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 除干扰和伪迹。本文简短地回顾ＩＣＡ的基本原理,判据、算法     

独立分量分析及其在脑电逆问题中的应用

由大脑头皮电压推断大脑内活动源的信息，称之为脑电逆问题。脑电逆问题的解决对于脑认识功能的研究有重要的科学意义和临床应用价值。本首先对脑电逆问题及其主要解决方法作了简要介绍，然后介绍了独立分量分析(ICA)的工作原理、算法及其在脑电逆问题中的应用，分析了尚未解决的问题，提出ICA是一个在脑电逆问题中值得注意的研究方向。     

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。     

独立分量分析及其在脑电逆问题中的应用

由大脑头皮电压推断大脑内活动源的信息,称之为脑电逆问题.脑电逆问题的解决对于脑认识功能的研究有重要的科学意义和临床应用价值.本文首先对脑电逆问题及其主要解决方法作了简要介绍,然后介绍了独立分量分析(ICA)的工作原理、算法及其在脑电逆问题中的应用,分析了尚未解决的问题,提出ICA是一个在脑电逆问题中值得注意的研究方向.     

胸部CT图像中感兴趣区域的提取与量化分析

目的：根据临床应用需求，研究了胸部高分辨率CT图像中感兴趣区域（region of interest，ROI）的提取与量化诊断问题。方法：首先由人工勾勒感兴趣区域边界，再应用Bresenham扫描线算法生成连续的区域边界，然后，应用基于四邻域的背景标记扫描线方法，对区域外像素作出标记，从而得到选定区域。最后，计算区域的量化参数，并根据肺气肿量化诊断标准，对感兴趣区域进行分析与辅助诊断。结果：计算得到肺气肿占整个肺部容积的百分比为39．2％，该患者属于3级重度肺气肿。结论：实验证明，该方法能快速、准确地提取任意形状的区域，并对给定区域进行统计分析，非常有利于医生的准确诊断。     

ICA在视觉诱发电位的少次提取与波形分析中的应用

本文提出一种基于扩展的独立分量分析 (ICA)算法的视觉诱发响应少次提取方法。经与目前临床通用的相干平均法比较 ,只经三次平均 ,在波形整体和P10 0潜伏期的提取上 ,效果显著 ,获得医师欢迎 ,很有进一步开发潜力。     

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识别方面的应用

着重研究应用独立分量分析方法对脑电信号进行计算机分析和处理，从脑电图中将特定的独立性脑部活动（如伪差反应、对称性等）信息从混合信号中提取出来，另外总结了脑电独立分量的一些规律。上述独立分量分析有助于对脑电图的判读和病理的判断。     

基于独立分量分析的脑电中眼电伪迹消除

利用独立分最分析的方法对脑电中眼电伪迹成分进行剔除。针对扩腮熵最大算法能够同时分离超高斯和亚高斯信号的特点，将脑电信号分解成独立分量，利用伪迹脑地形图的特征，将伪迹分最分离，得到不含伪迹的脑电信号。实验结果表明。该算法具有较强的稳健性和实用性。     

Multiplexed Wavelet Transform Technique for Detection of Microcalcification in Digitized Mammograms

Wavelet transform (WT) is a potential tool for the detection of microcalcifications, an early sign of breast cancer. This article describes the implementation and evaluates the performance of two novel WT-based schemes for the automatic detection of clustered microcalcifications in digitized mammograms. Employing a one-dimensional WT technique that utilizes the pseudo-periodicity property of image sequences, the proposed algorithms achieve high detection efficiency and low processing memory requirements. The detection is achieved from the parent–child relationship between the zero-crossings [Marr-Hildreth (M-H) detector] /local extrema (Canny detector) of the WT coefficients at different levels of decomposition. The detected pixels are weighted before the inverse transform is computed, and they are segmented by simple global gray level thresholding. Both detectors produce 95% detection sensitivity, even though there are more false positives for the M-H detector. The M-H detector preserves the shape information and provides better detection sensitivity for mammograms containing widely distributed calcifications.Permission has been granted by the Departmental Research Committee, Department of Electronics, Cochin University of Science and Technology, for pursuing research in the field of automated detection of microcalcification in digitized mammograms.     

基于小波变换的乳腺X线影像微钙化点感兴趣区域提取新技术

为乳腺癌早期诊断和乳腺X线影像微钙化点计算机辅助检测作前期预处理,提出了一种基于小波变换的微钙化点感兴趣区提取新技术。其具体思路是:(1)将乳腺区域图像提取成等大的子图像;(2 )对每一幅子图像进行小波变换,根据特征参数ρ讨论最优小波变化参数和阈值T;(3)根据阈值T判别子图像是否属于感兴趣区。对临床实际病例(2 0幅乳腺X线影像)的试验结果表明,该方法具有较高的检出率(89.7% ) ,和较为满意的假阳性率(2 .1% )。     

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。     

采用多尺度多级组合分类器快速定位乳腺X片中的感兴趣区域

乳腺癌是妇女常见恶性肿瘤之一,早期诊断和治疗是降低乳腺癌患者死亡率的关键. 微钙化是乳腺癌早期的一个重要标志,因此快速准确地找出乳腺X光片中含有微钙化簇的感兴趣区域(ROI)是成功诊断的第一步.乳腺X光片中含有大量无病变区域和少量微钙化区域,形成了一种典型的不对称分类问题.本研究结合大量无病变区域的信息训练多级组合分类器,并借助多尺度方法加快筛选速度,以定位ROI.在真实的数字化X线乳腺照片上的实验表明,该方法在无漏检的情况下,可以排除92.64%的正常区域,而且基于Matlab处理,对于每幅图片的平均处理时间仅为7 s.     

基于奇异值降维的胎心电盲分离方法

目的：胎心电是监护胎儿健康,降低围产期胎儿发病率和死亡率的重要手段。临床中多用间接法从孕妇的腹心电中获取胎心电。由于胎心电幅值较小,常被母心电和噪声掩盖,所以从孕妇的腹心电中分离出胎心电仍是诊断学难题。本文提出基于奇异值降维的胎心电盲分离方法从孕妇的心电图中有效分离出胎儿心电图。方法：临床中获取的孕妇心电信号数目较多,常为12、15、18导联。从获取的孕妇心电信号中,选取全部的腹心电和一路胸心电进行处理。如果信号中存在基线漂移,先用高通滤波器去除基线漂移,然后设置适当参数对信号进行奇异值分解降维,以便在充分保证信号信息量的前提下,降低盲分离的复杂度,减少信号的相关度,最后对降维后的信号进行盲分离处理。结果：用本文提出的方法对DaiSy数据库中的孕妇心电数据进行处理,结果表明,本文方法能有效的从孕妇心电信号中分离出胎心电。结论：从孕妇腹心电中分离出胎心电,进而对胎儿健康进行监护是一种可行的并且真正对胎儿无损的监护方法。本文提出的在盲分离前先进行奇异值降维的方法可降低盲分离的复杂度并提高分离精度。     

Characterization of Malignant Brain Tumor Using Elastic Light Scattering Spectroscopy

We report a pilot study designed to test elastic light-scattering (ELS) spectroscopy for characterizing normal, tumor, and tumor-infiltrated brain tissues. ELS spectra were measured from 393 sites on 36 ex vivo tissue specimen obtained from 29 patients. We employed and compared the performances of three methods of spectral classification for tissue characterization, including spectral slope analysis, principle component analysis (PCA), and artificial neural network (ANN) classification. The ANN classifier yielded the best correlation between spectral pattern and histopathological diagnosis, with a typical sensitivity of 80% and specificity of 93% for differentiating tumor from normal brain tissues. We also demonstrate that all three classification methods discriminate between tumor and normal tissue and have the potential to identify and quantitatively characterize tumor-infiltrated brain tissues.     

基于人工神经网络的癫痫棘波检测方法

脑电癫痫特征波的自动提取对于患者的诊断具有重要的意义。提出一种时频分析与Jensen函数相结合的方法进行棘波检测，然后提取出棘波的波形特征，并通过人工神经网络进行进一步的判决，从而降低棘波检测的误检率。在对真实的癫痫脑电信号（EEG）的仿真实验中，该方法取得了较好的结果。     

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.