基于改进小波阈值函数的癫痫信号去噪算法
发布时间：2021-02-11 11:47
针对癫痫信号中存在的各类伪差信号,论文构造并采用了一种改进小波阈值函数。通过调整改进阈值函数当中的参数,实现在去除高频信号部分噪声的同时尽量保留信号的细节系数。通过分析癫痫信号的Matlab仿真实验数据,论文所构造阈值函数去噪后信噪比高于21.232而均方根误差均低于3.473。相较于软、硬阈值函数的信噪比至少提高了9%,而均方根误差相应至少降低19%。该算法不仅有效去除癫痫信号中的噪声,而且癫痫信号去噪后的信噪比和均方根误差数据均明显优于软硬阈值函数,验证了信号去噪的有效性。
【文章来源】：计算机与数字工程. 2020,48(10)
【文章页数】：5 页
【部分图文】：
=0.6改进阈值去噪图像表1阈值函数去噪参数
的小波去噪方法，即将高频系数中较小的小波系数置为零，而保留较大的小波系数，常用的方法有硬阈值和软阈值［4~6］。在小波阈值去噪方法中，所构造的阈值函数，对小波系数的阈值量化处理一定程度上它直接决定信号去噪的效果。小波阈值去噪法通常可以分为如下三个基本步骤［7~8］：1）小波分解：选择最佳小波基函数，对含噪信号s（n）做j层小波分解；2）阈值量化：选择合适的阈值准则，量化处理每层高频小波系数；3）信号重构：根据近似系数和量化后的细节系数，重构信号。图1小波阈值去噪基本步骤2.2小波基函数的选择小波系数的本质便是度量小波基函数与原信号相似程度。信号经小波变换后得到的小波系数越大，则表明信号与小波基函数的波形越相似；反之，则相似程度较小［9］。为了尽量凸显癫痫信号分解所得小波系数与噪声信号分解对应的小波系数之间的差异性，应尽量选择与癫痫信号的波形相似程度最好的小波基函数。经过实验对比，db4小波基与癫痫波形相似度极高，因此本文选择db4小波基进行小波变换。2.3分解尺度的选择对癫痫信号进行小波变换时，分解尺度i的选取也极为重要。尺度越大，则噪声和信号也将更明显表现出不同特性，越利分离信号和噪声。但与此同时，随着尺度的增大，信号重构时失真程度也越大，影响了信号去噪的性能［10］。因此，在选择分解尺度的时，要特别注意处理好两者之间的关系。3小波阈值函数Donoho提出了两种阈值函数：软阈值和硬阈值函数，这两种函数在信号去噪中得到了广泛的应用［11］。1）硬阈值函数硬阈值函数是将小波系数的绝对值小于或等于阈值作噪声置零处理，而保留小波系数绝对值大?
2020年第10期计算机与数字工程CHB-MIT头皮脑电数据库，采样频率256Hz分辨率为16位。本文选用了chb04.edf文件，采样频率256Hz，本文选择癫痫信号发生的片段中的1s做仿真，取采样数为256，用db4小波基函数对信号进行4层小波分解，阈值取固定阈值，在不同的分解层次取λj=σ2log(length(dj))∕log(j+1)，其中j为第j层分解层，符合噪声所对应高频小波系数随分解层数增大而减小的特征。对癫痫数据分别进行软硬阈值以及改进阈值去噪处理。图3原始信号图像图4硬阈值去噪图像图5软阈值去噪图像图6k=0.2改进阈值去噪图像图7k=0.4改进阈值去噪图像图8k=0.6改进阈值去噪图像表1阈值函数去噪参数评价指标硬阈值软阈值k=0.2k=0.4k=0.6信噪比19.35717.32221.23222.37823.468均方根误差4.3095.4483.4733.0442.685通过观察Matlab实验仿真图，我们从图中可以明显看出，经过本文所构造的阈值函数去噪处理后的信号，比常规阈值函数方法所处理的癫痫信号更为接近原始信号，更加能反映原始信号的特征信息。为了更加准确地评价去噪性能，通过计算比较去噪后癫痫信号的信噪比以及均方根误差。通过分析比较表1当中的数据，随着k值的增大，本文的阈值函数去躁后的信噪比更大，均方根误差更小，相较于软、硬阈值函数的信噪比至少提高9%，而均方根误差至少降低了19%和4%。因此本阈值函数拥有比软、硬阈值函数更好的去噪效果，适合用于处理癫痫信号。8结语本文主要介绍了小波阈值去噪方法的根本原理及基础步骤，选择合适的小波基函数、小波分解层数和阈值估计规则的选龋然后分?
【参考文献】：
期刊论文
[1]基于小波阈值的激光探测声音信号去噪研究[J]. 王行芳,金施群,侯少阳. 大气与环境光学学报. 2018(05)
[2]基于小波阈值法的激光雷达回波信号去噪研究[J]. 王涛,沈永辉,姚建铨. 激光技术. 2019(01)
[3]基于改进小波阈值函数的医学CT图像降噪[J]. 张元龙,杨鹏. 计算机与数字工程. 2017(11)
[4]基于新阈值函数的小波阈值去噪算法[J]. 王世礼,杨彪. 传感器与微系统. 2017(10)
[5]基于参数阈值函数的小波阈值语音去噪[J]. 张宝,魏连鑫. 信息技术. 2017(08)
[6]基于新阈值函数的小波去噪算法[J]. 张兢,李冠迪,史文进,曾建梅. 微型机与应用. 2016(17)
[7]一种基于改进阈值函数的小波阈值降噪算法[J]. 倪培峰,胡雄. 电子技术应用. 2016(08)
[8]基于改进阈值函数的小波阈值去噪算法[J]. 朱伟华,安伟,尤丽华,吴静静. 计算机系统应用. 2016(06)
[9]基于小波阈值去噪法阈值函数的研究[J]. 刘梦姣. 装备制造技术. 2016(02)
[10]基于改进小波阈值算法的信号去噪[J]. 陈莉明. 激光杂志. 2015(03)
本文编号：3029059
【文章来源】：计算机与数字工程. 2020,48(10)
【文章页数】：5 页
【部分图文】：
=0.6改进阈值去噪图像表1阈值函数去噪参数
的小波去噪方法，即将高频系数中较小的小波系数置为零，而保留较大的小波系数，常用的方法有硬阈值和软阈值［4~6］。在小波阈值去噪方法中，所构造的阈值函数，对小波系数的阈值量化处理一定程度上它直接决定信号去噪的效果。小波阈值去噪法通常可以分为如下三个基本步骤［7~8］：1）小波分解：选择最佳小波基函数，对含噪信号s（n）做j层小波分解；2）阈值量化：选择合适的阈值准则，量化处理每层高频小波系数；3）信号重构：根据近似系数和量化后的细节系数，重构信号。图1小波阈值去噪基本步骤2.2小波基函数的选择小波系数的本质便是度量小波基函数与原信号相似程度。信号经小波变换后得到的小波系数越大，则表明信号与小波基函数的波形越相似；反之，则相似程度较小［9］。为了尽量凸显癫痫信号分解所得小波系数与噪声信号分解对应的小波系数之间的差异性，应尽量选择与癫痫信号的波形相似程度最好的小波基函数。经过实验对比，db4小波基与癫痫波形相似度极高，因此本文选择db4小波基进行小波变换。2.3分解尺度的选择对癫痫信号进行小波变换时，分解尺度i的选取也极为重要。尺度越大，则噪声和信号也将更明显表现出不同特性，越利分离信号和噪声。但与此同时，随着尺度的增大，信号重构时失真程度也越大，影响了信号去噪的性能［10］。因此，在选择分解尺度的时，要特别注意处理好两者之间的关系。3小波阈值函数Donoho提出了两种阈值函数：软阈值和硬阈值函数，这两种函数在信号去噪中得到了广泛的应用［11］。1）硬阈值函数硬阈值函数是将小波系数的绝对值小于或等于阈值作噪声置零处理，而保留小波系数绝对值大?
2020年第10期计算机与数字工程CHB-MIT头皮脑电数据库，采样频率256Hz分辨率为16位。本文选用了chb04.edf文件，采样频率256Hz，本文选择癫痫信号发生的片段中的1s做仿真，取采样数为256，用db4小波基函数对信号进行4层小波分解，阈值取固定阈值，在不同的分解层次取λj=σ2log(length(dj))∕log(j+1)，其中j为第j层分解层，符合噪声所对应高频小波系数随分解层数增大而减小的特征。对癫痫数据分别进行软硬阈值以及改进阈值去噪处理。图3原始信号图像图4硬阈值去噪图像图5软阈值去噪图像图6k=0.2改进阈值去噪图像图7k=0.4改进阈值去噪图像图8k=0.6改进阈值去噪图像表1阈值函数去噪参数评价指标硬阈值软阈值k=0.2k=0.4k=0.6信噪比19.35717.32221.23222.37823.468均方根误差4.3095.4483.4733.0442.685通过观察Matlab实验仿真图，我们从图中可以明显看出，经过本文所构造的阈值函数去噪处理后的信号，比常规阈值函数方法所处理的癫痫信号更为接近原始信号，更加能反映原始信号的特征信息。为了更加准确地评价去噪性能，通过计算比较去噪后癫痫信号的信噪比以及均方根误差。通过分析比较表1当中的数据，随着k值的增大，本文的阈值函数去躁后的信噪比更大，均方根误差更小，相较于软、硬阈值函数的信噪比至少提高9%，而均方根误差至少降低了19%和4%。因此本阈值函数拥有比软、硬阈值函数更好的去噪效果，适合用于处理癫痫信号。8结语本文主要介绍了小波阈值去噪方法的根本原理及基础步骤，选择合适的小波基函数、小波分解层数和阈值估计规则的选龋然后分?
【参考文献】：
期刊论文
[1]基于小波阈值的激光探测声音信号去噪研究[J]. 王行芳,金施群,侯少阳. 大气与环境光学学报. 2018(05)
[2]基于小波阈值法的激光雷达回波信号去噪研究[J]. 王涛,沈永辉,姚建铨. 激光技术. 2019(01)
[3]基于改进小波阈值函数的医学CT图像降噪[J]. 张元龙,杨鹏. 计算机与数字工程. 2017(11)
[4]基于新阈值函数的小波阈值去噪算法[J]. 王世礼,杨彪. 传感器与微系统. 2017(10)
[5]基于参数阈值函数的小波阈值语音去噪[J]. 张宝,魏连鑫. 信息技术. 2017(08)
[6]基于新阈值函数的小波去噪算法[J]. 张兢,李冠迪,史文进,曾建梅. 微型机与应用. 2016(17)
[7]一种基于改进阈值函数的小波阈值降噪算法[J]. 倪培峰,胡雄. 电子技术应用. 2016(08)
[8]基于改进阈值函数的小波阈值去噪算法[J]. 朱伟华,安伟,尤丽华,吴静静. 计算机系统应用. 2016(06)
[9]基于小波阈值去噪法阈值函数的研究[J]. 刘梦姣. 装备制造技术. 2016(02)
[10]基于改进小波阈值算法的信号去噪[J]. 陈莉明. 激光杂志. 2015(03)
本文编号：3029059
本文链接：https://www.wllwen.com/kejilunwen/wltx/3029059.html
