人体的各种生理活动之间存在相互作用和相互适应的关系,这导致其各种反应相应生理活动的医学信号具有非线性且非稳态的特性。传统的信号分析方法如傅里叶变换等已无法有效满足医学信号处理领域的需求。随着近年来非线性非稳态信号处理技术的飞速发展,经验模态分解是其中一种能准确有效分析该类信号的工具。经验模态分解已经被证实在医学信号处理领域拥有着十分巨大的潜力和应用前景。然而目前大多数的研究成果仍然局限于单一地使用经验模态分解算法来对医学信号进行分析处理,这很容易因潜在的因素而导致不准确或不稳定的分析结果;另一方面,在对医学信号分析处理时往往需要引入人为因素来对分解所得的分量加以判断和选择。因此为了进一步推进经验模态分解算法在医学信号分析领域的应用,本文基于经验模态分解根据三种不同的应用场景分别开展了以下不同的研究工作:(1)为了区分不同病人的生理健康状况所反映的心率变异性差异,本文在第四章提出了一种基于互补式集合平均经验模态分解算法和改进排列熵算法的新型心率变异性时间序列的分析方法。该方法弥补了以往排列熵方法在分析心率变异性时间序列时尺度单一的不足。根据MIT-BIH心率失常数据库的实验结果表明,本文所提的心率变异性分析方法在区分心率有无明显失常方面具有统计显著性的表现。(2)光电容积变化描记图法(简称PPG)是一种成熟的非侵入式的监测技术,已被证明在监测心肺活动方面比心电图技术具有更低的实现成本。因此本文在第五章通过结合互补式集合平均经验模态分解、独立成分分析和非负矩阵分解等算法各自的的特点,创新性地提出了一种可从PPG信号中稳定分离反映心跳和呼吸变化的替代信号并分别用于估计心率和呼吸速率的方法。基于重症医学数据库的实验结果表明,本文所提方法相比于以往单一使用经验模态分解的方法具有更加稳定准确的表现。(3)糖尿病已经日渐成为一种严重威胁人类健康水平的疾病,因此为了连续监测患者的血糖浓度以有效预防和治疗糖尿病,我们提出了一种结合了经验模态分解和奇异谱分析的信号预处理的无创血糖估计方法,该方法可以有效抑制可穿戴设备在采集信号过程中所受到的运动伪影信号的影响,并保证了对估计结果准确性的公共标准要求。