opsporing makliker 10. Diskrete wavelet transformeer is verskuiwing-variant. Om verskuiwing invariansie bereik, herskep undecimated diskrete wavelet is voorgestel 11, 12. Basislyn Regstelling basislyn regstelling is tipies 'n twee-stap proses: (1) die beraming van die basislyn en (2) die aftrekking van die basislyn van die sein. In die volgende, lys ons besonderhede van 'n paar wat algemeen gebruik word basislyn korreksie metodes. Sedert basislyn Substraction is eenvoudig, ons fokus hoofsaaklik op die basislyn skatting proses in verskillende metodes. B1: Mono Tone minimum Hierdie metode sluit twee stappe om basislyn te bepaal. Die eerste stap is om die verskil, wat gebruik kan word om die helling van elke punt te bepaal bereken. Dan, hierdie metode begin van die linker punt A in die spektrum en gaan voort om die volgende prosedure totdat die regterkantste punt bereik: x02022 As die helling van 'n plaaslike punt A is kleiner as nul, 'n naaste punt B aan die regterkant van 'n wie helling is groter as nul is geleë. Alle punte tussen A en B dien as basislyn tussen A en B. x02022 As die helling van 'n plaaslike punt A is groter as nul, 'n naaste punte B aan die regterkant van 'n wie intensiteit is kleiner as 'n geleë is. Die intensiteit van elke punt op die resultaat basislyn tussen A en B is gelyk aan die intensiteit van 'n. B2: Lineêre interpolasie Lineêre interpolasie neem twee stappe om basislyn te bepaal: x02022 Verdeel die rou spektrum in klein segmente en gebruik die gemiddelde, die minimum of die mediaan van die punte in elke segment as die basislyn punt. x02022 Genereer 'n basislyn vir die rou spektrum deur lineêr interpol basislyn punte oor al die klein segmente. In die eerste plek is dit verdeel die rou spektrum in klein segmente. Dan, in elke klein segment, dit bere die kwantielverhouding. Daarna is dit beraam 'n voorspeller in al die klein segment vir basislyn skatting. Die voorspeller in elke klein segment verkry deur die volgende reëls: x02022 As die intensiteit van 'n punt A is kleiner as die kwantielverhouding in die segment, dan is die intensiteit van ooreenstemmende punt op voorspeller is gelyk aan die intensiteit van 'n. x02022 As die intensiteit van 'n punt is groter as of gelyk aan die kwantielverhouding in die segment, dan is die intensiteit van ooreenstemmende punt op voorspeller is gelyk aan die kwantielverhouding. Basislyn word verkry deur die toepassing van plaaslike polinoom regressie pas om die voorspeller. B4: Deurlopende Golfie Transformeer In plaaslike gebiede, basislyne is monotoon. Basislyn gemodelleer kan word as die volgende funksie: waar x003c8 n. b (t) 1 'n x003c8 (t x02212 b a). Omdat wavelet funksie nul gemiddelde, die tweede kwartaal van vergelyking (8) is nul. As ons 'n simmetriese wavelet funksie gebruik (soos Mexikaanse hoed wavelet), die eerste item in vergelyking (8) is ook nul. So, deurlopende wavelet transformeer verwyder basislyn outomaties. B5: Moving gemiddelde van minima Hierdie metode maak gebruik van twee stappe om basislyn te bepaal: x02022 raming van 'n rowwe basislyn deur die vind van plaaslike minimum binne 'n twee Da venster vir elke punt. x02022 Gebruik 'n bewegende venster na die rowwe basislyn verkry in die eerste stap glad. Peak Kriteria vind Daar is baie piek opsporing metodes. Die meeste metodes te spoor pieke na glad en basislyn regstelling. Dit moet egter in ag geneem word dat daar 'n spesiale geval, beteken CWT nie eksplisiete glad en basislyn regstelling stappe. Du et al. 10 eis dat basislyn verwyder kan word as deurlopende wavelet transformeer is uit op 'n rou spektrum gedra. Ons het gewys hierdie feit in Afdeling Basislyn korreksie. In die volgende, te illustreer ons die kriteria wat gebruik word deur verskillende algoritmes om ooreenkomste tussen verskillende algoritmes vind. SNR staan vir sein tot ruis verhouding. Verskillende metodes definieer geraas anders. Hier is 'n twee voorbeelde: x02022 Geraas word geskat as 95-persentasie kwantielverhouding van absolute deurlopende wavelet transformeer (CWT) koëffisiënte van skaal is een binne 'n plaaslike venster 10. x02022 Geraas word geskat as die mediaan van die absolute afwyking (MAD) van punte binne 'n venster 13. 2: Opsporing / Intensiteit drumpel Dit drumpel gebruik word om uit te filtreer klein pieke in plat gebiede. In hierdie gebiede, die mediaan van die absolute afwyking (MAD) is baie klein, wat kan lei tot groot SNR. Die gebruik van SNR alleen kan baie lawaaierige punte te identifiseer as pieke. Dit maatstaf gebruik die vorm van pieke vals piek kandidate te verwyder. Met die oog op die links helling en die reg helling van 'n hoogtepunt, sowel links eindpunt en die reg eindpunt van die piek te bereken moet geïdentifiseer word. Peak kandidaat weggegooi indien beide links helling en regs helling is minder as 'n drumpel. Die drumpel word gedefinieer as die helfte van die plaaslike geraas vlak 14. 'N hoogtepunt is 'n lokale maksimum van N naburige punte. Peak word bereken as die area onder die kurwe in 'n klein afstand van 'n hoogtepunt kandidaat. Vorm verhouding word bereken as die hoogtepunt gebied gedeel deur die maksimum van alle piek gebiede. Die vorm verhouding van 'n hoogtepunt moet groter as 'n drumpel wees. Ridge lyne in die volgende stappe: x02022 Voer voortdurende wavelet transformeer op rou spektrum. Hierdie stap produseer 2-D koëffisiëntmatriks met grootte van M x000d7 N. waar m die aantal skale en N is die lengte van die spektrum. x02022 Connect naaste plaaslike maksimale koëffisiënte van aangrensende skale te rant lyne te kry. Die afstand tussen twee aangrensende punte op 'n rant lyn moet kleiner as 'n venster grootte wees. x02022 Gebruik 'n veranderlike gaping om te tel hoeveel opeenvolgende kere wat 'n plaaslike maksimale koëffisiënt kan sy naaste eweknie nie vind in die volgende skaal. As die gaping is groter as 'n gegewe drumpel, is die rant lyn val. Ridge lyne word gebruik op die volgende maniere: x02022 Vals pieke verwyder indien die lengte van hul Ridge lyne is kleiner as 'n gegewe drumpel deur gebruikers verskaf. x02022 Die breedte van 'n hoogtepunt is eweredig aan die skaal wat ooreenstem met die maksimum amplitude op die rant lyn 10. 'N hoogtepunt kandidaat laat val as sy breedte is nie in 'n gegewe reeks. P7: Model-gebaseerde maatstaf Die toepassing van hierdie kriterium bestaan uit drie stappe: x02022 Vind die eindpunte van beide kante van elke piek. Aard. tweede.
No comments:
Post a Comment