一种面向多通道信号的频带稳定分解方法
本发明涉及信号处理领域,涉及一种多通道信号的频带稳定分解方法,可应用于多种多维非平稳信号处理场景。
背景技术:
1、多通道信号通常具有非平稳、非线性的特点,其频谱结构随时间变化。在实际应用中,往往需要将信号分解为若干具有物理意义的频带成分,以便进行进一步分析。
2、在现有技术中,常用方法包括带通滤波、自适应分解方法等。带通滤波通过设计不同频率范围的滤波器,可以将原始信号分解为若干预定义频带的分量。然而,带通滤波方法本质上属于线性时不变滤波,其频率响应固定,难以适应非平稳信号。为克服固定滤波器频带划分方式对非平稳信号适应性不足的问题,研究者提出了一系列自适应信号分解方法。其中,经验模态分解(empirical mode decomposition, emd)作为一种典型的数据驱动方法,通过逐层筛分过程将信号分解为若干本征模态函数(intrinsic mode functions,imfs),其分解结果由信号局部时频特征自适应确定,具有良好的自适应性。然而,emd方法缺乏严格的数学优化框架,其分解过程依赖经验规则,容易受到噪声影响,且存在模态混叠问题,导致不同频率成分无法有效分离。
3、随后提出的变分模态分解(variational mode decomposition, vmd)方法将信号分解问题转化为带宽最小化的变分优化问题,通过引入明确的目标函数和约束条件,提高了分解的稳定性与鲁棒性。在此基础上,多变量变分模态分解(multivariate variationalmode decomposition, mvmd)进一步扩展至多通道信号场景,通过引入跨通道共享中心频率的约束,实现多通道信号的协同分解。
4、尽管mvmd方法在多通道信号分解中具有一定优势,然而,mvmd中模态中心频率的更新主要依赖信号本身频谱分布,仍存在以下问题:
5、首先,mvmd的迭代结果容易受到初始化方式和参数设置的影响。由于各模态中心频率在迭代过程中逐步更新,不同初始中心频率会改变各模态在频域中的初始吸引区域。当初始中心频率与真实振荡成分分布不匹配时,某些模态可能提前收敛到非目标频率区域,导致目标频率成分未被有效提取;同时,模态数、带宽惩罚参数和重构约束参数等设置也会影响模态带宽和频率分配结果,使分解结果具有一定不稳定性。
6、其次,mvmd的中心频率更新受振荡成分能量强弱影响明显。能量较强的振荡成分容易主导中心频率更新;而对于能量较弱的振荡成分,容易被相邻强能量成分吸收或淹没。当多个振荡成分频率相近时,mvmd还可能将相邻频率成分合并为同一模态,导致弱振荡成分遗漏或目标频带成分无法被独立分离。
7、进一步地,由于不同样本之间的频谱能量分布、噪声水平和局部振荡结构存在差异,mvmd在不同样本上分解得到的同一编号模态可能对应不同频带。一些样本中可能出现多个模态集中于同一频率范围的重复提取现象,而另一些样本中则可能出现某一目标频带成分缺失的情况。由此导致跨样本模态频带不一致,使相同模态编号不再具有稳定的频带物理含义,进而影响后续基于特定频带的对比分析、特征提取和功能连接计算。
8、因此,如何在保持mvmd多通道自适应分解能力和跨通道中心频率共享机制的基础上,引入目标频带先验信息,降低初始化方式、参数设置和样本频谱差异对分解结果的影响,使各模态稳定对应于预设频带范围,是当前多通道非平稳信号频带分解中亟需解决的问题。
技术实现思路
1、有鉴于此,本发明提供了一种面向多通道信号的频带稳定分解方法,在保持变分模态分解自适应性的基础上,通过引入频带先验信息,实现模态频带的可控分解与稳定对齐,从而提高分解结果的可解释性与一致性。
2、为达到上述目的,本发明的技术方案包括如下步骤:
3、步骤一:获取多通道信号,并定义信号维度与通道结构。
4、步骤二:构建目标频带先验,设定各模态对应的频带范围及参考中心频率。
5、步骤三:构建先验引导的多变量变分模态分解模型,包括:在mvmd分解模型中引入频率引导项,使各模态中心频率向对应参考频率收敛;在mvmd分解模型中引入频带边界软约束项,当模态中心频率超出预设频带范围时,对其施加惩罚约束。
6、步骤四:基于交替方向乘子法admm对改进后的优化模型进行迭代求解,更新模态函数及中心频率。
7、步骤五:输出各模态分量,使每一模态稳定对应于预设频带,实现跨通道及跨样本一致的频带分解结果,并将所获得的频带分解结果用于多通道脑电信号的功能连接分析。
8、进一步地,步骤一中,获取的多通道信号为:
9、
10、其中c为通道数;表示第c个通道的时域信号,t表示时间变量;多通道信号是任意具有多维同步观测形式的非平稳信号。
11、设定分解模态数为k,则目标是将原始多通道信号分解为k个模态分量:
12、
13、其中,表示第c个通道中第k个模态分量;对于同一模态k,各通道共享对应的中心频率。
14、进一步地,步骤二,具体为:根据待分析信号的目标频率结构,将整个频率范围划分为k个目标频带区间,记为:
15、
16、其中,与分别表示第k个目标频带的下边界与上边界;
17、进一步地,对每个目标频带定义参考中心频率:
18、
19、参考中心频率用于在后续优化过程中对模态中心频率进行引导,使第k个模态优先收敛至预设目标频带附近。
20、进一步地,步骤三构建的先验引导的多变量变分模态分解模型,其目标是在满足多模态重构约束条件下,使每个模态在频域中带宽和最小,同时使中心频率保持在对应目标频带范围内;
21、改进后的优化目标包括以下四个部分:
22、第一部分为模态带宽最小化项,用于约束各模态频谱能量集中于其中心频率附近;
23、第二部分和第三部分共同构成信号重构约束项,其中二次误差项用于衡量模态重构结果与输入信号之间的差异,拉格朗日乘子项用于实现重构约束条件在增广拉格朗日框架中的约束表达;
24、第四部分为频率引导项,通过惩罚中心频率与参考中心频率之间的偏差,引导模态中心频率向目标频带收敛。
25、进一步地,步骤三构建的先验引导的多变量变分模态分解模型,具体为:
26、
27、其中,为带宽惩罚参数,用于控制各模态频谱的集中程度;为中心频率引导权重,用于控制模态中心频率向对应先验中心频率收敛的强度;表示单位冲激函数,
表示第个模态在第个通道中的分量;为第个模态的中心频率;表示第个目标频带的先验中心频率;表示第个通道的原始输入信号;为分解模态数;为通道数;表示卷积运算;表示范数;[*]为求解*对时间变量t的偏导函数,j为虚部符号;表示将第个模态的解析信号移频至基带的复指数项;约束条件表示每个通道中的所有模态分量叠加后重构对应的原始输入信号;
28、将信号重构约束通过拉格朗日乘子项及二次惩罚项并入目标函数,并转换至频域,构建增广拉格朗日函数如下:
29、
30、其中,表示频域形式下的增广拉格朗日函数;表示第个通道中第个模态分量的频域形式;表示第个模态的中心频率;表示第个通道对应的频域拉格朗日乘子;表示其复共轭;表示第个通道原始输入信号的频域形式;表示频率变量;为分解模态数;为通道数;为带宽惩罚参数,用于控制模态频谱的集中程度,下文中的均为该参数;为中心频率引导权重,用于控制模态中心频率向先验中心频率收敛的强度;表示第个目标频带的先验中心频率;表示复数模值;表示对频率变量积分。式中第一项为模态带宽约束项,第二项为信号重构误差项,第三项为拉格朗日乘子约束项,用于约束各通道模态分量之和逼近原始输入信号,第四项为中心频率先验引导项。
31、进一步地,步骤四,基于admm的迭代求解具体过程为:
32、(s401)模态更新
33、在频域中对每个模态进行更新:
34、
35、其中,表示频率变量;表示第次迭代时第个通道中第个模态分量的频域形式;上标和分别表示第次迭代和第次迭代;表示第个通道原始输入信号的频域形式;表示第个通道中除第个模态以外其余模态在第次迭代时的频域估计值之和;表示第次迭代时第个通道对应的频域拉格朗日乘子;表示第次迭代时第个模态的中心频率;为带宽惩罚参数,其含义与式(5)中的一致,用于控制模态频谱的集中程度;
36、(s402)中心频率更新
37、基于更新后的各通道模态频谱,计算第个模态的模态总能量和频谱一阶矩:
38、
39、其中,表示第次迭代时第个模态在全部通道上的总频谱能量;表示第次迭代时第个模态的频谱一阶矩。
40、谱质心更新的中心频率为:
41、
42、经过先验引导后中心频率为:
43、
44、
45、其中,表示由当前模态跨通道频谱能量分布计算得到的数据驱动中心频率;表示经过先验中心频率引导后的中心频率;和分别表示数据驱动项权重和先验中心项权重;表示第个目标频带的先验中心频率。
46、当超出频带范围时,引入边界惩罚项进行修正:
47、
48、
49、
50、其中,和分别表示该目标频带的下边界和上边界;表示越界时距离当前中心频率最近的目标频带边界;和分别表示越界软校正时当前更新结果的保留权重和最近边界的拉回权重;为边界软校正权重。
51、(s403)拉格朗日乘子更新:在完成模态更新和中心频率更新后,根据各通道当前的重构误差对频域拉格朗日乘子进行更新,更新式为
52、
53、其中,表示第次迭代时第个通道对应的频域拉格朗日乘子;表示第次迭代时第个通道对应的频域拉格朗日乘子;表示第个通道原始输入信号的频域形式;表示第次迭代时第个通道中第个模态分量的频域形式;表示第个通道中全部模态分量的频域重构结果;为对偶更新步长,用于控制重构误差对拉格朗日乘子更新的影响;为分解模态数,。
54、重复上述步骤,直至满足收敛条件:
55、
56、其中,表示第次迭代与第次迭代之间的归一化模态变化量;和分别表示第次和第次迭代时第个通道中第个模态分量的频域形式;表示范数;为预设收敛阈值,用于判断相邻两次迭代的模态更新是否已经足够小;为预设最大迭代次数,用于防止迭代过程无限进行。
57、进一步地,步骤五,收敛后的频域模态进行逆傅里叶变换,得到时域模态分量:
58、
59、其中,表示逆傅里叶变换算子,用于将频域模态分量转换为时域模态分量;表示第个通道中第个模态分量的频域形式;表示逆变换后得到的第个通道中第个时域模态分量;表示频率变量,表示时间变量。由此得到的各时域模态分量分别对应于预设目标频带,并用于后续信号重构、频带特征提取或功能连接分析。
60、有益效果:
61、1:本发明提供的一种面向多通道信号的频带稳定分解方法,由于引入频带先验机制,使各模态在分解过程中被限制在预设频带范围内,从而能够稳定提取对应特定频段的模态分量,增强了分解结果的物理可解释性;实现跨样本分解模态对齐,从而有利于后续对各频带模态进行统一分析;
62、2:本发明提供的一种面向多通道信号的频带稳定分解方法,由于引入频带约束,使分解过程对高频噪声具有更强的抑制能力,相比传统mvmd分解方法,提高了在复杂噪声环境下的鲁棒性,避免高频噪声对模态分解结果的干扰;
63、3:本发明提供的一种面向多通道信号的频带稳定分解方法,在保持mvmd分解的自适应基础上,本发明实现了模态频带的可控分解与稳定对齐,有效避免了相邻频带混叠及弱振荡成分被淹没的问题,进一步提升了脑电信号分解的准确性与稳定性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com