总体经验模态分解能量向量用于ECG能量分布的研究

总体经验模态分解(EEMD)改进了经验模态分解(EMD)存在的模态混叠问题，依据信号自身的波动特点将信号分解，特别适合非线性非平稳信号的分析处理。 ECG信号能量分布有一定的规律，疾病会引起能量分布的变化，研究ECG能量分布的改变对心脏疾病的研究和临床诊断有重要意义。本文将ECG信号通过EEMD方法分解为多个本征模态函数(IMF)分量，观察IMF分量的波动规律，指出了ECG信号在不同时间尺度上的波动特点和物理意义。将IMF分量分别计算能量，得到ECG的能量向量，并对健康人和三种心脏疾病患者能量向量进行对比分析。结果表明心脏疾病导致EEMD能量向量的高频分量显著降低，尤其是p1分量具有较好的区分度，可以作为心脏疾病诊断的参考依据。相比较传统的频域分析方法单纯关注频率而忽略信号自身特点和信号成分之间的相互作用， EEMD的分解结果依赖于ECG信号本身，因此更能够反映ECG信号的真实情况，揭示年龄和疾病对ECG能量分布的影响。