基于自适应阈值处理的脑电信号去噪方法[0002]大脑是有亿万个神经元组成的复杂系统，负责人体的各个功能的协调运作，通过大脑皮层上的电极记录下大脑细胞群的电位活动称为脑电信号(Electroencephalogram,EEG)。通过对EEG的分析研究，可以获得丰富的的生理、心理以及病理信息，是临床医学和大脑研究领域的一个重要工具。然而EEG又是一种随机性很强的非线性非平稳信号，而且信号强度非常微弱，在采集和处理过程中，极易受到如心电、眼电、工频等各种噪声和伪迹的影响。因此去噪在脑电研究过程中扮演着重要的角色，去噪效果的好坏直接影响脑电信号特征提取和分类的效果。[0003]小波变换是傅里叶变换的继承和发展，具有时频局部化、多分辨率和去相关性的特点，很适合探测信号的瞬时状态，对微弱的信号可以进行有效去噪。小波阈值滤波方法是目前常用的一种阈值去噪方法，基于小波阈值的信号去噪，其算法简单，计算量少，在保持信号奇异性的同时能有效的滤除噪声，被广泛的应用到脑电去噪领域。但传统的硬阈值法和软阈值法在消噪方面都存在缺陷，如硬阈值去噪过程中因断点而造成的局部震荡，软阈值去噪后丢失奇异点信息等。
[0004]本发明的目的是针对传统阈值去除脑电信号噪声不足，在软阈值的基础上，提出一种改进阈值处理的EEG信号去噪方法。[0005]本发明的目的可以通过以下技术方案实现:[0006]本发明包括以下步骤:[0007]步骤1.选取合适的小波基函数，确认分解层次j，将含噪的EEG信号进行小波分解至j层，得到相应的小波分解系数Wj，k。
[0008]步骤2.计算各个分解子空间的Donoho阈值，这是小波阈值处理算法的关键，要选取阈值函数和合适的阈值进行去噪处理。
[0009]步骤3.将低频系数和处理后的高频系数进行重构，得到消噪后的EEG信号。
[0010]本发明的有益效果:将改进后的阈值去噪效果和其他三种传统的阈值去噪效果对t匕，结果表明，使用优化后的方法对去除脑电信号中的噪声效果较好，与传统的阈值滤波去噪方法比较能进一步提高信号的信噪比，减少均方根误差。



[0011]图1为原始C3通道的EEG信号；
[0012] 图2为C3通道信号进行2层小波分解后近似系数和细节系数；[0013]图3为C3通道信号进行3层小波分解后的近似系数和细节系数；
[0014]图4为C3通道EEG去噪结果对比图。

[0015]以下结合附图对本发明作进一步说明。
[0016]本发明包括以下步骤:
[0017]步骤1.选取合适的小波基函数，确认分解层次j，将含噪的EEG信号进行小波分解至j层，得到相应的小波分解系数Wj，k。
[0018]步骤2.计算各个分解子空间的Donoho阈值，这是小波阈值处理算法的关键，要选取阈值函数和合适 的阈值进行去噪处理。
[0019]步骤3.将低频系数和处理后的高频系数进行重构，得到消噪后的EEG信号。
[0020]其中步骤I中确定小波分解层次j的具体步骤如下:
[0021](I)选取小波基函数db4对原始EEG信号分别进行2、3层分解。
[0022](2)根据不同层次分解后得到的重构信号，判断信号去噪的的优劣，选取去噪效果较好的分解层次。小波分解过程中的分解层次的选取很重要，分解层次过少会导致噪声信号不能去除完全；分解层次过多，将会增加去噪过程的计算量，也会导致信噪比增益不明显，甚至有时候会使信噪比增益下降。图2、图3分别对C3通道的信号进行2层和3层的小波分解后得到的近似系数和细节系数图，对比可以得到，当分解层次为3的时，d3的波形与原始信号波形有很大的不同，所以当分解层次j = 2时，能去除大部分的噪声信号，同时保留有用信息。
[0023]其中步骤2中所述的阈值函数和阈值的选取中，三种传统的阈值去噪算法分别是硬阈值法、软阈值法、Garrote法，其中硬阈值数学表达式为