优化变分参数与改进小波软阈值重构滤波算法

汪梅　王将　李远成　董立红　马天　李铭禹

摘要：煤礦安全生产的关键是矿工，而情绪是影响矿工的重要因素，所以有必要对矿工的情绪进行识别。近年来，基于脑电的情绪识别受到了大量的关注，但由于脑电信号微弱，易受干扰，从而降低了情绪识别的精度。针对这一问题，提出优化变分参数与改进小波软阈值重构滤波算法。首先，利用乌燕鸥算法优化变分模态分解的参数，得到一组优化的变分模态分量。接着，通过相关系数差值比的判断条件来区分变分模态的有效分量和含噪分量。然后利用改进的小波软阈值对含噪分量进行分解和重构，得到去噪分量。最后，将去噪分量与有效分量重构，实现所提的滤波算法。结果表明：相比于VMD法、优化参数VMD和小波硬阈值法、优化参数VMD和小波软阈值法，所提滤波算法的信噪比平均提高了3.284 7 dB，均方根误差平均降低了0.069 5，滤波效果更优。

关键词：滤波算法;变分模态;参数优化;阈值函数;小波重构

中图分类号：TN 911文献标志码：A

文章编号：1672-9315（2022）02-0380-09

DOI：10.13800/j.cnki.xakjdxxb.2022.0224开放科学（资源服务）标识码（OSID）：

Reconstruction filtering algorithm based on the optimized

variation parameters and improved wavelet soft-thresholdWANG Mei WANG Jiang LI Yuancheng DONG Lihong MA Tian LI Mingyu

（1.College of Computer Science and Technology，Xian University of Science and Technology，Xian 710054，China;

2.College of Electrical and Control Engineering，Xian University of Science and Technology，Xian 710054，China）Abstract：The key to safe production in coal mine is miners，and emotions are an important factor affecting miners，so it is necessary to identify minersemotions.In recent years，emotion recognition based on electroencephalograph has attracted a lot of attention，but the EEG signals are weak and easily disturbed，which reduces the accuracy of emotion recognition.Aiming at this problem，a reconstruction filtering algorithm based on optimized variation parameters and improved wavelet soft-threshold  is proposed.First，the parameters of the variation mode decomposition are optimized by the sooty tern algorithm，and a group of optimized variation components are obtained.Second，a judgment condition of the difference ratio of the correlation coefficients is used to distinguish the effective components and the noisy components of the variation modes.Third，an improved wavelet soft-threshold is adopted to decompose and reconstruct the noisy components to obtain the denoising components.Fourth，the reconstruction of the denoising components with the effective components is conducted，and the proposed filtering algorithm is completed.The results show that compared to the VMD method，the optimization parameter VMD method with the wavelet hard-threshold，and the optimization parameter VMD method with the wavelet soft-threshold，this filtering algorithm increases the signal-to-noise ratio by 3.284 7 dB on average，and decreases the root mean square error by 0.069 5 on average，indicating a better filtering effect.

Key words：filtering algorithm;variation mode;parameter optimization;threshold function;wavelet reconstruction

0引言

矿工的不安全情绪可能会导致矿难的发生，识别矿工情绪能够判断其当前的情绪状态，为煤矿的安全生产减少人为因素的安全威胁[1]。脑电信号以其客观性和不易隐藏性的特点，被广泛应用于情绪识别领域[2-3]。但脑电信号由于受到在采集过程中外界环境干扰和采集设备等因素的影响，而被引入噪声导致信号质量下降[4]。这些噪声有可能影响信号的主要特征，对于后续的特征分析和情绪识别有一定影响[5-7]。因此，在利用脑电信号识别矿工情绪的过程中，对于噪声的滤除就显得尤为必要。

经典脑电滤波方法主要包括傅里叶分解或小波分解及重构。傅里叶分解由于其构造函数为周期性的正、余弦波，导致其对非周期性或局部特征较明显的信号处理效果较差[8]。小波分解具有良好的时频分析能力，可以很好地分辨信号的突变部分[9-11]。近年来，经验模态分解及其改进方法在脑电滤波算法研究中日渐增多[12-14]。相比于小波分解，经验模态分解不需要预先设定母小波和分解层次就可以自适应地对非线性、非平稳信号进行分解处理，但此方法缺乏良好的数学理论，并且对采样数据和噪声都很敏感[15-18]。为此，变分模态分解（variation mode decomposition，VMD）以其完备的数学理论支持和较好的噪声鲁棒性，已广泛应用在生物电信号滤波领域。

KAUR等将VMD算法分别与离散小波变换和小波包变换结合起来对脑电信号进行滤波，发现基于小波包变换的VMD法性能更优[19]。DORA等利用VMD提取脑电信号中的眼电分量，并结合回归的方法获得干净的脑电信号[20]。XIAO等通过结合VMD和小波阈值的方法对肌电信号进行滤波，实验滤波效果要优于单一的小波阈值法和经验模态分解法[21]。卢莉蓉等则利用VMD和小波软阈值方法来去除心电信号中肌电的干扰[22]。但是VMD的模态数和带宽分别取决于分解个数K和惩罚因子α的预设值，而且K和α值的大小都会影响滤波效果。

针对上述VMD在对脑电信号滤波时，VMD的分解效果会受到参数K和α选取的影响，导致信号滤波效果差的问题，提出一种优化变分参数与改进小波软阈值重构滤波算法。该算法结合了VMD能提供有效频率划分和小波阈值时频分析能力强的优点，改进了由K和α选取不当造成的影响和传统小波阈值存在逼近程度较差或平滑性不足问题。文中创新点包括以下4个方面：第1，给出乌燕鸥参数优化的VMD算法;第2，扩展相关系数差值比的方法来区分有效分量和含噪分量;第3，利用改进的小波软阈值处理含噪分量得到去噪分量;第4，提出优化变分参数与改进小波软阈值重构的滤波算法。最后，对模拟信号和情绪脑电信号进行滤波处理，检验所提方法的滤波性能。

1乌燕鸥参数优化变分模态分解

1.1变分模态分解算法

VMD是一种自适应的信号处理方法，与经验模态分解法相比，VMD提供了更有效的频率划分，可以更好地避免模态混叠等问题[23-24]。非平稳多分量的信号f（t）通过VMD可以得到K个具有特定中心頻率ω_k的模态分量u_k。为了确定uk和ω_k，需要构造一个约束变分问题，见式（1）。

1.2乌燕鸥优化算法

1.2.1迁移行为

1.2.2攻击行为

在乌燕鸥定位猎物后，它们会改变自身的飞行速度和角度对猎物进行攻击，从而在空中产生螺旋状运动轨迹。其在x′，y′和z′平面的运动行为的数学模型为

1.3乌燕鸥参数优化变分模态分解

在VMD中，参数K和α的选取将会影响最终的分解效果。若K值过大，会造成分解过度，导致相邻模态中心频率的间距较近;而如果K值太小，会造成分解不足，导致分解失去了实际意义[25]。类似的，如果α选取不恰当，也会出现模态混叠的问题。因此，合理选择K和α的值对于信号分解结果的准确性尤为重要。

由于乌燕鸥优化算法（sooty tern optimization algorithm，STOA）具有寻优能力强、精度高等特点[26]。利用STOA优化VMD以确定最佳参数组合[K，α]，并将文献[27]所提的包络熵作为适应度函数，将VMD参数的优化过程转化为利用STOA寻求最小包络熵值的过程。通过VMD将原始信号分解为K个模态分量，如果模态分量中包含的噪声分量越多，其与原始信号相关的特征信息就越不明显，则包络熵越大;反之，包络熵越小。图1为乌燕鸥参数优化变分模态分解（STOA-VMD）算法流程。

STOA-VMD算法的具体步骤如下。

步骤1：初始化STOA参数，并随机形成一个数量为N的乌燕鸥种群，设置迭代次数为z，寻优维数为2，则乌燕鸥个体位置可表示为：P（z）={P1（z），P2（z）}，其中，P₁（z）=K，P₂（z）=α。

步骤2：以当前乌燕鸥个体位置对应的K和α作为VMD的输入参数对信号进行分解。

步骤3：计算不同位置的乌燕鸥个体对应的包络熵值，更新得到当前最小包络熵值。

步骤4：判断是否达到迭代终止条件，如果达到，寻优停止，输出最优的K和α，否则，令z=z+1，并更新种群位置，返回步骤2继续进行迭代优化。

2模态判断和改进小波软阈值算法

2.1相关系数差值比的模态判断

通过STOA-VMD将原始信号分解为K个模态分量，需要从中判断并重构合适的分量来对信号进行滤波。相关系数可以度量原始信号与模态分量之间的相似性，相关系数值越大则相似性越强，反之则越弱。文中分别将与原始信号相关系数较大和较小的模态分量称为有效分量和含噪分量。文献[28]利用固定的相关系数值来区分这2类分量，难以对不同信号作出灵活的调整，具有一定的局限性。

文中提出一种相关系数差值比的判断条件，根据相邻模态与原始信号相关系数的差值比来确定有效分量和含噪分量的临界点，判断条件如下

根据临界点判断条件找出有效分量和含噪分量之间的临界点um（t）。由于模态分量按照频率从低到高排列，而有效分量的频带大多分布在低频部分。因此，对临界点um（t）之前的有效分量保留并利用所提改进小波阈值处理其余含噪分量。

2.2改进小波软阈值的分解重构算法

根据小波阈值滤波的基本原理可知[29]，小波基、分解尺度的确定和阈值函数的构造都会影响其滤波效果。软阈值和硬阈值是2种常用的阈值函数，但软阈值法会造成重构信号与原信号之间逼近程度较差的缺点;硬阈值法的不连续则会引起重构信号平滑性不足的问题。

针对上述问题，提出一种改进小波软阈值（improved wavelet soft-threshold，IWS）的分解重構算法。首先，确定小波基和分解尺度。然后对含噪分量分解得到小波系数w_z，利用公式（19）所示改进的阈值函数对w_z处理后得到w′_z。最后，对w′_z进行重构以实现小波阈值滤波。

式中w_z和w′_z分别为处理前、后的小波系数;T为阈值;β为形状调节因子，且β∈（0，+∞）。

为了直观地反映形状调节因子β的作用效果，选取T=1，β=0.5，2，5，10，20，30，比较改进阈值函数与软、硬阈值函数的特性，如图2所示。通过调整β的值，改进阈值函数可以在软、硬阈值之间变动，这也使得它在实际应用上更为灵活。随着|wz|的增加，改进阈值函数越来越接近于硬阈值函数，这就弥补了软阈值法的缺点。同时，改进阈值函数具有高阶可导性，可以克服振荡，提高信号的平滑度。

3优化变分与改进软阈值重构算法

在上述理论基础上，提出优化变分与改进软阈值重构算法（STOA-VMD-IWS），如图3所示。

首先，通过STOA-VMD算法找到最佳参数组合[K，α]，利用优化的VMD分解原始信号得到一组模态分量{u₁，u₂，…，u_K}。然后，利用相关系数差值比的判断条件来区分有效分量和含噪分量，并用IWS算法对含噪分量进行滤波。最后，重构有效分量和去噪分量，实现信号滤波。

4实验与结果分析

4.1参数优化变分模态实验与结果分析

实验选取公开脑电数据集DEAP中一段预处理后的脑电信号（electroencephalogram，EEG）作为研究对象，采样率为128 Hz，采样个数为600。在其中分别加入强度为-10～10 dB且间隔为5 dB的高斯白噪声，得到5种含噪EEG信号。

下面以含有10 dB高斯白噪声的EEG信号为例，利用STOA-VMD算法寻找最佳参数组合[K，α]。设置乌燕鸥种群数为30，最大迭代次数Max_iterations为10，K的范围为[2，10]，且K为整数，α的范围为[500，4 000]。图4为STOA-VMD算法的寻优过程。

从图4可以看出，当迭代数为5时，最小包络熵值为0.969 2，此时[K，α]值为[10，3 348]。因此，以K=10，α=3 348作为VMD的输入参数对EEG信号进行分解，结果如图5所示。

可以看出，u₁～u₁₀的中心频率之间相互独立，且并未发生模态混叠的现象，证明了STOA-VMD算法的分解结果较好。为了验证STOA参数寻优的准确性，将原始EEG信号频谱中对应的主频率值与u₁～u₁₀的中心频率值进行比较，结果见表1。

从表1可知，u₁～u₁₀的中心频率值基本对应于EEG信号的主频率值，能很好地反映EEG信号的频率特性。此外，如图5所示，u₁～u₁₀之间没有混叠，证明STOA-VMD算法参数优化的有效性。

4.2相关系数差值比实验与结果分析

在得到模态分量u1～u10后，计算了u1～u10和原始EEG信号之间的相关系数，并得到相邻模态分量相关系数差的绝对值见表2。

利用公式（17）的模态判断条件计算相关系数差值比，可以得到：|R6-R5|/|R5-R4|=0.076 5，|R5-R4|/|R4-R3|=9.136 7，则u5为有效EEG分量和含噪EEG分量的临界点。

4.3改进小波阈值滤波实验与结果分析

根据相关系数差值比的模态判断条件，得到有效EEG分量和含噪EEG分量的临界点为u5，将临界点前的模态分量作为有效EEG分量保留，对其余含噪EEG分量利用IWS算法处理后与有效EEG分量重构得到滤波后EEG信号，如图6所示。

经所提STOA-VMD-IWS算法滤波后噪声得到了明显地抑制。为了验证所提算法的优势，文中将其与传统VMD算法、STOA-VMD和小波硬阈值滤波算法（STOA-VMD-HWTF）、STOA-VMD和小波软阈值滤波算法（STOA-VMD-SWTF）进行了对比实验，并以信噪比（signal-to-noise ratio，SNR）和均方根误差（root mean square error，RMSE）作为评价指标，对比结果见表3。

由表3可知，传统VMD算法的SNR较低，RMSE较高，其滤波效果较差。在传统VMD算法的基础上，尽管STOA-VMD-HWTF算法和STOA-VMD-SWTF算法的滤波效果得到了一定的改善，但所提STOA-VMD-IWS算法在SNR和RMSE方面效果更好，脑电滤波效果更佳。

4.4EEG信號STOA-VMD-IWS滤波实验分析

为了进一步验证所提滤波算法对实测EEG信号的有效性，根据情绪二维模型理论，实验选取煤矿井下工作环境相关的3类情绪图片，即积极、消极和中性，在E-Prime 2.0系统上对被试进行情绪诱发，并利用Neuroscan公司的NuAmps设备完成对被试EEG信号的采集。

下面以在消极情绪图片诱发下得到的一段EEG信号为例，图7为STOA-VMD-IWS算法对该EEG信号的滤波效果。

其中，图7（a）的EEG信号分别来自FP1，C3，O1和T4电极，可以看出EEG信号具有大量的毛刺，说明其含有大量的高频噪声。图7（b）是利用所提STOA-VMD-IWS算法对这4个电极处EEG信号进行滤波处理后的信号。经所提STOA-VMD-IWS算法处理后，高频噪声得到了有效抑制，也保留了EEG信号的大部分特征，可以得到其幅值变化及波动情况。

由于实验无法预先得到“干净”的EEG信号，导致无法利用SNR和RMSE来评价所提算法的滤波效果，故文中利用噪声抑制比（noise suppression ratio，NSR）来评价所提算法和传统VMD算法对4种EEG信号的滤波效果，计算结果见表4。NSR越大，说明滤波效果越好，其计算公式如下

从表4可知，2种滤波算法对C3和O1的EEG信号滤波效果要优于其他2种EEG信号，且所提算法对4种EEG信号的滤波效果均优于传统VMD算法，证明所提算法在脑电滤波方面的有效性。

5结论

1）给出变分模态分解参数的乌燕鸥优化方法，即利用乌燕鸥优化算法对变分模态分量个数和惩罚因子进行优化，得到参数优化的VMD算法，解决了VMD有效分解问题。

2）扩展相关系数差值比判别方法，用于判别VMD分解后的有效分量和含噪分量，以便对含噪分量做进一步处理，解决了模态分量选取问题。

3）对小波软阈值函数进行改进，用于对含噪分量的小波分解与重构，实现对含噪分量的去噪，解决了硬阈值不连续引起重构信号平滑性不足和软阈值重构信号的逼近度较差问题。

4）提出优化变分参数与改进小波软阈值重构的滤波算法，对模拟信号和情绪脑电信号进行滤波处理，信噪比最大提高了4.568 3 dB，平均提高了3.284 7 dB;均方根误差最大降低了0.169 1，平均降低了0.069 5，解决了传统VMD算法对脑电滤波效果较差问题，有助于提高脑电的信噪比和矿工情绪识别的准确率，对减少因矿工不安全情绪导致的矿井安全事故的发生具有重要意义。

参考文献（References）：

[1]李广利，田水承，严一知，等.矿工关键不安全情绪识别研究[J].西安科技大学学报，2021，41（5）：793-799.LI Guangli，TIAN Shuicheng，YAN Yizhi，et al.Research on the identification of key unsafe emotions of miners[J].Journal of Xian University of Science and Technology，2021，41（5）：793-799.

[2]WANG M，HUANG Z Y，LI Y C，et al.Maximum weight multi-modal information fusion algorithm of electroencephalographs and face images for emotion recognition[J].Computers and Electrical Engineering，2021，94：1-13.

[3]LI P，LIU H，SI Y，et al.EEG based emotion recognition by combining functional connectivity network and local activations[J].IEEE Transactions on Biomedical Engineering，2019，66（10）：2869-2881.

[4]YU X，AZIZ M Z，SADIQ M T，et al.A new framework for automatic detection of motor and mental imagery EEG signals for robust BCI systems[J].IEEE Transactions on Instrumentation and Measurement，2021，70：1-12.

[5]YAN W，DU C，WU Y，et al.SSVEP-EEG denoising via image filtering methods[J].IEEE Transactions on Neural Systems and Rehabilitation Engineering，2021，29：1634-1643.

[6]CATTAI T，SCARANO G，CORSI M C，et al.Improving J-divergence of brain connectivity states by graph Laplacian denoising[J].IEEE Transactions on Signal and Information Processing over Networks，2021，7：493-508.

[7]NAWAZ R，CHEAH K H，NISAR H，et al.Comparison of different feature extraction methods for EEG-based emotion recognition[J].Biocybernetics and Biomedical Engineering，2020，40（3）：910-926.

[8]張鹏，刘洋，刘鑫明，等.基于Seislet-TV双正则化约束的地震随机噪声压制方法[J].地球物理学报，2020，63（5）：2056-2068.ZHANG Peng，LIU Yang，LIU Xinming，et al.Suppressing seismic random noise based on Seislet-TV dual regularization[J].Chinese Journal of Geophysics，2020，63（5）：2056-2068.

[9]陈光武，刘孝博，王迪，等.基于改进小波变换的MEMS陀螺信号去噪算法[J].电子与信息学报，2019，41（5）：1025-1031.CHEN Guangwu，LIU Xiaobo，WANG Di，et al.Denoising of MEMS gyroscope based on improved wavelet transform[J].Journal of Electronics & Information Technology，2019，41（5）：1025-1031.

[10]李维松，许伟杰，张涛.基于小波变换阈值去噪算法的改进[J].计算机仿真，2021，38（6）：348-351，356.LI Weisong，XU Weijie，ZHANG Tao.Improvement of threshold denoising method based on wavelet transform[J].Computer Simulation，2021，38（6）：348-351，356.

[11]WANG M，MA C，LI Z L，et al.Alertness estimation using connection parameters of the brain network[J].IEEE Transactions on Intelligent Transportation Systems，2021：1-10.

[12]杨磊，杨帆，何艳.采用样本熵自适应噪声完备经验模态分解的脑电信号眼电伪迹去除算法[J].西安交通大学学报，2020，54（8）：177-184.YANG Lei，YANG Fan，HE Yan.An electroencephalogram artifacts removal algorithm for electroencephalogram signals based on sample entropy-complete ensemble empirical mode decomposition with adaptive noise[J].Journal of Xian Jiaotong University，2020，54（8）：177-184.

[13]张锐，刘家俊，陈明明，等.基于小波变换—集合经验模态分解的单通道脑电信号眼电伪迹自动去除研究[J].生物医学工程学杂志，2021，38（3）：473-482.ZHANG Rui，LIU Jiajun，CHEN Mingming，et al.Research on automatic removal of ocular artifacts from single channel electroencephalogram signals based on wavelet transform and ensemble empirical mode decomposition[J].Journal of Biomedical Engineering，2021，38（3）：473-482.

[14]CHEN X，CHEN Q，ZHANG Y，et al.A novel EEMD-CCA approach to removing muscle artifacts for pervasive EEG[J].IEEE Sensors Journal，2019，19（19）：8420-8431.

[15]ZHOU Y，LING B W K，MO X，et al.Empirical mode decomposition-based hierarchical multiresolution analysis for suppressing noise[J].IEEE Transactions on Instrumentation and Measurement，2020，69（4）：1833-1845.

[16]王奉涛，邓刚，王洪涛，等.基于EMD和SSAE的滚动轴承故障诊断方法[J].振动工程学报，2019，32（2）：368-376.WANG Fengtao，DENG Gang，WANG Hongtao，et al.A rolling bearing fault diagnosis method based on EMD and SSAE[J].Journal of Vibration Engineering，2019，32（2）：368-376.

[17]易文华，刘连生，闫雷，等.基于EMD改进算法的爆破振动信号去噪[J].爆炸与冲击，2020，40（9）：77-87.YI Wenhua，LIU Liansheng，YAN Lei，et al.Vibration signal denoising based on improved EMD algorithm[J].Explosion and Shock Waves，2020，40（9）：77-87.

[18]CHEN X，XU X，LIU A，et al.The use of multivariate EMD and CCA for denoising muscle artifacts from few-channel EEG recordings[J].IEEE Transactions on Instrumentation and Measurement，2018，67（2）：359-370.

[19]KAUR C，BISHT A，SINGH P，et al.EEG signal denoising using hybrid approach of variational mode decomposition and wavelets for depression[J].Biomedical Signal Processing and Control，2021，65：1-10.

[20]DORA C，BISWAL P K.An improved algorithm for efficient ocular artifact suppression from frontal EEG electrodes using VMD[J].Biocybernetics and Biomedical Engineering，2020，40（1）：148-161.

[21]XIAO F，YANG D，GUO X，et al.VMD-based denoising methods for surface electromyography signals[J].Journal of Neural Engineering，2019，16（5）：1-13.

[22]卢莉蓉，王鉴，牛晓东.基于VMD和小波阈值的ECG肌电干扰去噪处理[J].传感技术学报，2020，33（6）：867-873.LU Lirong，WANG Jian，NIU Xiaodong.Denoising processing of ECG signal myoelectricity interference based on VMD and wavelet threshold[J].Chinese Journal of Sensors and Actuators，2020，33（6）：867-873.

[23]DRAGOMIRETSKIY K，ZOSSO D.Variational mode decomposition[J].IEEE Transactions on Signal Processing，2014，62（3）：531-544.

[24]王同安，王元红.基于VMD的瓦斯信号自适应压缩感知算法[J].西安科技大学学报，2019，39（2）：366-373.WANG Tongan，WANG Yuanhong.Gas signal adaptive compressed sensing algorithm based on VMD[J].Journal of Xian University of Science and Technology，2019，39（2）：366-373.

[25]HU H，AO Y，YAN H，et al.Signal denoising based on wavelet threshold denoising and optimized variational mode decomposition[J].Journal of Sensors，2021，2021：1-23.

[26]DHIMAN G，KAUR A.STOA：A bio-inspired based optimization algorithm for industrial engineering problems[J].Engineering Applications of Artificial Intelligence，2019，82：148-174.

[27]張萍，张文海，赵新贺，等.WOA-VMD算法在轴承故障诊断中的应用[J].噪声与振动控制，2021，41（4）：86-93，275.ZHANG Ping，ZHANG Wenhai，ZHAO Xinhe，et al.Application of WOA-VMD algorithm in bearing fault diagnosis[J].Noise and Vibration Control，2021，41（4）：86-93，275.

[28]LONG L，WEN X，LIN Y.Denoising of seismic signals based on empirical mode decomposition-wavelet thresholding[J].Journal of Vibration and Control，2020，27（3-4）：311-322.

[29]赵永梅.VMD和小波阈值重构的电力电缆局部放电信号去噪法[J].西安科技大学学报，2021，41（4）：739-746.ZHAO Yongmei.Denoising method of cable partial discharge signals based on VMD and wavelet threshold reconstruction[J].Journal of Xian University of Science and Technology，2021，41（4）：739-746.