Empirical Mode Decomposition

Dlaczego sygnały EEG opierają się tradycyjnym narzędziom do przetwarzania sygnałów

Główny problem z zastosowaniem klasycznych metod przetwarzania sygnałów do EEG ma charakter strukturalny. Analiza oparta na transformacji Fouriera rozkłada sygnał na stały zestaw fal sinusoidalnych i cosinusoidalnych, co sprawdza się idealnie, gdy zachowanie statystyczne leżącego u podstaw procesu nie zmienia się w czasie.

EEG nie spełnia tego warunku. Aktywność mózgu danej osoby podczas spokojnego odpoczynku wygląda statystycznie inaczej niż aktywność tej samej osoby podczas nagłego przypływu skupionej uwagi lub, w warunkach klinicznych, podczas napadu padaczkowego. Badania naukowe wskazują na tę niestacjonarność jako na podstawowy powód, dla którego warto zwrócić się ku EMD zamiast narzędzi częstotliwościowych stworzonych dla sygnałów stabilnych.

Praktyczną konsekwencją jest to, że metoda zakładająca stacjonarność może rozmazać lub błędnie przedstawić przejściowe zdarzenia neuronalne, traktując krótki pik (spike) tak, jakby był rozłożony równomiernie w dłuższym oknie czasowym. W przypadku zastosowań takich jak diagnostyka padaczki, gdzie czas i kształt piku mają znaczenie diagnostyczne, tego rodzaju rozmycie stanowi realne ograniczenie.

Rozwiązaniem proponowanym przez EMD jest całkowite uniknięcie założenia o stałej bazie i pozwolenie, aby dekompozycja dostosowała się do rzeczywistego kształtu sygnału.

Co robi empiryczna dekompozycja modalna i jak działa

EMD działa poprzez powtarzalny proces zwany przesiewaniem (sifting). Algorytm identyfikuje lokalne maksima i minima sygnału, łączy je w górną i dolną obwiednię, a następnie odejmuje średnią z tych obwiedni od oryginalnego sygnału.

Ten krok jest powtarzany, dopóki wynikowa składowa nie spełni dwóch warunków:

1. Jej górna i dolna obwiednia są symetryczne względem zera

2. Jej średnia pozostaje bliska zeru na całym odcinku.

Gdy składowa spełnia te warunki, jest oznaczana jako funkcja trybu własnego (IMF — intrinsic mode function) i zostaje odjęta od oryginalnego sygnału, aby proces mógł wyodrębnić kolejną.

Wynikiem jest zestaw funkcji IMF uporządkowanych od najszybszych do najwolniejszych oscylacji, a na końcu pozostały trend, który odzwierciedla powolny dryf. Ponieważ każda funkcja IMF jest wyodrębniana bezpośrednio z lokalnego kształtu danych, a nie dopasowywana do z góry określonego kształtu fali, EMD może w teorii reprezentować nieregularną i zmieniającą się dynamikę bez konieczności uprzedniego wyboru bazy przez analityka.

Jak EMD wychwytuje zdarzenia przejściowe, takie jak piki napadowe

Zdarzenia przejściowe w EEG, takie jak piki padaczkowe lub krótkie wyładowania związane z zadaniem poznawczym, mają ogromne znaczenie kliniczne i neuronaukowe, ale często są ukryte pod tłem aktywności mózgu lub zakłócającymi szumami. To jest właśnie scenariusz, w którym lokalna, adaptacyjna dekompozycja EMD ma oferować przewagę nad metodami o stałej bazie.

Badanie przeprowadzone przez Safieddine i wsp. przetestowało to bezpośrednio poprzez symulację sygnałów przypominających piki padaczkowe i zanieczyszczenie ich rzeczywistymi artefaktami mięśniowymi o różnym nasileniu, a następnie porównanie czterech metod korekcji:

1. EMD

2. Analiza składowych niezależnych (ICA)

3. Analiza korelacji kanonicznej (CCA)

4. Transformacja falkowa (Wavelet transform)

W warunkach silnego zanieczyszczenia EMD osiągnęło lepsze wyniki niż wszystkie trzy alternatywne metody. Ta przewaga nie była jednak bezwzględna. Gdy sygnał był mniej zaszumiony, a piki pochodziły z jednego źródła korowego, CCA i ICA dawały lepsze rezultaty. Gdy piki pochodziły z dwóch różnych źródeł, przy silnym szumie najlepiej sprawdzało się EMD lub ICA, natomiast transformacja falkowa radziła sobie lepiej przy lżejszym szumie.

Innymi słowy, najlepsze narzędzie do usuwania artefaktów zależało zarówno od poziomu szumu, jak i od konfiguracji źródła, a przewaga EMD była najwyraźniejsza w szczególności przy bardzo silnych zakłóceniach.

Tymczasem prace naukowe autorstwa Riaza i wsp. oraz Shafiula Alama i wsp. przeszły od korekcji artefaktów do klasyfikacji, wykorzystując funkcje IMF jako źródło cech do wykrywania napadów i padaczki.

Zespół Riaza wyodrębnił z każdej funkcji IMF momenty czasowe, czyli miary statystyczne takie jak wariancja, skośność i kurtoza, wraz z cechami widmowymi, takimi jak centroid widmowy i skośność widmowa. Cechy te zostały wprowadzone do maszyny wektorów nośnych (SVM) – standardowego klasyfikatora uczenia nadzorowanego – a uzyskana klasyfikacja pacjentów z padaczką i fragmentów napadów dała wyniki, które autorzy określili jako dobre i korzystnie wypadające na tle innych uznanych metod ekstrakcji cech.

Zespół Alama poszedł jeszcze dalej, wykorzystując momenty statystyczne wyższego rzędu obliczone w dziedzinie EMD i wprowadzając je do sztucznej sieci neuronowej. W kilku zadaniach klasyfikacyjnych, w tym w odróżnianiu aktywności napadowej od nienapadowej, metoda ta wykazała dokładność, czułość i swoistość sięgające 100 procent, działając przy tym szybciej niż porównywalne techniki analizy czasowo-częstotliwościowej.

Podsumowując, badania te sugerują, że EMD może pomóc w izolowaniu przejściowej aktywności padaczkowej, ale jego skuteczność jest zależna od poziomu szumu, geometrii źródła oraz testowanego zbioru danych, a nie stanowi stałej, gwarantowanej zalety.

Typowe wyzwania w empirycznej dekompozycji modalnej

EMD jest elastyczne, ale ta elastyczność rodzi wybory metodologiczne, które mogą wpływać na wnioski naukowe. Małe zakłócenia w sygnale mogą zmienić ekstrema, a co za tym idzie – obwiednie i wyodrębnione mody. Szum, filtrowanie, krótkie nagrania i ostre granice mogą sprawić, że dekompozycja będzie mniej stabilna.

Typowe kroki kontrolne pomagają ujawnić, a nie ukryć te trudności. Obejmują one:

• Pomiar błędu rekonstrukcji po zsumowaniu funkcji IMF i pozostałości (residual).

• Testowanie wrażliwości na traktowanie punktów brzegowych i progi przesiewania.

• Porównywanie dekompozycji w powtarzających się segmentach lub zespołach szumu.

• Sprawdzanie, czy usunięta składowa zawiera prawdopodobną aktywność neuronalną.

Te kontrole nie eliminują niejednoznaczności, ale czynią ją widoczną. Mieszanie modów (mode mixing) może wymagać wariantu zespołowego (ensemble), podczas gdy nadmierna zawartość wysokich częstotliwości może wskazywać na zakłócenia, a nie na użyteczną aktywność neuronalną. W każdym przypadku w analizie należy opisać decyzje, które doprowadziły do uzyskania ostatecznej reprezentacji.

Kolejnym wyzwaniem jest komunikacja. Indeks IMF to etykieta algorytmiczna, a nie diagnoza czy powszechnie zdefiniowane pasmo EEG. Jasne wykresy, rejestry parametrów i ostrożny język są niezbędne, gdy wyniki przechodzą z fazy eksploracyjnego przetwarzania sygnałów do interpretacji biomedycznej.

Mieszanie modów: Główna słabość podstawowej wersji EMD

Najbardziej wyraźną wadą strukturalną podstawowej wersji EMD jest zjawisko zwane mieszaniem modów (mode mixing). Objawia się ono na dwa powiązane sposoby. Albo oscylacje zachodzące w bardzo różnych skalach czasowych zostają uwięzione w tej samej funkcji IMF, albo pojedyncza, spójna składowa rytmiczna zostaje pofragmentowana i rozproszona na kilka funkcji IMF zamiast pozostać w jednej. Obie wersje tego problemu utrudniają wiarę w to, że dana funkcja IMF odpowiada rzeczywistemu, pojedynczemu procesowi fizjologicznemu.

Praktyczne ryzyko dotyczy interpretacji. Jeśli badacz założy, że dana funkcja IMF reprezentuje na przykład aktywność w określonym paśmie częstotliwości, a w rzeczywistości funkcja ta zawiera mieszankę artefaktów mięśniowych i resztkowej aktywności pików z powodu mieszania modów, wszelkie wnioski wyciągnięte z tej funkcji IMF stają się niewiarygodne.

Kompletna zespołowa empiryczna dekompozycja modalna

Kompletna zespołowa empiryczna dekompozycja modalna, powszechnie nazywana CEEMD, to wspomagane szumem rozszerzenie metody EMD. Dodaje ona starannie kontrolowane realizacje szumu do sygnału, rozkłada powstały zespół i uśrednia odpowiadające sobie mody. Celem jest zwiększenie stabilności dekompozycji, gdy bliskie skale oscylacji są trudne do rozdzielenia.

Jak CEEMD ulepsza standardowe EMD

Standardowe EMD może cierpieć na mieszanie modów, w którym oscylacje o różnych skalach pojawiają się w jednej funkcji IMF lub podobne skale są rozproszone w kilku funkcjach IMF. CEEMD rozwiązuje tę niestabilność statystycznie, zamiast zmieniać podstawową ideę przesiewania obwiedni. Powtarzane dekompozycje i uśrednianie mogą zmniejszyć wpływ pojedynczej realizacji szumu, ale wynik nadal zależy od projektu zespołu, amplitudy szumu, liczby prób i szczegółów implementacji.

Metoda ta nie jest automatycznie lepsza dla każdego zbioru danych. Zwiększa koszt obliczeniowy i może pozostawiać szum resztkowy lub wprowadzać wrażliwość na granice, jeśli jej parametry zostaną źle dobrane. W przypadku EEG porównania powinny zatem badać jakość rekonstrukcji, stabilność w różnych próbach, zachowanie zdarzeń przejściowych oraz to, czy uzyskane mody pozostają interpretowalne z punktu widzenia postawionego pytania badawczego.

Jakie zastosowania EEG testowały dotychczas EMD

EMD jest powszechnie stosowane w trzech głównych kategoriach.

Ekstrakcja cech do klasyfikacji stanowi największy obszar zastosowań. Na przykład badanie kierowane przez Ninga Zhuanga wykorzystało EMD do rozpoznawania emocji, wyodrębniając wielowymiarowe cechy z funkcji IMF, w tym pierwszą różnicę szeregu czasowego, pierwszą różnicę fazy oraz znormalizowaną energię, a następnie testując je na publicznie dostępnej bazie emocjonalnej DEAP. Badanie wykazało, że wysokoczęstotliwościowa składowa IMF1 miała znaczący wpływ na rozróżnianie stanów emocjonalnych, a całe podejście przewyższyło metody porównawcze, w tym wymiar fraktalny, entropię próby i dyskretną transformację falkową.

Usuwanie artefaktów jest reprezentowane w badaniach takich jak praca Safieddine i wsp., w której deterministyczna, oparta na obwiedni dekompozycja EMD usuwała artefakty mięśniowe z symulowanego EEG pacjentów z padaczką skuteczniej niż metody ICA, CCA czy metody falkowe, szczególnie w warunkach silnego zanieczyszczenia sygnału.

Na koniec, analizę wielokanałową oraz interfejsy mózg-komputer można znaleźć w badaniach opublikowanych w Journal of Circuits, Systems and Computers, gdzie EMD zastosowano osobno do każdego kanału w wielokanałowym zapisie EEG, a uzyskane funkcje IMF pogrupowano według podobieństwa widmowego, aby zidentyfikować, które składowe korelują z zewnętrznym bodźcem.

Rekonstrukcja sygnału wyłącznie z tych składowych powiązanych z bodźcem pozwoliła naukowcom zidentyfikować, kiedy badany reagował na dany bodziec – co jest umiejętnością bezpośrednio powiązaną z systemami BCI, które opierają się na odróżnianiu celowych sygnałów neuronalnych od szumu tła.

Poradnik empirycznej dekompozycji modalnej dla początkujących

Osoba początkująca może wyobrazić sobie EMD jako wielokrotne oddzielanie najszybszych widocznych oscylacji od skomplikowanego kształtu fali. Algorytm nie zaczyna od listy pasm częstotliwości. Zamiast tego obserwuje, gdzie sygnał rośnie i spada, szacuje lokalną linię środkową i odejmuje ją od analizowanej oscylacji.

Rozsądne ćwiczenie naukowe warto zacząć od krótkiego, czystego, syntetycznego sygnału zawierającego dwie oscylacje i powolny trend. Oczekiwanym rezultatem nie jest idealne oddzielenie w każdym przypadku, ale zestaw składowych, których suma w przybliżeniu odtwarza sygnał wejściowy. Wykreślenie oryginalnego sygnału, każdej funkcji IMF oraz pozostałości na wspólnej osi czasu jest często bardziej pouczające niż samo badanie wyników liczbowych.

W przypadku zapisu EEG proces ten obejmuje również decyzje poprzedzające dekompozycję:

• Wybór kanałów i segmentów

• Sprawdzenie informacji o próbkowaniu

• Oznaczanie błędnych przedziałów

• Dokumentowanie wstępnego przetwarzania (preprocessing)

Ogólny przewodnik po dekompozycji częstotliwościowej może pomóc umiejscowić EMD pośród metod Fouriera, falkowych i pokrewnych metod czasowo-częstotliwościowych. Te wybory nie czynią z EMD testu klinicznego; określają one warunki, w których jego wyniki mogą być oceniane.

Empiryczna dekompozycja modalna w języku Python: Przewodnik po kodzie

Implementacje w języku Python zazwyczaj przyjmują jednowymiarową tablicę i zwracają zestaw funkcji IMF, czasem wraz z pozostałością (residual) lub poprzez osobną operację wyznaczania reszty. Podstawowy schemat działania ładuje sygnał, potwierdza kolejność próbkowania i status brakujących wartości, uruchamia dekompozycję i wykreśla składowe. Powtarzalna analiza rejestruje również wersję biblioteki oraz parametry kontrolujące przesiewanie i zachowanie zespołu (ensemble).

Popularne biblioteki Pythona do EMD

Kilka naukowych pakietów Pythona oferuje EMD lub powiązane algorytmy, ale ich interfejsy API i ustawienia domyślne różnią się od siebie. Niektóre udostępniają standardowe EMD, warianty zespołowe, progi zatrzymania, wybór funkcji sklejanych (spline) i narzędzia do wizualizacji; inne wymagają większego nakładu pracy ręcznej. Głównym zadaniem programistycznym nie jest samo wywołanie funkcji, ale sprawdzenie, co oznaczają zwrócone składowe i czy ich suma odtwarza sygnał wejściowy.

Minimalny schemat pseudokodu to:

signal = load_signal()
check_sampling_and_missing_values(signal)
imfs, residue = decompose(signal)
reconstruction = imfs.sum(axis=0) + residue
plot_components(signal, imfs, residue)

signal = load_signal()
check_sampling_and_missing_values(signal)
imfs, residue = decompose(signal)
reconstruction = imfs.sum(axis=0) + residue
plot_components(signal, imfs, residue)

signal = load_signal()
check_sampling_and_missing_values(signal)
imfs, residue = decompose(signal)
reconstruction = imfs.sum(axis=0) + residue
plot_components(signal, imfs, residue)

signal = load_signal()
check_sampling_and_missing_values(signal)
imfs, residue = decompose(signal)
reconstruction = imfs.sum(axis=0) + residue
plot_components(signal, imfs, residue)

signal = load_signal()
check_sampling_and_missing_values(signal)
imfs, residue = decompose(signal)
reconstruction = imfs.sum(axis=0) + residue
plot_components(signal, imfs, residue)

Kod ten jest celowo uproszczony, ponieważ nazwy funkcji i zwracane wartości różnią się w zależności od pakietu. Walidacja powinna obejmować błąd rekonstrukcji, wykresy ekstremów i granic oraz testy wrażliwości przy uzasadnionych zmianach parametrów.

W przypadku EEG znaczenie mają również wymiary danych: zapis wielokanałowy może wymagać przetwarzania kanał po kanale lub specjalnie dedykowanej metody wielowymiarowej (multivariate), zamiast cichego spłaszczania wszystkich kanałów do jednej tablicy.

Stosowanie empirycznej dekompozycji modalnej do sygnałów EEG

EEG jest naturalnym środowiskiem dla empirycznej dekompozycji modalnej, ponieważ zmiany napięcia mogą zawierać nakładające się rytmy, zdarzenia przejściowe i aktywność niestacjonarną. EMD można stosować do pojedynczych kanałów lub wybranych segmentów, aby zbadać, jak ewoluują lokalne oscylacje. Istotne pytanie naukowe może dotyczyć struktury czasowej, oddzielania artefaktów, zmian związanych ze zdarzeniami lub cech do późniejszego modelu statystycznego.

Przed dekompozycją należy zwrócić uwagę na jakość sygnału i kontekst rejestracji. Umiejscowienie elektrod, schemat referencyjny, częstotliwość próbkowania, filtrowanie, brakujące próbki i oznaczone artefakty – wszystko to może wpływać na lokalne ekstrema.

Co więcej, uzyskanym funkcjom IMF nie należy przypisywać etykiet fizjologicznych wyłącznie na podstawie ich kolejności. Szybkie składowe mogą zawierać szum mięśniowy lub aparaturowy, a wolniejsze składowe mogą zawierać dryf, jak również znaczącą aktywność.

Interpretacja jest silniejsza, gdy porównuje zrekonstruowane sygnały, zachowuje jasną ścieżkę audytu wykluczonych składowych i sprawdza, czy wyniki utrzymują się na różnych kanałach, u różnych uczestników i przy różnych wyborach analitycznych.

Empiryczna dekompozycja modalna a transformacja falkowa

Zarówno EMD, jak i transformacja falkowa wspierają analizę czasowo-częstotliwościową, ale organizują strukturę sygnału w różny sposób. EMD wyprowadza mody z lokalnych ekstremów w obserwowanych danych, podczas gdy analiza falkowa porównuje sygnał z wybraną rodziną przeskalowanych i przesuniętych funkcji bazowych. Jedna metoda dostosowuje się do danych; druga zapewnia z góry zdefiniowany, wieloskalowy układ współrzędnych.

Różnica staje się wyraźniejsza przy porównaniu priorytetów analitycznych:

Żadna z metod nie jest uniwersalnie lepsza. EMD może oferować intuicyjną dekompozycję dla zmieniających się oscylacji, podczas gdy falki mogą zapewnić spójne ramy do porównywania sygnałów, gdy baza i skale są uzasadnione naukowo.

Wybór powinien wynikać z postawionego pytania, oczekiwanych stanów przejściowych, potrzeby powtarzalności oraz strategii walidacji, a nie z ogólnego twierdzenia, że jedna metoda jest bardziej zaawansowana.

Co analiza sygnałów mózgowych zyskuje dzięki dekompozycji opartej na danych

Aktywność mózgu rzadko pozostaje stabilna na tyle długo, by klasyczne narzędzia częstotliwościowe mogły uchwycić jej najważniejsze momenty, dlatego metoda, która pozwala sygnałom definiować ich własne elementy składowe, przyciąga ogromną uwagę.

Empiryczna dekompozycja modalna omija potrzebę stosowania stałych szablonów matematycznych, dając wyniki, które okazały się użyteczne przy izolowaniu pików napadowych przy silnym szumie oraz wyodrębnianiu znaczących cech do rozpoznawania emocji. To przejście w stronę analizy o adaptacyjnym kształcie tworzy ścieżkę do wychwytywania przejściowych zdarzeń neuronalnych, które w przeciwnym razie zostałyby rozmyte lub pominięte. Praktycznym rezultatem, widocznym w badaniach, jest narzędzie, które może pomóc w klasyfikacji i usuwaniu artefaktów, gdy warunki sprzyjają jego zastosowaniu.

Bibliografia

1. Safieddine, D., Kachenoura, A., Albera, L., Birot, G., Karfoul, A., Pasnicu, A., ... & Merlet, I. (2012). Removal of muscle artifact from EEG data: comparison between stochastic (ICA and CCA) and deterministic (EMD and wavelet-based) approaches. EURASIP Journal on Advances in Signal Processing, 2012(1), 127. https://doi.org/10.1186/1687-6180-2012-127

2. Riaz, F., Hassan, A., Rehman, S., Niazi, I. K., & Dremstrup, K. (2015). EMD-based temporal and spectral features for the classification of EEG signals using supervised learning. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 24(1), 28-35. https://doi.org/10.1109/TNSRE.2015.2441835

3. Alam, S. S., & Bhuiyan, M. I. H. (2013). Detection of seizure and epilepsy using higher order statistics in the EMD domain. IEEE journal of biomedical and health informatics, 17(2), 312-318. https://doi.org/10.1109/JBHI.2012.2237409

4. Zhuang, N., Zeng, Y., Tong, L., Zhang, C., Zhang, H., & Yan, B. (2017). Emotion recognition from EEG signals using multidimensional information in EMD domain. BioMed research international, 2017(1), 8317357. https://doi.org/10.1155/2017/8317357

5. Rutkowski, T. M., Mandic, D. P., Cichocki, A., & Przybyszewski, A. W. (2010). EMD approach to multichannel EEG data—the amplitude and phase components clustering analysis. Journal of Circuits, Systems, and Computers, 19(01), 215-229. https://doi.org/10.1142/S0218126610006037

Często zadawane pytania

Co to jest empiryczna dekompozycja modalna (EMD) i dlaczego jest użyteczna w EEG?

EMD to adaptacyjna metoda przetwarzania sygnałów, która rozbija kształt fali na składowe oscylacyjne zwane funkcjami trybu własnego (IMF), bez zakładania, że sygnał jest stacjonarny. Jest użyteczna w EEG, ponieważ aktywność mózgu stale się zmienia i zawiera zdarzenia przejściowe, z których dokładnym przedstawieniem tradycyjne narzędzia o stałej bazie mają problemy.

Jak działa proces przesiewania w EMD?

Proces przesiewania (sifting) wielokrotnie identyfikuje lokalne maksima i minima sygnału, tworzy górną i dolną obwiednię oraz odejmuje ich średnią od sygnału. Krok ten powtarza się, dopóki pozostała składowa nie będzie miała symetrycznych obwiedni i średniej bliskiej zeru – w tym momencie staje się ona funkcją trybu własnego (IMF).

Co to są funkcje trybu własnego (IMF)?

Funkcje IMF to oparte na danych elementy składowe tworzone przez EMD, uporządkowane od najszybszych do najwolniejszych oscylacji. Ponieważ są one wyodrębniane bezpośrednio z lokalnego kształtu sygnału, a nie dopasowywane do z góry ustalonej fali, mogą wychwytywać nieregularną i zmieniającą się dynamikę neuronalną.

Dlaczego mieszanie modów stanowi problem w EMD?

Mieszanie modów zachodzi wtedy, gdy oscylacje o różnych skalach czasowych zostają uwięzione w tej samej funkcji IMF lub gdy pojedynczy rytm zostaje podzielony na wiele funkcji IMF. Ta niejednoznaczność utrudnia pewność, że dana funkcja IMF reprezentuje pojedynczy proces fizjologiczny, potencjalnie mieszając szum lub artefakty z rzeczywistą aktywnością mózgu.

Jak EMD radzi sobie ze zdarzeniami przejściowymi, takimi jak piki napadowe?

EMD izoluje krótkie piki poprzez wyodrębnianie ich do wysokoczęstotliwościowych funkcji IMF, gdzie aktywność tła jest oddzielona. Przy silnym zanieczyszczeniu mięśniowym EMD osiągało lepsze wyniki niż inne metody usuwania artefaktów, choć jego przewaga malała przy czystszych sygnałach lub innych konfiguracjach źródła.

Czy EMD może zastąpić tradycyjne metody, takie jak transformacja Fouriera, we wszystkich analizach EEG?

EMD nie jest uniwersalnym zamiennikiem; jest najbardziej wartościowe dla sygnałów niestacjonarnych i przejściowych, gdzie metody Fouriera o stałej bazie okazują się niewystarczające. Jego niezawodność różni się jednak w zależności od poziomu szumu i nie została jeszcze udowodniona we wszystkich warunkach rejestracji EEG.

Czy EMD wymaga założenia, że sygnał jest stacjonarny?

Nie, EMD nie zakłada stacjonarności, co stanowi kluczową przewagę nad klasyczną analizą Fouriera w przypadku EEG. Dekompozycja dostosowuje się bezpośrednio do zmieniającego się charakteru statystycznego danych, co pozwala na śledzenie zmiennej dynamiki mózgu i krótkich zdarzeń bez wstępnego przygotowania sygnału.

Czy EMD pozwala na bezpośrednią analizę wielokanałowego EEG?

Podstawowe EMD jest zazwyczaj stosowane do sygnałów jednowymiarowych. Analiza wielokanałowa wymaga celowej strategii opartej na analizie kanał po kanale lub metody wielowymiarowej (multivariate), ponieważ zwykłe łączenie kanałów może zaciemnić znaczenie przestrzenne i czasowe.