本研究提出了一种基于离散小波变换自适应的提取双阈值来进行噪声的检测与去除,该方法能够实时的检测出噪声发生的时间并进行精确去除,从而提高后续计算提取的特征参数的稳定性。
离散小波变换
小波变换可以有效地表示信号的时频特征。在低频时,小波变换具有较低的时间分辨率和较高的频率分辨率,而在高频时,小波变换具有较高的时间分辨率和较低的频率分辨率。基于Mallat快速算法的离散小波变换是脑电信号分析的常用算法。利用离散小波变换可以有效地将信号的频段与高频段进行分离。
噪声的判断与去除
为了准确检测和去除噪声,我们使用两组阈值来判定噪声,一组阈值用于检测低频干扰以及评定低频干扰的等级,定义为TL1与TL2;另一组阈值用于检测高频干扰以及评定高频干扰的等级,定义为TH1与TH2。通过使用两组阈值,提高了噪声检测的可靠性,并且减小了因误判而导致删除有用信息的概率,
我们提出了一种基于离散小波变换自适应的提取双阈值来进行脑电信号噪声的检测与去除方法,将噪声分为低频噪声与高频噪声,采用离散小波变换提取对应的低频能量与高频能量,并自适应地计算出两组阈值,采用双阈值法判定干扰的等级,提高了噪声检测的可靠性;同时,利用小波变换优良的时频特性,对发生噪声干扰时的小波系数进行处理,达到对噪声的精准去除。最后,对去噪前后的脑电数据进行分析计算特征参数BetaRatio,结果表明,去噪后计算得到的BetaRatio较去噪前异常值明显减少,参数的稳定性有了进一步的提升。