基于ICA与小波阈值的癫痫脑电信号去噪方法

在癫痫性发作的自动检测中,脑电信号的去噪对检测结果起着至关重要的作用。文中提出了一种新的基于ICA与小波阈值的癫痫脑电信号去噪方法。该方法首先利用ICA将多通道癫痫脑电信号分解为若干独立分量;其次基于独立分量与脑电信号间的夹角余弦识别含噪独立分量并用小波阈值对其去噪处理;最终,在去噪后的癫痫脑电信号与原始癫痫脑电信号中提取样本熵作为脑电特征,并结合超限学习机完成癫痫性发作的自动检测。实验结果表明,在去噪后癫痫脑电信号上的分类性能均优于原始癫痫脑电信号,该文所提方法一定程度上达到了自动去除脑电噪声的效果。同时,该方法避免了去噪过程中对噪声人工辨别及干净参考噪声选取等问题。     

基于小波消噪和盲源分离的脑电信号处理方法

针对脑电信号中噪声及夹杂的眼电、心电等伪迹,采用小波分解重构消噪和基于熵估计的RADICAL算法进行消除.对3路脑电观测信号进行小波消噪和白化处理后,通过雅可比旋转矩阵分别对其中的两两组合信号用RADICAL算法进行分离,得出最优分离矩阵完成盲源分离,并引入互相关系数、矩阵相关系数验证算法的有效性.实验结果表明:源信号...     

基于奇异值分解的脑电信号去噪方法

指出了对脑电观测数据进行去噪从而提取出诱发脑电信号是临床和实验中的前沿技术之一。目前常用的平均方法需要比较多的实验次数，为缩短实验次数需要采用一些新的技术和方法．对奇异值分解方法在脑电信号去噪中的应用进行了研究．提出了3种具体的去噪算法，并给出了应用这3种算法对具体的脑电测量数据进行噪声去除的实验结果．分析实验结果表明：奇异值分解方法对脑电信号进行去噪有助于减少提取诱发信号所需的实验次数．     

基于混合阈值的清除重复间隔阈值经验模态分解去噪方法

经验模态分解(Empirical mode decomposition,EMD)被认为是一种有潜力的非线性非静态信号去噪方法。传统的经验模态分解阈值去噪在零点附近存在不连续性的缺点,Kopsinis提出了EMD-IIT和EMD-CIIT方法,但这两种方法对阈值过于敏感,即区间极值轻微的偏差就有可能导致去掉整个区间曲线,因此本文提出一种混合阈值算法,结合了EMD-DT和EMD-IT各自的优势。仿真结果表明此去噪算法具有较好的效果。     

基于改进EMD的地震信号去噪

压制随机噪声是地震数据处理过程中的一个重要环节,目前大多数去噪技术都不同程度存在去噪效果差、易损伤有效信号等问题。利用经验模态分解可将信号自适应地分解为不同特征尺度固有模态函数的优点,及小波变换模极大值滤波方法对噪声的依赖性较小且适合于低信噪比信号去噪的优势,构造了一种经验模态分解与小波变换模极大值相结合的新的去噪算法,该算法很好地实现了地震有效信号与随机噪声的分离,有效提高了地震数据信噪比。将该算法应用于仿真实验和实际地震数据处理,结果都表明该方法明显优于常规经验模态分解去噪效果。     

基于小波变换的表面肌电信号去噪方法

表面肌电信号是通过表面电极记录下来的神经肌肉活动时发放的生物电信号,它反映了神经、肌肉的功能状态。表面肌电信号在临床医学、运动医学、康复医学、神经生理学、电生理等领域被广泛应用。本文所研究的肌电信号是在右下臂上采集到的一组表面肌电信号,通过小波变换等方法对肌电信号进行去噪处理。实验表明,该方法能够有效的去除肌电信号的噪声,为下一步的信号分析打下良好的基础。     

一种改进型综合去噪算法在心音信号预处理上的研究

比较分析了小波变换去噪法和经验模态分解去噪法在心音信号去噪中的优点和缺点,并且结合它们的优缺点提出了基于EMD分解的小波去噪算法,最后将文中提出的算法分别与小波去噪法和EMD去噪法进行比较分析.实验仿真表明:该算法能有效地实现心音信号中噪声的消除,并且能很好地保留心音信号的高频特征参数,对非平稳噪声的去除表现出独到的优势.     

VMD-Wavelet 联合去噪算法研究与应用

为解决天然气管道运行过程中采集到的泄漏声波信号含有大量噪声的问题, 通过研究小波、 经验模态分解、 变模态分解等常见去噪算法, 分析了泄漏声波信号的特点, 将改进小波阈值去噪和变模态分解去噪相结合, 提出了变模态分解-小波变换(VMD-Wavelet: Variable Mode Decomposition-Wavelet) 联合去噪算法。 利用该算法对典型信号进行去噪运算仿真, 结果表明, 该联合去噪算法性能优于常见算法。 最后, 将 VMD-Wavelet 联合去噪算法应用于实际采集的油气管道泄漏声波信号去噪处理, 研究发现, 该去噪算法对强背景噪声下的泄漏声波信号能取得很高的信噪比改善和很小的均方误差。     

基于EMD的心电信号压缩算法

针对生物医学信号特别是心电信号(ECG)的特点和数据压缩需求,提出一种基于经验模态分解(EMD)方法的ECG信号压缩算法.所提算法计算简单,无需预先或后处理.以MIT-BIH标准数据库的心律失常数据作为实验数据,通过压缩比(CR)、均方根百分差异(PRD)、归一化均方根百分差异(PRDN)、均方根(RMS)、信噪比(SNR)、质量评分(QS)6个评价参数分析所提算法性能,并与基于小波分解的压缩算法进行比较.实验结果表明,所提算法具有较好的压缩比与保真度,证明了该算法的有效性.     

原子钟数据的改进经验模态分解降噪

为了提升原子钟数据降噪效果,基于经验模态分解(EMD),结合小波阈值降噪方法,提出了一种改进EMD的方法.在分析原子钟噪声模型的基础上,明确了原子钟频率数据非线性、非平稳的特点.结合EMD方法原理中固有模函数(IMF)需要满足的条件和提取步骤,利用窗口做出划分,对每一个窗口进行降噪处理,再利用小波阈值进行二次降噪,最后...     

基于小波变换的新阈值法心电信号去噪的研究

心电信号反映人体的健康状况,在采集过程中容易受到高频、低频等多种干扰,而传统小波去噪方法的效果不是很理想。提出一种基于离散小波变换的新阈值法,与传统的硬、软阈值法比较,该方法在一定程度上有效地抑制各种噪声,能够更好地保持心电信号的特征和波形幅度。并用MIT-BIH数据库对提出的新阈值法进行验证。实验结果表明所提出的算法与传统小波阈值法相比,能更好地保持心电信号的几何特征,具有更高的信噪比,取得良好的去噪效果。     

基于EMD的桩基缺陷信号去噪改进研究

针对桩基检测环境复杂,存在复杂噪声的问题.提出一种基于峭度准则和信号相关性分析的经验模态分解(EMD)去噪改进算法,通过峭度准则判断分量包含特征信息的多少,通过信号相关性分析判断分量是否为噪声分量,利用改进EMD时空去噪方法对信号进行第一次去噪,在此基础上,利用EMD小波阈值法对信号进行二次去噪,两次去噪构成本文完整的基于EMD的信号去噪改进算法.实验仿真显示该去噪方法对于桩基微弱信号在保留信号特征信息的前提下取得了显著的去噪效果.信号的去噪效果将直接影响到桩基缺陷信号的识别检测,具有重要的应用价值和研究意义.     

去除癫痫脑电信号运动伪迹的变分模态分解-自适应熵阈值方法

针对癫痫发作前期脑电信号中含有运动伪迹影响癫痫预测的问题,提出一种变分模态分解-自适应熵阈值(VMD-AET)的运动伪迹去除方法。设计了实验室环境下8种模拟运动状态,分析不同运动状态下脑电信号的变化规律;利用VMD方法获得脑电信号各频带的变分模态分量,对分量进行能量熵求解和排序;采用不同的熵阈值进行运动状态下伪迹分量的去除,比较得到能量熵的最优阈值,得到不含运动伪迹的脑电信号;采用Matlab软件使用VMD-AET方法实现了脑电信号中运动伪迹的有效去除。实验结果表明:每种运动状态均能达到去伪迹效果,在跑步时伪迹去除率和信噪比提升最高;对癫痫病人发作前期脑电信号的伪迹去除率为5.54%,信噪比提升达到10.35 dB;与常用的独立成分分析和经验模式分解的阈值法进行对比,所提VMD-AET方法的伪迹去除率和信噪比提升了1.47%和3.36 dB,可满足对移动脑电运动干扰的预处理要求。     

基于多重自相关的局部放电信号小波去噪分解层数确定方法

测量系统的白噪声给电气设备局部放电信号的准确测量带来困难.小波阈值法是常用的去噪方法,其分解层数的选择会影响去噪效果.利用小波分析Mallat算法频带划分原理,提出了一种基于多重自相关的小波分解层数确定方法.仿真实验结果证明,针对混有测量系统白噪声的电气设备局部放电信号,基于所提出的分解层数确定方法使用小波阈值法可以取得较好的去噪效果.     

基于EEMD和ICA的语音去噪方法

语音去噪技术是语音识别系统走向实用化的一个关键性难题.针对语音信号为非平稳信号的特点,提出了一种基于EEMD和ICA相结合的语音去噪方法,首先利用集合经验模态分解(EEMD)算法将含噪语音信号分解为若干个独立的固有模态函数(IMF),消除了经验模态分解(EMD)算法处理语音信号时产生的模态混迭现象;然后将固有模态函数通过改进的独立分量分析(ICA)算法分离出若干个有效的语音信号分量;最后对其进行语音重构,从而达到消除噪声干扰的目的.实验结果表明,该方法在输入信噪比为-10dB的汽车噪声条件下,可以将语音信号的信噪比提高到2.741 2 dB.     

基于离散平稳小波变换的心电信号去噪方法

本文提出一种基于离散平稳小波变换的心电信号去噪方法,通过对心电信号进行多层离散平稳小波变换,根据噪声的不同来源及其频带分布特点,对变换后的细节信号采用不同的去噪方案。该方法能有效克服传统离散正交小波变换去噪时容易产生Gibbs现象,从而达到保持心电波形特征且抑制噪声的双重目的。     

改进的小波阈值去噪方法在MEMS陀螺上的应用

针对MEMS陀螺由于结构瑕疵和信号处理技术的不足而导致存在较大的随机误差,采用改进的小波阈值去噪方法以提高MEMS陀螺测量精度。通过对软阈值函数和硬阈值函数的缺陷进行分析,设计了改进的阈值函数。改进的阈值函数相对于硬阈值函数具有连续性的优势,相对于软阈值函数可以减小常值误差。根据不同阈值去噪方案在陀螺静态数据上的去噪效果,确定了最终的阈值去噪方案。将此方案应用在MEMS陀螺的动静态数据中,实验结果表明:MEMS陀螺输出信号的标准差减小了一个数量级,平均值更加接近真实值,所提出的采用改进的小波阀值去噪方法取得了很好的去噪效果。     

基于小波包分解和近似熵的脑电信号分类

为提高脑电信号分类准确率,提出基于小波包分解和近似熵相结合的特征提取方法。该方法利用小波包对信号的低频和高频进行分解,用近似熵对得到的叶子结点进行计算得到特征值,然后将其输入支持向量机进行分类。实验结果表明,该方法在两种思维结合识别中正确率最高达到了97.37%,取得了较好的分类效果。     

基于小波变换的一种心电信号去噪算法

小波变换是一种新出现的信号的时间-尺度（时间-频率）分析方法，是一种非常有用的工具。就去噪来说基于小波去噪的方法有多种，本文在心电去噪的过程中提出了一种基于小波阈值去噪的方法，原理简单，计算量小，效果良好。     

基于形态学和提升小波的心电信号去噪方法研究

心电信号是一种典型的微弱信号,含有大量噪声,还具有强烈的非线性和非平稳性.针对传统小波计算量大,很难同时将心电信号中高频和低频噪声去除的问题,提出一种结合形态学与提升小波阈值去噪的算法,通过形态学滤波器去除信号的低频噪声,提升小波阈值去噪法去除信号中的高频噪声.经过对MIT-BIH心律失常数据库中的心电信号进行仿真,结果表明,结合形态学算法与提升小波去噪算法的去噪方法,能同时有效去除信号中的低频和高频噪声,提高了心电信号的质量.