350 rub
Journal Biomedical Radioelectronics №12 for 2009 г.
Article in number:
Wavelet Clearing Electroencephalogram of Artifacts with Adaptation to Their Kind and Dynamics
Keywords: electroencephalogram artifacts wavelet-batch filtration adaptation sound spectral characteristic threshold of discrimination
Authors:
N.T. Abdullayev, O.A. Dyshin, Kh.Z. Samedova
Abstract:
Wavelet-transformation provides localization of prominent features electroencephalographic a signal, detailing it on time and frequency. Wavelet -batch operation non-stationary electroencephalographic signals allows to carry out additional processing of high-frequency components that leads to reception of the balanced tree of wavelet-decomposition. Artifacts electroencephalographic signals are basically high-frequency components. For detailed research of distribution of these handicaps the wavelet -filtration non-stationary electroencephalographic a signal by means of procedure of discrimination of wavelet -factors at some threshold level is used. As the assumption about normal distributions of a handicap in structure of electroencephalographic a signal is not exact the estimation of a threshold of discrimination in case of continuous distribution is based on asymptotic distribution of the greatest value of a handicap of a signal. Parameters of this distribution are convenient for appreciating by means of nonparametric methods. Use of the method based on invariant statistics is offered. Quintile this distribution assesses a threshold of discrimination at the set confidential probability. For performance of a wavelet -filtration on a method of a flexible threshold for each fixed level of the sanction of wavelet-decomposition thresholds of discrimination are calculated. Application of different values of thresholds at wavelet-decomposition allows to adapt for spectral characteristics of noise. It allows to detect change of properties electroencephalographic the signals, caused by influence of artifacts. Thus identification and classification of the artifacts deforming electroencephalographic a signal is possible.
Pages: 47-57
References
  1. Жирмунская Е.А., Лосев В.С. Система описания и классификация электроэнцефалограммы человека. М: Медицина. 1984. 80 с.
  2. Гнездицкий В.В. Обратная задача ЭЭГ и классическая электроэнцефалография (картирование и локализация электрической активности мозга). М: МЕДпресс-информ. 2004. 624 с.
  3. Абдуллаев И.М., Самедова Х.З., Абдуллаев Н.Т.Устранение помех, возникающих при измерении биоэлектрических сигналов // Научные труды АТУ. Фундаментальные науки. 2005. Т. IV (15). № 3. С. 5-8.
  4. Косилина И.И. Применение нового класса весовых функций Кравченко в цифровой обработке сигналов электроэнцефалограмм // Биомедицинские технологии и радиоэлектроника. 2006. № 11. С. 69-72.
  5. Кулаичев А.П. Компьютерная электрофизиология. М: Изд-во МГУ. 2002.
  6. Давыдов А.В. Вейвлетная очистка от шумов и сжатие сигналов. www.Prodav.narod/ru/wavelet/doc.wave07.doc.
  7. Яковлев А.Н. Основы вейвлет-преобразования сигналов. Учебное пособие. М: САЙН-ПРЕСС. 2003. 80 с.
  8. Кавасма Р.А., Кузнецов А.А., Сушкова Л.Т. Автоматизированный анализ и обработка электрокардиографических сигналов. Методы и система / под ред. проф. Л.Т. Сушковой. М: сАЙНС-ПРЕСС. 2006.144 с.
  9. Meyer Y., Coifman R.R., Wickerhauser M.V. Size properties of wavelet packets. In Ruskai et al., editor. Wavelets and their Applications. Jones and Bartlett. 1992.
  10. Меркушева А.В. Фильтрация нестационарного сигнала (речи) в вейвлет-области с адаптацией к виду и динамике шума // Научное приборостроение. 2003. Т. 13. № 2. С. 73-87.
  11. Дышин О.А., Мусаев Г.А., Мусаева С.А.Вейвлет-фильтрация фонограмм с адаптацией к виду и динамике шума // В сб.: Актуальные проблемы судебной экспертизы, криминалистики и криминологии. Баку. 2005. вып. 41. С. 118-130.
  12. Donoho D.L., Johnstone I.M. Ideal spatial Adaption by Wavelet Shrinkage // Biometrika. 1994. V. 81. Р. 425-455.
  13. Жадин М.Н. Биофизические механизмы формирования электроэнцефалограммы. М: Наука. 1984. 196 с.
  14. Гринявичус К.А., Гутман А.М., Иокубаускас И.И. и др. Одномерное распределение ЭКоГ кролика // Журнал высшей нервной деятельности им И.П. Павлова. 1966. Т. 16. С. 726.
  15. Галамбош Я. Асимптотическая теория экстремальных порядковых статистик / пер.с англ. М: Наука. 1984. 303 с.
  16. Чуи К. Введение в вейвлеты / пер.с англ. М: Мир. 2001. 412 с.
  17. Добеши И. Десять лекций по вейвлетам / пер. с англ. Москва - Ижевск: НИЦ «Регулярная и хаотическая динамика». 2004. 463 с.
  18. Новиков Л.В. Спектральный анализ сигналов в базисе вейвлетов // Научное приборостроение. 2000. Т. 10. № 3. С.70-77.
  19. Mallat S.A. A theory for multiscale signal decomposition. The wavelet representation // Trans. Pattern Analysis and Machine Intelligence.1989. July. V.11. Р.674-693.
  20. Coifman R.R., Wickerhauser M.V. Entropybasedalgorithms for best basis selection // IEEE Trans. on Inform.Theory. 1992. V. 38. No. 2. P. 713-718.
  21. Заруцкий И.В., Манойлов В.В. Предварительная очистка масс-спектрометрических сигналов от шумов с помощью вейвлет-фильтров // Научное приборостроение. 2007. Т. 17. № 1. С. 115-120.
  22. Novak R.D., Baraniuk R.G. Wavelet-Domain Filtering for Photon Imaging Systems // IEEE Trans. on Image Processing. 1997. No. 4. Р. 1-23.
  23. Крамер Г. Математические методы статистики / пер.с англ. М.: Мир. 1975. 648 c.
  24. Мордвинов В.Ю. Определение доверительных интервалов показателей надежности машин по центрированным выборкам // Проблемы машиностроения и надежности машин. 1992. № 2. С. 56-64.