傅里葉分析技術(shù)^[1]在分析時(shí)變非線性信號時(shí)存在無法表述信號的時(shí)頻局部特性的局限性^[2]。為了分析處理非平穩(wěn)信號，人們相繼提出了一系列新的信號分析方法：短時(shí)傅里葉變換^[3]、雙線性時(shí)頻分布^[4]、Gabor變換^[5]、小波分析^[6]、分?jǐn)?shù)階傅里葉變換^[7]等。這些算法從不同程度上對非平穩(wěn)信號的時(shí)變性給予了恰當(dāng)?shù)拿枋?，改進(jìn)了傅里葉分析的性能^[8]。然而，方法仍是全局范疇，原因在于其信號分析性能取決于基函數(shù)的選取，存在局限性。

    1998年Huang等人提出了一種全新的信號時(shí)頻分析方法——希爾伯特·黃變換(Hilbert-Huang Transform，HHT)^[9]。該方法首先采用經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decom-position，EMD)算法將非平穩(wěn)信號逐級分解為若干個(gè)固有模態(tài)函數(shù)(Intrinsic Mode Function，IMF)和一個(gè)殘余量，然后再對各個(gè)IMF分量進(jìn)行希爾伯特變換(Hilbert Transform，HT)得到能夠準(zhǔn)確反映信號能量在空間(或時(shí)間)各尺度上的分布規(guī)律^[9]的Hilbert譜^[10]。EMD具有數(shù)據(jù)驅(qū)動(dòng)的自適應(yīng)性，能分析非線性非平穩(wěn)信號，不受Heisenberg測不準(zhǔn)原理^[11]制約等優(yōu)點(diǎn)。

    然而，Huang提出的基于篩分(Sifting)算法的EMD得到的IMF分量^[12]存在模態(tài)混疊(Mode Mixing，MM)^[9]。模態(tài)混疊的出現(xiàn)不僅會導(dǎo)致錯(cuò)假的時(shí)頻分布，也使IMF失去物理意義。圍繞模態(tài)混疊的消除或抑制，國內(nèi)外開展了一系列的研究，并獲得不同程度的效果。本文分別針對一維和多維EMD抑制模態(tài)混疊，總結(jié)歸納了相關(guān)研究取得的主要成果，指出了各方法抑制效果的改進(jìn)及仍有的不足。最后討論了相關(guān)研究及應(yīng)用未來的發(fā)展趨勢。

    EMD自適應(yīng)的逐級分解^[13]過程中，IMF必須滿足以下兩個(gè)條件：(1)信號極值點(diǎn)和零點(diǎn)數(shù)相同或相差一個(gè)；(2)由信號局部極大、小值點(diǎn)擬合的上、下包絡(luò)線的局部均值為零，也即上下包絡(luò)線關(guān)于時(shí)間軸局部對稱^[14]。設(shè)待分解信號為X(t)，EMD算法的計(jì)算步驟如下^[9]：

    式(1)說明EMD分解具有完備性^[9]，信號X(t)經(jīng)分解后還能通過所有IMF及剩余分量被精確重構(gòu)出來。

    EMD在非線性非平穩(wěn)信號分析中具有顯著優(yōu)勢。與傳統(tǒng)時(shí)頻分析技術(shù)相比，EMD無需選擇基函數(shù)，其分解基于信號本身極值點(diǎn)的分布。而算法本身缺少完整的理論基礎(chǔ)，在實(shí)際計(jì)算與應(yīng)用中還存在著許多不足，包括模態(tài)混疊^[15]、端點(diǎn)效應(yīng)^[16]、篩分迭代停止標(biāo)準(zhǔn)^[12]等。一般情況下，每個(gè)固有模態(tài)函數(shù)只包含一種頻率成分，不存在模態(tài)混疊的現(xiàn)象。但是，當(dāng)信號中存在由異常事件(如間斷信號、脈沖干擾和噪聲等)引起的間歇(Intermittency)現(xiàn)象時(shí)，EMD的分解結(jié)果就會出現(xiàn)模態(tài)混疊^[9]。

    為克服EMD的模態(tài)混疊，2009年Wu和Huang提出一種噪聲輔助信號分析方法——集合經(jīng)驗(yàn)?zāi)B(tài)分解(Ensemble EMD，EEMD)^[17]。該算法利用EMD濾波器組^[18]行為及白噪聲頻譜均勻分布的統(tǒng)計(jì)特性^[19]，使Sifting過程信號極值點(diǎn)分布更趨勻稱，有效抑制由間歇性高頻分量等因素造成的模態(tài)混疊。設(shè)待分解信號為X(t)，EEMD算法的計(jì)算步驟如下^[17]：

    然而，在EEMD中，每個(gè)加噪信號 hⁱ(t)獨(dú)立地被分解，使得每個(gè) hⁱ(t)分解后可能產(chǎn)生不同數(shù)量的IMF，導(dǎo)致集合平均時(shí)IMF分量對齊困難。此外，添加的白噪聲幅值和迭代次數(shù)依靠人為經(jīng)驗(yàn)設(shè)置，當(dāng)數(shù)值設(shè)置不當(dāng)時(shí)，無法克服模態(tài)混疊^[20]。雖然增加集合平均次數(shù)可降低重構(gòu)誤差，但這是以增加計(jì)算成本為代價(jià)，且有限次數(shù)的集合平均并不能完全消除白噪聲，導(dǎo)致算法重構(gòu)誤差大，分解完備性差^[21]。

    Yeh等于2010年提出了互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解(Complementary EEMD，CEEMD)^[22]。該方法向原始信號中加入正負(fù)成對的輔助白噪聲，在集合平均時(shí)相消，能有效提高分解效率，克服EEMD重構(gòu)誤差大、分解完備性差的問題。設(shè)待分解信號為X(t)，CEEMD算法的計(jì)算步驟如下^[22]：

    為解決集合平均時(shí)IMF分量對齊問題，TORRES M E等在2011年從分解過程和添加白噪聲上對CEEMD進(jìn)行改進(jìn)，提出了自適應(yīng)噪聲的完整集合經(jīng)驗(yàn)?zāi)B(tài)分解(Complete EEMD with Adaptive Noise，CEEMDAN)^[24]。設(shè)待分解信號為X(t)，定義操作算子Ek(·)來表示信號經(jīng)過EMD分解后得到的第k階固有模態(tài)分量，CEEMDAN算法可描述如下^[24]：

    Wu和Huang建議^[17]使用小振幅值來處理由高頻信號支配的數(shù)據(jù)，反之則增大噪聲幅值。在分解過程中添加的是白噪聲經(jīng)EMD分解得到的各階IMF分量，最后重構(gòu)信號中的噪聲殘余比EEMD的結(jié)果小，降低了篩選次數(shù)。另一方面，各組信號經(jīng)CEEMDAN分解出第一階固有模態(tài)分量后立即進(jìn)行集合平均，避免了CEEMD中各組IMF分解結(jié)果差異造成最后集合平均難以對齊的問題，也避免了其中某一階IMF分解效果不好時(shí)，將影響傳遞給下一階，影響后續(xù)分解。盡管如此，CEEMDAN仍然有一些需要改進(jìn)的方面^[23]，如 IMF仍包含殘余噪聲；在分解的早期階段，信號會出現(xiàn)一些“虛假”模式，導(dǎo)致在前兩階或三階模態(tài)中仍包含了大量的噪聲和信號的相似尺度^[24，26]。

    針對CEEMDAN存在的殘余噪聲及“虛假”模式問題，TORRES M E等試圖估計(jì)每次分解剩余分量r_k的“真實(shí)”平均包絡(luò)，進(jìn)一步提出了改進(jìn)算法^[23]。定義M(·)為對信號進(jìn)行局部包絡(luò)平均運(yùn)算，即取信號上下包絡(luò)的平均值；nⁱ(t)表示方差為1的零均值白噪聲。設(shè)待分解的信號為X(t)，改進(jìn)的CEEMDAN算法描述如下[23]：

    (6)判斷是否滿足終止條件，若滿足，則停止分解。

    與EEMD和CEEMDAN相比，改進(jìn)的CEEMDAN引入局部包絡(luò)平均減小殘余噪聲；在分解過程中，依次計(jì)算IMF，保證了分解的完整性，信號重構(gòu)誤差更小。但計(jì)算量過大，實(shí)時(shí)性有待進(jìn)一步改進(jìn)^[23，27]。

    將EMD直接用于分解多通道信號時(shí)存在各通道IMF分量在數(shù)量和頻率尺度上難以對齊問題，使得重構(gòu)后各通道信號難以保持信號原有的相位關(guān)系^[28]。Rehman等人在2010年提出了能夠同時(shí)處理多通道信號的多維經(jīng)驗(yàn)?zāi)B(tài)分解(Multivariate EMD，MEMD)^[28]。在此基礎(chǔ)上，將白噪聲作為信號其中一維或多維加入進(jìn)行MEMD處理，提出了噪聲輔助多維經(jīng)驗(yàn)?zāi)B(tài)分解(Noise Assisted MEMD，NA-MEMD)^[29-30]。由于白噪聲具有頻譜均勻分布的統(tǒng)計(jì)特性，該算法能有效抑制經(jīng)驗(yàn)?zāi)B(tài)分解存在的模態(tài)混疊。

6.1 多元經(jīng)驗(yàn)?zāi)B(tài)分解

    MEMD 的提出解決了多通道信號的模式校準(zhǔn)問題。但MEMD分解也會得到一些虛假分量，仍存在模態(tài)混疊問題^[33]，影響對后續(xù)的特征提取。

6.2 噪聲輔助的多元經(jīng)驗(yàn)?zāi)B(tài)分解

    NA-MEMD方法是EMD的多變量噪聲擴(kuò)展形式，算法不但充分利用了MEMD處理白噪聲時(shí)具有的固定通帶的頻率特性，而且加入額外的獨(dú)立白噪聲確保分解后信號與噪聲的IMF分量完全可分離。相較于基于EEMD分解的方法無需進(jìn)行IMF的集合平均，提高了計(jì)算效率，減小了噪聲干擾，性能更為優(yōu)越^[33，34]。

    EMD將信號進(jìn)行平穩(wěn)化處理的過程中存在模態(tài)混疊，影響該方法的性能及應(yīng)用。本文圍繞模態(tài)混疊抑制，總結(jié)歸納了一維及多維EMD研究方面的主要工作。EEMD雖然能有效抑制模態(tài)混疊，但在分解過程中添加的輔助白噪聲最終需要增加集合平均次數(shù)來抵消，計(jì)算耗時(shí)長，重構(gòu)誤差大。CEEMD在抑制模態(tài)混疊的同時(shí)正負(fù)成對噪聲相消，部分降低了殘留噪聲的影響，減輕了集合平均抑制添加白噪聲的負(fù)擔(dān)，提高了計(jì)算效率。CEEMDAN及其改進(jìn)方法在每次分解時(shí)添加白噪聲的IMF分量，添加噪聲逐級減少，固有模態(tài)分量中殘留噪聲更少，有效減小了重構(gòu)誤差，且在分解的每個(gè)階段都有一個(gè)全局停止標(biāo)準(zhǔn)，分解效率最高。MEMD對多維信號同時(shí)進(jìn)行分解，確保了各通道IMF分量在數(shù)量和尺度上相匹配，重構(gòu)的各通道信號間的相位無畸變。但由于其采用與EMD算法相一致的思想， MIMF也會存在模態(tài)混疊。NA-MEMD通過引入輔助噪聲通道，消除了MEMD中存在的模態(tài)混疊，同時(shí)還保證了信號分解的完備性，分解性能最優(yōu)，但由于多維空間極值點(diǎn)包絡(luò)及局部均值的估計(jì)算法過于復(fù)雜，計(jì)算量最大。特別是對空間單位球面的采樣顯著增加了采樣，導(dǎo)致計(jì)算量快速增加，分解效率最差。因而需要在計(jì)算精度和復(fù)雜度之間折衷考慮。

    針對模態(tài)混疊抑制，未來還可以從添加的輔助信號形態(tài)、發(fā)生模態(tài)混疊的IMF再處理及對信號濾波后再分解三個(gè)方面展開探索。此外，從理論上深入研究EMD處理過程中模態(tài)混疊發(fā)生的機(jī)理也有助于探索新的抑制方法，提高EMD算法的精度和效率，提升其應(yīng)用水平和適應(yīng)范圍。

參考文獻(xiàn)

[1] STEIN E M，WEISS G L.Introduction to Fourier analysis on Euclidean spaces[M].Princeton University Press，1971，212(2)：484-503.

[2] BIRKHOFF G.A limitation of fourier analysis[J].Journal of Mathematics and Mechanics，1967，17(5)：443-447.

[3] GRIFFIN D，LIM J S.Signal estimation from modified short-time Fourier transform[J].IEEE Transactions on Acoustics，Speech，and Signal Processing，1984，32(2)：236-243.

[4] LOUGHLIN P J，PITTON J W，ATLAS L E.Bilinear time-frequency representations: new insights and properties[J].IEEE Transactions on Signal Processing，1993，41(2)：750-767.

[5] QIAN S E，CHEN D P.Discrete Gabor transform[J].IEEE Transactions on Signal Processing，1993，41(7)：2429-2438.

[6] MALLAT S G.A theory for multiresolution signal decomposition：the wavelet representation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1989，11(7)： 674-693.

[7] ALMEIDA L B.The fractional Fourier transform and time-frequency representations[J].IEEE Transactions on Signal Processing，1994，42(11)：3084-3091.

[8] ROEPSTORFF G.Fourier decomposition[M].Path Integral Approach to Quantum Physics.Springer Berlin Heidelberg，1994.

[9] HUANG N E，SHEN Z，LONG S R，et al.The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J].Mathematical，Physical and Engineering Sciences，1998，454(1971)：903-995.

[10] HUANG N E，WU Z H，LONG S R，et al.On instantaneous frequency[J].Advances in Adaptive Data Analysis，2009，1(2)：177-229.

[11] HEISENBERG W.Uber den anschaulichen Inhalt der quantentheoretischen Kinematik und Mechanik[J].Zeitschrift Für Physik，1927，43(3-4)：172-198.

[12] CHENG J S，YU D J，YANG Y.Research on the intrinsic mode function(IMF)criterion in EMD method[J].Mechanical Systems and Signal Processing，2006，20(4)：817-824.

[13] HUANG N E，WU M L C，LONG S R，et al.A confidence limit for the empirical mode decomposition and hilbert spectral analysis[J].Mathematical，Physical and Engineering Sciences，2003，459(2037)：2317-2345.

[14] WANG G，CHEN X Y，QIAO F L，et al.On intrinsic mode function[J].Advances in Adaptive Data Analysis，2010，2(3)：277-293.

[15] HU X Y，PENG S L，HWANG W L.EMD revisited：a new understanding of the envelope and resolving the mode-mixing problem in AM-FM signals[J].IEEE Transactions on Signal Processing，2012，60(3)：1075-1086.

[16] SU Y X，LIU Z G，LI K L，et al.A new method for end effect of EMD and its application to harmonic analysis[J].Advanced Technology of Electrical Engineering and Energy，2008，27(2)：33.

[17] WU Z H，HUANG N E.Ensemble empirical mode decomposition：a noise-assisted data analysis method[J].Ad vances in Adaptive Data Analysis，2009，1(1)：1793-5369.

[18] FLANDRIN P，RILLING G，GONCALVES P.Empirical mode decomposition as a filter bank[J].IEEE Signal Processing Letters，2004，11(2)：112-114.

[19] WU Z H，HUANG N E.A study of the characteristics of white noise using the empirical mode decomposition method[J].Mathematical，Physical and Engineering Sciences，2004，460(2046)：1597-1611.

[20] HUANG N E，SHEN S S P.Hilbert-Huang transform and its applications[M].World Scientific，2005.

[21] HELSKE J，LUUKKO P.Ensemble empirical mode decomposition(EEMD) and its completevariant (CEEMDAN)[J].International Journal of Public Health，2015，60(5)：1-9.

[22] YEH J R，SHIEH J S，HUANG N E.Complementary ensemble empirical mode decomposition: a novel noise enhanced data analysis method[J].Advances in Adaptive Data Analysis，2010，2(2)：135-156.

[23] COLOMINAS M A，SCHLOTTHAUER G，TORRES M E.Improved complete ensemble EMD：a suitable tool for biomedical signal processing[J].Biomedical Signal Processing and Control，2014，14(1)：19-29.

[24] TORRES M E，COLOMINAS M A，SCHLOTTHAUER G，et al.A complete ensemble empirical mode decomposition with adaptive noise[C].2011 IEEE International Conference on Acoustics，Speech and Signal Processing(ICASSP)，2011：4144-4147.

[25] COLOMINAS M A，SCHLOTTHAUER G，TORRES M E，et al.Noise-assisted emd methods in action[J].Advances in Adaptive Data Analysis，2012，4(4)：1793-5369.

[26] COLOMINAS M A，SCHLOTTHAUER G，F(xiàn)LANDRIN P，et al.Descomposición empírica en modos por conjuntos completa con ruido adaptativo y aplicaciones biomédicas[C].XVIII Congreso Argentino de Bioingeniería SABI 2011-VII Jornadas de Ingeniería Clínica.2011.

[27] HUMEAU-HEURTIER A，ABRAHAM P，MAHE G.Analysis of laser speckle contrast images variability using a novel empirical mode decomposition: comparison of results with laser Doppler flowmetry signals variability[J].IEEE Transactions on Medical Imaging，2015，34(2)：618-627.

[28] REHMAN N U，MANDIC D P.Multivariate empirical mode decomposition[J].Mathematical，Physical and Engineering Sciences，2010，466(2117)：1291-1302.

[29] REHMAN N U，MANDIC D P.Filter bank property of multivariate empirical mode decomposition[J].IEEE Transactions on Signal Processing，2011，59(5)：2421-2426.

[30] REHMAN N U，PARK C，HUANG N E，et al.EMD via MEMD：multivariate noise-aided computation of standard EMD[J].Advances in Adaptive Data Analysis，2013，5(2)：1793-5369.

[31] MANDIC D P，REHMAN N U，WU Z H，et al.Empirical mode decomposition- based time-frequency analysis of multivariate signals：the power of adaptive data analysis[J].IEEE Signal Processing Magazine，2013，30(6)：74-86.

[32] CUI J J，F(xiàn)REEDEN W.Equidistribution on the Sphere[M].Society for Industrial and Applied Mathematics，1997，18(2)：595-609.

[33] PARK C，LOONEY D，REHMAN N U，et al.Classification of motor imagery BCI using multivariate empirical mode decomposition[J].IEEE Transactions on Neural Systems and Rehabilitation Engineering，2013，21(1)：10-22.

[34] LOONEY D，MANDIC D P.Multiscale image fusion using complex extensions of EMD[J].IEEE Transactions on Signal Processing，2009，57(4)：1626-1630.

作者信息:

戴  婷1，張榆鋒1，章克信2，何冰冰1，朱泓萱1，張俊華1

（1.云南大學(xué) 信息學(xué)院電子工程系，云南 昆明650091；2.昆明醫(yī)科大學(xué)第二附屬醫(yī)院，云南 昆明650031）