在现代医学诊断尤其对大脑疾病特性的诊断中,脑电图扮演着越来越重要的角色。很多疾病随着时间的变化会有不同的表现特征,脑电信号随之也会有相应的变化,通过脑电信号的特征变化,在疾病产生的早期对其进行有效地诊断和控制将会对疾病的治疗有着极大的帮助。脑电信号非常微弱,具有随机性强等特点,是大脑内部大量神经元细胞电活动的综合反映,且又极易受到其它生理电信号或外界环境的噪声干扰。因此,脑电信号中既蕴含有具备临床诊断价值的信息,又混杂了神经元细胞相互影响的成分和其它噪声来源的干扰,这些因素对脑电图的正确判读带来了困难。本课题主要研究脑电信号中的若干相关性问题。从相关性分析的角度出发,探讨Copula理论在脑电信号分析应用的可行性,研究解决信号预处理过程中的噪声检测和去除方法,以及病灶特征波的自动检测和辅助判断方法。(1)在脑电信号预处理阶段,利用基于AR-Copula的尾部相关性,在信号采集过程中提取脑电信号与噪声信号尾部相关性较高部分的数据段,实现噪声干扰的自动检测并对其进行了Fast-ICA噪声去除处理。该方法能够在频发的眨眼眼动干扰中自动检测到受干扰的数据段,且有效地降低了Fast-ICA算法的迭代次数,提高了信号处理的实时性。(2)针对癫痫疾病的病理特征,利用Copula理论计算脑电信号采集中各导联之间的Kendall秩相关系数,通过尾部相关性分析自动检测病灶特征波的分布区域,能够为临床诊断提供客观的辅助判断手段,减轻了人工判读的负担,提高了脑电信号判读的准确性。本课题针对脑电信号的复杂特点和分析难点,结合Copula理论,分别提出了基于AR-Copula模型的脑电信号噪声检测和去除方法,以及基于Copula理论Kendall秩相关系数的病灶波分布区域的自动检测和辅助判断方法,为临床诊断提供了有效的信号处理方法和辅助分析手段。