WPD-EEMD方法在腦電信號處理中的應用研究.pdf

1、總體經驗模態(tài)分解（Ensemble Empirical Mode Decomposition，簡稱EEMD）是針對經驗模態(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)信號分解方法。該方法基于噪聲輔助分析，通過每次向原始信號中添加一組不同的白噪聲，并將添加噪聲后的信號作為一個“總體”進行EMD處理，利用白噪聲在時頻空間上尺度均勻分布的特點，使得信號自動映射到合適的尺度中去

2、。經過多次EMD分解之后，最終對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，經過多組平均處理的噪聲將相互抵消。但EEMD的一個最大問題就是運算效率較低，當原始數(shù)據序列的長度較長時，這一弊端就會更加凸顯。針對這一問題，本文提出了一種WPD-EEMD分解方法來改善EEMD的分解效率，并以腦電信號處理為應用背景，驗證了該方法的有效性。在此過程中，本文主要做了以下幾項工

3、作:
　　 首先，腦電信號是一種典型的、包含突變信息的非平穩(wěn)信號，為了驗證EEMD在這種情況下是否有效，本文采用EEMD分解方法對非平穩(wěn)信號進行處理，驗證了EEMD在檢測突變信息、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，本文從提高信號的信噪比入手，深入研究了在腦電信號去噪領域中應用廣泛的小波去噪理論。由于小波變換只對信號的低頻部分進行細分，因此信號在高頻部分的頻率分辨率較差。但是，腦電

4、信號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)勢的腦電信號去噪方法——小波包去噪法，通過對一組公開的腦電數(shù)據進行實驗對比，驗證了小波包在腦電信號去噪方面的優(yōu)勢。
　　 最后，由于EEMD分解時加入白噪聲的次數(shù)達到上百次甚至數(shù)百次時才會取得較為滿意的結果。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，最后還需要對所有