CN109614937A - 一种基于组稀疏性的小波域信号增强方法 - Google Patents
一种基于组稀疏性的小波域信号增强方法 Download PDFInfo
- Publication number
- CN109614937A CN109614937A CN201811526847.8A CN201811526847A CN109614937A CN 109614937 A CN109614937 A CN 109614937A CN 201811526847 A CN201811526847 A CN 201811526847A CN 109614937 A CN109614937 A CN 109614937A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- signal
- noise reduction
- sparsity
- signals
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Complex Calculations (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种基于组稀疏性的小波域信号增强方法,所述方法包括如下步骤:步骤1、将含噪信号先进行降采样处理,然后进行标准化处理,使得信号的取值皆在[‑1,1]的范围内且均值为0;步骤2、初始化参数:组大小参数K、小波分解层数J、总正则参数λ、第j层的正则参数λj、降噪信号的初值x(0);步骤3、采用‘db10’小波将含噪信号变换到小波域,得到J层含噪的小波细节系数cj;步骤4、对步骤3中的每层含噪小波细节系数cj引入刻画分组稀疏性质的正则进行降噪处理;步骤5、重构降噪信号:使用小波逆变换得到降噪信号。本发明所提出的方法在不同的噪声水平下其性能皆好于目前的adaOGS降噪方法和传统的小波降噪方法。
Description
技术领域
本发明属于信号处理技术领域,涉及一种信号增强与噪声抑制方法,可应用于心音信号的增强与去噪方面。
背景技术
现实世界中承载着信息的信号往往受到噪声的污染,从而影响其所传递信息的准确性,心音信号就是如此。基于心音信号的智能化的数字听诊是未来的发展趋势。然而,在现实环境中,心音信号易于噪声污染,如背景噪声或听诊设备与皮肤的摩擦声等,从而影响其所传递信息的可靠性。因此,需要对其进行增强处理。
为实现信号增强的目的,就需要充分利用信号的先验知识。目前的降噪方法大多是通用的处理技术,如传统的小波变换或基于信号光滑性的降噪声方法,这些方法并不能满足面象实际任务的需要。
发明内容
本发明的目的在于利用信号在小波域的各个子带中的系数呈组稀疏分布的特点,提供了一种基于组稀疏性的小波域信号增强方法。将本发明所提出的方法在国际公开的心音数据库进行验证,结果表明在不同的噪声水平下其性能皆好于目前的adaOGS降噪方法和传统的小波降噪方法。
本发明的目的是通过以下技术方案实现的:
一种基于组稀疏性的小波域信号增强方法,包括如下步骤:
步骤1、信号预处理:
将含噪信号先进行降采样处理,然后进行标准化处理,使得信号的取值皆在[-1,1]的范围内且均值为0;
步骤2、初始化参数:
组大小参数K、小波分解层数J、总正则参数λ、第j层的正则参数λj、降噪信号的初值x(0);
步骤3、含噪信号的小波变换:
采用‘db10’小波将含噪信号变换到小波域,得到J层含噪的小波细节系数cj;
步骤4、引入分组稀疏性的小波域降噪处理:
对步骤3中的每层含噪小波细节系数cj引入刻画分组稀疏性质的正则进行降噪处理,得到降噪后的小波系数
步骤5、重构降噪信号:
使用小波逆变换得到降噪信号:
其中IWT(·)表示小波逆变换运算。
相比于现有技术,本发明具有如下优点:
与目前广泛用于心音信号降噪的小波变换方法与adaOGS方法相比,本发明所提出的降噪方法具有更好的降噪声效果和更低的计算代价,而且算法易于实现。因此,本发明的技术方案具有易于实现、可靠性好的特点,适合推广使用。
附图说明
图1为依据输入信噪比条件下组参数对输出信噪比影响来选择组参数的方法;
图2为使用本发明降噪方法与adaOGS和传统小波降噪方法在不同噪声水平条件下,对美国马里兰大学公开发布的心音数据库中的心音记录进行降噪处理时的平均性能表现图。
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明,但并不局限于此,凡是对本发明技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,均应涵盖在本发明的保护范围中。
本发明提供了一种基于组稀疏性的小波域信号增强方法,所述方法步骤如下:
步骤1、信号预处理:
将含噪信号进行降采样处理,产生采样频率为2000Hz的信号。然后再进行标准化处理,使得信号的取值皆在[-1,1]的范围内且均值为0。
步骤2、初始化参数:
本发明所提出的算法中的参数设置方法如下:
组大小参数:K=20,具体的选择过程如图1所示;
小波分解层数:J=5;
总正则参数:λ=ηδ2,其中δ2为噪声方差,η∈[0.2069,0.3260];
第j层的正则参数:其中λ0=λ,j=1,…,5;
算法中降噪信号的初值为x(0)=y,其中y是长度为N的含噪信号。
步骤3、含噪信号的小波变换:
采用‘db10’小波将含噪信号变换到小波域,其中小波的层数为J=5,得到5层含噪的小波细节系数cj,其中j=1,…,5。
步骤4、引入分组稀疏性的小波域降噪处理:
对步骤3中的每层含噪小波细节系数cj引入刻画分组稀疏性质的正则进行降噪处理。令h表示长度为K的全1向量,xt j表示在算法第t次迭代中得到降噪后的第j层的小波系数,在算法的第t+1次迭代过程中,其计算过程由以下步骤构成:
步骤4.1、计算对角阵:
其中diag(·)表示对角阵运算,*表示卷积运算,ψ(·)表示引入稀疏性的函数。
步骤4.2、计算降噪小波系数:
利用步骤4.1中所得到的对角阵降噪后的第j层小波系数按下式进行计算:
步骤5:重构降噪信号
在步骤4中算法收敛后,得到降噪后的小波系数使用小波逆变换得到降噪信号:
其中IWT(·)表示小波逆变换运算,是算法的解,是迭代算法在第t+1次时的第j层小波系数。
为验证本发明中所提出的降噪方法的有效性,我们采用‘db10’小波作为所提出算法中的小波变换,将本发明中的方法与adaOGS算法和传统的小波变换基于美国马里兰大学公开发布的心音数据库进行降噪处理,然后进行性能比较。此数据库中共含有23个心音记录,分别用M1、M2、…、M23表示,在这些心音记录中包含多种类型的心音。在不同噪声水平下,采用上述三种方法对所有记录进行降噪处理的平均性能如图2所示。显见,本发明所提出的方法在不同的噪声水平条件下都取得了最好的性能表现。因此,实验充分证实了本发明所提出方法的有效性。
Claims (4)
1.一种基于组稀疏性的小波域信号增强方法,其特征在于所述方法包括如下步骤:
步骤1、信号预处理:
将含噪信号先进行降采样处理,然后进行标准化处理,使得信号的取值皆在[-1,1]的范围内且均值为0;
步骤2、初始化参数:
组大小参数K、小波分解层数J、总正则参数λ、第j层的正则参数λj、降噪信号的初值x(0);
步骤3、含噪信号的小波变换:
采用‘db10’小波将含噪信号变换到小波域,得到J层含噪的小波细节系数cj;
步骤4、引入分组稀疏性的小波域降噪处理:
对步骤3中的每层含噪小波细节系数cj引入刻画分组稀疏性质的正则进行降噪处理;
步骤5、重构降噪信号:
使用小波逆变换得到降噪信号:
其中IWT(·)表示小波逆变换运算,为降噪后的小波系数。
2.根据权利要求1所述的基于组稀疏性的小波域信号增强方法,其特征在于所述步骤1中,含噪信号进行降采样处理后产生的信号的采样频率为2000Hz。
3.根据权利要求1所述的基于组稀疏性的小波域信号增强方法,其特征在于所述步骤2中,K=20;J=5;λ=ηδ2,其中δ2为噪声方差,η∈[0.2069,0.3260];其中λ0=λ,j=1,…,5;x(0)=y,其中y是长度为N的含噪信号。
4.根据权利要求1所述的基于组稀疏性的小波域信号增强方法,其特征在于所述步骤4的具体步骤如下:
令h表示长度为K的全1向量,表示在算法第t次迭代中得到降噪后的第j层的小波系数,在算法的第t+1次迭代过程中,其计算过程由以下步骤构成:
步骤4.1、计算对角阵:
其中diag(·)表示对角阵运算,*表示卷积运算,ψ(·)表示引入稀疏性的函数,h表示长度为K的全1向量,表示第t次迭代中得到降噪后的第j层的小波系数;
步骤4.2、计算降噪小波系数:
利用步骤4.1中所得到的对角阵按下式计算降噪后的第j层小波系数:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811526847.8A CN109614937B (zh) | 2018-12-13 | 2018-12-13 | 一种基于组稀疏性的小波域信号增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811526847.8A CN109614937B (zh) | 2018-12-13 | 2018-12-13 | 一种基于组稀疏性的小波域信号增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109614937A true CN109614937A (zh) | 2019-04-12 |
CN109614937B CN109614937B (zh) | 2022-09-30 |
Family
ID=66008501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811526847.8A Active CN109614937B (zh) | 2018-12-13 | 2018-12-13 | 一种基于组稀疏性的小波域信号增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109614937B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117332221A (zh) * | 2023-09-26 | 2024-01-02 | 国网江苏省电力有限公司南通供电分公司 | 一种液压机构油内漏超声信号的降噪方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040008904A1 (en) * | 2003-07-10 | 2004-01-15 | Samsung Electronics Co., Ltd. | Method and apparatus for noise reduction using discrete wavelet transform |
CN108158573A (zh) * | 2017-12-26 | 2018-06-15 | 智慧康源(厦门)科技有限公司 | 基于自适应阈值小波变换的心电信号降噪方法 |
-
2018
- 2018-12-13 CN CN201811526847.8A patent/CN109614937B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040008904A1 (en) * | 2003-07-10 | 2004-01-15 | Samsung Electronics Co., Ltd. | Method and apparatus for noise reduction using discrete wavelet transform |
CN108158573A (zh) * | 2017-12-26 | 2018-06-15 | 智慧康源(厦门)科技有限公司 | 基于自适应阈值小波变换的心电信号降噪方法 |
Non-Patent Citations (1)
Title |
---|
臧玉萍等: "小波分层阈值降噪法及其在发动机振动信号分析中的应用", 《振动与冲击》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117332221A (zh) * | 2023-09-26 | 2024-01-02 | 国网江苏省电力有限公司南通供电分公司 | 一种液压机构油内漏超声信号的降噪方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109614937B (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598166B (zh) | 一种自适应确定小波分层级数的小波去噪方法 | |
Verma et al. | Performance analysis of wavelet thresholding methods in denoising of audio signals of some Indian Musical Instruments | |
CN109871733B (zh) | 一种自适应海杂波信号去噪方法 | |
CN110867181A (zh) | 基于scnn和tcnn联合估计的多目标语音增强方法 | |
CN113094993B (zh) | 基于自编码神经网络的调制信号去噪方法 | |
CN112861740B (zh) | 基于复合评价指标和小波熵的小波阈值去噪参数选取方法 | |
CN112380934B (zh) | 基于小波熵与稀疏度的电缆局放信号自适应小波去噪方法 | |
CN114429151A (zh) | 一种基于深度残差网络的大地电磁信号识别与重建方法及其系统 | |
CN110646841B (zh) | 时变稀疏反褶积方法及系统 | |
CN112084845B (zh) | 基于多尺度小波系数自相关的低频1/f噪声消除方法 | |
CN113392732A (zh) | 一种局部放电超声信号抗干扰方法及系统 | |
Wang et al. | Denoising speech based on deep learning and wavelet decomposition | |
CN115359771A (zh) | 一种水声信号降噪方法、系统、设备及存储介质 | |
CN116698398A (zh) | 一种基于ceemdan分阈值降噪与能量熵的齿轮故障特征提取方法 | |
CN113655522A (zh) | 频率域地震弱信号的增强方法 | |
CN109614937A (zh) | 一种基于组稀疏性的小波域信号增强方法 | |
CN113238193B (zh) | 一种多分量联合重构的sar回波宽带干扰抑制方法 | |
CN116189711B (zh) | 基于声波信号监测的变压器故障识别方法及装置 | |
CN116667920A (zh) | 结合主成分分析与希尔伯特-黄变换的瞬态信号检测方法 | |
CN108280416A (zh) | 一种小波跨尺度相关滤波的宽带水声信号处理方法 | |
CN102509268B (zh) | 基于免疫克隆选择的非下采样轮廓波域图像去噪方法 | |
Kulkarni et al. | Periodicity-aware signal denoising using Capon-optimized Ramanujan filter banks and pruned Ramanujan dictionaries | |
Tanwar et al. | Hard component detection of transient noise and its removal using empirical mode decomposition and wavelet‐based predictive filter | |
CN105372707A (zh) | 一种多尺度地震资料随机噪音衰减方法 | |
CN114355446B (zh) | 一种基于高分辨时频变换的可控震源地震资料黑三角区噪音压制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |