基于分数低阶矩的非高斯噪声中诱发电位提取新方法

诱发电位（EP）信号榆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。传统的EP信号提取与分离方法中，通常认为EP信号中混入的EEG等噪声是高斯分布的。近年来一些研究表明TEEG信号具有一定的非高斯特性。α-稳定分布町以更好地描述实际应用中所遇到的具有显著脉冲特性的EEG噪声。文中简要介绍了稳定分们统计特性，推导了一种适用于EP信号分离提取的新算法。计算机模拟和分析表明，这种算法是一种在分数低阶α稳定分布背景噪声条件下具有良好韧性的EP信号分离提取方法。     

Alpha稳定分布噪声下单路EP信号的动态提取方法

近年来的研究表明,采用α稳定分布模型来描述带噪EP信号比用常规的高斯模型具有更好的适应性。在α稳定分布噪声下,特别是当噪声的非高斯特性比较明显时,常规的基于二阶或高阶统计量的算法其性能将有所退化,甚至不能工作。本研究提出基于线性观测模型的数据复用最小平均p范数（DR-LMP）方法,并将之用于α稳定分布噪声下单路EP信号的动态提取。仿真结果表明,此方法能够在一定程度上减少提取EP信号时所需的刺激实验次数,实现单导EP信号的少次提取。当观测EP信号的信噪比大于-10dB时,此方法能够有效跟踪EP信号的变化,实现EP信号的动态提取。此外,本方法改变了二阶算法在分数低阶噪声下不收敛的缺点,在高斯噪声和分数低阶噪声下均具有良好韧性。     

低阶非高斯噪声下基于BOREL谱测度的诱发电位少次提取方法

EEG信号的非高斯特性导致了传统的EP信号提取算法的退化,为提高EP信号提取方法的韧性并实现少次提取,本研究利用BOREL谱测度的峰值确定欠定混合矩阵的基矢量,从而确定各个独立分量,并实现诱发电位的少次提取.仿真表明,利用基于BOREL测度的新方法分离前后的EP信号与EEG噪声的相关系数为0.9以上.这种方法是一种在分数低阶稳定分布噪声条件下具有良好韧性的诱发电位少次提取的新方法.     

基于分数阶非高斯模型的超声图像散粒噪声特性分析

医学超声图像在应用中遇到的一个重要问题是如何消除图像中由于散射现象的相干本质而引起的多径乘性散粒噪声. 稳定分布可以用来描述重拖尾非高斯尖峰脉冲信号和噪声.本文利用一种散粒噪声模型,通过分析与稳定分布建模,提出了一种基于稳定分布模型的超声图象散粒噪声建模的新方法.仿真结果表明,该建模方法能更好地描述乘性散粒噪声.     

基于Alpha稳定分布的信号频谱估计

分析基于FLOM估计的共变谱估计,当α<1时,这种方法并不适应。提出了一种分数低阶共变谱的估计方法,通过对这两种α稳定分布噪声中正弦信号估计与分辨的仿真结果的比较表明,文章提出的方法显示出了较好的谱估计性能,且对α稳定分布噪声具有广泛的适用性。     

基于多层小波分解与稳定分布的超声图像散粒噪声抑制新方法

医学超声图像在应用中遇到的一个重要问题是如何消除图像中由于散射现象的相干本质而引起的多径乘性散粒噪声。对数超声图像的二维小波系数服从具有尖峰和拖尾的边缘分布的非高斯分布。α稳定分布可以用来描述这类重拖尾非高斯尖峰脉冲信号和噪声。本研究利用一种散粒噪声模型，通过对对数超声图像的多层小波分解的高频系数的分析与稳定分布建模，提出了一种新的基于闽值的二维小波分解系数的检测分类方法，得到一种基于多层小波分解与稳定分栉模型的超声图像散粒噪声的抑制新方法。仿真结果表明，该方法比传统的基于高斯假设下的阈值去噪方法性能更好。