麻醉深度监测是外科手术中必不可少的步骤之一。 目前已经提出多种监测麻醉深度的脑电信号分析方 法, 尤其熵方法得到了广泛的关注。 提出一种新的麻醉深度监测方法-希尔伯特黄熵, 先用经验模态分解—希尔 伯特黄变换处理脑电信号获取希尔伯特黄边际谱, 再根据香农熵定义得到希尔伯特黄熵。 对 19 个接受吸入药物 七氟醚麻醉的病人脑电信号的希尔伯特黄熵和时频均衡谱熵进行计算、测试和比较, 结果表明:希尔伯特黄熵能够 更准确的区分麻醉和清醒状态, 更适合于麻醉深度监测。

［目的］为了去除船体结构应力监测数据中的噪声信号，获得有效的数据信息，以便为后续数据挖掘提 供支撑，［方法］首先，采用 HHT 方法中的经验模态分解（EMD）算法对数据进行成分分析，得到固有模态函数 （IMF）和余项。然后，通过 Hilbert变换得到 Hilbert谱，证明应力监测数据的非平稳特性。最后，以信噪比（SNR） 和均方根误差（RMSE）为例，结合自适应去噪和小波阈值去噪两种方法对应力监测数据进行去噪效果比较。 ［结果］结果表明，基于 HHT方法的自适应去噪和小波去噪都具有一定

针对多分量机械故障振动信号的特征提取问题，介绍一种基于希尔伯特振动分解( HVD) 的时频分析方法。该方法首先利用 Hilbert 变换得到原始振动信号的解析信号，然后通过对解析信号的瞬时频率低通滤波获得信号中幅值最大分量的瞬时频率，同时经同步检测获得相应的瞬时幅值和初相位，最后经过迭代运算自适应地检测出原信号各分量的时频信息。针对 HVD 方法的边界效应问题，提出一种基于相关系数准则的波形匹配边界延拓法对其进行改进。 通过两组仿真信号分析验证了 HVD 方法对多分量非平稳信号的分解能力，同时