买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉浙江大学申请的专利一种基于经验模态分解和卡尔曼滤波的脑电信号去噪方法、装置及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115211869B 。

龙图腾网通过国家知识产权局官网在2025-09-30发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211015305.0，技术领域涉及：A61B5/369；该发明授权一种基于经验模态分解和卡尔曼滤波的脑电信号去噪方法、装置及系统是由王子非;唐娟;杨秦敏;张华岩;李超;卢伟能设计研发完成，并于2022-08-23向国家知识产权局提交的专利申请。

本一种基于经验模态分解和卡尔曼滤波的脑电信号去噪方法、装置及系统在说明书摘要公布了：本发明公开了一种基于经验模态分解和卡尔曼滤波的脑电信号去噪方法、装置及系统。针对头部电极采集的信号，发挥了经验模态分解处理非线性非平稳信号的自适应能力，对脑电信号进行自适应分解得到本征模态分量，保证了局部信息的完整性；根据相关性准则对若干本征模态分量进行分类处理；使用卡尔曼滤波算法对本征模态分量信号中与原始脑电信号相似度次高的分量进行去噪处理，避免了卡尔曼滤波在非线性系统下发散问题的同时提升了计算速度，最终得到了去除噪声的脑电信号。本发明是基于数据的信号去噪方法，数据处理步骤完备，选取的算法兼顾了实际脑电信号特征与实际自适应信号模型特征，具有一定的理论价值与实际工程意义。

本发明授权一种基于经验模态分解和卡尔曼滤波的脑电信号去噪方法、装置及系统在权利要求书中公布了：1.一种基于经验模态分解和卡尔曼滤波的脑电信号去噪方法，其特征在于，包括以下步骤： 1将电极在一段时间内采集的需去噪处理的脑电信号记作原始信号Xt，其中t＝1，2，3，...，T；T为采样点数； 2初始化ri‑1t＝Xt，i＝1； 3初始化Hj‑1t＝ri‑1t，j＝1； 4对Hj‑1t的极大极小值点进行三次样条插值，形成上下包络线，并计算出均值包络线Mj‑1t； 5令Hjt＝Hj‑1t‑Mj‑1t； 6若Hjt是IMF分量，则求得本征模态函数IMFi＝Hjt，并进行步骤7；否则，j＝j+1，转到4； 7令rit＝ri‑1t‑IMFi； 8如果rit极值点仍多于2个，则i＝i+1，转到3；否则，分解结束，得到残余分量rit；令n＝i，则原始信号Xt用下式表示： 式中，Xt表示原始信号，IMFi表示信号经过分解后的第i个IMF分量，且所有IMF分量频率按照从高到低的顺序进行排列，rnt表示残差分量； 9对于步骤8中的IMFi，通过计算与原信号相关系数进行筛选得到m个待去噪的信号IMFa，a＝1，2，...，m； 10把一段长为t的信号视为一个t维系统，系统状态k表示为变量xk∈Rt，系统控制输入为uk，系统过程噪声为wk，则系统状态k由上一个状态k‑1决定的随机差分方程为： xk＝Axk‑1+Buk‑1+wk‑1其中A表示在没有过程噪声下的状态转移矩阵，B是可选的控制输入uk的增益；wk‑1为上一个状态的系统过程噪声； 定义观测变量z∈Rm，得到状态k下的观测方程为： zk＝Cxk+vk其中C为观测矩阵，vk表示观测噪声，zk表示真实测量值；假设系统过程噪声和观测噪声是互相独立且正态分布的噪声，并且它们的协方差矩阵分别为Q和R；wk和vk的概率分布满足正态分布； 11在卡尔曼滤波算法中，对于步骤10中的xk用表示其最优估计；同时是先验估计值和真实测量值zk与预测测量值之差的函数；其中由下式描述： Gk是卡尔曼增益，由下式给出： 其中，H表示转置，R是观测噪声协方差矩阵，其中矩阵用下式递归更新： 其中Q是系统过程噪声协方差矩阵；是k‑1状态下的先验误差协方差矩阵，Pk是k‑1状态下的后验误差协方差矩阵，并用来进一步计算k状态下的先验误差协方差矩阵I是单位矩阵； 12对于步骤9中的m组IMF分量信号IMFa，令zka＝IMFa，a＝1，2，...，m，对于每个IMFa执行步骤10‑步骤12，最终得到向量X＝[xk1 xk2 xk3...xkm]H；xkm表示第m个IMF分量滤波后的结果；对X按列求和得到Yk0，作为经过卡尔曼滤波系统处理后的脑电信号； 13将9中未筛选的信号和Yk0加和，得到最终脑电信号Yk。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人浙江大学，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。