Empirical Fourier Decomposition: An Accurate Adaptive Signal Decomposition Method
信号分解是辅助识别时域信号模态信息的有效工具。基于傅立叶变换理论，提出了两种信号分解方法：经验小波变换（EWT）和傅立叶分解法（FDM）。然而，EWT可能遭受模式混合问题的信号与密集模式和FDM的分解结果可能遭受不一致的问题。提出了一种精确的自适应信号分解方法，称为经验傅里叶分解（EFD），以解决这项工作中的问题。建议EFD结合使用改进的傅立叶频谱分割技术和理想的滤波器组。分割技术通过预先定义待分解信号中的模式数来解决不一致性问题，并且理想滤波器组中的滤波器函数没有过渡相位，这可以解决模式混合问题。数值研究进行了研究的EFD的精度。结果表明，与EWT、FDM、变分模式分解和经验模式分解的结果相比，EFD对多个非平稳模式和密集模式信号的分解结果准确一致。研究结果还表明，EFD可以得到准确的时频表示结果，并且在比较的方法中具有最高的计算效率。
2020-10-08 eess.SP
Empirical Fourier Decomposition
本文提出了一种新的非平稳非线性信号分解方法。该方法的灵感来自于经验小波变换（EWT）的自适应小波滤波器组和傅立叶分解方法（FDM）的傅立叶本征带函数（FIBFs）。因此，该方法被称为经验傅立叶分解（EFD）。EFD定义为自适应带通滤波器组，即基于傅立叶频谱分段的自适应光纤带通滤波器。首先，提出了一种基于傅立叶谱的增强分割技术。其次，分别从连续序列和离散序列两个方面建立了EFD的框架。最后，结合Hilbert变换，将EFD扩展到时频表示。为了验证EFD的有效性，三个非平稳多模信号，一个模拟的自由振动，和一个真正的心电信号进行了测试。结果表明，与EWT和FDM相比，EFD具有更高的处理精度、计算效率和噪声鲁棒性，特别是对密集频率和高频噪声的鲁棒性更强。
2019-12-01 eess.SP
Non-parametric Ensemble Empirical Mode Decomposition for extracting weak features to identify bearing defects
针对轴承缺陷微弱特征识别问题，提出无需预设噪声理想信噪比和集合数量的NPCEEMD方法，经仿真验证模态混叠更低，结合互信息选IMF和包络谱实现缺陷检测。
2023-10-02 eess.SP
A Novel Foward-PDE Approach as an Alternative to Empirical Mode Decomposition
本文提出了一种经验模态分解（EMD）的数学模型.经验模态分解虽然是信号处理的有力工具，但算法本身缺乏相应的理论基础。经验模态分解方法中涉及的插值和迭代过程一直是数学建模的障碍。在这里，我们提出了一种新的前向热方程的方法来表示平均包络和筛选过程。这种新的模型可以提供一个更好的数学分析的经典EMD以及识别其局限性。我们的方法实现了更好的性能相比，经典的EMD方法的“模式混合”的信号，是更强大的噪声。此外，我们还讨论了EMD分离信号的能力以及通过调整参数可能得到的改进。
2018-02-02 eess.SP
Denoising ECG by Adaptive Filter with Empirical Mode Decomposition
心电信号是一种重要的生理信号，蕴含着心脏的信息，是诊断心脏相关疾病的依据。本文提出了几种基于自适应滤波器和经验模式分解（EMD）的新颖有效的方法来去除受各种噪声污染的心电信号，包括基线漂移（BW）、电源线干扰（PLI）、电极运动伪影（EM）和肌肉伪影（MA）。本文首先提出了一种基于经验模态分解和自适应滤波的心电信号去噪方法。然后，我们将该方法扩展到复杂的情况下，四个最常见的噪声，PLI，BW，EM和MA存在。建议的并行EMD自适应滤波器结构产生最好的信噪比改善MIT-BIH心律失常数据库，损坏的四种类型的噪声。
2021-08-18 eess.SP
Ambient PMU Data Based System Oscillation Analysis Using Multivariate Empirical Mode Decomposition
广域同步相量环境测量为实时振荡模式监测和分析提供了宝贵的数据源。本文介绍了一种利用广域环境测量识别区域间振荡模式的新方法。基于多元经验模式分解（MEMD）分析多通道非平稳非线性信号的方法，该方法能够检测出多个同步相量测量中存在的低幅值的共同振荡模式。基于两个真实数据集的测试结果验证了该方法的有效性。
2021-03-02 cs.SY eess.SP eess.SY
Multivariate Empirical Mode Decomposition of EEG for Mental State Detection at Localized Brain Lobes
在这项研究中，多变量经验模式分解（MEMD）方法被应用于提取特征的多通道脑电信号的精神状态分类。MEMD是一种数据自适应分析方法，特别适用于EEG等多维非线性信号。应用MEMD会产生一组称为固有模式函数（IMF）的振荡模式。由于分解过程是依赖于数据的，因此IMF根据由功能性脑活动引起的信号变化而变化。在所提取的IMF中，发现对应于高振荡模式的IMF对于检测不同的精神状态是最有用的。从对精神状态检测贡献最大的IMF计算非线性特征。这些MEMD特征显示出比通过傅里叶变换和小波变换获得的常规时间谱特征显著的性能增益。通过分析从相关EEG通道提取的MEMD特征，观察特定脑区的优势。额区被认为是最显着的分类准确率为98.06%。这种多维分解方法支持联合通道属性，并为基于EEG的精神状态检测产生最具鉴别力的特征。
2022-06-02 eess.SP
Structural Damage Detection Using Ensemble Empirical Mode Decomposition, Hilbert Transform and Artificial Neural Networks
土木结构处于变化的边缘，导致耗能能力下降。结构健康监测作为一种实现结构损伤检测和状态评估的过程，在结构可靠性中起着关键作用。地震是一个公认的因素，在变化的结构条件，因为非弹性行为的建筑物受到设计水平的地震是合理的。本文将希尔伯特-黄变换（HHT）与包络经验模态分解（EEMD）相结合，以代替传统的希尔伯特-黄变换（HHT）。虽然类似，EEMD带来了更合适的本征模态函数（IMF）比经验模态分解（EMD）。IMF用于评估第一模态频率和模态形状。然后，利用人工神经网络（ANN）预测结构在前一时刻的加速度。人工神经网络功能精确。因此，预测加速度和测量加速度之间的任何一致性提供了损坏的开始。然后用另一种神经网络方法估计刚度矩阵。虽然预先计算了第一阶振型和频率，但为了找到刚度矩阵，实质上需要求解逆问题。这一任务是由人工神经网络来完成的，也就是说，这两种人工神经网络方法分别用于预测位置和衡量损害的严重程度。对一个非线性抗弯钢框架进行了计算，得到了满意的结果。
2018-11-30 eess.SP
Analysis of Empirical Mode Decomposition-based Load and Renewable Time Series Forecasting
University of Saskatchewan（萨斯喀彻温大学）；SaskPower（萨斯电力公司）
经验模态分解（EMD）方法及其变体已被广泛应用于负荷和可再生能源预测文献。使用这种多分辨率分解，时间序列（TS）相关的历史负荷和可再生能源发电分解成几个本征模式函数（IMF），这是不太非平稳和非线性。因此，理论上可以以显著更高的精度进行分量的预测。EMD方法容易出现几个问题，包括模态混叠和边界效应问题，但基于TS分解的负荷和可再生能源发电预测文献主要侧重于从预测精度的角度比较不同分解方法的性能;因此，这些问题很少被仔细研究。低估这些问题可能会导致预测模型在实时应用中的性能低下。本文探讨了这些问题及其在模型开发阶段的重要性。使用真实世界的数据，EMD为基础的模型，并说明边界效应的影响。
2020-11-23 cs.LG cs.SY eess.SP
Predictive Resource Allocation for URLLC using Empirical Mode Decomposition
本文提出一种基于经验模态分解（EMD）的混合预测方法，通过结合LSTM和ARIMA预测干扰分量并重构，实现了近最优的下行链路资源分配，显著降低了预测误差和中断率。
2023-04-04 eess.SP
Cutting Through the Noise: An Empirical Comparison of Psychoacoustic and Envelope-based Features for Machinery Fault Detection
Lenze SE（伦茨公司）；Bielefeld University of Applied Sciences（比勒费尔德应用科学大学）；Leibniz University of Hannover（莱布尼茨汉诺威大学）
基于声学的故障检测在监测机械部件的健康状况方面具有很高的潜力。然而，工业环境的背景噪声可能负面地影响故障检测的性能。有限的注意力已经支付到提高故障检测对工业环境噪声的鲁棒性。因此，我们提出了伦茨生产背景噪声（LPBN）的真实世界的数据集和自动化和噪声鲁棒性的听觉检查（ARAI）系统的减速电机的下线检查。声学阵列用于从具有小故障、大故障或健康的电机获取数据。提供了一个基准，以比较心理声学特征与不同类型的包络特征的基础上的专家知识的齿轮箱。据我们所知，我们是第一个应用时变心理声学特征进行故障检测。我们训练一个国家的最先进的一类分类器，从健康的电机样本和分离故障的故障检测使用阈值。性能最好的方法实现了0.87（对数包络），0.86（时变心理声学）和0.91（两者的组合）的曲线下面积。
2023-03-13 cs.LG cs.SD eess.AS
Local damage detection in rolling element bearings based on a Single Ensemble Empirical Mode Decomposition
针对滚动轴承局部损伤定位问题，提出无需多次集合、仅需单次筛选的单次集合经验模态分解（SEEMD）方法，可处理非高斯/非平稳信号并提升计算效率，应用于采矿信号时能有效提取高质量目标信号以检测故障。
2025-02-12 eess.SP
Comparison of Different Segmentations in Automated Detection of Hypertension Using Electrocardiography with Empirical Mode Decomposition
本研究针对高血压早期准确诊断需求，提出基于经验模态分解提取心电图IMF特征的自动检测方法，在不同长度数据集上经决策树算法和5折交叉验证取得超99.99%的准确率，为临床辅助诊断提供潜在方案。
2023-11-07 eess.SP
Harmonic and Interharmonic Detection in Power Systems Based on Fractal-Optimized Variational Mode Decomposition
针对电力系统中VMD分解层数需人工预设的问题，提出基于最小分形盒维数确定VMD参数的谐波与间谐波检测方法，结合希尔伯特变换提取特征，经仿真与实测数据验证，其性能优于EMD和EEMD。
2024-05-16 eess.SP
A Combined Model for Noise Reduction of Lung Sound Signals Based on Empirical Mode Decomposition and Artificial Neural Network
近年来，已经提出了肺音（LS）信号的计算机分析作为分析肺部状态的工具，但是一直存在主要挑战，包括LS被来自不同强度的不同来源的环境噪声污染。LS信号降噪的常用方法之一是基于信号的离散小波变换（DWT）系数或经验模式分解（EMD）的阈值化，然而，在这些方法中，需要计算信噪比值以确定合适的阈值来去除噪声。针对这一问题，本文提出了一种基于经验模态分解（EMD）和人工神经网络（ANN）的组合模型。该模型能够在不需要阈值处理甚至不需要信噪比估计的情况下，滤除-2 ~20dB范围内的白噪声和粉红噪声，同时较好地保留了LS信号的主要成分。将该方法与经验模态分解自定义方法进行了比较，从信噪比、拟合准则等方面表明了该方法的绝对优越性。例如，在SNR = 0 dB时，对于白噪声和粉红噪声，组合方法可以分别提高SNR 9.41和8.23dB，而对于EMD-自定义方法，相应的值分别为5.89和4.31dB。
2022-09-20 eess.AS eess.SP
Characterization of blood pressure and heart rate oscillations of POTS patients via uniform phase empirical mode decomposition
目的：体位性心动过速综合征（POTS）与体位改变时心动过速的发作有关。目前的诊断包括在直立倾斜（HUT）或主动站立试验期间测量心率（HR）和血压（BP）。如果HR变化超过30 bpm（12-19岁患者为40 bpm），则做出阳性诊断，忽略所有BP和大部分HR信号。本研究探讨了0.1 Hz振荡收缩期动脉血压（SBP）和HR信号提供额外的指标特征的压力反射的动态。方法：我们分析了28例对照组和28例接受HUT的POTS患者的数据。我们在10分钟间隔内提取心跳心率和收缩压，包括5分钟的基线和5分钟的HUT。我们采用均匀相位经验模式分解（UPEMD）从两个信号中提取0.1 Hz的平稳模式，并使用随机森林机器学习和k-means聚类来分析结果。结果表明，POTS患者的0.1 Hz振荡幅度较高，两个信号之间的相位响应较短（p < 0.005）。结论：POTS与SBP和HR 0.1 Hz振荡幅度的增加以及两个信号之间的相位缩短相关。重要性：0.1Hz相位响应和振荡幅度度量提供了新的标记，其可以改进POTS诊断，增强仅分析心率变化的现有诊断协议。
2020-01-24 eess.SP math.SP q-bio.QM
A noise reduction method for force measurements in water entry experiments based on the Ensemble Empirical Mode Decomposition
本文提出了一种基于EEMD（Encouragement Empirical Mode Decomposition）的去噪策略，用于去除飞机紧急迫降缩比模型试验中测得的非平稳信号中的背景噪声。在12 m/s的恒定水平速度和0.45 m/s的冲击开始时的垂直速度下进行开沟试验。测量数据受到大幅度宽带噪声的影响，该噪声具有机械和电子两种来源。噪音源无法轻易避免或消除，因为它们与牵引车结构的振动以及测量链和电磁场之间的相互作用有关。EEMD降噪方法基于将信号分解为模式，并基于使用残余、信号主导模式和用阈值技术处理的一些进一步模式的部分重建，这有助于保留信号的一些尖锐特征。该策略首先在具有叠加且已知背景噪声的合成信号上开发和测试。当机身在空中移动时，通过测量作用在机身上的惯性力来验证该方法，因为在这种情况下，附加质量可以忽略不计，去噪力应等于质量与加速度的乘积，两者都是已知的。最后，该程序被应用到实际开沟实验过程中测得的力去噪。结果优于其他经典的滤波方法，如移动平均滤波器和低通FIR滤波器，特别是由于增强的EEMD去噪策略的能力，在这里开发，以保持尖锐的特征的信号，并减少残留的低频振荡的杂散来源。
2022-01-05 eess.SP physics.flu-dyn
On Transfer Learning For Chatter Detection in Turning Using Wavelet Packet Transform and Empirical Mode Decomposition
Michigan State University（密歇根州立大学）；Chemnitz University of Technology（开姆尼茨工业大学）
机床上传感器数据的可用性不断提高，使得自动颤振检测算法成为金属切削领域的一个热门话题。小波包变换（WPT）和包络经验模式分解（EEMD）是两种通过信号分解进行特征提取的先进方法。我们将这两种方法应用于从车床刀架上的加速度传感器获得的时间序列。不同的车削实验与不同的机床结构的动态行为进行。我们比较了这两种方法与支持向量机（SVM），逻辑回归，随机森林分类和梯度提升结合递归特征消除（RFE）的性能。我们还表明，选择具有最高能量比的小波包作为颤振的代表特征的常见的基于WPT的方法并不总是导致包含颤振频率的数据包，从而降低了分类精度。此外，我们通过在其中一种切割配置上训练分类器，然后在其他情况下对其进行测试，来测试这些方法的迁移学习能力。据发现，当训练和测试的数据从相同的切割配置这两种方法产生高精度达到的情况下高达94%和95%，分别为WPT和EEMD。然而，我们的实验结果表明，EEMD在迁移学习应用中的性能优于WPT，准确率高达95%。
2020-01-17 cs.CE cs.LG eess.SP
Enhancing dysarthria speech feature representation with empirical mode decomposition and Walsh-Hadamard transform
Taiyuan University of Technology（太原理工大学）；Newcastle University（纽卡斯尔大学）；Peking University First Hospital（北京大学第一医院）
提出WHFEMD构音障碍语音特征增强算法，结合EMD和FWHT提取病理特征，在UA Speech和TORGO数据库上分类性能显著提升，并有效解决数据不平衡问题。
2023-12-30 cs.AI eess.AS eess.SP
Empirical mode decomposition and interpretable machine learning for preterm birth classification from electrohysterography
Multidisciplinary AI Research Centre, University of Peradeniya（佩拉德尼亚大学多学科人工智能研究中心）；Farbe Technologies (Pvt) Ltd（Farbe科技有限公司）；Department of Electrical and Electronic Engineering, University of Peradeniya（佩拉德尼亚大学电气与电子工程系）；Department of Computer Engineering, University of Peradeniya（佩拉德尼亚大学计算机工程系）；Department of Obstetrics and Gynaecology, University of Peradeniya（佩拉德尼亚大学妇产科系）
本研究基于TPEHGT数据集，采用EMD提取EHG的IMF1特征，结合随机森林分类实现早产分类，性能优于时域特征，为早产无创评估提供了新方法。
2026-08-19 eess.SP q-bio.QM
Neural Mode Decomposition based on Fourier neural network and frequency clustering
自1998年Huang提出经验模态分解（Empirical Mode Decomposition，EMD）以来，模态分解得到了广泛的研究，但EMD及其相关算法普遍缺乏适应性和数学理论。提出了一种基于傅立叶神经网络（FNN）和频率聚类的模式分解算法-神经模式分解（NMD）。首先构造模糊神经网络，对原始数据中各调幅频率分量和非周期分量的信息进行分解和学习。其次，由FNN获得的频率分量聚类成多个本征模式函数（IMF）与分离的频谱的基础上学习的每个频率分量的能量。对一系列人工数据和实际数据的实际分解结果表明，NMD算法能有效地实现模式分解，比EMD更能反映原始数据的特征，比变分模式分解（VMD）具有更高的适应性。
2021-08-26 eess.SP math.SP
