基于白噪声分离的集合经验模态分解心电信号去噪方法研究

集合经验模态分解(EEMD)是一种处理心电等非平稳信号的有效方法,但其参数白噪声比值系数与平均次数依靠经验设置,导致处理结果准确度低且对未知信号自适应性差。针对上述问题,本研究提出了基于白噪声分离的EEMD心电信号去噪方法。该方法通过经验模态分解(EMD)将心电信号分解至不同频带,基于白噪声能量密度和对应的平均周期的乘积趋向于一个常数的特性,提取信号高频分量重构信号高频成分;依据避免模态混叠参数准则实现针对不同信号的分解参数自适应获取。经过对心电信号的验证,结果表明该方法去噪效果明显,自适应性强,是一种有效的去噪方法。     

HHT方法在脉搏波信号分析中的应用

目的采用HHT(Hibert-HuangTransformation)时间序列分析方法处理从人体采集到的脉搏波信号。方法通过经验模态分解(EMD)技术将一非线性、非稳态过程的原始离散数据序列分解为一组内在模态函数(IMFs),然后对每一个IMF进行HT变换,这样得到的信号幅度和瞬时频率都是时间的函数,即获得脉搏波信号幅度和频率的时间分布。再根据已获得的HH谱,进而得到边际谱。这是一种更具适应性的、新型的、基于模态分解的时间序列数据处理方法。结果首先对一系列由标准的周期函数构造而成的时间序列信号进行了EMD处理,验证HHT方法分解的可行性、有效性;然后分别对一例正常人脉搏波信号和一例典型的冠心病人脉搏波信号进行分解处理,对得到结果进行了比较。结论HHT方法在生物医学信号处理领域将会有广阔的应用前景。     

基于EMD的左右手运动想象脑电信号分析研究

基于经验模态分解(EMD)理论,提出一种左右手运动想象脑电信号分析方法.首先利用时间窗对脑电信号数据进行划分,对每段数据通过经验模态分解法将其分解为一组固有模态函数IMF,提取主要信号所在的IMF层去除信号中的噪声.对含有主要信号的几层IMF进行Hilbert变换,得到瞬时频率与对应的瞬时幅值.再提取左右手想象的特定频段mu节律和beta节律的能量信号作为特征,分别利用支持向量机(SVM)和Fisher进行了分类比较.对EMD和小波包在去噪和特征提取进行了比较.结果表明,EMD是一种很有效的去噪方法,经过EMD分解后提取的能量信号在区分左右手想象上更具有优势,识别率高.     

基于变分模态分解的心电信号QRS波检测

为了解决含噪心电信号QRS波的提取问题,本研究提出了一种基于变分模态分解(variation mode decomposition,VMD)的心电信号QRS波群检测和定位的方法。首先确定合适的分解层数,利用变分模态分解将心电信号分解为一系列模态分量。对每层模态分量进行分析,选取含有QRS波的模态分量层。通过小波变换的奇异值检测原理,确定心电信号的奇异值,定位心电信号R波的峰值位置,再检测QRS波的波形宽度。实验证明了该方法对含噪的QRS波检测准确度在96%以上,能够准确的检测和定位心电信号QRS波。     

EMD及其在生物医学信号处理中的应用研究

介绍了一种适用于生物医学信号处理与分析的方法——经验模态分解(EMD),结合Hilbert变换对心电(ECG)信号及心跳间期(RRI)信号进行了分析,并重点与小波变换方法进行了比较。     

基于能量估计的小波阈值与经验模态分解相结合的滤波方法研究

本文针对基于经验模态分解(EMD)的时空滤波器存在的固有模态函数分量中频率混叠交叉,导致有用信号与噪声一起被滤除的问题,结合小波在时间、尺度两域表征信号局部特征的特性,提出了一种基于能量估计实现EMD分解层数确定,小波变换阈值处理与EMD相结合的时空滤波方法。该方法既利用小波变换多分辨率的特性,又结合EMD的自适应分解与希尔伯特(Hilbert)谱分析中瞬时频率与能量意义的关系,从而解决了有用信号在滤波时被削弱的问题。以MIT/BIH标准心电数据库数据为对象的实验结果表明,该方法对于生理信号这一类强噪声下的微弱信号是一种有效的数据处理方法。     

基于Hilbert-Huang变换的脉率变异性提取方法

提出一种基于Hilbert-Huang变换的脉率变异性信号(PRV)提取方法。首先对脉搏信号进行经验模态分解,得到脉搏信号的内禀模态函数及其边际谱;然后,根据边际谱的频率范围选取能反映脉率变化的内禀模态函数分量;最后,从分量中提取PRV信号。将所提出的方法应用于实际采集的脉搏信号,结果表明所提出的方法能从脉搏信号中准确地提取PRV信号,并且抗噪性很强。     

基于变分模态分解的肺音去噪算法

目的：为有效提高肺音信号质量,提出一种基于变分模态分解的肺音去噪方法。方法：首先利用经验模态分解对带噪肺音信号进行分解,根据本征模态函数特征确定最佳分解层数,然后根据分解层数对原始带噪肺音进行变分模态分解处理,接着根据皮尔逊系数选取有用模态,最后采用阈值方法对各模态函数去噪,重构后得到没有噪声干扰的肺音信号。结果：通过与维纳滤波和FIR滤波进行对比,本文方法的语音质量感知评价、短时间客观可读性和源信号失真比均更优。结论：本文方法能有效对肺音信号进行去噪处理。     

基于经验模态分解自适应滤波的胎儿心电信号提取

目的提出了一种基于经验模态分解自适应滤波的胎儿心电信号提取法。方法首先利用经验模态分解算法对孕妇腹部信号进行分解得到一组内模函数(IMF),然后将这组IMF作为自适应滤波器的主输入信号,并将孕妇胸部信号作为参考输入信号。通过学习算法自适应组合IMF,滤除母体心电信号成分,从而提取胎儿心电信号。结果与结论基于仿真和临床的实验结果表明,该方法提取的胎儿心电信号误差小,性能优于传统的最小均方和归一化最小均方自适应滤波算法。     

基于希尔伯特-黄变换人步行状态髋关节角度信号的分析方法

目的提出一种基于希尔伯特-黄变换(Hilbert-Huang transform,HHT)分析人步行状态髋关节角度信号的方法,并验证其可行性。方法首先,利用加速度传感器与陀螺仪组成的髋关节角度测量平台,测量健康人步行状态髋关节角度。其次,对此信号进行集合经验模态分解(ensemble empirical mode decomposition,EEMD),得到各本征模态函数(intrinsic mode functions,IMF),再对不同尺度的模态函数进行分析与组合。最后,对原信号进行Hilbert谱分析。结果得到反映运动模式的特征信号以及髋关节旋转轨迹所表示的步态特征。Hilbert谱显示出主运动模式内的波内频率调制现象与步频特征。结论此方法适用于步态疾病患者的康复与治疗,可以有效地将髋关节角度信号不同频率尺度的特征信号进行分解,实现中心修正与滤波,达到自适应分析患者步态信号的目的。     

Comparison of time-frequency distribution techniques for analysis of spinal somatosensory evoked potential

Spinal somatosensory evoked potential (SSEP) has been employed to monitor the integrity of the spinal cord during surgery. To detect both temporal and spectral changes in SSEP waveforms, an investigation of the application of timefrequency analysis (TFA) techniques was conducted. SSEP signals from 30 scoliosis patients were analysed using different techniques; short time Fourier transform (STFT), Wigner-Ville distribution (WVD), Choi-Williams distribution (CWD), coneshaped distribution (CSD) and adaptive spectrogram (ADS). The time-frequency distributions (TFD) computed using these methods were assessed and compared with each other. WVD, ADS, CSD and CWD showed better resolution than STFT. Comparing normalised peak widths, CSD showed the sharpest peak width (0.13±0.1) in the frequency dimension, and a mean peak width of 0.70±0.12 in the time dimension. Both WVD and CWD produced cross-term interference, distorting the TFA distribution, but this was not seen with CSD and ADS. CSD appeared to give a lower mean peak power bias (10.3%±6.2%) than ADS (41.8%±19.6%). Application of the CSD algorithm showed both good resolution and accurate spectrograms, and is therefore recommended as the most appropriate TFA technique for the analysis of SSEP signals.     

基于EMD-ICA的心冲击信号降噪研究

心冲击信号(BCG)是反映心脏机械运动的生理信号,能实现无电极束缚条件下的连续采集测量。但BCG信号微弱,易受干扰,测量时经常会淹没在噪声中。为了消除噪声,有效识别BCG信号特征,提出一种基于经验模态分解(EMD)联合独立分量分析的BCG信号降噪方法。首先,将含噪BCG信号进行EMD分解,获得一系列按频率从高到低的固有模态分量(IMF),采用模态相关准则进行信号层与噪声层的判定;其次,将分界之上的IMF分量构建虚拟噪声通道,基于ICA算法对原始BCG信号进行盲源分离,从而得到降噪后的BCG信号。采集10名健康受试者的BCG信号进行降噪处理。量化评价结果表明,与小波方法和EMD方法相比,降噪后信噪比均显著提高(小波方法11.01±1.58,EMD方法5.19±1.29,所提出方法14.87±3.04,P<0.05),能量百分比也均显著提高(小波方法88.81%±2.81%,EMD方法96.15%±2.96%,所提出方法96.64%±2.92%,P<0.05),从而证明所提出方法降噪效果明显,能够有效还原BCG信号特征。     

基于EMD与IMF分量统计特性的ECG去噪

经验模式分解（EMD）域内心电（ECG）信号的去噪,通常为基于QRS特征波经验性识别固有模态函数（IMF）分量并重建ECG信号。由于该方法引入个人误差,因此识别不准确。针对此问题,本文提出利用EMD与IMF分量统计特性对ECG信号进行去噪。本方法首先对含噪ECG信号进行EMD分解得到一系列IMF分量,然后利用IMF分量的统计特性识别IMF分量属性,并采用被识别为ECG信号的IMF分量重建ECG信号。该识别方法基于统计学方法,具有统计学和现实物理意义。将本方法应用于真实ECG信号去噪处理中,结果表明,本方法可有效去除ECG信号基线漂移噪声与肌电干扰噪声,去噪效果优于经验法。     

超声多普勒管壁搏动和血流信号的分离研究

本研究提出利用经验模式分解(EMD)算法分解混叠有管壁成分的超声多普勒血流信号来实现管壁搏动和血流信号的分离。该方法首先将混叠有管壁搏动的超声多普勒血流信号分解为少量有限的分量,即内模函数(IMFs),然后根据管壁搏动信号与血流信号的功率比变化曲线,用比值法自动确定并去除低频管壁博动成分。在仿真实验中用提出的方法处理模拟的多普勒信号,对于靠近管腔内壁的血流信号其在频域功率谱上的相对误差为50%,在时域幅度的相对误差为45%,与高通滤波器方法的相对误差95%相比,准确性得到提高。基于个人计算机用C语言编程实现提出的算法,对实际采集的人体颈动脉多普勒信号可实现实时分离处理。结果表明:基于经验模式分解的滤波方法能有效客观地滤除管壁搏动信号,更准确地保留低频血流信号成分。     

Reduction of heart sound interference from lung sound signals using empirical mode decomposition technique

During the recording time of lung sound (LS) signals from the chest wall of a subject, there is always heart sound (HS) signal interfering with it. This obscures the features of lung sound signals and creates confusion on pathological states, if any, of the lungs. A novel method based on empirical mode decomposition (EMD) technique is proposed in this paper for reducing the undesired heart sound interference from the desired lung sound signals. In this, the mixed signal is split into several components. Some of these components contain larger proportions of interfering signals like heart sound, environmental noise etc. and are filtered out. Experiments have been conducted on simulated and real-time recorded mixed signals of heart sound and lung sound. The proposed method is found to be superior in terms of time domain, frequency domain, and time–frequency domain representations and also in listening test performed by pulmonologist.     

一种基于改进经验模态分解的癫痫脑电识别新方法

在临床癫痫诊断过程中,为了提高癫痫脑电的识别率,能在癫痫发作前期就预测到癫痫疾病,其特征波的提取至关重要。针对这一问题,提出将平行延拓与镜像延拓相结合来改进EMD算法。首先,使用平行延拓的方法,在原始脑电信号的左、右端点处分别预测出一个极值;然后,使用基于镜像延拓的EMD方法,对信号进行镜像延拓,以避免经验模态分解过程中的端点效应;最后,采用支持向量机进行信号的分类识别。算法验证数据取自德国伯恩大学癫痫研究中心的脑电数据库,其中50例是正常脑电信号、50例是癫痫发作间期的脑电信号。实验研究表明：该方法对总测试脑电信号的识别率达到94%。其中,正常脑电信号和癫痫脑电信号的独立识别率均为94%,比传统EMD算法处理后的脑电识别率提高了5%,可见该方法可以有效地预测癫痫脑电。     

基于HHT的生物电阻抗胃动力信号分析方法

目的 采用HHT时间序列分析方法处理从人体采集到的胃动力信号.方法 通过经验模态分解(EMD)技术将一非线性、非稳态过程的原始胃动力序列分解为一组内在模态函数(IMFs),对每一个IMF进行Hilbert 变换,得到信号的瞬时频率,然后选择与胃动力相关的频率成分,即0.03-0.06 Hz之间的IMF进行重构提取胃动力...     

Research on the Method of EEMD in Pulse Wave Signals Processing

The mixed noise in the acquisition process of pulse wave signals will affect the signal analysis, how to effectively eliminate the noise and complete the pulse wave analysis has important practical significance. In this paper, empirical mode decomposition(EMD) and ensemble empirical mode decomposition(EEMD) were used to realize scale decomposition of pulse wave signals to obtain intrinsic mode function(IMF). A band-pass filter was implemented according to the characteristic time scale parameters of the IMF. After filtering and reconstruction, the pulse wave denoising was completed. The denoising effects of EMD, EEMD and wavelet transform were compared in terms of mean square error and signal-to-noise ratio. The result shows that EMD and EEMD are better than wavelet transform, and the effects are similar. Further comparing the Hilbert-Huang spectrum of EMD and EEMD, it can be seen that EEMD can not only avoid mode mixing, but also facilitate the analysis of pulse wave signals.