Empirical Mode Decomposition (EMD) adaptively and locally decomposes time series into a sum of oscillatory modes and a trend. In this thesis an EMD based method is proposed, called weighted Sliding Empirical Mode Decomposition (wSEMD), which, with a reasonable computational effort, extends the application area of EMD to a true online analysis of time series comprising a huge amount of data if recorded with a high sampling rate. An example for such time series are brain status data acquired during neuromonitoring in neurosurgical intensive care units. WSEMD is applied to those data on the one hand using its property to function as a low-pass filter and on the other hand profiting from its possibility to analyze data online.

Empirical Mode Decomposition (EMD) zerlegt Zeitreihen anwendungsorientiert und lokal in eine Anzahl von oszillierenden Komponenten und einen Trend. In dieser Dissertation wird eine EMD basierte Methode vorgeschlagen, genannt weighted Sliding Empirical Mode Decomposition (wSEMD), die, mit angemessenem Rechenaufwand, den Anwendungsbereich von EMD auf eine online Analyse für Zeitreihen erweitert, die große Datenmengen umfassen, wenn sie mit hoher Samplingrate aufgenommen werden. Ein Beispiel für solche Zeitreihen sind Hirnstatusdaten, die während des Neuromonitorings in neurochirurgischen Intensivstationen aufgezeichnet werden. WSEMD wird auf diese Daten angewendet, einerseits unter Verwendung seiner Eigenschaft als Tiefpassfilter zu funktionieren und andererseits profitierend von seiner Möglichkeit Daten online zu analysieren.