基于CEEMD小波包算法的降噪方法研究

doi:10.3969/j.issn.1006-2475.2020.09.013

计算机与现代化 ›› 2020, Vol. 0 ›› Issue (09): 73-76.doi: 10.3969/j.issn.1006-2475.2020.09.013

基于CEEMD小波包算法的降噪方法研究

(宝鸡文理学院电子电气工程学院,陕西宝鸡721013)

收稿日期:2019-12-25 出版日期:2020-09-24 发布日期:2020-09-24
作者简介:孙晓娟(1979—),女,陕西澄城人,讲师,硕士,研究方向:电子电气技术,E-mail: 369016620@qq.com。
基金资助:
国家自然科学基金资助项目(61906102); 陕西省教育厅专项科学研究项目(19JK0038); 宝鸡市科研计划项目(2018JH-10)

A Denoising Method Based on CEEMD Wavelet Packet

（School of Electronic and Electrical Engineering, Baoji University of Arts and Sciences, Baoji 721013, China）

Received:2019-12-25 Online:2020-09-24 Published:2020-09-24

摘要/Abstract

摘要： 针对脑电信号易受噪声干扰的特性，提出一种使用CEEMD小波包对脑电信号进行降噪的方法。首先对脑电信号进行CEEMD分解，得到一组固有模态函数分量（IMF），然后对包含噪声的IMF分量采用小波包阈值降噪，同时保留信号的低频IMF分量，最后将使用小波包阈值降噪的IMF分量和保留的IMF分量进行累加重构，从而得到最终降噪后的脑电信号。仿真结果表明采用CEEMD小波包对脑电信号进行降噪，在抑制噪声的同时，还有效地保留了脑电信号的细节特性，达到良好的去噪特性。

关键词: 脑电信号, 降噪, CEEMD, 小波包

Abstract: Due to the characteristics of EEG is easy to be disturbed by noise, a method of the denoising EEG using CEEMD wavelet packet is proposed. Firstly, the EEG is decomposed by CEEMD to get a set of intrinsic mode function(IMF) components. Then the IMF component containing noise is denoised by wavelet packet threshold while the low-frequency IMF component of the signal is retained. Finally, the IMF components denoised by wavelet packet threshold and the reserved IMF components are accumulated and reconstructed to obtain the EEG after noise reduction. The experimental result shows that denoising of EEG using CEEMD wavelet packet can retain effectively the detailed characteristics of EEG when restraining noise， so as to achive good denoising performance.

Key words: electroencephalograph, denoising, complete ensemble empirical mode decomposition, wavelet packet

中图分类号:

TP391.9

孙晓娟, 王利. 基于CEEMD小波包算法的降噪方法研究[J]. 计算机与现代化, 2020, 0(09): 73-76.

SUN Xiao-juan, WANG Li. A Denoising Method Based on CEEMD Wavelet Packet[J]. Computer and Modernization, 2020, 0(09): 73-76.

参考文献

［1］刘志勇,孙金玮,卜宪庚. 单通道脑电信号眼电伪迹去除算法研究［J］. 自动化学报, 2017,43(10):1726-1735.
［2］李端. 面向智慧医疗的生物电信号分类识别算法研究［D］. 北京:北京邮电大学, 2018.
［3］杨陈军,野梅娜,李艳艳,等. 基于ICA与小波阈值的癫痫脑电信号去噪方法［J］. 西北大学学报(自然科学版), 2016,46(6):795-800.
［4］王灿锋,孙曜. 改进独立分量算法的眼电伪迹去除方法研究［J］. 计算机工程与应用, 2018,54(4):167-173.
［5］任通,罗志增,孟明,等. 一种基于SA4多小波的脑电信号消噪方法［J］. 传感技术学报, 2016,29(12):1832-1838.
［6］姚家扬,罗志增. 对偶树复小波在脑电消噪中的应用［J］. 华中科技大学学报(自然科学版), 2015,43(393):541-544.
［7］张坤,曹鸣. 一种基于小波变换的心电去噪算法［J］. 现代生物医学进展, 2009,9(19):3744-3746.
［8］朱晓军,吕士钦,余雪丽,等. 基于改进EMD的脑电信号去噪方法［J］. 计算机工程, 2012,38(1):151-153.
［9］宋玉龙,赵冕,郑威. 基于经验模态分解和极限学习机的癫痫脑电提取分类研究［J］. 生物医学工程研究, 2019,38(3):263-268.
［10］WINKLER I, BRANDL S, HORN F, et al. Robust artifactual independent component classification for BCI practitioners［J］. Journal of Neural Engineering, 2014,11(3):1-10.
［11］崔少华,赵庆平. 独立分量分析法去噪的研究与应用［J］. 牡丹江师范学院学报(自然科学版), 2016(2):27-29.
［12］陈仁祥,汤宝平,吕中亮. 基于相关系数的EEMD转子振动信号降噪方法［J］. 振动、测试与诊断, 2012,32(4):542-546.
［13］张恒,潘仲明. 平稳小波去噪算法中的参数选择［J］. 国防科技大学学报, 2019,41(4):165-170.
［14］李怀胜,杨芳,钟清华. 基于EMD和样本熵的脑电信号睡眠分期研究［J］. 微处理机, 2016,37(5):68-72.
［15］郑佳佳,郭滨. 基于小波包和改进EMD的脑电信号消噪研究［J］. 长春理工大学学报(自然科学版), 2018,41(2):110-113.

［16］张倩,马钺. EMD模态混叠问题在小波去噪中的影响［J］. 制造业自动化, 2013,35(18):83-85.

［17］李曜洲. 经验模态分解的方法改进研究［D］. 湘潭:湖南科技大学, 2016.
［18］WU Z, HUANG N E. Ensemble empirical mode decomposition: A noise-assisted data analysis method［J］. Advances in Adaptive Data Analysis, 2009,1(1):1-41.
［19］TORRES M E, COLOMINAS M A, SCHLOTTHAUER G, et al. A complete ensemble empirical mode decomposition with adaptive noise［C］// 2011 IEEE International Conference on Acoustics, Speech and Signal Processing. 2011:4144-4147.
［20］张欢,刘燕,佟宝同,等. 联合改进CEEMD与近似熵的脑电去噪方法［J］. 计算机工程, 2017,34(6):53-58.
［21］杨孟,王瑾,周西峰,等. 基于CEEMD和小波包的降噪方法研究［J］. 南京邮电大学学报(自然科学版), 2018,38(2):41-47.
［22］钟建军,宋健,由长喜,等. 基于信噪比评价的阈值优选小波去噪法［J］. 清华大学学报(自然科学版), 2014,54(2):259-263.
［23］孟明,杨国雨,高云园,等. 基于EEMD与DSS-ApEn的脑电信号消噪方法［J］. 传感技术学报, 2018,31(10):1539-1546.
［24］韩庆阳,王晓东,李丙玉,等. EEMD在同时消除脉搏血氧检测中脉搏波信号高频噪声和基线漂移中的应用［J］. 电子与信息学报, 2015,37(6):1384-1388.

[1]	周成诚, 曾庆军, 杨康, 胡家铭, 韩春伟. 基于高效通道注意力模块的运动想象脑电识别[J]. 计算机与现代化, 2023, 0(12): 19-23.
[2]	唐诗琪, 周瑞平, 谢仕斌, 刘梦赤, 肖文, . 基于栈式降噪编码器的跨语言多标签情感分类[J]. 计算机与现代化, 2023, 0(11): 6-12.
[3]	冯欣欣, 卜磊, 章晓余, 史玉峰. 基于ICEEMDAN-LSTM的地铁盾构隧道管片形变数据分析预测[J]. 计算机与现代化, 2023, 0(11): 57-61.
[4]	李世佳, 侯丽娟, 汤斌, 杨柳, 刘恒, . 基于ICEEMDAN-BiLSTM-ARIMA组合模型的桥梁健康监测数据预测模型#br#[J]. 计算机与现代化, 2023, 0(07): 36-42.
[5]	刘路瑶, 韩培胜. 基于堆叠降噪自编码器的跨项目软件缺陷数量预测方法[J]. 计算机与现代化, 2023, 0(04): 32-38.
[6]	杨娟, 滕飞, 郭大林. 多模态融合的特征提取方法在SA检测中的应用[J]. 计算机与现代化, 2022, 0(10): 121-126.
[7]	唐洁, 文元美. 基于3CNN-BiGRU的睡眠自动分期研究[J]. 计算机与现代化, 2022, 0(02): 120-126.
[8]	冯洋. 基于小波包变换的红外弱小目标检测[J]. 计算机与现代化, 2020, 0(12): 112-115.
[9]	黄小爽. 基于分数阶傅里叶变换的运动脑电信号分类方法[J]. 计算机与现代化, 2020, 0(09): 54-59.
[10]	刘彬，张冀聪. 运动相关电位分类算法比较和语义范式分析[J]. 计算机与现代化, 2018, 0(11): 88-.
[11]	王海玉1,王映龙1,闵建亮2,胡剑锋2. 基于小波变换与多项指标的疲劳驾驶检测应用[J]. 计算机与现代化, 2018, 0(10): 32-.
[12]	梁东，杨永全，魏志强. 基于支持向量机的网页正文内容提取方法[J]. 计算机与现代化, 2018, 0(09): 21-.
[13]	薛参观1,2. 基于堆叠降噪稀疏自动编码器的软件缺陷预测[J]. 计算机与现代化, 2018, 0(05): 65-.
[14]	武玲梅,陆建波,刘春霞. 基于降噪自动编码器的推荐算法[J]. 计算机与现代化, 2018, 0(03): 78-.
[15]	甘露，臧洌，李航. 基于DA-SVM的软件缺陷预测模型[J]. 计算机与现代化, 2017, 0(2): 36-39+44.

基于CEEMD小波包算法的降噪方法研究

A Denoising Method Based on CEEMD Wavelet Packet

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价