基于HHT和PPA的心音分段算法研究

心音是人体的一种重要的生理信号,它含有大量关于心脏病理状况的相关信息,反映了心脏及心血管结构及生理和病理信息。针对能否有效地提取第一心音(S1)、第二心音(S2),从而判断心脏是否病变,并且作为后续研究的基础,提出基于HHT和PPA的心音分段算法,包括首先利用希尔伯特-黄变换(HHT)进行心音包络的提取,然后利用中值滤波对包络进行平滑处理,最后通过峰逐层算法(PPA)来消除多余的低幅度峰值。通过对40例心音进行分段处理,可以对其中的39例进行正确分段。结果证明这种方法可以有效地提取心音信号的S1、S2,为后期的识别研究奠定了良好的基础。     

基于希尔伯特-黄变换的心音信号分析

人造心脏瓣膜心音信号是一种典型的非平稳随机信号,传统的傅里叶变换和小波分析的方法很难分析出其内在的特征,本文中采用希尔伯特-黄变换（HHT）将心音信号进行频谱分析,直观显示心音信号的频率分布,有助于对病人的心脏瓣膜进行监测,早期发现人工心脏瓣膜的病变。     

基于Hilbert-Huang Transform的心音信号谱分析

心音信号是一种典型的非平稳信号,传统信号处理方法的应用受到很大限制.针对此本文提出了基于Hilbert-Huang Transform(HHT) 的心音信号的分析方法,对冠心病患者的心音信号进行了分析.通过把心音信号分解为内蕴模式函数,利用Hilbert变换建立了心音信号的时间-频率-能量三维Hilbert谱分布以及边界谱分布;Hilbert谱及其边界谱在时域以及频域以较高的分辨率表征了心音信号的时频变化特性,揭示了冠心病患者心音信号的病理特征;为冠心病的早期无损诊断奠定了坚实基础,临床实践中有较大的指导价值.     

强噪声环境下基于改进HHT的语音端点检测

为提高语音端点检测系统在低信噪比环境下检测的正确率;提出一种强噪声环境下基于改进的希尔伯特-黄变换语音端点检测方法。对每帧信号进行经验模态分解;得到有限个固有模态函数;去掉第一个固有模态函数;其他的都让其通过一个带宽为250~3 500 Hz的带通滤波器;消除部分噪声。对所选固有模态函数加权;再进行希尔伯特变换得到能量特征值。通过分析噪声特性;估计噪声阈值。在希尔伯特能量谱上;根据阈值搜索语音起点以及终点。仿真实验表明;在低信噪比的情况下;方法的准确率有明显的提高;并具有很强的鲁棒性。     

基于语音增强的双门限语音端点检测算法

语音端点检测是语音信号处理过程中的一个重要步骤,其准确性对语音信号处理有直接影响.传统的双门限语音端点检测技术,在纯净语音或高信噪比的情况下,语音端点判断准确,但低信噪比的情况下,端点识别率很低,出错率较高.为了提高低信噪比条件下语音端点检测的识别率,在传统双门限语音端点检测的基础上融合了语音增强,通过Matlab仿真实验,取得了较高的语音端点检测准确率.     

基于HHT变换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Hilbert2Huang Transform 的心音信号谱分析

心音信号是一种典型的非平稳信号,传统信号处理方法的应用受到很大限制。针对此本文提出了基于Hilbert - Huang Transform(HHT) 的心音信号的分析方法,对冠心病患者的心音信号进行了分析。通过把心音信号分解为内蕴模式函数,利用Hilbert 变换建立了心音信号的时间- 频率- 能量三维Hilbert 谱分布以及边界谱分布;Hilbert 谱及其边界谱在时域以及频域以较高的分辨率表征了心音信号的时频变化特性,揭示了冠心病患者心音信号的病理特征;为冠心病的早期无损诊断奠定了坚实基础,临床实践中有较大的指导价值。     

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。     

基于小波变换的双门限航迹关联算法

利用小波理论的多分辨率的特性,提出一种适于多目标环境下进行航迹关联的算法。该算法在双门限航迹关联算法基础上,通过考虑航迹的整体走势,结合小波变换,对特征向量进行处理,最后进行关联判决。计算机仿真结果证明了该算法的正确性和有效性。     

基于改进方法EEMD的HHT脉搏信号分析

针对传统希尔伯特-黄变换(Hilbert-Huang Transform.HHT)中经验模态分解(EmpiricalMode Decomposition.EMD)存在的模态混叠问题,提出一种基于总体经验模态分解(Ensemble EmpiricalMode Function.EEMD)的脉搏信号分析方法.谊方法通过对原...     

EMD算法中边界效应处理技术

针对经验模态分解的希尔波特-黄变换在分解过程中会产生端点效应使信号两端出现失真的问题,提出包络线性延拓法。将其与其他3种端点效应处理方法进行对比研究,利用能量、分解信号与原信号相关系数以及算法的运行时间作为端点处理方法的评价标准。仿真结果表明,该方法可以使端点效应得到有效抑制。     

基于归一化幅频系数的模态混叠解决方法

针对在经验模态分解的过程中由于间断信号造成的模态混叠问题,提出利用对信号作经验模态分解得到的第1个固有模态函数的瞬时频率和幅度定义归一化幅频系数,分离出间断信号。实验结果证明,该方法可以克服间断信号对后续经验模态分解的影响,将间断信号分离为一个固有模态函数。     

基于镜像延拓和窗函数的端点效应抑制方法

经验模态分解被广泛用于复杂的非线性及非平稳信号处理,但其分解过程中存在端点效应问题,并且端点效应会随着筛选的进行而更加明显,从而导致数据处理发生畸变。镜像延拓法和窗函数法均是抑制端点效应的有效方法,但也各自存在不足。为此,提出将镜像延拓和余弦窗函数结合的改进方法,以弥补镜像延拓法中原始信号端点不是极值点和窗函数法中需要改变原信号的不足,实现对端点效应抑制方法的改进。仿真实验结果表明,与传统方法相比,改进方法能更好地抑制端点效应的发生。     

HHT在年最大洪峰流量规律分析中的应用

Hilbert-Huang变换能够定量描述非线性、非平稳、弱相依、高度复杂时间序列的时频特性,较传统的时间序列分析方法更具优势。通过对时间序列进行EMD分解,得出其演化过程的内在模函数和趋势项,并对内在模函数做Hilbert-Huang变换,获得序列的变化周期。以汉江上游的两个代表水文站——石泉和安康水文站的年最大洪峰流量为例分析,石泉站年最大洪峰流量变化存在3.06年、7.11年和24.98年的周期,安康站年最大洪峰流量变化存在3.01年、6.07年、15.97年和29.65年的周期,且两站的年最大洪峰流量序列呈降低的趋势。     

校园网络流量自相似性分析与研究

对于校园网等小规模的局域网,通过计算网络流量自相似值的方法无法有效检测网络异常流量。针对该问题,在分析校园网络流量特点的基础上,将网络流量分解成趋势项和随机成分等其他项,使用经验模式分解消除网络流量中的趋势项,使得网络流量序列的自相似值能直接反映随机成分状态。实验结果表明,该方法能提高异常流量检测的准确性。     

一种对汉语孤立字词进行声韵分割的时频方法

正确的声韵分离是汉语语音识别与合成等的基础和关键。针对传统声韵分割中,时域短时能量和过零率容易受到噪声干扰从而导致分割不准确的问题,结合语谱图所体现的时频信息对汉语孤立字进行了声韵分割,并进一步对信号进行经验模态分解和计算保号率,实现了一种对二字词的时频声韵分割方法。仿真实验结果显示,该方法对汉语孤立字和二字词的分割准确率分别达到了86.92%和77.47%。     

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。     

IMF复杂度特征在心音信号分类识别中的应用

为提高非线性、非平稳心音信号特征提取的准确性和分类识别的高效性,提出一种基于固有模态函数（Intrinsic Mode Function,IMF）复杂度和二叉树支持向量机（Binary Tree Support Vector Machine,BT-SVM）的心音分类识别方法。对心音进行经验模式分解（Empirical Mode Decomposition,EMD）,得到若干反映心音本体特征的平稳IMF分量;利用互相关系数准则对其筛选,计算所选IMF分量的复杂度值为信号的特征;将其组成特征向量输入到BT-SVM进行分类识别。临床数据仿真结果表明,该方法能有效提取心音特征,与传统识别方法相比,具有训练时间短,识别率高等优点。     

基于小波—卡尔曼滤波混合预报的处理EMD边缘问题新方法*

经验模式分解(EMD)方法的提出为信号处理提供了新的方法。在已有经验模式分解的过程中,由于常用三次样条插值来拟合信号的上下包络,因此时常会出现边缘效应,从而影响了信号处理的质量。针对上述情况,利用周期性信号序列经离散小波变换后,使小波系数构成的周期性新序列具有随机游走特性;利用小波与卡尔曼滤波混合预报器对信号进行边界延拓,从而有效地抑制了EMD分解中的边缘效应。仿真结果验证了该方法的有效性。