$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

개선된 앙상블 EMD 방법을 이용한 데이터 기반 신호 분해
Data-Driven Signal Decomposition using Improved Ensemble EMD Method 원문보기

한국정보통신학회논문지 = Journal of the Korea Institute of Information and Communication Engineering, v.19 no.2, 2015년, pp.279 - 286  

이금분 (Department of Computer Security, Chosun College of Science & Technology)

초록
AI-Helper 아이콘AI-Helper

EMD는 미리 정의된 어떠한 기저함수도 사용하지 않으며 사용자에 의해 미리 정의된 파라미터값도 필요치 않은 완전히 데이터에 기반한 신호 처리의 특징을 갖는다. 그러나 유사한 스케일을 갖는 신호 모드로 분해하는 것을 방해하는 모드 혼합이 발생하는 단점이 있다. 이를 해결하기 위해 EEMD 알고리즘이 도입되었으며, EEMD는 처리하고자 하는 신호에 가우시안 백색 잡음을 혼합하여 앙상블 수만큼 신호를 만들어 EMD 방법을 적용함으로써 모드 혼합 문제를 해결한다. 그럼에도 EEMD는 잡음이 추가된 신호 분해 시 원 신호와 상이한 모드 수를 만들어 내며, 분해된 신호들을 원 신호로 재구성 시에도 레지듀 잡음이 포함된다. 본 논문은 개선된 EEMD알고리즘으로 EMD의 모드 혼합 문제를 해결하고 원신호를 정확히 재구성하며 EEMD 보다 적은 연산 비용으로 신호 모드 분리를 제안한다. 실험결과는 EEMD 방법과 비교하여 적은 체과정의 반복으로 빠른 모드 분리를 보여 주었으며 EEMD 방법의 20.87%의 비용만으로 완전한 신호 분해가 가능하였고, 신호 복원에 있어서도 EEMD 보다 우수한 성능을 보여주었다.

Abstract ▼ AI-Helper 아이콘AI-Helper

EMD is a fully data-driven signal processing method without using any predetermined basis function and requiring any user parameters setting. However EMD experiences a problem of mode mixing which interferes with decomposing the signal into similar oscillations within a mode. To overcome the problem...

주제어

#앙상블 EMD   #모드 혼합   #데이터 기반 신호 분해  

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 그러나 EEMD는 원신호에 백색 잡음을 추가한 앙상블 신호의 분해이므로 원신호의 모드와 다른 모드의 수를 만들어 내며, 복원된 신호가 레지듀 잡음을 포함하게 되어 상이한 신호가 될 수 있다[5,6]. 이런 문제를 극복하기 위해 본 논문은 EEMD에 적용된 수식을 개선하여 EMD의 모드 혼합 문제를 해결하고 적은 연산 비용으로 효율적인 모드 분리와 원신호의 정확한 복원을 제안하고자 한다.

가설 설정

  • 실제로 신호 데이터에 서로 다른 백색 잡음의 추가함으로써 신호 분해 방법에 영향을 미치지 않고 모드 혼합을 피하도록 하여 신호를 향상시킬 수 있음이 증명되었다[4]. 그림 2 (b)는 식 (6-7)을 적용하여 신호를 분해한 결과로 그림 2(a)의 EMD에 의한 신호 분해보다 균등한 스케일의 분해를 보여준다.
  • EMD는 신호 x(t)를 모드 또는 IMF(Intrinsic Mode Functions)라 불리는 함수로 분해하며, 한 개의 IMF는 다음 두 가지 조건을 만족해야 한다. (i) 극대점의 수와 영점교차(zero crossing)의 수는 같거나 최소한 한 개 이상의 차이가 나지 않는다. (ii) 지역 최대와 지역 최소에 의해 정의된 상위 포괄선(upper envelope)과 하위 포괄선의 평균은 0이다.
  • (i) 극대점의 수와 영점교차(zero crossing)의 수는 같거나 최소한 한 개 이상의 차이가 나지 않는다. (ii) 지역 최대와 지역 최소에 의해 정의된 상위 포괄선(upper envelope)과 하위 포괄선의 평균은 0이다. EMD 알고리즘은 다음과 같다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
EMD의 단점은 무엇인가? EMD는 미리 정의된 어떠한 기저함수도 사용하지 않으며 사용자에 의해 미리 정의된 파라미터값도 필요치 않은 완전히 데이터에 기반한 신호 처리의 특징을 갖는다. 그러나 유사한 스케일을 갖는 신호 모드로 분해하는 것을 방해하는 모드 혼합이 발생하는 단점이 있다. 이를 해결하기 위해 EEMD 알고리즘이 도입되었으며, EEMD는 처리하고자 하는 신호에 가우시안 백색 잡음을 혼합하여 앙상블 수만큼 신호를 만들어 EMD 방법을 적용함으로써 모드 혼합 문제를 해결한다.
EMD의 특징은 무엇인가? EMD는 미리 정의된 어떠한 기저함수도 사용하지 않으며 사용자에 의해 미리 정의된 파라미터값도 필요치 않은 완전히 데이터에 기반한 신호 처리의 특징을 갖는다. 그러나 유사한 스케일을 갖는 신호 모드로 분해하는 것을 방해하는 모드 혼합이 발생하는 단점이 있다.
EEMD 모드 혼합문제를 해결하는 방법은 무엇인가? 그러나 유사한 스케일을 갖는 신호 모드로 분해하는 것을 방해하는 모드 혼합이 발생하는 단점이 있다. 이를 해결하기 위해 EEMD 알고리즘이 도입되었으며, EEMD는 처리하고자 하는 신호에 가우시안 백색 잡음을 혼합하여 앙상블 수만큼 신호를 만들어 EMD 방법을 적용함으로써 모드 혼합 문제를 해결한다. 그럼에도 EEMD는 잡음이 추가된 신호 분해 시 원 신호와 상이한 모드 수를 만들어 내며, 분해된 신호들을 원 신호로 재구성 시에도 레지듀 잡음이 포함된다.
질의응답 정보가 도움이 되었나요?

참고문헌 (8)

  1. N. E. Huang, Z. Shen, S. R. Long, M. C. Wu, E. H. Shih, Q. Zheng, Yen. N.-C., C. C. Tung, and H. H. Liu, "The empical mode decomposition method and the Hilbert spectrum for nonlinear and non-stationary time series analysis," Proc. Roy. Soc., London. A, vol. 454, pp. 903-995, 1998. 

    상세보기 crossref

  2. P. Flandrin, G. Rilling, and P. Goncalves, "Empirical mode decomposition as a filter bank," IEEE Signal Process. Lett., vol. 11, no. 2, pp. 112-114, Feb. 2004. 

    상세보기 crossref

  3. B. Weng, M. Blanco-Velasco, and K. E. Earner, "ECG denoising based on the empirical mode decomposition," in EMBS'06. 28th Annual International Conference of the IEEE, pp. 1-4, Aug. 2006. 

  4. Z. Wu and N. E. Huang, "Ensemble empirical mode decomposition: A noise-assisted data analysis method," Advances in Adaptive Data Analysis, vol. 1, no. 1, pp. 1-41, 2009. 

    상세보기 crossref

  5. M. E. Torres, M. A. Colominas, G. Schlotthauer, and P. Flandrin, "A complete ensemble empirical mode decomposition with adaptive noise," in Proceeding of 2011 IEEE International Conference on Acoustics, Speech and Signal , pp. 4144-4147, 2011. 

  6. K. M. Chang, "Ensemble empirical mode decomposition for high frequency ECG noise reduction," Biomedizinische Technik/Biomedical Engineering, vol. 55, pp. 193-201, August 2010. 

    상세보기 crossref

  7. G. B. Lee and B. J. Cho, "ECG Filtering using Empirical Mode Decomposition Method," Journal of the Korea Institute of Information and Communication Engineering, vol. 13, no. 12, pp. 2671-2676, 2009. 

  8. G. B. Moody and R. G. Mark. The Impact of MIT-BIH Arrhythmia Database. IEEE Eng in Med and Bio, vol. 20, no. 3, pp. 45-50, May-June, 2001. [Internet]. Available: http://www.physionet.org/physiobank/database/mitdb/. 

    상세보기 crossref

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로