[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1中确定小波分解层次j的具体步骤如下:
[0021] (1)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
[0024]
[0025] 软阈值数学表达式为
[0026]
[0027] Garrote阈值法数学表达式为
[0028]
[0029] 式中 是真实信号小波系数的估计值;λj,k是选取的阈值;wj,k是小波分解后高频部分的小波系数,即表示j尺度上k点的小波系数值。
[0030] 本发明的改进阈值函数的数学表达式为
[0031]
[0032] 式中,a是形状系数,用于控制wj,k<λj,k区域内的函数形状,即控制衰减程度,λj,k表示阈值。由上面表达式可以看出,当a=0时,该方法为软阈值法,在a为非0情况下,改进的阈值比纯软阈值具有更好的平滑性。
[0033] 小波阈值处理一般都采用Dohono的阈值,记为λj,k,即表示j尺度上k点的阈值,则[0034]
[0035] 在小波阈值处理过程中假设小波系数是独立分布的,但实际的小波系数是统计相关的,因此将对阈值进行改进,定义加权阈值缩放因子λj,根据分解层次不同,对应的阈值不同,能有效的去除脑电信号中的噪声信号,缩放因子的表达式为:
[0036] λj=p/(1+In(j))2
[0037] 其中,p≥0、j是分解尺度。
[0038] 对Donoho阈值进行缩放得到各个分解子空间的阈值,记为Tj,k,其表达式为:
[0039] Tj,k=λj*λj,k
[0040] 根据分解尺度对频率高的子空间进行阈值放大,对频率低的子空间阈值进行缩小,进而增强对EEG中高频噪声的抑制,保留低频有用信号。经过多次的实验仿真,当a=0.01,p=0.5时,去噪后的效果最为理想。
[0041] 步骤3中将经过阈值缩放后的小波系数进行重构,得到去噪后的脑电信号。以信噪比(SNR)和均方根误差(RMSE)作为定量指标来评判去噪效果的好坏,将改进阈值法、硬阈值法、软阈值法、Garrote阈值法对脑电信号去噪,其中信噪比表达式为
[0042]
[0043] 均方根误差的表达式为
[0044]
[0045] 从图4可以看出改进阈值算法对EEG去噪效果比其他三种算法有了较大的改善,高频部分的毛刺减少,信号更加平滑,同时与图1原始C3通道的EEG信号变化趋势是一致的。根据信噪比和均方根误差计算公式,得出140次EEG去噪效果的SNR和RMSE,然后分别求SNR和RMSE均值和方差,得到EEG信号经过消噪后的评价指标如表1所示。
[0046] 表1不同算法去噪效果的SNR和RMSE结果对比
[0047]评价指标 硬阈值 软阈值 Garrote阈值 改进阈值
SNR 19.16±3.92 18.42±4.79 16.55±11.27 20.08±3.94
RMSE 0.034±6.063e-5 0.035±8.993e-5 0.038±1.16e-4 0.032±5.81e-5
[0048] 从表1中对比SNR和RMSE的值,其中改进阈值算法的SNR的值最高,同时改进算法的RMSE的值最低,在定量上表明了使用改进阈值算法对EEG信号去噪的效果优于其他三种算法。由于数据是由140次测试所得,其中因测试人员注意力不集中、疲劳等原因,140次试验中有几组实验数据不是很理想,但不影响最终实验结果。