Campo Dublin Core | Valor | Língua |
dc.contributor.advisor | Mendes, Cristiano Jacques Miosso Rodrigues | - |
dc.contributor.author | Freitas, Gabriel Luis de Araújo e | - |
dc.identifier.citation | FREITAS, Gabriel Luis de Araújo e. Reconstrução de sinais por Compressive Sensing dinâmico e filtragem de Kalman com estudo de caso em eletrocardiografia. 2019. 56 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Eletrônica)—Universidade de Brasília, Brasília, 2019. | pt_BR |
dc.description | Trabalho de Conclusão de Curso (graduação)—Universidade de Brasília, Faculdade UnB Gama, 2019. | pt_BR |
dc.description.abstract | A aquisição de sinais digitais com uma quantidade reduzida de medidas é possibilitada por Compressive Sensing (CS). O Filtro de Kalman Adaptativo Baseado em CS é um exemplo de algoritmo que foi elaborado no contexto de streaming. Seu processo de reconstrução considera que os sinais são recebidos de forma contínua e realiza estimativas de suporte para melhorar seus resultados. Entretanto, seu funcionamento foi observado apenas para sinais simulados e esparsos no domínio de Fourier. A aplicação desse algoritmo considerando sinais reais foi investigada no presente trabalho. Para tanto, modificações foram feitas com o objetivo de se obter melhores resultados no cenário específico Para estudo de caso, decidiu-se por adotar sinais de eletrocardiografia. Inicialmente, foram estudadas transformadas esparsificantes para essa nova classe de sinais. Além do domínio de Fourier, foram avaliadas reconstruções utilizando a transformada de Daubechies 4 e uma criada com Análise de Componentes Principais. A observação de resultados parciais permitiram que se propusesse: (i) a atualização iterativa da matriz de covariância do modelo e (ii) modificações na etapa de estimação de suporte. Nas reconstruções, observouse um nível médio de relação sinal ruído de 15, 6 𝑑𝐵, porém atingiu-se, nos melhores casos, valores próximos a 40 𝑑𝐵. | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject.keyword | Filtro de Kalman | pt_BR |
dc.subject.keyword | Eletrocardiografia | pt_BR |
dc.subject.keyword | Processamento de sinais | pt_BR |
dc.title | Reconstrução de sinais por Compressive Sensing dinâmico e filtragem de Kalman com estudo de caso em eletrocardiografia | pt_BR |
dc.type | Trabalho de Conclusão de Curso - Graduação - Bacharelado | pt_BR |
dc.date.accessioned | 2020-07-20T14:27:44Z | - |
dc.date.available | 2020-07-20T14:27:44Z | - |
dc.date.submitted | 2019-12-12 | - |
dc.identifier.uri | https://bdm.unb.br/handle/10483/24367 | - |
dc.language.iso | Português | pt_BR |
dc.rights.license | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta. | pt_BR |
dc.contributor.advisorco | Menegaz, Henrique Marra Taira | - |
dc.description.abstract1 | Compressive Sensing (CS) allows a digital signal acquisition with a small amount of measurements. Adaptive Kalman Filter Based on CS is an algorithm created for streaming signals. Its reconstruction approach assumes that the signals are continuously received and support estimations are made to enhance the results. However, its behavior was analyzed only for simulated signals sparse on Fourier domain. The use of this algorithm with real signals was investigated at the present work. Thus, some modifications were made in order to get better results in the new specific scenario. As a case study, electrocardiography signals was chosen. Firstly, sparsifying transforms for the new class of signals were studied. Daubechies 4 transform and one defined by Principal Component Analysis was evaluated, besides the Fourier domain. Partial results enabled us to propose: (i) iterative update of model covariance matrix and (ii) a new method to estimate the support. The reconstructions showed 15, 6 𝑑𝐵 as average signal to noise ratio, however the best situations achieved values close to 40 𝑑𝐵. | pt_BR |
Aparece na Coleção: | Engenharia Eletrônica
|