基于EMD和Hilbert变换的心电信号去噪方法

基于经验模态分解(EMD)和Hilbert变换理论,提出一种心电信号(ECG)去噪方法.经验模态分解法将任意信号分解为一组固有模态函数IMF,对于非白噪声层IMF的阈值选取,针对传统阈值去噪方法存在较大偏差的问题,提出利用各层IMF的平均频率和能量密度乘积来确定非白噪声层IMF的噪声水平.介绍了白噪声层IMF的检验方法,并给出了利用该方法以及小波阈值去噪方法对心电信号进行去噪处理的实验结果.     

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。     

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白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。     

基于小波包变换的EMD算法在超声信号处理中的应用

提出基于小波包变换的EMD算法,并将其应用于超声回波信号去噪.对于采用EMD分解含高斯白噪声的超声缺陷信号存在模态混叠的问题,首先用小波包变换对信号作预处理,再对信号进行EMD分解,最后重构出有用的缺陷信号.实验结果表明:该方法不仅具有很好的消噪效果,而且重构的缺陷信号的波形失真度小,有利于对信号做进一步的定量分析.     

采用循环叠加经验模态分解的去噪算法

为了检测被强噪声淹没的目标信号,提出了一种新的基于经验模态分解(EMD)的去噪算法.该算法将经验模态分解得到的第一个固有模态函数(IMF)循环移位,得到功率保持不变的噪声样本函数.将多个噪声样本函数叠加后,与重构的目标信号合成新的含噪信号.进一步采用软阈值去噪的方法,达到显著削弱噪声的目的.仿真实验表明:所提的新算法能够抑制4~6 dB的高斯白噪声,但抑制高斯混合噪声的能力较差;并且当信噪比较低时,其性能明显好于原始的基于EMD的去噪算法.该算法为低信噪比下的弱信号检测提供了一种新的思路.     

表面肌电信号的小波消噪改进算法

根据在不同尺度下信号和噪声的小波变换系数的相反特性，提出了一种改进的小波消噪算法来去除肌电信号中的噪声.利用Mallat算法对肌电信号进行小波分解，实质上就是将信号投影到尺度空间和小波空间，分别包含了信号的光滑通道分量和细节分量.兼顾软阈值和硬阈值量化方法的优点，利用两者的加权平均值滤除由噪声所决定的小波变换系数，从而在大尺度下补充细节信息并保持信号在奇异点的特征.利用保留下来的小波变换系数进行信号重构即得到消噪后的信号.实验结果表明，该方法可以有效去除噪声，兼顾了软、硬阈值的优点，保留了在模式变化过程中肌电信号细节部分的有用信息.     

淹没在分形噪声中的心电信号R波检测

针对淹没在1/f分形噪声中的心电信号的R波检测问题,基于小波变换、W iener滤波与自适应差分阈值法,提出一种去除1/f分形噪声、检测心电信号中R波的方法。该方法先将带有1/f分形噪声的心电信号分解成多尺度的子带信号,通过小波变换对1/f分形噪声进行白化,然后利用自适应W iener滤波实现噪声和有用信号的分离,估计出各子带中的有用信号,利用小波重构恢复出有用的心电信号,最后利用改进的自适应差分阈值法检测心电信号中的R波。实验结果表明,该方法能有效地消除心电信号中的分形噪声,准确实时地检测出R波位置。     

基于分数阶小波变换的心电信号去噪处理研究

为了能够快速简单的滤除心电噪声,提高信号的信噪比,采用分数阶小波变换对心电信号进行处理,并利用"Arrhythmia Database"和"Noise stress Test Database"数据库中的数据和对其进行验证.仿真结果表明,运用这种方法能够有效地提高心电信号的信噪比,清晰的还原出心电信号的波形及其特点.所以分数阶小波变换在心电信号去噪处理中具有很好的应用.     

基于EMD的绝缘子泄漏电流去除噪声研究

针对绝缘子泄漏电流信号在安全区阶段信噪比较低,传统去噪方法去噪效果不佳的问题,结合经验模态分解(Empirical Mode Decomposition,EMD)的特点,设计了基于白噪声统计特性的EMD滤波器和EMD阈值滤波器。利用设计的两种EMD滤波方法对泄漏电流信号的仿真模型进行去噪,从除噪后信号的波形形状和信噪比等方面对去噪效果进行评价。研究表明EMD去噪方法去噪性能优于小波去噪。同时还发现,针对不同信噪比的含噪信号,基于白噪声统计特性的EMD去噪和EMD阈值去噪各具有优势,可根据信噪比的不同,选取最适合的滤波方法。     

陀螺飞轮信号的EMD/LPF混合去噪方法

为提高陀螺飞轮系统的标定与辨识精度进而保证姿态测量性能,对其信号去噪方法进行研究以便从复杂噪声中提取标定辨识所需的有用信息.首先基于噪声产生机理对陀螺飞轮信号的噪声特性进行分析.其次,在不影响信号低频特性的前提下,采用传统低通滤波（LPF）方法对信号进行预处理以抑制高频周期噪声.然后应用经验模态分解方法（EMD）对LPF预处理后的信号进行分解,根据信号和各模态分量的概率密度函数的相似性度量,给出一种模态判定准则.在此基础上,结合现有阈值滤波方法,提出一种EMD/LPF混合去噪方案. 结果表明:所提出的基于相似性度量的模态判定准则在不同信噪比条件下均能够实现分界点的准确判定;将所研究的去噪方法分别应用于标准测试信号和陀螺飞轮实测信号;所提出的混合去噪方法相比于现有去噪方法更为有效.     

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.     

基于稀疏编码阈值的平移不变法心电信号去噪

小波去噪易在Q、S波产生Pseudo-Gibbs振荡现象.为克服这个问题,该文然后提出了一种以改进阈值即稀疏编码阈值为依据对心电信号进行平移不变的去噪处理.用模拟信号和MIT-BIH心电数据库仿真,结果表明,该方法很好地保护了心电信号的有用特征,且具有更高的信噪比.     

基于EMD的激光超声信号去噪方法

基于连续均方误差的准则,提出了一种基于经验模态分解(EMD)的激光超声信号去噪方法.该方法将经验模态分解得到的固有模态函数(IMF)分为信号分量起主导作用,模态与噪声分量起主导作用模态,利用反映信号主要结构的模态对信号进行部分重建实现去噪.将该方法应用于测试信号与实际激光超声信号的去噪,实验结果表明该方法能够有效地去除噪声,并且不受主观参数的影响,具有自适应的特点.     

基于改进小波阈值法的平移不变心电信号去噪

人体心电信号在采集过程中掺杂着各种噪声信号,而常用的小波阈值法在心电信号去噪中存在缺陷,为此在小波阈值法的基础上进行改进,得到新的阈值去噪方法,该方法能够较好保护心电信号特征,有效保持各种心电波形的幅度,并在一定程度上有效抑制脉冲噪声.此外,由于传统小波阈值法去噪都是基于离散小波变换进行的,所以在幅度较小的Q,S波处会产生Pseudo-Gibbs现象,而文中以改进的小波阈值法为基础对心电信号进行平移不变的去噪处理,有效地克服了这个问题.利用美国麻省理工学院的MIT-BIH心电数据库对以上方法进行验证,取得了良好的去噪效果.实验结果表明,所提出的算法与传统的小波阈值法比起来能够更好的保持心电信号的几何特征,且具有更高的信噪比.     

膈肌肌电信号中心电干扰去除技术的一种方法

本文基于小波信号分解与重建理论和自适应滤波技术相结合的方法,以去除膈肌肌电信号中的心电干扰. 首先,采用小波分解把肌电信号中包含心电干扰的低频段分离出来,这部分信号经过自适应滤波处理后压低膈肌肌电信号,突出心电信号,然后从肌电信号中减去通过自适应滤波得到的心电噪声,再与处理后的细节进行小波的信号重建,得到心电干扰较少的EMGdi信号. 通过对真实的临床医学数据处理,并与常用的高通滤波方法作比较,结果表明,本文所提方法的输出信号的信噪比明显提高,对比处理前后信号的功率谱发现处理后的信号的频谱明显向高频移动,表明该方法取得了较好的去噪效果.     

基于小波包和改进EMD的脑电信号消噪研究

由于采集到的脑电信号含有噪声,提出了总体经验模态分解(EEMD)的希尔伯特黄变换(HHT)结合小波包分析的脑电信号去除噪声的方法。含噪脑电信号经EEMD分解可以得到一定数量的IMF分量,而且可以解决经验模态分解(EMD)时的模态混叠问题,然后,对IMF分量进行Hilbert变换,分析Hilbert谱,把含噪的IMF部分进行小波包处理,最后,把各IMF相加,可得处理过噪声的脑电。经验证得,单独使用小波包方法消噪和改进EMD消噪,都没有小波包结合改进EMD方法的信噪比高,提高了去噪效果,有利于更精确的诊断医学疾病。     

一种基于加权均值滤波噪声点检测的中值滤波算法

针对常规中值滤波在图像去噪过程中会将原图像的有用信息同时滤除的问题,提出了一种基于加权均值滤波噪声点检测的中值滤波算法.该算法通过含噪图像与其经加权均值滤波的图像作差对图像中的噪声点进行判别,从而针对噪声点进行滤波,能在保持图像原始信息的前提下有效地将图像中的噪声滤除.实验结果表明,与常规中值滤波算法相比,该方法既具有较好的去噪特性,也具有较强的细节保护能力.     

基于自适应阈值的提升小波去噪方法

鉴于传统的去噪算法中的阈值很难选取到最优值,设计了自适应的阈值选取器,结合最小均方算法和小渡阈值去噪算法,提出了一种基于LMS算法的小波去噪方法.该方法根据LMS算法来自适应地控制阈值参数,并实现提升小波阈值去噪.仿真结果表明,该方法优于传统去噪方法,可较大程度地减少信号中的噪声,提高输出信号的信噪比,能很好地提取有用信号的特征.     

基于EMD的激光超声信号去噪方法

基于连续均方误差的准则,提出了一种基于经验模态分解（EMD）的激光超声信号去噪方法．该方法将经验模态分解得到的固有模态函数（IMF）分为信号分量起主导作用,模态与噪声分量起主导作用模态,利用反映信号主要结构的模态对信号进行部分重建实现去噪．将该方法应用于测试信号与实际激光超声信号的去噪,实验结果表明该方法能够有效地去除噪声,并且不受主观参数的影响,具有自适应的特点．     

基于LabVIEW的宽频时变信号阈值去噪系统设计

针对含有高斯噪声的宽频时变信号,利用LabVIEW强大的信号处理函数库设计了基于LabVIEW的虚拟去噪系统,该系统去噪快捷高效.对含有高斯噪声的宽频时变信号进行功率谱分析,根据其频谱特性进行小波阈值去噪,通过对各种不同阈值去噪准则及软硬阈值去噪结果进行对比分析,寻找阈值去噪方法的最优参数.结果表明,基于LabVIEW阈值去噪法对含有高斯噪声的宽频时变信号具有较好的效果,在时频域都表现了优良的特征.