时序分解 | CEEMDAN+PE自适应噪声完备集合经验模态分解+排列熵计算Matlab实现

 ✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，代码获取、论文复现及科研仿真合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

🔥 内容介绍

1. 绪论

近年来，随着生物医学工程的快速发展，心电图（ECG）信号分析在临床诊断和健康监测中发挥着越来越重要的作用。然而，ECG信号不可避免地会受到各种噪声的干扰，如肌电图（EMG）噪声、呼吸噪声和电源线干扰等。这些噪声的存在会严重影响ECG信号的质量，进而影响ECG信号的分析和诊断。因此，ECG信号去噪成为ECG信号处理中的一个关键步骤。

2. CEEMDAN算法简介

完备经验模态分解（CEEMDAN）算法是一种自适应噪声的经验模态分解（EMD）算法。它通过引入自适应噪声来克服传统EMD算法对噪声敏感的缺点。CEEMDAN算法的基本思想是：将原始信号与一个自适应噪声信号相加，然后对加噪后的信号进行EMD分解。在分解过程中，自适应噪声信号会不断地更新，以更好地匹配原始信号中的噪声成分。这样，就可以有效地将噪声成分从原始信号中分离出来。

3. 基于CEEMDAN算法的ECG信号去噪

基于CEEMDAN算法的ECG信号去噪流程如下：

1. 对原始ECG信号进行预处理，包括滤波、去基线漂移等。

2. 将预处理后的ECG信号与一个自适应噪声信号相加，得到加噪后的ECG信号。

3. 对加噪后的ECG信号进行CEEMDAN分解，得到一组固有模态函数（IMF）和一个残余信号。

4. 将噪声成分较多的IMF分量剔除，保留噪声成分较少的IMF分量。

5. 将保留的IMF分量重构，得到去噪后的ECG信号。

4. PE排列熵计算

排列熵（PE）是一种衡量时间序列复杂性的指标。它通过计算时间序列中相邻数据点的排列顺序来衡量时间序列的复杂程度。PE值越大，表明时间序列越复杂。

PE的计算步骤如下：

1. 将时间序列划分为若干个子序列，每个子序列的长度为m。

2. 对每个子序列中的数据点进行排序，得到一个排列序列。

3. 计算排列序列的概率分布。

4. 计算排列序列的熵值。

📣 部分代码

%%  清空环境变量warning off             % 关闭报警信息close all               % 关闭开启的图窗clear                   % 清空变量clc                     % 清空命令行​%%  导入数据res = xlsread('数据集.xlsx');​%%  划分训练集和测试集temp = randperm(357);​P_train = res(temp(1: 240), 1: 12)';T_train = res(temp(1: 240), 13)';M = size(P_train, 2);​P_test = res(temp(241: end), 1: 12)';T_test = res(temp(241: end), 13)';N = size(P_test, 2);​%%  数据归一化[p_train, ps_input] = mapminmax(P_train, 0, 1);p_test  = mapminmax('apply', P_test, ps_input);t_train = ind2vec(T_train);t_test  = ind2vec(T_test );

⛳️ 运行结果

5. 实验结果与分析

为了验证CEEMDAN算法在ECG信号去噪中的有效性，我们对一组真实ECG信号进行了去噪实验。实验结果表明，CEEMDAN算法能够有效地去除ECG信号中的噪声，提高ECG信号的质量。

图1给出了原始ECG信号和去噪后的ECG信号的对比图。可以看出，去噪后的ECG信号中的噪声成分明显减少，ECG波形更加清晰。

图2给出了原始ECG信号和去噪后的ECG信号的PE值对比图。可以看出，去噪后的ECG信号的PE值明显高于原始ECG信号的PE值。这表明，CEEMDAN算法能够有效地提高ECG信号的复杂性。

6. 结论

CEEMDAN算法是一种有效的心电图信号去噪算法。它能够有效地去除ECG信号中的噪声，提高ECG信号的质量。PE排列熵是一种有效的ECG信号复杂性评价指标。它能够有效地反映ECG信号的复杂程度。

🔗 参考文献

[1]谭冬梅,陈方望,周强,等.基于CEEMDAN-SOBI对桥梁监测挠度的分离研究[J].中国安全生产科学技术, 2019, 15(11):7.DOI:10.11731/j.issn.1673-193x.2019.11.020.

🎈 部分理论引用网络文献，若有侵权联系博主删除

🎁  关注我领取海量matlab电子书和数学建模资料

👇  私信完整代码、论文复现、期刊合作、论文辅导及科研仿真定制

1 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面

卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

2.图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

3 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

4 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化

5 无线传感器定位及布局方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

6 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

7 电力系统方面

微电网优化、无功优化、配电网重构、储能配置

8 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长

9 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合