Python中HHT（希尔伯特-黄变换）以及其在EEG数据处理中的应用.zip

Python中HHT(希尔伯特-黄变换)以及其在EEG数据处理中的应用。资料中包括源码以及pyHHT的说明书和一篇单通道去伪迹的文献资料。

# %matplotlib inline
import matplotlib.pyplot as plt
import numpy as np
from pyhht import EMD
from scipy.signal import hilbert
import tftb.processing
import mne


# 定义HHT的计算分析函数
def HHTAnalysis（eegRaw fs）:
    # 进行EMD分解
    decomposer = EMD（eegRaw）
    # 获取EMD分解后的IMF成分
    imfs = decomposer.decompose（）
    # 分解后的组分数
    n_components = imfs.shape[0]
    # 定义绘图，包括原始数据以及各组分数据
    fig axes = plt.subplots（n_components + 1 2 figsize=（10 7） sharex=True sharey=False）
    # 绘制原始数据
    axes[0][0].plot（eegRaw）
    # 原始数据的Hilbert变换
    eegRawHT = hilbert（eegRaw）
    # 绘制原始数据Hilbert变换的结果
    axes[0][0].plot（abs（eegRawHT））
    # 设置绘图标题
    axes[0][0].set_title（‘Raw Data‘）
    # 计算Hilbert变换后的瞬时频率
    instf timestamps = tftb.processing.inst_freq（eegRawHT）
    # 绘制瞬时频率，这里乘以fs是正则化频率到真实频率的转换
    axes[0][1].plot（timestamps instf * fs）
    # 计算瞬时频率的均值和中位数
    axes[0][1].set_title（‘Freq_Mean{:.2f}----Freq_Median{:.2f}‘.format（np.mean（instf * fs） np.median（instf * fs）））

    # 计算并绘制各个组分
    for iter in range（n_components）:
        # 绘制分解后的IMF组分
        axes[iter + 1][0].plot（imfs[iter]）
        # 计算各组分的Hilbert变换
        imfsHT = hilbert（imfs[iter]）
        # 绘制各组分的Hilber变换
        axes[iter + 1][0].plot（abs（imfsHT））
        # 设置图名
        axes[iter + 1][0].set_title（‘IMF{}‘.format（iter））
        # 计算各组分Hilbert变换后的瞬时频率
        instf timestamps = tftb.processing.inst_freq（imfsHT）
        # 绘制瞬时频率，这里乘以fs是正则化频率到真实频率的转换
        axes[iter + 1][1].plot（timestamps instf * fs）
        # 计算瞬时频率的均值和中位数
        axes[iter + 1][1].set_title（‘Freq_Mean{:.2f}----Freq_Median{:.2f}‘.format（np.mean（instf * fs） np.median（instf * fs）））
    plt.show（）


# 定义HHT的滤波函数，提取部分EMD组分
def HHTFilter（eegRaw componentsRetain）:
    # 进行EMD分解
    decomposer = EMD（eegRaw）
    # 获取EMD分解后的IMF成分
    imfs = decomposer.decompose（）
    # 选取需要保留的EMD组分，并且将其合成信号
    eegRetain = np.sum（imfs[componentsRetain] axis=0）

    # 绘图
    plt.figure（figsize=（10 7））
    # 绘制原始数据
    plt.plot（eegRaw label=‘RawData‘）
    # 绘制保留组分合成的数据
    plt.plot（eegRetain label=‘HHTData‘）
    # 绘制标题
    plt.title（‘RawData-----HHTData‘）
    # 绘制图例
    plt.legend（）
    plt.show（）
    return eegRetain

if __name__ == ‘__main__‘:
####################示例数据分析##################################
    # 生成0-1时间序列，共100个点
    t = np.linspace（0 1 100）
    # 生成频率为5Hz、10Hz、25Hz的正弦信号累加
    modes = np.sin（2 * np.pi * 5 * t） + np.sin（2 * np.pi * 10 * t） + np.sin（2 * np.pi * 25 * t）
    # 信号和时间累加，相当于添加噪声
    eegRaw = modes + t
    # fs为采样频率，用于正则化频率和真实频率的转换
    fs = 100
    # 进行HHT分析
    HHTAnalysis（eegRaw fs）
    # 选取需要保留的信号进行合成，也就是相当于滤波
    eegRetain = HHTFilter（eegRaw [0 1 2 3]）
######################真实数据分析#################################
    # 加载fif格式的数据
    epochs = mne.read_epochs（r‘F:\BaiduNetdiskDownload\BCICompetition\BCICIV_2a_gdf\Train\Fif\A02T_epo.fif‘）
    # 获取采样频率
    sfreq = epochs.info[‘sfreq‘]
    # 想要分析的数据
    eegData = epochs

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2020-09-07 18:13  Python中HHT（希尔伯特-黄变换）以及其在EEG数据处理中的应用\
     文件    29231312  2020-05-09 16:39  Python中HHT（希尔伯特-黄变换）以及其在EEG数据处理中的应用\A02T_epo.fif
     文件        3907  2020-09-07 17:49  Python中HHT（希尔伯特-黄变换）以及其在EEG数据处理中的应用\HHT_Analysize.py
     文件     1238670  2020-09-03 09:36  Python中HHT（希尔伯特-黄变换）以及其在EEG数据处理中的应用\pyhht-readthedocs-io-en-latest.pdf
     文件     3897122  2020-09-02 18:31  Python中HHT（希尔伯特-黄变换）以及其在EEG数据处理中的应用\单通道脑电信号眼电伪迹去除算法研究.pdf