一种自适应的经验模式分解方法.docxVIP

一种自适应的经验模式分解方法 心电信号预处理 心电压是诊断和评估宇宙环境下运动员的心功能、健康状况的重要依据。在历次载人航天任务中,航天员心电信号通过飞船以超短波的形式下传,经过中继卫星、测控站、测量船的解调、过渡,最后到达数据处理中心。在这个过程中受到航天员太空失重、飞船工况、传输距离、测控条件等多方面因素的影响,造成地面最终收到的心电信号波形失真。航天员心电信号具有以下特点:(1)噪声大、随机性强、信噪比低;(2)基线漂移、同步码漂移问题严重;(3)信号波形模糊,呈现出非平稳、非线性特征。因此,研究一种能有效消除噪声、还原航天员真实心电波形的方法,对正确处理航天员心电信号与特征提取具有重要意义。 传统傅里叶变换、小波变换、经验模式分解是心电信号处理常用的几种滤波消噪方法。但传统傅里叶变换是建立在信号平稳性假设条件下的一种时域和频域的全局性变换,对于分析基于平稳信号或准平稳过程的信号十分有效,但其不能很好地揭示非平稳信号的特征。小波变换具有良好的时频局部化特性,使其在心电信号处理中得到广泛应用,但不同的心电信号,难以选择合适的小波基进行分析,且一旦小波基被选定之后,就必须用小波基分析整个信号,缺乏自适应性;同时应用小波变换进行消噪时,阈值的选取是一个难点。经验模式分解(Empirical mode decomposition, EMD)方法能将信号自适应地分解到不同的尺度上,非常适合非线性、非平稳信号的处理,并广泛应用于工程领域,但其重要缺陷就是模式混淆现象的产生。为克服模式混淆问题,Wu Z H等在对白噪声进行EMD分解深入研究的基础上,对EMD方法进行改进,提出了利用白噪声的总体平均经验模式分解(Ensemble empirical mode decomposition,EEMD)方法,被迅速运用到如故障诊断等信号处理领域。EEMD方法的提出,较好地解决了模式混淆的问题,但其效果依赖于加入白噪声的大小与总体平均次数这2个重要参数,而现有EEMD方法中这2个参数都需要人为按照经验设定,针对不同的信号缺乏可靠性,同时破坏了EEMD方法的自适应性。因此,研究在EEMD方法中加入白噪声大小的准则,能根据分析信号的不同特点建立一种能自动获取加入白噪声大小与总体平均次数的自适应EEMD方法,对于分析非线性、非平稳信号具有重要的意义。 本文通过研究EEMD方法中加入白噪声大小与总体平均次数2个参数的确定,提出了自适应EEMD方法,并将其应用于心电信号处理中,成功进行心电信号消噪与心率特征提取,为航天员的心电信号监测提供了有效的方法。 1 基于epd方法的参数获取 1.1 信号不连续的情况下的eemd分解 EMD基本理论与分解步骤详见文献。EMD方法将任意非线性、非平稳信号分解为若干个基本模式分量(IMF)和一个余项。EEMD方法是对EMD方法实质创新的结果,其分解原理是:利用白噪声具有频率均匀分布的统计特性,当信号加入白噪声后,改变了信号极值点的特性,将使信号在不同尺度上具有连续性,促进抗混分解,避免模式混淆。模式混淆是指:一个IMF由多个不同尺度的信号组成,或相似尺度的信号出现在不同的IMF中的现象。信号的不连续是模式混淆产生的原因,他不但会引起信号在时频分布的严重混淆,而且会使得每个基本模式分量物理意义不清晰。EEMD方法本质上是一种噪声协助信号处理方法,由于在不连续的信号中高频成分的极值点间隔分布密集,信号的低频成分的极值点间隔分布稀疏,通过白噪声的加入,改变了信号低频成分的极值点分布特性,使得信号在整个频带中极值点间隔分布均匀,保证每次对信号进行准确求取上、下包络的局部均值,以此来达到在经验模式分解中避免模式混淆的目的。 EEMD分解步骤如下: (1)原始信号s(t)中多次加入具有均值为零、幅值标准差为常数的白噪声ni(t),即 si(t)=s(t)+ni(t)(1)si(t)=s(t)+ni(t)(1) 式中,si(t)为第i次加入白噪声后的信号,ni(t)为第i次加入的白噪声。 (2)对所得的含白噪声的信号si(t)分别进行EMD分解,得到各自的IMF记为cij(t),与一个余项记为ri(t)。其中cij(t)表示第i次加入白噪声后分解所得的第j个IMF。 (3)利用不相关随机序列的统计均值为0的原理,将上述对应的IMF进行总体平均运算,得到EEMD分解后最终的IMF,即 cj(t)=1ΝΝ∑i=1cij(t)(2) 式中,cj(t)为对原始信号进行EEMD分解后所得的第j个IMF。 1.2 信号中的高频成分极值点提取准则 文献提出的EEMD方法中加入白噪声的大小需要人为按经验确定,针对不同信号缺乏自适应性与可靠性。为有效避免模式混淆,同时为保护信号中的有用信息,EEMD方法中加入的白噪声须满足以下条件: (1)加入的白