看看最近的文章

经验模态分解(EMD)由Huang提出et al。自适应地将信号分解为几个零均值AM-FM分量的本征模态函数(IMFs)。自1998年推出以来，EMD已被广泛应用于各个领域。然而，正如许多作者指出的那样，EMD存在一些缺点(参见b[2])。这就是其他基于emd的方法出现的原因，[2-6]仅举几个例子。

最近，非线性模态分解(NMD)被提出作为另一种自适应算法，将信号分解成振荡，同时去除噪声[7]。从其在合成和真实生物医学数据上的表现来看，NMD已显示出优于其他方法的性能。

NMD是基于时频分析[8]、替代数据测试和谐波识别[9]的组合。更准确地说，该算法依赖于四个步骤[7]:(i)从信号时频表示[8]中提取NM的基频;(ii)搜索其所有可能的谐波;(iii)真实谐波的识别;(iv)由真谐波和重建全NM;从信号中减去这个NM;在残差上迭代，直到满足停止准则。

在其基础论文中，NMD已经应用于模拟信号和现实生活数据[7]。对于后一种情况，激光多普勒血流测量(LDF)信号反映微血管血流已被处理[7]。结果表明，NMD能够将数据分解为与生理活动相关的振荡。NMD在去除脑电图信号[7]中的心脏伪影方面也取得了成功。

从它的性能来看，NMD可以成为生物医学领域的极大兴趣。许多应用有望出现在医学和生物学。此外，运行NMD的程式码可免费下载(http://www.physics.lancs.ac.uk/research/nbmphysics/diats/nmd/）.

参考文献

1. 黄宁宁，沈志，龙绍林，吴明明，施洪红等。(1998)非线性非平稳时间序列分析的经验模态分解和Hilbert谱。英国皇家学会伦敦分会454: 903 - 995。
2. 吴忠，黄奈(2009)集成经验模态分解:一种噪声辅助数据分析方法。适应数据1:1 - 41。
3. 叶小荣，谢国杰(2010)互补系综经验模态分解:一种新的噪声增强数据分析方法。适应数据2: 135 - 156。
4. El 'hadi Bekka R, Berrouche Y(2013)基于过采样的集合经验模态分解改进。适应数据5.1350012.
5. Colominas MA, Schlotthauer G, Torres ME(2014)改进的完整集成EMD:一种适合生物医学信号处理的工具。生物信号过程控制14: 19-29。
6. 薛鑫，周军，徐勇，朱伟，李超(2015)自适应快速集成经验模态分解方法及其在滚动轴承故障诊断中的应用。机甲系统信号处理62 - 63: 444 - 459。
7. 杨建军，杨建军，李建军，等(2015)非线性模态分解:一种自适应噪声鲁棒分解方法。物理Rev E Stat非线性软物质物理92: 032916。(Crossref)
8. Iatsenko D, McClintock PVE, Stefanovska A(2015)线性和同步压缩时频表示重新审视:概述，使用标准，分辨率，重建，集中和算法。数字信号处理42: 1-26。
9. Sheppard LW, Stefanovska A, McClintock PVE(2011)时变频率振荡的谐波检测。物理Rev E Stat非线性软物质物理83: 016206。(Crossref)