[论文解读] Multivariate Fast Iterative Filtering for the decomposition of nonstationary signals

Antonio Cicone, Enza Pellegrino|arXiv (Cornell University)|Feb 13, 2019

Blind Source Separation Techniques被引用 6

一句话总结

该论文提出多变量快速迭代过滤（MvFIF），一种无需先验假设的数据驱动算法，用于将多变量非平稳信号分解为本征模态函数（IMFs）。该方法确保了通道间的频率对齐，可在有限时间内收敛，并在速度（快2–3个数量级）和抗噪性方面优于现有方法，即使在通道数量较多时也表现稳健。

ABSTRACT

In this work, we present a new technique for the decomposition of multivariate data, which we call Multivariate Fast Iterative Filtering (MvFIF) algorithm. We study its properties, proving rigorously that it converges in finite time when applied to the decomposition of any kind of multivariate signal. We test MvFIF performance using a wide variety of artificial and real multivariate signals, showing its ability to: separate multivariate modulated oscillations; align frequencies along different channels; produce a quasi--dyadic filterbank when decomposing white Gaussian noise; decompose the signal in a quasi--orthogonal set of components; being robust to noise perturbation, even when the number of channels is increased considerably. Finally, we compare its performance with the one of the main methods developed so far in the literature, proving that MvFIF produces, without any a priori assumption on the signal under investigation and in a fast and reliable manner, a uniquely defined decomposition of any multivariate signal.

研究动机与目标

• 解决多变量非平稳信号缺乏数学上严格、数据驱动的分解方法的问题。
• 克服经验模态分解（EMD）及其变体在噪声下存在的模态混叠与不稳定性等局限性。
• 开发一种多变量扩展的快速迭代过滤（FIF）方法，确保通道间频率对齐。
• 确保高维信号（包括脑电图（EEG）和地磁场等真实数据）的收敛性与计算效率。
• 提供一种对噪声鲁棒的方法，无需预先选择基函数或假设分量数量。

提出的方法

• MvFIF 通过使用具有紧支撑的核函数进行卷积运算，将快速迭代过滤（FIF）框架扩展至多变量信号。
• 滤波器长度基于局部信号极值自适应确定，确保数据驱动的自适应性。
• 该算法通过从信号中逐次减去移动平均值来迭代提取分量，生成一系列本征模态函数（IMFs）。
• 该方法利用快速傅里叶变换（FFT）加速移动平均计算中的矩阵运算，实现 O(N log N) 时间复杂度。
• 通过跨通道的联合处理实现频率对齐，确保不同信号中的相似振荡分量具有对齐的频率。
• 对滤波器组结构进行分析，证实了在白高斯噪声激励下，IMFs具有准双 dyadic 分解结构和准正交性。

实验结果

研究问题

• RQ1 能否严格证明 MvFIF 对任意多变量信号均在有限时间内收敛？
• RQ2 MvFIF 是否在不预先假设信号结构的前提下，实现了多通道间的频率对齐？
• RQ3 MvFIF 在分离多变量调制振荡以及处理噪声高维信号方面表现如何？
• RQ4 与 MEMD、MVMD 和 FA-MVEMD 等先进方法相比，MvFIF 的计算效率如何？
• RQ5 当通道数量增加时，MvFIF 在保持分解质量与鲁棒性方面表现如何？

主要发现

• MvFIF 对任意多变量信号均可在有限时间内收敛，论文中已严格证明此性质。
• 该方法成功分离了多变量调制振荡，并在复杂非平稳信号中实现了通道间的频率对齐。
• 在白高斯噪声激励下，MvFIF 生成了准双 dyadic 滤波器组结构，证实了其稳定性和类滤波器组行为。
• 分解分量具有准正交性，且在高通道数下仍对噪声保持鲁棒性。
• 数值实验在合成与真实数据上均表明，MvFIF 比 MEMD、MVMD 和 FA-MVEMD 等竞争方法快 2–3 个数量级。
• 在真实应用场景（如 EEG 和地磁场数据）中，MvFIF 的结果与现有方法相比相当或更优，且具有更高的稳定性和分量质量。