WPD-EEMD方法在腦電信號(hào)處理中的應(yīng)用研究.pdf

1、總體經(jīng)驗(yàn)?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition，簡稱EEMD）是針對(duì)經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition，簡稱EMD）中存在的模態(tài)混疊問題提出的一種非平穩(wěn)信號(hào)分解方法。該方法基于噪聲輔助分析，通過每次向原始信號(hào)中添加一組不同的白噪聲，并將添加噪聲后的信號(hào)作為一個(gè)“總體”進(jìn)行EMD處理，利用白噪聲在時(shí)頻空間上尺度均勻分布的特點(diǎn)，使得信號(hào)自動(dòng)映射到合適的尺度中去

2、。經(jīng)過多次EMD分解之后，最終對(duì)得到的多組固有模態(tài)函數(shù)(Intrinsic Mode Function，簡稱IMF)分量求平均，由于白噪聲的零均值特性，經(jīng)過多組平均處理的噪聲將相互抵消。但EEMD的一個(gè)最大問題就是運(yùn)算效率較低，當(dāng)原始數(shù)據(jù)序列的長度較長時(shí)，這一弊端就會(huì)更加凸顯。針對(duì)這一問題，本文提出了一種WPD-EEMD分解方法來改善EEMD的分解效率，并以腦電信號(hào)處理為應(yīng)用背景，驗(yàn)證了該方法的有效性。在此過程中，本文主要做了以下幾項(xiàng)工

3、作:
　　 首先，腦電信號(hào)是一種典型的、包含突變信息的非平穩(wěn)信號(hào)，為了驗(yàn)證EEMD在這種情況下是否有效，本文采用EEMD分解方法對(duì)非平穩(wěn)信號(hào)進(jìn)行處理，驗(yàn)證了EEMD在檢測(cè)突變信息、改善模態(tài)混疊方面的有效性。
　　 其次，為了能夠有效改善EEMD的分解效率，本文從提高信號(hào)的信噪比入手，深入研究了在腦電信號(hào)去噪領(lǐng)域中應(yīng)用廣泛的小波去噪理論。由于小波變換只對(duì)信號(hào)的低頻部分進(jìn)行細(xì)分，因此信號(hào)在高頻部分的頻率分辨率較差。但是，腦電

4、信號(hào)中通常都包含一些高頻突變信息，小波去噪容易造成這些突變信息的丟失。因此，本文探究了在保留高頻突變特征方面更具優(yōu)勢(shì)的腦電信號(hào)去噪方法——小波包去噪法，通過對(duì)一組公開的腦電數(shù)據(jù)進(jìn)行實(shí)驗(yàn)對(duì)比，驗(yàn)證了小波包在腦電信號(hào)去噪方面的優(yōu)勢(shì)。
　　 最后，由于EEMD分解時(shí)加入白噪聲的次數(shù)達(dá)到上百次甚至數(shù)百次時(shí)才會(huì)取得較為滿意的結(jié)果。每加入一次白噪聲，就執(zhí)行一次EMD分解，隨著加入白噪聲數(shù)目的增大，EMD分解的次數(shù)就隨之增多，最后還需要對(duì)所有