Комплементарная множественная декомпозиция на эмпирические моды с адаптивным шумом CEEMDAN как метод решения основных проблем применения преобразования Гильберта-Хуанга

Аннотация

Статья посвящена методу множественной эмпирической модовой декомпозиции сигналов с адаптивным шумом, позволяющему решать основные проблемы применения преобразования Гильберта-Хуанга в задаче обработки и анализа биомедицинских сигналов. Отмечено, что в результате декомпозиции пульсового сигнала на эмпирические моды часто получаются функции с перекрывающимися частотными диапазонами и происходит так называемый “модовый переход”, что затрудняет анализ спектрального состава сигнала. Для решения этих проблем реализован алгоритм множественной эмпирической модовой декомпозиции сигналов с адаптивным шумом (CEEMDAN), суть которой заключается в многократном добавлении к сигналу белого шума.

• пульсовой сигнал
• преобразование Гильберта-Хуанга
• множественная эмпирическая модовая декомпозиция с адаптивным шумом

Abstract (in English)

The most promising method of time-frequency analysis of the data is the Hilbert-Huang Transform, which makes it possible to work with nonstationary and nonlinear data. The method is based on the Empirical Mode Decomposition of signals and the Hilbert Transform. The key feature of Empirical Mode Decomposition is to decompose a signal into so-called Intrinsic Mode Function (IMF). IMF represents a simple oscillatory mode as a counterpart to the simple harmonic function, but it is much more general: instead of constant amplitude and frequency in a simple harmonic component, an IMF can have variable amplitude and frequency along the time axis. Further-more, the Hilbert Spectral Analysis of Intrinsic Mode Functions provides frequency information evolving with time and quantifies the amount of variation due to oscillation at different time scales and time locations. The paper shows problems solving of applying Hilbert-Huang Transform for biomedical signal processing. It is the presence of oscillations of very disparate amplitude in a mode, or the presence of very similar oscillations in different modes. Complete Ensemble Empirical Mode Decomposition with Adaptive Noise (CEEMDAN) can effectively overcome these problems, and potentially should provide more objective results than alternative methods. In the CEEMDAN method a particular noise is added at each stage of the decomposition and a unique residue is computed to obtain each mode.

Для цитирования

Литература

1. Norden E. Huang, Samuel S.P. Shen. The Hilbert-Huang transform and its applications // World Scientific Publishing Co. Pte. Ltd. 2005. 311 p.
2. Norden Huang et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis. Proceedings of the Royal Society of London. A 454, 903-995 (1998).
3. An Introduction to Hilbert-Huang Transform: A Plea for Adaptive Data Analysis. Norden E. Huang. Research Center for Adaptive Data Analysis. National Central University.
4. Бороноев В.В., Омпоков В.Д. Возможности преобразования Гильберта-Хуанга в задаче обработки и анализа биомедицинских сигналов // Биомедицинская радиоэлектроника. 2014. №3. С. 40-44.
5. Boronoev V.V.; Ompokov V.D. The Hilbert-Huang Transform for biomedical signals processing // Proceedings of International Conference on Computer Technologies in Physical and Engineering Applications (ICCTPEA). St. Petersburg, 2014. P. 21-22. URL: http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=6893255.
6. Zhaohua Wu, Norden E. Huang. Ensemble Empirical Mode Decomposition: A Noise Assisted Data Analysis Method. Advances in Adaptive Data Analysis Vol.1, No.1 (2009) 1-41
7. María E. Torres, Marcelo A. Colominas; Gastón Schlotthauer, Patrick Flandrin. A complete ensemble empirical mode decomposition with adaptive noise // 2011 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) - 22-27 May 2011, Prague, P. 4144-4147.