基于脑电信号的改进EEMD算法制造技术

本发明专利技术公开了一种基于脑电信号的改进EEMD算法，该方法首先基于脑电信号的先验知识，选取μ节律频段(8‑12Hz)和β节律频段(18‑26Hz)分别设计两个带通滤波器；利用上述带通滤波器对全带高斯白噪声进行滤波处理，得到两个带限高斯白噪声；最后在原始脑电信号中加入上述带限高斯白噪声w(t)，进行经验模式分解。应用本发明专利技术算法对脑电信号进行分解，得到了频率相对集中的固有模态函数信号，各个频段的固有模态函数得以区分，大大抑制了由于经验模式分解所带来的模态混叠问题。

Improved EEMD algorithm based on EEG signal

The invention discloses an improved EEMD algorithm based on EEG signal. Firstly, based on the prior knowledge of EEG signal, two bandpass filters are designed by selecting the frequency band (8 12Hz) and the beta rhythm band (18 26Hz), and two band limits are obtained by using the bandpass filter to filter the all band Gauss white noise. Gauss white noise. Finally, in the original EEG, the above band limited Gauss white noise w (T) is added to carry out empirical mode decomposition. Using the algorithm to decompose the EEG, the intrinsic modal function signals with relatively concentrated frequency are obtained. The intrinsic modal functions of each frequency band are distinguished, and the modal aliasing problem caused by the empirical mode decomposition is greatly suppressed.

【技术实现步骤摘要】
基于脑电信号的改进EEMD算法
本专利技术涉及基于脑电信号的改进EEMD算法，属于智能信息处理

技术介绍
经验模态分解(EmpiricalModeDecomposition,EMD)作为一种新型自适应信号时频处理方法，适用于分析处理非线性、非平稳信号。EMD算法以信号本身的局部特征为基础，通过反复筛选可以将复杂的原始信号分解成一系列有限的、数据量小的本征模态函数(IntrinsicModeFunctions,IMF)之和，然后对每个IMF进行Hilbert变换求解其瞬时频率，使得瞬时频率具有实际的物理意义，进而得到非线性、非平稳信号的时频分布。EMD算法的主要缺陷是模态混叠问题。针对该问题，集合经验模态分解算法(EnsembleEMD,EEMD)引入了噪声辅助数据分析方法(Noise-AssistedDataAnalysis,NA-DA)。当原始信号加上均匀分布的白噪声背景时，不同尺度的信号区域将自动映射到与背景白噪声相关的适当尺度，从而有效地克服了模态混叠问题。EEMD自提出以来，在机械故障诊断、语音信号处理、图像处理、海洋学、地质勘测等诸多领域得到了广泛的应用。运动想象指只进行肢体运动想象而没有实际的肢体运动。运动感知节律由μ和β节律组成，他们是大脑活动位于μ频带(7-13)和β频带(19-26Hz)的波动。当大脑的活动和运动任务相关时，感觉运动节律会发生改变，更为重要的是，仅仅进行运动想象也会反映在感觉运动节律的变化中。运动想象时，大脑感觉运动皮层会产生事件相关同步/去同步(ERS/ERD)现象，由此产生的脑电信号是一种非线性非平稳的信号。
技术实现思路
针对上述现有技术的不足，本专利技术提供基于脑电信号的改进EEMD算法，对传统的EEMD算法进行了改进。为实现上述目的，本专利技术采用如下技术方案：一种基于脑电信号的改进EEMD算法，包括如下步骤：步骤1：针对脑电信号x(t)的不同节律频段分别设计出一个带通滤波器；步骤2：利用所述带通滤波器对全带高斯白噪声进行滤波处理，得到带限高斯白噪声序列wi(t)(i＝1,2,…,N)；步骤3：在所述脑电信号x(t)中分别加入所述带限高斯白噪声序列wi(t)(i＝1,2,…,N)中的每一项，得到输入信号xi(t)＝x(t)+wi(t)，(i＝1,2,…,N)，对xi(t)进行经验模式分解，N个输入信号xi(t)分别得到n阶固有模态函数和一个剩余函数ri,n(t)；步骤4：对得到的N个输入信号的各阶固有模态函数进行集合平均，即得到脑电信号x(t)的第j阶固有模态函数cj(t)；所述脑电信号x(t)可表示为：其中，ci,j(t)表示第i次对脑电信号加入带限高斯白噪声进行经验模式分解得到的第j阶固有模态函数。优选的，所述脑电信号x(t)的不同节律频段包括μ节律频段和β节律频段，频率范围分别为8-12Hz、18-26Hz。优选的，步骤3中，所述经验模式分解的步骤包括：步骤3.1：判断每个输入信号xi(t)的局部极值，用三次样条曲线进行曲线拟合，局部极大值形成上包络emax(t)，局部极小值形成下包络emin(t)；步骤3.2：求emax(t)和emin(t)的均值：步骤3.3：计算输入信号xi(t)和m(t)的差值：ci,1(t)＝xi(t)-m(t)(4)如果ci,1(t)不能满足IMF的定义截止条件，重复步骤3.1-3.3，否则，提取ci,1(t)作为第1阶固有模态函数，剩余函数ri,1(t)计算如下：ri,1(t)＝xi(t)-ci,1(t)(5)步骤3.4：将剩余函数ri,1(t)作为新的输入信号重复步骤3.1-3.3；步骤3.5：重复步骤3.1-3.4，直至剩余函数ri,n(t)为一个单调函数或者仅有一个极值时，分解过程停止，此时N个输入信号xi(t)分别得到n阶固有模态函数ci,1(t),…,ci,n(t)和一个剩余函数ri,n(t)。优选的，所述n＝8。有益效果：应用本专利技术算法对脑电信号进行分解，得到了频率相对集中的固有模态函数信号，各个频段的固有模态函数得以区分，大大抑制了由于经验模式分解所带来的模态混叠问题。本专利技术中带限噪声的引入将单个IMF分量中多个混叠的模态有效地提取到不同的IMF中，一定程度上实现了模态的有效分离，证明该改进算法在脑电这一特殊领域中的使用是可行且有效的，可以更好地解决脑电信号EMD分解的模态混叠问题。将本专利技术算法应用于想象左右手的分类识别中，使用改进的EEMD算法可以将脑电信号各频率尽可能的区分开，使其分解得到的各个分量都以单组频率为主，有益于提取特征更加鲜明的特征向量，因此可以大大提高分类识别的准确率。附图说明图1为本专利技术方法流程图。图2为本专利技术方法中带限高斯白噪声生成图。图3为原始脑电信号时频图(上为时域图，下为频域图)。图4为经典EMD分解脑电信号的时频图(左为时域图，右为频域图)。图5为本专利技术算法分解脑电信号的时频图(左为时域图，右为频域图)。具体实施方式下面结合说明书附图对本专利技术作进一步的详细说明。如图1所示，本专利技术所述方法包括如下步骤：步骤1：基于脑电信号的先验知识，选取μ节律频段(8-12Hz)和β节律频段(18-26Hz)分别设计两个带通滤波器；步骤2：利用上述带通滤波器对全带高斯白噪声进行滤波处理，得到两个带限高斯白噪声，如图2所示；步骤3：在原始脑电信号中加入上述带限高斯白噪声，进行经验模式分解；脑电信号进行经验模式分解的具体步骤如下：(1)在脑电信号x(t)中分别加入所述带限高斯白噪声序列wi(t)(i＝1,2,…,N)中的每一项，得到输入信号xi(t)＝x(t)+wi(t)，i＝1,2,…,N，判断每个xi(t)的局部极值，用三次样条曲线进行曲线拟合，局部极大值形成上包络emax(t)，局部极小值形成下包络emin(t)。(2)求emax(t)和emin(t)的均值：(3)计算输入信号xi(t)和m(t)的差值:ci,1(t)＝xi(t)-m(t)(2)如果ci,1(t)不能满足IMF的定义截止条件，重复上述过程(1)-(3)，否则，提取ci,1(t)作为第1固有模态函数，剩余量ri,1(t)计算如下：ri,1(t)＝xi(t)-ci,1(t)(3)(4)剩余量作为一个新的数据经过相同的筛选过程以获得下一个更低频率的固有模态函数。直到剩余函数ri,n(t)为一个单调函数或者仅有一个极值时，分解过程停止。假设此时输入信号xi(t)被分解为n个固有模态函数和一个剩余函数量ri,n(t)。步骤4：对得到的各阶固有模态函数进行集合平均；其中，ci,j(t)表示第i次对原始脑电信号加入带限高斯白噪声进行经验模式分解得到的第j阶固有模态函数，cj(t)表示第j阶固有模态函数。原始输入信号x(t)的重构信号为：本实施例取前8阶固有模态函数进行算法比较。如图3所示，原始脑电信号中以12Hz和24Hz为主，并混叠有其他频率的分量；如图4所示，经典的EMD分解中，分量IMF1混叠了多个频率谐波，主要为12Hz，24Hz，分量IMF2中混叠了8Hz，12Hz；而本专利技术算法分解中，IMF1分量只包含24Hz的高频谐波分量，IMF2分量中只包含12Hz的低频谐波，如图5所示。本专利技术中带限噪声的引入将单个IMF分量中多个混本文档来自技高网...

【技术保护点】
一种基于脑电信号的改进EEMD算法，其特征在于，包括如下步骤：步骤1：针对脑电信号x(t)的不同节律频段分别设计出一个带通滤波器；步骤2：利用所述带通滤波器对全带高斯白噪声进行滤波处理，得到带限高斯白噪声序列wi(t)(i＝1,2,…,N)；步骤3：在所述脑电信号x(t)中分别加入所述带限高斯白噪声序列wi(t)(i＝1,2,…,N)中的每一项，得到输入信号xi(t)＝x(t)+wi(t)，(i＝1,2,…,N)，对输入信号xi(t)进行经验模式分解，N个输入信号xi(t)分别得到n阶固有模态函数和一个剩余函数ri,n(t)；步骤4：对得到的N个输入信号xi(t)的n阶固有模态函数进行集合平均，即得到脑电信号x(t)的第j阶固有模态函数cj(t)为：

【技术特征摘要】
1.一种基于脑电信号的改进EEMD算法，其特征在于，包括如下步骤：步骤1：针对脑电信号x(t)的不同节律频段分别设计出一个带通滤波器；步骤2：利用所述带通滤波器对全带高斯白噪声进行滤波处理，得到带限高斯白噪声序列wi(t)(i＝1,2,…,N)；步骤3：在所述脑电信号x(t)中分别加入所述带限高斯白噪声序列wi(t)(i＝1,2,…,N)中的每一项，得到输入信号xi(t)＝x(t)+wi(t)，(i＝1,2,…,N)，对输入信号xi(t)进行经验模式分解，N个输入信号xi(t)分别得到n阶固有模态函数和一个剩余函数ri,n(t)；步骤4：对得到的N个输入信号xi(t)的n阶固有模态函数进行集合平均，即得到脑电信号x(t)的第j阶固有模态函数cj(t)为：所述脑电信号x(t)可表示为：其中，ci,j(t)表示第i次对脑电信号加入带限高斯白噪声进行经验模式分解得到的第j阶固有模态函数。2.根据权利要求1所述的一种基于脑电信号的改进EEMD算法，其特征在于，所述脑电信号x(t)的不同节律频段包括μ节律频段和β节...

【专利技术属性】
技术研发人员：张学军，王龙强，何涛，成谢锋，
申请(专利权)人：南京邮电大学，南京邮电大学南通研究院有限公司，
类型：发明
国别省市：江苏,32