基于經驗模式分解(EMD)的腦信號研究.pdf

1、經驗模態(tài)分解（Empirical Mode Decomposition，EMD），一種特別適應非線性、非平穩(wěn)信號的新型自適應分解法，在腦電（electroencephalograph，EEG）研究中大多局限于一維信號處理方面。為了獲得腦電信號更直觀清晰的表現形式，拓展研究內容，論文根據腦電EEG的信號節(jié)律性、頻率集中性、腦電噪聲的復雜與多樣性等自身特點，以集合經驗模式分解（Ensemble EMD，EEMD）為基礎，將腦電研究提升到二維

2、、三維圖像處理領域。
　　首先基于一維EEMD，提出了適應腦電特征的改進EEMD算法。該改進算法通過基于IMF能量和分段閾值的信號估計算法，自適應地從待處理的原始腦電信號中估計出腦電特性信號，并結合高斯白噪聲的特性定義出新型腦電噪聲，取代傳統的高斯白噪聲加入EEMD分解中。該改進算法更加適應于腦電應用領域的特殊性，使得腦電信號 EMD分解的模態(tài)混疊問題得到了可以更好地解決。
　　其次，創(chuàng)新性地將2D-EEMD算法引入到腦電研

3、究中，將腦電研究提升到二維空間，并且針對腦電的特點，對腦電2D-EEMD算法的二維重組方法進行了改進。然后針對腦電2D-EEMD處理上相鄰電極數據存在偽臨近的不足，提出了基于腦電的3D-EEMD算法，對腦電信號的多維EMD處理做出初步探索。實驗結果表明，腦電信號的二維分解結果更加清晰、信號特征更具直觀性，穩(wěn)態(tài)視覺誘發(fā)電位（steady-state visual evoked potential，SSVEP）的頻率提取準確率有效地提高了1