ИРЭ им. В.А. Котельникова РАН English Войти Подать статью
Журнал радиоэлектроники Электронный научный журнал · eISSN 1684-1719
2019, № 8 · БИОМЕДИЦИНСКАЯ РАДИОЭЛЕКТРОНИКА

Частотно-временной анализ пульсовых сигналов на основе преобразования Гильберта-Хуанга

В.Д. Омпоков1,2, В.В. Бороноев1,2

1 Институт физического материаловедения СО РАН, Улан-Удэ, Россия
2 Institute of Physical Materials Science of Sberian Branch of Russian Academy of Sciences, Россия
Полный текст (PDF) DOI: 10.30898/1684-1719.2019.8.4 УДК 51-7:537.86 EDN QKCYWU

Аннотация

Преобразование Гильберта-Хуанга является одним из наиболее перспективных методов частотно-временного анализа нестационарных процессов. Однако при анализе различного рода реальных зашумленных процессов, в том числе пульсовых сигналов, эффективность метода значительно снижается. Это происходит из-за смешивания модовых функций при эмпирической модовой декомпозиции анализируемых данных. Целью работы является модификация преобразования Гильберта-Хуанга для анализа пульсовых сигналов. В работе предложен метод повышения точности модовой декомпозиции с использованием информации о Фурье-спектре сигнала. Предлагается предварительно рассчитывать Фурье-спектр сигнала и разделять его на части с помощью полосовых частотных фильтров. На модельных сигналах с шумом показано, что точность декомпозиции повышается кратно. Разработанный метод используется для обработки и анализа одного из наиболее информативных сигналов биомедицинской природы - пульсового сигнала. Исследование частотно-временных характеристик пульсовых сигналов с помощью предложенного модифицированного преобразования Гильберта-Хуанга позволило провести классификацию сигналов на группы, соответствующие различным функциональным состояниям организма.

  • частотно-временной анализ
  • преобразование Гильберта-Хуанга
  • эмпирическая модовая декомпозиция
  • смешивание мод
  • преобразование Фурье
  • пульсовой сигнал
  • time-frequency analysis
  • Hilbert-Huang Transform
  • empirical Mode Decomposition
  • Mode mixing
  • fourier transform
  • arterial blood pressure signal
Abstract (in English)

Time frequency analysis of the blood pressure signals using the Hilbert-Huang transform

The paper presents a relative new method for the analysis of nonstationary signals that allows a signal's frequency and amplitude to be evaluated with high time resolution. The Hilbert-Huang transform consists of two steps: Empirical mode decomposition and Hilbert transform. The empirical mode decomposition is a signal analysis method that separates multi-component signals into single oscillatory modes called intrinsic mode functions. Mode mixing problem happens during the empirical mode decomposition process. Fourier transform was introduced to remove the mode-mixing effect. Numerical experiments with signals containing closely spaced spectral components are carried out. Mean square error between predefined and decomposed data was used as estimation parameter. The proposed approach allows achieving better decomposition results than the classic empirical mode decomposition. The results of the using of Hilbert-Huang transform as an instrument for digital processing biomedical signals are presented.

Для цитирования

Омпоков В.Д., Бороноев В.В. Частотно-временной анализ пульсовых сигналов на основе преобразования Гильберта-Хуанга // Журнал радиоэлектроники. – 2019. – № 8. https://doi.org/10.30898/1684-1719.2019.8.4

Литература

  1. 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. 1998. A 454. p. 903-995.
  2. N. E. Huang, Samuel S.P. Shen. The Hilbert-Huang transform and its applications // World Scientific Publishing Co. Pte. Ltd. 2005. 311 p.
  3. А.Е. Филатова, А.Н. Павлов, А.Е. Храмов и др. Частотно-временной анализ нестационарных геофизических процессов на основе вейвлетов и эмпирических мод // Вестник ТГУ. 2012. Т. 17. вып. 5. С. 1428-1432.
  4. Сафиуллин Н.Т. Разработка методики анализа временных рядов с помощью преобразования Хуанга-Гильберта: дисс. … канд. техн. наук. Новосибирск, 2015. 193 с.
  5. Давыдов В.А., Давыдов А.В. Очистка геофизических данных от шумов с использованием преобразования Гильберта-Хуанга // Электронное научное издание "Актуальные инновационные исследования: наука и практика", 2010. № 1. URL: http://www.actualresearch.ru.
  6. Кривоногов Л.Ю. Анализ и обработка эмпирических мод с целью подавления помех в электрокардиосигналах // Известия южного феде-рального университета. Технические науки. 2012. Т. 134. № 9. С. 119-125.
  7. V.V. Boronoev, V.D. Ompokov. The Hilbert-Huang Transform for biomedical signals processing // 2014 International conference on computer technologies in physical and engineering applications (ICCTPEA). Saint Petersburg State University; IEEE (IEEE Catalog number CFP14BDA-USB). - 2014. - p. 21-22.
  8. Бороноев В.В., Омпоков В.Д. Возможности преобразования Гильберта-Хуанга в задаче обработки и анализа биомедицинских сигналов // Биомедицинская радиоэлектроника. 2014. № 3. С. 40-44.
  9. V. V. Boronoev, V. D. Ompokov, N. V. Pupysheva, B. Z. Garmaev. The estimation of optical radiation influence on human pulse waves /// Proceedings of SPIE. 24th International Symposium on Atmospheric and Ocean Optics: Atmospheric Physics. - 2018. - Vol. 10833. DOI: 10.1117/12.2501927.
  10. Омпоков В.Д., Бороноев В.В. Исследование частотно-временных характеристик пульсовых сигналов с помощью преобразования Гильберта-Хуанга // Журнал радиоэлектроники [электронный журнал]. 2017. № 5. URL: http://jre.cplire.ru/jre/may17/8/text.pdf.
  11. Altay Y.A., Kremlev A. S. Comparative analysis of ECG signal processing methods in the time-frequency domain // Proceedings of the 2018 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (ElConRus). 2018. P. 1058-1062.
  12. Altay Y.A., Kremlev A.S. Analysis and systematization of noise arising by long-term recording of ECG signal // Proceedings of the 2018 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering. 2018. P. 1053-1057.
  13. Zhaohua Wu, Norden E. Huang. Ensemble Empirical Mode Decomposition: A Noise Assisted Data Analysis Method // Advances in Adaptive Data Analysis. 2009. Vol. 1. No. 1. P. 1-41.
  14. 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). Prague. 2011. P. 4144-4147.
  15. Marcelo A. Colominas; Gastón Schlotthauer, María E. Torres. Improved complete ensemble EMD: A suitable tool for biomedical signal processing // Biomedical Signal Processing and Control. 2014. vol. 14. P. 19-29.
  16. Омпоков В.Д., Бороноев В.В. Комплементарная множественная декомпозиция на эмпирические моды с адаптивным шумом CEEMDAN как метод решения основных проблем применения преобразования Гильберта-Хуанга // Журнал радиоэлектроники [электронный журнал]. 2016. № 9. URL: http://jre.cplire.ru/jre/sep16/12/text.pdf.
  17. Altay Y.A., Kremlev A. S. Improved Noise Resistance Processing Electrocardiosignals Adaptive Noise CEEMDAN as a Method of Solving the Basic Problems of the Application of Hilbert-Huang Transform // Proceedings of the 2017 IEEE Russia Section Young Researchers in Electrical and Electronic Engineering Conference (2017 ElConRus). 2017. P. 621-623.