目的:分组多变量变分模态分解(GMVMD)对预设的组数 G 和公共模态数 K 较为敏感。为提高其对多通道脑电图(EEG)和心电图(ECG)信号的适应性,本文提出自动确定这两个参数。
方法:我们提出双自适应分组多变量变分模态分解(DA-GMVMD),包含三个阶段:自适应分组、自适应 K 搜索和分组分解。自适应分组通过构建通道图,并利用拉普拉斯特征间隙与谱聚类来确定通道分组。自适应 K 搜索利用试探模态的能量占比为每组选择一个模态数。分组分解对每组应用多变量变分模态分解(MVMD),并将结果合并。
结果:在合成信号上,DA-GMVMD 能够恢复底层的分组结构,并在不同噪声水平下保持稳定。在另一项合成测试中,它能够恢复各组对应的模态数。在 CHB-MIT、MODMA 和 PTB-XL 数据集上,与使用固定参数的 GMVMD 以及若干与 MVMD 相关的基线方法相比,DA-GMVMD 取得了更低的重构误差。在 CHB-MIT 和 MODMA 上,相对 GMVMD 的误差降低具有显著性。在 PTB-XL 上,DA-GMVMD 的观测平均重构误差更低。重构信号在 CHB-MIT 上保留了癫痫分类信息,在 MODMA 上保留了区域频段功率和双侧不对称性信息,在 PTB-XL 上保留了 R 峰时点与心电间期信息。
结论:DA-GMVMD 能够根据信号内容自适应地调整通道分组及其模态数,同时保留所评估的 EEG 和 ECG 信息。
意义:DA-GMVMD 使多通道 EEG 和 ECG 的分解对人工预设的组数和公共模态数不那么敏感。


