Transformada de Hilbert-Huang

Herramienta de análisis de señal

La transformada de Hilbert-Huang ( HHT ) es una forma de descomponer una señal en las llamadas funciones de modo intrínseco (FMI) junto con una tendencia y obtener datos de frecuencia instantáneos . Está diseñado para funcionar bien con datos que no son estacionarios ni lineales . A diferencia de otras transformadas comunes como la transformada de Fourier , la HHT es un algoritmo que se puede aplicar a un conjunto de datos, en lugar de una herramienta teórica.

La transformada de Hilbert-Huang (HHT), un nombre designado por la NASA , ^[1] fue propuesta por Norden E. Huang et al. (1996, 1998, 1999, 2003, 2012). Es el resultado de la descomposición modal empírica (EMD) y del análisis espectral de Hilbert (HSA). El HHT utiliza el método EMD para descomponer una señal en las llamadas funciones de modo intrínseco ( IMF ) con una tendencia, y aplica el método HSA a las IMF para obtener datos de frecuencia instantáneos . Dado que la señal se descompone en el dominio del tiempo y la longitud de los IMF es la misma que la señal original, HHT conserva las características de la frecuencia variable. Esta es una ventaja importante de HHT, ya que una señal del mundo real suele tener múltiples causas que ocurren en diferentes intervalos de tiempo. El HHT proporciona un nuevo método para analizar datos de series temporales no estacionarias y no lineales ^{[ se necesita desambiguación ] .}

Definición

Descomposición en modo empírico

La parte fundamental del HHT es el método de descomposición modal empírica ( EMD ). Al dividir las señales en varios componentes, EMD se puede comparar con otros métodos de análisis como la transformada de Fourier y la transformada Wavelet . Utilizando el método EMD, cualquier conjunto de datos complicado se puede descomponer en un número finito y, a menudo, pequeño de componentes. Estos componentes forman una base completa y casi ortogonal para la señal original. Además, pueden describirse como funciones de modo intrínseco ( FMI ). ^[2]

Debido a que el primer FMI generalmente lleva los componentes más oscilantes (de alta frecuencia), se puede rechazar para eliminar los componentes de alta frecuencia (por ejemplo, ruido aleatorio). ^{[3] [4]} Los algoritmos de suavizado basados ​​en EMD se han utilizado ampliamente en el procesamiento de datos sísmicos, donde los registros sísmicos de alta calidad son muy demandados. ^{[5] [6]}

Sin salir del dominio del tiempo, EMD es adaptable y altamente eficiente. ^[7] Dado que la descomposición se basa en la escala de tiempo característica local de los datos, se puede aplicar a procesos no lineales ^{[ se necesita desambiguación ]} y no estacionarios . ^[7]

Funciones de modo intrínseco

Una función de modo intrínseco (IMF) se define como una función que satisface los siguientes requisitos:

1. En todo el conjunto de datos, el número de extremos y el número de cruces por cero deben ser iguales o diferir como máximo en uno.
2. En cualquier punto, el valor medio de la envolvente definida por los máximos locales y la envolvente definida por los mínimos locales es cero.

Representa un modo oscilatorio generalmente simple como contraparte de la función armónica simple . Por definición, un FMI es cualquier función con el mismo número de extremos y cruces por cero, cuyas envolventes son simétricas con respecto a cero. ^{[7] Esta definición garantiza una} transformada de Hilbert del FMI con buen comportamiento .

Análisis espectral de Hilbert

El análisis espectral de Hilbert (HSA) es un método para examinar la frecuencia instantánea de cada FMI en función del tiempo. El resultado final es una distribución frecuencia-tiempo de la amplitud (o energía) de la señal, denominada espectro de Hilbert , que permite la identificación de características localizadas.

Técnicas

La amplitud y frecuencia de la función de modo intrínseco (IMF) pueden variar con el tiempo y deben satisfacer la siguiente regla:

1. El número de extremos (máximos y mínimos locales) y el número de cruces por cero deben ser iguales o diferir como máximo en uno.
2. En cualquier punto, el valor medio de la envolvente definida por los máximos locales y la envolvente definida por los mínimos locales está cerca de cero.

Descomposición en modo empírico

Ilustración del proceso de cribado de la descomposición en modo empírico.

El método de descomposición de modo empírico (EMD) es un paso necesario para reducir cualquier dato dado a una colección de funciones de modo intrínseco (IMF) a las que se puede aplicar el análisis espectral de Hilbert .

IMF representa un modo oscilatorio simple como contraparte de la función armónica simple , pero es mucho más general: en lugar de amplitud y frecuencia constantes en un componente armónico simple , un IMF puede tener amplitud y frecuencia variables a lo largo del eje del tiempo.

El procedimiento para extraer un FMI se llama tamizado. El proceso de tamizado es el siguiente:

1. Identifique todos los extremos locales en los datos de prueba.
2. Conecte todos los máximos locales mediante una línea spline cúbica como la envolvente superior.
3. Repita el procedimiento para los mínimos locales para producir el sobre inferior.

Los sobres superior e inferior deben cubrir todos los datos entre ellos. Su media es m ₁ . La diferencia entre los datos y m ₁ es el primer componente h ₁ :

${\displaystyle X(t)-m_{1}=h_{1}.\,}$

Idealmente, h ₁ debería satisfacer la definición de FMI, ya que la construcción de h ₁ descrita anteriormente debería haberlo hecho simétrico y tener todos los máximos positivos y todos los mínimos negativos. Después de la primera ronda de cribado, una cresta puede convertirse en un máximo local . Los nuevos extremos generados de esta manera revelan en realidad los modos propios perdidos en el examen inicial. En el posterior proceso de selección, h ₁ sólo puede tratarse como un proto-FMI. En el siguiente paso, h ₁ se trata como datos:

${\displaystyle h_{1}-m_{11}=h_{11}.\,}$

Después de repetidas pruebas hasta k veces, h ₁ se convierte en un FMI, es decir

${\displaystyle h_{1(k-1)}-m_{1k}=h_{1k}.\,}$

Entonces, h _1k se designa como el primer componente del FMI de los datos:

${\displaystyle c_{1}=h_{1k}.\,}$

Criterios de parada del proceso de cribado

El criterio de paralización determina el número de pasos de cribado para producir un FMI. A continuación se detallan los cuatro criterios de parada existentes:

Desviación Estándar

Este criterio es propuesto por Huang et al. (1998). Es similar a la prueba de convergencia de Cauchy , y definimos una suma de la diferencia, SD, como

${\displaystyle SD_{k}=\sum _{t=0}^{T}{\frac {|h_{k-1}(t)-h_{k}(t)|^{2}}{h_{k-1}^{2}(t)}}.\,}$

Luego, el proceso de filtrado se detiene cuando la SD es menor que un valor predeterminado.

Criterio de número S

Este criterio se basa en el llamado número S, que se define como el número de cribados consecutivos en los que el número de cruces por cero y extremos son iguales o, como máximo, difieren en uno. En concreto, se preselecciona un número S. El proceso de cribado se detendrá sólo si, para S cribados consecutivos, el número de cruces por cero y extremos permanecen iguales y son iguales o, como máximo, difieren en uno.

Método de umbral

Propuesto por Rilling, Flandrin y Gonçalvés, el método de umbral establece dos valores umbral para garantizar fluctuaciones globalmente pequeñas mientras tanto, teniendo en cuenta las grandes excursiones locales. ^[8]

Seguimiento de la diferencia de energía

Propuesto por Cheng, Yu y Yang, el método de seguimiento de energía diferente utilizó el supuesto de que la señal original es una composición de señales ortogonales y calculó la energía basándose en el supuesto. Si el resultado de EMD no es una base ortogonal de la señal original, la cantidad de energía será diferente de la energía original. ^[9]

Una vez seleccionado un criterio de parada, se puede obtener el primer FMI, c ₁ . En general, c ₁ debe contener la escala más fina o el componente de período más corto de la señal . Entonces podemos separar c ₁ del resto de los datos. Dado que el residuo, r ₁ , todavía contiene variaciones de períodos más largos en los datos, se trata como datos nuevos y se somete al mismo proceso de selección descrito anteriormente. ${\displaystyle X(t)-c_{1}=r_{1}.\,}$

Este procedimiento se puede repetir para todos los r _j posteriores y el resultado es

${\displaystyle r_{n-1}-c_{n}=r_{n}.\,}$

El proceso de cribado finalmente se detiene cuando el residuo , r _n , se convierte en una función monótona de la que no se puede extraer más FMI. De las ecuaciones anteriores, podemos inducir que

${\displaystyle X(t)=\sum _{j=1}^{n}c_{j}+r_{n}.\,}$

De esta manera, se logra una descomposición de los datos en modos n-empíricos. Los componentes del DME suelen tener significado físico, ya que las escalas características están definidas por los datos físicos. Flandrín et al. (2003) y Wu y Huang (2004) han demostrado que la DME es equivalente a un banco de filtros diádicos. ^{[6] [10]}

Análisis espectral de Hilbert

Una vez obtenidas las componentes de la función del modo intrínseco, la frecuencia instantánea se puede calcular utilizando la transformada de Hilbert . Después de realizar la transformada de Hilbert en cada componente del FMI, los datos originales se pueden expresar como la parte real, Real, de la siguiente forma:

${\displaystyle X(t)={\text{Real}}{\sum _{j=1}^{n}a_{j}(t)e^{i\int \omega _{j}(t)dt}}.\,}$

Aplicaciones actuales

EMD bidimensional

En los ejemplos anteriores, todas las señales son señales unidimensionales y, en el caso de señales bidimensionales, la transformada de Hilbert-Huang se puede aplicar para el procesamiento de imágenes y videos de las siguientes maneras:

1. EMD pseudobidimensional (descomposición en modo empírico pseudobidimensional) :

   Dividir directamente la señal bidimensional en dos conjuntos de señales unidimensionales y aplicar la Transformada de Hilbert-Huang por separado. Después de eso, reorganice las dos señales nuevamente en una señal bidimensional.

   El resultado puede producir patrones excelentes y mostrar oscilaciones rápidas locales en ondas de longitud de onda larga. Sin embargo, este método tiene muchos inconvenientes. La más significativa son las discontinuidades, que ocurren cuando los dos conjuntos de funciones de modo intrínseco (IMF) procesadas se recombinan en la señal bidimensional original. Se pueden utilizar los siguientes métodos para abordar este problema.

2. EEMD pseudobidimensional (descomposición en modo empírico de conjunto pseudobidimensional) :

   En comparación con la EMD pseudobidimensional, el uso de EEMD en lugar de EMD puede mejorar eficazmente el problema de la discontinuidad. Sin embargo, este método tiene limitaciones y sólo es eficaz cuando la escala de tiempo es muy clara, como en el caso de la detección de temperatura en el Atlántico Norte. No es adecuado para situaciones en las que la escala de tiempo de la señal no está clara.

3. EMD bidimensional genuino (descomposición en modo empírico bidimensional genuino) :

   Dado que el EMD bidimensional genuino procesa directamente señales bidimensionales, plantea algunos desafíos de definición.

• ¿Cómo determinar el valor máximo? ¿Se deben considerar los bordes de la imagen o se debe utilizar otro método para definir el valor máximo?
• Cómo elegir la forma progresiva después de identificar el valor máximo. Si bien las curvas de Bézier pueden ser efectivas en señales unidimensionales, es posible que no sean directamente aplicables a señales bidimensionales.

Por tanto, Nunes et al. utilizó funciones de base radial y la transformada de Riesz para manejar EMD bidimensional genuina. La siguiente es la forma de la transformada de Riesz. Para una función compleja f en . ${\displaystyle R^{d}}$

para j  = 1,2,..., d .

La constante es una constante normalizada por dimensión. ${\displaystyle C_{d}}$

${\displaystyle c_{d}={\frac {1}{\pi \omega _{d-1}}}={\frac {\Gamma [(d+1)/2]}{\pi ^{(d+1)/2}}}.}$

Linderhed utilizó EMD bidimensional genuino para la compresión de imágenes. En comparación con otros métodos de compresión, este enfoque proporciona una tasa de distorsión más baja. Song y Zhang [2001], Damerval et al. [2005], y Yuan et al. [2008] utilizaron la triangulación de Delaunay para encontrar los límites superior e inferior de la imagen. Dependiendo de los requisitos para definir máximos y seleccionar diferentes métodos progresivos, se pueden obtener diferentes efectos.

Otra aplicación

• EMD mejorado en señales de ECG : Ahmadi et al.[2019] presentó un DME mejorado y comparado con otros tipos de DME. Los resultados muestran que el algoritmo propuesto no proporciona FMI espurio para estas funciones y no se coloca en un bucle infinito. La comparación de tipos de EMD en señales de ECG (electrocardiografía) revela que el EMD mejorado era un algoritmo apropiado para analizar señales biológicas. ^[11]
• Aplicaciones biomédicas : Huang et al. [1999b] analizaron la presión arterial pulmonar en ratas conscientes y sin restricciones .
• Neurociencia : Pigorini et al. [2011] analizaron la respuesta del EEG humano a la estimulación magnética transcraneal; ^[12] Liang et al. [2005] analizaron los potenciales evocados visuales de macacos que realizan tareas de atención visual espacial.
• Epidemiología : Cummings et al. [2004] aplicaron el método EMD para extraer un modo periódico de 3 años incluido en la serie temporal de brotes de dengue registrados en Tailandia y evaluaron la velocidad de desplazamiento de los brotes de dengue. Yang et al. [2010] aplicaron el método EMD para delinear subcomponentes de una variedad de series temporales epidemiológicas neuropsiquiátricas, incluida la asociación entre el efecto estacional de la búsqueda en Google para la depresión [2010], la asociación entre el suicidio y la contaminación del aire en la ciudad de Taipei [2011], y Asociación entre el frente frío y la incidencia de migraña en la ciudad de Taipei [2011].
• Química e ingeniería química : Phillips et al. [2003] investigaron un cambio conformacional en la dinámica browniana y simulaciones de dinámica molecular utilizando un análisis comparativo de HHT y métodos wavelet . Wiley et al. [2004] utilizaron HHT para investigar el efecto de la dinámica molecular reversible filtrada digitalmente que puede mejorar o suprimir frecuencias de movimiento específicas. Montesinos et al. [2002] aplicaron HHT a señales obtenidas de la estabilidad de las neuronas BWR .
• Aplicaciones financieras : Huang et al. [2003b] aplicaron HHT a series temporales financieras no estacionarias y utilizaron datos semanales de tasas hipotecarias.
• Procesamiento de imágenes : Hariharan et al. [2006] aplicaron EMD a la fusión y mejora de imágenes. ^[13] Chang et al. [2009] aplicaron un EMD mejorado al reconocimiento del iris, que informó una velocidad computacional 100% más rápida sin perder precisión que el EMD original. ^[14]
• Turbulencia atmosférica : Hong et al. [2010] aplicaron HHT a los datos de turbulencia observados en la capa límite estable para separar los movimientos turbulentos y no turbulentos. ^[15]
• Procesos de escalamiento con corrección de intermitencia : Huang et al. [2008] generalizó el HHT en un orden arbitrario para tener en cuenta la corrección de intermitencia de los procesos de escala y aplicó este método basado en HHT a los datos de turbulencia hidrodinámica recopilados en experimentos de laboratorio; ^[16] descarga diaria del río; ^[17] Estadísticas lagrangianas de partículas individuales a partir de simulación numérica directa; ^[18] Tan et al., [2014], campo de vorticidad de turbulencia bidimensional; ^[19] Qiu et al. [2016], turbulencia bacteriana bidimensional; ^[20] Li y Huang [2014], mercado de valores de China; ^[21] Calif et al. [2013], radiación solar. ^[22] Un código fuente para realizar el análisis espectral de Hilbert de orden arbitrario se puede encontrar en . ^[23]
• Aplicaciones meteorológicas y atmosféricas : Salisbury y Wimbush [2002], utilizando datos del Índice de Oscilación del Sur, aplicaron la técnica HHT para determinar si los datos de la Esfera de influencia están lo suficientemente libres de ruido como para poder hacer predicciones útiles y si se pueden predecir futuros eventos de oscilación del sur de El Niño. predicho a partir de datos SOI ^{[ aclaración necesaria ]} . Pan et al. [2002] utilizaron HHT para analizar los datos de viento del dispersómetro satelital sobre el noroeste del Pacífico y compararon los resultados con los resultados de la función ortogonal empírica vectorial .
• Ingeniería oceánica : Schlurmann [2002] introdujo la aplicación de HHT para caracterizar ondas de agua no lineales ^{[ se necesita desambiguación ]} desde dos perspectivas diferentes, utilizando experimentos de laboratorio. Veltcheva [2002] aplicó HHT a datos de olas del mar cercano. Larsen et al. [2004] utilizaron HHT para caracterizar el entorno electromagnético submarino e identificar perturbaciones electromagnéticas transitorias provocadas por el hombre.
• Estudios sísmicos : Huang et al. [2001] utilizaron HHT para desarrollar una representación espectral de datos de terremotos . Chen et al. [2002a] utilizaron HHT para determinar las curvas de dispersión de las ondas superficiales sísmicas y compararon sus resultados con el análisis de tiempo-frecuencia basado en Fourier . Shen et al. [2003] aplicaron HHT al movimiento del suelo y compararon el resultado de HHT con el espectro de Fourier .
• Física solar : Nakariakov et al. [2010] utilizaron EMD para demostrar la forma triangular de pulsaciones cuasi periódicas detectadas en los rayos X duros y la emisión de microondas generadas en las erupciones solares . ^[24] Barnhart y Eichinger [2010] utilizaron HHT para extraer los componentes periódicos dentro de los datos de manchas solares , incluidos los ciclos de Schwabe de 11 años, Hale de 22 años y Gleissberg de ~100 años. ^[25] Compararon sus resultados con el análisis tradicional de Fourier .
• Aplicaciones estructurales : Quek et al. [2003] ilustran la viabilidad del HHT como herramienta de procesamiento de señales para localizar una anomalía en forma de grieta , delaminación o pérdida de rigidez en vigas y placas basándose en señales de ondas de propagación adquiridas físicamente. Usando HHT, Li et al. [2003] analizaron los resultados de una prueba pseudodinámica de dos columnas rectangulares de puentes de hormigón armado.
• Monitoreo de la salud estructural : Pines y Salvino [2002] aplicaron HHT en el monitoreo de la salud estructural. Yang et al. [2004] utilizaron HHT para la detección de daños, aplicando EMD para extraer picos de daño debido a cambios repentinos en la rigidez estructural . Yu et al. [2003] utilizaron HHT para el diagnóstico de fallas de rodamientos de rodillos.
• Identificación del sistema : Chen y Xu [2002] exploraron la posibilidad de utilizar HHT para identificar las relaciones de amortiguamiento modal de una estructura con frecuencias modales estrechamente espaciadas y compararon sus resultados con FFT . Xu et al. [2003] compararon las frecuencias modales y las relaciones de amortiguación en varios incrementos de tiempo y diferentes vientos para uno de los edificios compuestos más altos del mundo.
• Reconocimiento de voz : Huang y Pan [2006] han utilizado el HHT para determinar el tono del habla. ^[26]
• Física de astropartículas : Bellini et al. [2014] (colaboración Borexino), ^[27] Medición de la modulación estacional de los flujos de neutrinos solares con el experimento Borexino, Phys. Rev. D 89, 112007 2014

Limitaciones

Chen y Feng [2003] propusieron una técnica para mejorar el procedimiento HHT. ^[28] Los autores observaron que el EMD tiene limitaciones para distinguir diferentes componentes en señales de banda estrecha . La banda estrecha puede contener (a) componentes que tienen frecuencias adyacentes o (b) componentes que no son adyacentes en frecuencia pero para los cuales uno de los componentes tiene una intensidad energética mucho mayor que los otros componentes. La técnica mejorada se basa en ondas de fenómeno de latido.

Datig y Schlurmann [2004] ^[29] realizaron un estudio exhaustivo sobre el rendimiento y las limitaciones de HHT con aplicaciones particulares a ondas de agua irregulares . Los autores realizaron una investigación exhaustiva sobre la interpolación spline . Los autores discutieron el uso de puntos adicionales, tanto hacia adelante como hacia atrás, para determinar mejores envolventes. También realizaron un estudio paramétrico sobre la mejora propuesta y mostraron una mejora significativa en los cálculos generales de EMD. Los autores observaron que la HHT es capaz de diferenciar entre componentes que varían en el tiempo a partir de cualquier dato dado. Su estudio también mostró que HHT podía distinguir entre ondas portadoras y ondas portadoras.

Huang y Wu [2008] ^[30] revisaron las aplicaciones de la transformación de Hilbert-Huang enfatizando que la base teórica de HHT es puramente empírica y señalando que "uno de los principales inconvenientes de la EMD es la mezcla de modos". También describen los problemas pendientes pendientes con HHT, que incluyen: efectos finales de la DME, problemas de Spline, selección del mejor FMI y unicidad. Aunque el conjunto EMD (EEMD) puede ayudar a mitigar este último.

efecto final

El efecto final ocurre al principio y al final de la señal porque no hay ningún punto antes del primer punto de datos y después del último punto de datos que se deban considerar juntos. Sin embargo, en la mayoría de los casos, estos puntos finales no son el valor extremo de la señal. Por lo tanto, al realizar el proceso EMD del HHT, la envolvente extrema divergirá en los puntos finales y provocará errores importantes.

Este error distorsiona la forma de onda del FMI en sus puntos finales. Además, el error en el resultado de la descomposición se acumula con cada repetición del proceso de tamizado. ^[31] Al calcular la frecuencia instantánea y la amplitud de las FMI, el resultado de la Transformada Rápida de Fourier (FFT) puede causar el fenómeno de Gibbs y una fuga de frecuencia, lo que lleva a la pérdida de información.

A continuación se proponen varios métodos para resolver el efecto final en HHT:

1. Método de extensión de onda característica.

Este método aprovecha la tendencia de variación inherente de la señal para extenderse, lo que da como resultado extensiones que se parecen mucho a las características de los datos originales.

• Extensión de coincidencia de forma de onda [1]:

Esta extensión se basa en el supuesto de que formas de onda similares se repiten dentro de la señal. Por lo tanto, dentro de la forma de onda de la señal se identifica una forma de onda triangular que mejor se adapta al límite de la señal. Los valores locales dentro de los límites de la señal se pueden predecir basándose en los valores locales correspondientes de la forma de onda triangular.

• Método de extensión del espejo:

Muchas señales exhiben patrones de repetición internos. Aprovechando esta característica, el método de extensión de espejo añade copias reflejadas de la señal original a sus extremos. Este enfoque simple y eficiente mejora significativamente la precisión de las funciones de modo intrínseco (IMF) para señales periódicas. Sin embargo, no es adecuado para señales no periódicas y puede introducir efectos secundarios. Se han propuesto varias estrategias alternativas para abordar estas limitaciones [2][3]

2. Método de extensión de datos

diseñar y calcular algunos parámetros necesarios a partir de la señal original para construir un modelo matemático particular. Después de eso, el modelo predice la tendencia de los dos puntos finales.

• Predicción de la máquina de regresión vectorial de soporte (SVRM) [4]:

Este método utiliza técnicas de aprendizaje automático para abordar el efecto final en HHT. Sus ventajas son adaptativas, flexibles, altamente precisas y efectivas para señales tanto periódicas como no periódicas. Aunque la complejidad computacional puede ser una preocupación, ignorar este factor revela que SVRM es una solución sólida y efectiva para mitigar el efecto final en HHT.

• Modelo autorregresivo (AR) [5]:

Al formular la relación entrada-salida como ecuaciones lineales con coeficientes variables en el tiempo, el modelado AR permite la predicción estadística de los valores faltantes en los puntos finales de la señal. Este método requiere recursos computacionales mínimos y resulta particularmente eficaz para analizar señales estacionarias. Sin embargo, su precisión disminuye para señales no estacionarias y la selección de un orden de modelo apropiado puede afectar significativamente su efectividad.

• Predicción de redes neuronales:

Aprovechando el poder del aprendizaje de redes neuronales, estos métodos ofrecen un enfoque versátil y sólido para mitigar el efecto final en HHT. Han surgido varias arquitecturas de red, incluidas RBF-NN [6] y GRNN [7], lo que demuestra su capacidad para capturar relaciones complejas dentro de la señal y aprender de grandes conjuntos de datos.

Problema de mezcla de modos

El problema de mezcla de modos ocurre durante el proceso EMD. Una implementación sencilla del procedimiento de tamizado produce una mezcla de modos debido a la rectificación del modo IMF. Es posible que las señales específicas no se separen siempre en los mismos FMI. Este problema dificulta la implementación de la extracción de características, el entrenamiento de modelos y el reconocimiento de patrones, ya que la característica ya no está fijada en un índice de etiquetado. El problema de la mezcla de modos se puede evitar incluyendo una prueba de intermitencia durante el proceso HHT. ^[32]

Método de enmascaramiento

Fuente: ^[33]

El método de enmascaramiento mejora la EMD al permitir la separación de componentes de frecuencia similares mediante los siguientes pasos:

1. Construcción de señal de enmascaramiento :

   Construya la señal de enmascaramiento a partir de la información de frecuencia de los datos originales . Esta señal de enmascaramiento está diseñada para evitar componentes de menor frecuencia de los FMI obtenidos a través de EMD. ${\displaystyle s(n)}$ ${\displaystyle x(n)}$

2. Realizar EMD con señal de enmascaramiento :

   La DME se realiza nuevamente sobre la señal modificada x+(n) = x(n) + s(n) para obtener el FMI z+(n), ​​y de manera similar, sobre x-(n) = x(n) - s(n) para obtener el FMI z-(n). El FMI se define entonces como z(n) = (z+(n) + z-(n))/2.

3. Separación de componentes :

   Eligiendo adecuadamente la frecuencia de la señal de enmascaramiento, se pueden separar componentes con frecuencias similares. La señal de enmascaramiento evita la mezcla de modos, lo que permite a EMD distinguir entre componentes de frecuencia estrechamente espaciados.

4. Minimización de errores :

   La elección de parámetros para la señal de enmascaramiento, como la amplitud, afectará el rendimiento del algoritmo.

La elección óptima de amplitud depende de las frecuencias. En general, el método de enmascaramiento mejora la EMD al proporcionar un medio para evitar la mezcla de modos, mejorando la precisión y aplicabilidad de la EMD en el análisis de señales.

Descomposición en modo empírico conjunto (EEMD)

Fuente: ^[34]

EEMD agrega ruido blanco de amplitud finita a la señal original. Después de eso, descomponga la señal en FMI utilizando EMD. Los pasos de procesamiento de EEMD se desarrollan de la siguiente manera:

1. Agregue ruido blanco de amplitud finita a la señal original.
2. Descomponga la señal ruidosa en FMI utilizando EMD.
3. Repita los pasos 1 y 2 varias veces para crear un conjunto de FMI.
4. Calcule la media de cada FMI en todo el conjunto para obtener los componentes finales del FMI.

Los efectos de la descomposición utilizando EEMD son que las series de ruido blanco agregadas se cancelan entre sí (o llenan todo el espacio de escala de manera uniforme). El ruido también permite que el método EMD sea un banco de filtros verdaderamente diádico para cualquier dato, lo que significa que una señal de escala similar en un conjunto de datos ruidoso podría estar contenida en un componente IMF, reduciendo significativamente la posibilidad de mezcla de modos. Este enfoque preserva la singularidad física de la descomposición y representa una mejora importante con respecto al método EMD.

Comparación con otras transformaciones.

Ver también

• Transformada de Hilbert
• Análisis espectral de Hilbert
• Espectro de Hilbert
• Frecuencia instantánea
• Descomposición en modo empírico multidimensional
• No lineal ^{[ se necesita desambiguación ]}
• transformada wavelet
• Transformada de Fourier
• envolvente de señal

Referencias

1. Huang, Norden; Attoh-Okine, Nii O., eds. (2005). La transformada de Hilbert-Huang en ingeniería . Estados Unidos: Grupo Taylor & Francis. pag. 1.ISBN​ 978-0-8493-3422-1.
2. Lambert, máximo; Engroff, Andrés; Tintorero, Matt; Byer, Ben. "Descomposición en modo empírico".
3. Chen, Yangkang; Ma, Jitao (mayo-junio de 2014). "Atenuación de ruido aleatorio mediante filtrado predictivo de descomposición en modo empírico de efectos". Geofísica . 79 (3): V81–V91. Código Bib : 2014Geop...79...81C. doi :10.1190/GEO2013-0080.1.
4. Chen, Yangkang; Zhou, Chao; Yuan, Jiang; Jin, Zhaoyu (2014). "Aplicación de la descomposición en modo empírico en la atenuación de ruido aleatorio de datos sísmicos". Revista de exploración sísmica . 23 : 481–495.
5. Chen, Yangkang; Zhang, Guoyin; Gan, Shuwei; Zhang, Chenglin (2015). "Mejora de las reflexiones sísmicas mediante descomposición en modo empírico en el dominio aplanado". Revista de Geofísica Aplicada . 119 : 99-105. Código Bib : 2015JAG...119...99C. doi :10.1016/j.jappgeo.2015.05.012.
6. Chen, Yangkang (2016). "Filtrado estructural separado por inmersión mediante transformada seislet y filtro de inmersión basado en descomposición en modo empírico adaptativo". Revista Geofísica Internacional . 206 (1): 457–469. Código Bib : 2016GeoJI.206..457C. doi : 10.1093/gji/ggw165 .
7. Huang NE , Shen Z, Long SR, Wu MC, Shih HH, Zheng Q, Yen NC, Tung CC, Liu HH (1998). "La descomposición del modo empírico y el espectro de Hilbert para el análisis de series temporales no lineales y no estacionarias" (PDF) . Actas de la Royal Society de Londres A. 454 (1971): 903–995. Código Bib : 1998RSPSA.454..903H. doi :10.1098/rspa.1998.0193. S2CID  1262186.
8. Rilling, Gabriel; Flandrin, Patricio; Gon¸calv`es, Paulo (2003). «SOBRE LA DESCOMPOSICIÓN EN MODO EMPÍRICO Y SUS ALGORITMOS» (PDF) . {{cite journal}}: Citar diario requiere |journal=( ayuda )
9. Junsheng, Cheng; Dejie, Yu; Yu, Yang (2006). "Investigación sobre el criterio de función de modo intrínseco (FMI) en el método EMD". Sistemas Mecánicos y Procesamiento de Señales . 20 (4): 817–824. Código Bib : 2006MSSP...20..817J. doi :10.1016/j.ymssp.2005.09.011.
10. Flandrin, P.; Rilling, G.; Gonçalves, P. (2003). "Descomposición en modo empírico como banco de filtros" (PDF) . Cartas de procesamiento de señales IEEE . 11 (2): 112-114. doi :10.1109/LSP.2003.821662. S2CID  13987255.
11. H. Ahmadi y A. Ekhlasi (2019). "Tipos de algoritmos EMD". 2019 Quinta Conferencia Iraní sobre Procesamiento de Señales y Sistemas Inteligentes (ICSPIS) . págs. 1 a 5. doi : 10.1109/ICSPIS48872.2019.9066155 . ISBN 978-1-7281-5350-6.
12. Pigorini, A.; Casali, AG; Casarotto, S.; Ferrarelli, F.; Baselli, G.; Mariotti, M.; Massimini, M.; Rosanova, MCE (2011). "Análisis espectral tiempo-frecuencia de oscilaciones EEG evocadas por TMS mediante transformada de Hilbert-Huang". Métodos J Neurosci . 198 (2): 236–245. doi :10.1016/j.jneumeth.2011.04.013. PMID  21524665. S2CID  11151845.
13. Hariharan H.; Gribok, A.; Abidi, MA; Koschan, A. (2006). "Fusión y mejora de imágenes mediante descomposición en modo empírico" (pdf) . Revista de investigación de reconocimiento de patrones . 1 (1): 16–31. doi :10.13176/11.6 (inactivo 2024-03-17).{{cite journal}}: Mantenimiento CS1: DOI inactivo a partir de marzo de 2024 ( enlace )
14. Chang, JC; Huang, MI; Lee, JC; Chang, CP; Tu, TM (2009). "Reconocimiento de iris con un método de descomposición en modo empírico mejorado". Ingeniería Óptica . 48 (4): 047007–047007–15. Código Bib : 2009OptEn..48d7007C. doi :10.1117/1.3122322.
15. Hong, J.; et al. (2010). "Similitud de la capa superficial en la capa límite nocturna: la aplicación de la transformada de Hilbert-Huang". Biogeociencias . 7 (4): 1271–1278. Código Bib : 2010BGeo....7.1271H. doi : 10.5194/bg-7-1271-2010 .
16. Huang, YX; et al. (2008). "Un estudio de amplitud-frecuencia de intermitencia de escala turbulenta utilizando análisis espectral de Hilbert". Cartas de Eurofísica . 84 : 40010. arXiv : 1401.4211 . doi :10.1209/0295-5075/84/40010. S2CID  18569761.
17. Huang, YX; et al. (2009). "Análisis de las fluctuaciones diarias del caudal de los ríos mediante descomposición en modo empírico y análisis espectral de Hilbert de orden arbitrario" (PDF) . Revista de Hidrología . 373 (1–2): 103–111. Código Bib : 2009JHyd..373..103H. doi :10.1016/j.jhidrol.2009.04.015. S2CID  3217319.
18. Huang, YX; et al. (2013). "Estadísticas turbulentas de una sola partícula lagrangiana mediante la transformada de Hilbert-Huang". Revisión física E. 87 (4): 041003(R). arXiv : 1212.5741 . Código bibliográfico : 2013PhRvE..87d1003H. doi :10.1103/physreve.87.041003. PMID  23679366. S2CID  14580944.
19. Bronceado, SA; et al. (2014). "Estadísticas de Hilbert de escalamiento de vorticidad en turbulencia bidimensional". Física de Fluidos . 26 (1): 015106. arXiv : 1401.4200 . Código bibliográfico : 2014PhFl...26a5106T. doi : 10.1063/1.4861068. S2CID  118453456.
20. Qiu, X.; et al. (2016). "Medición de intermitencia en turbulencia bacteriana bidimensional". Revisión física E. 93 (6): 062226. arXiv : 1607.07940 . Código Bib : 2016PhRvE..93f2226Q. doi : 10.1103/physreve.93.062226. PMID  27415272. S2CID  11109337.
21. Li y Huang; et al. (2014). "Análisis multifractal basado en la transformada de Hilbert-Huang del mercado de valores de China". Física A. 406 : 222–229. Código Bib : 2014PhyA..406..222L. doi :10.1016/j.physa.2014.03.047.
22. Calif R, Schmitt FG, Huang Y, Soubdhan T, et al. (2013). "Estudio de intermitencia de secuencias de radiación solar global de alta frecuencia bajo un clima tropical". Energía solar . 98 : 349–365. Código Bib :2013SoEn...98..349C. doi :10.1016/j.solener.2013.09.018.
23. Huang, Yongxiang. "Análisis espectral de Hilbert de orden arbitrario". GitHub .
24. Nakariakov, VM; et al. (2010). "Procesos oscilatorios en erupciones solares". Física del Plasma y Fusión Controlada . 52 (12): 124009. arXiv : 1010.0063 . Código Bib : 2010PPCF...52l4009N. doi :10.1088/0741-3335/52/12/124009. S2CID  118456166.
25. Barnhart, BL; Eichinger, NOSOTROS (2011). "Análisis de la variabilidad de las manchas solares mediante la transformada de Hilbert-Huang". Física Solar . 269 ​​(2): 439–449. Código bibliográfico : 2011SoPh..269..439B. doi :10.1007/s11207-010-9701-6. S2CID  120968940.
26. Huang, H.; Pan, J. (2006). "Determinación del tono del habla basada en la transformada de Hilbert-Huang" (PDF) . Procesamiento de la señal . 86 (4): 792–803. doi :10.1016/j.sigpro.2005.06.011.^{[ enlace muerto permanente ]}
27. Bellini; et al. (2014). "Resultados finales de Borexino Phase-I en espectroscopia de neutrinos solares de baja energía". Revisión física D. 89 (112007): 112007. arXiv : 1308.0443 . Código Bib : 2014PhRvD..89k2007B. doi : 10.1103/PhysRevD.89.112007. S2CID  118390776.
28. Chen, Y.; Feng MQ (2003). "Una técnica para mejorar la descomposición del modo empírico en la transformada de Hilbert-Huang" (PDF) . Ingeniería Sísmica e Ingeniería de Vibraciones . 2 (1): 75–85. Código Bib : 2003EEEV....2...75C. doi :10.1007/BF02857540. S2CID  39430875.
29. Dätig, Marcus; Schlurmann, Torsten (2004). "Rendimiento y limitaciones de la transformación Hilbert-Huang (HHT) con aplicación a ondas de agua irregulares". Ingeniería Oceánica . 31 (14-15): 1783-1834. doi : 10.1016/j.oceaneng.2004.03.007.
30. Huang, NE; Wu ZH (2008). "Una revisión sobre la transformada de Hilbert-Huang: método y sus aplicaciones a los estudios geofísicos" (PDF) . Rev. Geophys . 46 (2): RG2006. Código Bib : 2008RvGeo..46.2006H. doi : 10.1029/2007RG000228 .
31. Guang, Y.; Sol, X.; Zhang, M.; Li, X.; Liu, X. (2014). "Estudio sobre formas de limitar el efecto final de la transformada de Hilbert-Huang" (PDF) . Revista de Computadoras . 25 .
32. Transformada de Hilbert-Huang y sus aplicaciones
33. El uso de una señal de enmascaramiento para mejorar la descomposición del modo empírico. (2005). Publicación de la conferencia IEEE | IEEE Xplorar. https://ieeexplore.ieee.org/document/1416051
34. Wu, Z. y Huang, NE (2009). DESCOMPOSICIÓN EN MODO EMPÍRICO DE ENSEMBLE: UN MÉTODO DE ANÁLISIS DE DATOS ASISTIDO POR RUIDO. Avances en el análisis de datos adaptativos, 01(01), 1–41. https://doi.org/10.1142/s1793536909000047

• Ditommaso, R.; Mucciarelli, M.; Parolai, S.; Picozzi, M. (2012). "Seguimiento de la respuesta dinámica estructural de una torre de mampostería: comparación de análisis clásicos y de tiempo-frecuencia" (PDF) . Boletín de Ingeniería Sísmica . 10 (4): 1221-1235. doi :10.1007/s10518-012-9347-x. S2CID  51816660.
• Boudraa, AO; Cexus, JC (2007). "Filtrado de señales basado en EMD" (PDF) . Transacciones IEEE sobre instrumentación y medición . 56 (6): 2196–2202. Código Bib : 2007ITIM...56.2196B. doi :10.1109/TIM.2007.907967. S2CID  30086370.
• Huang, NE; Shen, Z.; Largo, SR; Wu, MC; Shih, HH; Zheng, Q.; Yen, Carolina del Norte; Tung, CC; Liu, HH (1998). "La descomposición del modo empírico y el espectro de Hilbert para el análisis de series temporales no lineales y no estacionarias" (PDF) . Actas de la Royal Society de Londres A. 454 (1971): 903–995. Código Bib : 1998RSPSA.454..903H. doi :10.1098/rspa.1998.0193. S2CID  1262186. Archivado desde el original (PDF) el 6 de septiembre de 2006.
• Huang, NE; Wu Z. (2008). "Una revisión sobre la transformada de Hilbert-Huang: método y sus aplicaciones a los estudios geofísicos". Rev. Geophys . 46 (2): RG2006. Código Bib : 2008RvGeo..46.2006H. doi : 10.1029/2007RG000228 .
• Huang, NE; Attoh-Okine, NO (2005). La transformada de Hilbert-Huang en ingeniería . CRC Taylor y Francis. ISBN 978-0849334221.
• Huang, NE; Shen, SSP (2005). Transformada de Hilbert-Huang y sus aplicaciones . Londres: World Scientific. ISBN 978-9812563767.
• Schmitt, Francois G; Huang, Yongxiang (2016). Análisis estocástico de series temporales de escala: de la teoría de la turbulencia a las aplicaciones . Prensa de la Universidad de Combridge. ISBN 9781107067615.
• Huang, NE; Largo, SR; Shen, Z. (1996). "El mecanismo de reducción de frecuencia en la evolución de ondas no lineales". Avances en Mecánica Aplicada . 32 : 59-111. doi : 10.1016/S0065-2156(08)70076-0 . ISBN 9780120020324.
• Huang, NE; Shen, Z.; Largo, RS (1999). "Una nueva visión de las ondas de agua no lineales: el espectro de Hilbert" (PDF) . Revisión Anual de Mecánica de Fluidos . 31 : 417–457. Código Bib : 1999AnRFM..31..417H. doi :10.1146/annurev.fluid.31.1.417.
• Huang, NE; Wu, ML; Largo, SR; Shen, SS; Qu, WD; Gloersen, P.; Ventilador, KL (2003). "Un límite de confianza para la descomposición del modo empírico y el análisis espectral de Hilbert" (PDF) . Actas de la Royal Society de Londres A. 459 (2037): 2317–2345. Código Bib : 2003RSPSA.459.2317H. doi :10.1098/rspa.2003.1123. S2CID  6293882.
• Wu, Z.; Huang, NE (2004). "Un estudio de las características del ruido blanco utilizando el método de descomposición en modo empírico". Actas de la Royal Society de Londres A. 460 (2046): 1597-1611. Código Bib : 2004RSPSA.460.1597W. doi :10.1098/rspa.2003.1221. S2CID  53060332.
• Profesor de Jian-Jiun Ding, Departamento de Ingeniería Eléctrica, Universidad Nacional de Taiwán. "Análisis tiempo-frecuencia y transformada Wavelet 2021" (PDF) . {{cite journal}}: Citar diario requiere |journal=( ayuda )Mantenimiento CS1: varios nombres: lista de autores ( enlace )