KR20140061079A

KR20140061079A - 생체 신호 잡음 제거 장치 및 그 방법

Info

Publication number: KR20140061079A
Application number: KR1020120128241A
Authority: KR
Inventors: 강원석; 김영덕
Original assignee: 재단법인대구경북과학기술원
Priority date: 2012-11-13
Filing date: 2012-11-13
Publication date: 2014-05-21
Also published as: KR101400316B1

Abstract

생체 신호 잡음 제거 장치 및 그 방법이 개시된다. 이때, 생체 신호 잡음 제거 장치는 무잡음 생체 신호를 입력받아 웨이블릿 훈련을 통해 기저 웨이블릿 함수가 선택되는 빈도를 확률로 나타낸 확률 테이블을 생성하는 웨이블릿 학습부, 그리고 잡음이 포함된 생체 신호를 입력받고, 상기 확률 테이블을 토대로 선택한 최적 웨이블릿 함수를 이용한 웨이블릿 변환 및 웨이블릿 축소를 통해 상기 잡음이 포함된 생체 신호로부터 상기 잡음을 제거하는 잡음 제거부를 포함한다.
이와 같이 본 발명에 따르면, EEG(electroencephalography), EMG(electromyography), ECG(Electrocardiogram), FNIRS(FUNCTIONAL NEAR INFRARED SPECTROSCOPY) 등 다양한 실험 환경등에서 발생할 수 있는 노이즈를 최적으로 줄일 수 있다. 또한, BCI 및 생체 신호 기반 진단 보조 소프트웨어 기술에 있어서 잡음 제거는 필수 요소로 포함되기 때문에 향후 상용화 가능성이 높다.

Description

생체 신호 잡음 제거 장치 및 그 방법{APPARATUS AND METHOD FOR ELIMINATING NOISE OF BIOMEDICAL SIGNAL}

본 발명은 생체 신호 잡음 제거 장치 및 그 방법에 관한 것이다.

BCI(Brain - Computer Interface) 연구 및 병원이나 클리닉 센터에서 인간의 생체 신호를 이용하여 기계제어, 생체 장기 기능의 문제점을 분류하는데 생체 신호 등을 많이 활용한다.

이러한 생체 신호 측정에 있어서 잡음이 없는 신호 측정이 필수이다. 그런데, 전원, 근육, 측정전극, 피시험자 등에 의한 다양한 간섭으로 잡음이 섞인 생체 신호가 측정된다.

종래에 생체 신호에서 잡음을 제거하기 위해서 웨이블릿 필터링, 적응형 웨이블릿 잡음 제거의 기법들이 개발되었다.

종래의 연구들은 기 개발된 웨이블릿 함수를 이용하기보다 특정 웨이블릿 함수들에 대한 최적화 기법을 선택하고 있다. 종래에 웨이블릿 기반 접근법에서는 전체 T 시간 길이의 심전도 신호의 잡음 제거를 위해 Daubechies 등 기저 웨이블릿 하나만 적용하여 심전도 신호의 잡음 제거를 수행하였다.

그러나 분석할 생체 신호에서 특정 시간 구간에 따라 최적의 웨이블릿 함수들이 다를 수 있어 이에 대한 문제점을 해결할 방법이 필요하다.

즉, 분석할 생체 신호의 경우 피시험자의 측정환경, 측정상태 등에 따라 전체 시간 T 동안에 생체 신호의 발생 패턴이 동적으로 변하는 패턴을 보일 수 있다. 이는 특정 시간 구간에 있어서 웨이블릿 변환을 기반으로 한 처리법을 이용할 때 최적의 기저웨이블릿이 다를 수 있다는 의미를 나타낸다.

따라서, 종래의 최적 웨이블릿 기반 심전도 신호의 잡음 제거 기법은 최적의 잡음 제거 결과를 제시할 수 없는 문제점을 가지고 있다.

본 발명이 해결하려는 과제는 효율적인 잡음제거를 위해 전체 생체 신호에서 특정 시간 구간에 따라 최적의 웨이블릿 함수를 선택하여 잡음제거 효율을 높이는 생체 신호 잡음 제거 장치 및 그 방법을 제공하기 위한 것이다.

본 발명의 한 실시예에 따르면, 생체 신호 잡음 제거 장치는 무잡음 생체 신호를 입력받아 웨이블릿 훈련을 통해 기저 웨이블릿 함수가 선택되는 빈도를 확률로 나타낸 확률 테이블을 생성하는 웨이블릿 학습부, 그리고 잡음이 포함된 생체 신호를 입력받고, 상기 확률 테이블을 토대로 선택한 최적 웨이블릿 함수를 이용한 웨이블릿 변환 및 웨이블릿 축소를 통해 상기 잡음이 포함된 생체 신호로부터 상기 잡음을 제거하는 잡음 제거부를 포함한다.

상기 웨이블릿 학습부는,

상기 무잡음 생체 신호에 대한 전체 시간구간을 동적 조각구간으로 세분화한 후, 동적 조각구간마다 기저 웨이블릿 함수들을 적용하여 웨이블릿 변환 및 역변환을 통해 보상된 신호를 출력하고, 상기 보상된 신호와 상기 무잡음 생체 신호 간의 평균 제곱 오차들을 기저 웨이블릿 함수가 선택되는 빈도로 나타낸 후, 상기 빈도를 확률로 변환한 상기 확률 테이블을 생성할 수 있다.

상기 웨이블릿 학습부는,

상기 평균 제곱 오차들로 구성된 행렬을 생성하고, 상기 행렬의 값이 0에 가까울수록 최적 기저 웨이블릿으로 선택될 빈도값을 증가시킬 수 있다.

상기 잡음 제거부는,

상기 잡음이 포함된 생체 신호에 대한 전체 시간구간을 동적 조각구간으로 세분화한 후, 동적 조각구간마다 상기 확률 테이블을 이용하여 선택한 최적의 기저 웨이블릿 함수들을 적용하여 웨이블릿 변환 및 축소, 그리고 웨이블릿 역변환을 수행하여 잡음이 제거된 생체 신호를 출력할 수 있다.

상기 잡음 제거부는,

쓰레스홀딩(thresholding) 기법을 적용하여 웨이블릿 축소를 수행할 수 있다.

상기 확률 테이블은,

엔 그램(n-gram) 테이블을 포함할 수 있다.

본 발명의 다른 특징에 따르면, 생체 신호 잡음 제거 방법은, 생체 신호 잡음 제거 장치의 생체 신호 잡음 제거 방법으로서, 무잡음 생체 신호를 입력받아 웨이블릿 훈련을 통해 기저 웨이블릿 함수가 선택되는 빈도를 확률로 나타낸 확률 테이블을 생성하는 단계, 그리고 상기 확률 테이블을 토대로 선택한 최적 웨이블릿 함수를 이용한 웨이블릿 변환 및 웨이블릿 축소를 통해 잡음이 포함된 생체 신호로부터 상기 잡음을 제거하는 단계를 포함한다.

상기 확률 테이블을 생성하는 단계는,

상기 무잡음 생체 신호를 입력받는 단계, 상기 무잡음 생체 신호에 대한 전체 시간구간을 동적 조각구간으로 세분화하는 단계, 동적 조각구간마다 기저 웨이블릿 함수들을 적용하여 웨이블릿 변환 및 역변환을 수행하는 단계, 역변환 후 보상된 생체 신호와 상기 무잡음 생체 신호 간의 복원 정도를 나타내는 값들로 구성된 평균제곱오차 행렬을 생성하는 단계, 상기 평균제곱오차 행렬을 기저 웨이블릿 함수가 선택되는 빈도 단위의 테이블로 변환하는 단계, 그리고 상기 빈도 단위의 테이블에 포함된 빈도수를 확률 값으로 변환하여 상기 확률 테이블을 생성하는 단계를 포함할 수 있다.

상기 빈도 단위의 테이블로 변환하는 단계는,

상기 복원 정도를 나타내는 값이 최소 값에 표준편차 값을 더한 값보다 작을 경우, 빈도 1을 증가시키는 단계, 그리고 상기 복원 정도를 나타내는 값이 상기 더한 값보다 클 경우, 빈도를 증가시키지 않는 단계를 포함할 수 있다.

상기 잡음을 제거하는 단계는,

잡음이 포함된 생체 신호를 입력받는 단계, 상기 잡음이 포함된 생체 신호에 대한 전체 시간구간을 동적 조각구간으로 세분화하는 단계, 동적 조각구간마다 상기 확률 테이블을 통해 선택한 최적의 기저 웨이블릿 함수들을 적용하여 웨이블릿 변환 및 웨이블릿 축소를 수행하는 단계, 그리고 웨이블릿 변환 및 웨이블릿 축소가 수행된 생체 신호에 역변환 처리를 수행하여 잡음을 제거하는 단계를 포함할 수 있다.

상기 웨이블릿 축소를 수행하는 단계는,

본 발명의 실시예에 따르면, EEG(electroencephalography), EMG(electromyography), ECG(Electrocardiogram), FNIRS(FUNCTIONAL NEAR INFRARED SPECTROSCOPY) 등 다양한 실험 환경등에서 발생할 수 있는 노이즈를 최적으로 줄일 수 있다.

또한, BCI 및 생체 신호 기반 진단 보조 소프트웨어 기술에 있어서 잡음 제거는 필수 요소로 포함되기 때문에 향후 상용화 가능성이 높다.

도 1은 본 발명의 실시예에 따른 생체 신호 잡음 제거 장치의 구성도이다.
도 2는 본 발명의 실시예에 따른 생체 신호 잡음 제거를 위한 학습 방법을 나타낸 순서도이다.
도 3은 본 발명의 실시예에 따른 생체 신호 잡음 제거 방법을 나타낸 순서도이다.

아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

이제, 도면을 참고하여 생체 신호 잡음 제거 장치 및 그 방법에 대하여 설명하기로 한다.

도 1은 본 발명의 실시예에 따른 생체 신호 잡음 제거 장치의 구성도이고, 도 2는 본 발명의 실시예에 따른 생체 신호 잡음 제거를 위한 학습 방법을 나타낸 순서도이며, 도 3은 본 발명의 실시예에 따른 생체 신호 잡음 제거 방법을 나타낸 순서도이다.

먼저, 도 1을 참조하면, 생체 신호 잡음 제거 장치는 웨이블릿(wavelet) 학습부(100) 및 잡음 제거부(200)를 포함한다.

웨이블릿 학습부(100) 및 잡음 제거부(200)는 생체 신호의 잡음 제거를 위해 이산 웨이블릿 변환(Discrete Wavelet Transform, DWT) 기반의 최적 기저웨이블릿 선택 방법을 응용한다.

전체 시간 T 동안 연속적으로 수집된 잡음이 포함된 심전도 신호를 수학식 1과 같이 표현할 수 있다.

여기서, X(T)는 잡음이 포함된 심전도 신호이고 S(T)는 잡음이 포함되지 않은 심전도 신호를 나타내며 E(T)는 잡음 신호를 나타낸다.

웨이블릿 학습부(100) 및 잡음 제거부(200)는 전체 심전도 신호 T를 동적인 조각 단위 N개로 분할하여 각 분할된 구간마다 최적 기저 웨이블릿을 찾는다.

이때, 각 구간마다 구분된 심전도 신호는 수학식 2와 같이 표현할 수 있다.

여기서, k, l는 N개의 단위로 구분될 때 특정 시간 구간을 나타내는 인덱스이다. 그리고 t는 N개로 분할하였을 때 세부 구간에 대한 시간 구간이다.

또한, 전체 시간 T 구간 동안 측정된 심전도 신호가 N개로 분할되었을 때 수학식 3과 같이 표현될 수 있다.

이때, 웨이블릿 학습부(100) 및 잡음 제거부(200)는 각

에서 최적의 기저 웨이블릿 함수를 찾는다.

웨이블릿 학습부(100)는 잡음을 제거하기 위해 생체 신호에 대해 특정 구간별로 최적 기저웨이블릿 함수를 선택하기 위한 웨이블릿 학습을 수행한다. 그리고 잡음 제거부(200)는 웨이블릿 학습부(100)에서 생성된 학습 정보를 토대로 생체 신호의 잡음 제거를 수행한다.

여기서, 웨이블릿 학습부(100)의 동작을 도 2를 참조하여 설명하면 다음과 같다.

도 2를 참조하면, 웨이블릿 학습부(100)는 잡음이 포함되지 않은 무잡음 생체 신호(Noise-free Biomedical Signal)를 입력받는다(S101).

웨이블릿 학습부(100)는 웨이블릿 학습시 생체 신호를 잡음이 포함되지 않은 생체 신호로 한정한다.

웨이블릿 학습부(100)는 S101 단계에서 입력받은 무잡음 생체 신호를 전체 심전도 신호 T 구간에 대해서 동적인 조각 단위 즉 N개의 세부 단위로 세그먼트화(segemented)한다(S103).

웨이블릿 학습부(100)는 S103 단계에서 세그먼트화한 동적인 조각 단위마다 기저 웨이블릿 함수들을 적용하여 웨이블릿 변환(wavelet transform)을 한다(S105).

이때, 웨이블릿 학습부(100)는 이산 웨이블릿 변환(DWT, discrete wavelet transform) 분석이 가능한 기저 웨이블릿 함수들에 대해서 웨이블릿 변환한다.

여기서, 매트랩(MATLAB)에서 DWT 분석이 가능한 기저 웨이블릿 함수들은 Haar, Daubechies, Symlets, Coiflets, Biorthogonal, Reverse biorthogonal, Discrete approximation of Meyer 계열들로 약 50여개 이상 즉 M개가 존재한다.

웨이블릿 학습부(100)는 기저 웨이블릿 함수들에 의해 필터링된 웨이블릿 계수들에 대한 웨이블릿 역변환(Inverse wavelet transform)(S107)을 한 후, 보상된 생체 신호(Reconstructed biomedical signal)를 출력한다(S109).

웨이블릿 학습부(100)는 M×N 개의 수학식 4와 같은 평균제곱오차(Mean Square Error, MSE) 행렬을 표 1과 같이 생성한다(S111).

여기서, M은 DWT 분석이 가능한 기저웨이블릿(Mother wavelet) 개수, N는 T구간을 N개로 분할한 개수이다.

이러한 평균제곱오차는 원 신호와 웨이블릿 변환 후의 복원 정도를 나타내는 값으로 0에 가장 가까운 값이 최적의 기저웨이블릿 함수이다.

S111 단계에서 MxN 매트릭스를 생성하는데, i는 M에 대한 인덱스이다. 즉 1<= i<=M, j는 N에 대한 인덱스이다. 즉 1<=j<=J. i,j는 자연수이다. 그리고

는 무잡음(noise-free) 서브 심전도 신호 구간이다.

에 특정 노이즈가 포함된 신호,즉

에 화이트 가우시안 노이즈(White Gaussian Noise) 등 여러 잡음이 섞인 신호에 대해서

는 M개 중 i번째 기저웨이블릿(mother wavelet)를 적용하여 쓰레스홀딩(thresholding) 기법을 이용하여 잡음 제거 후 IDWT(Inverse DWT)를 수행하여 재복원된 서브 심전도 신호 구간이다.

	1 ~ 360	360 ~ 720	...	21240 ~ 21600
db2	0.001951	0.001758	0.001825	0.002229
db2	0.002042	0.001890	0.001810	0.001830
db4	0.001889	0.001860	0.001692	0.001632
...	0.001951	0.001758	0.001825	0.002229

웨이블릿 학습부(100)는 표 1과 같은 MSE 행렬을 이용하여 빈도 테이블로 변환하여 엔그램(n-gram) 테이블을 생성한다(S113).

여기서, MSE 행렬을 빈도 단위로 변환하는 기준은 수학식 5와 같은 경계(Threshold) 조건을 적용한다.

웨이블릿 학습부(100)는 MSE 행렬을 기반으로 빈도 테이블을 변환하기 위한 조건으로 특정 구간

에 있어서 DWT 변환을 통하여 복원된 신호가 MxN개의 행으로 나타낸다. 그리고 특정 구간

에 적합한 기저 웨이블릿으로 선택하기 위해 M개의 기저 웨이블릿으로 적용된 MSE 값들을 이용하여 최소 값에 표준편차 값을 더한 값보다 작은 경우 빈도 1을 증가시킨다. 그렇지 않으면 특정 구간에 해당되는 기저 웨이블릿함수는 적합하지 않다는 표시로 빈도를 증가시키지 않는다. 이와 같은 방식을 MSE 행렬 요소들 모두에 적용하면 표 2와 같은 값을 구할 수 있다.

	1 ~ 360	360 ~ 720	...	21240 ~ 21600
…	1	1	1	1
db2	1	1	1	1
db3	1	1	1	0
Db4	1	0	1	0

웨이블릿 학습부(100)는 최적 기저웨이블릿 선택을 위해서 표 2의 빈도수를 기반으로 표 3과 같은 엔그램(n-gram) 단위의 확률 값으로 변환을 한다. 표 3은 bi-gram로 변환한 예이다.

…
dmey	0.0206041179
haar - db1	0.0206041179
haar - db2	0.0198587930
…

이상 기술한 것처럼, 웨이블릿 학습부(100)는 수학식 4를 이용하여 표 1과 같은 행렬을 생성한다. 그리고 이러한 행렬을 기반으로 수학식 5를 이용하여 표 2와 같이 빈도 행렬로 변환한다. 그리고 이러한 빈도를 표 3과 같은 엔그램(n-gram) 확률로 변환한 엔그램(n-gram) 테이블을 생성하여 출력한다.

여기서, 빈도를 확률 변환한 테이블의 실시예로 엔그램(n-gram) 테이블이 사용되었으나, 이에 국한되는 것은 아니다. 웨이블릿 학습부(100)는 기저 웨이블릿 함수가 선택되는 빈도를 확률로 나타낸 다양한 확률 테이블을 생성할 수 있다.

한편, 잡음 제거부(200)는 웨이블릿 학습부(100)가 출력한 엔그램(n-gram) 테이블을 탐색하여 전체구간 및 동적 구간에 최적인 웨이블릿 함수를 선택하고, 쓰레스홀딩(thresholding)을 적용하여 잡음을 제거한다. 이때, 역시 잡음 제거부(200)는 엔그램(n-gram) 테이블 이외에 다양한 확률 테이블을 이용하여 잡금을 제거할 수 있다.

그러면, 이러한 잡음 제거부(200)의 동작을 도 3을 참조하여 설명하면 다음과 같다.

도 3을 참조하면, 잡음 제거부(200)는 수학식 1과 같은 잡음이 포함된 생체 신호(Noisy Biomedical Signal)를 입력받는다(S201).

잡음 제거부(200)는 S201 단계에서 입력받은 잡음 생체 신호를 전체 심전도 신호 T 구간에 대해서 동적인 조각 단위 즉 N개의 세부 단위로 수학식 3과 같이 분리한다(S203).

잡음 제거부(200)는 웨이블릿 학습부(100)가 생성한 표 3과 같은 엔그램(n-gram) 테이블을 토대로 최적 웨이블릿 함수를 선택하여 웨이블릿 변환 및 웨이블릿 축소(wavelet shrinkage)를 수행한다(S205).

이때, 웨이블릿 축소는 노이즈 저감을 위한 동작으로서, 도노호(Donoho)가 제안한 웨이블릿 축소 방법인 쓰레스홀딩(thresholding) 기법을 적용할 수 있다.

여기서, 쓰레스홀딩(thresholding) 기법은 소프트 쓰레스홀딩(soft threholding) 기법 및 하드 쓰레스홀딩(hard thresholding) 기법을 포함한다.

잡음 제거부(200)는 웨이블릿 축소가 완료된 N개의 생체 신호에 대해 웨이블릿 역변환 처리를 수행(S207)하여 잡음이 제거된 생체 신호를 출력한다(S209).

이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

Claims

무잡음 생체 신호를 입력받아 웨이블릿 훈련을 통해 기저 웨이블릿 함수가 선택되는 빈도를 확률로 나타낸 확률 테이블을 생성하는 웨이블릿 학습부, 그리고
잡음이 포함된 생체 신호를 입력받고, 상기 확률 테이블을 토대로 선택한 최적 웨이블릿 함수를 이용한 웨이블릿 변환 및 웨이블릿 축소를 통해 상기 잡음이 포함된 생체 신호로부터 상기 잡음을 제거하는 잡음 제거부
를 포함하는 생체 신호 잡음 제거 장치.
제1항에 있어서,
상기 웨이블릿 학습부는,
상기 무잡음 생체 신호에 대한 전체 시간구간을 동적 조각구간으로 세분화한 후, 동적 조각구간마다 기저 웨이블릿 함수들을 적용하여 웨이블릿 변환 및 역변환을 통해 보상된 신호를 출력하고, 상기 보상된 신호와 상기 무잡음 생체 신호 간의 평균 제곱 오차들을 기저 웨이블릿 함수가 선택되는 빈도로 나타낸 후, 상기 빈도를 확률로 변환한 상기 확률 테이블을 생성하는 생체 신호 잡음 제거 장치.
제2항에 있어서,
상기 웨이블릿 학습부는,
상기 평균 제곱 오차들로 구성된 행렬을 생성하고, 상기 행렬의 값이 0에 가까울수록 최적 기저 웨이블릿으로 선택될 빈도값을 증가시키는 생체 신호 잡음 제거 장치.
제2항에 있어서,
상기 잡음 제거부는,
상기 잡음이 포함된 생체 신호에 대한 전체 시간구간을 동적 조각구간으로 세분화한 후, 동적 조각구간마다 상기 확률 테이블을 이용하여 선택한 최적의 기저 웨이블릿 함수들을 적용하여 웨이블릿 변환 및 축소, 그리고 웨이블릿 역변환을 수행하여 잡음이 제거된 생체 신호를 출력하는 생체 신호 잡음 제거 장치.
제4항에 있어서,
상기 잡음 제거부는,
쓰레스홀딩(thresholding) 기법을 적용하여 웨이블릿 축소를 수행하는 생체 신호 잡음 제거 장치.
제1항에 있어서,
상기 확률 테이블은,
엔 그램(n-gram) 테이블을 포함하는 생체 신호 잡음 제거 장치.
생체 신호 잡음 제거 장치의 생체 신호 잡음 제거 방법으로서,
무잡음 생체 신호를 입력받아 웨이블릿 훈련을 통해 기저 웨이블릿 함수가 선택되는 빈도를 확률로 나타낸 확률 테이블을 생성하는 단계, 그리고
상기 확률 테이블을 토대로 선택한 최적 웨이블릿 함수를 이용한 웨이블릿 변환 및 웨이블릿 축소를 통해 잡음이 포함된 생체 신호로부터 상기 잡음을 제거하는 단계
를 포함하는 생체 신호 잡음 제거 방법.
제7항에 있어서,
상기 확률 테이블을 생성하는 단계는,
상기 무잡음 생체 신호를 입력받는 단계,
상기 무잡음 생체 신호에 대한 전체 시간구간을 동적 조각구간으로 세분화하는 단계,
동적 조각구간마다 기저 웨이블릿 함수들을 적용하여 웨이블릿 변환 및 역변환을 수행하는 단계,
역변환 후 보상된 생체 신호와 상기 무잡음 생체 신호 간의 복원 정도를 나타내는 값들로 구성된 평균제곱오차 행렬을 생성하는 단계,
상기 평균제곱오차 행렬을 기저 웨이블릿 함수가 선택되는 빈도 단위의 테이블로 변환하는 단계, 그리고
상기 빈도 단위의 테이블에 포함된 빈도수를 확률 값으로 변환하여 상기 확률 테이블을 생성하는 단계
를 포함하는 생체 신호 잡음 제거 방법.
제8항에 있어서,
상기 빈도 단위의 테이블로 변환하는 단계는,
상기 복원 정도를 나타내는 값이 최소 값에 표준편차 값을 더한 값보다 작을 경우, 빈도 1을 증가시키는 단계, 그리고
상기 복원 정도를 나타내는 값이 상기 더한 값보다 클 경우, 빈도를 증가시키지 않는 단계
를 포함하는 생체 신호 잡음 제거 방법.
제8항에 있어서,
상기 잡음을 제거하는 단계는,
잡음이 포함된 생체 신호를 입력받는 단계,
상기 잡음이 포함된 생체 신호에 대한 전체 시간구간을 동적 조각구간으로 세분화하는 단계,
동적 조각구간마다 상기 확률 테이블을 통해 선택한 최적의 기저 웨이블릿 함수들을 적용하여 웨이블릿 변환 및 웨이블릿 축소를 수행하는 단계, 그리고
웨이블릿 변환 및 웨이블릿 축소가 수행된 생체 신호에 역변환 처리를 수행하여 잡음을 제거하는 단계
를 포함하는 생체 신호 잡음 제거 방법.
제10항에 있어서,
상기 웨이블릿 축소를 수행하는 단계는,
쓰레스홀딩(thresholding) 기법을 적용하여 웨이블릿 축소를 수행하는 생체 신호 잡음 제거 방법.