腦電信號(EEG)屬于神經生物電信號，是腦神經細胞的電生理活動在大腦皮層的反映，通過腦電圖儀放大記錄成曲線圖(即腦電圖EEG)[1]。腦電信號隱藏著人類生理、心理以及病理等信息，對診斷大腦疾病非常重要。結合病者的癥狀、體征以及其他檢查，能綜合分析如癲癇、腦外傷、腦腫瘤等疾病。

　腦電信號有2個特點：(1)信號非常微弱，屬于弱生理信號，量值為微伏級， 幅值0.1~100 μV，頻帶范圍在0.5~3 000 Hz之間,能量主要分布集中在0.05~30 Hz之間，易受到非神經源噪聲和神經源噪聲的干擾。(2)腦電信號是非平穩隨機信號,從信號本身難以發現和分析隱藏病癥。客觀的干擾還包括眼動等生理引起的眼電干擾、肌電干擾、儀器高頻電磁噪聲干擾和環境工頻干擾等，造成腦電圖的偽跡或偽差，給臨床識別造成困難，因此準確診斷必須在采集和分析EEG數據時消除偽差。
    參考文獻[2]引入自適應自回歸模型并結合最小均方差(LMS)進行腦電信號特征分析提取。參考文獻[3]利用雙譜分析腦電信號，利用高階譜能有效辨別疾病和睡眠監護等。參考文獻[4]采用一種動力學模型模擬EEG的參數，運用混沌分析法獲取特征。參考文獻[5-6]采用人工神經網絡ANN對EEG的棘波和尖波進行預處理。參考文獻[7-8]對EEG采用小波變換，獲取良好的局部化信息。其他還有獨立分量分析(ICA)分布、向量機和稀疏逼近等方法[9-10]。EEG信號是典型的復雜非平穩信號，需要分析瞬時頻率和瞬時能量的值，瞬時能量可以從信號包絡的瞬時幅值得到。HHT分析非穩態資料方法獨特，基于信號的局部時間尺度進行信號分解，相對于其他信號處理方法的最大優勢在于自適應性，很適合對高噪聲背景下的非線性、非平穩信號的分析。本文在介紹HHT原理及其方法的基礎上，應用改進型的HHT進行EEG信號去噪處理研究。
1 算法分析
　    對于任意的信號序列，其Hilbert變換Y(t)定義為：
 

    眼部生理活動對EEG信號有一定的影響，當眨眼或者眼球運動時,會產生較大的電位變化,形成眼電圖       EOG(Electrooculography)，EOG偽跡會影響頭皮各區采集的EEG信號，對大腦前通道影響最為顯著，形成眼電偽跡。圖1、圖2、圖3分別為睜眼、閉眼、睡眠所對應的時頻分析圖。

    影響腦電圖對大腦疾病(如癲癇)診斷的因素很多，除了個體差異外，客觀存在工頻和外界噪聲干擾，噪聲直接影響腦電圖的形成，造成的偽跡可能會誤診或者延誤確診的時間，因此對腦電圖的數據有較高的精度要求。采用改進型HHT, 信噪比SNR=-3 dB，采樣點數256,仿真中頻率分辨率擴大3倍，隨機噪聲信號由于其統計特性，任一時間點上的帶寬相同，能量均勻分布。圖4所示為如果信號含有白噪聲，其瞬時頻率的分布。經數據平滑處理后仍得到相近似的分布情況如圖5所示，由此可以識別腦電信號。可見在高噪聲背景下每個IMF分量的時頻分布與原始信號的時頻分布沒有必然聯系，只有綜合每一個IMF的時頻分布特征才可以大致得到非平穩信號在整個時頻域內的分布情況。信號經EMD分解后各IMF分量的時頻分布如圖6所示。
    在信噪比-10~+5之間，對腦電信號分別應用小波變換、匹配低通濾波設計和改進HHT進行去噪處理，得到不同信噪比背景下的均方誤差(MSE)，如圖7所示。結果表明，匹配低通濾波有時會把有用信號擾亂成噪聲，抗噪性能比較差，均方誤差較大。基于4層基的小波變換濾波去噪特性較好，不同的小波基特性固定，選擇合理的小波基比較復雜，而且不能有效逼近局部信號。基于IEMMD的改進型HHT變換，去噪效果明顯，MSE相對較小，特征更加明顯。

    腦電信號去噪是近年來的研究熱點。HHT變換分析處理腦電信號時，能很好地交叉項的干擾和相鄰頻率的干擾，對生理活動的擾動也有很好的抑制作用。與小波分析和低通濾波等降噪方法相比，HHT有較好的靈活性，這些對于神經系統的癲癇、出血性腦損等疾病的診斷起著積極的作用。HHT中核心的EMD是一種基于經驗的模式分解，局部均值和算法評價有待完善，而改進后的HHT算法能有效去除腦電信號的噪聲部分,從而使腦電信號特征更加明顯。
參考文獻
[1] 吳曉彬，邱天爽.基于時頻分析的EEG信號分析處理方法研究進展[J]. 國外醫學.生物醫學工程分冊, 2004,27(6):321-325.
[2] 高湘萍，吳小培，沈謙.基于腦電的意識活動特征提取與識別[J].安徽大學學報(自然科學版),2006,30(2):33-36.
[3] 艾玲梅，黃力宇，黃遠桂,等.利用雙譜分析的癲癇腦電特征研究[J].西安交通大學學報，2004,38(10):1097-1100.
[4] 王興元，駱超，譚貴霖.EEG動力學模型中混沌現象的研究[J].生物物理學報,2005,21(4):307-316.
[5] GABOR A J. Seizure detection using a self-organizing  neural network:validation and comparison with other detection strategies[J]. Electroencephalography and Clinical Neurophysiology,1998,107(1):27-32.
[6] PRADHAN N, NARAYANE D. Data compression by linear  prediction for storage and transmission of EEG signal[J].International Journal of Biomedical Conputing,1994,35(7):207-217.
[7] KALAYCI T. Wavelet Preprocessing for automated neural network detection of EEG spikes[J].IEEE Engineering in  Medicine and Biology,1995,14(2):160-166.
[8] 單秋云,李醒飛,鐘瑩.腦電神經信號處理及傳輸系統的研究[J]. 電子技術應用，2007,33(7):87-90
[9] COMON P. Independent component analysis: A new concept[J]. Signal Processing,1994(36):287-314.
[10] Wu Mian. Electroencephalogram signal analysis based on  a sparse representation model[J].Journal of Clinical Reha-bilitative Tissue Engineering Research, 2008,12(4):667-670.