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。據統計，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正常。尤其對臨床診斷困難的非典型癲癇發作、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芯片開發平臺。借助DSP快速數據處理的優點，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；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；Dj為信號f（t）在第j層的細節部分（即高頻部分）的小波系數。
　　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Aj是通過第2j-1尺度（第j-1層）的逼近部分的小波系數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）的細節部分，即高頻部分的小波系數Dj是通過第2j-1尺度（第j-1層）的逼似部分的小波系數與分解濾波器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Aj（在低頻子帶上）和細節部分的小波系數D，（在高頻子帶上）。