基于EEMD和小波阈值的运动想象脑电信号消噪方法技术

技术编号:14985323 阅读:168 留言:0更新日期:2017-04-03 17:15
本发明专利技术涉及一种基于EEMD和小波阈值的运动想象脑电信号消噪方法。本发明专利技术首先,对原始信号进行EEMD分解,得到一系列IMF分量;其次,采用新的阈值函数和阈值选取方法改进传统的小波阈值法;然后,使用改进的小波阈值法对高频IMF分量进行处理;最后,将处理后的IMF分量和其他的IMF分量重构得到消噪后的运动想象EEG信号。本发明专利技术优点在于既保留了高频分量中的有效信息,同时又减少了小波阈值法对弱能量有效信号的压制,去除大量噪声的同时又保留了大部分的有用的细节信息,为下一步的运动想象脑电信号特征提取和模式识别奠定良好的基础。

【技术实现步骤摘要】

本专利技术涉及运动想象脑电信号预处理方法,特别涉及基于EEMD和小波阈值算法对运动想象脑电信号消噪的方法。
技术介绍
运动想象脑电信号近些年常用于脑-机接口系统。由于其显著的非平稳性和非线性,而且信号幅值十分微弱,只有5~150微伏,频率低至几十赫兹以下,极易被眼电,心电,工频干扰,电磁干扰等大量外界干扰信号淹没,这给这类脑-机接口系统的研究带来了很大的挑战。因此,有效的信号消噪处理在研究中就显得十分重要。小波分析因为其多分辨率和良好的时频局域化的特性,所以常用于处理随机信号。而小波阈值法就常用于信号消噪,但受其测不准原理的限制,而且当噪声频率和信号频率较为接近时,常会损失部分有用高频信息,从而导致信号失真。集合经验模态分解是Wu和Huang在EMD基础上进行改进的。它通过加入白噪声改善信号的极值点分布,能有效的改善EMD的模式混叠现象,大幅提高信号的信噪比。
技术实现思路
本专利技术的目的是结合EEMD和小波阈值法各自的优势,提出一种基于EEMD和改进小波阈值的运动想象脑电信号消噪方法。本专利技术的目的可以通过以下技术方案实现:基于EEMD和小波阈值的运动想象脑电信号消噪方法,该方法包括以下步骤:步骤1、选取添加的噪声次数M和添加的白噪声序列幅值系数k,对原始运动想象脑电信号进行EEMD分解,得到一系列从高到低的固有模态函数IMF分量;步骤2、选取阈值函数和阈值对前几项高频IMF分量进行消噪处理;步骤3、将小波阈值消噪后的IMF分量与其他IMF分量进行重构,得到消噪后的运动想象脑电信号。作为优选,步骤1中添加的噪声次数M和添加的白噪声序列幅值系数k的选取方法为:往原始信号中添加均值为零,标准差为常数的白噪声,重复该步骤M次;而M的值由如下所示公式确定:e=k/M.]]>其中,k为添加的白噪声序列幅值系数,e定义为输入信号与加噪分解后所有IMF和的标准差,其值越小证明分解精度越高。作为优选,对原始运动想象脑电信号进行EEMD分解,得到一系列从高到低的固有模态函数IMF分量的步骤为:(1)对M次加入白噪声的信号都分别进行EMD分解,得到各自不同的IMF分量和一个余项;(2)对M次分解对应的IMF进行总体平均运算,得到最终EEMD分解后的一系列从高到低的固有模态函数IMF分量。作为优选,步骤2中所述的阈值函数为d^ij=sgn(dij][|dij|-λjexp(|dij|-λja)]|dij|≥λj0|dij|<λj.]]>式中,dij为分解得到的第j层尺度上的第i个小波系数值,为阈值处理后第j层尺度上的第i个小波系数值,a为正常数;阈值选取规则为:λj+1=22λj.]]>其中,λj为第j层分解尺度的阈值;而第一层分解尺度的阈值确定选用长度对数阈值法,公式如下所示:λ1=(2logN)1/2log(j+1)δ;δ=median(|d1|)0.6745.]]>其中N为信号长度,j为小波分解尺度,δ为噪声标准方差,d1为第一层分解尺度上的小波系数值。本专利技术的有益效果:将基于EEMD和改进小波阈值相结合的消噪效果与单纯使用EEMD分解消噪、单独使用改进小波阈值消噪、EMD与改进小波阈值法相结合的消噪效果对比,结果表明,使用该方法对消除运动想象脑电信号中的噪声效果较好,能进一步提高信号的信噪比SNR,减少均方根误差RMSE。附图说明图1为原始C3通道的MI脑电信号;图2为不同k取值的SNR和RMSE值(M=100);图3为不同M取值的SNR和RMSE(k=0.5);图4为EEMD分解后的各IMF分量;图5为四种方法的消噪效果对比图;具体实施方式以下结合附图对本专利技术作进一步说明。本专利技术包括以下步骤:步骤1.选取添加的噪声次数M和添加的白噪声序列幅值系数k,对原始运动想象脑电信号进行EEMD分解,得到一系列从高到低的固有模态函数IMF分量;步骤2.选取阈值函数和阈值进行对含噪声较大的前几项高频IMF分量进行消噪处理;步骤3.将小波阈值消噪后的IMF分量与其他IMF分量进行重构,得到消噪后的运动想象脑电信号。其中步骤1中EEMD分解的具体步骤如下:(1)往原始信号中添加均值为零,标准差为常数的白噪声,重复该步骤M次。而M的值由如下所示公式确定:e=k/M.]]>其中,k为添加的白噪声序列幅值系数,e定义为输入信号与加噪分解后所有IMF和的标准差,其值越小证明分解精度越高。从图2、图3中可以发现,综合考虑消噪效果和计算时间,选用M为100,k为0.5最为合适。(2)对每次加入白噪声的信号都分别进行EMD分解,得到各自不同的IMF分量和一个余项;(3)对M次分解对应的IMF进行总体平均运算,得到最终EEMD分解后的IMF分量。分解后IMF分量如图4所示。从图4中可以发现噪声主要集中在第一个高频分量中,故选取第一个IMF分量作小波阈值消噪处理。其中步骤2中所述的阈值函数和阈值的选取中,本专利技术的改进阈值函数的数学表达式为:d^ij=sgn(dij)[|dij|-λjexp(|dij|-λja)]|dij|≥λj0|dij|<λj.]]>式中,dij为分解得到的第j层尺度上的第i个小波系数值,为阈值处理后第j层尺度上的第i个小波系数值,a为正常数。由于上述阈值函数在±λij处是连续的,且当小波系数的绝对值满足|dij|时,阈值函数高阶可导。所以该方法可更有效地保留信号有效信息且保证信号的连续性。改进的阈值选取规则为:λj+1=22λj.]]>其中,λj为第j层分解尺度的阈值。而第一层分解尺度的阈值确定选用长度对数阈值法,公式如下所示:λ1=(2logN)1/2log(j+1)δ;δ=median(|d1|)0.6745.]]>其中N为信号长度,j为小波分解尺度,δ为噪声标准方差,d1为第一层分解尺度上的小波系数值。步骤3中将小波阈值消噪后的IMF分量与其他IMF分量进行重构,得到消噪后的运动想象脑电信号。以信噪比(SNR)和均方根误差(R本文档来自技高网...

【技术保护点】
基于EEMD和小波阈值的运动想象脑电信号消噪方法,其特征在于该方法包括以下步骤:步骤1、选取添加的噪声次数M和添加的白噪声序列幅值系数k,对原始运动想象脑电信号进行EEMD分解,得到一系列从高到低的固有模态函数IMF分量;步骤2、选取阈值函数和阈值对前几项高频IMF分量进行消噪处理;步骤3、将小波阈值消噪后的IMF分量与其他IMF分量进行重构,得到消噪后的运动想象脑电信号。

【技术特征摘要】
1.基于EEMD和小波阈值的运动想象脑电信号消噪方法,其特征在于该方
法包括以下步骤:
步骤1、选取添加的噪声次数M和添加的白噪声序列幅值系数k,对原始
运动想象脑电信号进行EEMD分解,得到一系列从高到低的固有模态函数IMF
分量;
步骤2、选取阈值函数和阈值对前几项高频IMF分量进行消噪处理;
步骤3、将小波阈值消噪后的IMF分量与其他IMF分量进行重构,得到消
噪后的运动想象脑电信号。
2.根据权利要求1所述的基于EEMD和小波阈值的运动想象脑电信号消
噪方法,其特征在于:步骤1中添加的噪声次数M和添加的白噪声序列幅值
系数k的选取方法为:
往原始信号中添加均值为零,标准差为常数的白噪声,重复该步骤M次;
而M的值由如下所示公式确定:
e=k/M.]]>其中,k为添加的白噪声序列幅值系数,e定义为输入信号与加噪分解后
所有IMF和的标准差,其值越小证明分解精度越高。
3.根据权利要求1所述的基于EEMD和小波阈值的运动想象脑电信号消
噪方法,其特征在于:对原始运动想象脑电信号进行EEMD分解,得到一系列
从高到低的固有模态函数IMF分量的步骤为:
(1)对M次加入白噪声的信号都...

【专利技术属性】
技术研发人员:马玉良蔡慧佘青山张卫张启忠
申请(专利权)人:杭州电子科技大学
类型:发明
国别省市:浙江;33

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1