基于雙密度小波鄰域相關(guān)閾值處理的腦電信號(hào)消噪方法
【專利摘要】本發(fā)明涉及一種基于雙密度小波鄰域相關(guān)閾值處理的腦電信號(hào)消噪方法。當(dāng)前大都采用經(jīng)典離散小波變換結(jié)合傳統(tǒng)閾值法對(duì)腦電信號(hào)進(jìn)行消噪，而已有的基于經(jīng)典小波變換結(jié)合傳統(tǒng)閾值法的消噪方法都存在不足之處。本發(fā)明首先從大腦皮層上采集腦電信號(hào)，然后用雙密度小波正變換對(duì)腦電信號(hào)進(jìn)行分解，得到多層的信號(hào)高頻系數(shù)，根據(jù)小波系數(shù)的局部統(tǒng)計(jì)依賴性，運(yùn)用鄰域相關(guān)閾值處理算法進(jìn)行收縮，最后將收縮后的小波系數(shù)進(jìn)行重構(gòu)得到消噪后的信號(hào)。本發(fā)明根據(jù)腦電信號(hào)特性和干擾噪聲特點(diǎn)，以信噪比為目標(biāo)函數(shù)，采用網(wǎng)格尋優(yōu)法對(duì)鄰域相關(guān)閾值處理算法中的三個(gè)可調(diào)參數(shù)進(jìn)行尋優(yōu)，進(jìn)而有效地平滑噪聲并保留EEG的細(xì)節(jié)特征。
【專利說明】基于雙密度小波鄰域相關(guān)閾值處理的腦電信號(hào)消噪方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于生物醫(yī)學(xué)信號(hào)消噪領(lǐng)域，涉及一種基于雙密度小波鄰域相關(guān)閾值處理的腦電信號(hào)消噪方法。
【背景技術(shù)】 [0002]腦電信號(hào)(Electroencephalogram, EEG)是中樞神經(jīng)系統(tǒng)產(chǎn)生的生物電活動(dòng)而衍射到腦皮的募集信號(hào)，人在主動(dòng)思維或受到不同的感覺刺激時(shí)，EEG的特征具有明顯差異。對(duì)EEG進(jìn)行分析，可以獲得大量的生理、心理及病理信息。EEG是一種非線性非平穩(wěn)信號(hào)，而且非常微弱，其幅值僅為UV級(jí)，極易受到噪聲干擾，如脈沖干擾、工頻干擾、呼吸干擾、眼動(dòng)干擾、心電干擾、肌電干擾、頭皮電極的抖動(dòng)等，這些干擾產(chǎn)生的噪聲混雜在EEG中，使得EEG不能正確反映大腦的真實(shí)生物電活動(dòng)特征,給醫(yī)生診斷帶來誤診，也同樣給研究人員對(duì)EEG的進(jìn)一步深入研究，例如基于EEG的腦機(jī)接口(BCI)中運(yùn)動(dòng)意識(shí)任務(wù)的模式識(shí)別帶來困難。因此，消除EEG中的噪聲就顯得非常必要。
[0003]小波變換因其具有良好的時(shí)頻局部化特性、多分辨率特性、去相關(guān)性等特點(diǎn)，在生物醫(yī)學(xué)信號(hào)消噪領(lǐng)域得到了廣泛應(yīng)用，也是傳統(tǒng)的腦電信號(hào)消噪方法。經(jīng)典離散小波變換雖功能強(qiáng)大，但它采用的是臨界采樣，導(dǎo)致經(jīng)典離散小波變換具有數(shù)據(jù)敏感性，輸入數(shù)據(jù)在時(shí)域上微小的變化會(huì)對(duì)離散小波變換系數(shù)產(chǎn)生不可預(yù)測(cè)的結(jié)果，即使輸入有很小的移位都可能導(dǎo)致在各個(gè)尺度上的能量分布有明顯的變化，這將降低BCI系統(tǒng)的EEG控制信號(hào)魯棒性。小波系數(shù)閾值處理策略的選取是影響基于小波變換閾值消噪方法降噪效果的主要因素之一。信號(hào)經(jīng)小波分解后，每個(gè)子空間內(nèi)的小波系數(shù)具有一定的統(tǒng)計(jì)依賴性，利用這種局部依賴性，可以有效地提高信號(hào)的降噪效果。但傳統(tǒng)軟、硬閾值算法只是單獨(dú)對(duì)每一個(gè)小波系數(shù)進(jìn)行閾值處理，并未考慮小波系數(shù)的局部依賴性，造成系數(shù)估計(jì)值偏差過大，進(jìn)而使得傳統(tǒng)小波閾值消噪方法對(duì)EEG的消噪性能降低。
[0004]綜上所述，已有的基于經(jīng)典小波變換和傳統(tǒng)軟閾值法的腦電信號(hào)消噪方法存在不足之處。

【發(fā)明內(nèi)容】

[0005]本發(fā)明的目的就是針對(duì)現(xiàn)有技術(shù)的不足，提出一種基于雙密度小波鄰域相關(guān)閾值處理的腦電信號(hào)消噪新方法。雙密度小波變換(Double-Density Discrete WaveletTransform, DD-DffT)是一種新的小波分析方法,它的濾波器組是由一個(gè)尺度函數(shù)和兩個(gè)彼此之間偏移0.5個(gè)單位的小波函數(shù)構(gòu)成，同時(shí)使用過采樣代替臨界采樣，因而它很好的客服了經(jīng)典離散小波變換的局限性，具有運(yùn)算速度快、近似的平移不變性、完美的重構(gòu)性和有限的冗余性等特點(diǎn)，且與經(jīng)典小波變換相比能夠更準(zhǔn)確地描述信號(hào)的細(xì)節(jié)特征，進(jìn)而提高信號(hào)特征的魯棒性；鄰域相關(guān)閾值處理算法在小波系數(shù)的估計(jì)計(jì)算中融入了鄰域內(nèi)小波系數(shù)的信息，可以減小系數(shù)估計(jì)值的偏差，進(jìn)而有效地平滑噪聲并保留EEG的細(xì)節(jié)特征。
[0006]實(shí)現(xiàn)本發(fā)明方法的主要思路是:利用雙密度小波對(duì)采集到的EEG分解，得到多層的信號(hào)高頻系數(shù)；根據(jù)小波系數(shù)的局部統(tǒng)計(jì)依賴性，運(yùn)用鄰域相關(guān)閾值處理算法進(jìn)行收縮，將收縮后的小波系數(shù)進(jìn)行重構(gòu)得到消噪后的信號(hào)。
[0007]為了實(shí)現(xiàn)以上目的，本發(fā)明方法主要包括以下步驟:
[0008]步驟一.獲取人大腦運(yùn)動(dòng)想象腦電信號(hào)樣本數(shù)據(jù)。
[0009]步驟二.將步驟一獲取的運(yùn)動(dòng)想象腦電信號(hào)進(jìn)行雙密度小波分解，得到低頻小波系數(shù)和各層高頻小波系數(shù)，分別記為G(I)其中J表示最大分解尺度；j表示分解尺度；h1、h2表示兩個(gè)高通濾波器；1表示小波系數(shù)序列的標(biāo)號(hào)，其中(I)、Wih2(I)分別表示子空間(Ih1)和子空間(j，h2)內(nèi)的小波系數(shù)序列。
[0010]步驟三.計(jì)算各分解子空間的Donoho閾值，記為入j, hk:
[0011]
【權(quán)利要求】
1.基于雙密度小波鄰域相關(guān)閾值處理的腦電信號(hào)消噪方法，其特征在于該方法包括如下步驟: 步驟一.獲取大腦運(yùn)動(dòng)想象腦電信號(hào)樣本數(shù)據(jù)； 步驟二.將步驟一獲取的運(yùn)動(dòng)想象腦電信號(hào)進(jìn)行雙密度小波分解，得到低頻小波系數(shù)和各層高頻小波系數(shù)，分別記為C1(I)和^hl (I)、^h2(I);其中J表示最大分解尺度；j表示分解尺度表示兩個(gè)高通濾波器；1表示小波系數(shù)序列的標(biāo)號(hào)，其中、hl(l)、\h2(l)分別表示子空間(Ih1)和子空間(j，h2)內(nèi)的小波系數(shù)序列； 步驟三.計(jì)算各分解子空間的Donoho閾值，記為AjM:
【文檔編號(hào)】A61B5/0476GK103610461SQ201310492498
【公開日】2014年3月5日 申請(qǐng)日期:2013年10月17日 優(yōu)先權(quán)日:2013年10月17日
【發(fā)明者】羅志增, 周瑛, 席旭剛, 高云園 申請(qǐng)人:杭州電子科技大學(xué)