CN109145729A - 基于改进小波阈值与eemd的肌电信号去噪方法 - Google Patents

Abstract

本发明涉及一种基于改进小波阈值与EEMD的肌电信号去噪方法。首先，采用总体平均经验模式分解的方法将肌电信号分解为若干个本征模态函数，运用一种基于小波的提取方法从第一个分量中提取信号的有用部分，运用自相关函数法将剩余本征模态函数分为含噪声较高的高频分量和含噪低的低频分量，然后运用一种改进的小波阈值将高频分量进行去噪。最后将处理后的第一个分量、高频分量和低频分量重构，重构后的信号即为去噪信号。本发明结合了总体平均经验模态分解方法与具有去噪效果比传统阈值更好的改进阈值去噪方法，并且没有直接舍弃含噪很高的第一个分量，而是运用一种基于小波的提取方法将有用信号部分提取出来。

Description

基于改进小波阈值与EEMD的肌电信号去噪方法

技术领域

本发明属于信号消噪领域，涉及一种基于改进小波阈值与总体平均经验模式分解(EEMD)的肌电信号去噪方法。

背景技术

表面肌电信号(sEMG)是反映肌肉和骨骼活动相关信息的微弱生物电信号。sEMG不仅广泛应用于康复训练、医用传感器、机械控制等诸多领域，而且是人工假肢和功能性神经电刺激的理想控制信号。表面肌电信号是一种非线性、非平稳信号。有用信号主要分布在10～500Hz范围内，易受噪声影响，如电子设备固有噪声、环境噪声、运动产生的噪声、肌电信号内部不稳定所产生的噪声。因此，在应用SEMG信号之前，应该对其进行去噪处理。

小波变换已成为信号处理的常用方法，对非平稳信号处理有着重要的影响。最常用的去噪方法是小波阈值法，包括硬阈值和软阈值法。小波系数经过硬阈值法处理后，小波系数变得不连续，因此，原始信号在使用处理后的小波系数重构时可能在某些地方产生振荡。虽然软阈值处理后得到的小波系数是连续的，但处理后的小波系数与原始系数之间的偏差将影响重构信号与原始信号之间的近似程度。因此，目前国内外提出了许多改进的阈值去噪方法。如可调参数的阈值函数，当调整阈值函数的两个参数时，可以在软阈值和硬阈值之间连续地调整处理后的阈值，由此改进去噪效果。在上下肢运动识别预处理阶段，基于小波的表面肌电信号去噪方法已经取得成功。

黄鄂等人首先提出了经验模态分解(EMD)方法，此方法在非平稳信号分析中具有许多优点。EMD方法可用于降低表面肌电信号中的噪声。然而，EMD 方法有一个缺点，即所谓的模态混叠效应。因此，吴召华和黄鄂提出了一种克服模态混叠的总体平均经验模式分解(EEMD)算法。

发明内容

本发明针对现有技术的不足，提出了一种基于改进小波阈值与总体平均经验模式分解的肌电信号去噪方法。首先，采用总体平均经验模式分解的方法将肌电信号分解为若干个本征模态函数，运用一种基于小波的提取方法从第一个分量中提取信号的有用部分，运用自相关函数法将剩余本征模态函数分为含噪声较高的高频分量和含噪低的低频分量，然后运用一种改进的小波阈值将高频分量进行去噪。最后将处理后的第一个分量、高频分量和低频分量叠加，重构后的信号即为去噪信号。本发明结合了总体平均经验模态分解方法与具有去噪效果比传统阈值更好的改进阈值去噪方法，并且没有直接舍弃含噪很高的第一个分量，而是运用一种基于小波的提取方法将有用信号部分提取出来。实验证明，本发明提出的肌电信号去噪方法比其他方法具有更好的效果。

为了实现以上目的，本发明方法具体包括以下步骤：

步骤(1).采用EEMD方法将含噪声的表面肌电信号s(t)分解为n个本征模式分量IMF，式中c_i(t)为第i个IMF，r(t)为残余分量；

步骤(2).计算每个IMF的自相关函数并且归一化；

步骤(3).计算步骤(2)中每个IMF自相关函数的方差，用来衡量每个IMF 含噪量；

步骤(4).通过步骤(3)得到的方差找到一个临界本征模式分量c_k+1(t)；如果方差低于阈值0.005，则相应的IMF被视为含噪高的高频分量，否则为低频分量；

步骤(5).运用一种基于小波的提取方法提取第一个分量c₁(t)的有效成分c'₁(t)；运用改进的小波阈值去噪方法对高频分量c_i(t)(i＝2,...,k)进行处理，得到c'_i(t)(i＝2,...,k)；

步骤(6).重构肌电信号，s'(t)即为去噪信号；

所述的一种基于小波的提取方法具体如下：

1)利用离散小波变换DWT将IMF1即c₁(t)分解为多层，定义细节系数的“峰和比”，具体如下：

其中w_j为第j层的小波系数；如果S_j≤0.2＜S_j+1，则选择j为IMF1进行小波变换的分解层数；

2)选择阈值的上下限λ_L和λ_H来处理每一层的小波系数，

λ_j,L＝μ_j-κ_j,Lσ_j

λ_j,H＝μ_j+κ_j,Hσ_j

其中λ_j,L和λ_j,H是第j层的阈值上下限；κ_j,L和κ_j,H是可调参数；μ_j和σ_j是第j层小波系数的均值和方差；

其中N_j为采样点数；然后，计算κ_j,L和κ_j,H的最小值来得到κ的精确值；

如果S_j≤0.01，则设置和否则，

S_r,L和S_r,H定义为和S_j,L和S_j,H分别是小波系数正负部分的峰和值；

确定了每一层的阈值后，对小波系数按以下公式处理：

3)用处理后的小波系数重构得到的就是新的IMF1，也就是信号的有用部分c'₁(t)；

所述的改进的小波阈值去噪方法具体如下：

1)运用最大熵法确定最佳小波基函数；首先选择某一小波基函数对高频分量c_i(t)进行小波分解，计算小波系数的熵En，公式如下：

其中w_j为小波系数；最后，选择能得到最大熵的小波基函数；

2)选择分解等级；首先，对高频分量c_i(t)进行一层小波分解；然后，对获得的高频小波系数进行白噪声检验，如果系数属于白噪声，则再次分解得到第二层的高频小波系数，对其进行白噪声检验；重复此过程直到某一层小波系数不属于白噪声；最后，若分解了n次，则选择的分解等级为n-1；

3)对高频分量c_i(t)进行n-1层小波分解,将每一层的小波系数进行阈值处理，改进的阈值函数如下：

其中α和β为可调参数，σ为噪声信号的均方差；

用处理后的各层小波系数重构信号，得到去除了噪声的分量c'_i(t)。

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：

本发明结合了改进的小波阈值去噪方法与总体平均经验模式分解方法，其中，改进的小波阈值去噪方法较其他小波方法有着更佳的去噪效果，总体平均经验模式分解非常适合非线性、非平稳信号的处理。在其他经验模式分解方法中，第一个模式分量基本是被当作噪声而被舍弃，而在本发明提出的方法中，运用了一种基于小波的提取方法将第一个模式分量的有用信号部分提取了出来，提升了去噪效果。

附图说明

图1为本发明的实施流程图；

图2为本发明实施例中含噪声的表面肌电信号前五个IMF；

图3为本发明实施例中含噪声的表面肌电信号和前五个IMF的归一化自相关函数；

图4为本发明实施例中IMF1以及从中提取的有用信号成分；

图5为本发明实施例中是否将IMF1中的有效成分加入重构过程中的对比；

图6为本发明实施例中原始肌电信号，加噪声后的肌电信号以及去噪后的肌电信号。

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，获取一段含噪声的表面肌电信号，信号长度为3072，该信号为实验个体做屈肘动作时桡侧腕屈肌产生的。

运用总体平均经验模式分解方法对此信号进行分解，得到11个IMF和1 个残余分量。添加的白噪声标准差为0.2，添加白噪声的总体次数N为60。图2为含噪声的表面肌电信号前五个IMF。

步骤二，计算每个IMF的归一化自相关函数及其方差。图3为含噪声的表面肌电信号和前五个IMF的归一化自相关函数。表1为每个归一化自相关函数的方差。根据大量的实验结果，方差的阈值设置为0.005。前三个IMF的归一化自相关函数的方差小于0.005，而其它0.005个的归一化自相关函数的方差均大于0.005。从自相关函数和方差阈值法的性质出发，前三个IMF被认为是具有高噪声含量的高频IMF，应该被处理。

表1归一化自相关函数的方差

步骤三，运用一种基于小波的提取方法对第一个分量IMF1单独处理，提取其中的有用部分。在传统的EMD或EEMD方法的信号去噪中，通常将IMF1 视为噪声并丢弃。事实上，噪声将被消除，然而，IMF1中有用的信号成分也被丢弃。信号重构后，峰值部分可能发生畸变。图4为IMF1以及从中提取的有用信号成分。图5为是否将IMF1中的有用信号成分加入重构过程中的对比，可以看出直接舍弃IMF1容易导致去噪后的肌电信号波峰部分缺失。

步骤四，将剩余的高频分量IMF2、IMF3用改进的小波阈值去噪方法进行去噪。然后将处理后的高频分量和不需处理的低频分量叠加，重构信号。图6 为原始肌电信号，加噪声后的肌电信号以及去噪后的肌电信号。

步骤五，将此方法与其他去噪方法进行对比，运用信噪比与均方根值作为去噪指标。

表2不同表面肌电信号去噪方法去噪效果

表中，EEMDWT为本发明提出的肌电信号去噪方法，EMDWT为当分解方法为EMD，其他步骤与EEMDWT相同的一种方法。

Claims (1)

1.基于改进小波阈值与EEMD的肌电信号去噪方法，其特征在于，该方法包括如下步骤：

步骤(1).采用EEMD方法将含噪声的表面肌电信号s(t)分解为n个本征模式分量IMF，式中c_i(t)为第i个IMF，r(t)为残余分量；

步骤(2).计算每个IMF的自相关函数并且归一化；

步骤(3).计算步骤(2)中每个IMF自相关函数的方差，用来衡量每个IMF含噪量；

步骤(4).通过步骤(3)得到的方差找到一个临界本征模式分量c_k+1(t)；如果方差低于阈值0.005，则相应的IMF被视为含噪高的高频分量，否则为低频分量；

步骤(5).运用一种基于小波的提取方法提取第一个分量c₁(t)的有效成分c'₁(t)；运用改进的小波阈值去噪方法对高频分量c_i(t)(i＝2,...,k)进行处理，得到c'_i(t)(i＝2,...,k)；

步骤(6).重构肌电信号，s'(t)即为去噪信号；

所述的一种基于小波的提取方法具体如下：

1)利用离散小波变换DWT将IMF1即c₁(t)分解为多层，定义细节系数的“峰和比”，具体如下：

其中w_j为第j层的小波系数；如果S_j≤0.2＜S_j+1，则选择j为IMF1进行小波变换的分解层数；

2)选择阈值的上下限λ_L和λ_H来处理每一层的小波系数，

λ_j,L＝μ_j-κ_j,Lσ_j

λ_j,H＝μ_j+κ_j,Hσ_j

其中λ_j,L和λ_j,H是第j层的阈值上下限；κ_j,L和κ_j,H是可调参数；μ_j和σ_j是第j层小波系数的均值和方差；

其中N_j为采样点数；然后，计算κ_j,L和κ_j,H的最小值来得到κ的精确值；

如果S_j≤0.01，则设置和否则，

S_r,L和S_r,H定义为和S_j,L和S_j,H分别是小波系数正负部分的峰和值；

确定了每一层的阈值后，对小波系数按以下公式处理：

3)用处理后的小波系数重构得到的就是新的IMF1，也就是信号的有用部分c'₁(t)；

所述的改进的小波阈值去噪方法具体如下：

1)运用最大熵法确定最佳小波基函数；首先选择某一小波基函数对高频分量c_i(t)进行小波分解，计算小波系数的熵En，公式如下：

其中w_j为小波系数；最后，选择能得到最大熵的小波基函数；

2)选择分解等级；首先，对高频分量c_i(t)进行一层小波分解；然后，对获得的高频小波系数进行白噪声检验，如果系数属于白噪声，则再次分解得到第二层的高频小波系数，对其进行白噪声检验；重复此过程直到某一层小波系数不属于白噪声；最后，若分解了n次，则选择的分解等级为n-1；

3)对高频分量c_i(t)进行n-1层小波分解,将每一层的小波系数进行阈值处理，改进的阈值函数如下：

其中α和β为可调参数，σ为噪声信号的均方差；

用处理后的各层小波系数重构信号，得到去除了噪声的分量c'_i(t)。