腦電信號(EEG)屬于神經(jīng)生物電信號，是腦神經(jīng)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(jié)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(jīng)源噪聲和神經(jīng)源噪聲的干擾。(2)腦電信號是非平穩(wěn)隨機信號,從信號本身難以發(fā)現(xiàn)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(huán)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(shù)據(jù)時消除偽差。
    參考文獻[2]引入自適應(yīng)自回歸模型并結(jié)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(jiān)護等。參考文獻[4]采用一種動力學(xué)模型模擬EEG的參數(shù)，運用混沌分析法獲取特征。參考文獻[5-6]采用人工神經(jīng)網(wǎng)絡(luò)ANN對EEG的棘波和尖波進行預(yù)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(fù)雜非平穩(wěn)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(luò)的瞬時幅值得到。HHT分析非穩(wěn)態(tài)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(yōu)勢在于自適應(yīng)性，很適合對高噪聲背景下的非線性、非平穩(wěn)信號的分析。本文在介紹HHT原理及其方法的基礎(chǔ)上，應(yīng)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(chǎn)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(qū)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(yīng)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(shù)據(jù)有較高的精度要求。采用改進型HHT, 信噪比SNR=-3 dB，采樣點數(shù)256,仿真中頻率分辨率擴大3倍，隨機噪聲信號由于其統(tǒng)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(jīng)數(shù)據(jù)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(lián)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(wěn)信號在整個時頻域內(nèi)的分布情況。信號經(jīng)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(yīng)用小波變換、匹配低通濾波設(shè)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(jié)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(fù)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(jīng)系統(tǒng)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(jīng)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(yī)學(xué).生物醫(yī)學(xué)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(xué)學(xué)報(自然科學(xué)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(xué)學(xué)報，2004,38(10):1097-1100.
[4] 王興元，駱超，譚貴霖.EEG動力學(xué)模型中混沌現(xiàn)象的研究[J].生物物理學(xué)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(jīng)信號處理及傳輸系統(tǒng)的研究[J]. 電子技術(shù)應(yīng)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.