空间ICA在fMRI数据上的应用与分析

独立成分分析(ICA)技术试图将多维数据分解成若干个相互统计独立的分量。时间ICA和空间ICA都可以用于分析功能核磁共振成像(fMRI)数据。但由于fMRI数据空间维数远远大于时间维数，为计算方便，在分析fMRI数据时。则更多的使用空间ICA方法。本文在单任务激励实验中，利用ICA方法从fMRI数据中分离出若干个与任务相关的独立分量，其中包括与任务相关的恒定分量(CTR)和与任务相关的暂态分量(TTR)；通过将这些独立分量进行空间映射，得到了与任务相关的脑部激活区域。将此结果与SPM的分析比较，得到了一致的结果。在对结果的分析中，我们进一步指出了ICA方法的特点和局限性。     

独立分量分析在功能磁共振成像信号功能活动区检测中的应用

主要讨论独立分量分析(ICA)在功能磁共振成像(fMRI)信号功能区检测中的应用。fMRI利用血氧水平依赖(BOLD)效应成像，根据大脑神经元兴奋后局部血氧饱和度增高的原理间接显示神经元活动。假设fMRI信号中包含反映血氧饱和度事件相关的信号、生理噪声和仪器产生的随机噪声等独立分量，首先对fMRI信号进行去噪、配准等预处理，然后利用fastlCA算法对独立分量进行分离，有效抑制噪声对功能区检测的影响，利用相关原理检测出fMRI信号的功能活动区。     

基于独立分量分析的诱发电位信号噪声分离方法

诱发电位(EP)信号的检测与分析技术是临床医学诊断神经系统损伤及病变的重要手段之一。但是，从人体体表所得到的EP信号含有大量的噪声，最典型的噪声是人体自发产生的脑电图信号(EEG)。因此，为利用EP信号诊断神经系统的损伤和病变，需要从混合信号中去除EEG等噪声。独立分量分析(ICA)是一种新近发展起来的统计信号处理方法。本文把ICA方法应用于EP信号的噪声消除，并与传统的自适应滤波方法进行了比较。计算机模拟表明，采用ICA方法进行信号噪声分离的结果明显优于自适应滤波方法。     

独立成分分析在生物医学信号处理中的应用

独立成分分析(independent component analysis，ICA)已经成功地应用到生物医学信号处理中，并被证明是一种分析生物医学信号的强有力的工具，近年来一直受到国内外学的广泛关注。本系统地介绍了独立成分分析在生物医学信号(EEG，MEG，fMRI)处理中的应用，分析了其应用方法，最后简要地探讨了独立成分分析应用到生物医学信号中的优势及存在的一些不足。     

独立成分分析在生物医学信号处理中的应用

独立成分分析(independentcomponentanalysis熏ICA)已经成功地应用到生物医学信号处理中,并被证明是一种分析生物医学信号的强有力的工具,近年来一直受到国内外学者的广泛关注。本文系统地介绍了独立成分分析在生物医学信号(EEG,MEG,fMRI)处理中的应用,分析了其应用方法,最后简要地探讨了独立成分分析应用到生物医学信号中的优势及存在的一些不足。     

独立成分分析及其应用的研究进展

独立成分分析(ICA)是一项把混合信号分解成具有统计独立性成分的新技术。ICA近年已在生物医学和雷达等领域的信号分离中展示了很好的应用前景。我们比较系统地介绍了ICA的基本原理、主要算法、应用和将来ICA研究的发展方向，旨在进一步推动有关的理论与应用研究工作。     

新的独立成分分析算法结合主成分分析实现fMRI信号的盲分离

用ICA算法来实现fMRI信号的盲源分离,可以提取出产生fMRI信号的多种源信号。但是在处理过程中存在两个困难:(1)fMRI数据的规模比较大,计算耗时;(2)计算量太大难免产生误差,给结果的分析带来不便。所以我们考虑对数据进行降维,但是如何确定源信号的个数也是一个难题。我们利用信息论的方法来估计源信号的个数,再使用主成分分析对数据进行降维。通过这样的处理,有效地确定了源信号的个数,减少了计算量。然后将一种新的ICA算法(New fixed-point,NewFP)用于处理降维后的数据。最后通过对实际的fMRI信号进行处理,结果表明新算法可以快速有效的分离fMRI信号,且准确性优于FastICA算法。     

基于ICA的重叠语音基频提取和语音增强

语音信号是一种特征时变信号,基音频率提取和语音增强是两种常见语音处理要求,独立分量分析（ICA）是一种盲信号处理方法,目的 在于将混合在观察信号中的相互独立的源信号分离出来,ICA在很多领域都有广泛的应用,在语音信号上最为成功,本文将ICA用来撮重叠语音信号中的基音频率,提出了一个基于ICA的混叠语音基频提取系统,成功地解决了基频相互接近时无法提取混合信号基频的问题,并将它应用到有音乐背景下的语音增强方面,均取得了较好的结果。     

基于独立分量分析的脑电噪声消除

作为一种新的多元统计处理方法，独立分量分析(ICA)是解决盲源分离(BSS)问题的一个有效手段。在简要分析ICA理论及其算法的基础上，提出将其应用到脑电中的眼电伪迹的去除任务。实际采集的生理信号大多由相互独立的成分线性迭加而成，符合ICA要求源信号统计独立的基本假设。与传统方法相比，ICA这种空间滤波器不受信号频谱混迭的限制，消噪的同时能对有用信号的细节成分做到很好的保留，很大程度上弥补了时频域方法的不足。此外解混矩阵的逆可以用来反映独立源的空间分布模式，具有重要的生理意义。     

基于独立成分分析的时间自相关方法在功能磁共振激活区自适应提取中的应用

传统基于ICA的激活区检测手段是将分离后的独立成分与参考信号做相关性分析。实际问题中,不同区域的脑血流动力学响应情况不同,因此往往得不到标准的参考信号。针对此类问题,提出时间自相关方法(TSC)与ICA方法结合,在不需要参考信号的情况下,通过检测体素点各周期的时间序列相关性,对fMRI数据进行激活区提取。应用5 邻域ICA方法对fMRI数据逐点处理,然后应用时间自相关算法检测各时间序列周期间的相关性,选择最大的自相关系数作为该体素点的信号值。再通过Z变换将相关系数分布转换为服从N(0,1)的Z分布,提取出具有显著性差异（a=0.05）的激活区。将自相关算法应用于仿真数据和12组双手握拳运动的真实fMRI数据的处理,结果表明该方法能够准确提取出仿真数据中的激活区。对真实数据的处理,该方法在空间准确性上与GLM方法无显著性差别(0.4653±0.1368 vs 0.4905±0.1341),在时间准确性上显著优于GLM方法 (0.6364±0.0111 vs 0.3692±0.0109),具有良好的脑功能激活区检测及空间定位能力。     

Analysis of fMRI data by blind separation of data in a tiny spatial domain into independent temporal component

Independent Component Analysis (ICA) is a promising tool for the analysis of functional magnetic resonance imaging (fMRI) time series. In these studies, mostly assumed is a spatially independent component map of fMRI data (spatial ICA). In this paper, we assume that the temporal courses of the signal and noises are independent within a Tiny spatial domain (temporal ICA). Then with fast-ICA algorithm, spatially neighboring fMRI data were blindly separated into several temporal courses and were preassumed to be formed by a signal time course and several noise time courses where the signal has the largest correlation coefficient with the reference signal. The final functional imaging was completed for the signals obtained from each voxel. Simulations showed that compared with the spatial ICA method, the new temporal ICA method is more effective than the spatial ICA in detecting weak signal in a fMRI dataset. As background noise, the simulations include simulated Gaussian noise and fMRI data without stimulation. Finally, vivo fMRI tests showed that the excited areas evoked by a visual stimuli are mainly in the region of the primary visual cortex and that evoked by auditory stimuli are mainly in the region of the primary temporal cortex.     

An Improved Fixed-point Algorithm for Independent Component Analysis of Functional MRI Data

The fixed-point algorithm and infomax algorithm are two of the most popular algorithms in independent component analysis （ICA）. However, it is hard to take both stability and speed into consideration in processing functional magnetic resonance imaging （fMRI） data. In this paper, an optimization model for ICA is presented and an improved fixed-point algorithm based on the model is proposed. In the new algorithms a small step size is added to increase the stability. In order to accelerate the convergence, an improvement on Newton method is made, which makes cubic convergence for the new algorithm. Applying the algorithm and two other algorithms to invivo fMRI data, the results show that the new algorithm separates independent components stably, which has faster convergence speed and less computation than the other two algorithms. The algorithm has obvious advantage in processing fMRI signal with huge data.     

一种基于独立成分分析的功能磁共振数据处理方法

独立成分分析（ICA）是统计信号处理中的一项新技术，用来从混合信号的多维观测中提取具有统计独立性的成分。我们针对功能磁共振数据处理，采用先对相邻的两体元信号作ICA分离，然后与参考信号进行相关，把相关系数大于一定阈值的体元作为刺激引起兴奋的体元，从而实现刺激的功能定位。经实际脑功能磁共振数据试验，初步证明了方法的有效性。     

Integrated MEG/fMRI Model Validated Using Real Auditory Data

The main objective of this paper is to present methods and results for the estimation of parameters of our proposed integrated magnetoencephalography (MEG) and functional magnetic resonance imaging (fMRI) model. We use real auditory MEG and fMRI datasets from 7 normal subjects to estimate the parameters of the model. The MEG and fMRI data were acquired at different times, but the stimulus profile was the same for both techniques. We use independent component analysis (ICA) to extract activation-related signal from the MEG data. The stimulus-correlated ICA component is used to estimate MEG parameters of the model. The temporal and spatial information of the fMRI datasets are used to estimate fMRI parameters of the model. The estimated parameters have reasonable means and standard deviations for all subjects. Goodness of fit of the real data to our model shows the possibility of using the proposed model to simulate realistic datasets for evaluation of integrated MEG/fMRI analysis methods.     

一种独立成分分析的鲁棒算法及其在脑磁图数据分析中的应用

独立成分分析是一种新的信号处理统计方法。被广泛用于各个领域。在信号分析中面临的难题是：源信号的不同特性（既包括超高斯信号又包括亚高斯信号）；未知的独立源数目；传感器信号受到较大的加性噪声污染。针对以上难题，本文提出了一种独立成分分析的鲁棒算法。该方法先对观测数据作预处理，将包含噪声的高维传感器观测信号降维分解到信号子空间和噪声子空间。利用交叉验证法估计出独立源的数目（解决了独立成分分析本身不能确定源数目的缺陷）；然后利用快速稳定的FastICA算法分离独立成分。通过人工合成的数据和实际的脑磁图数据分析。验证了这种方法的功效。     

基于EMD-ICA的心冲击信号降噪研究

心冲击信号(BCG)是反映心脏机械运动的生理信号,能实现无电极束缚条件下的连续采集测量。但BCG信号微弱,易受干扰,测量时经常会淹没在噪声中。为了消除噪声,有效识别BCG信号特征,提出一种基于经验模态分解(EMD)联合独立分量分析的BCG信号降噪方法。首先,将含噪BCG信号进行EMD分解,获得一系列按频率从高到低的固有模态分量(IMF),采用模态相关准则进行信号层与噪声层的判定;其次,将分界之上的IMF分量构建虚拟噪声通道,基于ICA算法对原始BCG信号进行盲源分离,从而得到降噪后的BCG信号。采集10名健康受试者的BCG信号进行降噪处理。量化评价结果表明,与小波方法和EMD方法相比,降噪后信噪比均显著提高(小波方法11.01±1.58,EMD方法5.19±1.29,所提出方法14.87±3.04,P<0.05),能量百分比也均显著提高(小波方法88.81%±2.81%,EMD方法96.15%±2.96%,所提出方法96.64%±2.92%,P<0.05),从而证明所提出方法降噪效果明显,能够有效还原BCG信号特征。     

MUAP extraction and classification based on wavelet transform and ICA for EMG decomposition

We have developed an effective technique for extracting and classifying motor unit action potentials (MUAPs) for electromyography (EMG) signal decomposition. This technique is based on single-channel and short periodȁ9s real recordings from normal subjects and artificially generated recordings. This EMG signal decomposition technique has several distinctive characteristics compared with the former decomposition methods: (1) it bandpass filters the EMG signal through wavelet filter and utilizes threshold estimation calculated in wavelet transform for noise reduction in EMG signals to detect MUAPs before amplitude single threshold filtering; (2) it removes the power interference component from EMG recordings by combining independent component analysis (ICA) and wavelet filtering method together; (3) the similarity measure for MUAP clustering is based on the variance of the error normalized with the sum of RMS values for segments; (4) it finally uses ICA method to subtract all accurately classified MUAP spikes from original EMG signals. The technique of our EMG signal decomposition is fast and robust, which has been evaluated through synthetic EMG signals and real EMG signals.