經驗模態分解(Empirical mode decomposition, EMD)的開發,是為了解決腦電圖(EEG)處理工具與其所需解讀的數據之間不匹配的問題。與其強行將信號擬合到預先選擇的一組固定正弦波或小波中,EMD 允許數據自定義其構建基塊。這些構建基塊被稱為固有模態函數(intrinsic mode functions, IMFs),且生成它們的過程不需要假設信號是平穩或線性的。
這使得 EMD 在概念上對 EEG 具有吸引力,因為短暫、不規則的事件往往正是研究人員想要檢測的特徵。這種吸引力推動了一系列應用研究,包括癲癇發作檢測、情緒分類、偽影去除以及腦機接口。
為什麼腦電波(EEG)訊號難以使用傳統訊號處理工具處理
將傳統訊號處理方法應用於 EEG 的核心問題在於結構層面。基於傅立葉的分析將訊號分解為一組固定的正弦與餘弦波庫,這種方法在潛在過程的統計特性不隨時間改變時運作良好。
EEG 並不符合這個條件。一個人在靜態休息時的大腦活動,在統計特性上與其注意力高度集中或在臨床環境中癲癇發作時的活動截然不同。研究指出,這種非平穩特性是轉向經驗模態分解(EMD),而非依賴為平穩訊號設計之頻率工具的根本原因。
其在實務上的後果是,假設訊號平穩的方法可能會模糊或曲解瞬態神經事件,將短暫的尖波視為均勻分佈在較長的時間窗內。對於癲癇診斷等尖波的時間點和形態具有診斷意義的應用而言,這種模糊現象是個嚴重的限制。
EMD 提出的解決方案是完全避開固定基底的假設,讓分解過程自適應訊號實際呈現的任何形態。
什麼是經驗模態分解及其運作原理
EMD 透過稱為篩選(sifting)的重複過程運作。該演算法識別訊號的局部極大值與極小值,將它們連接成上包絡線與下包絡線,並從原始訊號中減去這些包絡線的平均值。
重複此步驟,直到產生的分量滿足以下兩個條件:
其上包絡線和下包絡線對零對稱
在整個區段中,其平均值保持接近於零。
一旦某個分量滿足這些條件,它就被標記為本質模態函數(Intrinsic Mode Functions,IMFs),並從原始訊號中減去,以便該過程繼續提取下一個分量。
輸出結果是一組按震盪頻率從最快到最慢排列的 IMF,隨後是捕捉剩餘緩慢漂移的最終殘差趨勢。由於每個 IMF 都是直接從數據的局部形態提取,而非與預定的波形匹配,因此原則上 EMD 可以表現不規則和變化的動態,而無需分析人員預先選擇基底。
方法 | 最佳適用條件 |
|---|---|
EMD | 嚴重污染 |
ICA 或 CCA | 輕度雜訊,單一訊號源 |
小波轉換 | 輕度雜訊,雙訊號源 |
EMD 如何捕捉癲癇尖波等瞬態事件
EEG 中的瞬態事件,例如癲癇樣尖波或與認知任務相關的短暫叢發,具有極大的臨床和神經科學重要性,但它們往往被埋沒在背景腦活動或污染雜訊之中。這正是 EMD 的局部自適應分解相較於固定基底方法展現優勢的情境。
Safieddine 等人的研究直接對此進行了測試:他們模擬了癲癇尖波樣訊號,並以不同強度的真實肌肉偽影進行干擾,然後比較了四種校正方法:
EMD
獨立成分分析(ICA)
典型相關分析(CCA)
小波轉換
在污染嚴重的情況下,EMD 的表現優於其他三種方法。然而,這種優勢並非絕對。當訊號雜訊較少且尖波來自單一大腦皮質訊號源時,CCA 和 ICA 產生了更好的結果。當尖波源自兩個不同的訊號源時,在嚴重雜訊下 EMD 或 ICA 的表現最佳,而在輕度雜訊下小波轉換的表現更好。
換句話說,最佳的偽影去除工具取決於雜訊程度和底層訊號源配置,而 EMD 的優勢在嚴重污染的情況下最為顯著。
同時,Riaz 等人與 Shafiul Alam 等人的研究從偽影校正轉向分類,利用 IMF 作為特徵來源來檢測癲癇發作和癲癇症。
Riaz 的團隊從每個 IMF 中提取了時域矩(即變異數、偏度與峰度等統計指標)以及頻譜特徵(如頻譜質心與頻譜偏度)。這些特徵被輸入支援向量機(一種標準的監督式學習分類器),對癲癇患者和發作區段的分類產生了作者所稱的優良結果,且表現優於其他既有的特徵提取方法。
Alam 的團隊更進一步,使用在 EMD 領域中計算的高階統計矩,並將其輸入人工神經網路。在包括區分發作與非發作活動在內的多項分類任務中,該方法報告的準確率、敏感性和特異性高達 100%,同時運算速度快於同類的時頻分析技術。
綜合來看,這些研究顯示 EMD 有助於分離瞬態癲癇活動,但其效能對雜訊程度、訊號源幾何結構以及測試的資料集相當敏感,而非具有固定、絕對的優勢。
經驗模態分解的常見挑戰
EMD 具有高度彈性,但這種彈性也帶來了可能影響科學結論的方法學抉擇。訊號中的微小擾動可能會改變極值點,進而改變包絡線和提取出的模態。雜訊、濾波、過短的記錄以及劇烈的邊界變化都可能使分解變得不穩定。
常見的檢驗方法有助於揭示而非掩蓋這些困難。這些方法包括:
在將 IMF 與殘差相加後測量重構誤差。
測試對端點處理和篩選閾值的敏感度。
比較跨重複區段或雜訊集成(ensembles)的分解結果。
檢查被移除的分量是否包含合理的神經活動。
這些檢驗並不能消除模稜兩可的情況,但能讓問題顯現出來。模態混疊可能需要採用集成變形演算法,而過多的高頻成分可能代表雜訊污染,而非有用的神經模態。在所有情況下,分析過程都應詳細記錄產生最終表示形式的決策步驟。
另一個挑戰在於結果的溝通。IMF 索引只是一個演算法標籤,既不是診斷結果,也不是通用定義的 EEG 頻帶。當結果從探索性訊號處理轉向生物醫學解讀時,需要清晰的圖表、參數記錄和審慎的用詞。
模態混疊:基本 EMD 的主要缺點
基本 EMD 最明顯的結構性缺點是一種稱為模態混疊(mode mixing)的現象。它以兩種相關的方式發生:要麼是在極為不同的時間尺度上運作的震盪被困在同一個 IMF 內,要麼是一個單一且連貫的節律分量被割裂並分散在多個 IMF 中,而未能保留在單一分量內。這兩種情況都會使人難以確信某個 IMF 對應於單一且真實的生理過程。
實際風險在於解讀層面。如果研究人員假設某個特定的 IMF 代表特定頻帶的活動,但該 IMF 實際上由於模態混疊而包含了肌肉偽影與殘餘尖波活動的混合物,那麼從該 IMF 得出的任何結論都會變得不可靠。
互補集成經驗模態分解
完全集成經驗模態分解(Complete Ensemble Empirical Mode Decomposition,通常稱為 CEEMD)是 EMD 的一種雜訊輔助擴展方法。它向訊號中添加嚴格控制的雜訊實現,對產生的集成進行分解,並對相應的模態取平均。其目的是在難以分離相近震盪尺度時使分解更為穩定。
CEEMD 如何改進標準 EMD
標準 EMD 可能會遭受模態混疊的困擾,即不同尺度的震盪出現在一個 IMF 中,或者相似的尺度分散在數個 IMF 中。CEEMD 從統計角度解決了這種不穩定性,而不是改變基本的包絡線篩選理念。重複的分解和平均可以減少單一雜訊實現的影響,但結果仍取決於集成設計、雜訊振幅、試驗次數以及實作細節。
該方法並非對所有資料集都自動具備優勢。它會增加運算成本,如果參數選擇不當,還可能保留殘餘雜訊或引入邊界敏感性。因此,針對 EEG 的比較研究應檢驗重構品質、跨試驗的穩定性、瞬態事件的保留程度,以及產生的模態是否對陳述的研究問題保持可解讀性。
迄今為止 EMD 已在哪些 EEG 應用中進行過測試
EMD 已被普遍應用於三大類別中。
用於分類的特徵提取是最大的應用場景。例如,由 Ning Zhuang 領導的一項研究利用 EMD 進行情緒識別,從 IMF 中提取多維特徵,包括時間序列的一階差分、相位的一階差分和歸一化能量,然後在公開的 DEAP 情緒資料庫上進行測試。研究發現,高頻 IMF1 分量對區分情緒狀態具有顯著影響,整體方法的表現優於包括碎形維度、樣本熵和離散小波轉換在內的對照方法。
偽影去除可見於 Safieddine 等人的研究中,其中 EMD 具確定性的、基於包絡線的分解在嚴重污染的條件下,比 ICA、CCA 或基於小波的方法更有效地去除了模擬癲癇 EEG 中的肌肉偽影。
最後,多通道分析與腦機介面應用可見於發表在《Journal of Circuits, Systems and Computers》上的研究,其中 EMD 被分別應用於多通道 EEG 記錄中的每個通道,並根據頻譜相似性對產生的 IMF 進行分群,以確定哪些分量與外部刺激相關。
僅從這些與刺激相關的分量重構訊號,使研究人員能夠識別受試者何時專注於特定刺激,這項能力與仰賴區分有意神經訊號與背景雜訊的 BCI 系統直接相關。
使用 Emotiv Headset 進行的經驗模態分解研究
結合 EEMD 與 Emotiv Insight 的自動癲癇檢測
一個研究團隊提出了一種嵌入式系統,該系統採用集成經驗模態分解(EEMD)從 EEG 中進行自動癲癇發作分類。研究人員使用 5 通道的 Emotiv Insight headset,應用了一種基於包絡線生成的改進型篩選演算法,並報告該系統達到了與多變量訊號模擬結果相當的效能水準。該研究著眼於在不依賴龐大多通道設備的情況下,對遠程受試者部署癲癇檢測的實際挑戰。
具備 EMD 偽影減少功能的陀螺儀驅動滑鼠指標
另一項獨立研究開發了一款由 Emotiv Epoc X headset 控制的陀螺儀驅動滑鼠指標。研究人員將經驗模態分解用於兩個目的:減少頭部運動引起的偽影,以及檢測眨眼訊號以產生滑鼠點擊。游標位置由內建於 headset 中的陀螺儀控制,並應用卡爾曼濾波器消除抖動。作者在實驗測試中報告的平均眨眼檢測率為 94.9%。
在低密度 EEG 受試者識別中 EMD 優於 DWT
研究人員檢驗了使用 Emotiv Epoc X 記錄的靜態 EEG 進行基於 EMD 的受試者識別。他們將經驗模態分解與離散小波轉換(DWT)在特徵提取方面進行了比較,在從完整的 14 通道組到單一通道的不同通道數量下測試了三種分類器。結果表明,隨著通道數量的減少,EMD 比 DWT 更具穩健性。例如,在 4 個通道時,EMD 的準確率達到 0.76,而 DWT 為 0.74;在 2 個通道時,EMD 保持在 0.64,而 DWT 降至 0.56;在 1 個通道時,EMD 保持在 0.46,而 DWT 僅為 0.31。該研究表明,當記錄密度較低時,EMD 可能為受試者識別提供優勢。
這三項研究說明,EMD 及其集成變形正被廣泛應用於各種基於 Emotiv 的專案中,涵蓋癲癇分類、游標控制到個人識別。然而,這些發現仍然特定於每項研究中使用的資料集、headset 配置和評估協議,並不能確立 EMD 在所有 EEG 任務或硬體設定中均普遍優越。
初學者經驗模態分解教學
初學者可以將 EMD 視為從複雜波形中反覆剝離最快速的可見震盪。該演算法並非從頻帶清單開始。相反地,它觀察訊號在何處上升和下降,估算局部中心線,並從候選震盪中去除該中心線。
一個合理的學習練習是從包含兩種震盪和一個緩慢趨勢的簡短、乾淨的合成訊號開始。預期的結果並非在每種情況下都完美分離,而是一組總和能大致重現輸入訊號的分量。在共享的時間軸上繪製原始訊號、每個 IMF 和殘差,通常比僅僅檢查數值輸出更能提供豐富資訊。
對於 EEG 記錄,工作流程還包括分解之前的決策步驟:
選擇通道與區段
檢查採樣資訊
標記不良區間
記錄預處理過程
通用的頻率分解指南有助於確立 EMD 在傅立葉、小波和相關時頻方法中的定位。這些選擇並不會將 EMD 轉變為臨床檢驗;它們定義了評估其輸出時所依據的條件。
經驗模態分解 Python:程式碼逐步指南
Python 實作通常接受一維陣列並返回一組 IMF,有時帶有殘差或透過單獨的殘差操作得出。基本工作流程包括載入訊號、確認其採樣順序與缺失值狀態、執行分解並繪製分量圖。具重現性的分析還會記錄函式庫版本以及控制篩選和集成行為的參數。
熱門的 EMD Python 函式庫
數個科學 Python 套件提供了 EMD 或相關演算法,但它們的 API 和預設值各不相同。有些套件提供標準 EMD、集成變形、停止閾值、樣條選擇和視覺化輔助工具;其他套件則需要較多手動組裝。核心的編程任務不僅僅是呼叫函式,而是檢查返回的分量代表什麼含義,以及它們的總和是否能重構輸入訊號。
最精簡的虛擬碼模式如下:
這段程式碼特意採用示意性質,因為函式名稱和返回值在各套件之間有所不同。驗證工作應包括重構誤差、極值和邊界圖,以及在合理參數變更下的敏感度檢查。
對於 EEG 而言,資料維度也很重要:多通道記錄可能需要按通道進行的工作流程或特定的多變量方法,而不是默認將所有通道展平為單一陣列。
將經驗模態分解應用於 EEG 訊號
EEG 是應用經驗模態分解的自然環境,因為電壓變化可能包含重疊的節律、瞬態事件和非平穩活動。EMD 可以應用於單一通道或選定的區段,以檢查局部震盪如何演變。相關的科學問題可能涉及時間結構、偽影分離、事件相關電位變化,或用於後續統計模型的特徵。
在分解之前,訊號品質和記錄環境需要特別注意。電極放置、參考方案、採樣率、濾波、缺失樣本以及標記的偽影都可能影響局部極值。
此外,產生的 IMF 不應僅憑其順序就賦予生理學標籤。快速分量可能包含肌肉或儀器雜訊,而較慢的分量除了有意義的活動外,還可能包含漂移。
當結合重構訊號進行比較、保留排除分量的明確審計追蹤,並檢驗結果是否在不同通道、參與者和分析選擇中保持一致時,解讀會更具說服力。
經驗模態分解 vs 小波轉換
EMD 和小波轉換都支援時頻分析,但它們組織訊號結構的方式不同。EMD 從觀測資料的局部極值中導出模態,而小波分析則將訊號與選定的一組縮放和平移基底函數進行比較。前者自適應於資料;後者則提供預定義的多尺度座標系統。
當比較分析重點時,這項區別變得更加清晰:
特徵 | 經驗模態分解 | 小波轉換 |
|---|---|---|
表示形式 | 資料衍生的本質模態函數 | 選定小波尺度上的係數 |
基底 | 自適應且依賴訊號 | 預先指定的小波族 |
時間局部化 | 局部,具有依賴資料的模態 | 尺度依賴並受小波控制 |
主要考量 | 模態混疊、端點效應、停止準則 | 基底選擇、解析度取捨、邊界效應 |
兩種方法都不是在所有情況下均更勝一籌。EMD 可以為變化的震盪提供直觀的分解,而當基底和尺度在科學上適當時,小波可以為比較訊號提供一致的框架。
選擇應取決於研究問題、預期的瞬態成分、可重現性的需求以及驗證策略,而不是泛泛宣稱某種方法更為先進。
大腦訊號分析從數據驅動分解中獲得的優勢
大腦活動很少會長時間保持靜止以供傳統頻率工具捕捉其最具代表性的時刻,這就是為什麼讓訊號自行定義構建基塊的方法引起了廣泛關注。
經驗模態分解避開了對固定數學模板的需求,所產生的結果已被證明有助於在嚴重雜訊下分離癲癇尖波,並為情緒識別提取有意義的特徵。這種向自適應形態分析的轉變,為捕捉否則會被模糊或遺漏的瞬態神經事件開闢了一條途徑。正如多項研究所顯示的,實務上的成果是在條件具備優勢時,提供了一種有助於分類和偽影去除的工具。
參考文獻
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
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
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
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
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
常見問題
什麼是經驗模態分解(EMD),為什麼它對 EEG 有用?
EMD 是一種自適應訊號處理方法,它在不假設訊號平穩的情況下,將波形分解為稱為本質模態函數的震盪分量。它對 EEG 非常有用,因為大腦活動不斷變化且包含瞬態事件,而傳統的固定基底工具難以準確表現這些特徵。
EMD 中的篩選過程是如何運作的?
篩選過程反覆識別訊號的局部極大值與極小值,構建上包絡線和下包絡線,並從訊號中減去它們的平均值。重複此步驟,直到剩餘分量具有對稱的包絡線且平均值接近於零,此時它便成為本質模態函數。
什麼是本質模態函數(IMFs)?
IMF 是由 EMD 產生的資料驅動構建基塊,按震盪速度從最快到最慢排列。由於它們是直接從訊號的局部形態提取,而非與預設波形匹配,因此能夠捕捉不規則且變化的神經動態。
為什麼模態混疊是 EMD 中的一個問題?
當不同時間尺度的震盪被困在同一個 IMF 中,或者單一節律被分割到多個 IMF 中時,就會發生模態混疊。這種模糊性使人難以確信某個 IMF 代表單一的生理過程,並可能將雜訊或偽影與真實的大腦活動混雜在一起。
EMD 如何處理癲癇尖波等瞬態事件?
EMD 透過將短暫尖波提取到高頻 IMF 中來將其分離,在此過程中背景活動被分開。在嚴重的肌肉干擾下,EMD 的表現優於其他偽影去除方法,儘管在訊號較乾淨或訊號源配置不同時其優勢會減弱。
EMD 能否在所有 EEG 分析中取代傅立葉轉換等傳統方法?
EMD 並非通用的替代方案;它在固定基底傅立葉方法表現不足的非平穩和瞬態訊號中價值最高。然而,其可靠性隨雜訊程度而異,且尚未在所有 EEG 記錄條件下得到證實。
EMD 是否需要假設訊號是平穩的?
不需要,EMD 不假設平穩性,這是其在 EEG 分析中相較於傳統傅立葉分析的關鍵優勢。此分解直接適應資料變化的統計特性,使其無需預先設定條件即可追蹤變動的大腦動態和短暫事件。
EMD 可以直接分析多通道 EEG 嗎?
基本的 EMD 通常應用於一維訊號。多通道分析需要深思熟慮的按通道處理或多變量策略,因為單純合併通道可能會模糊空間和時間上的意義。
Emotiv 是一家神經科技領導者,透過可近用的 EEG 和腦部資料工具,協助推動神經科學研究進展。
醫療免責聲明:本網站提供的資訊僅供教育和參考之用,不構成醫療或健康建議。本內容可能含有錯誤,不應作為做出改變生活的健康、醫療或生活方式選擇的依據。若您對醫療狀況或治療有任何疑問,請務必諮詢您的醫生或其他符合資格的健康提供者的建議。
克里斯蒂安·布戈斯




