EMD及其在脑电分析中的应用研究

基于经验模态分解(EMD)的数据分析方法,是一种针对非线性、非平稳信号处理的新方法.使用EMD法可以将任意复杂的数据信号分解为多个有限的、数据量较小的“本征模函数”(IMF).这些本征模函数很适合求其Hilbert变换.信号的局部能量和瞬时频率都可以从其本征模函数中推导出来.这个完整的能量-频率-时间关系称为Hilbert谱,它是一种分析非线性、非平稳信号的理想方法.介绍了EMD法的原理和实现过程,给出了多个实例的本征模函数和Hilbert谱.并展示了它在非稳态信号处理中的特性.同时,还探索将这种基于EMD的分析方法应用于脑电信号的分析中,并给出了脑电信号的部分本征模函数(IMF)分量及Hilbert振幅和频谱图.试图用一种新的方法分析复杂的非平稳脑电信号.     

基于小波变换心电信号去噪方法

小波变换基于模极大值的去噪方法具有非线性及自适应特性,而且特别适合于进行非平稳的微弱信号及具有较多奇异点信号的消噪,这种信号特点恰好是心电信号最突出的特征,也是常规信号处理方法遇到的最大难题。本文简述了小波变换模极值去噪方法在心电信号处理中的应用,并证实这种方法可以在信号消噪的同时有效地改善信噪比,并同时提高信号的分辨率。     

多通道胎儿心电提取的经验模态分解和准周期成分提取方法

针对多导联腹壁混合信号的胎儿心电信号（FECG）提取方法有很多,建立在统计独立性和非高斯性假设基础上的盲源分离算法是一类普遍被关注的方法。但是,由于混杂在腹部心电信号中的母体心电信号和多种复杂的生物电噪声的影响,以及腹部电极布置的不合理等因素,使得传统的盲源分离算法对FECG的提取结果往往不尽如人意。本文提出了一个基于经验模态分解和准周期成分提取的多通道FECG提取方法EMD-QPCE。首先,对各通道腹壁混合心电信号分别用经验模态分解方法分解为一系列固有模态函数（IMF）,消除IMF中母体心电信号的成分,以增强FECG的信息。然后,将各个通道信号相对应的IMF进行组合,用准周期成分提取方法提取FECG的信息。最后,由提取的含有FECG信息的IMF重构出FECG,实现多通道腹壁混合信号中提取FECG的目的。应用本文方法对DaISy数据库、ADFECGDB数据库和Challenge2013数据库中的真实心电信号进行实验,实验结果表明：与传统的独立成分分析、主成分分析和准周期成分提取方法相比,提取成功率和提取质量都得到了有效提高。在实验范围内,本文方法的FECG提取灵敏度Se在92.3%以上,阳性预测值 PPV大于98.8%,准确度指标F1大于95.4%,平均胎儿心率误差小于0.595%,具有非常好的准确度和精度,充分验证了本文方法的有效性和优越性。     

基于希尔伯特-黄变换的信号处理方法

常用的信号处理方法对于非平稳信号处理效果不佳。1998年,N.E.Huang等研究出了一种新方法——希尔伯特黄变换(HHT)。这种方法要建立在经验模式分解(EMD)的基础上,通过分解获得信号的一种本征模函数(IMF),再根据本征模函数进行HHT。文中主要介绍了希尔伯特-黄变换方法的基本原理,并应用在铝电解阳极效应检测中。     

小波域变步长ICA算法提取胎儿心电信号

胎儿心电信号是反映胎儿宫内生理活动的一种最主要的客观指标,从母体体表混合信号中分离出胎儿心电信号是近年来信号处理领域研究的热点问题。该文利用小波变换将采集到的各导联混合信号变换到小波域;在小波域结合模拟退火法变步长进行独立分量的提取;将提取到的各独立分量进行小波逆变换,从中选择胎儿心电信号成分。通过对临床实际数据进行实验,实验结果提取出了清晰的胎儿心电信号。     

基于经验模态分解的小波阈值滤波去噪

经验模态分解(EMD)是一种新出现的处理非线性、非稳态数据的信号分析方法,首先对带噪信号做EMD分解,得到各阶本征模函数(IMF)分量,然后对高频的IMF分量用小波去噪中的阈值方法进行处理,把经过阈值处理的高频IMF分量和低频的IMF进行叠加,得到重构后的信号,即去噪信号。通过三次样条包络分离数据的高阶成份和趋势项。利用EMD的这种特性,提出一种基于EMD变换的阈值去噪算法。仿真实验表明基于EMD变换的去噪具有较好的自适应能力,形式简单,应用方便灵活,不受傅立叶变换及小波函数选择的限制等。     

分数阶傅市叶变换域的心电信号滤波算法

心电信号是一种非平稳的低频微弱信号,与干扰噪声具有较强的时频耦合．经典的滤波方法难以实现有效的信噪分离．提出了一种基于分数阶傅立叶域的LMS自适应滤波算法,既结合了适合处理非平稳信号和减少时频耦合的特点,又能够有效地提高信噪比．首先将信号进行分数阶傅立叶变换,寻找最优变换域,再利用LMS自适应滤波算法在最优变换域滤波,然后对滤波后的信号进行分数阶傅立叶反变换．通过对MIT—BIH中的心电数据进行Mat—lab仿真,表明信噪比从-6dB提高到14dB,清晰地还原出心电信号的波形及特征点．     

小波和小波包变换在心电信号去噪中的应用

小波（包）变换软阈值去噪方法具有非线性和自适应性,特别适合非平稳微弱的生物医学信号的去噪,而心电信号恰具有该特征。利用MIT／BIH数据库中没有噪声的胎儿心电的信号作为有用信号并混合高斯自噪声作为干扰来验证小波（包）软阈值去噪的效果。验证结果表明小波（包）软阈值算法去噪效果很好,能有效去除干扰。     

平稳小波变换和新阈值函数用于心电信号去噪

心电信号采集过程中容易受到基线漂移、工频和肌电等噪声的干扰.为了提高心电信号的信噪比,结合平稳小波变换,在使用小波阈值去噪法去燥过程中,提出一种有别于常用软硬阈值函数的新的阈值函数.通过分析实测数据验证新阈值函数,结果表明,该方法更加有效地抑制了心电信号中混入的基线漂移、工频和肌电噪声,且较好地保留了原始心电信号的特征.     

基于HHT的心电信号滤波算法的研究

针对心电信号具有非线性、非平稳弱信号的特点,借鉴小波滤波算法的思想,基于HHT变换,提出一种去除噪声对应尺度细节分量和阈值相结合的HHT心电滤波算法.并借助MATLAB仿真平台,采用同一阈值函数,对含噪心电信号分别运用小波滤波算法和基于HHT设计心电滤波算法进行滤波仿真比较.最后以MIT-BIH心律失常数据库中的提供的含噪心电信号作为数据源,进行仿真滤波实验,验证了HHT滤波算法对心电信号的基线漂移、工频噪声、肌电干扰去除的有效性.     

基于ICA的胎儿心电信号提取算法的比较

研究了2种独立分量分析（ICA）算法（扩展的信息极大算法和快速ICA算法）在胎儿心电信号提取中的应用．仿真实验采用混有母体心电和胎儿心电的混合信号,然后分别利用Fast—ICA算法和扩展Infomax算法提取胎儿心电信号．比较了2种算法的性能．仿真结果表明：在胎儿心电提取时,快速ICA算法更具有优越性,提取胎儿心电信号效果好,而且不需要进行学习速率的选择,收敛速度快,简单可靠．     

经验模式分解在QRS波群和T波检测中的应用

针对未经预处理的心电信号中QRS波群和T波,提出一种基于经验模式分解的检测算法.该方法首先采用结合端点延拓的经验模式分解方法对信号进行分解,然后通过适当选择分解后的固有模态函数和残余分量,不使用"经验阈值"能得到准确的检测结果.利用MIT BIH Arrhythmia Database中心电数据检测表明,QRS波群的检...     

基于BEMD的水下声影区地貌及纹理特征提取

提出了一种基于二维经验模态分解(The Bidimensional Empirical Mode Decomposition,BEMD)的水声图像声影区地貌及纹理特征提取方法.为了解决声影区的存在对水声图像特征提取的干扰问题,先对水声图像进行二维模态分解,采用Canny边缘检测器对其中的模态1或几个模态的叠加进行特征提取.实验结果表明,该方法增强了声影区内目标的特征信息,弱化了声影区的阴影边缘,是一种实用的水声图像特征提取新方法.     

一种基于经验模式分解的心电QRS波检测方法

讨论了一种信号分析法——经验模式分解法,用于检测心电信号中QRS波的可行性和有效性,并提出了相应的检测算法。实验结果表明,适当选择心电信号在经验模式该方式分解后的内在模函数,特别是其高频分量,可有效地抑制或缓解各种主要噪声干扰,使用简单算法即可分离QRS波的特征点。该方法经标准心电信号进行有效验证,获得了较高的准确率。     

基于IMF信息熵与SVM的转子振动故障智能诊断方法

提出了基于内禀模态信息熵与支持向量机的转子振动故障诊断方法。采用EMD方法将转子振动信号分解为若干个内禀模态分量,由各个内禀模态分量的信息熵构成转子状态的特征参数。采用支持向量机分类器对故障类型进行分类。通过转子试验台的仿真实例证明了该方法的有效性。另外,在特征提取环节对比采用了传统的Fourier变换法,结果体现了EMD方法在非线性和非稳态信号处理上的优越性。     

旋转机械振动信号的固有模式函数降噪方法

针对旋转机械非平稳振动信号中局部低能量噪声的消除问题,提出一种基于固有模式函数(IMF)的振动信号降噪方法.该方法在信号经验模式分解(EMD)的基础上,通过对一阶IMF进行L次随机排序操作,构造观测信号的L个样本序列.根据白噪声各阶IMF的能量密度,计算L个样本序列各自分解所得IMF的阈值.通过样本幅值与阈值的比较,将IMF中过零点区间内极值小于阈值的所有样本点去除,并利用这些阈值去噪后的IMF重构信号.仿真和实验结果表明,本方法对各阶IMF中局部低能量噪声的消除是有效的,且降噪后信号的时频特征显著.     

基于小波提升的ECG去噪和QRS波识别快速算法

提出了一种基于小波提升的ECG去噪和QRS波识别的快速算法。该算法在小波提升基础上引入加权阈值收缩法,保证ECG有用信息不丢失,提高了去噪效果;利用去噪重构的中间结果并结合简单的差分法,实现了使用平滑函数一阶导数对信号进行小波提升变换,避免了需要二次小波提升变换的运算,在保证识别精度的同时,大大降低了运算复杂度。实验结果表明,该算法能得到较高的SNR和较低的MSE,QRS波识别准确率达到了99.5%以上。并且,该算法利于在硬件平台(FPGA)上实现,便于在心电监护设备上集成。     

基于概率潜分量分析的语音增强算法

针对传统语音增强方法在非平稳噪声环境和低信噪比情况下增强效果不理想的问题,提出了一种基于概率潜分量分析(PLCA)的语音增强算法。该算法分析并引入了PLCA模型,将语音谱建模成意义明晰的边缘分布表示,并通过期望最大化(EM)算法对最优边缘分布进行求解,用边缘分布组成的字典对噪声进行描述,利用语音信号的边缘分布选择性地重构语音信号,从而实现与噪声分离,达到语音增强的目的。仿真结果表明,该算法在抑制噪声、提高信噪比、增强语音质量方面明显优于传统的语音增强方法。