改进EEMD算法在心电信号去噪中的应用

集合经验模态分解（Ensemble empirical mode decomposition,EEMD）方法在去除心电信号噪声时,噪声本征模态函数（Intrinsic mode function,IMF）分量难以选择且将噪声分量直接去掉会导致信号失真。针对上述问题,提出了一种基于EEMD的自适应阈值算法。首先对含噪心电图（Electrocardiogram,ECG）数据进行EEMD分解,得到IMF,根据马氏距离进行信号IMF分量和噪声IMF分量的判定,然后通过果蝇优化算法确定噪声IMF的阈值,将经过阈值去噪的新的分量和剩余分量重构得到去噪后的ECG。最后,使用MIT-BIH数据库中的心电数据进行实验,实验结果表明,该方法在去噪同时能够较好地保留信号细节。     

结合CEEMDAN与改进区间阈值的ECG降噪研究

集合经验模态分解(EEMD)结合区间阈值在心电信号(ECG)降噪上取得了较好的效果,但存在降噪后信号在某些点不连续的情况.针对该问题,提出了自适应噪声的完备集合经验模态分解(CEEMDAN)与改进区间阈值相结合的方法.首先使用CEEMDAN对心电信号进行分解,得到本征模态函数;基于得到的本征模态函数,通过合理选择反映信号时域特点的区间阈值,选择对体现信号高频分量的本征模态函数进行处理,实现高频降噪;基于得到的本征模态函数的过零率判断信号的低频特征,实现了基线漂移的去除.通过对真实心电信号的降噪处理结果对比分析,证明本方法相对结合区间阈值的集合经验模态分解减少了产生不连续点的情况,降噪后的信号信噪比更高,误差更小.     

基于光纤传感检测的局部放电信号去噪方法

针对局部放电超声信号检测过程中存在噪声干扰的问题,提出一种基于变分模态分解和改进小波去噪的噪声抑制方法。首先对局部放电信号进行变分模态分解,得到若干频带分布不同的本征模态分量,结合模态的峭度剔除窄带干扰主导的分量;然后利用改进的小波去噪法,将其余有效模态分量中残留的白噪声进一步滤除;最后将剩余分量进行信号重构实现噪声抑制。对仿真局部放电信号去噪的结果表明,所提方法可提升信噪比约12.1 dB,且能够更加完整地保留原始信号波形。此外,在实验室环境下搭建了10 kV电压等级的局部放电模拟系统,采用Sagnac光纤传感检测局部放电超声信号。实验结果表明,所提方法具有良好的去噪性能,对实测信号的噪声抑制比达到了7.504。     

基于EEMD-SE和栈式降噪自编码网络的局部放电模式识别

由于变电站环境复杂,利用传统的特征统计方法不能准确地提取局部放电(PD)信号的特征及对其识别分类.对此,提出一种基于集合经验模态分解(EEMD)和样本熵(SE)的局部放电信号特征提取方法.利用EEMD算法对局部放电信号进行时频分析;计算EEMD分解得到的固有模态函数(IMF)的样本熵,并将其作为特征向量表征不同放电类型;采用栈式降噪自编码网络(SDAE)对放电类型进行分类识别.通过对四类局部放电故障进行特征提取和模式识别,对比实验结果表明,该方法能有效地提取放电信号的特征,并较准确地识别各类放电类型.     

基于共振稀疏分解的局部放电信号窄带干扰抑制新方法

针对电气设备局部放电信号容易被现场运行环境中的窄带干扰信号淹没、不易提取的难题,提出了基于共振稀疏分解的局部放电信号窄带干扰抑制新方法。该方法根据局部放电信号与窄带信号的振荡特征,分析并合理选择品质因子、冗余因子、分解层数和权重系数,实现了对含窄带干扰的局部放电信号的稀疏分解,并将其分解为高共振分量、低共振分量和残余分量,从而可提取出有效的局部放电信号。与小波变换阈值滤波法对比,该方法能更有效地抑制窄带干扰,且误差小、相似度高。仿真和实测数据的处理结果也验证了该方法的有效性。     

基于EMD-ICA的激电数据降噪处理方法*

针对传统降噪方法处理激发极化法(激电法)测量数据的效果不理想的问题,对经验模态分解方法和独立分量分析技术进行了研究,提出了一种新的激电数据降噪方法。首先,采用经验模态分解方法将原始测量数据自适应分解为有限个固有模态函数,再根据其与激发信号的相关性选择固有模态函数构造虚拟噪声通道,最后利用独立分量分析技术提取多维混合数据中的激电信号。利用仿真信号和实际数据对本文方法进行实验,对比普通滤波方法和小波阈值算法,结果表明该方法能有效提高激电数据的信噪比。     

一种基于EWT-ICEEMDAN的单通道脑电信号眼电伪迹去除算法

脑电信号和眼电信号存在频谱混叠，目前的单通道脑电信号中眼电伪迹去除方法容易造成脑电信号失真。提出一种基于经验小波变换(EWT)和改进的自适应噪声完备经验模态分解(ICEEMDAN)的单通道脑电信号眼电伪迹去除算法。首先使用EWT将单通道脑电信号分解为δ频段和高频段信号，再用ICEEMDAN将δ频段信号自适应分解为多维本征模态函数(IMFs),设置样本熵阈值自动去除眼电伪迹信号，最后重构得到滤波后的脑电信号。基于半模拟脑电数据和真实脑电数据开展实验，结果表明所提算法相比于已有算法能够在去除眼电伪迹的同时更好地保留原始脑电信息。     

基于VMD和小波阈值的ECG肌电干扰去噪处理

针对现有心电信号肌电干扰去噪方法的不足,本文提出利用变分模态分解和小波阈值相结合的方法对心电信号肌电干扰进行去噪处理,该方法通过对含噪心电信号进行变分模态分解,确定信号主导模态分量与噪声主导模态分量,噪声主导模态分量的小波阈值变换和重构无噪心电信号,共四步实现对含有肌电干扰的心电信号的去噪处理。其中,通过分析研究所有模态分量中心频率的分布,确定变分模态分解的层数,多组仿真与真实含噪心电信号的相关实验表明。本文所提出的去噪方法可有效去除心电信号中的肌电干扰,且去噪效果优于小波阈值法、变分模态分解法和经验模式分解法。     

基于脑电EEG的改进EEMD算法

为了有效地改善模态混叠问题以适应脑电信号的研究,提出了一种改进的集合经验模态分解算法。首先对脑信号进行相关性筛选;然后自适应地从原始脑信号中预测脑电特性信号,融合高斯白噪声生成新型脑信号噪声;最后基于该噪声进行集合经验模态分解。仿真实验表明,新型脑信号噪声不仅具有自适应特性,而且可以更好地解决脑信号经验模态分解中的模态混叠问题,同时也证明了该算法在脑电研究领域的理论和应用价值。     

GIS隔离开关操作接地网电位差干扰抑制方法

气体绝缘变电站隔离开关操作产生接地网电位差干扰,易与故障信号混淆,致使继电保护装置误动作。针对干扰信号的高频瞬变特性,提出基于最小二乘支持向量机/改进集合经验模态分解的自适应抑制方法。设置阈值启动函数检测干扰信号起始位置,通过极值延拓、多尺度排列熵改善集合经验模态分解算法的端点效应和熵值,采用粒子群算法优化最小二乘支持向量机,将干扰信号经过改进集合经验模态分解算法分解的本征模式分量作为训练样本,构造最优决策函数,对二次电缆耦合信号的本征模式分量序列进行干扰信号自适应识别与抑制。仿真实验表明,所提出的自适应抑制方法能准确识别和滤除接地网电位差干扰信号,保留故障信号特征,信噪比提高了221%,增强继电保护的抗干扰能力。