转向切线经验模态分解：面向单变量与多变量信号的框架

基于摘要分析。本文针对单变量与多变量信号的经验模态分解（EMD），提出 Turning Tangent Empirical Mode Decomposition（2T-EMD）。核心贡献是利用新的特征点重新定义信号均值包络，使多变量信号能够在无需投影的情况下进行分解。 机制与对照：均值包络的构造是该方法的关键改动。作者称其具有计算轻量、算法简单的特点，并说明了算法适用范围，在多种模拟单变量与多变量信号上与经典方法进行了比较。摘要未给出特征点定义、包络计算细节、具体对照算法或运行时间，因此尚不能量化其计算优势，也不能确定适用范围的边界。 验证与 EEG 应用：作者报告，通过分解 fractional Gaussian noise 验证了该方法在含噪单变量信号上的行为，并展示了真实 EEG 数据应用。摘要没有提供 EEG 数据来源、被试数、通道配置、任务、评价指标及定量结果，不能据此认定其提升了 EEG 去噪质量或 BCI 解码性能；单变量噪声验证也不能直接替代多通道 EEG 条件下的验证。 复现时应重点核对特征点与均值包络的实现、分解停止准则、适用条件，以及模拟信号和 EEG 应用的评估协议。实验协议、消融及统计信息尚未验证。本文主要贡献属于信号分解方法，真实 EEG 是其应用示例，而非已得到验证的 BCI 解码方案。