[发明专利]一种基于GPGPU的非线性非稳态复杂信号自适应分解方法

说明书

本发明公开了一种基于GPGPU的非线性非稳态复杂信号自适应分解方法，属于信号分析领域。本发明针对传统的EEMD算法在处理大规模信号数据时，受限于算法本身的密集型的计算，导致传统的EEMD算法不能满足实际应用中实时性的需求。本发明通过分析EEMD算法中包含大量的可高度并行计算步骤，通过应用基于CUDA的GPGPU方法对EEMD算法进行并行化设计，使该算法在数据精度和时间消耗上达到一个优化的状态，并结合希尔伯特黄变换，应用希尔伯特变换与香农熵的概念得到希尔伯特‑黄谱熵对分解信号进一步研究。实验证明，本方法在实际的信号分解分析中具有更好的效率和可用性。

技术领域

本发明属于信号分析技术领域，涉及一种复杂信号分解方法，尤其涉及一种基于GPGPU的非线性非稳态复杂信号自适应分解方法。

背景技术

人脑是复杂的非线性系统，脑电信号的研究是当今生命科学的重要前沿领域之一。脑电信号处理对于脑部相关疾病的检测、诊断和治疗至关重要，然而脑电信号的研究涉及到大量的脑电信号数据的采集和计算，大量神经数据的存储、管理和利用是一个巨大的挑战。信号分析在实际应用具有大脑是一个高度复杂的非线性、非平稳性系统，脑电信号是大量神经元活动产生的，也具有非线性、非平稳性的特点。传统的线性时频分析方法，如短时傅立叶变换、Winger-Ville分布和小波变换等，已经广泛应用于脑电信号的频谱分析中，但是这些方法的缺点之一就是不能准确估计信号的瞬时振幅和相位/频率(文献[1])。

经验模式分解(Empirical Mode Decomposition，EMD)作为一种可替代的线性方法，弥补了传统信号分析方法的一些不足，被用于非平稳、非线性的脑电信号分析中。EMD是一种完全数据驱动方法，不同于小波变换需要利用小波函数来分解复杂的信号，而是可以直接分解得到一组包含瞬时特征的固有模态函数(Intrinsic Mode Function，IMF)。EMD已经广泛应用于各种神经信号处理中，例如癫痫信号的检测和预测(文献[2，3])，麻醉状态(文献[4])和睡眠中(文献[5，6])的脑电信号监测。虽然EMD在处理神经信号方面表现优异，但当信号出现间歇性中断时，IMF会包含不同程度的大幅震荡，容易产生模态混叠现象。这也是EMD的最大问题所在，为了克服EMD中出现的混频现象，Huang提出了加噪声进行辅助信号分析(Noise Assisted Data Analysis，NADA)的方法——总体平均经验模式分解法(Ensemble Empirieal Mode Decomposition，EEMD)(文献[7])。

EEMD是一种噪声辅助分析方法，算法要求大量的噪声添加，输出的精度取决于进行白噪声添加试验次数是否足够多。因此EEMD的计算是密集型的，大量的、耗时的计算使它受限于实时性的应用，因此亟待发明一种快速有效的信号分解方法。

[文献1]赵治栋,唐向宏,赵知劲,等.基于Hilbert-Huang Transform的心音信号谱分析[J].传感技术学报,2005,18(1):18-22.

[文献2]Fine A S,Nicholls D P,Mogul D J.Assessing InstantaneousSynchrony of Nonlinear Nonstationary Oscillators in the Brain[J].Journal ofNeuroscience Methods,2010.186(1):42-51.

[文献3]Li X L,Jefferys J G R,Fox J,et al..Neuronal PopulationOscillations of Rat Hippocampus during Epileptic Seizures[J].Neural Networks,2008,21(8):1105-1111.