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.     

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。     

基于小波变换的心电信号基线矫正方法

本文介绍一种基于小波变换的心电信号基线漂移去除方法。该方法利用小波变换多分辨分析的特性,将含噪声及基线漂移心电信号进行多尺度分解,结果表明,某尺度下的分解信号较好地反映了心电信号基线漂移,在重构过程中可直接将其去除。     

基于经验模态分解-小波包变换的表面肌电信号手势识别

为了提高表面肌电信号（sEMG）手部运动识别的正确率,比较常规的sEMG预处理和特征提取方法,提出一种基于经验模态分解（EMD）和小波包变换（WPT）的sEMG手势识别模型。首先,使用EMD方法将sEMG进行平稳化,得到一系列的固有模态函数。其次,求取各个固有模态函数与原始信号的相关性,选取相关性较高的前4个分量作为有效分量。然后,采用Db3小波函数进行WPT,提取小波包系数中的平均能量、平均绝对值、最大值、均方根和方差等特征。分别采用线性判别分析和支持向量机对12种手部运动进行模式识别。结果表明基于EMD和WPT的sEMG手势识别正确率比直接提取小波包系数中的特征识别正确率高。     

一种同时消除脉搏波信号中呼吸基线漂移和高频噪声的方法

目的：基于光电容积脉搏波可以实现血氧饱和度等人体生理参数的无创检测。基于光电容积脉搏波测量时,由于信号采集过程中存在人体呼吸和仪器本身热噪声等干扰,脉搏波信号中存在着呼吸基线漂移和高频噪声,影响最终的人体生理参数测量精度。方法：因此提出一种在经验模式分解的过程中结合小波变换的方法,来同时消除呼吸基线漂移和高频噪声的影响。首先通过经验模态分解将脉搏波信号分解为若干内在模式分量,并分别判断出含有呼吸基线漂移和代表高频噪声的分量,对于代表高频噪声的分量采用类似小波变换的方法进行滤波,利用小波变换将含有呼吸基线漂移的分量分解,将代表呼吸基线漂移的小波细节置零,信号重构后就达到了同时消除呼吸基线和高频噪声的目的。利用自行研制的测量装置采集的脉搏波信号进行实验验证,并采用信号交直流比R和信号的频谱进行效果评价。结果：有效地同时消除了呼吸基线漂移和高频噪声。结论：该方法将有利于血氧饱和度等人体生理参数无创检测精度的提高。     

小波变换在ECG信号滤波中的应用研究

本文首先介绍了小波变换应用于ECG信号消噪处理中的几种常用滤波方法的原理,分析了它们的滤波性能.然后提出一种小波变换与自适应滤波相结合的心电信号去噪方法,实验证明这种去噪方法可以有效抑制心电信号中的噪声干扰,保持信号的波形特征,是对"运用多分辨率分析方法,去除噪声干扰对应小波分解尺度上细节分量"的滤波方法的一种有效改进,达到较好的滤波效果.     

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。     

基于改进经验模态分解与能量包络的S1/S2提取

本文提出了一种改进型的经验模态分解算法用于心音图(PCG)信号去噪,结合PCG的规则平均Shannon能量包络算法,可有效提取PCG中的S1/S2成分。首先,通过小波变换和经验模态分解结合算法对PCG信号进行滤波预处理;然后,提取预处理后PCG信号的固有模函数(IMF)时域、频域特性及能量包络;最后,结合信号的Shannon能量包络和IMF相关特性准确定位出S1和S2。运用该方法对30例PCG信号进行测试,得到S1/S2成分的综合识别率达99.75%。实验结果表明,本文算法运用于S1/S2成分提取具有较好的效果,为进一步研究心音身份识别奠定基础。     

基于混合小波变换的瞬态信号检测方法

探讨了信号的小波变换与匹配滤波的关系,指出小波变换（WT）实际上就是可变检测模板的匹配滤液过程。根据这一思想,提出了基于混合小波的信号检测方法。本文中,“混合小波变换”是指在小波分解和重构中分别使用不同的基本小波。其中分解小波用于实现可变模板的信号检测,重构小波则用以增强被检测信号的特征。我们用该方法对实测脑电信号（EEG）中瞬态脉冲干扰进行检测。实验结果表明该方法能有效地检测出EEG中的瞬态脉冲。     

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。     

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.     

基于EMD的自适应ECG信号基线漂移消除方法研究

对比目前使用EMD或改进EMD方法进行的心电（ECG）信号基线漂移去除算法的实现。本文在详细考察EMD方法过程的基础上,提出一种与EMD物理意义高度契合的完全自适应的基线漂移算法,通过计算ECG平均心率周期,与EMD分解产生的IMF分量的“周期”进行对比,分离出不属于ECG信号的低频IMF分量,然后重构其余IMF分量得到去除基线漂移的ECG信号。使用美国麻省理工学院提供的MIT-BIH心率失常数据库中的原始ECG对本文提出的基线漂移去除方法进行定性分析。使用ECGSYN（实际ECG波形发生器）产生模拟干净的ECG信号,加入已知的低频信号作为基线漂移噪声,对本文提出的基线漂移去除方法进行定量分析。     

基于经验模式分解的心电特征提取算法

本研究应用基于经验模式分解的心电特征提取方法,利用第一本征模函数(intrinsic mode function,IMF)分量对QRS波进行定位,并通过减少分解层数、筛选次数、处理区域等策略实现了快速算法。利用MIT-BIT心律失常数据库的数据进行算法测试,取得较高的检测率,检测速度也有明显提高。实验结果表明,经验模式分解算法在QRS波定位中具有相当的优越性,临床应用中取得了良好的检测效果。     

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。     

经验模式分解与代价敏感支持向量机在癫痫脑电信号分类中的应用

提取出脑电信号中微弱征兆信息,可以更好地了解脑电信号的特征,但由于各类外界信号的相互混叠,信号呈现出非线性、非平稳性,因此脑电信号的提取是个难题。为此本研究提出了优于小波分解的经验模式分解(EMD)算法对脑电信号进行分解,提取主要IMF分量的特征值,随后采取代价敏感支持向量机(CSVM)进行分类,并对参数进行寻优。在对癫痫患者脑电信号研究的实验中,分类准确率均达到90%以上,验证了本方法的可行性。     

Investigating fractal property and respiratory modulation of human heartbeat time series using empirical mode decomposition

The human heartbeat interval reflects a complicated composition with different underlying modulations and the reactions against environmental inputs. As a result, the human heartbeat interval is a complex time series and its complexity can be scaled using various physical quantifications, such as the property of long-term correlation in detrended fluctuation analysis (DFA). Recently, empirical mode decomposition (EMD) has been shown to be a dyadic filter bank resembling those involved in wavelet decomposition. Moreover, the hierarchy of the extracted modes may be exploited for getting access to the Hurst exponent, which also reflects the property of long-term correlation for a stochastic time series. In this paper, we present significant findings for the dynamic properties of human heartbeat time series by EMD. According to our results, EMD provides a more accurate access to long-term correlation than Hurst exponent does. Moreover, the first intrinsic mode function (IMF 1) is an indicator of orderliness, which reflects the modulation of respiratory sinus arrhythmia (RSA) for healthy subjects or performs a characteristic component similar to that decomposed from a stochastic time series for subjects with congestive heart failure (CHF) and atrial fibrillation (AF). In addition, the averaged amplitude of IMF 1 acts as a parameter of RSA modulation, which reflects significantly negative correlation with aging. These findings lead us to a better understanding of the cardiac system.     

一种基于经验模态分解的时频分布及其在EEG分析中的应用

Hilbert-Huang变换是一种新的分析非线性非平稳信号的时频方法,这种方法的关键部分是经验模态分解(EMD)方法,任何复杂的信号都可以通过EM D分解为有限数目并且具有一定物理意义的固有模态函数。我们结合该方法给出一种抑制Wigner-Ville分布交叉项的新方法,并将其应用于癫痫脑电信号(EEG)中,且得到了比较好的结果。     

基于经验模式分解和独立分量分析的单导少次EP信号提取

EP信号的单导少次提取一直是生物医学信号处理领域倍受关注的问题。本研究利用经验模式分解（EMD）,把单导脑电信号（EP＋EEG）分解成多个基本模式分量（IMF）之和,进而选取合适的基本模式分量或者它们的组合,构成1导或多导参考信号,再利用独立分量分析（ICA）成功提取出了期望的EP信号,从而克服了ICA需要多导观测信号的要求。仿真实验证明了本方法的有效性。