分组连续多变量变分模态分解及其在脑电图（EEG）信号处理和连接性分析中的应用

《IEEE Transactions on Cognitive and Developmental Systems》：Grouped Successive Multivariate Variational Mode Decomposition with Application to EEG Signal Processing and Connectivity Analysis

提出了一种新型多通道信号处理算法GSMVMD，通过分组扩展和顺序提取策略有效匹配共频分量，结合ADMM优化框架，并以多通道脑电图信号为例验证其优越性，并设计GSD参数衡量通道间连接。

　　

摘要：

传统的多变量信号分解算法假设多通道信号具有共频分量。然而，在实际信号中，这些分量的频率并不完全对齐，存在一定的差异。本文提出了一种新的多通道信号处理算法，称为分组连续多变量变分模态分解（GSMVMD）。GSMVMD采用独特的分组扩展策略来生成更有效的共频分量，并通过结合连续提取策略改进了算法框架。首先，GSMVMD使用逐通道的变分模态分解（VMD）来确定每个通道的中心频率，然后进行频率分组归一化。接下来，基于分组结果建立变分优化模型，并利用交替方向乘子法（ADMM）获得GSMVMD模型的最优解。最后，我们以多通道脑电图（EEG）信号为例进行实验，验证了GSMVMD算法的优越性，并设计了一种分组标准差（GSD）参数来衡量EEG通道之间的连接性，提供了新的分析视角。