基于小波的脑电信号处理
脑电波预处理实验结果
脑电波预处理实验结果引言脑电波预处理是一项重要的神经科学研究领域，通过对脑电波信号的处理和分析，可以揭示大脑活动与认知功能之间的关系。
本文将详细探讨脑电波预处理实验结果，包括预处理步骤、方法和实验结果的分析与解释。
一、脑电波预处理步骤1. 数据采集脑电波信号是通过脑电图（EEG）设备采集的。
在实验开始前，参与者需要佩戴脑电图电极，将头皮表面的电位变化转化为电信号。
常用的电极放置系统有国际10-20系统和国际10-10系统。
2. 去噪处理脑电波信号往往伴随着众多噪声源，如呼吸、眨眼、肌肉运动等。
为了准确分析大脑活动特征，我们需要对脑电波信号进行去噪处理。
常用的去噪方法包括均方根去噪（RMS）、小波变换去噪和独立成分分析（ICA）等。
3. 伪迹去除脑电波信号采集过程中，可能会受到来自外部环境的干扰，形成伪迹。
伪迹可以是来自电网频率（如50Hz/60Hz）的干扰，也可以是来自电极接触不良或移动的干扰。
去除伪迹可以提高信号质量。
常用的伪迹去除方法包括滤波器设计、线性回归和伪迹识别技术。
4. 重参考脑电波信号的参考选择对分析结果有着重要影响。
常见的参考有平均参考和零参考。
平均参考是将脑电波信号减去所有电极的平均值，而零参考是将脑电波信号减去一个选定的电极。
5. 时域分析脑电波信号的时域分析旨在研究信号的振幅和频率变化。
通过计算每个时间点上的振幅和频率，可以获得大脑活动的时域特征。
时域分析方法包括计算功率谱密度和时域拓扑图。
6. 频域分析脑电波信号的频域分析可以揭示不同频段上的大脑活动特征。
常用的频域分析方法有傅里叶变换和小波变换。
通过计算功率谱密度和相干性等指标，可以了解大脑在不同频段上的频域特征。
二、脑电波预处理方法1. RMS去噪均方根去噪法是一种常用的去除脑电波信号中的眨眼和咀嚼噪声的方法。
该方法通过计算信号在时间窗口内的均方根值，将超过阈值的部分判断为噪声，并进行去除。
RMS去噪法对于高频噪声的去除效果较好。
生物医学工程中的脑电信号处理方法教程
生物医学工程中的脑电信号处理方法教程脑电信号是人类大脑活动的电生理信号，它能够提供有关大脑功能和认知状态的重要信息。
在生物医学工程领域，脑电信号处理方法的应用广泛，包括脑机接口系统、脑电诊断、脑电图分析等。
本篇文章将介绍生物医学工程中常用的脑电信号处理方法，包括信号预处理、特征提取和分类算法。
首先，脑电信号的预处理是信号处理的首要步骤。
预处理的目的是去除采集过程中的干扰和噪音，提高信号质量。
常用的预处理方法包括滤波、伪迹去除和伪迹剔除。
滤波是将原始信号通过数字滤波器进行频域滤波，以去除高频噪声和低频干扰。
伪迹去除是基于伪迹信号的模型进行伪迹分离和去除。
伪迹剔除是通过去除伪迹信号的方法来剔除伪迹。
这些预处理方法能够提高后续分析和处理的精度和可靠性。
接下来是特征提取，特征提取是从脑电信号中提取具有代表性的特征。
脑电信号具有复杂的时域和频域特征，因此需要选择合适的特征提取方法。
常用的特征提取方法有时域特征、频域特征和时间频域特征。
时域特征是基于脑电信号的波形振幅和时间统计特性进行提取的。
频域特征是基于脑电信号频谱的信息进行提取的，例如功率谱密度和频带能量比。
时间频域特征是基于脑电信号的时频分析结果进行提取的，例如小波变换和短时傅里叶变换。
通过特征提取，可以将原始的脑电信号转化为一组具有代表性的数值特征。
最后是分类算法，分类算法是根据提取的特征将脑电信号进行分类。
常用的分类算法有支持向量机（SVM）、人工神经网络（ANN）和深度学习算法。
SVM是一种监督学习算法，通过构建一个最优的超平面将不同类别的样本划分开来。
ANN是一种模仿人脑神经网络的算法，通过训练和调整网络参数，实现对脑电信号的分类。
深度学习算法是一种新兴的机器学习方法，通过深层神经网络模型对脑电信号进行高效准确的分类。
这些分类算法可以根据提取的特征和标记的类别对脑电信号进行分类和识别。
综上所述，生物医学工程中的脑电信号处理方法教程涵盖了信号预处理、特征提取和分类算法。
论述小波分析及其在信号处理中的应用
论述小波分析及其在信号处理中的应用小波分析是一种数学工具，用于在时域和频域中对信号进行分析。
它可以将信号分解成具有不同频率和时间尺度的小波函数，从而更好地捕捉信号的局部特征和变化。
小波分析在信号处理中有广泛的应用，以下是一些主要的应用领域：1. 信号压缩：小波分析可以提供一种有效的信号压缩方法。
通过对信号进行小波变换并根据重要性剪切或量化小波系数，可以实现高效的信号压缩，同时保留主要的信号特征。
2. 图像处理：小波分析在图像处理中有重要的应用。
通过对图像进行小波变换，可以将其分解成具有不同频率和时间尺度的小波系数，从而实现图像的去噪、边缘检测、纹理分析等。
3. 语音和音频处理：小波分析可以用于语音和音频信号的分析和处理。
通过小波变换，可以提取音频信号的频谱特征，实现音频的降噪、特征提取、语音识别等。
4. 生物医学信号处理：小波分析在生物医学信号处理中有广泛的应用。
例如，通过小波分析可以对脑电图（EEG）和心电图（ECG）等生物医学信号进行时频分析，以实现对心脑信号特征的提取和异常检测。
5. 数据压缩：小波分析在数据压缩中也有应用。
通过对数据进行小波变换，并且根据小波系数的重要性进行压缩，可以实现对大量数据的高效存储和传输。
6. 模式识别：小波分析可以用于模式识别和分类问题。
通过对数据进行小波变换，可以提取重要的特征并进行模式匹配和分类，用于图像识别、人脸识别等应用。
综上所述，小波分析在信号处理中有广泛的应用，可以用于信号压缩、图像处理、语音和音频处理、生物医学信号处理、数据压缩和模式识别等领域。
它提供了一种强大的工具，用于捕捉信号的局部特征和变化，从而推动了许多相关学科的发展。
脑电信号的分析与处理
脑电信号的分析与处理脑电信号是指在人体脑部产生的电信号，其频率通常处于1-100Hz的范围内。
脑电信号可以反映人类的认知和情感状况，因此在神经科学、医学和心理学等领域有着广泛的应用。
本文将介绍脑电信号的分析与处理方法。
一、脑电信号的采集脑电信号的采集需要使用脑电图仪。
脑电图仪通过电极将脑电信号采集下来，然后将信号数字化进行储存和分析。
脑电图的电极需要放置在头皮上，此过程需要专业人员进行操作，以确保采集到真实可靠的脑电信号。
二、脑电信号的处理脑电信号采集后，需要进行去噪和滤波处理，在[1, 45]Hz范围内使用带通滤波器去除不必要的信号。
除此之外，由于噪声打乱了脑电信号的结构，使得脑电信号无法被恰当地分析和解释。
因此，使用信号处理技术去除采集过程中产生的噪声非常重要。
一般的去噪方法包括小波去噪、谱减法和滑动平均等。
三、脑电信号的特征提取分析脑电信号的一般方法是提取其时间和频率特征。
脑电信号的时间特征包括幅值、频率、相位、斜率和波形等，而频率特征则包括频域特征和时频域特征。
通过提取脑电信号的特征，可以获得有关脑电信号活动的更为详细的信息，从而在医学和心理学等领域中得到广泛应用。
例如，可以通过分析脑电信号活动来确定患者是否处于睡眠状态，以及其睡眠质量和睡眠障碍的类型、程度和原因等。
四、脑电信号的分类和识别脑电信号分类和识别是脑电信号分析的另一重要方向。
其主要目标是根据脑电信号的不同特征及其变化，对不同类别的脑电信号进行识别和分类。
这一方向在神经科学研究、人机交互和脑机接口等领域中应用广泛。
例如，可以利用脑电信号分析技术，开发控制外骨骼和假肢等的脑机接口，从而帮助残疾人重获运动能力。
五、脑电信号的研究进展和展望随着技术的不断发展和应用领域的不断拓展，脑电信号分析和处理的研究取得了越来越大的进展。
例如，在深度学习、人工智能和机器学习等方向上的应用，大大提高了脑电信号识别和分类的精度和效率。
同时，随着脑电信号采集技术、数据采集和分析软件的发展，未来脑电信号的分析和处理将会更加精确和高效。
脑部电信号处理方法介绍
脑部电信号处理方法介绍脑部电信号处理方法是神经科学与计算机科学领域中的交叉研究领域，旨在对脑电信号进行分析和解读。
随着脑科学的不断发展和技术的进步，人们对于脑部电信号的研究越来越深入，这为我们深入了解人类大脑的运作机制提供了重要的途径。
脑部电信号是大脑神经元活动产生的电流和电压传播形成的电信号。
这些电信号包含了丰富的信息，通过对其进行处理和分析，可以揭示出人类思维、意识和行为的生理基础。
脑部电信号处理方法有多种，下面将介绍几种常见的方法：1. 事件相关电位 (ERP) 分析：ERP是一种通过在特定刺激下记录脑电图来测量对刺激的反应的方法。
通过对大量的重复试验进行平均处理，可以消除大脑其他电信号的干扰，从而更好地捕捉到与特定刺激有关的电位变化。
ERP分析可以用于研究大脑对于感知、认知和行为的时间序列响应。
2. 时频分析：时频分析是一种将时间和频率结合起来研究脑电信号的方法。
传统的时频分析方法主要是通过对脑电信号进行傅里叶变换得到频域信息，然后通过时域滑动窗口得到时间信息。
最近，一些基于小波变换的新方法也被引入到脑电信号的时频分析中。
时频分析的结果可以帮助我们研究不同频率和时间段上的脑电信号特征，从而更好地理解大脑的动态活动。
3. 时空分析：时空分析是一种用于研究脑电信号空间分布和时间变化的方法。
通过在头皮上放置多个电极，可以记录到来自不同脑区的电信号。
经过合适的信号处理和分析，我们可以了解到脑电信号在不同脑区之间的时空动态变化。
时空分析方法广泛应用于研究大脑的功能连通性、网络协同和信息传输。
4. 机器学习方法：随着机器学习的发展，它在脑部电信号处理中的应用也越来越重要。
机器学习方法可以通过训练模型来自动识别和分类不同类型的脑电信号，从而帮助我们进行脑功能鉴定和疾病诊断。
一些常见的机器学习方法包括支持向量机 (SVM)、人工神经网络 (ANN) 和深度学习等。
总之，脑部电信号处理方法是神经科学领域中重要的研究方向，它通过对脑电信号的采集、处理和分析，为我们了解大脑的运作机制提供了宝贵的信息。
eeg信号连续小波变换
eeg信号连续小波变换1.引言1.1 概述近年来，脑电图（Electroencephalogram, EEG）信号处理成为了神经科学和临床医学领域中一个非常重要的研究方向。
EEG信号是通过电极贴附在头皮表面采集到的一种测量脑电活动的方法。
随着技术的不断进步和对大脑运行机制的深入了解，人们对EEG信号的研究也越来越深入。
在过去的几十年里，许多传统的信号处理方法被应用于EEG信号的分析和处理，如傅里叶变换、时频分析等。
然而，这些传统方法在处理EEG 信号中存在一些局限性。
EEG信号具有多尺度和非平稳的特点，而传统的方法往往无法很好地捕捉到这些特点，导致分析结果的准确性和可靠性有限。
为了克服这些问题，连续小波变换（Continuous Wavelet Transform, CWT）作为一种新的信号分析方法被引入到EEG信号处理中。
连续小波变换能够对信号进行多尺度分析，并在时频域上提供更详细的信息。
它通过将信号与一组不同尺度和位置的小波函数进行内积运算，得到不同尺度下的时频图谱。
这种方法在EEG信号的分析和处理中具有很大的潜力。
本文将首先介绍EEG信号的基本概念和特点，包括其生成机制、主要频率带以及常见的形态特征。
然后，我们将详细解释连续小波变换的原理和方法，并探讨其在EEG信号处理中的应用。
最后，我们将总结连续小波变换在EEG信号处理中的优势和局限性，并展望未来的发展方向和挑战。
通过本文的研究，我们希望能够进一步推动连续小波变换在EEG信号处理中的应用，并为相关领域的研究人员提供一些参考和借鉴。
同时，我们也希望引起更多关于EEG信号处理方法的探讨，以提升对大脑活动的认识和理解。
1.2 文章结构文章结构部分(content of section 1.2):文章结构是指文章从头到尾的组织结构和安排。
一个良好的文章结构能够使读者更好地理解文章的内容和主题，并能够清晰地传达作者的意图。
本文主要分为三个部分，分别是引言、正文和结论。
基于小波变换的脑电信号特征提取讲解
（3）克服第三个不足：通过与加窗傅立叶变换的“时间—频率窗”的相似分 析，可得到小波变换的“时间—频率窗”的笛卡儿积。小波变换的“时间--频率
morlet---a=1 1
0
0
-1
-1
0
2
4
6
8
-10 -5
0
5 10
sin(2t)---a=1/2 1
morlet---a=1/2 1
0
0
-1
-1
0
2
4
6
8
-10 -5
0
5 10
sin(4t)---a=1/4 1
morlet---a=1/4 1
0
0
-1
-1
0
2
4
6
8
-10 -5
0
5 10
时间 t
23 重庆邮电大学
三、基于小波变换的EEG特征提取
L
x n AL Dj j 1
式中，L为分解层数，AL为低通逼近分量，Dj为不同尺度下的细节分量。设信 号x (n)的采样频率为fs，则（2）式中的AL、DL、DL-1、…、D1各分量所对应的子 频带依次为
0,
fs 2 L 1
A x(t) 2 x(t), m,n (t) 2 B x(t) 2
m,n
x(t) Cm,n m,n (t) nZ
A, B R
22
重庆邮电大学
三、基于小波变换的EEG特征提取
人在想象单侧手运动时，其对侧相应初级感觉运动皮层区的脑电μ 节律 （8~12Hz）和β 节律（14~30Hz）节律幅值降低，这种现象称为事件相关去同 步（event-related desynchronization, ERD）；而同侧脑电μ 节律和β 节律 幅度升高，称为事件相关同步（event—related synchronization，ERS）。 根据这一特征，可使用μ 节律和β 节律来分析左右手运动想象脑电信号。而小 波变换能把信号的整个频带划分为多个子频带，因此可使用小波变换来分析左 右运动想象脑电信号。为了减少特征向量的维数，本次仅分析β 节律。
基于小波变换的脑电信号特征提取及分类
（ 大连 交通大学 电气信息学院 ， 宁 大连 １６ ２ ） 辽 １０ ８ 摘 要： 在脑机接 Ｅ中 ， 于小 波变换法和 Ａ ｌ 基 Ｒ模 型法 结合线性判别 准则对 两类思维 任务进行 特征提取
及分类 ， 出以小 波系数均值经 Ｋ—Ｌ变换作为特 征 ， Ｆｓｅ 判别 准则进行分 类． 提 用 ｉ ｒ ｈ 结果表 明 ， 这种方 法
关 ， 频率 一般 在 ２Ｈ 其 ｚ以下．
数的模值越大 ， 信号同小波的相关性也越大 ， 小波
变换 系 数 的能量 分 布也 就 越 集 中 ， 类 效 果 也 越 分 好． 并且 小 波分 析 是 将 时 域 和 频 域结 合 起 来 的时 频 分 析方 法 ， 生 物 医学 信 号处 理 方 面 有 广 阔的 在
Ｊ ＵＲＮＡＬ ＯＦ ＤＡＬ ＡＮ ＪＡＯＴ Ｏ Ｉ Ｉ ＯＮＧ ＵＮＩ ＶＥＲＳＴ ＩＹ
Ｆ ｂ２ ０ ｅ． ０９
文 章 编 号 ：６３ ９ ９ （０ ９ ０ — ０ ９ ０ １７ — ５ ０ ２０ １ ０６ — ４ Ｊ
基 于小 波 变 换 的脑 电信 号特 征 提 取 及 分 类
设 是基 本 小波 ， 信号 ｆ ∈ Ｌ 则 的连 续 小 波
变 换 （ ＷＴ 定 义 为 Ｃ ）
收 稿 日期 ：０ ８０ —７ ２ ０ —９ １
基金项 目： 国家 自然科学基金 资助 项 目（ ０ ０ ７ ，０ ７ ０ １ ３５ ４ ５ ６ ３ ２８ ）
作者简介 ： 琴 （９ ４一） 女 ， 士研究 生 ， 余 １８ ， 硕 从事脑 机接 Ｉ方面 的研究 Ｚ ｌ
应 用 前景 ．
目前 ， 皮层 慢 电位 进 行 特 征 提 取 主 要 集 中 对 在： 单一 类信 息法 ， 种方 法 简单 ， 信 息单 一 ， 这 但 识 别率 不 高 ， 统时 一频 特 征结 合 法 、 Ｒ模 型 参 数 传 Ａ 法 ， 类方 法 以 Ａ 该 Ｒ模 型 的参数 作 为特 征 、 波 变 小
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于小波分析的脑电信号处理董盟盟，仲轶，徐洁，戴体俊，刘功俭（徐州医学院麻醉学院，江苏徐州221004）摘要：为去除脑电信号采集过程中存在的噪声信号，提出了基于小波阈值去噪的脑电信号去噪。
以小波阈值降噪为基础，首先利用db4小波对脑电信号进行5尺度分解，然后采用软、硬阈值与小波重构的算法进行去噪。
通过对MIT 脑电数据库中的脑电信号进行仿真，结果表明，采用软阈值方法有效去除了噪声，提高了脑电信号的信噪比。
关键词：脑电信号；小波阈值去噪；阈值函数；信噪比中图分类号：TP391.9文献标识码：A文章编号：1674－6236（2012）24-0059-03Analysis of EEG signals based on wavelet threshold de -noisingDONG Meng -meng ，ZHONG Yi ，XU Jie ，DAI Ti -jun ，LIU Gong -jian（School of Anesthesia ，Xuzhou Medical College ，Xuzhou 221004，China ）Abstract:To remove the noise signal existing in the course of EEG signal data collecting ，we proposed a method based on wavelet shrinkage to denoising EEG signal.First ，the EEG signal was decomposed through the db4wavelet ，secondly ，the denoising of soft and hard thresholding and the wavelet reconstruction algorithm were used to remove the main noise.The MIT EEG database was used ，which prove that the de -noising method adopting the soft thresholding could remove the noise effectively ，and increase the SNR of EEG signal.Key words:EEG signal ；wavelet shrinkage ；thresholding function ；SNR收稿日期：2012-08-28稿件编号：201208155基金项目：国家自然科学基金（30872432）；江苏省2011年大学生实践创新训练计划（1009）作者简介：董盟盟（1989—），男，江苏徐州人。
研究方向：麻醉深度监测。
麻醉深度监测是临床麻醉中极为重要的问题，关系到手术成败、病人安危。
由于脑电是皮质锥体细胞顶树突产生的树突电位与突触后电位的总和，能直接反映出中枢神经系统的活动，因此脑电检测分析是确定麻醉深度的最佳方法[1]。
但是，在实验中提取到的脑电信号非常微弱（μV 级），极易受到各种噪声干扰，主要有工频干扰、肌电干扰、心电伪迹等，对脑电信号的后续分析和处理很不利，因此，脑电信号消噪成为一个必要且关键的步骤。
目前，针对各个具体问题，常用自适应滤波、独立量分析、主成分分析等方法进行脑电信号的去噪[2-3]，小波分析理论是近年发展起来的一门新理论，它可以对信号在时频两域进行分析，很适合探测信号的瞬时状态，对微弱生命信号可以进行有效去噪和提取[4]。
文中在matlab 平台上将小波变换应用于脑电信号的预处理降噪，取得较好的效果，为下一步脑电信号特征提取提供了基础。
1非线性小波变换阈值法非线性小波变换阈值法[5]也称为“小波收缩”（waveletshrinkage ），就是按照一定的预设阈值压缩信号的小波变化系数，然后用被压缩后的系数重构以达到降噪的目的。
目前应用最广泛的是Donoho 提出的硬阈值和软阈值降噪方法。
因为在小波域中，信号的能量相对集中在某几个位置上，而噪声的分布一般比较广，根据瞬时性的特点，信号表现为一些大的系数，而一些小的系数则更多的是由噪声和信号能量的突变所产生的，所以小波阈值去噪主要是利用了有效信号和噪声信号在小波变换下奇异性截然不同的表现特征来去除噪声，保留有效信号。
脑电信号的主要频率成分在30Hz 以下，而工频干扰为50Hz ，肌电干扰噪声在5~2000Hz ，所以相对于EEG 信号来说，肌电等信号是一种高频干扰。
所以先通过小波分析多分辨率分析方法将显现于小波分解小尺度上的高频干扰直接去除，实现对高频干扰的滤除，然后通过阈值法将与脑电信号频带重叠部分的干扰消除。
然后对处理过后的小波系数进行小波重构后得到EEG 波形图象。
主要步骤如下：1）计算含噪声信号的正交小波变换。
选择合适的小波和小波分解层数j ，将含噪信号进行小波分解至j 层，得到相应的小波分解系数。
2）对分解得到的小波系数进行阈值处理，其阈值的处理方法有2种：硬阈值法s=x |x |＞t 0|x |≤t ≤软阈值法s=sgn （x ）（|x |-t ）|x |＞t|x |≤t≤其中s 表示阈值处理后的信号，t 表示阈值。
3）进行小波逆变换。
将经阈值处理过的小波系数进行重电子设计工程Electronic Design Engineering第20卷Vol.20第24期No.242012年12月Dec.2012－59－《电子设计工程》2012年第24期构，得到恢复的原始信号估计值。
小波阈值去噪方法的关键在于小波基的选择和阈值的选取。
1.1小波基的选取小波分析的基有很多种，在进行降噪时，选择的标准通常从以下几个方面考虑[6]：1）自相似原则，如果选取的小波对信号有一定的相似性，则变换后的能量就会比较集中；2）支撑长度，对于信号的局部分析，要求小波函数在时域上具有紧支撑；3）对称性，在图像处理中避免相移意义重大；4）正则性，对于信号或图像的重构获得平滑效果十分有用。
根据以上4个标准及脑电信号的具体特征，作者通过反复的滤波效果对比，选择db4小波。
1.2分解层次的选择选择适当的分解水平，也是获得最佳低频分量的关键。
为此，通过对比使用同一小波基函数在不同尺度下的逼近信号及重构效果，文中采用5层分解。
1.3阈值选择Matlab中可选择的软阈值规则一共有4种[7]：1）固定阈值（sqtwolog）：阈值λ=2ln（M），M为信号的长度。
2）基于史坦（Stein）的无偏似然估计原理（SURE）的自适应阈值选择（rigrsure）：对一个给定的阈值t，得到它的似然估计，再将非似然t最小化，就得到了所选的阈值。
3）启发式阈值（heursure）：是前两种阈值的综合，是最优预测变量阈值选择。
4）极大极小阈值（minimaxi）：采用的也是一种固定的阈值，它产生一个最小均方误差的极值，而不是无误差。
在统计学上，这种极值原理用于设计估计器。
因为被消噪的信号可以看作与未知回归函数的估计式相似，这种极值估计器可以在一个给定的函数集中实现最大均方误差最小化。
当含噪声信号的高频信息有很少一部分在噪声范围内时，Minimaxi和SURE这两种阈值非常有用，可以将微弱的信号提取出来；而sqtwolog和heusure规则去噪比较完全，在去噪时显得更为有效，但是很容易把有用的高频信号误认为噪声而去除掉。
本文选取Minimaxi阈值法。
2实验仿真利用非线性小波变换阈值法对一段含噪的脑电信号进行处理，该信号取自美国麻省理工学院脑电标准数据库MIT—BIH，如图1所示，采样频率为250Hz。
从图中可以看出，该信号不够平滑，含有明显的高频噪声，这将直接影响波形特征的提取。
根据第1节的分析对这段信号进行处理。
首先，通过实验仿真，选取db4小波进行5层分解，分解后的低频细节图如图2所示，从图中可看出，有用的脑电信号都集中在1~3层。
将5层以上的高频系数直接置0后再分别用这硬、软阈值方法对图1的信号进行处理，去噪后的信号分别如图3、4所示。
由上面的仿真结果可见：硬阈值由于阈值函数不连续性会引起较大的方差，且不稳定，对数据小的变化比较灵敏。
而用软阈值法去噪后得到的信号光滑性较好，可得较好的脑电重构信号，便于提取脑电信号的特征。
其他条件相同的条件下，采用硬阈值、软阈值方法对脑电信号去噪之后的SNR和RMSE如表1所示。
图3硬阈值处理结果Fig.3De-noising result of hard threshold图1含噪声的脑电信号Fig.1EEG signal with noise图2脑电信号分解后的低频细节图Fig.2Low-frequency details of EEG signal图4软阈值处理结果Fig.4De-noising result of softthreshold－60－误会被分别插入到倒序滤波寄存器与组合逻辑、层叠滤波寄存器与组合逻辑、检错与纠错逻辑之中。
每个活动模拟1000个软错误，在所有的活动中，保护系统的最大输出差错均小于0.09。
一次活动的运行会在所有的电路组件中任意地插入差错，然后此活动再模拟1000个软错误。
在纠错后的系统整体输出误码如图6所示，此时系统保护输出的最大差错为0.066。
活动的结果验证了所提出的技术在面对独立的单个软错误时的系统保护的有效性。
4结束语文中提出了一种在误码方面对FIR 滤波器进行保护的有效技术。
该技术包括标准滤波器的两个执行部分，具有不同结构的2个执行部分，进行并行的操作。
由于每种结构输出的错误模式不同，所以设计差异性的使用可实现错误纠正。
通过观察滤波器输出的失配模式，就可以识别出发生差错的模块，同时选择另一个模块的输出作为整体的输出，从而实现纠错。
因为其采用不同架构的滤波模块，增强了传统滤波器对差错检测和差错纠正的支持[6]。
对于该技术的限制，给出了简单的理论分析，通过具体实现给出了滤波器的性能指标，以及滤波器保护方面的有效性。
对于该技术所能实现的系统可靠性方面的更完整的理论分析和评估是未来研究的一个方向。
参考文献：[1]Lee J S.CDMA Systems engineering handbook [M]．J.S.Lee Associates ，1998.[2]Simon Haykin.信号与系统[M]．北京：电子工业出版社，2004.[3]韩利竹.MATLAB 电子仿真与应用[M]．北京：国防工业出版社，2003.[4]丁玉美，高西全．数字信号处理[M]．西安：西安电子科技大学出版社，2001．[5]侯伯亨，顾新.VHDL 硬件描述语言与数字逻辑电路设计[M].西安:西安电子科技大学出版社，2002.[6]吴镇扬.数字信号处理原理与实现[M]．南京：东南大学出版社，2001.由表1可以看出，采用软阈值去噪后信噪比比硬阈值法提高了，同时，均方根误差降低了，这样就便于下一步对脑电信号特征值的提取。