Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Descomposición empírica en
empírica en modos. La sección III enmarca conceptualmente ∶
la frecuencia instantánea. El problema de mezcla de modos se
explica en la sección IV. Posteriormente la sección V aplica
modos
las técnicas presentadas a las señales de prueba seleccionadas,
se muestran dos estudios de caso y en cada uno de estos se ¿Satisface el NO
presentan los resultados de las descomposiciones obtenidas criterio de
parada?
con el EMD estándar, la forma de elección de la señal máscara
y las descomposiciones obtenidas con esta modificación al
algoritmo estándar. Finalmente en la sección VI se presentan
SI
algunas conclusiones y discusión sobre los resultados
obtenidos. IMF
Hilbert (Hilbert Spectrum- HS), el cual es una representación consiste en involucrar una señal máscara (masking signal)
en amplitud y frecuencia instantánea con respecto al tiempo. para separar componentes cuando existen frecuencias cercanas
En la siguiente sección se introduce al concepto de frecuencia en la señal, cosa que es difícil lograr simplemente aplicando
instantánea y como se desarrolla a partir de la transformada de EMD. Así mismo Huang et al. [10] presentan el EEMD, un
Hilbert. método que consiste en agregar ruido blanco a la señal de
manera similar al proceso de sifting, se hace repetidas veces de
III. FRECUENCIA INSTANTÁNEA tal forma que se logra eliminar las componentes frecuenciales
El concepto de frecuencia instantánea aparece como una indeseadas. A continuación se muestran los algoritmos para
extensión del análisis de Fourier, donde la frecuencia es ambos enfoques.
definida a partir de funciones seno o coseno. Sin embargo para A. Señal Máscara [7].
el tratamiento de señales no estacionarias y no lineales la
Construya una señal máscara, s(n), a partir de la
definición original de Fourier no se cumple, debido a que la
información frecuencial de la señal original, x(t)
frecuencia y la amplitud varían a través del tiempo [4]. Es por
Ejecute el EMD sobre para
esto que la transformada de Hilbert [14] abre la puerta al
obtener la IMF . Similarmente obtener
concepto de frecuencia instantánea así:
de .
Para una señal real , la señal analítica se define
como: Defina la IMF como z /2
La idea es añadir una señal que permita extraer la frecuencia
(1)
más alta en la primera IMF, y ya que esta señal máscara es
donde es la transformada de Hilbert de , esto es:
conocida, al final del proceso se puede remover, de esta forma
1
2 la señal original queda intacta y finalmente se logra hacer la
descomposición de la señal independientemente del mode
donde P es el “Cauchy principal value”. De (1) la amplitud es mixing.
/
y la fase arctan / , de
donde se extrae que la frecuencia instantánea, como función B. EMD por conjuntos [10].
del tiempo, está definida por: Añadir una serie de ruido blanco (white noise series)
1 a la señal indicada.
3
2 Descomponer la nueva señal en IMFs con el método
EMD estándar.
Otro de los conceptos importantes en el análisis de la Repetir el paso 1 y 2 continuamente, pero cada vez
frecuencia instantánea es el espectro de Hilbert (HS), el cual con diferente serie de ruido blanco. Hasta que se
es una representación 3D de la amplitud y frecuencia cumpla el criterio de parada establecido Existen dos
instantánea como una función del tiempo para cada IMF. El criterios de parada según [8], repetir tres veces el
HS se define así: número de sifting o fijarlo en 10.
Obtener los componentes de las correspondientes
IMFs de la descomposición.
, ≜
0 Obtener la media del conjunto (ensemble)
correspondiente a las IMFs como resultado final.
En general para una señal multicomponente, el espectro de
Obtener la media del conjunto (ensemble)
Hilbert se define como la suma de los espectros de todas las
correspondiente al residuo como resultado final.
IMFs:
Los efectos de la descomposición usando EEMD son que el
ruido blanco añadido se cancela entre sí en el promedio final
, ≜ , 4
de las IMFs, esto a un alto costo de complejidad
computacional.
Donde es el número total de IMFs. En este artículo se presentan resultados empleando el EMD
estándar y se compara con la aplicación de un nuevo método
de separación basado en el uso de la señal máscara [9]. Este
IV. PROBLEMA DE MEZCLA DE MODOS
nuevo método está diseñado para separar señales espectrales
Al tratar de extender la aplicación del EMD a diferentes tipos cercanas entre sí.
de señales, se detectó que el algoritmo presenta dificultades
cuando aparecen intermitencias o cuando la señal tiene varias V. CASO DE ESTUDIO
componentes frecuenciales muy cercanas entre sí. Esto se ha
denominado como el problema de “mezcla de modos”, lo que Con el objetivo de aclarar los conceptos presentados
significa que en una IMF coexisten diferentes modos de anteriormente, se presenta el análisis basado en la EMD, sobre
oscilación [15]. Por otro lado, a pesar de que se reconstruye la una señal sintética y una señal EEG. Las señales presentan
señal perfectamente, las IMF obtenidas en el proceso no mezcla de modos, para resolver esto se aplica la metodología
cumplen con su objetivo de representar una sola componente de la señal máscara en [9].
frecuencial. Con base en lo anterior, se han desarrollado La señal sintética se describe en la ecuación (5) y se muestra
metodologías que buscan eliminar, o por lo menos reducir, la en la Fig. 2.
mezcla de modos. Kaiser et al. [7] dan una solución, la cual
1094 IEEE LATIN AMERICA TRANSACTIONS, VOL. 16, NO. 4, APRIL 2018
x t sen 2 *4t sen 2 *12t s3 La señal máscara permite tener en cada IMF una sola
componente frecuencial, esto es de gran utilidad por ejemplo
sen 2 *18t si 1 t 2 (5) en el análisis de armónicos y aplicaciones de calidad de
s3
0 en otro caso potencia donde el estudio se enfoca a un rango definido de
La descomposición empírica en modos se muestra en la Fig. 3, valores, lo cual permitiría usar solo una parte de la señal y
donde en la primera IMF se observa una mezcla de modos reducir el costo computacional del análisis.
entre las frecuencias de 12 y 18 Hz, así mismo la siguiente Otro de los campos importantes donde se encuentran
IMF presentan mezcla de modos entre 4 y 12 Hz y finalmente aplicaciones de HHT es en las señales provenientes de
en la tercera queda la componente frecuencial de 4 Hz. De electroencefalogramas. Para mostrar algunas fortalezas de esta
igual forma en la Fig. 4 se muestran las frecuencias herramienta hemos utilizado la base de datos disponible en
instantáneas que corresponden a cada IMF. [16].
Cabe notar que al conocer a priori la señal a analizar, se espera
que en la descomposición sea visible la separación de los
modos, es decir, que cada una de las IMFs contenga un solo
tipo de oscilación. Por esta razón se aplica la señal máscara
con la forma 2 ̅ donde y ̅ se obtienen
según [9] y se explica así: los parámetros de la señal máscara
se eligen a partir de un mapa de la relación entre amplitudes y
frecuencias que se muestra en la Fig. 5, donde la región azul
representa la separación de los modos mezclados de la señal
original. En cuanto a frecuencia, esto se da cuando la relación
/ 0.67 (este número puede cambiar según la resolución Fig. 4. Frecuencia instantánea obtenida mediante EMD estándar.
utilizada en la construcción del mapa), donde es la
frecuencia más alta de la señal. En este caso la señal mascara El conjunto de datos consiste en 5 subconjuntos (llamados Z,
que se utilizó fue 2 2 28 . O, N, F, y S), cada uno contiene información proveniente de
Los resultados de este proceso se pueden observar en las 100 canales la cual ha sido almacenada durante 20 s. La
figuras 6 y 7, donde se muestran las IMFs obtenidas al realizar frecuencia de muestreo es de 173.61 Hz. Los subconjuntos Z y
la descomposición empírica y las respectivas frecuencias O han sido tomados de manera extracraneal mientras que N, F
instantáneas. De la figura 5 se puede notar que se extraen las y S han sido tomados de forma intracraneal. En este caso
componentes frecuenciales como se espera, las frecuencias de utilizaremos la información de uno de los canales del
18, 12 y 4 Hz aparecen en las IMFs 1,2 y 3 respectivamente. subconjunto Z la cual fue tomada con un paciente en
condición de ojos cerrados. La Fig. 8 muestra la señal EEG
utilizada, la cual corresponde a uno de los canales que
x(t)
x(t)
x(t)
0 0
-50 -50
0 5 10 15 20 0 5 10 15 20
IMF 3 con EMD estándar IMF 4 con EMD estándar
50 40
x(t)
20
x(t)
0 0
-20
-50 -40
0 5 10 15 20 0 5 10 15 20
IMF 5 con EMD estándar IMF 6 con EMD estándar
20 20
x(t)
x(t)
0 0
-20 -20
0 5 10 15 20 0 5 10 15 20
IMF 7 con EMD estándar IMF 8 con EMD estándar
20 10
x(t)
x(t)
0 0
-20 -10
0 5 10 15 20 0 5 10 15 20
IMF 9 con EMD estándar IMF 10 con EMD estándar
5 1
x(t)
x(t)
0 0
-5 -1
Figura 6. Descomposición usando EMD con máscara. -10 -2
0 5 10 15 20 0 5 10 15 20
Tiempo Tiempo
En este caso se ha aplicado el mismo proceso que con la señal Figura 9. Descomposición usando EMD estándar para señal EEG.
sintética, inicialmente se realizó la descomposición empleando
el algoritmo EMD estándar, las Figuras 9 y 10 muestran las Uno de los principales problemas que aparecen en la selección
IMFs y frecuencias obtenidas respectivamente. Posteriormente de la señal mascara es la identificación de las frecuencias
se seleccionó una señal mascara de acuerdo al principio donde se presenta la mezcla de modos, como se mencionó
presentado en [9] y se obtuvieron las IMFs y frecuencias previamente, la teoría básica para este proceso se describe en
instantáneas mostradas en las Figuras 11 y 12. La señal [8] y [9]. En [9] se presenta una alternativa para identificar las
mascara tiene la siguiente expresión: señales que ese encuentran en el la mezcla de modos y se
150 2 20 150 2 6 . Las frecuencias de esta proponen las siguientes expresiones:
señal se han seleccionado tomando como referencia la
frecuencia instantánea del EMD estándar (Fig. 10), y la Fig. 5
donde se sugiere la relación que debe existir entre la
frecuencia donde se observa mezcla de modos y la de la señal
máscara.
Figura 10. Frecuencia instantánea obtenida mediante EMD estándar para señal
EEG.
Figura 7. Frecuencia instantánea obtenida mediante EMD con máscara.
x(t)
x(t)
Señal EEG
150
100
x(t)
x(t)
50
0
y(t)
x(t)
x(t)
-50
-100
x(t)
x(t)
-150
-200
0 2 4 6 8 10 12 14 16 18 20
Tiempo
Figura 11. Descomposición usando EMD con máscara para señal EEG
Figura 8. Señal EEG original.
1096 IEEE LATIN AMERICA TRANSACTIONS, VOL. 16, NO. 4, APRIL 2018
1.2
0 0
0 5 10 15 20 0 5 10 15 20 1
Tiempo Tiempo
0.8
Figura 12. Frecuencia instantánea obtenida mediante EMD con máscara para
señal EEG. 0.6
0.4
VminTH
0.2
2 / (6) 1 1.1 1.2 1.3 1.4
Tiempo
1.5 1.6 1.7 1.8 1.9 2
/2 (9) 24
Donde: 22
1 y 2 corresponden a las componentes frecuenciales 20
donde aparece la mezcla de modos, y son las
18
amplitudes de las componentes que presentan la mezcla de
16
modos, y son los valores máximos y
mínimos de las amplitudes obtenidas de la transformada de 14 Freq est=14.72 Hz
una señal mascara la cual se ha seleccionado según la teoría [6] H. Li, S. Kwong, L. Yang, D. Huang and D. Xiao, "Hilbert-Huang
Transform for Analysis of Heart Rate Variability in Cardiac Health," in
propuesta en [9]. La Fig. 6 permite observar claramente como
IEEE/ACM Transactions on Computational Biology and Bioinformatics, vol.
en cada una de las IMF obtenidas se identifica un solo tipo de 8, no. 6, pp. 1557-1567, Nov.-Dec. 2011.
oscilación y esto queda reflejado también en la Fig. 7 donde se [7] Ryan Deering and James F. Kaiser, “The Use of a Masking Signal to
puede deducir la frecuencia instantánea con mayor precisión Improve Empirical Mode Decomposition,” in Proceedings. (ICASSP ’05).
IEEE International Conference on Acoustics, Speech, and Signal Processing,
que en la Fig. 4. Este procedimiento es bastante efectivo 2005, vol. 4, pp. 485–488.
cuando se tiene conocimiento de las componentes [8] G. Rilling and P. Flandrin, “One or Two Frequencies? The Empirical
frecuenciales que aparecen, si por el contrario estas no son Mode Decomposition Answers,” IEEE Trans. Signal Process., vol. 56, no. 1,
conocidas no se tendría la información necesaria para utilizar pp. 85–95, Jan. 2008.
[9] O.Fosso and M. Molinas, "Method for Mode Mixing Separation in
el mapa presentado en la Fig. 5 y es en ese caso cuando las Empirical Mode Decomposition," eprint arXiv:1709.05547, pp. 1-7, 2017
expresiones planteadas en las ecuaciones (6) – (9) aparecen [10] Z. Wu and N. Huang, “Ensemble empirical mode decomposition: A
como una opción. noise-assisted data analysis method,” Advances in Adaptive Data Analysis
La utilización del EMD estándar y de la señal máscara World Sci., vol. 1, no. 1, pp. 1–41, 2009.
también ha presentado buenos resultados al ser aplicada en [11] N. E. Huang and S. P. Shen, Hilbert-Huang Transform and its
Applications, World Scientific Publishing Co. vol. 5. 2005.
una señal EEG. Las Figuras 9 y 11 permiten observar como el [12] M. A. Colominas, “Métodos guiados por los datos para el análisis de
número de IMFs se reduce al aplicar la señal mascara, lo cual señales: contribuciones a la descomposición empírica en modos,” Tesis
indica que las componentes frecuenciales de la señal original doctoral, Universidad Nacional del Litoral, Santa Fe, Argentina, 2016.
se han agrupado con mayor precisión y es posible observar [13] Z. Yang and L. Yang, “A new definition of the intrinsic mode
function,” Engineering and Technology., vol. 60, no. 8620, pp. 822–825,
oscilaciones con mayor claridad desde las primeras IMFs
2009.
obtenidas. [14] Leon Cohen, Time-frequency analysis: theory and applications. Upper
La estrategia propuesta en las ecuaciones (6) a (9) emerge Saddle River, NJ, USA: Prentice-Hall, Inc., 1995.
como una alternativa para aplicar HHT en aquellas señales [15] D. Kim and H. Oh, “EMD: A Package for Empirical Mode
Decomposition and Hilbert Spectrum,” The R Journal., vol. 1, no. 1, pp. 40–
donde solo se tiene un conjunto de datos adquiridos pero no se 46, 2009.
conocen los valores de las componentes frecuenciales; los [16] R. G. Andrzejak et al., “Indications of nonlinear deterministic and
primeros resultados obtenidos, los cuales son presentados en finite-dimensional structures in time series of brain electrical activity:
este artículo, dan un indicio del surgimiento de una nueva Dependence on recording region and brain state,” Physical Review E, vol. 64,
no. 6, p. 61907, 2001.
técnica para calcular la señal mascara. [17] M. Bueno-Lopez, E. Giraldo, M. Molinas "Analysis of neural activity
Tanto en la señal sintética como en la señal EEG, ha sido from EEG database on EMD frequency bands," in 24 IEEE International
posible descomponer la señal original en un conjunto de Conference on Electronic, Circuit and Systems (ICECS), vol. 1 Batumi,
componentes que permiten analizar el comportamiento de un Georgia, December 2017, pp. 1-5.
fenómeno físico asociado a cada IMF, en el caso específico de
la señal EEG una de las principales aplicaciones que se está
realizando es la reconstrucción de la actividad neuronal y el María Victoria Gasca Segura received
diagnostico de problemas de aprendizaje en infantes. Estas the bachelor degree in Electrical
ideas están elaboradas en un trabajo realizado por los mismos Engineer from Techological University
autores en [17]. of Pereira in 2016. She is studing in the
same university the master in Electrical
AGRADECIMIENTOS Engineer. In addition to the master
This work was carried out during the tenure of an ERCIM studies, she is pursuing an academic internship at the
'Alain Bensoussan' Fellowship Programme. Techological Norwegian University of Science and Technology (NTNU).
University of Pereira and Balchen’s scholarship from NTNU. Her areas of interest are smart grids, optimization and control
The authors also want to thank to François Béline and Clara of power systems, renewable energy, among others.
Renard for developing the map in figure 5.
Maximiliano Bueno-López is graduated
REFERENCIAS as Electrical Engineer from
[1] Fourier, Joseph, “On the Propagation of Heat in Solid Bodies,” Paris
Technological University of Pereira,
Institute, December 21, 1807. Colombia. In 2006 he obtained the
[2] Z. Liu, Y. Cui and W. Li, “A Classification Method for Complex Power Master degree in Electrical Engineering
Quality Disturbances Using EEMD and Rank Wavelet SVM,” IEEE at the same University. In 2012 he
Transactions on Smart Grid, vol. 6, no. 4, 1678-1685, 2015.
[3] D. S. Laila, A. Messina and B. Pal, “A Refined Hilbert-Huang Transform
received the Ph.D. degree in Engineering at the National
With Applications to Interarea Oscillation Monitoring,” IEEE Transactions on Autonomous University of Mexico. Currently, He is a
Power Systems, vol. 24, no. 2, pp. 610- 620, 2009. postdoctoral researcher at the Department of Engineering
[4] N. Huang et al., “The empirical mode decomposition and the Hilbert Cybernetics at Norwegian University of Science and
spectrum for nonlinear and non-stationary time series analysis,” Proceedings
of the Royal Society of London. Series A: Mathematical, Physical and
Technology in Trondheim, Norway; and fulltime Professor at
Engineering, vol. 454, no. 1971, pp. 903-995, 1998. Faculty of Engineering at Universidad de La Salle in Bogotá,
[5] M. J. Afroni, D. Sutanto and D. Stirling, "Analysis of Nonstationary Colombia. His research interests are on Control Systems,
Power-Quality Waveforms Using Iterative Hilbert Huang Transform and SAX Artificial Intelligence in Automatic Control, non-stationary
Algorithm," in IEEE Transactions on Power Delivery, vol. 28, no. 4, pp.
2134-2144, Oct. 2013.
signals and Rural electrification.
1098 IEEE LATIN AMERICA TRANSACTIONS, VOL. 16, NO. 4, APRIL 2018