一种用于两组不同类型信号的耦合处理方法技术

本发明专利技术提供了一种用于两种信号的耦合处理方法。将分类好的信号进行整理后，进行经验模态分解；然后对经验模态分解后的信号使用联合熵方法进行耦合计算，获得评估结果。本发明专利技术是基于经验模态分解下的联合熵对一个系统内或者两个关联系统之间的两种不同信号的耦合分析技术，具备用于多个学术领域参考的价值。与两种不同信号的联合熵的耦合处理比较，本发明专利技术所提出的基于经验模态分解下的联合熵耦合处理的结果具有较高稳定性和准确性，能提供可靠的两种信号之间耦合关系的评估结果。而且与经验模态分解下的联合熵单一处理信号结果相比较，本发明专利技术所提出的方法将两种不同信号进行耦合处理的结果具有更为明显的趋势，大大提高了分析结果的有效性。

A coupling processing method for two groups of different types of signals

The present invention provides a coupling processing method for two kinds of signals. After sorting the classified signals, empirical mode decomposition is done, then the joint entropy method is used to calculate the coupled signals after the empirical mode decomposition, and the evaluation results are obtained. The invention is based on the joint entropy of empirical mode decomposition for the coupling analysis technology of two different signals between a system or two related systems, and it has the value of reference for many academic fields. Compared with the coupling processing of the joint entropy of two different signals, the proposed joint entropy coupling processing based on empirical mode decomposition results have high stability and accuracy, and can provide reliable evaluation results of the coupling relationship between the two signals. Moreover, compared with the results of the single entropy signal processing under the empirical mode decomposition, the results of the proposed coupling method of the two kinds of signals have a more obvious trend, which greatly improves the effectiveness of the analysis results.

【技术实现步骤摘要】
一种用于两组不同类型信号的耦合处理方法
：本专利技术涉及通信领域，涉及一种用于两种信号的耦合处理方法，尤其是一种用于两组不同类型信号的耦合处理方法。
技术介绍
：联合熵作为信息统计学中的一个统计量，将动力学符号统计理论以及替代数据的概念融入其中，通过计算原始时间序列和其替代时间序列之间的联合熵，来量化序列的动力学复杂性。该方法可以有效的从短时混沌信号中提取出动力学信息，从而反映出序列动力学复杂性的强弱。经验模态分解法(EmpiricalModeDecomposition，EMD)是一种新型的自适应信号时频处理方法，由于它分解信号是依据数据自身的时间尺度特征来进行的，因此经验模态分解法在理论上可以应用于任何类型信号的分解，尤其是在分析处理非平稳非线性数据上，具有特别突出的优势。所以，经验模态分解法被提出后就很快地大量地被应用于不同的工程领域，例如在图像、大气、生物信号、机械故障、地震记录分析以及土木工程结构的模态参数识别方面。利用经验模态分解法将所述信号，分解成为有限个包含了原信号的不同时间尺度的局部特征分量。而且这些分量没有复杂的叠加波，只包含了一种震动模式。这样的，将两种同一系统内或者不同关联系统的不同信号进行分解后，再进行联合熵的耦合计算，得到耦合的结果大大提高了分析结果的有效性。目前很多系统之间或者系统内部都存在耦合、同步关系，但是如何应用这种耦合关系来考察一个系统内部的两种信号的耦合关系的变化或者两个关联系统之间的耦合关系的变化，以及应用来对两种信号之间耦合效果的监测等问题还未见提及。因此需要提出一种新的技术方案解决上述问题。而且本专利技术设计运算较为简单，实现方面有较强的可行性。
技术实现思路
：本专利技术提供了一种用于两种信号的耦合处理方法，利用经验模态分解下的联合熵来对一个系统内或者两个关联系统之间的两种不同信号的有限个本征模函数一一对应进行联合熵的耦合计算，然后进行耦合分析，得到在两种信号的耦合强度的变化和趋势，为分析一个系统内部的两种信号的耦合关系的变化或者两个关联系统之间的耦合关系的变化方面提供重要依据。本专利技术首先将有用的信号分类；然后将分类好的信号进行整理后，进行经验模态分解；最后对经验模态分解后的信号使用联合熵方法进行耦合计算，获得评估结果。无论是与两种不同信号的联合熵的耦合处理比较，还是与经验模态分解下的联合熵单一处理心电信号或者呼吸信号结果相比较，本专利技术所提出的基于经验模态分解下的联合熵耦合处理的结果具有较高稳定性和准确性，能提供可靠和有力的评估结果，而且基于经验模态分解下的联合熵将两种不同信号进行耦合处理的结果也是具有更为明显的趋势，大大提高了分析结果的有效性。本专利技术是基于经验模态分解下的信号耦合分析技术，具备用于一个系统内部的两种信号或者两个关联系统的两种信号的耦合关系变化的观察以及应用，能对两种信号之间耦合效果的监测等问题方面提供可靠评估价值。本专利技术的特点是计算方法使用方式新颖，将先进的信号处理技术、经验模态分解法与联合熵的耦合应用有机结合，计算并分析一个系统内或者两个关联系统之间的两种不同信号的耦合关系，可以作为评价两种不同信号耦合关系的一种指标，与两种不同信号所属的一个系统内或者两个关联系统个性特征和协调运作评估有密切的相关性。本专利技术得到的两种不同信号的耦合关系，为一个系统内部或者两个系统之间的指标测定及信号耦合与系统关系的评价提供了有效工具，具有非常重要的意义。本专利技术的目的是通过以下技术方案来实现的：一种用于两组不同类型信号的耦合处理方法，包括以下步骤：步骤一：将两组不同类型信号按照信号类型的不同进行分组；步骤二：检测两组不同类型信号的波群，对两组不同类型信号的波群进行整形，获取两组不同类型信号的两组序列；步骤三：将两组不同类型信号的两组序列分别进行经验模态分解，获得两组不同类型信号的本征模函数序列；步骤四：分别将两组不同类型信号的两组各个本征模函数序列进行联合熵的耦合计算，获得参数值，分析耦合程度。所述两组不同类型信号是在同一采样频率下得到的，每一组信号的序列时长和点数相同；所述两组不同类型信号是一个系统内或者两个关联系统之间的两组不同信号。所述步骤二对电信号进行放大，滤波；检测放大后的波群，剔除异搏，对波群进行整形，提取有用信息，得到电信号序列。所述两组不同类型信号分别为呼吸信号和心电信号。所述步骤三包括：将两种信号序列分别进行经验模态分解，分别得到两种信号的n个本征模函数序列。其中经验模态分解法(EmpiricalModeDecomposition，EMD)是一种新型的自适应信号时频处理方法，由于它分解信号是依据数据自身的时间尺度特征来进行的，因此经验模态分解法在理论上可以应用于任何类型信号的分解，尤其是在分析处理非平稳非线性数据上，具有特别突出的优势。所以，利用经验模态分解法将所述的两种信号序列，分解成为有限个包含了原信号的不同时间尺度的局部特征分量。而且这些分量没有复杂的叠加波，只包含了一种震动模式。经验模态分解法是将一个非线性、非平稳的时间序列进行分解，使最终结果成为有限个本征模函数(IntrinsicModeFunction，IMF)和一个残余量的形式，其表达形式如下式所示：s(t)＝∑IMF(t)+r(t)EMD方法的分解过程总结如下4个步骤：(1)设原始的时间序列为s(t)，找出其局部极大值和局部极小值。在相邻的极值间用三次样条插值函数拟合形成原始数据s(t)的上包络线U(t)和下包络线L(t)。(2)将上包络线和下包络线的均值记作m(t)，其中m(t)＝[U(t)+L(t)]/2。将平均包络从原始信号中去除得到一个新的数据序列，表示为h(t)＝x(t)-m(t)。(3)这个新的数据序列，如果还存在负的局部极大值和正的局部极小值，说明这个新的数据序列还不是一个本征模函数，需要重复上述分解过程直到满足上述要求，得到IMF(t)＝h(t)。(4)从原始时间序列中去除这个得到的IMF量，得到剩余量r(t)＝x(t)-h(t)。此时需要判断该剩余量的幅度是否小于某个预设值；该残余量已是单调函数，不再需要继续进行分解。但是第一次分解得到的残余量一般情况下不会达到上述两个标准，所以仍然需要继续分解。即令x(t)＝r(t)，然后重复上述步骤(1)～(4)，直到达到设定的残余量满足条件为止。将两种不同信号分别经过上述过程，获得两种信号的有限个本征模函数序列。所述步骤四包括：传统的计算联合熵的过程如下：(1)将时间序列转换成符号序列符号动力学在分析时间序列复杂性方面有着显著的作用。现设一个心跳时间序列为X，其中X＝{x0,x1,x2,…,xi,…,xN}，xi表示第i个心跳间期。把HRV序列X转换成符号序列S＝{s1,s2,s3,…,si,…,sN}，si∈A(A＝0,1,2,3)。具体的转换方法如下方程所示。这里i＝1,2,3,……。u代表心跳间期的平均值，a是一个特殊参数，取a＝0.05。且当a取0.04到0.07时都可得到相似的结果。但当a的取值小于0.04或大于0.07，则不能得到较为合理的统计特性。这主要是因为a的值取的过大或过小，在把原始时间序列转化成符号序列时，会导致细节信息的丢失，不能很好的捕捉到信号中的动态信息。(2)产生替代序列并转换成符号序列本文档来自技高网...

【技术保护点】
一种用于两组不同类型信号的耦合处理方法，其特征在于，包括以下步骤：步骤一：将两组不同类型信号按照信号类型的不同进行分组；步骤二：检测两组不同类型信号的波群，对两组不同类型信号的波群进行整形，获取两组不同类型信号的两组序列；步骤三：将两组不同类型信号的两组序列分别进行经验模态分解，获得两组不同类型信号的本征模函数序列；步骤四：分别将两组不同类型信号的两组本征模函数序列进行联合熵的耦合计算，获得参数值，分析耦合程度。

【技术特征摘要】
1.一种用于两组不同类型信号的耦合处理方法，其特征在于，包括以下步骤：步骤一：将两组不同类型信号按照信号类型的不同进行分组；步骤二：检测两组不同类型信号的波群，对两组不同类型信号的波群进行整形，获取两组不同类型信号的两组序列；步骤三：将两组不同类型信号的两组序列分别进行经验模态分解，获得两组不同类型信号的本征模函数序列；步骤四：分别将两组不同类型信号的两组本征模函数序列进行联合熵的耦合计算，获得参数值，分析耦合程度。2.如权利要求1所述的耦合处理方法，其特征在于：所述两组不同类型信号是在同一采集频率下得到的，每一组信号的序列时长和点数相同；所述两组不同类型信号是一个系统内或者两个关联系统之间的两组不同信号。3.如权利要求1所述的耦合处理方法，其特征在于：所述步骤二对电信号进行放大，滤波；检测放大后的波群，剔除异搏，对波群进行整形，提取有用信息，得到电信号序列。4.如权利要求1所述的耦合处理方法，其特征在于：所述两组不同类型信号分别为呼吸信号和心电信号。5.如权利要求4所述的耦合处理方法，其特征在于：所述步骤三是将两组信号序列分别进行经验模态分解，分别得到两组信号的n个本征模函数；利用检验模态分解法将所述的两组信号序列，分解成为有限个包含了原信号的不同时间尺度的局部特征分量，而且这些分量没有复杂的叠加波，只包含了一种震动模式；经验模态分解法是将一个非线性、非平稳的时间序列进行分解，使最终结果成为有限个本征模函数IMF和一个残余量的形式，其表达形式如下：s(t)＝∑IMF(t)+r(t)。6.如权利要求5所述的处理方法，其特征在于，所述步骤三中经验模态分解过程如下：(1)设原始的时间序列为s(t)，找出其局部极大值和局部极小值；在相邻的极值间用三次样条插值函数拟合形成原始数据s(t)的上包络线U(t)和下包络线L(t)：s(t)＝∑IMF(t)+r(t)；(2)将上包络线和下包络线的均值记作m(t)，其中m(t)＝[U(t)+L(t)]/2；将平均包络从原始信号中去除得到一个新的数据序列，表示为h(t)＝x(t)-m(t)；(3)这个新的数据序列，如果还存在负的局部极大值和正的局部极小值，说明这个新的数据序列还不是一个本征模函数，需要重复上述分解过程直到满足上述要求，得到IMF(t)＝h(t)；(4)从原始时间序列中去除这个得到的IMF量，得到剩余量r(t)＝x(t)-h(t)；此时需要判断该剩余量的幅度是否小于某个预设值；该残余量已是单调函数，不再需要继续进行分解；但是第一次分解得到的残余量一般情况下不会达到上述两个标准，所以仍然需要继续分解；即令x(t)＝r(t)，然后重复上述步骤(1)～(4)，直到达到设定的残余量满足条件为止；(5)将两组不同信号分别经过上述过程，获得两组信号的有限个本征模函数序列。7.如权利要求4所述的处理方法，其特征在于，所...

【专利技术属性】
技术研发人员：李锦，姚沁，
申请(专利权)人：陕西师范大学，
类型：发明
国别省市：陕西,61