孙晓娟，李建卓

（1.宝鸡文理学院电子电气工程学院，陕西 宝鸡 721013；2.宝鸡文理学院计算机学院，陕西 宝鸡 721013）

在大脑功能的开发与临床疾病的诊断过程中，脑电信号起着关键作用[1-3]。但是，由于脑电信号微弱、易受干扰，因此，脑电信号的信息提取与特征分析一直是备受关注的问题，对脑电信号进行降噪已经成为脑电信号分析中不可或缺的组成部分。

目前，脑电信号的降噪方法主要包括独立分量分析（Independent Component Analysis，ICA）[4-5]、小波变换（Wavelet Transform，WT）[6-7]和经验模态分解（Empirical Mode Decomposition，EMD）[8]。独立分量分析可以把脑电信号中的理想信号与噪声作为独立成分进行分离，从而实现降噪，但是仅适用于脑电信号通道数大于所分离的信号源数的情况[9]。小波变换则是通过先将脑电信号进行多尺度分解，然后对得到的小波系数进行处理来完成降噪的过程，但是这种方法的计算量较大，且小波基的选择需要大量的先验知识[10]。而经验模态分解方法不受上述问题的限制，它只需结合信号的特性，将脑电信号自适应地分解成多个固有模态函数（Intrinsic Mode Function，IMF）分量，从中选出部分IMF分量进行去除或者阈值处理，再进行信号重构就可以获取降噪后的脑电信号。然而在使用过程中，EMD方法会出现模态混叠的现象，为了解决此类问题，文献[11]提出了集合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD），通过添加白噪声来修正EMD的模态混叠问题。随后，文献[12]提出了完全集合经验模态分解（Complete Ensemble Empirical Mode Decomposition，CEEMD），进一步完善了EEMD方法的不足。文献[13]成功将CEEMD方法应用于脑电信号的降噪中，但是它将脑电信号进行CEEMD分解后，仅选取近似熵最大的IMF分量作为降噪后的脑电信号，损失了一部分有用信息。……