1 引 言
癲癇的診斷主要依靠臨床病史，腦電圖檢查可作為一種極有價值的輔助診斷手段。據(jù)統(tǒng)計，80%左右的癲癇病人都具有確定性的腦電異常，而只有5～20%左右的癲癇病人腦電圖表現(xiàn)正常。尤其對臨床診斷困難的非典型癲癇發(fā)作、各種異型癲癇和隱匿型癲癇，腦電圖檢查的重要性更加突出，甚至起著決定性的作用[1]。
腦電(EEG)是超高斯或亞高斯信號，通常都含有噪聲、偽跡和串擾。通常，腦電活動總體上被劃分成4個頻帶成分(β，α，θ和δ等節(jié)律)，這些成分的頻率都很低(在0.5～40 Hz范圍)。而臨床分析表明癲癇患者發(fā)病時以3 Hz棘慢綜合波為多見。換句話說，腦電中有意義的成分基本上都是低頻信號。這意味著，我們可以通過小波分解將混迭在腦電中的高頻成分濾除后再重構，從而濾除噪聲和偽跡。通過研究癲癇病人的腦電信號，有助于藥物選擇、劑量調整和藥物停用的決定，有助于外科手術治療病例的選定，有助于癲癇和其他發(fā)作性疾病的鑒別。
本文選用基于TI公司的TMS320C54X系列的DSP芯片開發(fā)平臺。借助DSP快速數(shù)據(jù)處理的優(yōu)點，對癲癇腦電信號進行小波變換，然后濾除小尺度(高頻)成分，保留大尺寸(低頻)成分，最后再對處理后的信號進行重建。實現(xiàn)流程如圖1所示。
2 離散小波變換算法
離散小波變換的一個突破性成果是S.Mallat于1989年在多分辨分析的基礎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當于快速傅里葉變換(FFT)在傅里葉分析中的作用，他標志著小波分析走上了寬闊的應用領域。Mallat算法又稱為塔式算法，他由小波濾波器 H，G和h，g對信號進行分解和重構[3]。分解算法為：
式中，t為離散時間序列號，t=1，2，…，N;f(t)為原始信號;j為層數(shù)或小波尺度，j=1，2，…，J，J=log2N;H，G
為時域中的小波分解濾波器，實際上是濾波器系數(shù);Aj為信號f(t)在第j層的逼近部分(即低頻成分)的小波系數(shù);Dj為信號f(t)在第j層的細節(jié)部分(即高頻部分)的小波系數(shù)。
式 (1)的含義是：假定所檢測的離散信號f(t)為A。信號，信號f(t)在第2j尺度(第j層)的近似部分，即低頻部分的小波系數(shù)Aj是通過第2j-1尺度(第j-1層)的逼近部分的小波系數(shù)Aj-1與濾波器H卷積，然后將卷積的結果隔點采樣得到的;而信號f(t)在第2j尺度(第j層)的細節(jié)部分，即高頻部分的小波系數(shù)Dj是通過第2j-1尺度(第j-1層)的逼似部分的小波系數(shù)與分解濾波器G卷積，然后將卷積的結果隔點采樣得到的。
通過式(1)的分解，在每一尺度2j上(或第j層上)信號f(t)被分解為近似部分的小波系數(shù)Aj(在低頻子帶上)和細節(jié)部分的小波系數(shù)D，(在高頻子帶上)。
