基于Hilbert-Huang变换的ECG信号降噪方法

提出了一种新的ECG信号降噪方法.该方法以Hilbert-Huang变换(HHT)和阈值降噪方法为核心,将经验模态分解(EMD)分解出的各层固有模态函数(IMF)分为噪声成分起主导作用层和有用信号起主导作用层.对噪声成分起主导作用层采用Donoho等人提出的阈值估计法,对有用信号起主导作用层的噪声水平通过高频层的能量与平均周期的乘积来确定.讨论了噪声成分起主导作用层和有用信号起主导作用层的区分判别问题.该方法克服了阈值估计法对有用信号起主导作用层噪声水平估计的较大偏差.经实验验证表明,该方法能有效地滤除ECG信号检测中的几类主要噪声,且失真很小.     

Hilbert-Huang变换在谱分析中的应用

本文对Hilbert-Huang变换(Hilbert-Huang Transform)理论做了仿真研究,并通过仿真实验对非平稳信号作经验模式分解(Empirical Mode Decomposition),得到它的固有模态函数(Intrinsic Mode Function)分量;对各个分量作Hilbert变换,得到瞬时频率,并构造希尔伯特谱-时间-频率的时频分布图。通过与短时傅立叶变换(Short Time Fourier Transform)、小波变换(Wavelet Transform)的分析比较,Hilbert-Huang变换方法更能反应原始数据的固有特性,有更好的时频聚集性,更适用于对突变信号和非平稳信号的处理。     

思维作业脑电的IMF能量熵特征提取与分类研究

提出了一种基于固有模态函数（Intrinsic Mode Function,IMF）能量熵的特征提取方法。对三类脑电思维信号分别进行了经验模态分解（Empirical Mode Decomposition,EMD）,并得到与其相对应的IMF。试验发现对于不同类别的信号,同阶的IMF能量的判别熵有明显的不同。而采用K-近邻分类器对三类脑电信号进行了分类,发现基于最佳特征向量选择的分类试验的平均正确识别率达75%以上。     

Hilbert-Huang变换在脑电信号提取中的应用

高频视觉刺激可以拓宽可用的视觉刺激频率,而且可以减轻使用者的视觉疲劳,使基于视觉诱发电位的脑机接口系统更加实用化。但高频视觉刺激下的稳态视觉诱发电位信号幅值过低不易进行特征提取。本文提出一种新的视觉诱发电位提取方法,结合Hilbert-Huang变换与快速傅立叶变换方法来提取脑电信号。实验结果表明,用这种信号处理方法可以准确提取出高频稳态视觉诱发电位信号特征量,而且可以将脑电信号中的眼电干扰去除,并应用于脑机接口系统中。     

基于EMD和PCA的P300分类算法

提出一种基于经验模态分解(EMD)及主分量分析(PCA)的分类算法,采用支持向量机(SVM)对P300脑电信号字符拼写实验进行分类,通过EMD变换对P300脑电信号分解,从而达到去噪增强特征的效果,使用PCA方法对原始P300信号进行特征提取和集中,并送入SVM中实现分类。实验结果表明,该算法能获得高达96%的分类正确率。     

基于EMD和PCA的P300分类算法

提出一种基于经验模态分解(EMD)及主分量分析(PCA)的分类算法,采用支持向量机(SVM)对P300脑电信号字符拼写实验进行分类,通过EMD变换对P300脑电信号分解,从而达到去噪增强特征的效果,使用PCA方法对原始P300信号进行特征提取和集中,并送入SVM中实现分类。实验结果表明,该算法能获得高达96%的分类正确率。     

基于小波变换的脑电瞬态信号检测

在脑电（ＥＥＧ）信号分析与处理过程中,瞬态信号的检测和定位具有非常重要的实际意义,传统的瞬态脉冲检测方法是匹配滤波,但匹配波滤需要有关瞬态信号的先验知识,因而在实际应用中受一定的限制,本文用小波变换对含有瞬态干扰的脑电信号进行多尺度分解,在某些尺度下,瞬态信号特征得以明显增强,用简单的阈值比较就可以有效地检测并消除瞬态干扰,实验结果表是有,在缺乏先验知识的条件下,小波变换能有效检测出脑电信号中短时,低能量的瞬态脉冲。     

经验模式分解回顾与展望

经验模式分解EMD打破了Fourier变换、小波分解等传统数据分析方法需要预先设定基函数的局限,是一种完全由数据驱动的自适应非线性非平稳时变信号分解方法,可以将数据从高频到低频分解成具有物理意义的少数几个固有模态函数分量和一个余量。首先介绍了原始EMD方法的原理和算法;接着,总结归纳了EMD当前的研究现状,分析了EMD存在的端点效应、模态混叠、运行速度问题及其在二维情况下的问题并对国内外学者解决这些问题的方法进行了概述和比较;最后结合EMD研究存在的难题指出了EMD进一步研究与应用的发展方向。     

基于Hilbert-Huang变换的多端配电网行波故障定位

针对目前研究多端配电网故障定位的方法不多,提出了一种多端配电网的行波故障定位方法。Hilbert-Huang变换法是一种非平稳信号处理工具,通过采用Hilbert-Huang变换法对配电网各端故障行波信号进行处理。将故障暂态行波的α模电流分量进行经验模态分解,取含高频信号的第一个IMF分量做Hilbert变换,得到相应的时频图。由时频图的第一个频率突变点确定行波波头到达线路两端监测点的时刻,依据定段方法与双端测距原理计算出故障点准确位置,从而实现了对多端配电网故障定位。仿真结果表明,本算法适应能力强,可靠,定位准确。     

基于改进EMD的脑电信号去噪方法

以经验模态分解(EMD)为理论基础,提出一种相似波形加权匹配的方法,对脑电信号(EEG)端点进行延拓,改善EMD分解过程中存在的端点效应,利用延拓后的EMD方法对EEG进行去噪。基于美国加州理工学院数据库中EEG的仿真结果表明,延拓后的EMD方法可有效去除EEG波形中的噪声部分,使EEG的特征更明显。     

基于Hilbert-Huang变换的语音信号分离

针对短时傅里叶变换不能正确得到非平稳信号的能量频率分布问题,提出了一种基于Hilbert-Huang变换的单信道语音信号分离的算法。该算法首先对分解得到的各内蕴模式函数分量(IMF)进行Hilbert变换,得到混合信号时频面上的Hilbert谱,然后对混合信号的Hilbert谱运用独立子空间分析的方法得出代表各个独立源信号的子空间,并对其求逆变换,从而恢复出各个源信号。通过仿真实验验证了此算法的正确性和有效性,且与短时傅里叶变换时频分析法相比较,其分离性能明显得到改善,显示了Hilbert-Huang变换在处理非平稳信号的优越性。     

基于HHT的脑电信号在不同阅读模式下的识别与分类

目的：针对Powerlab脑电信号记录仪获取脑电波形,分辨不同类型的脑电阅读模式。方法：对实验者在阅读不同材料（平静闭目、阅读英语、阅读诗歌、阅读现代文四种阅读模式）时的头皮脑电信号进行采样,使用希尔伯特-黄变换及支持向量机训练,分辨平静闭目和其他三种不同阅读模式,并针对经验模态分解时出现的常见情况——端点飞翼现象进行算法优化处理并比较其处理效果。结果：基于多项式拟合处理的经验模态分解分解后的脑电信号辨识率最高,稳定在65%水平,最高可达70%。结论：大脑在阅读状态下经经验模态分解和多项式拟合后的信号适合作为大脑阅读模式下的特征提取函数,并对有效阅读模式具有指导意义。     

基于Hilbert-Huang变换的语音增强技术研究

提出了一种基于Hilbert-Huang变换的语音增强方法。首先利用经验模态分解方法（Empirical Mode Decomposition,EMD）,选择合适的固有模态函数对含噪语音进行初步降噪,然后根据信噪比分别确定过减因子进行谱减运算。实验结果表明,与传统的谱减法相比,该方法的输出信噪比提高了5 dB以上,尤其在非稳定噪声条件下,输出性能有更为明显的改善。经Hilbert-Huang变换后得到的特征量能较为有效地描述语音信号的非线性以及非平稳特性。     

基于HHT运动想象脑电模式识别研究

脑机接口是一种变革性的人机交互, 其中基于运动想象(Motor imagery, MI)脑电的脑机接口是一类非常重要的脑机交互. 本文旨在探索有效的运动想象脑电特征模式提取方法. 采用在时域、频域同时具有很高分辨率的希尔伯特--黄变换(Hilbert-Huang transform, HHT),进而提取自回归(Auto regressive, AR)模型参数并计算运动想象脑电平均瞬时能量,从而构造特征向量, 最后利用能较好地适应运动想象脑电单次试验分类的支持向量机(Support vector machine, SVM)进行分类. 结果表明在Trial的5.5～7.5s期间, HHT特征提取方法平均分类正确率为81.08%, 具有良好的适应性;最高分类正确率为87.86%, 优于传统的小波变换特征提取方法和未经HHT的特征提取方法;在Trial的8～9s期间, HHT特征提取方法显著优于后两种特征提取方法. 本研究证实了HHT对运动想象脑电这一非平稳非线性信号具有很好的特征提取能力, 也再次验证了运动想象事件相关去同步(Event-related desynchronization, ERD)现象, 同时也表明运动想象脑电的脑--机交互系统性能与被试想象心理活动的质量密切相关. 本文可望为基于运动想象脑电的在线实时脑机交互控制系统的研究打下坚实的基础.     

基于三维地震数据的并行希尔伯特黄变换算法研究

为了对地震属性原始剖面中的细微构造特征或岩性界面进行较好的分辨和验证,一种改进的希尔伯特黄变换算法被采用.该方法首先对信号进行经验模态分解,对分解分量进行希尔伯特频谱分析.采用了最新的图形处理器(graphical processing unit,GPU)技术,将数据转换到GPU上进行并行处理,极大地提高了处理速度.实验结果表明,与基于CPU的方法相比,该方法计算速度提高了4倍左右.     

基于改进HHT和样本熵的脑电信号特征提取

针对运动想象脑电信号在经验模态分解（EMD）后人为选取固有模态函数（IMF）导致重构信号混入噪声且丢失有用信息的问题,提出一种改进希尔伯特‐黄变换（HHT）和样本熵结合的特征提取方法。在原始脑电信号经过EMD后,计算各个IM F与原始信号的相关系数以及IM F中瞬时频率在μ／β节律频带内的个数,提取有效IM F的能量均值,联合计算脑电信号的样本熵构成特征向量,采用支持向量机（SVM ）分类器对提取的特征进行分类,在智能轮椅平台上对算法进行验证。验证结果表明,采用改进 HHT结合样本熵的智能轮椅系统有较高正确识别率,稳定性更好。     

基音周期检测的希尔伯特-黄变换方法

根据语音信号非平稳非线性的时变特点,提出了一种基于希尔伯特-黄变换的基音周期检测法。该方法不需要对语音信号进行短时平稳假设,能自适应地对信号进行分解,具有很高的时频分辨率(不受Heisenberg不确定原理的制约)。利用短时能量对语音进行清浊音判断,再经过经验模态分解将信号分解为若干固有模态函数,然后对每个固有模态函数进行希尔伯特变换求其瞬时幅值与瞬时频率,根据基音特点对分解得到的固有模态函数加权求和突出基音周期信息,最后采用自相关平方法进行基音检测。实验表明,该方法较传统的基音检测法精度有所提高,且鲁棒性较好。     

基于小波变换和AdaBoost极限学习机的癫痫脑电信号分类

针对单一极限学习机(ELM)在癫痫脑电信号研究中分类结果不稳定、泛化能力差的缺陷,提出一种基于互信息(MI)的AdaBoost极限学习机分类算法。该算法将AdaBoost引入到极限学习机中,并嵌入互信息输入变量选择,以强学习器最终的性能作为评价指标,实现对输入变量以及网络模型的优化。利用小波变换(WT)提取脑电信号特征,并结合提出的分类算法对UCI脑电数据集以及波恩大学癫痫脑电数据进行分类。实验结果表明,所提方法相比传统方法以及其他同类型研究,在分类精度和稳定性上有着明显提高,并具有较好的泛化性能。     

一种基于Hilbert-Huang变换的基音周期检测新方法

利用Hilbert-Huang变换对语言信号处理中基于事件的基音周期检测问题提出了一种新的检测方法．该方法利用Huang等人1998年提出的具有高时频分辨能力的Hilbert-Huang变换分析语音信号,并提取其瞬时能量,通过精确定位声门脉冲发生的时刻,从而精确地跟踪基音周期的变化,达到精确检测基音周期的目的．与传统方法相比,其优点主要表现在：（1）不需要对语音信号作短时平稳性假设;（2）检测精度高,适应范围广;（3）具有跟踪基音周期变化的能力;（4）能精确区分清浊音}（5）与传统方法相比,帧长大大增加,因而,在提取连续语音信号的基音轮廓时,用于分帧和拼合的开销大大减少,帧间拼合痕迹小．仿真数据和实际语音信号检测实验均获得了相当精确的检测结果．最后,需要指出的是,Hilbert-Huang变换作为一种新的信号分析方法,被成功地用于提取语音信号的基音周期,这本身是一个有意义的探索,它为拓展Hilbert-Huang变换理论的应用给出了一个新的尝试．