[发明专利]基于改进小波阈值与EEMD的肌电信号去噪方法

说明书

本发明涉及一种基于改进小波阈值与EEMD的肌电信号去噪方法。首先，采用总体平均经验模式分解的方法将肌电信号分解为若干个本征模态函数，运用一种基于小波的提取方法从第一个分量中提取信号的有用部分，运用自相关函数法将剩余本征模态函数分为含噪声较高的高频分量和含噪低的低频分量，然后运用一种改进的小波阈值将高频分量进行去噪。最后将处理后的第一个分量、高频分量和低频分量重构，重构后的信号即为去噪信号。本发明结合了总体平均经验模态分解方法与具有去噪效果比传统阈值更好的改进阈值去噪方法，并且没有直接舍弃含噪很高的第一个分量，而是运用一种基于小波的提取方法将有用信号部分提取出来。

技术领域

本发明属于信号消噪领域，涉及一种基于改进小波阈值与总体平均经验模式分解(EEMD)的肌电信号去噪方法。

背景技术

表面肌电信号(sEMG)是反映肌肉和骨骼活动相关信息的微弱生物电信号。sEMG不仅广泛应用于康复训练、医用传感器、机械控制等诸多领域，而且是人工假肢和功能性神经电刺激的理想控制信号。表面肌电信号是一种非线性、非平稳信号。有用信号主要分布在10～500Hz范围内，易受噪声影响，如电子设备固有噪声、环境噪声、运动产生的噪声、肌电信号内部不稳定所产生的噪声。因此，在应用SEMG信号之前，应该对其进行去噪处理。

小波变换已成为信号处理的常用方法，对非平稳信号处理有着重要的影响。最常用的去噪方法是小波阈值法，包括硬阈值和软阈值法。小波系数经过硬阈值法处理后，小波系数变得不连续，因此，原始信号在使用处理后的小波系数重构时可能在某些地方产生振荡。虽然软阈值处理后得到的小波系数是连续的，但处理后的小波系数与原始系数之间的偏差将影响重构信号与原始信号之间的近似程度。因此，目前国内外提出了许多改进的阈值去噪方法。如可调参数的阈值函数，当调整阈值函数的两个参数时，可以在软阈值和硬阈值之间连续地调整处理后的阈值，由此改进去噪效果。在上下肢运动识别预处理阶段，基于小波的表面肌电信号去噪方法已经取得成功。

黄鄂等人首先提出了经验模态分解(EMD)方法，此方法在非平稳信号分析中具有许多优点。EMD方法可用于降低表面肌电信号中的噪声。然而，EMD 方法有一个缺点，即所谓的模态混叠效应。因此，吴召华和黄鄂提出了一种克服模态混叠的总体平均经验模式分解(EEMD)算法。

发明内容

本发明针对现有技术的不足，提出了一种基于改进小波阈值与总体平均经验模式分解的肌电信号去噪方法。首先，采用总体平均经验模式分解的方法将肌电信号分解为若干个本征模态函数，运用一种基于小波的提取方法从第一个分量中提取信号的有用部分，运用自相关函数法将剩余本征模态函数分为含噪声较高的高频分量和含噪低的低频分量，然后运用一种改进的小波阈值将高频分量进行去噪。最后将处理后的第一个分量、高频分量和低频分量叠加，重构后的信号即为去噪信号。本发明结合了总体平均经验模态分解方法与具有去噪效果比传统阈值更好的改进阈值去噪方法，并且没有直接舍弃含噪很高的第一个分量，而是运用一种基于小波的提取方法将有用信号部分提取出来。实验证明，本发明提出的肌电信号去噪方法比其他方法具有更好的效果。

为了实现以上目的，本发明方法具体包括以下步骤：

步骤(1).采用EEMD方法将含噪声的表面肌电信号s(t)分解为n个本征模式分量IMF，式中c_i(t)为第i个IMF，r(t)为残余分量；

步骤(2).计算每个IMF的自相关函数并且归一化；

步骤(3).计算步骤(2)中每个IMF自相关函数的方差，用来衡量每个IMF 含噪量；

步骤(4).通过步骤(3)得到的方差找到一个临界本征模式分量c_k+1(t)；如果方差低于阈值0.005，则相应的IMF被视为含噪高的高频分量，否则为低频分量；