基于基于DSP TMS320C54X的癫痫脑电信号处理的癫痫脑电信号处理
利用小波变换的Mallat算法对癫痫患者的脑电信号进行小波分解,保留脑电的源信号信息,将高频噪声滤除,利
于进一步分析[5]。本文利用了DSP快速数据处理的优点,采用性价比高的定点型TMS320C54x DSP进行浮点数
据处理,结果表明,处理方法可行,效果明显,文中介绍的方法具有一定的理论和实际应用价值。
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
本文选用基于TI公司的TMS320C54X系列的
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
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)。
重构算法为:
式中,j为分解的层数,若分解的最高层即分解的深度为J,则j=J-1,J-2,…,1,0;h,g为时域中的小波重构滤波器,实际
上是滤波器系数。
式 (2)的含义是:信号f(t)在第2j尺度(第j层)的近似部分的小波系数,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隔点插零后与重构滤波器h卷积以及第2j+1尺度(第j+1层)的细节部分的小波系数Dj+1隔点插零后与重构
滤波器g卷积,然后求和得到的。不断重复这一过程,直到第2°尺度,得到重构信号。
评论0
最新资源