一种基于改进的互补集合模态分解联合去噪方法及系统技术方案

本发明专利技术属于信号去噪技术领域，尤其涉及一种基于改进的互补集合模态分解联合去噪方法及系统，其包括基于原始信号，通过改进的自适应噪声的互补集合经验模态分解ICEEMDAN分解为高频IMF分量和低频IMF分量，本发明专利技术解决现有技术存在自适应噪声的互补集合经验模态分解CEEMDAN存在一定的残差噪声，且信号信息出现的时间比集合经验模态分解EEMD晚，在分解的早期存在一些伪模态的问题，具有实现了可以忽略的重构误差，解决了信号加噪声不同实现时不同模态数的问题，可适用于生物医学工程、地震学和建筑能耗等领域的有益技术效果。和建筑能耗等领域的有益技术效果。和建筑能耗等领域的有益技术效果。

【技术实现步骤摘要】
一种基于改进的互补集合模态分解联合去噪方法及系统


[0001]本专利技术属于信号去噪
，尤其涉及一种基于改进的互补集合模态分解联合去噪方法及系统。

技术介绍

[0002]心电(Electrocardiogram,ECG)信号具有相当低的信噪比，并且经常被来自外部和内部源的不同类型的人为干扰和噪声所破坏；这些伪影和噪声的存在对记录信号的正确分析提出了很大的挑战，因此在随后的阶段中有用的信息提取或分类变得错误；这最终会导致对疾病的错误诊断，或者误导与这种生物信号系统相关的反馈；
[0003]作为流行的预处理算法之一，经验模态分解(Empirical Mode Decomposition,EMD)是一种自适应(数据驱动)的方法来分析来自非线性系统的非平稳信号；它在快速和缓慢振荡中产生一个局部和完全数据驱动的信号分离；最后，原始信号可以表示为振幅和频率调制(Amplitude and Frequency Modulated,AM
‑
FM)函数的总和，称为本征模态函数(IMFs)，或简单的模态，加上最终的单调趋势；这样EMD就完成了；
[0004]EMD的局部特性可能会在一个模态中产生尺度非常不同的振荡，或者在不同模态中产生尺度相似的振荡；当这种现象是不可取的，而每个模态的相似尺度是首选时，这种方法的结果就成为一个问题，称为模态混合；为了解决这一问题，提出了一种新的方法:集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)，该方法对原始信号的噪声拷贝进行集成分解，通过平均得到最终结果；高斯白噪声的加入通过填充整个时频空间，利用EMD的二进滤波器组行为，减少模态混合；因此，得到了更规则的模态，在整个时间跨度中具有相似的尺度；即使EEMD已被证明在广泛的应用中是有用的，它也制造了新的困难；实际上，由于该算法的结果，重构信号、模态之和和最终趋势包含残差噪声；此外，信号加噪声的不同实现可能产生不同数量的模式，使最终的平均变得困难；互补EEMD(Complementary EEMD,CEEMD)通过使用互补(即加减)噪声对，显著缓解了重构问题；然而，由于信号的不同噪声副本会产生不同数量的模态，无法证明其完整性，最终的平均问题仍然没有得到解决；自适应噪声互补集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)是对EEMD的重要改进，实现了可以忽略的重构误差，解决了信号加噪声不同实现时不同模态数的问题；该技术可应用于生物医学工程、地震学和建筑能耗等领域；
[0005]经验模态分解(EMD)以局部和完全数据驱动的方式分解可能来自非线性系统的非平稳信号；噪声辅助版本已经被提出，以缓解所谓的模态混合现象，这种现象可能出现在实际信号分析；其中，带自适应噪声的互补集合经验模态分解(CEEMDAN)恢复了经验模态分解的完整性；在这项工作中，我们提出了对最后一种技术的改进，以获得更少的噪音和更多的物理意义的组件；通过对人工信号的分析，验证了该方法的有效性；最后，对几个真实的生物医学信号进行分解，得到代表生理现象的成分；
[0006]针对CEEMDAN仍有一些值得改进的地方:(1)其模态中存在一定的残差噪声；(2)信
号信息出现的时间比EEMD晚，在分解的早期存在一些伪模态；前几种模态包含了大量的噪声和信号的相似尺度；
[0007]现有技术存在自适应噪声的互补集合经验模态分解CEEMDAN存在一定的残差噪声，且信号信息出现的时间比集合经验模态分解EEMD晚，在分解的早期存在一些伪模态的问题。

技术实现思路

[0008]本专利技术提供一种基于改进的互补集合模态分解联合去噪方法及系统，以解决上述
技术介绍
中提出了现有技术存在自适应噪声的互补集合经验模态分解CEEMDAN存在一定的残差噪声，且信号信息出现的时间比集合经验模态分解EEMD晚，在分解的早期存在一些伪模态的问题。
[0009]本专利技术所解决的技术问题采用以下技术方案来实现：一种基于改进的互补集合模态分解联合去噪方法，包括：
[0010]基于原始信号，通过改进的自适应噪声的互补集合经验模态分解ICEEMDAN分解为高频IMF分量和低频IMF分量；
[0011]基于高频IMF分量，通过离散小波变换高频去噪处理，形成高频IMF去噪分量；
[0012]基于低频IMF分量，通过非局部均值估计低频去噪处理，形成低频IMF去噪分量；
[0013]基于高频IMF去噪分量和低频IMF去噪分量，通过信号重构处理，形成去噪信号。
[0014]进一步，所述ICEEMDAN包括：
[0015]第一步骤：通过经验模态分解EMD分解原始信号数据，在EMD分解的第一阶段，通过第一局部均值函数确定第一局部均值，基于第一局部均值通过第一残差估计函数确定第一残差，通过第一阶模态函数确定第一阶模态；
[0016]第二步骤：通过第二局部均值函数确定第二局部均值，通过第二残差估计函数确定第二残差，通过第二阶模态函数确定第二阶模态；
[0017]第三步骤：依次循环通过第K局部均值函数确定第K局部均值，通过第K残差估计函数确定第K残差，通过第K阶模态函数确定第K阶模态；
[0018]进一步，所述ICEEMDAN还包括：
[0019]所述第一局部均值函数为：
[0020]x
(i)
＝x+β0E1(w
(i)
)；
[0021]所述w
(i)
是第i个均值和单位方差为零的高斯白噪声的实现；
[0022]所述E1(w
(i)
)为第1阶模态；
[0023]所述x
(i)
为第i个信号局部均值；
[0024]所述β0为初始信噪比值系数；
[0025]所述x为信号；
[0026]所述第一残差估计函数为：
[0027]r1＝<M(x
(i)
)〉；
[0028]所述r1为第一个残差值；
[0029]所述M(x
(i)
)为产生应用到的信号的局部平均值；
[0030]所述第二局部均值函数为：
[0031]x2＝r1+β1E2(w
(i)
)；
[0032]所述β1为第一阶段信噪比值系数；
[0033]所述E2(w
(i)
)为第2阶模态；
[0034]所述第K阶模态函数为：
[0035][0036]所述r
k
为第k个残差值；
[0037]所述为第k阶模态函数；
[0038]所述r
k
‑1为第k
‑
1个残差值；
[0039]进一步：
[0040]所述第K残差估计函数为：
[0041]r
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进的互补集合模态分解联合去噪方法，其特征在于，包括：基于原始信号，通过改进的自适应噪声的互补集合经验模态分解ICEEMDAN分解为高频IMF分量和低频IMF分量；基于高频IMF分量，通过离散小波变换高频去噪处理，形成高频IMF去噪分量；基于低频IMF分量，通过非局部均值估计低频去噪处理，形成低频IMF去噪分量；基于高频IMF去噪分量和低频IMF去噪分量，通过信号重构处理，形成去噪信号。2.根据权利要求1所述联合去噪方法，其特征在于，所述ICEEMDAN包括：第一步骤：通过经验模态分解EMD分解原始信号数据，在EMD分解的第一阶段，通过第一局部均值函数确定第一局部均值，基于第一局部均值通过第一残差估计函数确定第一残差，通过第一阶模态函数确定第一阶模态；第二步骤：通过第二局部均值函数确定第二局部均值，通过第二残差估计函数确定第二残差，通过第二阶模态函数确定第二阶模态；第三步骤：依次循环通过第K局部均值函数确定第K局部均值，通过第K残差估计函数确定第K残差，通过第K阶模态函数确定第K阶模态。3.根据权利要求2所述联合去噪方法，其特征在于，所述ICEEMDAN还包括：所述第一局部均值函数为：x
(i)
＝x+β0E1(w
(i)
)；所述w
(i)
是第i个均值和单位方差为零的高斯白噪声的实现；所述E1(w
(i)
)为第1阶模态；所述x
(i)
为第i个信号局部均值；所述β0为初始信噪比值系数；所述x为信号；所述第一残差估计函数为：r1＝<M(x
(i)
)>；所述r1为第一个残差值；所述M(x
(i)
)为产生应用到的信号的局部平均值；所述第二局部均值函数为：x2＝r1+β1E2(w
(i)
)；所述β1为第一阶段信噪比值系数；所述E2(w
(i)
)为第2阶模态；所述第K阶模态函数为：所述r
k
为第k个残差值；所述为第k阶模态函数；所述r
k
‑1为第k
‑
1个残差值。4.根据权利要求2所述联合去噪方法，其特征在于：所述第K残差估计函数为：r
k
＝<M(r
k
‑1+β
k
E
k
(w
(i)
))>；
所述β
k
为第k阶段信噪比值系数；所述E
k
(w
(i)
)为第k阶模态；所述M(
·
)为产生应用到的信号的局部平均值；所述r
k
‑1为第k
‑
1个残...

【专利技术属性】
技术研发人员：罗金和，唐聪，刘单英，
申请(专利权)人：广州芯相随科技有限公司，
类型：发明
国别省市：