1 引 言
癫痫的诊断主要依靠临床病史，脑电图检查可作为一种极有价值的辅助诊断手段。据统计，80％左右的癫痫病人都具有确定性的脑电异常，而只有5～20％左右的癫痫病人脑电图表现正常。尤其对临床诊断困难的非典型癫痫发作、各种异型癫痫和隐匿型癫痫，脑电图检查的重要性更加突出，甚至起着决定性的作用[1]。
脑电(EEG)是超高斯或亚高斯信号，通常都含有噪声、伪迹和串扰。通常，脑电活动总体上被划分成4个频带成分(β，α，θ和δ等节律)，这些成分的频率都很低(在0．5～40 Hz范围)。而临床分析表明癫痫患者发病时以3 Hz棘慢综合波为多见。换句话说，脑电中有意义的成分基本上都是低频信号。这意味着，我们可以通过小波分解将混迭在脑电中的高频成分滤除后再重构，从而滤除噪声和伪迹。通过研究癫痫病人的脑电信号，有助于药物选择、剂量调整和药物停用的决定，有助于外科手术治疗病例的选定，有助于癫痫和其他发作性疾病的鉴别。
本文选用基于TI公司的TMS320C54X系列的DSP芯片开发平台。借助DSP快速数据处理的优点，对癫痫脑电信号进行小波变换，然后滤除小尺度(高频)成分，保留大尺寸（低频）成分，最后再对处理后的信号进行重建。实现流程如图1所示。
2 离散小波变换算法
离散小波变换的一个突破性成果是S．Mallat于1989年在多分辨分析的基础上提出的快速算法一一Mallat算法[2]。Mallat算法在小波分析中的作用相当于快速傅里叶变换(FFT)在傅里叶分析中的作用，他标志着小波分析走上了宽阔的应用领域。Mallat算法又称为塔式算法，他由小波滤波器 H，G和h，g对信号进行分解和重构[3]。分解算法为：
式中，t为离散时间序列号，t=1，2，…，N；f(t)为原始信号；j为层数或小波尺度，j=1，2，…，J，J=log2N；H，G
为时域中的小波分解滤波器，实际上是滤波器系数；Aj为信号f(t)在第j层的逼近部分(即低频成分)的小波系数；Dj为信号f(t)在第j层的细节部分(即高频部分)的小波系数。
式 (1)的含义是：假定所检测的离散信号f(t)为A。信号，信号f(t)在第2j尺度(第j层)的近似部分，即低频部分的小波系数Aj是通过第2j-1尺度(第j-1层)的逼近部分的小波系数Aj-1与滤波器H卷积，然后将卷积的结果隔点采样得到的；而信号f(t)在第2j尺度(第j层)的细节部分，即高频部分的小波系数Dj是通过第2j-1尺度(第j-1层)的逼似部分的小波系数与分解滤波器G卷积，然后将卷积的结果隔点采样得到的。
通过式(1)的分解，在每一尺度2j上(或第j层上)信号f(t)被分解为近似部分的小波系数Aj(在低频子带上)和细节部分的小波系数D，(在高频子带上)。
|
楼主
标题置顶
标题高亮
