脑电信号(EEG)属于神经生物电信号，是脑神经细胞的电生理活动在大脑皮层的反映，通过脑电图仪放大记录成曲线图(即脑电图EEG)[1]。脑电信号隐藏着人类生理、心理以及病理等信息，对诊断大脑疾病非常重要。结合病者的症状、体征以及其他检查，能综合分析如癫痫、脑外伤、脑肿瘤等疾病。

　脑电信号有2个特点：(1)信号非常微弱，属于弱生理信号，量值为微伏级， 幅值0.1~100 μV，频带范围在0.5~3 000 Hz之间,能量主要分布集中在0.05~30 Hz之间，易受到非神经源噪声和神经源噪声的干扰。(2)脑电信号是非平稳随机信号,从信号本身难以发现和分析隐藏病症。客观的干扰还包括眼动等生理引起的眼电干扰、肌电干扰、仪器高频电磁噪声干扰和环境工频干扰等，造成脑电图的伪迹或伪差，给临床识别造成困难，因此准确诊断必须在采集和分析EEG数据时消除伪差。
    参考文献[2]引入自适应自回归模型并结合最小均方差(LMS)进行脑电信号特征分析提取。参考文献[3]利用双谱分析脑电信号，利用高阶谱能有效辨别疾病和睡眠监护等。参考文献[4]采用一种动力学模型模拟EEG的参数，运用混沌分析法获取特征。参考文献[5-6]采用人工神经网络ANN对EEG的棘波和尖波进行预处理。参考文献[7-8]对EEG采用小波变换，获取良好的局部化信息。其他还有独立分量分析(ICA)分布、向量机和稀疏逼近等方法[9-10]。EEG信号是典型的复杂非平稳信号，需要分析瞬时频率和瞬时能量的值，瞬时能量可以从信号包络的瞬时幅值得到。HHT分析非稳态资料方法独特，基于信号的局部时间尺度进行信号分解，相对于其他信号处理方法的最大优势在于自适应性，很适合对高噪声背景下的非线性、非平稳信号的分析。本文在介绍HHT原理及其方法的基础上，应用改进型的HHT进行EEG信号去噪处理研究。
1 算法分析
　    对于任意的信号序列，其Hilbert变换Y(t)定义为：
 

    眼部生理活动对EEG信号有一定的影响，当眨眼或者眼球运动时,会产生较大的电位变化,形成眼电图       EOG(Electrooculography)，EOG伪迹会影响头皮各区采集的EEG信号，对大脑前通道影响最为显著，形成眼电伪迹。图1、图2、图3分别为睁眼、闭眼、睡眠所对应的时频分析图。

    影响脑电图对大脑疾病(如癫痫)诊断的因素很多，除了个体差异外，客观存在工频和外界噪声干扰，噪声直接影响脑电图的形成，造成的伪迹可能会误诊或者延误确诊的时间，因此对脑电图的数据有较高的精度要求。采用改进型HHT, 信噪比SNR=-3 dB，采样点数256,仿真中频率分辨率扩大3倍，随机噪声信号由于其统计特性，任一时间点上的带宽相同，能量均匀分布。图4所示为如果信号含有白噪声，其瞬时频率的分布。经数据平滑处理后仍得到相近似的分布情况如图5所示，由此可以识别脑电信号。可见在高噪声背景下每个IMF分量的时频分布与原始信号的时频分布没有必然联系，只有综合每一个IMF的时频分布特征才可以大致得到非平稳信号在整个时频域内的分布情况。信号经EMD分解后各IMF分量的时频分布如图6所示。
    在信噪比-10~+5之间，对脑电信号分别应用小波变换、匹配低通滤波设计和改进HHT进行去噪处理，得到不同信噪比背景下的均方误差(MSE)，如图7所示。结果表明，匹配低通滤波有时会把有用信号扰乱成噪声，抗噪性能比较差，均方误差较大。基于4层基的小波变换滤波去噪特性较好，不同的小波基特性固定，选择合理的小波基比较复杂，而且不能有效逼近局部信号。基于IEMMD的改进型HHT变换，去噪效果明显，MSE相对较小，特征更加明显。

    脑电信号去噪是近年来的研究热点。HHT变换分析处理脑电信号时，能很好地交叉项的干扰和相邻频率的干扰，对生理活动的扰动也有很好的抑制作用。与小波分析和低通滤波等降噪方法相比，HHT有较好的灵活性，这些对于神经系统的癫痫、出血性脑损等疾病的诊断起着积极的作用。HHT中核心的EMD是一种基于经验的模式分解，局部均值和算法评价有待完善，而改进后的HHT算法能有效去除脑电信号的噪声部分,从而使脑电信号特征更加明显。
参考文献
[1] 吴晓彬，邱天爽.基于时频分析的EEG信号分析处理方法研究进展[J]. 国外医学.生物医学工程分册, 2004,27(6):321-325.
[2] 高湘萍，吴小培，沈谦.基于脑电的意识活动特征提取与识别[J].安徽大学学报(自然科学版),2006,30(2):33-36.
[3] 艾玲梅，黄力宇，黄远桂,等.利用双谱分析的癫痫脑电特征研究[J].西安交通大学学报，2004,38(10):1097-1100.
[4] 王兴元，骆超，谭贵霖.EEG动力学模型中混沌现象的研究[J].生物物理学报,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] 单秋云,李醒飞,钟莹.脑电神经信号处理及传输系统的研究[J]. 电子技术应用，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.