基于自適應閾值處理的腦電信號去噪方法

基于自適應閾值處理的腦電信號去噪方法
【專利摘要】本發(fā)明涉及一種基于自適應閾值的腦電信號去噪方法。本發(fā)明首先，在軟閾值的基礎上改進閾值函數(shù)；其次，對采集到的腦電信號進行多層次的分解，得到相對應的小波細節(jié)系數(shù)；然后，根據(jù)小波分解后小波系數(shù)的統(tǒng)計相關(guān)性改進閾值，對小波系數(shù)進行自適應的閾值處理；最后，將縮放后的小波系數(shù)進行重構(gòu)得到去噪后的EEG信號。本發(fā)明與硬閾值法、軟閾值法、Garrote閾值法對比，其優(yōu)點在于保持了軟閾值法的平滑性，減少吉布斯現(xiàn)象，不僅有效的抑制了高斯噪聲，同時保留EEG中大部分的有用的細節(jié)信息，為下一步的EEG特征提取和模式識別奠定良好的基礎。
【專利說明】基于自適應閾值處理的腦電信號去噪方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及腦電信號預處理方法，特別涉及基于改進閾值算法對腦電信號去噪的方法。
【背景技術(shù)】
[0002]大腦是有億萬個神經(jīng)元組成的復雜系統(tǒng)，負責人體的各個功能的協(xié)調(diào)運作，通過大腦皮層上的電極記錄下大腦細胞群的電位活動稱為腦電信號(Electroencephalogram,EEG)。通過對EEG的分析研究，可以獲得豐富的的生理、心理以及病理信息，是臨床醫(yī)學和大腦研究領(lǐng)域的一個重要工具。然而EEG又是一種隨機性很強的非線性非平穩(wěn)信號，而且信號強度非常微弱，在采集和處理過程中，極易受到如心電、眼電、工頻等各種噪聲和偽跡的影響。因此去噪在腦電研究過程中扮演著重要的角色，去噪效果的好壞直接影響腦電信號特征提取和分類的效果。
[0003]小波變換是傅里葉變換的繼承和發(fā)展，具有時頻局部化、多分辨率和去相關(guān)性的特點，很適合探測信號的瞬時狀態(tài)，對微弱的信號可以進行有效去噪。小波閾值濾波方法是目前常用的一種閾值去噪方法，基于小波閾值的信號去噪，其算法簡單，計算量少，在保持信號奇異性的同時能有效的濾除噪聲，被廣泛的應用到腦電去噪領(lǐng)域。但傳統(tǒng)的硬閾值法和軟閾值法在消噪方面都存在缺陷，如硬閾值去噪過程中因斷點而造成的局部震蕩，軟閾值去噪后丟失奇異點信息等。

【發(fā)明內(nèi)容】

[0004]本發(fā)明的目的是針對傳統(tǒng)閾值去除腦電信號噪聲不足，在軟閾值的基礎上，提出一種改進閾值處理的EEG信號去噪方法。
[0005]本發(fā)明的目的可以通過以下技術(shù)方案實現(xiàn):
[0006]本發(fā)明包括以下步驟:
[0007]步驟1.選取合適的小波基函數(shù)，確認分解層次j，將含噪的EEG信號進行小波分解至j層，得到相應的小波分解系數(shù)Wj，k。
[0008]步驟2.計算各個分解子空間的Donoho閾值，這是小波閾值處理算法的關(guān)鍵，要選取閾值函數(shù)和合適的閾值進行去噪處理。
[0009]步驟3.將低頻系數(shù)和處理后的高頻系數(shù)進行重構(gòu)，得到消噪后的EEG信號。
[0010]本發(fā)明的有益效果:將改進后的閾值去噪效果和其他三種傳統(tǒng)的閾值去噪效果對t匕，結(jié)果表明，使用優(yōu)化后的方法對去除腦電信號中的噪聲效果較好，與傳統(tǒng)的閾值濾波去噪方法比較能進一步提高信號的信噪比，減少均方根誤差。
【專利附圖】

【附圖說明】
[0011]圖1為原始C3通道的EEG信號；
[0012] 圖2為C3通道信號進行2層小波分解后近似系數(shù)和細節(jié)系數(shù)；[0013]圖3為C3通道信號進行3層小波分解后的近似系數(shù)和細節(jié)系數(shù)；
[0014]圖4為C3通道EEG去噪結(jié)果對比圖。
【具體實施方式】
[0015]以下結(jié)合附圖對本發(fā)明作進一步說明。
[0016]本發(fā)明包括以下步驟:
[0017]步驟1.選取合適的小波基函數(shù)，確認分解層次j，將含噪的EEG信號進行小波分解至j層，得到相應的小波分解系數(shù)Wj，k。
[0018]步驟2.計算各個分解子空間的Donoho閾值，這是小波閾值處理算法的關(guān)鍵，要選取閾值函數(shù)和合適 的閾值進行去噪處理。
[0019]步驟3.將低頻系數(shù)和處理后的高頻系數(shù)進行重構(gòu)，得到消噪后的EEG信號。
[0020]其中步驟I中確定小波分解層次j的具體步驟如下:
[0021](I)選取小波基函數(shù)db4對原始EEG信號分別進行2、3層分解。
[0022](2)根據(jù)不同層次分解后得到的重構(gòu)信號，判斷信號去噪的的優(yōu)劣，選取去噪效果較好的分解層次。小波分解過程中的分解層次的選取很重要，分解層次過少會導致噪聲信號不能去除完全；分解層次過多，將會增加去噪過程的計算量，也會導致信噪比增益不明顯，甚至有時候會使信噪比增益下降。圖2、圖3分別對C3通道的信號進行2層和3層的小波分解后得到的近似系數(shù)和細節(jié)系數(shù)圖，對比可以得到，當分解層次為3的時，d3的波形與原始信號波形有很大的不同，所以當分解層次j = 2時，能去除大部分的噪聲信號，同時保留有用信息。
[0023]其中步驟2中所述的閾值函數(shù)和閾值的選取中，三種傳統(tǒng)的閾值去噪算法分別是硬閾值法、軟閾值法、Garrote法，其中硬閾值數(shù)學表達式為
【權(quán)利要求】
1.基于自適應閾值處理的腦電信號去噪方法，其特征在于該方法包括以下步驟: 步驟1.選取合適的小波基函數(shù)，確定分解層次j，將含噪的EEG信號進行小波分解至j層，得到相應的小波分解系數(shù)Wjik ； 步驟2.計算各個分解子空間的Donoho閾值，選取閾值函數(shù)和合適的閾值進行去噪處理； 所述的閾值函數(shù)為

【文檔編號】A61B5/0476GK103961092SQ201410192868
【公開日】2014年8月6日 申請日期:2014年5月9日 優(yōu)先權(quán)日:2014年5月9日
【發(fā)明者】馬玉良, 許明珍, 張啟忠, 高云園, 孟明, 佘青山 申請人:杭州電子科技大學