TWI552004B - 信號分解方法及其電子裝置 - Google Patents

信號分解方法及其電子裝置 Download PDF

Info

Publication number
TWI552004B
TWI552004B TW104107944A TW104107944A TWI552004B TW I552004 B TWI552004 B TW I552004B TW 104107944 A TW104107944 A TW 104107944A TW 104107944 A TW104107944 A TW 104107944A TW I552004 B TWI552004 B TW I552004B
Authority
TW
Taiwan
Prior art keywords
signal
primary
trend
deterministic
fixed
Prior art date
Application number
TW104107944A
Other languages
English (en)
Other versions
TW201633180A (zh
Inventor
張家齊
蕭子健
許弘毅
Original Assignee
國立交通大學
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 國立交通大學 filed Critical 國立交通大學
Priority to TW104107944A priority Critical patent/TWI552004B/zh
Priority to US14/724,828 priority patent/US9467182B2/en
Publication of TW201633180A publication Critical patent/TW201633180A/zh
Application granted granted Critical
Publication of TWI552004B publication Critical patent/TWI552004B/zh

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/06—Receivers
    • H04B1/10—Means associated with receiver for limiting or suppressing noise or interference
    • H04B1/12—Neutralising, balancing, or compensation arrangements
    • H04B1/123—Neutralising, balancing, or compensation arrangements using adaptive balancing or compensation means
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L7/00—Arrangements for synchronising receiver with transmitter
    • H04L7/02—Speed or phase control by the received code signals, the signals containing no special synchronisation information
    • H04L7/027—Speed or phase control by the received code signals, the signals containing no special synchronisation information extracting the synchronising or clock signal from the received signal spectrum, e.g. by using a resonant or bandpass circuit

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Psychiatry (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Description

信號分解方法及其電子裝置
本發明是有關於一種信號分解方法及其電子裝置。
雖然在現有技術中已存在多種可用於分解信號的演算法(例如傅利葉轉換(Fourier transform)、小波轉換(Wavelet transform)、S轉換(s-transform)、Z轉換(z-transform)、經驗模態分解(Empirical Mode Decomposition，EMD)及總體經驗模態分解(Ensemble Empirical Mode Decomposition，EEMD)等)，但由於這些演算法本身具有某些限制，因而使得其應用性較低。
舉例而言，由於傅利葉轉換、小波轉換、S轉換及Z轉換等演算法本質上都牽扯到無窮級數的概念，因此實際上較難以有限數量的電路來實現。也就是說，若以上述演算法來分解信號將產生一定程度的失真。
再以EMD為例，雖然其改善了非穩態信號及非線性信號的分析效能，但由於其在實施時可能發生模態混合(mode mixing) 的問題，因而降低了其實用性。至於EEMD，雖然其可藉由在欲分解的第一信號中引入雜訊來改善非穩態特性的擾動(non-stationary characteristics fluctuations)，進而將所述第一信號分解為多個本質函數(Intrinsic Mode Function，IMF)，但由於其需大量遞迴地執行三次仿樣曲線內插(Cubic spline interpolation)等非確定性(non-deterministic)濾波操作，使得其運算量及所需的運算時間過高，應用性較低。
有鑑於此，本發明提供一種信號分解方法及其電子裝置，其依序對欲分解的第一信號進行確定性濾波操作及非確定性濾波操作，進而可用低運算量及低運算時間來達到無失真的信號分解。
本發明提出一種信號分解方法，適於電子裝置。所述方法包括下列步驟：取得第一信號；對第一信號執行確定性(deterministic)濾波操作以分解第一信號為至少一主要信號(primary signal)，其中至少一主要信號包括具有固定趨勢(constant trend)的第二信號；以及對第二信號執行非確定性濾波操作以分解第二信號為至少一次要信號(secondary signal)，其中至少一次要信號的其中之一具有固定趨勢，且至少一主要信號及至少一次要信號的總和為第一信號。
在本發明的一實施例中，對第一信號執行確定性濾波操 作以分解第一信號為至少一主要信號的步驟包括：基於確定性濾波演算法去趨勢(detrend)第一信號以獲得至少一主要信號的其中之一；判斷至少一主要信號的所述其中之一是否具有固定趨勢；以及當至少一主要信號的所述其中之一具有固定趨勢時，定義至少一主要信號的所述其中之一為第二信號。
在本發明的一實施例中，當至少一主要信號的所述其中之一不具有固定趨勢時，定義至少一主要信號的所述其中之一為第一信號，並再次基於確定性濾波演算法去趨勢第一信號以獲得至少一主要信號的其中之另一。
在本發明的一實施例中，基於確定性濾波演算法去趨勢第一信號以獲得至少一主要信號的所述其中之一的步驟包括：基於確定性濾波演算法取得第一信號的趨勢信號；以及從第一信號減去趨勢信號以獲得至少一主要信號的所述其中之一。
在本發明的一實施例中，對第二信號執行非確定性濾波操作以分解第二信號為至少一次要信號的步驟包括：基於非確定性濾波演算法去趨勢第二信號以獲得至少一次要信號的其中之一；判斷至少一次要信號的所述其中之一是否具有固定趨勢；以及當至少一次要信號的所述其中之一不具有固定趨勢時，定義至少一次要信號的所述其中之一為第二信號，並再次基於非確定性濾波演算法去趨勢第二信號以獲得至少一次要信號的其中之另一。
在本發明的一實施例中，當至少一次要信號的所述其中 之一具有固定趨勢時，記錄至少一主要信號以及至少一次要信號。
在本發明的一實施例中，基於非確定性濾波演算法去趨勢第二信號以獲得至少一次要信號的所述其中之一的步驟包括：基於非確定性濾波演算法取得第二信號的趨勢信號；以及從第二信號減去趨勢信號以獲得至少一次要信號的所述其中之一。
本發明提出一種電子裝置，包括儲存單元及處理單元。儲存單元儲存多個模組。處理單元連接儲存單元，存取並執行所述多個模組。所述多個模組包括取得模組、第一濾波模組以及第二濾波模組。取得模組取得第一信號。第一濾波模組對第一信號執行確定性濾波操作以分解第一信號為至少一主要信號，其中至少一主要信號包括具有固定趨勢的第二信號。第二濾波模組對第二信號執行非確定性濾波操作以分解第二信號為至少一次要信號，其中至少一次要信號的其中之一具有固定趨勢，且至少一主要信號及至少一次要信號的總和為第一信號。
在本發明的一實施例中，第一濾波模組經配置以：基於確定性濾波演算法去趨勢第一信號以獲得至少一主要信號的其中之一；判斷至少一主要信號的所述其中之一是否具有固定趨勢；以及當至少一主要信號的所述其中之一具有固定趨勢時，定義至少一主要信號的所述其中之一為第二信號。
在本發明的一實施例中，當至少一主要信號的所述其中之一不具有固定趨勢時，第一濾波模組經配置以定義至少一主要信號的所述其中之一為第一信號，並再次基於確定性濾波演算法 去趨勢第一信號以獲得至少一主要信號的其中之另一。
在本發明的一實施例中，第一濾波模組經配置以：基於確定性濾波演算法取得第一信號的趨勢信號；以及從第一信號減去趨勢信號以獲得至少一主要信號的所述其中之一。
在本發明的一實施例中，第二濾波模組經配置以：基於非確定性濾波演算法去趨勢第二信號以獲得至少一次要信號的其中之一；判斷至少一次要信號的所述其中之一是否具有固定趨勢；以及當至少一次要信號的所述其中之一不具有固定趨勢時，定義至少一次要信號的所述其中之一為第二信號，並再次基於非確定性濾波演算法去趨勢第二信號以獲得至少一次要信號的其中之另一。
在本發明的一實施例中，當至少一次要信號的所述其中之一具有固定趨勢時，第二濾波模組經配置以記錄至少一主要信號以及至少一次要信號。
在本發明的一實施例中，第二濾波模組經配置以：基於非確定性濾波演算法取得第二信號的趨勢信號；以及從第二信號減去趨勢信號以獲得至少一次要信號的所述其中之一。
基於上述，本發明實施例提出的信號分解方法及其電子裝置可先透過確定性濾波操作將第一信號遞迴地去趨勢為至少一主要信號。當找到具有固定趨勢的主要信號(即，第二信號)時，本發明實施例提出的信號分解方法及其電子裝置可再透過非確定性濾波操作將第二信號遞迴地去趨勢為至少一次要信號。
為讓本發明的上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下。
100‧‧‧電子裝置
112‧‧‧儲存單元
112_1‧‧‧取得模組
112_2‧‧‧第一濾波模組
112_3‧‧‧第二濾波模組
114‧‧‧處理單元
410、510‧‧‧第一信號
411_1~411_5、511_1~511_5‧‧‧IMF
420~440、520~540‧‧‧圖表
S210~S230、S310~S380‧‧‧步驟
圖1是依據本發明之一實施例繪示的電子裝置示意圖。
圖2是依據本發明之一實施例繪示的信號分解方法流程圖。
圖3是依據圖2實施例繪示的信號分解方法流程圖。
圖4A是依據本發明之一實施例繪示的對第一信號進行信號分解的示意圖。
圖4B是依據圖4A實施例繪示的運算時間比較圖。
圖5A是依據本發明之一實施例繪示的對第一信號進行信號分解的示意圖。
圖5B是依據圖5A實施例繪示的運算時間比較圖。
圖1是依據本發明之一實施例繪示的電子裝置示意圖。電子裝置100例如是可量測使用者的各種穩態/非穩態生理信號(例如血壓、呼吸、腦波、心電圖等)給醫療人員參考的醫療儀器。此醫療儀器例如可配置有用於顯示上述生理數據的顯示器以及讓醫療人員進行操作的使用者介面單元(例如按鈕及觸控螢幕等)。此外，電子裝置100亦可以是可用於處理上述各種生理信號 的個人電腦、工作站、伺服器、智慧型手機、平板電腦以及筆記型電腦等裝置。
電子裝置100包括儲存單元112及處理單元114。儲存單元112可以是記憶體、硬碟或是其他任何可用於儲存資料的元件，而可用以記錄多個程式碼或模組。處理單元114可為一般用途處理器、特殊用途處理器、傳統的處理器、數位訊號處理器、多個微處理器(microprocessor)、一個或多個結合數位訊號處理器核心的微處理器、控制器、微控制器、特殊應用集成電路(Application Specific Integrated Circuit，ASIC)、場可程式閘陣列電路(Field Programmable Gate Array，FPGA)、任何其他種類的積體電路、狀態機、基於進階精簡指令集機器(Advanced RISC Machine，ARM)的處理器以及類似品。
在本實施例中，處理單元114可存取並執行儲存單元112中的取得模組112_1、第一濾波模組112_2以及第二濾波模組112_3以執行本發明提出的信號分解方法。
圖2是依據本發明之一實施例繪示的信號分解方法流程圖。本實施例提出的方法可由圖1的電子裝置100執行，以下即搭配圖1的各個元件來說明本實施例方法的詳細步驟。
在步驟S210中，取得模組112_1可取得第一信號。在一實施例中，取得模組112_1可控制電子裝置100所配置的各種偵測電極(未繪示)、探針(未繪示)及其他生理訊號量測元件來量測使用者的各種生理信號作為所述第一信號。在其他實施例中， 取得模組112_1亦可從儲存單元112或是其他類似的儲存元件存取既有的生理訊號作為所述第一信號，但本發明的可實施方式不限於此。
在步驟S220中，第一濾波模組112_2可對第一信號執行確定性濾波操作以分解第一信號為至少一主要信號。在一實施例中，第一濾波模組112_2可基於某些確定性濾波演算法遞迴地去趨勢所述第一信號以個別求出所述至少一主要信號。並且，當第一濾波模組112_2求出具有固定趨勢的主要信號時，第一濾波模組112_2可將此主要信號定義為第二信號。
接著，在步驟S230中，第二濾波模組112_3可對第二信號執行非確定性濾波操作以分解第二信號為至少一次要信號。
在一實施例中，第二濾波模組112_3可基於某些非確定性濾波演算法遞迴地去趨勢所述第二信號以個別求出所述至少一次要信號，一直到第二濾波模組112_3求出具有固定趨勢的次要信號。為了更詳細地說明步驟S220及S230的細節，以下另列舉圖3來進行說明。
圖3是依據圖2實施例繪示的信號分解方法流程圖。在本實施例中，步驟S210的細節請參照圖2的相關說明，在此不再贅述。此外，圖2的步驟S220及S230分別更細分為圖3的步驟S310~S340以及S350~S380。
在步驟S210之後，在步驟S310中，第一濾波模組112_2可基於確定性濾波演算法去趨勢第一信號以獲得至少一主要信號 的其中之一。確定性濾波演算法例如包括移動平均(moving average，MA)、低通濾波(low pass filtering)以及可調式部分最小平方(Partial Regularized Least Squares，PRLS)等，但本發明的可實施方式不限於此。在一實施例中，第一濾波模組112_2可基於確定性濾波演算法取得第一信號的趨勢信號，並從第一信號減去此趨勢信號以獲得一個主要信號(即，去趨勢後的第一信號)。
接著，在步驟S320中，第一濾波模組112_2可判斷至少一主要信號的所述其中之一(即，去趨勢後的第一信號)是否具有固定趨勢。在一實施例中，第一濾波模組112_2例如可基於去趨勢後的第一信號的平均值(mean value)以及振幅比例(amplitude ratio)等統計性質來判斷去趨勢後的第一信號的趨勢是否為固定。
若至少一主要信號的所述其中之一具有固定趨勢，則第一濾波模組112_2可接續執行步驟S330以定義至少一主要信號的所述其中之一為第二信號。接著，第二濾波模組112_3即可基於此第二信號執行步驟S350~380來基於非確定性濾波操作將此第二信號分解為至少一次要信號。
另一方面，若至少一主要信號的所述其中之一不具有固定趨勢，則第一濾波模組112_2可接續執行步驟S340以定義至少一主要信號的所述其中之一為第一信號。接著，第一濾波模組112_2可重複執行步驟S310、S320及S340，以遞迴地去趨勢重新定義的第一信號，一直到找出具有固定趨勢的主要信號。
在步驟S350中，第二濾波模組112_3可基於非確定性濾 波演算法去趨勢第二信號以獲得至少一次要信號的其中之一。所述非確定性濾波演算法例如包括三次仿樣曲線內插或其他類似的內/外插演算法，但本發明的可實施方式不限於此。在一實施例中，第二濾波模組112_3可基於非確定性濾波演算法取得第二信號的趨勢信號，並從第二信號減去此趨勢信號以獲得一個次要信號(即，去趨勢後的第二信號)。
接著，在步驟S360中，第二濾波模組112_3可判斷至少一次要信號的所述其中之一(即，去趨勢後的第二信號)是否具有固定趨勢。在一實施例中，第二濾波模組112_3同樣可基於去趨勢後的第二信號的平均值以及振幅比例等統計性質來判斷去趨勢後的第二信號的趨勢是否為固定。
若至少一次要信號的所述其中之一不具有固定趨勢，則第二濾波模組112_3可接續執行步驟S370以定義至少一次要信號的所述其中之一為第二信號。接著，第二濾波模組112_3可重複執行步驟S350~S370，以遞迴地去趨勢重新定義的第二信號，一直到找出具有固定趨勢的次要信號。
另一方面，若至少一次要信號的所述其中之一具有固定趨勢，則第二濾波模組112_3可接續執行步驟S380以記錄至少一主要信號及至少一次要信號。在一實施例中，所述至少一主要信號及所述至少一次要信號個別例如是對應於不同時間尺度(time scale)的IMF，且其總和相等於取得模組112_1在步驟S210中所取得的第一信號。
在其他實施例中，電子裝置100可更將所記錄的至少一主要信號及至少一次要信號提供給相關的醫護人員或使用者參考，以讓醫護人員或使用者能夠基於所需的IMF進行後續的信號分析及病情判讀等行為，但可不限於此。
簡言之，本發明實施例提出的信號分解方法可概略分為第一階段的確定性濾波操作以及第二階段的非確定性濾波操作。 在第一階段中，本發明的方法可基於確定性濾波演算法(例如MA)遞迴地去趨勢第一信號，進而找出可讓第二階段的非確定性濾波操作快速收斂的主要信號(即，第二信號)。如此一來，即便第二階段中是基於具有較高運算量的非確定性濾波演算法(例如三次仿樣曲線內插)來去趨勢所述第二信號，但並不需要過多的遞迴次數即可找出各個次要信號，進而完成第一信號的信號分解操作。
並且，從以下圖4A~圖4B及圖5A~圖5B實施例中提供的數值驗證結果可看出，本發明提出的信號分解方法相較於全程使用非確定性濾波操作的EEMD具有較低的運算時間，因而具有較高的實用性。
請參照圖4A，圖4A是依據本發明之一實施例繪示的對第一信號進行信號分解的示意圖。在本實施例中，第一信號410例如可依據本發明的信號分解方法或EEMD被分解為IMF 411_1~411_5。
請參照圖4B，圖4B是依據圖4A實施例繪示的運算時間比較圖。在本實施例中，圖表420例如是基於EEMD個別求得第 一信號410所包括的IMF 411_1~411_5所需的時間，而圖表430則例如是基於本發明的信號分解方法個別求得第一信號410所包括的IMF 411_1~411_5所需的時間。圖表440為圖表430相較於圖表420所節省的時間百分比。
從圖表440可看出，基於本發明所提出方法找出IMF 411_1~411_5所需的時間大約僅是基於EEMD找出IMF 411_1~411_5所需的時間的50%。也就是說，本發明所提出的方法相較於EEMD確實具有較低的運算時間。
請參照圖5A，圖5A是依據本發明之一實施例繪示的對第一信號進行信號分解的示意圖。在本實施例中，第一信號510例如是動脈血壓(arterial blood pressure)信號，其例如可依據本發明的信號分解方法或EEMD被分解為IMF 511_1~511_5。
請參照圖5B，圖5B是依據圖5A實施例繪示的運算時間比較圖。在本實施例中，圖表520例如是基於EEMD個別求得第一信號510所包括的IMF 511_1~511_5所需的時間，而圖表530則例如是基於本發明的信號分解方法個別求得第一信號510所包括的IMF 511_1~511_5所需的時間。圖表540為圖表530相較於圖表520所節省的時間百分比。
從圖表540可看出，基於本發明所提出方法找出IMF 511_1~511_5所需的時間仍皆低於基於EEMD找出IMF 511_1~511_5所需的時間。也就是說，圖5B再次驗證了本發明所提出的方法相較於EEMD確實具有較低的運算時間。
綜上所述，本發明實施例提出的信號分解方法及其電子裝置可先透過第一階段的確定性濾波操作將第一信號遞迴地去趨勢為至少一主要信號。當找到具有固定趨勢的主要信號(即，第二信號)時，本發明實施例提出的信號分解方法及其電子裝置可再透過第二階段的非確定性濾波操作將第二信號遞迴地去趨勢為至少一次要信號。由於在第一階段中所找出的第二信號已相當接近於第二階段的收斂區間，因而能夠降低第二階段中的遞迴次數。並且，從數值驗證的結果亦可看出，本發明實施例提出的信號分解方法及其電子裝置確實具有低運算時間的特性，因而具有較高的應用性。
雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
S210~S230‧‧‧步驟

Claims (14)

  1. 一種信號分解方法，適於一電子裝置，包括：取得一第一信號；對該第一信號執行一確定性濾波操作以分解該第一信號為至少一主要信號，其中該至少一主要信號包括具有一固定趨勢的一第二信號；以及對該第二信號執行一非確定性濾波操作以分解該第二信號為至少一次要信號，其中該至少一次要信號的其中之一具有該固定趨勢，且該至少一主要信號及該至少一次要信號的一總和為該第一信號。
  2. 如申請專利範圍第1項所述的方法，其中對該第一信號執行該確定性濾波操作以分解該第一信號為該至少一主要信號的步驟包括：基於一確定性濾波演算法去趨勢該第一信號以獲得該至少一主要信號的其中之一；判斷該至少一主要信號的所述其中之一是否具有該固定趨勢；以及當該至少一主要信號的所述其中之一具有該固定趨勢時，定義該至少一主要信號的所述其中之一為該第二信號。
  3. 如申請專利範圍第2項所述的方法，其中當該至少一主要信號的所述其中之一不具有該固定趨勢時，定義該至少一主要信號的所述其中之一為該第一信號，並再次基於該確定性濾波演算 法去趨勢該第一信號以獲得該至少一主要信號的其中之另一。
  4. 如申請專利範圍第2項所述的方法，其中基於該確定性濾波演算法去趨勢該第一信號以獲得該至少一主要信號的所述其中之一的步驟包括：基於該確定性濾波演算法取得該第一信號的一趨勢信號；以及從該第一信號減去該趨勢信號以獲得該至少一主要信號的所述其中之一。
  5. 如申請專利範圍第1項所述的方法，其中對該第二信號執行該非確定性濾波操作以分解該第二信號為該至少一次要信號的步驟包括：基於一非確定性濾波演算法去趨勢該第二信號以獲得該至少一次要信號的其中之一；判斷該至少一次要信號的所述其中之一是否具有該固定趨勢；以及當該至少一次要信號的所述其中之一不具有該固定趨勢時，定義該至少一次要信號的所述其中之一為該第二信號，並再次基於該非確定性濾波演算法去趨勢該第二信號以獲得該至少一次要信號的其中之另一。
  6. 如申請專利範圍第5項所述的方法，其中當該至少一次要信號的所述其中之一具有該固定趨勢時，記錄該至少一主要信號以及該至少一次要信號。
  7. 如申請專利範圍第5項所述的方法，其中基於該非確定性濾波演算法去趨勢該第二信號以獲得該至少一次要信號的所述其中之一的步驟包括：基於該非確定性濾波演算法取得該第二信號的一趨勢信號；以及從該第二信號減去該趨勢信號以獲得該至少一次要信號的所述其中之一。
  8. 一種電子裝置，包括：一儲存單元，儲存多個模組；一處理單元，連接該儲存單元，存取並執行該些模組，該些模組包括：一取得模組，取得一第一信號；一第一濾波模組，對該第一信號執行一確定性濾波操作以分解該第一信號為至少一主要信號，其中該至少一主要信號包括具有一固定趨勢的一第二信號；以及一第二濾波模組，對該第二信號執行一非確定性濾波操作以分解該第二信號為至少一次要信號，其中該至少一次要信號的其中之一具有該固定趨勢，且該至少一主要信號及該至少一次要信號的一總和為該第一信號。
  9. 如申請專利範圍第8項所述的電子裝置，其中該第一濾波模組經配置以：基於一確定性濾波演算法去趨勢該第一信號以獲得該至少一 主要信號的其中之一；判斷該至少一主要信號的所述其中之一是否具有該固定趨勢；以及當該至少一主要信號的所述其中之一具有該固定趨勢時，定義該至少一主要信號的所述其中之一為該第二信號。
  10. 如申請專利範圍第9項所述的電子裝置，其中當該至少一主要信號的所述其中之一不具有該固定趨勢時，該第一濾波模組經配置以定義該至少一主要信號的所述其中之一為該第一信號，並再次基於該確定性濾波演算法去趨勢該第一信號以獲得該至少一主要信號的其中之另一。
  11. 如申請專利範圍第9項所述的電子裝置，其中該第一濾波模組經配置以：基於該確定性濾波演算法取得該第一信號的一趨勢信號；以及從該第一信號減去該趨勢信號以獲得該至少一主要信號的所述其中之一。
  12. 如申請專利範圍第8項所述的電子裝置，其中該第二濾波模組經配置以：基於一非確定性濾波演算法去趨勢該第二信號以獲得該至少一次要信號的其中之一；判斷該至少一次要信號的所述其中之一是否具有該固定趨勢；以及 當該至少一次要信號的所述其中之一不具有該固定趨勢時，定義該至少一次要信號的所述其中之一為該第二信號，並再次基於該非確定性濾波演算法去趨勢該第二信號以獲得該至少一次要信號的其中之另一。
  13. 如申請專利範圍第12項所述的電子裝置，其中當該至少一次要信號的所述其中之一具有該固定趨勢時，該第二濾波模組經配置以記錄該至少一主要信號以及該至少一次要信號。
  14. 如申請專利範圍第12項所述的電子裝置，其中該第二濾波模組經配置以：基於該非確定性濾波演算法取得該第二信號的一趨勢信號；以及從該第二信號減去該趨勢信號以獲得該至少一次要信號的所述其中之一。
TW104107944A 2015-03-12 2015-03-12 信號分解方法及其電子裝置 TWI552004B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW104107944A TWI552004B (zh) 2015-03-12 2015-03-12 信號分解方法及其電子裝置
US14/724,828 US9467182B2 (en) 2015-03-12 2015-05-29 Signal decomposition method and electronic apparatus using the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW104107944A TWI552004B (zh) 2015-03-12 2015-03-12 信號分解方法及其電子裝置

Publications (2)

Publication Number Publication Date
TW201633180A TW201633180A (zh) 2016-09-16
TWI552004B true TWI552004B (zh) 2016-10-01

Family

ID=56888152

Family Applications (1)

Application Number Title Priority Date Filing Date
TW104107944A TWI552004B (zh) 2015-03-12 2015-03-12 信號分解方法及其電子裝置

Country Status (2)

Country Link
US (1) US9467182B2 (zh)
TW (1) TWI552004B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109580787B (zh) * 2018-12-08 2021-02-02 国网四川省电力公司广安供电公司 用于变压器高压套管引线超声检测的超声回波去噪方法
US11602299B2 (en) * 2020-06-16 2023-03-14 A-Neuron Electronic Corporation Method and system for processing electroencephalogram signal
US11996883B2 (en) 2022-08-09 2024-05-28 Ka Luen FUNG Method and device for recovering sub-signals from composite signal of blind source
CN116304564B (zh) * 2023-02-23 2023-10-31 南京理工大学 一种基于改进eemd算法和自相关降噪的信号降噪方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100092028A1 (en) * 2008-10-10 2010-04-15 National Central University Data Decomposition Method and Computer System Therefrom
TW201027361A (en) * 2009-01-10 2010-07-16 Ind Tech Res Inst Signal processing method for hierarchical empirical mode decomposition and apparatus therefor
TW201314472A (zh) * 2011-09-29 2013-04-01 Nat Univ Chung Cheng 採用經驗模式分解技術之重覆學習控制方法及重覆學習控制器
CN103870694A (zh) * 2014-03-18 2014-06-18 江苏大学 一种基于修正小波阈值的经验模态分解去噪方法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6738734B1 (en) 1996-08-12 2004-05-18 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Empirical mode decomposition apparatus, method and article of manufacture for analyzing biological signals and performing curve fitting
US6862558B2 (en) * 2001-02-14 2005-03-01 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Empirical mode decomposition for analyzing acoustical signals
US8790272B2 (en) * 2002-03-26 2014-07-29 Adidas Ag Method and system for extracting cardiac parameters from plethysmographic signals
EP1579608A4 (en) * 2002-10-11 2012-09-05 Flint Hills Scient Llc METHOD, COMPUTER PROGRAM AND SYSTEM FOR INTRINSIC TIME-LIMIT DISASSEMBLY, FILTRATION AND AUTOMATED ANALYSIS OF SIGNALS OF ANY ORIGIN OR TIMETABLE
FR2847361B1 (fr) * 2002-11-14 2005-01-28 Ela Medical Sa Dispositif d'analyse d'un signal, notamment d'un signal physiologique tel qu'un signal ecg
US7499686B2 (en) 2004-02-24 2009-03-03 Microsoft Corporation Method and apparatus for multi-sensory speech enhancement on a mobile device
US7706992B2 (en) * 2005-02-23 2010-04-27 Digital Intelligence, L.L.C. System and method for signal decomposition, analysis and reconstruction
US7725146B2 (en) * 2005-09-29 2010-05-25 Nellcor Puritan Bennett Llc System and method for pre-processing waveforms
US7941298B2 (en) * 2006-09-07 2011-05-10 DynaDx Corporation Noise-assisted data analysis method, system and program product therefor
WO2008037260A2 (en) * 2006-09-26 2008-04-03 Morpheus Medical Methods for a movement and vibration analyzer (mva)
US8768447B2 (en) * 2007-01-09 2014-07-01 General Electric Company Processing of physiological signal data in patient monitoring
US8594773B2 (en) * 2007-04-25 2013-11-26 Siemens Medical Solutions Usa, Inc. Denoising and artifact rejection for cardiac signal in a sensis system
US8718753B2 (en) * 2010-10-12 2014-05-06 Ki H. Chon Motion and noise artifact detection for ECG data
EP2523473A1 (en) 2011-05-11 2012-11-14 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Apparatus and method for generating an output signal employing a decomposer
US20140228701A1 (en) * 2013-02-11 2014-08-14 University Of Washington Through Its Center For Commercialization Brain-Computer Interface Anonymizer
TWI506583B (zh) * 2013-12-10 2015-11-01 國立中央大學 分析系統及其方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100092028A1 (en) * 2008-10-10 2010-04-15 National Central University Data Decomposition Method and Computer System Therefrom
TW201027361A (en) * 2009-01-10 2010-07-16 Ind Tech Res Inst Signal processing method for hierarchical empirical mode decomposition and apparatus therefor
TW201314472A (zh) * 2011-09-29 2013-04-01 Nat Univ Chung Cheng 採用經驗模式分解技術之重覆學習控制方法及重覆學習控制器
CN103870694A (zh) * 2014-03-18 2014-06-18 江苏大学 一种基于修正小波阈值的经验模态分解去噪方法

Also Published As

Publication number Publication date
TW201633180A (zh) 2016-09-16
US20160269064A1 (en) 2016-09-15
US9467182B2 (en) 2016-10-11

Similar Documents

Publication Publication Date Title
CN109902703B (zh) 一种时间序列异常检测方法及装置
TWI552004B (zh) 信號分解方法及其電子裝置
Pittman-Polletta et al. Detecting phase-amplitude coupling with high frequency resolution using adaptive decompositions
CN108742697B (zh) 心音信号分类方法及终端设备
Morettin et al. Wavelets in functional data analysis
Chang et al. On-line empirical mode decomposition biomedical microprocessor for Hilbert Huang transform
EP2825977A2 (en) System and method for analysis and reconstruction of variable pulse-width signals having low sampling rates
JP6138818B2 (ja) 信号をパラメータ化するための方法及び装置
Qassim et al. FPGA implementation of Morlet continuous wavelet transform for EEG analysis
CN114496140B (zh) 查询条件的数据匹配方法、装置、设备及介质
Weizman et al. PEAR: PEriodic And fixed Rank separation for fast fMRI
Agarwal et al. Hardware efficient denoising system for real EOG signal processing
CN105595991B (zh) 一种心脏相干指数的测量方法及装置
Joseph Michael Jerard et al. Reconfigurable Architectures with High‐Frequency Noise Suppression for Wearable ECG Devices
Muduli et al. A proximity operator-based method for denoising biomedical measurements
Cuomo et al. An inverse Bayesian scheme for the denoising of ECG signals
CN107887029B (zh) 疾病预测方法及装置
Liu et al. When scattering transform meets non-Gaussian random processes, a double scaling limit result
Melkonian Similar basis function algorithm for numerical estimation of Fourier integrals
Chen et al. Wavelet-domain group-sparse denoising method for ECG signals
Chen et al. Sparse Fourier transform and amplitude–frequency characteristics analysis of vortex street signal
Patil et al. Real time continuous wavelet transform implementation on a DSP processor
Ghodake et al. Electrocardiogram signal denoising using hybrid filtering for cardiovascular diseases prediction
US10816584B2 (en) Spectrum extension edgeless gating for reduced time domain gating edge errors
US20210145346A1 (en) Systems, methods, and media for efficient real-time embedded processing of physiological signals using s transforms

Legal Events

Date Code Title Description
MM4A Annulment or lapse of patent due to non-payment of fees