一种改进经验模态分解排列熵的心磁信号去噪方法技术

本发明专利技术涉及一种改进经验模态分解排列熵的心磁信号去噪方法，包括如下步骤：(1)将基于超导量子干涉仪测量获得的心磁信号进行改进的CEEMDAN，得到系列从高频到低频的固有模态分量IMF；(2)计算各IMF排列熵，用排列熵定量检测保留含心磁信号特征的有效IMF分量；(3)根据排列熵，确定噪声的IMF分量与包含心磁信号特征的有效IMF分量；(4)对噪声IMF分量利用加窗函数作处理，去除噪声量，保留有效量。本发明专利技术能高效的分离心磁信号的有效成分和噪声成分，且能有效克服模态混叠现象。通过排列熵检测和加窗降噪处理有效地去除白噪声，从而降低干扰，实现人体心磁信号中的白噪声去除。实现人体心磁信号中的白噪声去除。实现人体心磁信号中的白噪声去除。

【技术实现步骤摘要】
一种改进经验模态分解排列熵的心磁信号去噪方法


[0001]本专利技术涉及生物医学工程心磁信号去噪处理
，具体涉及一种基于改进CEEMDAN排列熵的心磁分解去噪方法。

技术介绍

[0002]心脏病与癌症、脑血管疾病齐名，是危害人体的主要疾病，目前，主要使用心电图(electrocardiogram,ECG)来检测分析心电活动。但是心电图无法以空间的形式掌握心脏活动。随着磁传感器件的发展，具有高灵敏度的超导量子干涉仪(superconductive quantum interference device,SQUID)磁传感器被应用于心脏磁场信号的检测。心磁图(magnetocardiogram,MCG)信号的测量是在三维空间进行的，相较于ECG可以反映心脏活动的空间信息，得到更多的数据信息，同时具有更高的分辨率，从而实现更精确的诊断。
[0003]心磁信号属于典型的非平稳性、非线性信号，采集过程中受到较强的背景噪声干扰。为了减弱噪声，超导量子干涉仪在磁屏蔽室进行数据采集，通过这种硬件方法可以屏蔽大部分噪声干扰。但是仍然会存在来自测量仪器和环境的宽频带白噪声干扰，因此可行的软件滤波方案来消除噪声的影响具有非常重要的现实意义。
[0004]小波变换是处理非平稳信号的常见方法，但是目前没有针对MCG特性的小波基函数，寻找合适的小波基函数较为复杂。经验模态分解(empirical mode decomposition，简称EMD)能够依据数据本身的时间尺度特征来进行模态分解，分解的过程保留了数据本身的特性。克服了小波变换中需要选择小波函数的困难，适用于分析非线性、非平稳的心磁信号，但存在模态混叠问题。Wu等对EMD进行了改进，提出集总经验模态分解(ensemble empirical mode decomposition，简称EEMD)EEMD在一定程度上有效缓解EMD分解模态混叠现象，但由于EEMD分多次加入不同的频段高斯白噪声，信号加噪声的不同实现可能产生不同数量的IMF，使得最终平均变得困难，且引入的白噪声无法完全抵消。存在迭代运行高、计算效率低的问题。自适应噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise，CEEMDAN)在执行分解的各阶段添加自适应的高斯白噪声，解决了EEMD添加随机噪声的不足，可以很好地消除添加噪声对原始信号完备性的影响。尽管如此，CEEMDAN仍有一些值得改进的地方：进一步缓解模态混叠现象以及提高分解效率方面。
[0005]随着熵理论的发展，排列熵(permutation entropy，简称PE)被提出，其具有计算量少、鲁棒性强等特点，可以用于检测时间序列随机性、复杂性以及振动信号突变，目前在机械故障诊断领域初步应用。熵值的大小反映的是非线性数据序列的随机程度，用排列熵定量检测保留含心磁信号特征的有效IMF分量。
[0006]在心磁信号去噪中，对于含噪声IMF分量处理，可以使用强制消噪处理，即直接将含噪声IMF分量去除，但是强制消噪会丢失信号的有用成分；通过设定阈值的消噪处理的方法，阈值的选取规则和阈值函数的设计不易，效率低，难以实现良好的去噪效果。通过文献分析知，含噪IMF除噪声成分外，还含有部分含有QRS波有用成分，通过加窗保留QRS波有效
成分，去除噪声成分的方法，实现有效去噪。

技术实现思路

[0007]本专利技术的目的在于提供一种改进CEEMDAN排列熵的心磁分解去噪方法，实现了心磁信号中主要噪声分量白噪声的有效去除。
[0008]为实现上述目的，本专利技术采用了以下技术方案：
[0009](1)将心磁信号进行改进的CEEMDAN，得到系列从高频到低频的IMF；
[0010](11)先将离散心磁信序列进行峰值归一化在x(n)中加入EMD后的高斯白噪声，对应的信号表示为：x
(i)
(n)＝x(n)+ε0E1(ω
(i)
(n))，
[0011]其中x
o
(n)为原始离散心磁信号序列，n＝1，2，
…
为采样量，x
max
为心磁信号的峰值，x(n)为峰值归一化后的离散心磁信号序列，w
(i)
(n)为加入的第i组高斯白噪声，i＝1,
…
,I表示总共添加了I组高斯白噪声，E1(ω
(i)
(n))为经过EMD方法分解高斯白噪声w
(i)
(n)产生的第一个模态分量，ε0为加入噪声分量时所乘的系数，该系数代表的是加入噪声的信噪比与该噪声分量标准差之比；
[0012](12)在第一阶段(k＝1)，计算I次求均值得到第一个残余分量:r1＝<M(x
(i)
(n))>，定义第一个固有模态分量：IMF1＝x(n)
‑
r1，
[0013]其中：r1为第一个残余分量，<>为对该符号内的分量求平均，M()为求括号内分量的局部均值，IMF1为第一个固有模态分量，x(n)为峰值归一化后的离散心磁信号序列；
[0014](13)在第二阶段(k＝2)，第二个残余分量为r2＝<M(r1+ε1E2(ω
(i)
(n)))>
[0015]定义第二个固有模态分量:IMF2＝r1‑
r2＝r1‑
<M(r1+ε1E2(ω
(i)
(n)))>
[0016]其中：r2为第二个残余分量，r1为第一个残余分量，<>为对该符号内的分量求平均，M()为求括号内分量的局部均值，ε1为加入噪声分量时所乘的系数，E2(ω
(i)
(n))为经过EMD方法分解高斯白噪声w
(i)
(n)产生的第二个模态分量，IMF2为第二个固有模态分量，w
(i)
(n)为加入的第i组高斯白噪声；
[0017](14)对于第k个残余分量(k＝3,
…
,K，K为分解总个数):
[0018]r
k
＝<M(r
k
‑1+ε
k
‑1E
k
(ω
(i)
(n)))>，第k个模态分量IMF
k
＝r
k
‑1‑
r
k
；
[0019]其中，r
k
为第k个残余分量，r
k
‑1为第k
‑
1个残余分量，<>为对该符号内的分量求平均，M()为求括号内分量的局部均值，ε
k
‑1为加入噪声分量时所乘的系数，E
k
(ω
(i)
(n))为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进经验模态分解排列熵的心磁信号去噪方法，其特征在于，包括如下步骤：(1)将心磁信号进行改进的CEEMDAN，得到系列从高频到低频的固有模态分量IMF；(2)计算各IMF排列熵，用排列熵定量检测保留含心磁信号特征的有效IMF分量；(3)根据排列熵，确定噪声的IMF分量与包含心磁信号特征的有效IMF分量；(4)对噪声IMF分量利用加窗函数作处理，去除噪声量，保留有效量。2.根据权利要求1所述的基于改进CEEMDAN排列熵的心磁分解去噪方法，其特征在于：步骤(1)中，所述将心磁信号进行改进的CEEMDAN，得到系列从高频到低频的IMF，具体包括如下步骤：(11)先将离散心磁信序列进行峰值归一化在x(n)中加入经验模态分解后的高斯白噪声，对应的信号表示为：x
(i)
(n)＝x(n)+ε0E1(ω
(i)
(n))式中，x
o
(n)为原始离散心磁信号序列，n＝1，2，
…
为采样量；x
max
为心磁信号的峰值；x(n)为峰值归一化后的离散心磁信号序列；w
(i)
(n)为加入的第i组高斯白噪声，i＝1,
…
,I表示总共添加了I组高斯白噪声；E1(ω
(i)
(n))为经过EMD方法分解高斯白噪声w
(i)
(n)产生的第一个模态分量；ε0为加入噪声分量时所乘的系数，该系数代表的是加入噪声的信噪比与该噪声分量标准差之比；(12)计算每个阶段的残余分量：r
k
＝<M(r
k
‑1+ε
k
‑1E
k
(ω
(i)
(n)))>；其中，r
k
为第k个残余分量，r
k
‑1为第k
‑
1个残余分量，<>为对该符号内的分量求平均，M()为求括号内分量的局部均值，ε
k
‑1为加入噪声分量时所乘的系数，E
k
(ω
(i)
(n))为经过EMD方法分解高斯白噪声w
(i)
(n)产生的第k个模态分量，w
(i)
(n)为加入的第i组高斯白噪声；(13)每个阶段的固有模态分量：IMF
k
＝r
k
‑1‑
r
k
；其中，r
k

【专利技术属性】
技术研发人员：陈波，沈道贤，孙辉，肖洒，庄远，江斌，朱众望，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：