[发明专利]基于CEEMD与改进小波阈值的表面肌电信号消噪方法

说明书

本发明涉及一种基于CEEMD与改进小波阈值的表面肌电信号消噪方法。首先用互补集合经验模态分解对表面肌电信号进行分解得到固有模态函数分量。然后通过分量相关分析选择合适的固有模态函数分量，对每个被选择的固有模态函数分量进行改进小波阈值处理。最后，信号由被改进小波阈值处理后的固有模态函数分量和未被改进小波阈值处理的固有模态函数分量进行信号重构，得到去噪后的信号。本发明在信号处理方面具有自适应性，适合于非线性、非平稳表面肌电信号的分析，能够减少由于模态混叠带来的不利影响，并且尽可能多的保留了信号中有用的信息，减少了噪声带来的影响，实验证明，本发明提出的肌电信号去噪方法比其他去噪方法具有更好的效果。

技术领域

本发明属于信号消噪领域，涉及一种基于CEEMD与改进小波阈值的表面肌电信号消噪方法。

背景技术

表面肌电信号(Surface electromyography,sEMG)是由采集电极采集的一种微弱的生物电信号，这种生物电信号能够反映肌肉与人的行为动作的相关信息，已被广泛应用于运动医学、康复训练和机械控制等领域。表面肌电信号主要分布在10Hz-500Hz之间,其幅度仅为1μV，同时也具有非线性、非平稳特性。因此，肌电信号容易受到噪声的污染。噪声的主要来源包括三种：电源线干扰、高斯白噪声和基线漂移。因此，保持信号的纯净是分析和应用表面肌电信号的先决条件。

目前常用的表面肌电信号去噪的方法主要有傅里叶变换、小波变换和经验模态分解。

1、小波变换

小波变换是纯粹数学和应用数学结合的数据分析方法，广泛应用于信号处理、图像分析各个方面。小波去噪的方法总体分为三种：第一种是基于小波变换的模极大去噪，在不同尺度上，信号与噪声的模极大的传播不同利用这个特性，在其全部的模极大值中除去噪声的小波变换模极大值，而选择有用信号的模极大值，最后重构信号是用余下的小波变换模极大值得到的；第二种是基于小波变换尺度间相关性的去噪方法，其原理是小波变换的各尺度间，噪声没有明显的相关性，信号具有较强的相关性；，噪声的小波变换主要集中在小尺度各层次中，然而信号在边缘处仍然具有很强的相关性。对需要处理的信号进行小波变换以后，得到不同尺度下的小波系数，计算相邻尺度之间的相关性，然后相关性的大小对小波系数进行选择，最后重构得到信号；第三种小波阈值去噪法，是最早被Donoho提出，其理论依据是经小波分解后噪声的系数幅值要比信号的小波系数幅值小，设置一个阈值，当小波系数绝对值大于阈值时，保留(硬阈值法)或者收缩(软阈值法)小波系数，当小波系数小于阈值时则被全部设为零，最后利用经过阈值处理后的小波系数重构信号。

由于小波变换具有时频性、多分辨率的特点，可以在肌电信号分析中应用。然而小波去噪的效果与选取的小波函数直接相关，同时一旦小波函数被选定以后，在对信号分析的过程中将不能被改变，因此小波变换自适应性比较差。

2、经验模态分解(Empirical Mode Decomposition，EMD)方法，最早是由Huang提出，这种算法原理是是将信号分解为多个固有模态函数(IMF)叠加，每个IMF代表信号在不同尺度下的特征，具有很好的自适应性。由于EMD算法的模态混叠的缺点，Wu和Huang提出了集合经验模态分解(EEMD)。EEMD是数据驱动的分析算法，在信号分解之前将白噪声添加到含噪信号中。但是同时信号也会受到残留噪声的污染。为了解决这个问题，Yeh提出了一种新的噪声辅助分析方法，互补集合经验模态分解(CEEMD)，其中辅助噪声是以一对正负相反互补的形式加入到含噪声的信号中多次平均后再进行EMD分解。互补集合经验模态分解能够有效地减少噪声，避免有用信息的损失和模态混叠的出现。

发明内容

本发明的目的就是针对现有技术的不足，提出一种基于互补集合经验模态分解与改进小波阈值的表面肌电信号消噪方法。互补总体经验模态分解的本质是借助加入的一对互补的噪声的信号来减少残余辅助噪声的信号分析方法。这样使得加入的噪声次数能够减少，计算时间大大减少。同时改进小波阈值能够提高信号去噪的效果。