【使用Hilbert变换在噪声信号中进行自动活动检测】基于Hilbert变换和平滑技术进行自动信号分割和活动检测研究（Matlab代码实现）

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码实现

💥1 概述

基于Hilbert变换和平滑技术进行自动信号分割和活动检测是一种常用的方法，它可以帮助检测出噪声信号中的活动部分，并进行信号分割。

Hilbert变换是一种将实函数转换为复函数的数学变换，它将信号在时域上的振幅信息与相位信息进行分离。在活动检测中，可以利用Hilbert变换提取信号的振幅特征，以判断信号的活动程度。下面是一种基于Hilbert变换和平滑技术的自动活动检测方法的步骤：

1. 对信号进行Hilbert变换：将要分析的噪声信号应用Hilbert变换，得到对应的复数信号。复数信号由实部和虚部组成，其中实部表示原始信号的时域振幅，虚部表示相位信息。

2. 计算信号振幅：从复数信号中提取振幅信息，可以通过计算复数信号的模值来获取信号的振幅。得到的振幅信号反映了原始信号在各个时间点的能量分布情况。

3. 应用平滑技术：为了减小噪声对活动检测的影响，可以采用平滑技术对振幅信号进行平滑处理。常用的平滑方法包括移动平均和中值滤波等。

4. 阈值判决：通过设置适当的阈值，可以将平滑后的振幅信号转换为二进制活动检测结果。通常，当信号的振幅超过阈值时，认为该时间点存在信号活动。

5. 信号分割和活动检测：基于阈值判决结果，可以进行信号分割，并以二进制形式表示信号的活动和非活动区域。

这种基于Hilbert变换和平滑技术的自动活动检测方法可以有效地检测出噪声信号中的活动部分，并进行信号分割。然而，在实际应用中，根据具体的需求和噪声信号特征，可能需要进行参数优化和算法调整，以提高活动检测的准确性和鲁棒性。

📚2 运行结果

部分代码：

% To run demo mode simply execute the following line without any input;
% Example 1 :
% alarm = envelop_hilbert()
% The script generates one artificial signal and analysis that
% v = repmat([.1*ones(200,1);ones(100,1)],[10 1]); % generate true variance profile
% y = sqrt(v).*randn(size(v));

% Example 2 : For real world signals with a certain Sampling frequency
% called (Fs) (In this example a smoothing window with length 200 msec,)
% alarm = envelop_hilbert(signal,round(0.050*Fs),1,round(0.020*Fs),1)

%% ======= calculate the analytical signal and get the envelope ====== %%
test=y(:);
analytic = hilbert(test);
env = abs(analytic);

%% =========== take the moving average of analytical signal =========== %%
env = conv(env,ones(1,Smooth_window)/Smooth_window); % smooth
env = env(:) - mean(env); % get rid of offset
env = env/max(env); % normalize

%% ====================== threshold the signal =============== %%
if threshold_style == 0
hg=figure;plot(env);title('Select a threshold on the graph')
[~,THR_SIG] =ginput(1);
close(hg);
end
% ------------------------- Threshold Style ---------------------- %
if threshold_style
THR_SIG = 4*mean(env);
end

nois = mean(env)*(1/3); % noise level
threshold = mean(env); % signal level