EMD关于信号的重建，心率提取

关于EMD的俩个假设：

IMF 有两个假设条件：

• 在整个数据段内，极值点的个数和过零点的个数必须相等或相差最多不能超过一 个；
• 在任意时刻，由局部极大值点形成的上包络线和由局部极小值点形成的下包络线 的平均值为零，即上、下包络线相对于时间轴局部对称。

先安装pyEMD库 

from pyEMD import EMD  （报错）
执行pip uninstall pyEMD
pip install EMD-signal==1.4.0 -i https://pypi.tuna.tsinghua.edu.cn/simple/

代码部分：

from PyEMD import EMD
import numpy as np
import matplotlib
matplotlib.use('TkAgg')
import matplotlib.pyplot as plt
from scipy.signal import find_peaks
from scipy import signal

#读取信号数据
def readtxt(path):
    with open(path,'r') as f:
        str=f.readline()
        list = str.split(' ')
    list1=[];
    for i,x in enumerate(list):
        if ((i%5 == 0) or (i%5 == 1) or (i%5 == 2)) and x !='':
            list1.append(float(x))
    return list1


def pyem(lis):
    emd = EMD()
    IMFs = emd.emd(np.array(lis))
    print(len(IMFs), len(IMFs[0]), type(IMFs))


    #计算周期和频率
    imfs = emd.imfs

    # 估计瞬时频率和周期
    freqs = []
    periods = []
    for imf in imfs:
        if len(imf) > 1:
            # 计算频率
            sample_rate = 1 / (imf.argmax() / len(imf))
            freq = sample_rate / len(imf)
            print(freq)
            freqs.append(freq)

            # 计算周期
            period = 1 / freq
            print(period)
            periods.append(period)

    fig = plt.figure()
    ax = fig.add_subplot(len(IMFs) + 1, 1, 1)
    ax.plot(np.array(lis))
    for i in range(len(IMFs)):
        ax = fig.add_subplot(len(IMFs) + 1, 1, i + 2)
        ax.plot(IMFs[i])

    plt.show()

    lr = 0
    for i,s in enumerate(IMFs):
        if i>len(IMFs-1)/2+1:
            lr +=s
    return lr


#获取心率
def findPeaks(list):
    # x = electrocardiogram()[2000:4000]
    # jus=[1,2,3,4,10,1,2,3,4,21,1,2,2,3]
    #获取列表最小值，然后减去最小值
    # list_N = list[20000:30000]
    list_N = list

    avg = sum(list_N)/len(list_N);
    list_D=[]
    for i in range(len(list_N)):
        list_D.append(list_N[i]-avg)

    #列表转换数组
    y=np.array(list_D)
    #消除趋势线
    z=signal.detrend(y)
    #结果抽取200点，降频，然后再获取数据的脉率
    pl=200;
    fs=len(list_N)
    #参照值比
    BP = fs/pl;
    #进行趋势拟合
    x=signal.resample(z,pl)
    #获取最小值作为条件限制
    hu=min(x)
    peaks, _ = find_peaks(x, height=hu)
    # print(peaks)
    # 实际的心率值
    # print(len(peaks))
    ##获取相邻俩个峰值之间的点数，然后计算心率值
    for i,d in enumerate(peaks):  #打印查看脉搏波的数值
        print(peaks[i])

    a1 = peaks[0]
    a2 = peaks[1]
    a3= a2-a1
    #计算每个脉搏对应的点数
    R_point = a3*BP

    #以60为节点计算的数值
    rate=60*(500/R_point)
    # print("bass",bass)
    #总的点数除以每一个脉搏对应的点数，然后除以90秒对应的值
    # rate = (len(list)/R_point)/1.5

    plt.plot(x)
    plt.plot(peaks, x[peaks], "x")
    plt.plot(np.zeros_like(x), "--", color="gray")
    plt.show()

    return rate

if __name__ == "__main__":
    path = "../362a7e1de4dd484a9b4a3274a0e5a633_1648249928320.txt" #正常
    # path = "../a7c9bff53f2e4a70af7a9f641552507a_1706541122_1706564288403_887_1.txt"  #异常
    ll = readtxt(path)
    imf = pyem(ll[2000:10000])
    plt.plot(imf)
    plt.show()
    print(findPeaks(imf))

运行结果：

这是IMFS的分解图9个，从低频一直到高频

 因为最后一个是趋势项，我们将IMF[5]、IMF[6]、IMF[7]进行叠加，这几本接近我们的目标信号

然后对目标信号进行峰值提取：

总结：

信号分量的处理

通过经验模态分解（EMD）得到了信号的分量，可以进行许多不同的分析和处理操作，以下是一些常见的对分量的利用方向：

（1）信号重构：将分解得到的各个本征模态函数（IMF）相加，可以重构原始信号。这可以用于验证分解的效果，或者用于信号的重建和恢复。

（2）去噪：对于复杂的信号，可能存在噪声或干扰成分。通过分析各个IMF的频率和振幅，可以识别和去除信号中的噪声成分。

（3）频率分析：分析每个IMF的频率成分，可以帮助理解信号在不同频率上的振荡特性，从而揭示信号的频域特征。

（4）特征提取：每个IMF代表了信号的局部特征和振荡模式，可以用于提取信号的特征，并进一步应用于机器学习或模式识别任务中。

（5）信号预测：通过对分解得到的各个IMF进行分析，可以探索信号的未来趋势和发展模式，从而用于信号的预测和预测建模。

（6）模式识别：分析每个IMF的时域和频域特征，可以帮助对信号进行模式识别和分类，用于识别信号中的不同模式和特征。

（7）异常检测：通过分析每个IMF的振幅和频率特征，可以用于探测信号中的异常或突发事件，从而用于异常检测和故障诊断。

在得到了信号的分量之后，可以根据具体的应用需求选择合适的分析和处理方法，以实现对信号的深入理解、特征提取和应用。