联合改进CEEMD与近似熵的脑电去噪方法

合集下载

基于EEMD与DSS-ApEn的脑电信号消噪方法

基于EEMD与DSS-ApEn的脑电信号消噪方法孟明;杨国雨;高云园;甘海涛;罗志增【摘要】为了在消除信号中噪声的同时尽可能保留有效信息,提出了一种基于集合经验模态分解EEMD(Ensemble Empirical Mode Decomposition)和降噪源分离DSS(De-noising Source Separation)与近似熵ApEn(Approximate Entropy)相结合的脑电信号消噪方法.利用EEMD分解算法将含噪脑电信号分解为若干个内蕴模态函数IMF(Intrinsic Mode Functions)分量,滤除最高频分量后的IMF分量应用DSS分离出各独立源信号,再选择频谱近似熵最大的独立源信号作为去噪信号.仿真和真实脑电信号的消噪实验表明,与独立EEMD消噪方法以及基于EEMD与改进提升小波消噪方法相比,本文提出的方法消噪效果更好.【期刊名称】《传感技术学报》【年(卷),期】2018(031)010【总页数】8页(P1539-1546)【关键词】脑电信号;信号消噪;集合经验模态分解;降噪源分离;近似熵【作者】孟明;杨国雨;高云园;甘海涛;罗志增【作者单位】杭州电子科技大学智能控制与机器人研究所,杭州310018;杭州电子科技大学智能控制与机器人研究所,杭州310018;杭州电子科技大学智能控制与机器人研究所,杭州310018;杭州电子科技大学智能控制与机器人研究所,杭州310018;杭州电子科技大学智能控制与机器人研究所,杭州310018【正文语种】中文【中图分类】TP391头皮脑电EEG(Electroencephalogram)由于其易采集、无创性以及较好的时间分辨率,在最近被广泛关注的脑机接口应用中,有着不可替代的作用。

但由于头皮脑电是一种非平稳非线性极其微弱的随机信号[1],极易被心电,眼电,电磁干扰,工频干扰等大量外界干扰信号淹没[2],所以消噪就成了脑电信号预处理阶段中最重要的步骤之一。

基于余弦相似的改进CEEMD脑电信号去噪方法

Ａｂｓｔｒａｃｔ：ＡｉｍｉｎｇａｔｔｈｅｐｒｏｂｌｅｍｔｈａｔｔｈｅｔｒａｄｉｔｉｏｎａｌＥＥＧｄｅｎｏｉｓｉｎｇｍｅｔｈｏｄｉｓｅａｓｙｔｏｕｓｅｔｈｅｕｓｅｆｕｌｉｎｆｏｒｍａｔｉｏｎｃｏｎｔａｉｎｅｄｉｎｔｈｅｈｉｇｈｆｒｅｑｕｅｎｃｙｐａｒｔｏｆｔｈｅｓｉｇｎａｌａｓｎｏｉｓｅ，ｒｅｓｕｌｔｉｎｇｉｎｄｉｓｔｏｒｔｉｏｎｏｆｔｈｅＥＥＧｓｉｇｎａｌａｆｔｅｒｎｏｉｓｅｒｅｄｕｃｔｉｏｎ，ａｃｏｍｐｌｅｍｅｎｔａｒｙｏｖｅｒａｌｌｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎｂａｓｅｄｏｎｃｏｓｉｎｅｓｉｍｉｌａｒｉｔｙ（ＣＥＥＭＤ）ＥＥＧｓｉｇｎａｌｄｅｎｏｉｓｉｎｇｍｅｔｈｏｄｉｓｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔｌｙ，ｔｈｅＣＥＥＭＤｉｓｕｓｅｄｔｏｄｅｃｏｍｐｏｓｅｔｈｅＥＥＧｓｉｇｎａｌｉｎｔｏｉｎｔｒｉｎｓｉｃｍｏｄａｌｆｕｎｃｔｉｏｎｓ（ＩＭＦｓ）ａｔｄｉｆｆｅｒｅｎｔｃｈａｒａｃｔｅｒｉｓｔｉｃｓｃａｌｅｓ，ａｎｄｔｈｅｎｔｈｅａｎｇｌｅｃｏｓｉｎｅｍｅｔｈｏｄｉｓｕｓｅｄｔｏｃａｌｃｕｌａｔｅｔｈｅｓｉｍｉｌａｒｉｔｙｂｅｔｗｅｅｎｅａｃｈＩＭＦａｎｄｔｈｅｏｒｉｇｉｎａｌｓｉｇｎａｌＴｈｅｌａｔｔｅｒｃｏｍｐｏｎｅｎｔｉｎｆｉｒｓｔｍｉｎｉｍｕｍｖａｌｕｅｏｆｔｈｅｓｉｍｉｌａｒｉｔｙｃｕｒｖｅｓｅｒｖｅｓａｓｔｈｅｄｅｍａｒｃａｔｉｏｎｐｏｉｎｔｔｏｄｅｆｉｎｅｔｈｅｓｉｇｎａｌｄｏｍｉｎａｎｔｍｏｄｅａｎｄｔｈｅｎｏｉｓｅｄｏｍｉｎａｎｔｍｏｄｅ．Ｔｈｅｎ，ｔｈｅｗａｖｅｌｅｔｐａｃｋｅｔｔｒａｎｓｆｏｒｍｉｓｕｓｅｄｔｏｅｘｔｒａｃｔｔｈｅｅｆｆｅｃｔｉｖｅｉｎｆｏｒｍａｔｉｏｎｆｏｒｔｈｅｎｏｉｓｅｄｏｍｉｎａｔｅｄｍｏｄｅｓ．Ｆｉｎａｌｌｙ，ａｌｌｔｈｅＩＭＦｓａｒｅｒｅｃｏｎｓｔｒｕｃｔｅｄｔｏｏｂｔａｉｎｔｈｅｎｏｉｓｅｒｅｄｕｃｔｉｏｎｓｉｇｎａｌ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅａｌｇｏｒｉｔｈｍｃａｎｅｆｆｅｃｔｉｖｅｌｙｒｅｔａｉｎｕｓｅｆｕｌｉｎｆｏｒｍａｔｉｏｎｉｎｔｈｅｈｉｇｈｆｒｅｑｕｅｎｃｙｐａｒｔ，ａｎｄｔｈｅｄｅｎｏｉｓｉｎｇｐｅｒｆｏｒｍａｎｃｅａｔｄｉｆｆｅｒｅｎｔｎｏｉｓｅｌｅｖｅｌｓｉｓｂｅｔｔｅｒｔｈａｎｔｈａｔｏｆｔｈｅｔｒａｄｉｔｉｏｎａｌａｌｇｏｒｉｔｈｍ．Ｋｅｙｗｏｒｄｓ：ＥＥＧｓｉｇｎａｌｓ；ｃｏｍｐｌｅｍｅｎｔａｒｙｅｎｓｅｍｂｌｅｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎ（ＣＥＥＭＤ）；ｗａｖｅｌｅｔｔｈｒｅｓｈｏｌｄ；ｎｏｉｓｅｒｅｄｕｃｔｉｏｎｍｅｔｈｏｄ

基于经验模态分解法的变压器局部放电去噪方法研究

(１)
ｈ１＝Ｘ( ｔ) －ｍ１
(２)
Ｘ( ｔ) 与均值ｍ的差记为ｈ１ ꎬ得:
多次分解ꎬ满足ＩＭＦ条件时ꎬ输出ＩＭＦ１ꎬ记作
Ｃ１ ꎮ 把Ｃ１从Ｘ( ｔ) 中剥离ꎬ得到舍去高频分量的信
号ｒ１ ꎬ得:
ｒ１＝Ｘ( ｔ) －Ｃ１
(３)
将ｒ１作为下一次分解的原始信号ꎬ重复分解ꎬ
如图７所示ꎮ 将含噪声较多的ＩＭＦ１剔除后进行重
构去噪ꎬ结果如图８所示ꎮ
４２ＣＥＥＭＤＡＮ阈值去噪仿真分析
略有提升ꎬ但是依然使用舍去ＩＭＦ分量的方法ꎬ信
号的完整度不够好ꎮ 因此ꎬ本文使用ＣＥＥＭＤＡＮ方
法对信号进行自适应分解ꎬ然后对每个ＩＭＦ设定阈
值ꎬ进行阈值去噪ꎮ
频信号的重构方法ꎬ信号保留不完整ꎬ且存在模态混叠ꎮ 本文采用单一ＥＭＤ、ＥＥＭＤ、ＣＥＥＭＤ以及ＣＥＥＭ￣
ＤＡＮ方法对局部放电信号去噪仿真分析ꎬ部分解决了模态混叠问题ꎬ但单一分解方法去噪效果差ꎮ 因此ꎬ本
文进一步改进ꎬ采用ＣＥＥＭＤＡＮ阈值的局部放电去噪方法ꎬ通过仿真数据分析ꎬ减少了重构误差ꎬ提高信噪
６８
« 电气开关» (２０２１. Ｎｏ. ６)
文章编号:１００４－２８９Ｘ(２０２１)０６－００６８－０４
基于经验模态分解法的变压器局部放电
去噪方法研究
宫成明ꎬ厉伟
( 沈阳工业大学电气工程学院ꎬ辽宁沈阳１１０８７０)
摘要:复杂噪声环境下ꎬ提取变压器的局部放电信号是对其运行状态在线检测的关键ꎮ ＥＭＤ舍高频ꎬ留低
[ Ｊ] . 砖瓦世界ꎬ２０１９(１２) :７７.
[３] 毛伟思. 分析输配电及用电工程线路安全运行的问题及其技

基于改进EMD的脑电信号去噪方法

ｅｅｔｌｅｖｅｎｉｅｏｅＥＥＧｖ，ｎｋｓｔｅｃｒｃｅｉｔｓｏｆｃｉｙｒｍｏｅｔｏｓｆｖｅｈｈｔｗａｅａｄｍａｅｈａａｔｒｓｉｆｈｃＥＥＧｒｂｉｕ．ｍｏｅｏｖｏｓ
第３８卷第１期
、０．８，１３
・
计
算
机
工
程
２１年１月０２
Ｊｎｕｒ２ａａｙ０１２
ＮＯ．１
ＣｏｕｅｎｉｅｒｎｍｐｔｒｇｎｅｉｇＥ
人工智能及识别技术・
文章编号：１３２（１）—ｏ１文献０＿４８ｏ２１＿５— ３ｏ２０１标识码：Ａ
ｗａｅｏｍｗｈｃｃｎｍｐｏｅｈｅｄｆｅｔｉｈｒｃｓｉｏｖｆｒｉｈａｉｒｖｔｅｎｅｆｃｓｎｔｅｐｏｅｓｎｇｆＥＭＤｅｆｃｉｅｙｔｓｓｈｗｍｅｈｏｔｄｎｉｅｔｅＥｌｃｒｅｃ — ｆｅｔｖｌ．Ｉｕｅｔｅｎｅｔｄｏｅｏｓｈｅｔｏｎｅ
存在的端点效应，利用延拓后的ＥＭＤ方法对ＥＧ进行去噪。Ｅ基于美国加州理工学院数据库中ＥＧ的仿真结果表明，Ｅ延拓后的ＥＭＤ方法可有效去除ＥＧ波形中的噪声部分，使ＥＧ的特征更明显。ＥＥ
关健词：ＨｌｒＨａｇ变换；电信号；经验模态分解；端点效应；去噪ｉｅｔｕｎｂ — 脑
１概述
脑电信号（ｌｔｅｃｐａｇａＥｅｒｎｅｈｌｒｍ，ＥＧ是大脑神经细胞ｃｏｏＥ）中的电活动在大脑皮层上的反应…，包含大量有价值的生理或病理信息，对研究人脑起着非常重要的作用。然而脑电信号又是一种随机性很强的非线性非平稳信号Ｌ，包含的成分２Ｊ

脑功能成像数据前处理方法改进

脑功能成像数据前处理方法改进脑功能成像是一种非侵入性的技术，可用于研究人类大脑的活动和功能。

随着脑科学的发展，脑功能成像数据的分析方法不断改进，以提高数据质量和信息提取的效果。

其中，脑功能成像数据前处理方法的改进对于后续分析的可靠性和准确性至关重要。

本文将讨论当前脑功能成像数据前处理方法的问题，并提出改进方法。

当前脑功能成像数据前处理方法主要包括去噪、去伪迹、对齐和标准化等步骤。

然而，这些方法仍存在一些问题需要解决。

首先，噪声是脑功能成像数据中常见的干扰源。

传统的去噪方法如高斯滤波和小波去噪等在一定程度上能减少噪声的影响，但对信号的损失较大。

因此，如何在减少噪声的同时保留原始信号的细节信息成为一个挑战。

其次，脑功能成像数据前处理中的去伪迹步骤用于消除由于呼吸、脉搏等产生的干扰效应。

目前的方法主要基于统计模型，如伪迹回归和时间延迟估计等。

然而，这些方法通常只能消除部分伪迹，而对于较强的伪迹仍然无法很好地处理。

因此，需要寻找更精确和稳健的去伪迹方法，以提高数据的准确性。

此外，数据对齐和标准化是脑功能成像数据前处理中的重要步骤。

对齐将不同时间点或不同被试者的数据映射到统一的空间中，以便进行后续的分析。

标准化则将数据转换为与参考模板一致的形式，以减少个体差异的影响。

然而，传统的对齐和标准化方法常常存在误差和不一致性，导致结果的可靠性受到限制。

因此，如何提高对齐和标准化的精度和稳定性是一个重要的研究方向。

针对以上问题，可以考虑以下改进方法。

首先，在去噪方面，可以利用稀疏表示方法，如字典学习和稀疏编码等。

这些方法能够在尽量保留原始信号细节的同时，去除噪声的干扰。

此外，还可以尝试应用深度学习和卷积神经网络等方法进行噪声的建模和去除，以提高去噪的效果。

对于去伪迹问题，可以考虑使用机器学习的方法，如支持向量机和随机森林等。

这些方法能够通过学习数据之间的关系，提取出伪迹的特征并进行分类和去除。

此外，可以结合多模态数据的信息，以提高伪迹去除的准确性。

基于CEEMD-EEMD的局部放电阈值去噪新方法

基于CEEMD-EEMD的局部放电阈值去噪新方法王恩俊;张建文;马晓伟;马鸿宇【摘要】为了解决局部放电信号去噪过程中自适应性不足,提出了基于完全经验模态分解和总体平均经验模态分解(CEEMD-EEMD)的局部放电阈值去噪新方法.首先将放电信号进行CEEMD分解,其次对分解出来的固有模态函数进行EEMD分解,根据数理统计的知识将分解后的信号进行阈值去噪.利用该算法对局部放电的仿真信号和实测信号进行去噪处理,并与常规的小波去噪算法比较分析.仿真和实验的去噪结果表明,基于CEEMD-EEMD的局部放电阈值去噪方法取得了良好的去噪效果,验证了该方法的有效性,从而为局部放电信号的预处理提供了一种新思路.【期刊名称】《电力系统保护与控制》【年(卷),期】2016(044)015【总页数】6页(P93-98)【关键词】局部放电;完全经验模态分解;总体平均经验模态分解;阈值去噪;小波去噪【作者】王恩俊;张建文;马晓伟;马鸿宇【作者单位】中国矿业大学信息与电气工程学院,江苏徐州221008;中国矿业大学信息与电气工程学院,江苏徐州221008;中国矿业大学信息与电气工程学院,江苏徐州221008;中国矿业大学信息与电气工程学院,江苏徐州221008【正文语种】中文局部放电在线监测是一种广泛用于检测电力设备绝缘性能的重要手段[1-7]。

由于在提取局部放电信号的过程中，会存在大量的干扰信号，尤其是白噪声，因此，如何从被污染的信号中准确提取出局部放电信号成为局部放电在线监测的关键。

局部放电信号是一种非线性强，不平稳的放电信号。

目前，针对局部放电信号的去噪方法主要有FFT[8]，小波自适应阈值去噪[9]等方法。

虽然它们在去噪方面取得了很大的成果[10-12]，但是由于FFT适用于平稳信号的去噪，而小波变换去噪不具有自适应性，与人的经验有关，去噪后的效果不是令人满意。

经验模态分解( Empirical Mode Decomposition，EMD)具有良好的时频特性，能够较好的处理非线性，非平稳信号，而且具有很强的自适应性，在信号去噪方面发挥着重要的作用[13-14]。

基于ICEEMD-PE的脑血氧降噪方法研究

关键词脑血氧；改进的总体完备经验模态分解；排列熵；降噪中图分类号 R318.04 DOI：10. 3969/j. issn. 1672-9722. 2018. 08. 006
Method of Removing Noise Based on ICEEMD-PE in Cerebral Blood Oxygenation
Key Words cerebral oxygenation，ICEEMD，permutation entropy，noise reduction Class Number R318.04
1 引言
人体脑血氧在临床治疗和诊断中起着重要的作用，例如脑外伤［1］和心脑血管疾病的治疗和检测等。脑血氧信号的检测是通过组织中血红蛋白等对近红外光的吸收，得到光密度的变化情况，再结合修正的朗伯-比尔定律计算得出组织内的氧合血红蛋白（oxygenated hemoglobin，oxy-Hb）和脱氧血
总第 346 期 20ompu计te算r &机D与ig数ita字l E工ng程ineering
Vol. 46 No. 8 1511
基于 ICEEMD-PE 的脑血氧降噪方法研究 ∗
吴凯 1，2 张欢 3 刘燕 2 戴亚康 2
（1. 中国科学院大学北京 101407）（2. 中国科学院苏州生物医学工程技术研究所（3. 南京理工大学电子工程与光电技术学院南京 210094）
Abstract Cerebral blood oxygen plays an important role in the clinical treatment and diagnosis. However，the baseline drift and high frequency noise caused by physiological activities and random noise in the signal sampling process based on function near-infrared spectroscopy have seriously affected the accuracy of the data. Therefore，this paper propose a method of removing noise based on ICEEMD and Permutation Entropy（PE）to denoise the cerebral blood oxygen signal. Firstly，decomposition of the cerebral blood oxygenation by ICEEMD to get a series of intrinsic mode function（IMF）. Secondly，all IMF components are calculat⁃ ed by PE and select threshold to remove the noise. Finally，the signal is reconstructed to produce the signal that has removed the noise. Experimental results show，the method is effective in removing the baseline drift and high frequency noise in cerebral blood oxygenation，and improving the accuracy of data.

基于小波包和改进EMD的脑电信号消噪研究

基于小波包和改进EMD的脑电信号消噪研究郑佳佳;郭滨【摘要】由于采集到的脑电信号含有噪声,提出了总体经验模态分解(EEMD)的希尔伯特黄变换(HHT)结合小波包分析的脑电信号去除噪声的方法.含噪脑电信号经EEMD分解可以得到一定数量的IMF分量,而且可以解决经验模态分解(EMD)时的模态混叠问题,然后,对IMF分量进行Hilbert变换,分析Hilbert谱,把含噪的IMF 部分进行小波包处理,最后,把各IMF相加,可得处理过噪声的脑电.经验证得,单独使用小波包方法消噪和改进EMD消噪,都没有小波包结合改进EMD方法的信噪比高,提高了去噪效果,有利于更精确的诊断医学疾病.%Since the collected EEG signals contain noise,a method based on the Hilbert-Huangtransform(HHT) of Ensemble Empirical ModeDecomposition(EEMD)combined with the wavelet packet is proposed to remove noise from EEG. The EEMD decomposition can get a certain number of IMF components of noisy EEG signals and solve the modal aliasing problem in empirical mode decomposition(EMD). Then,Hilbert transform is used to analyze IMF components,Hilbert spectrum is analyzed,IMF part of the wavelet packet processing,and finally,the IMFs are add-ed,have been dealt with noise EEG. It has been verified that using the wavelet packet method alone to denoise and improving the EMD denoising,no wavelet packet combined with the improved EMD method has a high sig-nal-to-noise ratio,which improves the denoising effect and is more accurate for the diagnosis of medical diseases.【期刊名称】《长春理工大学学报（自然科学版）》【年(卷),期】2018(041)002【总页数】4页(P110-113)【关键词】HHT;EEMD;小波包去噪;脑电信号【作者】郑佳佳;郭滨【作者单位】长春理工大学电子信息工程学院,长春130021;长春理工大学电子信息工程学院,长春130021【正文语种】中文【中图分类】TP391.4把大脑皮层或头皮表面的微弱的生物电通过脑电图描记仪画成曲线图，这个曲线图反映了脑电的活动情况，也叫做脑电图［1］（electroencephalogram，EEG）。

一种基于改进EMD的语音去噪方法

ＡＢＳＴＲＡＣＴ：ｐｅｈｓｇａｓｃｒｕｔｄｉｅｉｂｙｂｏｓｈｃｅｕｔｉｐｅｈｄｓｏｔｎｄｒｇｇｎｒｔｎ，Ｓｅｃｉｎｌｉｏｒｐｅｎｖｔｌｙｎｉｅｗｉｈｒｓｌｎｓｅｃｉｒｏｕｎｅｅａｉａｓｔｉｉｏ

ｔｎｍｉｉｎｅｅｔｎｐｏｅｓｎｔｉｐｐｒｍｉｃｏｅＤｃｍｏｉｏＥｒｓｓｏａｄｒｃｐｉｒｃｓ．Ｉｓａｅ，ＥｐｒａＭｄｅｏｐｓｉａｓｎｏｈｉｌｔｎ（ＭＤ）ｆｏｏｎｎ—ｓｔｎｒａｄｒｔｉａｙｎａｏ
ＳｅｃｐｅｈＤｅ—ＮｏｓｎｅｈｄＢａｅｎＩｒｖｄＥＭＤ — ｉｉｇＭｔｏｓｄｏｍｐｏｅ
ｚＨＡＮＧｕＪｎ—ｃａｇＺｈｎ．ＨＡＯＬｉ
（ｏｅｅｏｌｃｏｉｆｒｔｎｏｔｗｓｒｏｙｅｎｃｌｎｅｓｙＸ’ ｈｎｉ１１９，ｈｎ）ＣｌｇｆｅｔｎｃＩｏｉ，ＮｒｅｔｎＰｌｔｈｉｉｒｔ，ｉｎＳａｘ７０２ＣｉａｌＥｒｓｎｍａｏｈｅｅａＵｖｉａ
传统ＥＤ算法将信号分解成一系列的固有模态函数Ｍ
１引言
语音信号在产生、传输及接收过程中，避免会受到不可
噪声干扰从而引起失真，语音去噪的目的是消除干扰噪声，
第２卷第８８期
文章编号：０６— ３８２１）８— ３７— ４１０９４（０１ｏ０９０

基于CEEMD-PE的脑电信号降噪方法研究

N
（8）
重复执行以上过程，直至某次模态分量不可再
分时，停止分解过程。可以得到 J 个分量，将最终的
残差值记为：
R ( t ) = x( t ) -∑IMF j ( t )
（9）
x( t ) = R ( t ) +∑IMF j (t)
（10）
J
j=1
以上公式变形可得原始信号 x（t）表达如下：
J
j=1
1.1.2
题。随后，文献 [12]提出了完全集合经验模态分解
具有频率均匀分布特性，从而可以改善信号极值点
CEEMD），
进一步完善了 EEMD 方法的不足。文献[13]
声后对分解结果的影响，这样就可以得到分解的最
它将脑电信号进行 CEEMD 分解后，仅选取近似熵最
EEMD 算法的实现过程可以简单归为以下几步：
文章编号：1674-6236（2021）01-0020-04
De⁃noising of electroencephalogram by CEEMD⁃PE
SUN Xiaojuan1，LI Jianzhuo2
（1. School of Electronic and Electrical Engineering，Baoji University of Arts and Sciences，Baoji 721013，
排列熵值，剔除基本为噪声的 IMF 分量，最后将降噪
EEMD 算法原理
（3）
这样就可以得到信号 xi ( t) 的极大值与极小值
对应的位置，一般情况下，原始信号的高频成分极值
点分布会随着噪声 e i 幅值的不断增大逐步被改善。

基于改进CEEMD的薄层污垢超声检测信号去噪

ＴｈｅｓｉｇｎａｌａｎｄｎｏｉｓｅｍｏｄｅｓｅｇｍｅｎｔａｔｉｏｎｐｏｉｎｔｉｓｄｅｔｅｒｍｉｎｅｄａｎｄｅｖＭｕ￣ｅｄｃｏｍｂｉｎｉｎｇｗｉｔｈｔｈｅｅｎｅｒｇｙｓｐｅｃｔｒｕｍ．Ｂｅｓｉｄｅｓ，ｔｈｅｗａｖｅｌｅｔａｄａｐｔｉｖｅｔｈｒｅｓｈｏｌｄｉｓｕｓｅｄｔｏｃｏｌｌｅｃｔｄｅｔａｉｌｉｎｆ０ｍａｔｉ０ｎｉｎｎｏｉｓｅｍｏｄｅｓ．Ｆｉｎａｌｌｙ．ａｌｌｏｆｔｈｅｒｅｍａｉｎｅｄＩＭＦｓａｒｅｒｅｃｏｎｓｔｕｃｒｔｅｄｔｏｏｂｔａｉｎａｎｏｉｓｅｓｕｐｐｒｅｓｓｅｄｓｉｇｎａ１．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈｅａｃｃｕｒａｃｙｏｆｓｅｇｍｅｎｔａｔｉｏｎｐｏｉｎｔｉｓｈｉｇｈ．ＩｍｐｒｏｖｅｄＣＥＥＭＤｈａｓｂｅｔｔｅｒｄｅ — ｎｏｉｓｉｎｇ
．
国家标准学科分类代码：５１０．４０
ＴｈｉｎｆｏｕｌｉｎｇｕｌｔｒａｓｏｎｉｃｄｅｔｅｃｔｉｏｎｓｉｇｎａｌｄｅｎｏｉｓｉｎｇｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＣＥＥＭＤ

采用循环叠加经验模态分解的去噪算法

采用循环叠加经验模态分解的去噪算法
循环叠加经验模态分解（CEEMD）是一种常用的信号处理方法，可以有效地去除噪声。

该算法的基本思想是将信号分解成多个固有模态函数（IMF），每个IMF对应不同频率的成分。

然后对每个IMF进行滤波和去噪处理，最后将所有IMF叠加得到去噪后的信号。

具体步骤如下：
1. 将原始信号进行CEEMD分解，得到多个IMF。

2. 对每个IMF进行滤波和去噪处理，可采用小波变换等方法。

3. 将所有IMF叠加得到去噪后的信号。

4. 若仍存在噪声，重复上述步骤，直到满足要求为止。

采用CEEMD去噪处理可应用于多种信号，如语音、图像、视频等。

该方法具有较好的去噪效果，并且不需要预先知道信号的统计特征。

CEEMDAN-小波包联合降噪的优化方法

序列。
2) 对时间序列ys(j)进行重构，
j } Z
y； ,y；+T ,•••』；+(”-1” 。
(9)
式中：m为嵌入维数;t为延迟时间。
3) 计算尺度因子S下该时间序列的排列熵
m!
H；( m) = -££；lnP；o
(10)
-50 -
爆破器材
第50卷第4期
式中:号为第j次符号序列出现的概率。
SG平滑滤波基于曲线局部特征的多项式拟合, 是应用最小二乘法确定加权系数进行移动窗口加权
分量，由CEEMDAN分解得到的第k个模态分量记
为ik(t)，v为满足标准正态分布的高斯白噪声为
高斯白噪声的标准差。
2) 对信号X ( t) + e0V1 ( t )进行I次实验，通过
EMD分解获取第1个模态分量
C|
( t)
=
l I
l
ic\
( t)
o
(1)
3) 在第一阶段(k = 1),计算第1个唯一的余量信号
口( t) =x( t) -C, ( t) o
(2)
4) 进行第i次实验(i= 1,2,3,…,I)，每次实验
中,对信号ri (t) = e1 E1 [ vi ( t)]进行分解，直到获得
第1个模态分量为止，开始计算第2个模态分量
C2( t) = i £E1 { 口( t) +e1 E1 [ V ( t) ] 1 o (3)
R(t) =x(t) - YCko
(6)
k=1
原信号序列x( t)被分解为
x(t) = YCk +R(t) o
(7)
=1
7) 计算每个分量与原始信号的相关系数，并计

基于ICEEMDAN与样本熵的脑血氧信号去噪方法

基于ICEEMDAN与样本熵的脑血氧信号去噪方法曹焱;赵斌;邢志明;金子豪;董祥美;高秀敏【期刊名称】《电子科技》【年(卷),期】2024(37)6【摘要】人体生理活动和随机噪声都会对脑血氧检测数据精度产生影响,为提高测量精度,需解决信号采集时遇到的噪声干扰。

文中提出一种利用改进的具备自适应噪声的完全集成经验模态分解(Improved Complete Empirical Mode Decomposition with Adaptive Noise,ICEEMDAN)与样本熵(Sample Entropy,SampEn)相结合的脑血氧信号去噪方法。

利用ICEEMDAN对脑血氧信号进行模态分解,从而获得不同时间复杂度的固有模态函数(Intrinsic Mode Function,IMF)分量。

通过样本熵值判断各IMF分量的时间复杂度,依据IMF分量的样本熵值选择合适的分量重构信号,从而去除原始信号的噪声。

实验结果表明,所提方法可以有效去除原始脑血氧信号中的噪声,实现采集数据的精度提升,进而提高脑血氧检测精度。

【总页数】7页(P44-50)【作者】曹焱;赵斌;邢志明;金子豪;董祥美;高秀敏【作者单位】上海理工大学光电信息与计算机工程学院【正文语种】中文【中图分类】TN911.7【相关文献】1.基于样本熵的运动想象脑电信号特征提取与分类方法2.基于近似熵和样本熵的思维脑电信号分析对比3.一种基于S变换及样本熵组合特征的癫痫脑电信号分类方法4.基于ICEEMDAN-ACF的自适应MEMS陀螺信号去噪方法5.基于ICEEMDAN和分布熵的SS-Y伸缩仪信号随机噪声压制方法因版权原因，仅展示原文概要，查看原文内容请购买。

基于CEEMDAN改进阈值滤波的微机电陀螺信号去噪模型

基于CEEMDAN改进阈值滤波的微机电陀螺信号去噪模型张宁;刘友文【期刊名称】《中国惯性技术学报》【年(卷),期】2018(26)5【摘要】为了提高微机电系统(MEMS)陀螺信号的去噪效果,以自适应噪声的完备集成经验模态分解(CEEMDAN)方法为理论基础,并针对常规软阈值和硬阈值函数存在的不足,提出了一种基于改进阈值函数的CEEMDAN滤波去噪模型.该模型首先应用CEEMDAN方法将陀螺信号有效地分解为多个固有模态函数(IMF)分量;其次通过相关系数法判断噪声分量与有效分量的界限;进而对噪声分量进行阈值设置并使用改进阈值函数进行滤波处理;最后重构滤波处理后的噪声分量与有效分量以得到去噪后的信号.实际陀螺信号去噪试验结果显示:所提模型相对于CEEMDAN、集成经验模态分解(EEMD)、经验模态分解(EMD)强制去噪方法及小波分析方法,其信噪比提高了约3.9dB,均方根误差降低了约36％;所提模型相对于CEEMDAN结合软、硬阈值函数的去噪模型,均方根误差降低了30％以上.表明采用所提模型可以对MEMS陀螺输出信号进行有效去噪,提升去噪性能.【总页数】6页(P665-669,674)【作者】张宁;刘友文【作者单位】闽江学院物理学与电子信息工程学院,福州 350108;闽江学院海洋学院,福州 350108【正文语种】中文【中图分类】U666.1【相关文献】1.基于小波阈值改进算法的动调陀螺信号去噪 [J], 薛海建;郭晓松;周召发;王振业;魏皖宁2.基于小波能量元和改进双阈值函数的微流控芯片信号去噪方法研究 [J], 蔡佳辉;童耀南;李金桂;曾靖3.基于改进小波阈值-CEEMDAN算法的ECG信号去噪研究 [J], 张培玲;李小真;崔帅华4.基于CEEMDAN阈值滤波的磁场信号去噪模型 [J], 董晓芬;陈国光;田晓丽;闫小龙;赵归平5.基于CEEMDAN和小波软阈值的电能质量扰动信号去噪新方法 [J], 张震;刘明萍;张镇涛;汪庆年因版权原因，仅展示原文概要，查看原文内容请购买。

基于改进EMD的脑电信号去噪方法

基于改进EMD的脑电信号去噪方法朱晓军;吕士钦;余雪丽;樊刘娟【期刊名称】《计算机工程》【年(卷),期】2012(038)001【摘要】This paper uses the Empirical Mode Decomposition(EMD) method as the theoretical basis. A new method based on weighted similar waveform which can improve the end effects in the processing of EMD effectively. It uses the new method to denoise the Eiectroence phalogram(EEG) signals. Simulation results based on the EEG database of California Institute of Technology show the improved method can effectively remove the noise of the EEG wave, and makes the characteristics of EEG more obvious.%以经验模态分解(EMD)为理论基础,提出一种相似波形加权匹配的方法,对脑电信号(EEG)端点进行延拓,改善EMD分解过程中存在的端点效应,利用延拓后的EMD方法对EEG进行去噪.基于美国加州理工学院数据库中EEG的仿真结果表明,延拓后的EMD方法可有效去除EEG波形中的噪声部分,使EEG的特征更明显.【总页数】4页(P151-153,156)【作者】朱晓军;吕士钦;余雪丽;樊刘娟【作者单位】太原理工大学计算机科学与技术学院,太原030024;太原理工大学理学院,太原030024;太原理工大学计算机科学与技术学院,太原030024;太原理工大学计算机科学与技术学院,太原030024【正文语种】中文【中图分类】TP39【相关文献】1.基于EEMD与改进提升小波的脑电信号消噪方法 [J], 孟明;鲁少娜;马玉良2.基于小波包和改进EMD的脑电信号消噪研究 [J], 郑佳佳;郭滨3.基于EMD和Hilbert变换的心电信号去噪方法 [J], 王玉静;宋立新4.基于改进EMD的运动想象脑电信号识别算法研究 [J], 于路;薄华5.基于余弦相似的改进CEEMD脑电信号去噪方法 [J], 汤伟;耿逸飞因版权原因，仅展示原文概要，查看原文内容请购买。

基于改进小波阈值去噪和CEEMDAN-HT融合的谐波检测技术

基于改进小波阈值去噪和CEEMDAN-HT融合的谐波检测技
术
王玉梅;郑义
【期刊名称】《电子科技》
【年(卷),期】2023(36)1
【摘要】针对电网环境噪声导致自适应噪声的CEEMDAN谐波检测精度低的问题,文中提出了一种基于改进小波阈值去噪和CEEMDAN-HT融合的谐波检测技术。

利用修正因子T j自适应调整阈值,通过可调参数τ调节阈值函数软、硬特性,并将
改进的小波阈值去噪方法应用于谐波信号的预处理。

经预处理的信号再进行CEEMDAN分解,可有效抑制模态混叠束缚。

运用相关度判据去除虚假分量,并利用Hilbert变换解调包含谐波特征的分量,准确提取其幅频信息。

经MATLAB仿真可知,改进小波阈值去噪与CEEMDAN-HT的融合算法可将稳态谐波检测平均误差被控制在1%以下,暂态谐波检测平均误差被控制在2.1%以下,呈现出良好的抗噪性能。

【总页数】8页(P60-66)
【作者】王玉梅;郑义
【作者单位】河南理工大学电气工程与自动化学院
【正文语种】中文
【中图分类】TN911;TM74
【相关文献】
1.一种基于新型小波阈值去噪预处理的EEMD谐波检测方法
2.基于小目标检测的改进小波阈值去噪算法
3.改进小波阈值去噪法在谐波检测中的应用
4.改进型小波阈值去噪的AEEMD谐波检测算法
5.基于改进阈值函数小波的微电网检测信号去噪
因版权原因，仅展示原文概要，查看原文内容请购买。

基于MEEMD小波软阈值函数的去噪方法

基于MEEMD小波软阈值函数的去噪方法
李薇;白艳萍
【期刊名称】《重庆理工大学学报（自然科学版）》
【年(卷),期】2018(032)005
【摘要】结合互补集合经验模态分解(CEEMD)和基于排列熵的信号随机性检测,提出了MEEMD方法.通过采用MEEMD方法将一个含躁信号分解为几个固有模态(IMFS),用软阈值函数来抑制高频固有模态的噪声,提高信号的信噪比(SNR).对比该方法与基于EEMD和小波软阈值的联合去噪、基于CEEMD和小波软阈值联合去噪等方法得到的信噪比(SNR)和平均平方误差(MSE),发现基于MEEMD小波软阈值去噪方法的去噪效果较好.
【总页数】10页(P189-198)
【作者】李薇;白艳萍
【作者单位】中北大学理学院,太原 030051;中北大学理学院,太原 030051【正文语种】中文
【中图分类】TN911
【相关文献】
1.基于半软阈值法的图像小波去噪方法 [J], 赵继印;李先涛;赵静荣;郝志成;康朝海
2.基于渐近半软阈值函数的超声信号去噪方法 [J], 周西峰;朱文文;郭前岗
3.基于一种渐进半软阈值函数的小波去噪 [J], 吴安全;沈长圣;肖金标;孙小菡
4.基于CEEMD的小波软阈值和粗糙度惩罚平滑技术的联合信号去噪方法 [J], 李
薇;白艳萍;王鹏;姚建丽
5.基于MEEMD小波软阈值函数的去噪方法 [J], 李薇;白艳萍;
因版权原因，仅展示原文概要，查看原文内容请购买。