腦電信號(hào)EEG（Electroencephalograph）是人體一種基本生理信號(hào)，具有重要的臨床診斷和醫(yī)療價(jià)值。南于腦電信號(hào)自身具有非平穩(wěn)性隨機(jī)的特點(diǎn)，因此，對(duì)其實(shí)時(shí)濾波具有相當(dāng)難度。自從Berger 1929年發(fā)現(xiàn)腦電信號(hào)以來(lái)，人們采用多種數(shù)字信號(hào)處理技術(shù)處理分析腦電信號(hào)，由于傳統(tǒng)的濾波去噪方法所用濾波器一般具有低通特性，因此采用經(jīng)典濾波法對(duì)非平穩(wěn)信號(hào)去噪，降低噪聲，展寬波形，平滑信號(hào)中突變尖峰的成分，但可能損失這些突變點(diǎn)攜帶的重要信息，而傅里葉頻譜分析僅是一種純頻率分析方法，該方法對(duì)時(shí)變的非平穩(wěn)腦電信號(hào)無(wú)效。
　　與傳統(tǒng)的傅里葉變換相比較，小波變換是一種多尺度信號(hào)分析方法，具有良好的時(shí)頻局部化特性，非常適合分析非平穩(wěn)信號(hào)的瞬態(tài)特性和時(shí)變特性，這正是分析 EEG所需要的，EEG中許多病變都是以瞬態(tài)形式表現(xiàn)的。只有結(jié)合時(shí)間和頻率進(jìn)行處理，才能取得更好效果。但小波分解每次只分解上次分解的低頻部分，而不分解高頻部分，所以高頻段分辨率較差。而小波包分解是一種從小波分解延伸出的更細(xì)致的分解和重構(gòu)信號(hào)的方法，它不但分解低頻部分，而且還能二次分解高頻部分，能夠很好地將頻率分辨率調(diào)整到與腦電節(jié)律特性相一致，因此小波包分解具有更好的濾波特性。若將小波包方法引入腦電信號(hào)分析．不僅可以克服傳統(tǒng)腦電分析的不足．還可以改進(jìn)Mallat算法分析實(shí)際腦電中的不足。
　　腦電信號(hào)的數(shù)字處理以往采用通用PC機(jī)或單片機(jī)實(shí)現(xiàn)，存在實(shí)時(shí)性差等缺點(diǎn)。隨之，基于FPGA的小波變換在腦電信號(hào)數(shù)字處理中應(yīng)運(yùn)而生，其實(shí)時(shí)性好。 DSP Builder將Matlab/Simulink設(shè)計(jì)仿真工具的算法開(kāi)發(fā)、模擬和驗(yàn)證功能和Quartus II軟件的HDL綜合、模擬和驗(yàn)證功能相結(jié)合，為小波變換的FPGA提供良好的平臺(tái)。
　　2 一維離散小波（1D-DWT）Mallat改進(jìn)算法
　　多分辨率分析是小波分析的核心理論，其Mallat算法是信號(hào)小波分解和重構(gòu)的常用算法。正交小波的分解和重構(gòu)公式由尺度函數(shù)的尺度方程系數(shù)確定。假設(shè)構(gòu)造正交小波的尺度函數(shù)φ（t）的兩尺度方程為：
　　
　　
　　式中，g（n）=（-1）n-1h（2N-n-1），N為自然數(shù)常數(shù)。