Sampling Theorem and Aliasing in Biomedical Signal Processing
Notice bibliographique
Résumé
Abstract Despite digital techniques for data acquisition and processing being widely used in biomedical research for quite some time, inappropriate signal conditioning and digitization are still potential pitfalls threatening both the reliability of the experiments and the proper interpretation of the acquired data. The aim of this chapter is to review: (1) the Sampling (Nyquist) Theorem; (2) the concept of aliasing; (3) the importance of antialiasing low‐pass filtering for eliminating the effect of aliasing and appropriately determining the sampling frequency; (4) the advantages of properly chosen filter cut‐off frequency and slope for determining the minimal required sampling frequency; and (5) the impact of incorrectly selected sampling frequency on the interpretation of biomedical data. In a case study, a model of electrogastrographic (EGG) recording is mixed with a model of electrocardiographic (EKG) artifact in an overall white noise environment. The resulting composite signal is low‐pass filtered and then digitized with a sampling frequency of 1 Hz. The cut‐off frequency of the first‐order low‐pass filter is altered from 0.5 Hz to 0.1 Hz. Amplitude frequency spectra of the digitized recordings are investigated to illustrate the effect of aliasing. An example with a real human electrogastrogram, in which an EKG artifact is present, illustrates the simulation results. When a first‐order antialiasing filter is used, at least a five‐fold difference between the filter cut‐off frequency and the sampling frequency is recommended for compliance with the Sampling Theorem. Increasing the order of the antialiasing filter can reduce the required sampling frequency, but can also make the entire instrumentation system underdamped, thus injecting oscillatory artifacts every time abrupt or sudden changes in the external conditions during the recording occur.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».