腦電信號噪聲檢測與去除方法

本研究提出了一種基于離散小波變換自適應的提取雙閾值來進行噪聲的檢測與去除，該方法能夠實時的檢測出噪聲發生的時間并進行精確去除，從而提高后續計算提取的特征參數的穩定性。

離散小波變換　　

小波變換可以有效地表示信號的時頻特征。在低頻時，小波變換具有較低的時間分辨率和較高的頻率分辨率，而在高頻時，小波變換具有較高的時間分辨率和較低的頻率分辨率。基于Mallat快速算法的離散小波變換是腦電信號分析的常用算法。利用離散小波變換可以有效地將信號的頻段與高頻段進行分離。

噪聲的判斷與去除　　

為了準確檢測和去除噪聲，我們使用兩組閾值來判定噪聲，一組閾值用于檢測低頻干擾以及評定低頻干擾的等級，定義為TL1與TL2；另一組閾值用于檢測高頻干擾以及評定高頻干擾的等級，定義為TH1與TH2。通過使用兩組閾值，提高了噪聲檢測的可靠性，并且減小了因誤判而導致刪除有用信息的概率，

我們提出了一種基于離散小波變換自適應的提取雙閾值來進行腦電信號噪聲的檢測與去除方法，將噪聲分為低頻噪聲與高頻噪聲，采用離散小波變換提取對應的低頻能量與高頻能量，并自適應地計算出兩組閾值，采用雙閾值法判定干擾的等級，提高了噪聲檢測的可靠性；同時，利用小波變換優良的時頻特性，對發生噪聲干擾時的小波系數進行處理，達到對噪聲的精準去除。最后，對去噪前后的腦電數據進行分析計算特征參數BetaRatio，結果表明，去噪后計算得到的BetaRatio較去噪前異常值明顯減少，參數的穩定性有了進一步的提升。