一种基于独立成份分析的fMRI时-空模型数据处理方法

独立成份分析(ICA)是信号处理领域中斯近发展起来的一种很有应用前景的方法，而脑功能磁共振(fMRI)信号的有效分离与识别是一个正在研究和试验之中的技术领域。因此，发展基于ICA的fMRI数据处理方法具有明显的理论价值和应用前景。本文首先介绍了ICA原理，分析了现行ICA—fMRI方法采用的信号与噪声的空域分布相互独立的信号模型所存在的明显不足，然后提出了微域中的信号与噪声的时域过程相互独立的fMRI信号模型，从而建立了一种新的fMRI数据处理方法：邻域独立成份相关法。合理的fMRI实验数据处理结果验证了新方法的合理性。     

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。     

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.     

基于独立成分分析和量子粒子群算法的胎儿心电提取

胎儿心电图(FECG)是反映胎儿心脏电生理活动的一项客观指标,获取的FECG受到母体心电图(MECG)的干扰,如何快捷、有效的提取FECG成为重要的研究课题。在非侵入方式下,FECG的提取算法中独立成分分析(ICA)算法被认为是效果最好的方法,但现有求解其分解矩阵的算法收敛性能都不太高。量子粒子群(QPSO)算法是一种收敛于全局的智能优化算法。因此,提出了一种结合QPSO的ICA方法。研究结果表明,与其他在非侵入方式下的主要提取算法相比,这种方法能更清晰准确地提取出有用信号,为胎儿的健康检测提供了更好的方法。     

基于快速定点独立分量分析算法的母胎心电信号分离

研究快速定点独立分量分析方法在母胎心电信号分离中的应用。采用此算法,在胎儿心电信号与母体心电信号可以视为相互独立的信号源的前提下,对来源于同一孕妇的观测信号进行独立分量分离。快速定点独立分量算法可以有效地分离出单个独立分量,得到的胎儿心电信号(FECG)较理想。采用独立分量分析方法,实现母胎心电信号分离,是一种值得尝试的信号处理方法。     

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。     

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.     

约束独立分量分析及其在脑电信号伪差分离中的应用

独立分量分析(ICA)算法是一种运用统计方法,从一系列标准信号中提取独立成分的技术.由于脑电信号是由若干相对独立的成分组成,所以运用ICA算法来处理脑电信号受到广泛关注.本文介绍了一种新型的约束独立分量分析(cICA)算法,它能解决FastICA算法在源信号分离时输出排列无序性的问题.并通过实验表明,它在脑电伪差分离时可减少人工处理的影响,且具有良好的稳健性与较快的收敛速度.     

An image fusion algorithm based on multi-resolution decomposition for functional magnetic resonance images

This paper presents a new functional image fusion algorithm which is the combination of SPM and ICA using multi-resolution decomposition. Firstly, we designed the fMRI experiments and obtained the fMRI image data from different experimental conditions. The brain activated regions were extracted by the SPM and ICA methods respectively. Secondly, by constructing the Laplacian pyramids of the source image, a new fusion rule based on the salience and matching measure is proposed in various resolutions. Finally, the fused functional images are reconstructed by the inverse Laplacian pyramid transformation. The results show that the algorithm can retain the details of the source images and pinpoint exactly the brain functional area associated with the hand action, thus outperforming SPM or ICA for functional regions extraction.     

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。     

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。     

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。     

基于独立分量分析的生理信号盲源分离

用于盲源分离的独立分量分析 (ICA)和扩展ICA算法 ,基于极大似然估计 ,给出一个衡量输出分量统计独立的目标函数 ,最优化该目标函数 ,得到一种用于独立分量分析的迭代算法。扩展ICA算法的优点在于迭代过程中不需要计算信号的高阶统计量 ,收敛速度快 ,同时适用于超高斯和亚高斯信号的分离。应用该算法实现了脑电、心电信号以及语音信号的分离 ,并给出了实验结果     

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。     

一种用ICA去除瞬态诱发耳声发射伪迹的新方法

如何去除伪迹是瞬态诱发耳声发射检测中一个关键的问题。本研究提出了一种用ICA去除伪迹的新方法。首先用四组线性增长的刺激声在耳道内录音 ,得到的波形是瞬态诱发耳声发射和伪迹的混叠。因为伪迹和瞬态诱发耳声发射是统计独立的 ,而且伪迹随刺激声的变化线性增长 ,而瞬态诱发耳声发射随刺激声的变化非线性增长 ,逐渐趋于饱和 ,所以它们在混叠信号中具有不同的混叠系数。用ICA算法可以将各独立分量及混叠矩阵估计出来 ,伪迹是其中的一个独立分量。然后将伪迹的波形置零后再进行一次混叠 ,便达到了去除伪迹的目的。最后通过与传统的DNLR方法比较 ,证明这种方法是有效的     

基于带参考信号的ICA算法的脑电信号眨眼伪差的分离研究

独立分量分析（ICA）是一种从混合信号中提取统计独立的分量的一种方法.本研究提出了一种基于带参考信号的ICA算法的脑电信号眨眼伪差的分离方法,可以得到纯净的脑电信号.这个方法的主要思路是：先选取一导眨眼伪差比较明显的数据,从中获得眨眼伪差的参考信号,再用ICA方法把眨眼伪差第一个提取出来,最后得到消除伪差后的EEG信号.详细讨论了使用带参考信号的ICA算法消除眨眼伪差的方法与步骤,并给出了应用于真实信号的实验结果.     

Multimodal Integration of fMRI and EEG Data for High Spatial and Temporal Resolution Analysis of Brain Networks

Two major non-invasive brain mapping techniques, electroencephalography (EEG) and functional magnetic resonance imaging (fMRI), have complementary advantages with regard to their spatial and temporal resolution. We propose an approach based on the integration of EEG and fMRI, enabling the EEG temporal dynamics of information processing to be characterized within spatially well-defined fMRI large-scale networks. First, the fMRI data are decomposed into networks by means of spatial independent component analysis (sICA), and those associated with intrinsic activity and/or responding to task performance are selected using information from the related time-courses. Next, the EEG data over all sensors are averaged with respect to event timing, thus calculating event-related potentials (ERPs). The ERPs are subjected to temporal ICA (tICA), and the resulting components are localized with the weighted minimum norm (WMNLS) algorithm using the task-related fMRI networks as priors. Finally, the temporal contribution of each ERP component in the areas belonging to the fMRI large-scale networks is estimated. The proposed approach has been evaluated on visual target detection data. Our results confirm that two different components, commonly observed in EEG when presenting novel and salient stimuli, respectively, are related to the neuronal activation in large-scale networks, operating at different latencies and associated with different functional processes.     

独立分量分析技术在EEG工频干扰分离中的应用

工频干扰是脑电图(EEG)中常见噪声，严重影响EEG-信号的提取和分析。通过比较Fastica、Extended Infomax、EGLD、Pearson—ICA等四种独立分量分析(ICA)算法和奇异值分解(SVD)技术用于分离EEG中工频干扰的效果，确证ICA方法有很好的抗干扰性，而常用的SVD技术则难以奏效；其中推广的最大熵(Extended Info—max)ICA算法有较好的收敛性，文中使用该算法成功地从16导联早老性痴呆症患者EEG信号中(含混入的工频干扰，最低信噪比约为0dB)分离出工频干扰。ICA在生物医学信号处理特别是临床医学工程中潜在着重要应用前景和研究价值。     

两导心电信号独立分量分析算法的研究

根据独立分量分析(ICA)理论,要想在观测信号中提取出独立分量,观测信号的数目必须大于或等于独立分量的数目,因此要求采用ICA算法的胎儿心电图机导联数必须大于一定数目,但在实际应用中常常难以满足这个条件。故本文提出了一种基于少数导联心电(ECG)信号的胎儿心电(FECG)提取算法,结合FECG和自适应噪声抵消算法,从两导采集于孕妇腹部体表的ECG信号中提取FECG。实验表明,该方法能够获得清晰的FECG信号。