从光电容积图中提取脉搏率、呼吸率和心率的新方法（英文）

光电容积描记图(PPG)是一种利用光学技术无创检测人体心血管脉搏波的方法。PPG信号来源于MIMIC数据库,它含有许多生理信息。本文提出了将集合经验模态分解(EEMD)、倒谱、快速傅里叶变化和过零点检测相结合的方法,从PPG中可靠地估算脉搏率(PR)、心率(HR)和呼吸频率(RR)。首先,将PPG信号通过EEMD分解为有限个固有模态函数(IMF)。因为EEMD有自适应滤波特性,所以估算不同的生理参数时,可以用不同的IMF分量来重构信号。其次,估算脉搏率时,舍去低频含有伪迹的IMF,再通过过零点检测可以得到瞬时脉搏率。然后,估算心率时,用1 Hz～1.67 Hz (60次/分钟～100次/分钟)的IMF来重构信号,再求倒谱,选取反映心脏活动的频带来得到心率。最后,估算呼吸率时,用0.05 Hz～0.75 Hz (3次/分钟～45次/分钟)的IMF来重构信号,然后对呼吸信号求快速傅里叶变化得到频谱图,寻找频谱图中的峰值得到呼吸率。对来自MIMIC数据库的53个成人PPG信号进行了仿真。仿真结果表明:使用该综合信号处理方法提取的生理参数与实际生理参数一致,且该方法有运算量小,精确度高的优点(误差不超过1.17%)。     

EEMD结合小波阈值的光电容积脉搏波信号降噪

为了研究脉搏波信号降噪的问题,文章提出了一种集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)与小波阈值相结合的降噪方法,对采集到的光电容积脉搏波信号来做降噪处理,同时和EMD结合小波阈值降噪算法进行比较。算法首先把信号做EEMD的分解,将原始信号分解为n个模态分量(Intrinsic Mode Function,IMF),然后对这些分量做相干性的计算,对其中的噪声分量来做小波阈值降噪,最后将信号重构。原始信号在STM32平台上采用MAX30100传感器测得。实验结果表明:本文的方法能够很好地剔除光电容积脉搏波中包含高频噪声与基线漂移的各种噪声,降噪后信噪比为34.09,均方根误差为1.99。提高了PPG信号的质量,为光电容积脉搏波信号的准确测量提供了新的思路。     

基于EEMD与奇异熵增量谱的齿轮故障特征提取

针对齿轮振动信号非线性、非平稳的特点,提出一种基于集合经验模态分解(EEMD)与奇异熵增量谱的齿轮故障特征提取方法。首先,利用EEMD方法将齿轮振动信号分解为若干个平稳的本征模态函数(IMF)分量。EEMD方法利用正态分布白噪声的二进尺度分解特性,能够有效抑制经验模态分解(EMD)中的模态混叠现象。但由于背景噪声和残余辅助白噪声的影响,EEMD分解得到的IMF分量难以准确提取齿轮故障特征。利用奇异值分解(SVD)对IMF分量进行消噪和重构,根据奇异熵增量谱确定重构阶次,准确地提取齿轮的故障特征频率。仿真信号分析和齿轮箱齿轮故障实验验证了该方法的准确性和有效性。     

基于改进EEMD的滚动轴承故障诊断研究

滚动轴承的故障信号具有非平稳性、非线性等特点,在经验模态分解过程中会出现模式混叠现象。集合经验模态分解算法(EEMD)是在原始信号中引入随机高斯白噪声序列,改变信号的局部时间跨度,可以有效抑制常规经验模态分解过程中产生的模式混叠现象。在研究EEMD原理的基础上,引入白噪声的幅值标准差准则来选择EEMD参数,并且对分解得到的所有的固有模态函数(IMF)分量通过相关系数法提取有效本征模态分量,再对提取的有效本征模态函数分量阀值处理后进行重构。通过Hilbert变换对重构信号进行包络谱分析,提取滚动轴承的故障特征。轴承故障信号实验结果表明,EEMD方法可以有效应用于滚动轴承的故障诊断中。     

基于EEMD和快速谱峭度的滚动轴承故障诊断研究

从经验模态分解(EMD)中得到的本征模态函数(IMF)存在模态混合现象,并且其末端效应影响分解效果,针对这一问题,以西安交通大学XJTU-SY滚动轴承中的振动数据为例,对其外圈振动的正常数据和失效数据分别进行了对比研究。首先,采用集合经验模态(EEMD)分别对正常和失效轴承的振动信号进行了分解,得到了各阶IMF分量;然后,通过峭度准则选择关键的IMF分量进行了信号重构,计算了重构的信号快速谱峭度,根据快速谱峭度得出的中心频率和带宽为依据,对重构信号进行了带通滤波处理;最后,对包络谱进行了对比分析,获得了滚动轴承的准确故障特征信息。研究结果表明:通过EEMD分解和快速谱峭度得出滤波后的重构信号降噪效果明显,可以得到良好的故障带宽和中心频率;该方法能有效测出XJTU-SY滚动轴承出现外圈故障时的振动频率。     

基于灰色准则与EEMD的滚刀振动信号降噪方法

工程现场采集的滚刀振动信号掺杂噪声,致使信号特征难以提取。提出一种基于灰色准则与集合经验模态分解(EEMD)的滚刀振动信号降噪方法。首先将原信号进行EEMD分解得到若干个特征模态函数(intrinsic mode function,IMF),再根据提出的灰色准则对IMF分量进行极性一致化处理、均值化处理,计算出IMF1与其他IMF分量的灰色关联度,并按照灰色关联度将IMF分量降序排列,然后选择降序排列中前一半IMF分量进行软阈值处理,最终将处理后的IMF分量、未处理的IMF分量及余项进行重构,得到降噪后的信号。通过不同初始信噪比的仿真信号和实际加工中的滚刀振动信号验证了本方法的可行性和有效性,同时与EEMD结合相关系数降噪法、小波软阈值降噪法进行了比较,结果表明本方法的降噪效果更优。     

BFA优化EEMD的刀具故障诊断

为了准确识别刀具磨损状态,提出一种细菌觅食算法(BFA)优化集合经验模态分解(EEMD)并与隐马尔可夫模型(HMM)结合的刀具故障诊断方法。首先利用BFA优化EEMD的白噪声幅值系数和总体平均次数,通过设置优化得到的最优参数,将降噪后的信号经EEMD分解为一系列本征模态分量(IMF);再依据峭度和相关系数重构信号;最后从重构信号中提取特征向量作为观测序列输入已训练好的HMM分类器中进行故障诊断。通过对刀具实验数据的分析,验证了此方法的可靠性和准确性。     

基于自适应感兴趣区域的视频心率测量

基于视频的非接触光电容积脉搏波(Photoplethysmography,PPG)可以实现非接触式心率监测。为改善非接触PPG信号质量和提高非接触PPG技术检测心率的准确性,提出一种自适应感兴趣区域(Region of Interest,ROI)的方法。使用独立向量分析对人脸分区域处理,然后使用归一化分割选取信噪比和相关度最高的小区块作为自适应ROI来获取心率,通过对自适应ROI加权平均和频域处理得到非接触PPG信号。相比于预选定ROI的方法,该方法将头部静止状态下心率误差的均值和标准差从(4.72±6.46)次/分降低至(0.52±1.49)次/分,根均方误差(Root Mean Square Error,RMSE)从7.96次/分降低至1.50次/分,平均误差率从9.45%降低至1.73%。头部运动状态下该方法的误差为(1.02±2.91)次/分,RMSE为2.11次/分,误差降低50%以上。使用Bland-Altman及相关性分析比较该方法与使用接触式PPG仪器得到的心率,计算得到头部静止时95%置信区间为-2.44～3.48次/分,运动时为-2.76～4.79次/分。最后通过对比与接触式PPG信号的波形,证明该方法得到了细节完整的PPG信号。实验结果表明,该方法显著提升了PPG信号的质量与心率的准确率。     

基于SVD-SGWT和IMF能量熵增量的液压故障特征提取

针对随机噪声和虚假分量影响总体平均经验模态分解(EEMD)分解质量问题,提出基于奇异值分解(SVD)和第二代小波变换(SGWT)联合降噪预处理和本征模态分量(IMF)能量熵增量剔除虚假分量的改进EEMD方法。该方法首先对原始信号进行第二代小波变换,利用SVD对SGWT得到的高频系数进行降噪处理,克服了软、硬阈值法降噪的缺陷。然后对消噪处理的信号进行EEMD分解,通过IMF能量熵增量去除虚假分量;最后对主IMF分量进行Hilbert谱分析来提取信号的主要特征。仿真和实验结果表明,SVD和SGWT联合降噪故障信号信噪比显著提高,且失真度小,抑制了噪声对EEMD分解精度的干扰,能量熵增量能有效地去除虚假IMF,Hilbert谱中各频率成分清晰不混叠,成功提取了液压系统故障特征频率。     

基于改进经验模态分解的雷达生命信号检测

从线性调频连续波(FMCW)雷达中提取的生命信号包含大量的噪声,为了获得高信噪比的呼吸和心跳信号,提出了一种基于改进的自适应集合经验模态分解(ICEEMDAN)的生命信号检测方法。该方法首先对FMCW毫米波雷达获取的生命信号进行ICEEMDAN分解,得到若干个固有模态函数(IMF)分量,然后利用IMF分量滤波器选择频率峰值在呼吸和心跳频带范围内的IMF分量,最后根据与雷达生命信号的相关性从滤波的结果中选择IMF分量重构呼吸和心跳信号。实验结果表明,所提出的方法能够准确地检测到心跳和呼吸信号,提取得到的呼吸和心跳信号具有良好的信噪比。     

EEMD和TFPF联合降噪法在齿轮故障诊断中的应用

为了消除噪声对齿轮传动系统故障特征提取的影响,提出了一种基于集成经验模态分解(ensemble empirical mode decomposition,简称EEMD)和时频峰值滤波(time-frequency peak filtering,简称TFPF)相结合的降噪方法。针对TFPF算法在窗长的选择方面受到限制的问题,采用了EEMD方法对其进行改进,使得信号在噪声压制和有效信号保真两方面得到权衡;含噪声的信号经过EEMD分解后,得到一系列频率成分从高到低的本征模态函数(intrinsic mode functions,简称IMFs),计算出各IMFs间的相关系数,判断需要滤波的IMFs。对不同的IMFs选择不同的窗长进行TFPF滤波,把过滤后的IMFs和剩余的IMFs重构得到最终的降噪信号。用模拟仿真信号和齿轮齿根故障信号对该方法进行验证,可见EEMD+TFPF能有效地去除噪声,成功提取齿根裂纹故障特征。     

Nonlinearity and non-stationarity analysis of dynamic response of vehicle–track coupling system enhanced by Huang transform

A method is proposed to analysis the nonlinearity and non-stationarity of dynamic response of high speed vehicle–track coupling system, to understand the properties of signal and its underlying physical meaning. First, a space coupling model of high speed vehicle–track system is built according to the theory of coupling dynamics of vehicle–track system. Then, the dynamic response of vehicle–track system is processed by Ensemble Empirical Mode Decomposition (EEMD) to generate the intrinsic mode functions (IMFs). Next, the “Direct Quadrature” (DQ) method is used to calculate the local instantaneous frequency and instantaneous amplitude of the IMFs, the generalized zero-crossing method and the full wave zero-crossing method are applied to calculate the mean local frequency of the IMFs. Finally, the index and degree of nonlinearity and non-stationarity based on intra-wave frequency modulation (the deviation of the instantaneous frequency from the generalized zero-crossing frequency) and inter-wave frequency modulation (the deviation of the instantaneous frequency from the full wave zero-crossing frequency), are defined to quantify the nonlinearity and non-stationarity of dynamic response. The usefulness and capability of the proposed method are displayed through two cases, which are considered general enough to be the representatives of nonlinear and non-stationary dynamic response of vehicle–track coupling system.     

采样频率对聚合经验模态分解的影响研究

根据聚合经验模态分解的特点对能量泄漏指数进行了修订,从非对准误差、能量泄漏、分解结果的正交性和相关性方面分析了采样频率对聚合经验模态的影响,分析结果显示离散化采样引起的非对准误差随采样频率的提高逐渐减小,而能量泄漏以及分解结果之间的正交性和相关性随采样频率改变近似呈周期性变化。并根据分析结果给出了聚合经验模态中采样频率的选取原则。算例结果表明,综合考虑上述各影响因素后,聚合经验模态较为理想的采样频率范围是信号最高频率的10.3~11倍。     

An improved complementary ensemble empirical mode decomposition with adaptive noise and its application to rolling element bearing fault diagnosis

A novel time–frequency analysis method called complementary complete ensemble empirical mode decomposition (EEMD) with adaptive noise (CCEEMDAN) is proposed to analyze nonstationary vibration signals. CCEEMDAN combines the advantages of improved EEMD with adaptive noise and complementary EEMD, and it improves decomposition performance by reducing reconstruction error and mitigating the effect of mode mixing. However, because white noise mixed in with the raw vibration signal covers the whole frequency bandwidth, each mode inevitably contains some mode noise, which can easily inundate the fault-related information. This paper proposes a time–frequency analysis method based on CCEEMDAN and minimum entropy deconvolution (MED) for fault detection of rolling element bearings. First, a raw signal is decomposed into a series of intrinsic mode functions (IMFs) by using the CCEEMDAN method. Then a sensitive parameter (SP) based on adjusted kurtosis and Pearson’s correlation coefficient is applied to select a sensitive mode that contains the most fault-related information. Finally, the MED is applied to enhance the fault-related impulses in the selected IMF. The fault signals of high-speed train axle-box bearing are applied to verify the effectiveness of the proposed method. Results show that the proposed method can effectively reveal axle-bearing defects’ fault information. The comparisons illustrate the superiority of SP over kurtosis for selecting the sensitive mode from the resulted signal of CCEEMEDAN. Further, we conducted comparisons that highlight the superiority of our proposed method over individual CCEEMDAN and MED methods and over two other popular signal-processing methods, variational mode decomposition and fast kurtogram.     

基于快速谱峭度图的EEMD内禀模态分量选取方法

针对在总体平均经验模式分解(ensemble empirical mode decomposition,简称EEMD)的多个内禀模态分量(intrinsic mode function,简称IMF)中,如何选取出反应故障特征的敏感IMF的问题,提出一种基于快速谱峭度图的敏感IMF选取方法。由EEMD分解获得的一组无模式混淆的IMF,计算原信号及各个IMF的快速谱峭度图,选择每个快速谱峭度图中谱峭度最大值所处的频带作为参考频带,比较各个IMF的参考频带与原信号谱峭度最大值所处频带之间的从属关系,筛选出反应故障特征的敏感IMF,为后续故障诊断提供特征信息。将该方法应用于模拟仿真信号及滚动轴承滚动体故障信号,验证了方法的有效性。     

基于EEMD能量熵和支持向量机的轴承故障诊断

提出了一种基于总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和支持向量机(Support Vector Machine,SVM)的轴承故障诊断方法。首先通过EEMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模函数(Intrinsic Mode Function,IMF);轴承发生不同的故障时,信号在不同频带内的能量值会发生改变,故可通过计算不同振动信号的EEMD能量熵判断是否发生故障;从包含有主要故障信息的IMF分量中提取出来的能量特征作为输入建立支持向量机,判断轴承的工作状态和故障类型。实验结果表明,文中提出的方法能有效地应用于轴承的故障诊断。     

基于人脸视频的心率参数提取

为了在舒适非接触环境下检测被试者的心率变化,本文设计了一种通过普通摄像头来检测心率参数的信号处理系统。首先,将KLT(Kanade-Lucas-Tomasi)算法跟踪识别到的人脸视频图像转换到YCbCr颜色空间来进行皮肤检测,并同时转换到Cg颜色通道来提取高质量的光电容积脉搏波(Photoplethysmography, PPG)信号。然后,用Morlet复小波作为母波绘制PPG信号的小波能量谱图。最后根据心率信号的生理特性,去除伪点噪声,提取随时间变化的心率参数。实验结果表明,该方法在静息状态下的测量结果同标准仪器测量结果的平均绝对值误差|M_e|小于2 bpm(beats per minute),误差的标准差SD_e小于2.5 bpm,RMSE均小于2.6 bpm;头部运动状态下两种测量方法的|M_e|均小于2.3 bpm,SD_e均小于2.9 bpm,RMSE均小于2.9 bpm。对两种测量方法进行Bland-Altman一致性分析,其测量结果显示静息状态下差值的均数■为0.295 7 bpm,95%置信区间为-3.340 1~3.931 4 bpm;头部运动状态下■为0.383 2 bpm,95%置信区间为-3.677 1~4.443 5 bpm,表明本文提出的非接触式方法的测量结果同标准仪器的测量结果具有高度的一致性。     

Application of EEMD and improved frequency band entropy in bearing fault feature extraction

Ensemble empirical mode decomposition (EEMD) is widely used in condition monitoring of modern machine for its unique advantages. However, when the signal-to-noise ratio is low, the de-noising function of it is often not ideal. Thus, a new fault feature extraction method for rolling bearing combining EEMD and improved frequency band entropy (IFBE) is proposed, i.e., EEMD–IFBE. According to the problem of multiple intrinsic mode functions (IMFs) generated by EEMD, how to select the sensitive IMF(s) that can better reflect fault characteristics, a novel method based on FBE for sensitive IMF is proposed. In addition, since the bandwidth parameter is set empirically when the band-pass filter is designed based on the original FBE, a novel bandwidth parameter optimization method based on the principle of maximum envelope kurtosis is proposed. First, the original vibration signal is subjected to EEMD to obtain a series of IMFs; Then, the FBE values are obtained for the original signal and each IMF component, and the bandwidth of the band-pass filter (empirically) is designed as the characteristic frequency band at the minimum entropy value, and the affiliation between the characteristic frequency band of each IMF and the characteristic frequency band of the original signal is compared, and then selecting the sensitive IMF(s) that reflects the characteristics of the fault; Third, due to the influence of background noise, it is difficult to accurately obtain the fault frequency from the selected IMF(s). Therefore, the band-pass filter designed based on FBE is used, and the bandwidth parameter is optimized based on the principle of envelope kurtosis maximum, and then the selected sensitive IMF is band-pass filtered. Finally, the envelope power spectrum analysis is performed on the filtered signal to extract the fault characteristic frequency, and then the fault diagnosis of the bearing is realized. The method is successfully applied to simulated data and actual data of rolling bearing, which can accurately diagnose fault characteristics of bearing and prove the effectiveness and advantages of the method.     

基于近似熵和集成经验模态分解的转子多故障诊断方法研究

为了提高汽轮机转子多故障分类的准确率,提出一种集成经验模态分解(EEMD)、近似熵和支持向量机相结合的多状态分类方法。首先进行EEMD得到各频段的单分量信号;再求出熵值作为故障信号的特征向量输入到基于二叉树的支持向量机中实现多状态分类。对比近似熵、模糊熵和能量法这三种方法,实验结果验证了利用EEMD和熵理论相结合的方法量化故障信号非线性特征的正确性。同时也表明在欧氏空间中,近似熵值组成的特征向量彼此间的距离最远,分类效果也最好。     

基于WAEEMD和MSB的滚动轴承故障特征提取

针对调制信号双谱（MSB）方法仅能处理平稳信号的不足,提出了一种基于加权平均集成经验模态分解（WAEEMD）和MSB的滚动轴承故障特征提取方法。首先,利用WAEEMD将滚动轴承的非平稳振动信号分解成一系列具有平稳特性的固有模态函数（IMF）;然后,开发了一种基于Teager能量峭度（TEK）的加权平均方法以强调敏感IMF的重要性,并将加权后的IMF重构为WAEEMD滤波信号;最后,应用MSB分解WAEEMD滤波信号中的调制分量并提取故障特征频率。仿真和实验结果表明,相对于快速谱峭度（FK）和EEMD-MSB方法,WAEEMD-MSB方法能更准确地获取故障特征,从而验证了WAEEMD-MSB方法的有效性。