这是使用WT去噪把，换成EWT呢

当从Wavelet Transform (WT) 转换到 Empirical Wavelet Transform (EWT) 的去噪过程中，两者都属于小波分析技术，用于信号处理和数据分析。然而，它们之间有几个关键区别：

1. **基于经验**：EWT 更注重实际信号的经验分析，它不是基于预先定义的小波基函数，而是通过对原始数据进行多次平移和缩放（类似于Morlet函数）来生成自适应的小波。这种方法更适用于非平稳信号，因为它能更好地捕捉数据的独特特征。

2. **无固定小波基**：在EWT中，每个尺度上的小波都是由样本数据自身生成的，这意味着对于相同的信号，每次计算出的小波可能会有所不同。而在WT中，常用的是预定义的一系列固定小波函数，如Haar、Daubechies、Meyer等。

3. **细节系数**：在EWT中，细节系数不仅包含了高频成分，还包含了某些类型的局部信息，这使得去噪过程可能更加细致和精确。

如果你想用EWT替换WT进行去噪，你需要遵循类似的过程，只是使用`pyewt`提供的函数，比如`wavedec`代替` wavedec2`，并采用EWT特有的参数设置。去噪的具体代码可能看起来像这样：

import pyewt

# 使用EWT分解
eigfunc, coefficients = pyewt.wavedec(your_data, method='local Morlet')

# 设定去噪阈值
threshold = ...  # 根据信号和噪声情况选择合适的阈值
coefficients_denoised = pyewt.threshold(coefficients, mode='soft', threshold=threshold)

# 应用逆EWT重构去噪后的信号
denoised_signal = pyewt.waverec(eigfunc, coefficients_denoised)

记住，EWT可能会因为其自适应性质带来更好的去噪性能，特别是对于那些变化较大的信号。