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     

独立分量分析的研究和脑电中心电干扰的消除

本文研究和提出了一种用于独立分量分析的迭代算法 ,采用该算法成功地消除了存在于脑电信号中的心电干扰。基于信息论原理 ,给出了一个衡量各分量统计独立的目标函数 ,优化该目标函数 ,得出一种用于对独立分量进行盲分离的迭代算法 ,该算法的优点在于不需要计算信号的高阶统计量 ,收敛速度快。该算法使用一种去冗余方法 ,在提取一分量后 ,将其从混迭信号中去除 ,能逐一提取各独立分量。实验结果表明独立分量分析可有效地去除脑电信号中的心电干扰成分     

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.     

独立分量分析的拟牛顿迭代算法及其在视觉诱发电位特征提取中的应用

少次叠加平均处理后的视觉诱发电位（VEP）中仍含有一定的背景噪声．对其进行进一步的提取与处理有重要的实用价值。独立分量分析（ICA）能够从混合信号中分离出最独立的成分，有效抑制噪声。本文尝试采用ICA的拟牛顿迭代算法进行VEP特征提取，介绍该方法的原理、实验和结果，并与采用牛顿迭代准则的快速独立孕量分析（Fast ICA）算法进行了比较。结果表明，基于拟牛顿法的ICA可以有效增强信号，从少次叠加平均的结果中提取出易于辨识的VEP的P300信号，具有较高的应用价值。     

ICA在心音信号处理中的应用

独立成分分析(ICA)是近年来涌现的用于盲信号分离的新技术.本研究利用独立成分分析成功地把心音信号分离为三个独立的成分.借助ICA方法我们能够有效地区分正常人和房间隔缺损病人的心音信号.研究中所用的心音信号由自行研发的心音采集仪所采集.文章首先介绍了独立成分分析的基本原理,然后介绍了一种基于四阶统计量的算法-快速定点算法,并给出了利用此算法的ICA步骤.试验结果表明,ICA在心音信号的处理中是一种很有潜力的方法.     

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.     

独立分量分析算法及在生物医学工程中的应用

独立分量分析算法是一种多维统计方法。该算法的研究对象是多元随机信号，其研究目的是将这些多元随机信号转化成包含统计上相互独立的多个分量的信号。简要介绍了各种独立分量分析算法，包括基于二阶统计量的二阶盲辨识算法和多未知信源分离算法，以及基于高阶统计量的信息极大化法、改进的信息极大化法、快速固定点独立分量分析和特征矩阵联合近...     

独立分量分析及其在生物医学工程中的应用

:独立分量分析 ( Independent Component Analysis,简记 ICA)是信号分解技术的新发展。ICA与 PCA(主分量分析 )或 SVD(奇异值分解 )的主要不同是 :后者分解得的各分量只是互不相关 ,而前者则要求各分量相互统计独立。体表测量得的信号往往包含若干相对独立的成分 ,因此采用ICA技术来分解 ,所得结果往往更有生理意义 ,有利于去除干扰和伪迹。本文简短地回顾 ICA的基本原理、判据、算法和其在生物医学工程中的应用 ,并作出展望及指出存在问题。     

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。     

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。     

独立分量分析在脑电信号处理中的应用及研究进展

独立分量分析(independent component analysis,ICA)方法是从一组观测信号中提取统计独立分量的方法.因为用这种方法分解出的各信号分量之间是相互独立的,而测得的脑电信号往往包含若干相对独立的成分,所以用它来分解脑电信号,所得的结果更具有生理意义,有利于去除干扰和伪差.本文简要地回顾了ICA的发展历史和主要算法,综述了它在脑电信号处理中的应用及研究进展,并指出了需要进一步研究解决的问题.     

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。     

快速独立分量分析及其在脑电信号处理中的应用

独立分量分析(Independent Component Analysis, ICA)是一种基于信号统计特性的盲源分离方法,由于其分离的信号之间是互相独立的,所以在生物电信号去除干扰和伪迹、信号分离以及特征提取等方面有很大的潜在价值.本文提出了一种改进的快速ICA方法,提高了收敛速度.通过仿真,证明这种方法的优越性.最后利用该方法去除脑电中眼动伪迹,达到了较好的效果.     

独立分量分析及其在脑电信号预处理中的应用

作为盲源分离（blind source separation,BSS)的一种新的方法。独立分量分析（independent component analysis,ICA)受到国内外信息处理领域科技工作者的广泛关注,本文简要介绍了独立分量分析的基本思想及算法。并将独立分量分析用于脑电信号的预处理中,成功的分离出脑电信号中的心电干扰。     

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。     

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。     

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。     

基于扩展Infomax 独立分量分析算法的脑电信号消噪

背景：脑电信号能够反映大脑不同的生理病理状态,但在采集和分析处理过程中极易受到各种噪声的干扰,如眼球运动、眨眼、心电、肌电等,这些噪声的存在严重影响了脑电信号的分析和处理。 目的：介绍了一种基于扩展Infomax的独立分量分析方法,并用于脑电信号消噪。 方法：通过扩展Infomax算法的迭代求得分离矩阵,采用去除噪声分量后的独立成分重构需要记录的脑电信号,观察Matlab仿真得到的去噪后的脑电信号,同时比较去噪前后各导联脑电信号与眼电信号的相关性。 结果与结论：使用扩展Infomax 独立分量分析算法能够成功地去除多导脑电信号中的眼电干扰。再比较去噪前后各导联脑电信号的功率谱,可以发现使用扩展Infomax独立分量分析算法同时也能够成功地去除多导脑电信号中的工频干扰,且对脑电信号中的其他有用信号几乎没有破坏。     

基于虚拟通道ICA方法的诱发电位单导少次提取

脑电诱发电位的单导少次提取一直是生物医学信号处理领域倍受关注的问题。独立分量分析作为解决盲源分离问题的一种有效算法已被广泛应用于诱发电位提取之中。独立分量分析处理的是多路观测信号,且要求观测信号路数大于或等于独立信号源的个数。为了能够应用独立分量分析算法实现诱发电位的单导少次提取,引入虚拟通道构建观测信号矩阵,从而得到符合实际应用条件的算法模型。4路信号仿真实验表明了虚拟通道模型可以有效提取诱发电位。对12位受试者进行模式翻转视觉诱发电位测试,仅用单导连续4次记录即可实现诱发电位的初步提取,信噪比增加约为12 dB,当采用10路虚拟通道,信噪比提高约20 dB。4路和10路虚拟通道ICA方法下得到的多导联VEP相关系数的统计结果进一步证实增加虚拟通道的数量,EP信号提取效果也会更好。