论文部分内容阅读
Hilbert-Huang变换是美籍华人Norden E. Huang提出的一种全新的时频分析方法,非常适合处理非线性非平稳信号,具有广阔的应用前景和较高的研究价值。它主要包括两个部分:一个是经验模式分解,另一个是希尔伯特谱分析,其核心是经验模式分解。虽然经验模式分解可以根据信号本身的特点实现自适应地分解,得到一系列固有模态函数。但是,当信号中含有间断的高频干扰时,由于模态混叠问题的存在,经验模式分解的结果会受到很大的影响,严重时会使分解的结果失去物理意义。本文首先回顾了经典的噪声辅助经验模式分解算法解决模态混叠问题的方法,详细阐述了它们的基本概念和基本原理,包括集合经验模式分解、互补集合经验模式分解、自适应噪声集合经验模式分解三种算法。其中,自适应噪声集合经验模式分解算法是Patrick Flandrin团队为了减小集合经验模式分解重构误差、减小筛选次数和获得更好的模态分量,在集合经验模式分解的基础上提出的一种新算法。该算法在分解的过程和添加的噪声类型两方面进行了改进,获得了较好的分解结果。虽然上述这些算法在解决模态混叠问题上取得了一些效果,但是它们仍然存在一些问题,例如理论部分仍然不够成熟,仅仅停留在算法过程的描述上。针对这些算法缺乏严格的数学理论的缺陷,本文从分解的过程出发,尝试从数学理论上深入分析,推导了重构误差及残留在重构信号中剩余噪声的计算公式。针对自适应噪声集合经验模式分解算法由于集合平均次数的限制,导致固有模态函数中仍然存在残留噪声的问题,本文在自适应噪声集合经验模式分解算法的基础上,提出了一种互补自适应噪声的集合经验模式分解算法,在分解的过程中成对地添加正负的自适应噪声。仿真实验结果表明,该算法可以减小残留在固有模态函数中的剩余噪声。本文最后研究了互补自适应噪声的集合经验模式分解算法在ECG信号处理上的应用。针对ECG信号中存在的基线漂移影响正常的医学诊断的问题,提出了基于互补自适应噪声集合经验模式分解的基线漂移校正算法。首先采用提出的互补自适应噪声的集合经验模式分解算法对ECG信号进行分解,然后通过过零率阈值自适应地从固有模态分量中选择基线漂移信号。实验结果表明,提出的基线漂移抑制方法可以有效地抑制ECG信号的基线漂移。