论文部分内容阅读
总体经验模态分解(Ensemble Empirical Mode Decomposition,简称EEMD)是针对经验模态分解(Empirical Mode Decomposition,简称EMD)中存在的模态混叠问题提出的一种非平稳信号分解方法。该方法基于噪声辅助分析,通过每次向原始信号中添加一组不同的白噪声,并将添加噪声后的信号作为一个“总体”进行EMD处理,利用白噪声在时频空间上尺度均匀分布的特点,使得信号自动映射到合适的尺度中去。经过多次EMD分解之后,最终对得到的多组固有模态函数(Intrinsic Mode Function,简称IMF)分量求平均,由于白噪声的零均值特性,经过多组平均处理的噪声将相互抵消。但EEMD的一个最大问题就是运算效率较低,当原始数据序列的长度较长时,这一弊端就会更加凸显。针对这一问题,本文提出了一种WPD-EEMD分解方法来改善EEMD的分解效率,并以脑电信号处理为应用背景,验证了该方法的有效性。在此过程中,本文主要做了以下几项工作:首先,脑电信号是一种典型的、包含突变信息的非平稳信号,为了验证EEMD在这种情况下是否有效,本文采用EEMD分解方法对非平稳信号进行处理,验证了EEMD在检测突变信息、改善模态混叠方面的有效性。其次,为了能够有效改善EEMD的分解效率,本文从提高信号的信噪比入手,深入研究了在脑电信号去噪领域中应用广泛的小波去噪理论。由于小波变换只对信号的低频部分进行细分,因此信号在高频部分的频率分辨率较差。但是,脑电信号中通常都包含一些高频突变信息,小波去噪容易造成这些突变信息的丢失。因此,本文探究了在保留高频突变特征方面更具优势的脑电信号去噪方法——小波包去噪法,通过对一组公开的脑电数据进行实验对比,验证了小波包在脑电信号去噪方面的优势。最后,由于EEMD分解时加入白噪声的次数达到上百次甚至数百次时才会取得较为满意的结果。每加入一次白噪声,就执行一次EMD分解,随着加入白噪声数目的增大,EMD分解的次数就随之增多,最后还需要对所有的EMD分解结果进行总体平均运算,这就使得一次EEMD分解耗费了很长的运算时间。本文提出了一种新的WPD-EEMD分解方法,通过提高信号的信噪比,从而减少每次EMD分解中的迭代次数,提高EMD的分解效率,最终达到改善整个EEMD分解效率的目的。采用本文提出的WPD-EEMD方法与传统的EEMD方法分别对采集到的实际脑电信号进行实验,通过比较分析,研究表明这种基于小波包的EEMD分解方法能够有效改善EEMD的分解效率。