基于matlab的脑电信号处理

调用noise_reduce.m文件，可以实现脑电信号的小波变换默认阈值去噪处理，原始数据及去噪处理结果对比如下图7所示。

图7 原始信号与小波默认阈值去噪结果图的对比

从原始脑电信号与去噪处理后的效果来看，经去噪处理后的信号高频信号有所减少。 2.5.2

小波变换强制去噪处理

调用wavelet_rec.m文件，绘制小波变换强制去噪处理之后的信号如下图8所示。

图8原始信号与小波强制去噪结果图的对比

该图表示的是除去了低频干扰和高频噪声之后的结果，从与原始信号的对比中可以看出，高频噪声很明显被消除了。但由于考虑到实际情况，16~32Hz子带内极少有β波，大部分为噪声，所以把这个频带内的信号也全部清除了。

3 讨论

基于FFT变换的功率谱估计适用于平稳时间信号分析,计算结果只能反映信号段总体的平均功率分布情况, 不包含信号的任何时域变化信息, 并且谱估计的频率分辨率与所采用的信号长度成正比，即受数据点数目的影响。

基于小波变换的去噪方法，对非平稳信号去噪，要比传统的滤波去噪声得到的效果好，主要是由于传统的滤波器都具有低通性，对需要分析在每个时刻含有不同频率成分的非平稳信号来说，是很难对它进行匹配分析。而小波变换具有多分辨率，且在时频域都具有局部性，因此很适合用来分析非平稳信号。在用小波分析来进行去噪的关键在于阈值的选取，如果阈值选取的太高，会使信号失去太多细节，使信号失真，如果阈值选得太低，又不能达到去噪的目的。

4 结论

本文利用实测的原始脑电信号, 对脑电信号的处理方法与结果进行了一定的分析和评

价, 以期为脑电信号处理及特征提取提供一定的理论参考和分析依据。目前人们也尝试用非线性处理方法、神经网络的方法、时频结合等等现代的方法来处理脑电信号, 相信这些方法会为脑认知以及医学的发展作出贡献[5]。

脑电信号属于非平稳随机信号，小波分析的方法可以直接对信号的某些频率分量进行观察或者提取出有用的特征信号，为脑电信号的测量与分析提供了非常好的前景。

参考文献:

[1] [2] [3] [4] [5]

余学飞.现代医学电子仪器原理与设计[M].广州:华南理工大学出版社,2007.133~134. 张德峰.MATLAB小波分析[M].北京:机械工业出版,2012. 万永革.数字信号处理的MATLAB实现[M].北京:科学出版社,2012.

于兰兰. 基于小波变换的脑电信号去噪处理[J].南昌大学学报(理科版),2007,31:75~77.

谢松云,张振中,杨金孝,张坤.脑电信号的若干处理方法研究与评价[J].计算机仿真,2007,24(2):326~330.