EEMD在同时消除脉搏血氧检测中脉搏波信号高频噪声和基线漂移中的应用

人体血氧饱和度是基于脉搏波信号测量得到的,然而在脉搏波信号采集的过程中存在着由人体呼吸和仪器本身热噪声等带来的基线漂移和高频噪声,影响人体血氧饱和度的测量精度。因此,该文提出一种总体平均经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)与基于排列熵(Permutation Entropy, PE)的信号随机性检测相结合的方法,同时消除基线漂移和高频噪声。对脉搏波信号进行EEMD分解,计算分解到得到的内在模式分量的排列熵,选取阈值,分别判断并剔除代表高频噪声和基线漂移的内在模式分量。最后信号重构就得到同时消除高频噪声和基线漂移的脉搏波信号。通过自行研制的测量装置所采集的脉搏波信号进行实验验证,利用信号的频谱和交直流比R评价效果。结果表明:该方法有效地同时消除了脉搏波信号中的高频噪声和基线漂移,这将有利于人体血氧饱和度测量精度的提高。     

基于EMD与功率谱熵的语音端点检测

为了提高低信噪比下语音端点检测的准确性,提出一种基于经验模态分解与功率谱熵的语音端点检测方法。对带噪语音信号进行经验模态分解获得一系列语音本征模函数,选取功率谱熵作为语音端点检测的特征,并计算特定阶本征模函数的功率谱熵实现语音的端点检测。通过EMD分解可以有效地消除白噪声的影响,仿真结果表明,在低噪比情况下结合经验模态分解和功率谱熵的方法能够有效实现语音端点检测。     

基于EMD和奇异值分解的心律失常分类方法

基于经验模态分解(Empirical Mode Decomposition,简称EMD)和奇异值分解(Singular Value Decomposition,简称SVD)理论,提出一种新的心律失常类型分类方法.首先,利用经验模态分解方法自适应地将心电信号(ECG)分解为一组固有模态函数(Intrinsic Mode Function,简称IMF)和一个残余分量,解决了目前广泛应用的小波分解方法中小波基选取困难以及分解结果不唯一的难题.利用这组固有模态函数构造初始特征向量矩阵,对初始特征向量矩阵进行奇异值分解,得到矩阵的奇异值.奇异值是矩阵的固有特征,具有较好的稳定性,根据奇异值计算奇异熵.最后依据奇异熵和马氏距离判别函数对心电信号的心律失常类型进行分类.实验结果表明,本方法能方便有效地对心律失常类型进行识别判断,可用于心电信号病理辅助诊断领域.     

基于二维经验模态分解的高光谱影像去噪方法

高光谱遥感图像同时具有二维空间信息数据和一维光谱信息数据,具有图谱合一的特点且谱间信息具有强烈的相关性,针对高光谱图像的这些特点,提出一种基于二维经验模态分解的高光谱图像降噪方法。该方法利用二维经验模态分解对各波段的高光谱图像分别进行分解,得到不同尺度的固有模态函数;根据含噪声较大的波段和含噪声较小的波段的谱间对应关系计算权系数值,对含噪声较小波段的高频固有模态函数系数进行加权求和,利用加权后的系数值代替含噪声较大的波段的高频固有模态函数系数;利用去噪后的高频系数进行重构得到去噪后的高光谱图像。实验表明,该方法能够对高光谱影像进行有效去噪,同时亦能较好地保留图像细节信息,与经典的小波去噪方法相比,使用该方法去噪后的图像具有更高的峰值信噪比和更好的视觉效果。     

变分模态分解联合改进小波阈值函数的PPG降噪算法

针对PPG信号采集过程中存在大量混合噪声的问题,提出一种变分模态分解（VMD）改进小波阈值降噪的降噪算法。首先通过傅里叶变换得到脉搏波信号频域信息,确定分解个数和主频率;然后利用变分模态分解算法将含噪声的PPG信号分解为一系列固有模态分量,分解过后确定各分量的中心频率,并筛选有效固有模态分量;最后利用改进后的小波阈值函数对残余噪声进行降噪处理,避免了软阈值的恒定偏差,又保证了阈值函数的连续性,降噪后的信号与原始信号相关系数均值为0.934 7,比变分模态分解方法重构信号提升了7.1%。与其他降噪算法相比,信噪比分别提高了5.77 dB、5.38 dB、4.5 dB,均方根误差分别降低了26.1%、16.8%、7.4%。实验结果表明,通过理论计算、数值模拟和应用研究验证了所提方法的有效性和优越性,在滤波效果和信号保真度之间取得了很好的平衡。     

嵌入固有模态函数的各向异性扩散方程用于图像降噪

该文利用经验模态分解技术对图像进行分解,获得表示图像不同频率属性的各个固有模态函数分量,并将代表图像高频信息和次高频信息的固有模态函数嵌入到Perona-Malik模型中。改进后的模型不仅在对高斯噪声降噪时优于原Perona-Malik模型,而且对椒盐噪声也能较好地去除。     

嵌入固有模态函数的各向异性扩散方程用于图像降噪

该文利用经验模态分解技术对图像进行分解，获得表示图像不同频率属性的各个固有模态函数分量，并将代表图像高频信息和次高频信息的固有模态函数嵌入到Perona-Malik模型中。改进后的模型不仅在对高斯噪声降噪时优于原Perona-Malik模型，而且对椒盐噪声也能较好地去除。     

基于集合经验模态分解敏感固有模态函数选择算法的滚动轴承状态识别方法

为了更有效地提取滚动轴承各状态振动信号的特征,该文提出了一种基于集合经验模态分解(EEMD)的敏感固有模态函数(IMF)选择算法。该算法对振动信号经EEMD分解后得到的固有模态函数采用峭度值、相关系数相结合的方法自动提取其敏感分量,以此获得振动信号的初始特征。再运用奇异值分解和自回归(AR)模型方法得到滚动轴承各状态振动信号的特征向量,并将其输入到改进的超球多类支持向量机中进行智能识别,从而实现滚动轴承的正常状态,不同故障类型及不同性能退化程度的各状态识别。实验结果表明,相比基于经验模态分解结合自回归模型或奇异值分解的特征提取方法,该方法可更有效地提取滚动轴承故障特征信息,且识别精度更高。     

HHT在高频周期抖动分解中的研究

用希尔伯特-黄变换算法（HHT）对高频周期抖动的分解进行了研究。通过将小波阈值和FFT滤波相结合,去除随机成分和低频周期抖动后,对高频周期抖动进行经验模态分解（EMD）,将得到的各固有模态函数（IMF）分量经过HHT变换得到Hilbert谱。结合IMF时域图和HHT时频谱,能较准确地估算各抖动成分的频率和其他信号特性,弥补已有算法在研究高频周期抖动的不足,并首次提出分频段分解抖动的方法。将实际抖动数据的测量结果与本方法估算的结果比较可知,HHT算法分解抖动的精度较高。     

关于多种模态分解方法的分离效果的差别探讨

经验模态分解(Empirical Mode Decomposition,EMD)是一种自适应信号分解方法,将数据从高频到低频分解成一系列的本征模式函数(Intrinsic Mode Functions,IMF)和一个余量。局域均值分解(Local Mean Decomposition,LMD)一定程度上解决了EMD方法的端点效应问题,但仍不容忽视。变模态分解(variational mode decomposition,VMD)解决了EMD方法在噪声恶劣背景下,IMF淹没在噪声背景中,导致不能得到信号特征分量的问题。多分别奇异值分解算法(Multi-resolution singular value decomposition,MRSVD)利用矩阵二分递推结构原理和SVD方法相结合,能够很好地把信号中微弱的细节信号和主体信号多层次体现出来,从而提取到其中隐含的信号特征。在此主要讨论EMD、LMD、VMD和MRSVD处理含噪信号时的效果差异,并对四种处理方法在滚动轴承故障振动信号的实际应用中出现的问题进行探讨。