CN102697495A - 基于总体平均经验模式分解的二代小波肌电信号消噪方法 - Google Patents

基于总体平均经验模式分解的二代小波肌电信号消噪方法 Download PDF

Info

Publication number
CN102697495A
CN102697495A CN2012101614800A CN201210161480A CN102697495A CN 102697495 A CN102697495 A CN 102697495A CN 2012101614800 A CN2012101614800 A CN 2012101614800A CN 201210161480 A CN201210161480 A CN 201210161480A CN 102697495 A CN102697495 A CN 102697495A
Authority
CN
China
Prior art keywords
signal
signals
wavelet
decomposition
electromyographic signal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2012101614800A
Other languages
English (en)
Other versions
CN102697495B (zh
Inventor
席旭刚
罗志增
张启忠
高发荣
佘青山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN 201210161480 priority Critical patent/CN102697495B/zh
Publication of CN102697495A publication Critical patent/CN102697495A/zh
Application granted granted Critical
Publication of CN102697495B publication Critical patent/CN102697495B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及一种基于总体平均经验模式分解的二代小波肌电信号消噪方法。本发明采用基于总体平均经验模式分解的二代小波消噪方法，获取人体的肌电信号样本数据，对原始的肌电信号加入白噪声后进行经验模态分解，然后对高频的内蕴模式函数分量进行二代小波分解及阈值处理，小波重构高频分量。最后把经过处理的高频分量与低频分量进行叠加，重构后的信号即为去噪信号。本发明将信号自适应地分解到不同的尺度上，适合非线性、非平稳信号的处理，不仅具有小波分析的全部优点，还有更清晰准确的谱结构，并能改善信号的极值点分布，具有抗混分解能力，既尽可能地保存了有用信号，又有效地消除了噪声，并且能够大幅提高信号信噪比。

Description

基于总体平均经验模式分解的二代小波肌电信号消噪方法
技术领域
本发明属于信号消噪领域，涉及一种基于总体平均经验模式分解的二代小波肌电信号消噪方法。
背景技术
肌电信号（EMG）是人体自主运动过程中神经肌肉活动发出的生物电信号在体表的综合反映，已在临床、运动医学等领域被广泛的研究。同时由于其与肌肉的活动状态和功能状态之间存在着不同程度的关联性，在一定程度上反映神经肌肉的活动，因而成为了人工假肢和功能性神经电刺激的理想控制信号。
但是，由于肌电信号通常是在皮肤表面募集的，是一种非线性非平稳信号,有用能量主要分布在0-500 Hz之间，非常微弱,因而不可避免地会夹杂着生理噪声。同时，在拾取及处理过程中，存在外界或电路内部因素的干扰，使得实际采集的肌电信号是被污染的信号，如果直接用其作为控制源对假肢实施动作控制，就会造成不可挽回的损失。因而探索一种能将夹杂在采集信号中噪声的滤去方法是很有必要的。
目前已有的肌电信号消噪方法主要包括以下几种：
1、传统傅里叶变换滤波
肌电信号表现出明显的非线性、非平稳特性，给信号降噪和特征提取取带来了很大困难。传统傅里叶变换是建立在信号平稳性假设条件下的一种时域和频域的全局性变换，对于分析基于平稳信号或准平稳过程的信号十分有效，但其不能很好地揭示非平稳信号的特征。
2、小波变换
小波变换是近年来出现的新的时频分析方法，在生物医学信号处理中已得到了广泛的应用。小波消噪的方法大概可以分为三大类：第一类方法是基于小波变换模极大值原理的，最初由Mallat提出，即根据信号和噪声在小波变换各个尺度上的不同传播特性，剔除由噪声产生的模极大值点，保留信号所对应的模极大值点，然后利用所余模极大值点重构小波系数，进而恢复信号；第二类方法是对含噪信号作小波变换之后，计算相邻尺度间小波系数的相关性，根据相关性的大小区分小波系数的类型，进行取舍，然后直接重构信号；第三类方法是Donoho提出的阈值方法，该方法认为信号的小波系数是一致分布的，个数较多，但幅值小。基于这一思想，Donoho等人提出了软阈值和硬阈值去噪方法，即在众多小波系数中，把绝对值较小的系数置为零，而让绝对值较大的系数保留或收缩，分别对应于硬阈值和软阈值方法，得到估计小波系数，然后利用估计小波系数直接进行信号重构，即可达到去噪的目的。
小波变换具有良好的时频局部化特性，使其在肌电信号处理中得到广泛应用。但小波分析本质上是一种窗口可调的傅里叶变换，存在小波基选择困难，参数敏感和平稳性假设等问题，且一旦小波基被选定之后，就必须用小波基分析整个信号，缺乏自适应性。
3、经验模态分解（EmpiricalMode Decomposition，EMD）方法则是一种新的具有自适应性的时频分析方法，可根据信号的局部时变特性进行自适应的时频分解，比较适合对非线性、非平稳的肌电信号进行处理，但其重要缺陷就是产生模式混淆现象。
综上所述，已有的肌电信号消噪方法都存在不足之处。
发明内容
本发明的目的就是针对现有技术的不足，提出一种基于总体平均经验模式分解(Ensemble empirical mode decomposition ,EEMD)的二代小波变换肌电信号消噪新方法。总体平均经验模式分解方法本质上是一种借助于噪声的信号处理方法，由于在不连续的信号中，高频成分的极值点间隔分布密集，低频成分的极值点间隔分布稀疏，通过将白噪声加入到被分析的信号中，能够改变信号低频成分的极值点分布特性，使信号在整个频带中极值点间隔分布均匀，也保证了每次对信号进行准确求取上、下包络的局部均值，从而达到在经验模式分解中避免模式混淆的目的。
首先对信号加入白噪声处理后进行经验模态分解（EMD），然后对高频的内蕴模式函数(IMF)分量进行二代小波分解及阈值消噪处理，把经过处理的高频IMF分量与低频IMF分量进行叠加，重构后的信号即为去噪信号。
为了实现以上目的，本发明方法主要包括以下步骤：
步骤一，在含噪原始肌电信号                                               
Figure 2012101614800100002DEST_PATH_IMAGE002
中多次加入具有均值为零、标准差为常数的白噪声
Figure 2012101614800100002DEST_PATH_IMAGE004
, 即 
Figure 2012101614800100002DEST_PATH_IMAGE006
式中，
Figure 923763DEST_PATH_IMAGE002
原始肌电信号，信号长度记为
Figure 2012101614800100002DEST_PATH_IMAGE008
,
Figure 2012101614800100002DEST_PATH_IMAGE010
为第
Figure 2012101614800100002DEST_PATH_IMAGE012
次加入白噪声后的信号，
Figure 719200DEST_PATH_IMAGE004
为第
Figure 561254DEST_PATH_IMAGE012
次加入的白噪声。
步骤二，对步骤一所得的信号
Figure 956463DEST_PATH_IMAGE010
分别进行经验模态分解，得到各自的内蕴模式函数（IMF）分量，记为，与一个余项，记为
Figure 2012101614800100002DEST_PATH_IMAGE016
。其中
Figure 583885DEST_PATH_IMAGE014
表示第
Figure 468664DEST_PATH_IMAGE012
次加入白噪声后分解所得的第
Figure 2012101614800100002DEST_PATH_IMAGE018
个IMF。
步骤三，利用不相关随机序列的统计均值为0的原理，将步骤二所得的IMF分量
Figure 548747DEST_PATH_IMAGE014
进行总体平均运算，得到分解后最终的IMF，即
Figure 2012101614800100002DEST_PATH_IMAGE020
      
式中，N 为添加白噪声的次数，
Figure 2012101614800100002DEST_PATH_IMAGE022
为对原始肌电信号进行总体平均经验模态分解后所得的第个IMF分量。当
Figure 2012101614800100002DEST_PATH_IMAGE024
越大，对应的白噪声的IMF的和将趋于0。此时总体经验模态分解的结果为
                    
式中J为分解的最高层数，
Figure 291892DEST_PATH_IMAGE016
为最终的残余分量。
步骤四，对处于高频的前K项IMF分量
Figure 347572DEST_PATH_IMAGE022
进行累加记为信号
Figure 2012101614800100002DEST_PATH_IMAGE028
,即 = 。对信号
Figure 649033DEST_PATH_IMAGE028
进行二代小波分解，得到低频系数
Figure 2012101614800100002DEST_PATH_IMAGE032
和高频系数,式中l为二代小波分解的层级，最高层数记为L。
对信号
Figure 47785DEST_PATH_IMAGE028
进行二代小波分解的具体步骤如下：
Figure 2012101614800100002DEST_PATH_IMAGE036
将信号分割成相互关联的两部分，即将一个序列分为偶数序列
Figure 2012101614800100002DEST_PATH_IMAGE038
和奇数序列
Figure 2012101614800100002DEST_PATH_IMAGE040
，且
Figure 594621DEST_PATH_IMAGE038
和
Figure 869744DEST_PATH_IMAGE040
相关性越强，分裂效果越好。
Figure 2012101614800100002DEST_PATH_IMAGE042
预测：针对原信号数据间的相关性，可用
Figure 575532DEST_PATH_IMAGE038
预测
Figure 723748DEST_PATH_IMAGE040
，预测误差为
Figure 2012101614800100002DEST_PATH_IMAGE044
，也即是高频系数：
Figure 2012101614800100002DEST_PATH_IMAGE046
，式中
Figure 2012101614800100002DEST_PATH_IMAGE048
为预测算子，
Figure 2012101614800100002DEST_PATH_IMAGE050
为奇样本的估计值。当信号
Figure 319247DEST_PATH_IMAGE028
的相关性较大时，预测效果将是非常有效的。
Figure 2012101614800100002DEST_PATH_IMAGE052
更新：通过上述两个步骤产生的偶数序列
Figure 460378DEST_PATH_IMAGE038
在某些整体性质上会与原始数据有所区别，为了对
Figure 958355DEST_PATH_IMAGE038
预测产生更好的数据，需要引入修正算子
Figure 2012101614800100002DEST_PATH_IMAGE054
进行更新。
步骤五，对步骤四所得到的高频系数
Figure 543052DEST_PATH_IMAGE034
进行阈值消噪处理得到消噪后的高频系数
Figure DEST_PATH_IMAGE056
；
所述的阈值消噪处理采用如下公式：
式中
Figure DEST_PATH_IMAGE060
，其中M为信号
Figure 369056DEST_PATH_IMAGE028
的长度，，
Figure DEST_PATH_IMAGE064
为实验可调参数，只要选取合适的参数
Figure 313879DEST_PATH_IMAGE064
，就可以既保证信号的整体连续性，抑制振荡，又能减少
Figure DEST_PATH_IMAGE066
与之间存在的偏差，提高信号的精度。
步骤六,将步骤五所得的
Figure 541729DEST_PATH_IMAGE066
与步骤四所得的进行小波重构得到消噪后的高频IMF分量累加信号
Figure DEST_PATH_IMAGE072
。
步骤七，用步骤六所得的
Figure 294397DEST_PATH_IMAGE072
和后J-K项IMF分量来重构信号，得到消噪后的肌电信号。即
   
式中 
Figure DEST_PATH_IMAGE076
为最终消噪后的肌电信号。 
本发明与已有的诸多肌电信号的消噪算法相比，具有如下特点：
由于肌电信号是非线性、非平稳的随机信号，有用能量主要集中在信号的低频部分，利用本发明作消噪处理，它将信号自适应地分解到不同的尺度上，非常适合非线性、非平稳信号的处理，不仅具有小波分析的全部优点，还有更清晰准确的谱结构，并能改善信号的极值点分布，具有有效的抗混分解能力，既尽可能的保存了有用信号，又有效的消除了噪声，并且能够大幅提高信号的信噪比。
附图说明
图1为本发明的实施流程图；
图2为本发明实施例的原始含噪声的肌电信号图；
图3为本发明实施例经过EEMD分解的结果图；
图4为本发明实施例的处于高频的前3项IMF分量累加信号图；
图5为本发明实施例前3项IMF分量累加信号经二代小波消噪后的信号图；
图6为本发明实施例的消噪结果图。
具体实施方式
下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图1所示，本实施例包括如下步骤：
步骤一，在含噪原始肌电信号
Figure 794648DEST_PATH_IMAGE002
中多次加入具有均值为零、标准差为常数的白噪声
Figure 28314DEST_PATH_IMAGE004
, 即
Figure DEST_PATH_IMAGE078
                          (1)
式中，
Figure 500884DEST_PATH_IMAGE002
是本实施例的含噪声的原始肌电信号，如图2所示，信号长度
Figure 676650DEST_PATH_IMAGE008
=2500,为第
Figure 639238DEST_PATH_IMAGE012
次加入白噪声后的信号，为第
Figure 47403DEST_PATH_IMAGE012
次加入的白噪声，添加的白噪声标准差为0.15，添加白噪声的总体次数N为200。
步骤二，对步骤一所得的信号分别进行经验模态分解，得到各自的内蕴模式函数（IMF）分量，记为
Figure 487929DEST_PATH_IMAGE014
，与一个余项，记为
Figure 482561DEST_PATH_IMAGE016
。其中
Figure 672233DEST_PATH_IMAGE014
表示第
Figure 634373DEST_PATH_IMAGE012
次加入白噪声后分解所得的第
Figure 200484DEST_PATH_IMAGE018
个IMF。
步骤三，利用不相关随机序列的统计均值为0的原理，将步骤二所得的IMF分量
Figure 318131DEST_PATH_IMAGE014
进行总体平均运算，得到分解后最终的IMF，即
Figure 678705DEST_PATH_IMAGE020
                   (2)
式中，N 为添加白噪声的次数,在本实施例中N=200，为对原始肌电信号进行总体平均经验模态分解后所得的第
Figure 497943DEST_PATH_IMAGE018
个IMF分量。此时总体经验模态分解的结果为
             
Figure DEST_PATH_IMAGE080
                    （3）
式中J为分解的最高层数,在本实施例中J=8，
Figure DEST_PATH_IMAGE082
为最终的残余分量。
本实施例肌电信号进行总体平均经验模式分解的结果如图3所示。
步骤四，对处于高频的前K项IMF分量
Figure 201588DEST_PATH_IMAGE022
进行累加记为信号,即
Figure 669795DEST_PATH_IMAGE028
=
Figure 656337DEST_PATH_IMAGE030
。对信号进行二代小波分解，得到低频系数
Figure 634974DEST_PATH_IMAGE032
和高频系数
Figure 793423DEST_PATH_IMAGE034
,式中l为二代小波分解的层级，最高层数记为L。在本实施例中K=3，L=3,信号如图4所示。
对信号
Figure 183264DEST_PATH_IMAGE028
进行二代小波分解的具体步骤如下：
Figure 322122DEST_PATH_IMAGE036
将信号
Figure 967866DEST_PATH_IMAGE028
分割成相互关联的两部分，即将一个序列分为偶数序列和奇数序列
Figure 12975DEST_PATH_IMAGE040
，且
Figure 322734DEST_PATH_IMAGE038
和
Figure 393458DEST_PATH_IMAGE040
相关性越强，分裂效果越好。
Figure 509182DEST_PATH_IMAGE042
预测：针对原信号数据间的相关性，可用预测
Figure 642671DEST_PATH_IMAGE040
，预测误差为
Figure 935112DEST_PATH_IMAGE044
 ，也即是高频系数：，式中
Figure 548813DEST_PATH_IMAGE048
为预测算子，为奇样本的估计值。当信号
Figure 58740DEST_PATH_IMAGE028
的相关性较大时，预测效果将是非常有效的。
Figure 453949DEST_PATH_IMAGE052
更新：通过上述两个步骤产生的偶数序列
Figure 65059DEST_PATH_IMAGE038
在某些整体性质上会与原始数据有所区别，为了对
Figure 153101DEST_PATH_IMAGE038
预测产生更好的数据，需要引入修正算子
Figure 233183DEST_PATH_IMAGE054
进行更新。
步骤五，对步骤四所得到的高频系数
Figure 432084DEST_PATH_IMAGE034
进行阈值消噪处理得到消噪后的高频系数；
所述的阈值消噪处理采用如下公式：
                   （4）
式中
Figure 738670DEST_PATH_IMAGE060
，其中M为信号
Figure 475682DEST_PATH_IMAGE028
的长度,，
Figure 491228DEST_PATH_IMAGE064
为实验可调参数，只要选取合适的参数
Figure 467275DEST_PATH_IMAGE064
，就可以既保证信号的整体连续性，抑制振荡，又能减少
Figure 821027DEST_PATH_IMAGE066
与
Figure 464498DEST_PATH_IMAGE068
之间存在的偏差，提高信号的精度。
在本实施例中M=2500，L=3,a=2。
步骤六,将步骤五所得的
Figure 861981DEST_PATH_IMAGE066
与步骤四所得的
Figure 590903DEST_PATH_IMAGE070
进行小波重构得到消噪后的高频IMF分量累加信号
Figure 669717DEST_PATH_IMAGE072
。本实施例前3项IMF分量累加信号经二代小波消噪后的信号
Figure 980744DEST_PATH_IMAGE072
如图5所示。
步骤七，用步骤六所得的
Figure 486812DEST_PATH_IMAGE072
和后J-K项IMF分量来重构信号，得到消噪后的肌电信号。即
   
Figure 765346DEST_PATH_IMAGE074
                               （5）
式中 
Figure 647851DEST_PATH_IMAGE076
为最终消噪后的肌电信号。 本实施例J=8，K=3，消噪后的肌电信号
Figure 813385DEST_PATH_IMAGE076
如图6所示。

Claims (1)

1. 基于总体平均经验模式分解的二代小波肌电信号消噪方法，其特征在于该方法包括如下步骤：
步骤(1).在含噪原始肌电信号                                               
Figure 2012101614800100001DEST_PATH_IMAGE002
中多次加入具有均值为零、标准差为常数的白噪声
Figure 2012101614800100001DEST_PATH_IMAGE004
, 即： 
Figure 2012101614800100001DEST_PATH_IMAGE006
式中
Figure 932996DEST_PATH_IMAGE002
原始肌电信号，信号长度记为
Figure DEST_PATH_IMAGE008
,
Figure DEST_PATH_IMAGE010
为第次加入白噪声后的信号，
Figure 237508DEST_PATH_IMAGE004
为第
Figure 471174DEST_PATH_IMAGE012
次加入的白噪声；
步骤(2).对步骤(1)所得的信号分别进行经验模态分解，得到各自的内蕴模式函数分量与一个余项，分别记为
Figure DEST_PATH_IMAGE014
和
Figure DEST_PATH_IMAGE016
；其中
Figure 729297DEST_PATH_IMAGE014
表示第
Figure 654528DEST_PATH_IMAGE012
次加入白噪声后分解所得的第个内蕴模式函数分量；
步骤(3).利用不相关随机序列的统计均值为0的原理，将步骤(2)所得的内蕴模式函数分量
Figure 691885DEST_PATH_IMAGE014
进行总体平均运算，得到分解后最终的内蕴模式函数分量，即
Figure DEST_PATH_IMAGE020
      
式中，N 为添加白噪声的次数，
Figure DEST_PATH_IMAGE022
为对原始肌电信号进行总体平均经验模态分解后所得的第
Figure 891398DEST_PATH_IMAGE018
个内蕴模式函数分量；当
Figure DEST_PATH_IMAGE024
越大，对应的白噪声的内蕴模式函数分量的和将趋于0；此时总体经验模态分解的结果为：
                   
Figure DEST_PATH_IMAGE026
       
式中J为分解的最高层数；
步骤(4).对处于高频的前K项内蕴模式函数分量
Figure 238065DEST_PATH_IMAGE022
进行累加记为信号
Figure DEST_PATH_IMAGE028
,即
Figure 463641DEST_PATH_IMAGE028
=
Figure DEST_PATH_IMAGE030
.对信号进行二代小波分解，得到低频系数和高频系数
Figure DEST_PATH_IMAGE034
,式中l为二代小波分解的层级，最高层数记为L；
步骤(5).对步骤(4)所得到的高频系数
Figure 345327DEST_PATH_IMAGE034
进行阈值消噪处理得到消噪后的高频系数；
所述的阈值消噪处理采用如下公式：
式中，其中M为信号
Figure 675945DEST_PATH_IMAGE028
的长度，
Figure DEST_PATH_IMAGE042
，
Figure DEST_PATH_IMAGE044
为实验可调参数；
步骤(6).将步骤(5)所得的与步骤四所得的
Figure DEST_PATH_IMAGE048
进行小波重构得到消噪后的内蕴模式函数分量累加信号
Figure DEST_PATH_IMAGE050
；
步骤(7).用步骤(6)所得的
Figure 329430DEST_PATH_IMAGE050
和后J-K项内蕴模式函数分量来重构信号，得到消噪后的肌电信号；即
   
Figure DEST_PATH_IMAGE052
式中 
Figure DEST_PATH_IMAGE054
为最终消噪后的肌电信号。
CN 201210161480 2012-05-23 2012-05-23 基于总体平均经验模式分解的二代小波肌电信号消噪方法 Expired - Fee Related CN102697495B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 201210161480 CN102697495B (zh) 2012-05-23 2012-05-23 基于总体平均经验模式分解的二代小波肌电信号消噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 201210161480 CN102697495B (zh) 2012-05-23 2012-05-23 基于总体平均经验模式分解的二代小波肌电信号消噪方法

Publications (2)

Publication Number Publication Date
CN102697495A true CN102697495A (zh) 2012-10-03
CN102697495B CN102697495B (zh) 2013-09-18

Family

ID=46890774

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 201210161480 Expired - Fee Related CN102697495B (zh) 2012-05-23 2012-05-23 基于总体平均经验模式分解的二代小波肌电信号消噪方法

Country Status (1)

Country Link
CN (1) CN102697495B (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103610461A (zh) * 2013-10-17 2014-03-05 杭州电子科技大学 基于双密度小波邻域相关阈值处理的脑电信号消噪方法
CN104765979A (zh) * 2015-04-28 2015-07-08 南京信息工程大学 一种基于集成经验模态分解的海杂波去噪方法
CN105677035A (zh) * 2016-01-26 2016-06-15 杭州电子科技大学 基于eemd和小波阈值的运动想象脑电信号消噪方法
CN103761424B (zh) * 2013-12-31 2016-09-14 杭州电子科技大学 基于二代小波和独立分量分析肌电信号降噪与去混迭方法
US9693735B2 (en) 2013-01-08 2017-07-04 Nihon Kohden Corporation Biological signal averaging processing device
CN106927029A (zh) * 2017-03-03 2017-07-07 东华大学 一种基于单通道脑电波诱发的脑控四轴飞行器
CN107782706A (zh) * 2017-09-05 2018-03-09 燕山大学 一种基于集合经验模态分解的多环芳烃荧光光谱去噪方法
CN107811635A (zh) * 2016-09-12 2018-03-20 深圳先进技术研究院 一种基于人体生理信号的健康状态分类方法及装置
CN108344879A (zh) * 2018-02-05 2018-07-31 上海理工大学 泥石流表面速度场分布的非接触测量装置及其测量方法
CN108399368A (zh) * 2018-01-31 2018-08-14 中南大学 一种人工源电磁法观测信号去噪方法
CN108742611A (zh) * 2018-04-08 2018-11-06 南京医科大学 一种随机动态参数电刺激条件下的自主肌电提取方法
CN109498370A (zh) * 2018-12-26 2019-03-22 杭州电子科技大学 基于肌电小波关联维的下肢关节角度预测方法
CN109567743A (zh) * 2018-10-24 2019-04-05 加康康健有限公司 一种基于emd的信号重构方法、装置、终端设备及存储介质
CN110096998A (zh) * 2019-04-29 2019-08-06 天津大学 一种用于机加工表面形貌特征提取的分解方法
CN113624447A (zh) * 2021-06-24 2021-11-09 长春工业大学 一种用于光纤光栅传感网络的复合去噪方法
CN116318437A (zh) * 2023-03-16 2023-06-23 中国科学院空天信息创新研究院 一种跨介质通信干扰抑制方法和系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101859377A (zh) * 2010-06-08 2010-10-13 杭州电子科技大学 基于多核支持向量机的肌电信号分类方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101859377A (zh) * 2010-06-08 2010-10-13 杭州电子科技大学 基于多核支持向量机的肌电信号分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈略 ET AL: "自适应EEMD方法在心电信号处理中的应用", 《数据采集与处理》 *

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9693735B2 (en) 2013-01-08 2017-07-04 Nihon Kohden Corporation Biological signal averaging processing device
CN103610461B (zh) * 2013-10-17 2016-03-02 杭州电子科技大学 基于双密度小波邻域相关阈值处理的脑电信号消噪方法
CN103610461A (zh) * 2013-10-17 2014-03-05 杭州电子科技大学 基于双密度小波邻域相关阈值处理的脑电信号消噪方法
CN103761424B (zh) * 2013-12-31 2016-09-14 杭州电子科技大学 基于二代小波和独立分量分析肌电信号降噪与去混迭方法
CN104765979A (zh) * 2015-04-28 2015-07-08 南京信息工程大学 一种基于集成经验模态分解的海杂波去噪方法
CN104765979B (zh) * 2015-04-28 2018-04-24 南京信息工程大学 一种基于集成经验模态分解的海杂波去噪方法
CN105677035B (zh) * 2016-01-26 2018-08-17 杭州电子科技大学 基于eemd和小波阈值的运动想象脑电信号消噪方法
CN105677035A (zh) * 2016-01-26 2016-06-15 杭州电子科技大学 基于eemd和小波阈值的运动想象脑电信号消噪方法
CN107811635B (zh) * 2016-09-12 2021-01-19 深圳先进技术研究院 一种基于人体生理信号的健康状态分类方法及装置
CN107811635A (zh) * 2016-09-12 2018-03-20 深圳先进技术研究院 一种基于人体生理信号的健康状态分类方法及装置
CN106927029A (zh) * 2017-03-03 2017-07-07 东华大学 一种基于单通道脑电波诱发的脑控四轴飞行器
CN107782706A (zh) * 2017-09-05 2018-03-09 燕山大学 一种基于集合经验模态分解的多环芳烃荧光光谱去噪方法
CN108399368B (zh) * 2018-01-31 2021-08-20 中南大学 一种人工源电磁法观测信号去噪方法
CN108399368A (zh) * 2018-01-31 2018-08-14 中南大学 一种人工源电磁法观测信号去噪方法
CN108344879A (zh) * 2018-02-05 2018-07-31 上海理工大学 泥石流表面速度场分布的非接触测量装置及其测量方法
CN108742611A (zh) * 2018-04-08 2018-11-06 南京医科大学 一种随机动态参数电刺激条件下的自主肌电提取方法
CN108742611B (zh) * 2018-04-08 2023-10-13 南京医科大学 一种随机动态参数电刺激条件下的自主肌电提取方法
CN109567743A (zh) * 2018-10-24 2019-04-05 加康康健有限公司 一种基于emd的信号重构方法、装置、终端设备及存储介质
CN109498370A (zh) * 2018-12-26 2019-03-22 杭州电子科技大学 基于肌电小波关联维的下肢关节角度预测方法
CN109498370B (zh) * 2018-12-26 2021-02-19 杭州电子科技大学 基于肌电小波关联维的下肢关节角度预测方法
CN110096998B (zh) * 2019-04-29 2023-05-12 天津大学 一种用于机加工表面形貌特征提取的分解方法
CN110096998A (zh) * 2019-04-29 2019-08-06 天津大学 一种用于机加工表面形貌特征提取的分解方法
CN113624447A (zh) * 2021-06-24 2021-11-09 长春工业大学 一种用于光纤光栅传感网络的复合去噪方法
CN116318437A (zh) * 2023-03-16 2023-06-23 中国科学院空天信息创新研究院 一种跨介质通信干扰抑制方法和系统
CN116318437B (zh) * 2023-03-16 2023-12-01 中国科学院空天信息创新研究院 一种跨介质通信干扰抑制方法和系统

Also Published As

Publication number Publication date
CN102697495B (zh) 2013-09-18

Similar Documents

Publication Publication Date Title
CN102697495A (zh) 基于总体平均经验模式分解的二代小波肌电信号消噪方法
CN105919584B (zh) 用于可穿戴心率监测设备的心率估计方法及装置
CN108158573B (zh) 基于自适应阈值小波变换的心电信号降噪方法
Kania et al. Wavelet denoising for multi-lead high resolution ECG signals
Sobahi Denoising of EMG signals based on wavelet transform
Castillo et al. Noise suppression in ECG signals through efficient one-step wavelet processing techniques
CN110238863A (zh) 基于脑电-肌电信号的下肢康复机器人控制方法及系统
CN103961092B (zh) 基于自适应阈值处理的脑电信号去噪方法
CN101822548A (zh) 基于相关性分析与经验模态分解的超声信号去噪方法
CN109498370B (zh) 基于肌电小波关联维的下肢关节角度预测方法
CN103761424B (zh) 基于二代小波和独立分量分析肌电信号降噪与去混迭方法
CN105997043B (zh) 一种基于腕式可穿戴设备的脉率提取方法
CN109359506A (zh) 一种基于小波变换的心磁信号降噪方法
Phinyomark et al. Wavelet-based denoising algorithm for robust EMG pattern recognition
Dong et al. Application of wavelet transform in MCG-signal denoising
CN109998541A (zh) 一种基于经验模态全变分的表面肌电信号去噪方法及系统
Wang et al. Wavelet transform based ECG denoising using adaptive thresholding
Al-kadi et al. Compatibility of mother wavelet functions with the electroencephalographic signal
Teja et al. Adaptive denoising of ECG using EMD, EEMD and CEEMDAN signal processing techniques
Seljuq et al. Selection of an optimal mother wavelet basis function for ECG signal denoising
CN113609975A (zh) 一种用于震颤检测的建模方法、手部震颤检测装置及方法
CN108078554A (zh) 一种人体脉搏波信号噪声抑制方法
Zong et al. Denoising method for surface electromyography signals combining CEEMDAN and interval total variation
Lu et al. A method combining fractal analysis and single channel ICA for vibration noise reduction
CN104935292A (zh) 一种基于源数估计的表面肌电信号自适应滤波方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20121003

Assignee: HANGZHOU DUKANG TECHNOLOGY CO.,LTD.

Assignor: HANGZHOU DIANZI University

Contract record no.: X2022330000025

Denomination of invention: Second generation wavelet EMG signal denoising method based on overall average empirical mode decomposition

Granted publication date: 20130918

License type: Common License

Record date: 20220128

EE01 Entry into force of recordation of patent licensing contract
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20130918