基于EEMD和WT的运动想象脑电信号消噪方法

采集到的运动想象脑电信号MI EEG(Motor Imagery Electroencephalogram)通常含有大量噪声信号.为了消除噪声同时保留尽可能多的有效信号,本文提出了将集合经验模态分解EEMD(Ensemble Empirical Mode Decomposition)与改进小波阈值法相结合的消噪方法.改进小波阈值法采用了新的阈值选取规则和阈值函数.首先对信号进行EEMD分解,然后再对高频固有模态函数IMF(Intrinsic Mode Functions)进行改进小波阈值处理,最后将处理后的高频IMF分量和低频IMF分量进行重构得到消噪信号.以信噪比和均方根误差作为消噪效果的定量评价指标,将本文提出的方法与单纯使用EEMD分解消噪法、单独使用改进小波阈值消噪法、EMD与改进小波阈值法相结合消噪法进行比较,结果表明,本文提出的消噪法优于其他三种消噪法.     

组合方法在脑电信号消噪中的仿真研究

研究脑电信号消噪问题.脑电信号存在非平稳性且包括大量的噪声,传统的消噪算法不能很好消除脑电信号中的噪声,从而影响后继的脑电信号处理和分析.为了更好的消除脑电信号噪声,提出一种小波变换与自适应滤波相结合的脑电信号组合消噪方法.该方法首先对含噪的脑电信号进行白化处理,然后采用小波分解和重构含噪较大的信号,将重构后的信号作为自适应滤波器的输入,进行自适应滤波消噪处理.仿真结果表明,组合去噪方法能有效去除脑电信号中的噪声干扰.     

用块稀疏贝叶斯学习算法重构识别体域网步态模式

针对低功耗体域网步态远程监测终端非稀疏加速度数据重构和步态模式识别性能优化问题,提出了一种基于块稀疏贝叶斯学习的体域网远程步态模式重构识别新方法,该方法基于体域网远程步态监测系统架构和压缩感知框架,在体域网传感节点利用线性稀疏矩阵压缩原始加速度数据,减少传输数据量,降低其功耗,同时在远程终端基于块稀疏贝叶斯学习算法充分利用加速度数据块结构内在相关性,获取加速度数据内在稀疏性,有效提高非稀疏加速度数据重构性能,为准确识别步态模式提供可靠的数据支撑.采用USC-HAD数据库中行走、跑、跳、上楼、下楼五种步态运动的加速度数据验证新方法的有效性,实验结果表明,基于所提算法的加速度数据重构性能明显优于传统压缩感知重构算法性能,使基于支持向量机多步态分类器识别准确率可达98%,显著提高体域网远程步态模式识别性能.所提新方法不仅有效提高非稀疏加速度数据重构和步态模式识别性能,并且也有助于设计低功耗、低成本的体域网加速度数据采集系统,为体域网远程监测步态模式变化提供一个新方法和新思路.     

一种含噪压缩感知的语音消噪方法

针对含白噪声语音信号采用压缩感知时重构效果差的问题,提出了一种对CS投影矩阵为行阶梯矩阵下的观测序列进行小波阈消噪的方法。针对该方法在噪声较小时,由于对某些帧的观测序列的噪声标准差估计误差过大,从而导致的重构性能衰减严重的问题,提出了一阶平滑的噪声估计的改进方案,改善了高信噪比时的重构效果。仿真显示,该方法通过压缩感知降低采样率的同时,实现了语音增强,并且性能也优于传统语音消噪方法。     

一种ECG信号肌电干扰去除方法的研究

实测心电(ECG)信号通常被多种因素干扰,尤其是肌电干扰的去除存在较大困难.本文提出一种结合经验模态分解法(EMD)与主成分分析(PCA)的消噪算法来去除ECG信号的肌电干扰.解决了通常采用小波算法和EMD等方法会导致ECG信号产生振荡和丢失有用信息的难题.本研究利用PCA对含噪信号经EMD分解后的内蕴模态函数(IMF)进行去噪处理,通过对MIT-BIH心电数据进行仿真,以及定性分析了信噪比(SNR)和均方误差(MSE).结果表明,ECG信号中的肌电干扰被有效去除,所提方法的消噪效果整体上优于小波去噪算法和EMD消噪算法,是一种有效的消噪方法.     

基于EMD和SST算法的闪电电场信号去噪研究

为进一步减少噪声对闪电电场信号的干扰,提出了一种经验模态分解(EMD)和同步压缩小波变换(SST)相结合的组合去噪方法。利用EMD算法能够自适应分解信号和SST算法可将噪声压缩为点状噪声或颗粒状噪声并集中分布的特点,从而选用中值滤波达到对噪声的抑制。利用该方法对标准闪电波和自然闪电波信号分别进行去噪处理,并运用信噪比、相关系数和均方误差对去噪效果进行了定量分析。实验结果表明,所提去噪方法相比于传统小波阈值去噪法、单独用EMD算法和单独用SST算法均取得了较好的去噪效果。     

基于Curvelet变换的图像压缩感知重构

压缩感知主要采用离散余弦变换(DCT)和正交小波进行图像的稀疏表示,但是DCT时频分析性能不佳,小波方向选择性差,不能很好地表示图像边缘的信息。为此,利用Curvelet变换具有的多尺度、各向奇异性、更高稀疏表示性能等特性,提出基于Curvelet变换的图像压缩感知重构算法,采用Curvelet对图像进行稀疏表示和小波域阈值处理,以此解决信号重构噪声问题。实验结果证明,与传统小波变换和Contourlet变换相比,该算法在Lena图像上峰值信噪比平均提高了1.86 dB和1.15 dB。将Curvelet变换应用于压缩感知,能使图像边缘和平滑部分得到最优的表示,图像细节部分重构效果得到大幅提升,有效提高图像整体重构质量。     

一种基于块稀疏的1比特压缩感知重构算法

块稀疏信号作为一种典型的稀疏信号,在压缩感知重构算法中被广泛应用研究,但是普通的重构算法并不能挖掘其内部结构,这导致重构精度得不到提高。在此基础上,针对普通的1比特压缩感知重构算法在块稀疏信号的重构中不能表现出良好的重构性能的问题,提出了一种专门针对块稀疏信号的1比特压缩感知重构算法。该算法以每一个块为重构单元,在二进制迭代硬阈值算法模型下进行重构。实验数据表明,提出的BLOCK-BIHT算法的重构精度比BIHT算法提高了3dB。     

基于压缩感知理论的图像信号含噪的重构算法

针对含噪情形下机器人视觉图像信号重构问题,提出了一种基于小波变换的变步长自适应分块压缩感知重构算法.首先,对含噪图像信号进行离散小波变换,从而达到很好的去相关性;其次,对变换后的图像信号进行分块,对每个图像子块信号进行测量;接着,对每个子块测量信号进行变步长自适应匹配追踪重构计算,得到每一图像子块的重构值,并将其整合得到整幅图像的重构值;最后,对该算法进行了仿真研究.结果表明,相比传统重构算法,本文方法针对含噪图像具有更高的重构质量.     

基于小波包分析木材声发射信号消噪处理

由于目前的滤噪技术在检测木材声发射信号时还存在一定的缺点,本文根据木材声发射信号的特征,基于小波包分析研究了利用信号的小波包分析、计算和最佳小波包基的选取.采用默认阈值方法处理小波系数,通过小波包重构得到消噪后的木材损伤声发射信号,噪声得到较好的抑制.结果表明用小波包变换进行消噪处理,噪声消除彻底,提高了损伤缺陷检测的准确性.     

压缩感知框架下基于ROMP算法的图像精确重构

在压缩感知框架下运用正则化正交匹配追踪(ROMP)算法进行图像重构时,迭代次数取值不合适会严重降低重构图像的质量。针对这一问题,提出了确定合理迭代次数的方法。将以往迭代得出的结果作为先验知识,获取具有不同稀疏程度图像块的最佳迭代次数,从而保证了整幅图像的重构质量。实验表明,该方法重构效果优于采用固定迭代次数的ROMP算法。     

基于经验模态分解和小波阈值的冲击信号去噪

冲击信号是非线性的并且容易受到噪声污染;为研究冲击信号去噪的问题,针对经验模态分解(Empirical Mode Decomposition,EMD)去噪和小波阈值去噪方法存在的不足,提出了基于EMD的小波阈值去噪方法;单纯的EMD去噪方法会在去除高频噪声的同时压制高频的有效信息;EMD与小波阈值去噪相结合,利用连续均方误差准则确定含噪较多的高频固有模态函数(Intrinsic Mode Function, IMF),对高频IMF分量进行小波阈值去噪,以分离并保留这些分量中的有效信息,同时保持低频IMF分量不变;对模拟数据和实际冲击信号进行去噪处理,结果表明,基于EMD的小波阈值去噪方法的去噪效果优于单纯的EMD去噪方法和小波阈值去噪方法。     

基于EMD阈值方法的轴承故障振动信号去噪

针对随机噪声信号影响对有用信息的获取,提出了EMD分解阈值去噪方法,将小波阈值去噪原理应用于经验模态分解（Empirical Mode Decomposition,EMD）中。首先对实际含噪信号进行EMD分解,根据分解后得到的内蕴模态函数（Intrinsic Mode Function,简称IMF分量）,采用自适应阈值去噪,进行信号重构,得到消噪后的信号,获取有用信息。将该方法应用于实际工程故障振动信号中分析研究表明,该方法可以获得较高的信噪比,能够对实际信号进行有效的故障特征频率提取,降噪后比降噪前的诊断效果更明显。     

基于变分模态分解的直肠压力信号预处理研究

针对依托于人工肛门括约肌系统的直肠功能诊断模型中采集信号存在大量干扰噪声的问题,提出了一种基于变分模态分解(VMD)算法与小波加权平均阈值去噪结合的预处理方法。利用VMD算法对原始直肠压力信号进行分解,对各模态分量进行小波阈值去噪,提取出有用信号进行重构。通过仿真比较分析该方法与EMD、小波阈值去噪等方法的去噪效果。实验结果表明,该方法在不同噪声水平下均显著提高输出信号的信噪比,同时避免原始信号中有用信息的丢失,具有良好的去噪效果,对直肠功能诊断的准确性具有重要意义。     

Adaptive gradient-based block compressive sensing with sparsity for noisy images

This paper develops a novel adaptive gradient-based block compressive sensing (AGbBCS_SP) methodology for noisy image compression and reconstruction. The AGbBCS_SP approach splits an image into blocks by maximizing their sparsity, and reconstructs images by solving a convex optimization problem. In block compressive sensing, the commonly used square block shapes cannot always produce the best results. The main contribution of our paper is to provide an adaptive method for block shape selection, improving noisy image reconstruction performance. The proposed algorithm can adaptively achieve better results by using the sparsity of pixels to adaptively select block shape. Experimental results with different image sets demonstrate that our AGbBCS_SP method is able to achieve better performance, in terms of peak signal to noise ratio (PSNR) and computational cost, than several classical algorithms.

     

脉冲漏磁信号的EMD小波阈值去噪研究

为有效抑制脉冲漏磁检测信号中的各种噪声,将小波阈值去噪运用到经验模态分解(EMD)中,提出一种基于EMD的小波阈值去噪方法。针对小波软、硬阈值函数中存在的不足,引入平滑截断绝对偏差惩罚因子进行优化改进。将该方法应用于脉冲漏磁信号进行实际消噪处理。实验结果表明,该方法能较好地剔除信号中的噪声,在脉冲噪声的抑制方面优于小波阈值去噪。     

新的受载煤岩电磁辐射信号去噪算法

针对煤矿井下现场电磁干扰多,采用煤岩受载产生的电磁辐射(EME)预测煤岩动力灾害效果有待提高,提出一种新的结合自适应集合经验模态分解(AEEMD)和改进小波变换(IWT)的电磁辐射信号去噪算法,克服了模态混叠,弥补了对小波基存在选择性的不足.分别采用IWT、EMD—IWT及AEEMD—IWT对构造的带噪信号进行去噪仿真及试验测试研究,结果表明:AEEMD—IWT算法去噪性能优越,对高信噪比和低信噪比的电磁辐射信号均能有效去噪.     

压缩感知与EMD相结合的带噪面罩语音增强

针对带噪面罩语音清晰度和可懂度低的问题,提出了一种将压缩感知和经验模式分解（Empirical Mode Decomposition,EMD）相结合的方法来对带噪面罩语音进行增强。首先对带噪面罩语音进行EMD分解得到其本征模式函数信号分量,对其特定本征模式分量进行小波阈值去噪;然后对全部信号分量进行压缩感知,最后重构信号分量得到增强后面罩语音。由实验结果可知,文中提出的方法去噪效果较好,重构误差较小,稳定性较高,有效地实现了面罩语音的增强。