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，并给了实验结果。     

基于独立分量分析的大脑视觉诱发电位单次提取

脑电 (Electroencephalography ,EEG)视觉诱发电位 (VisualEvokedPotential,VEP)的单次提取是当前生物医学信号处理领域的一个研究热点。提出一种基于独立分量分析 (IndependentComponentAnalysis,ICA)的多道脑电信号VEP单次提取方法 ,与多次叠加求平均的方法相比较 ,可以得到令人满意的结果。     

基于虚拟通道ICA-WT大鼠视觉诱发电位少次提取

为了实现电极植入法采集到的单通道大鼠视觉诱发电位的少次提取,提出一种基于虚拟通道的独立分量分析-小波变换的大鼠视觉诱发电位少次提取方法。首先,引入虚拟通道,用快速独立分量分析方法将噪声与视觉诱发电位进行分离;然后,对分离出的视觉诱发电位进行少次叠加平均,提取出初步视觉诱发电位;最后,针对虚拟通道与实际噪声不完全吻合带来的残留噪声问题,用小波变换进一步去除初步视觉诱发电位中的残留噪声。实验结果表明,基于虚拟通道的独立分量分析8次叠加平均,就能很好地提取出初步的视觉诱发电位;小波阈值法进一步去除了残留噪声;本算法成功地实现大鼠视觉诱发电位的少次提取,同时该方法可以用于单通道其他脑电信号的提取。     

诱发电位快速提取方法及进展

每次刺激所产生的诱发电位的峰值和潜伏期以至波形是时变信号。随着信号处理技术的发展,诱发电位的提取方法由传统的平均叠加方法,向逐步减少累加次数,最终实现单次提取诱发响应波形,实现动态提取诱发电位的方向发展,因此对诱发电位的少次以至单次提取成为生物医学信号处理领域备受关注的一个研究课题。对近年来快速提取诱发电位的信号处理方法进行了简要的回顾,并分别从自适应滤波、小波变换、神经网络及独立成分分析等4个方面对算法进行了介绍。     

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。     

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.     

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。     

基于小波变换的颜色视觉诱发电位检测去噪研究

为了提高检测的效率，将基于小波变换的信号分析方法引入到颜色视觉诱发电位（Visual evoked potential，VEP）的检测中，提出了基于多尺度条件下小波变换模极大值分布图的重建VEP信号的方法。该方法对初始采集信号采用Mallat快速算法进行离散小波变换得到模极大值分布图。根据信号噪声的Lipschitz指数特性进行去噪。最后按照POCS（Projections onto convex sets）方法进行信号的重建。仿真实验结果表明该方法对VEP信号的去噪效果比较理想。同时该方法极大地降低了测试次数。因此该方法与现有临床的叠加方法相比有明显的优披件．     

噪声中EP信号的提取算法及研究进展

诱发电位的提取是脑电信号处理领域的前沿课题近年来 ,通过少次甚至单次试验提取诱发电位已经成为研究的主流。本文对近年来提取诱发电位的信号处理方法进行了简要的回顾 ,并分别从小波变换、神经网络、高阶累积量、独立分量分析等四个方面对算法进行了介绍     

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     

基于稀疏分解法的单次诱发电位提取

迭代加权稀疏分解法是按照白噪声在小波的多分辨结构中的二尺度关系来确定求最小l1模优化问题时的加权系数,并通过一个迭代过程来逐步消除强噪声的影响。通过对视觉诱发电位的单次提取的研究说明了这种方法具有良好的单次提取效果,其实验结果支持单次提取的视觉诱发电位是不相同的观点。     

基于在线Infomax算法的视觉诱发电位提取

在线信息极大(Infomax)算法是基于单次观测样本的盲源分离算法，具有实时自适应跟踪混合系统的时变特性的能力。针对算法易出现稳态失调的问题，结合二阶和四阶统计去相关的混合学习规则，采用自适应步长学习技术，提出了一种改进的在线Infomax算法，并将其用于视觉诱发电位(VEP)的实时提取。实验结果表明，该方法改善了原有算法的收敛性能，盲源分离效果良好，并可在减少视觉刺激次数的前提下，有效地实现VEP信号增强和参数提取。     

脑干听觉诱发电位的非线性动态提取

临床上常用的平均脑干听觉诱发电位（Brainstem Auditory Evoked Potential，BAEP）无法描述脑干功能的动态特性，从背景噪声中单次或少次动态提取的BAEP才是反映脑干功能的理想信号。径向基函数神经网络（Radial Basis Function Neural Network，RBFNN）已被用于BAEP的非线性动态提取，但是对于“淹没”在噪声中的信噪比很小的BAEP提取效果不好。本研究用移动窗口平均（MovingWindowAverage，MWA）先对含噪声的BAEP进行动态少次平均提高信噪比，然后再用RBFNN进行BAEP的非线性提取，在保留了绝大部分BAEP动态信息的前提下改善了RBFNN的提取性能。为了验证方法的可行性，构建了信噪比为-25dB的仿真BAEP-噪声序列，经MWA和RBFNN动态提取后相对均方误差约为19％，比仅用RBFNN时误差降低了6％左右。将上述方法用于实际测取的BAEP，可以得到每个子波形和平均BAEP波形波幅趋势大体相同的动态序列，这个BAEP动态序列为应用非线性动力学研究脑干功能动态特性打下了基础。     

基于自适应动态特征库的P300诱发脑电单次提取算法研究

目的 诱发电位的单次提取技术一直是脑电信息处理领域的难题之一,为进一步提高单次提取算法的时间准确性和特征精度,针对体感诱发脑电数据信噪比低、试次间参数变化大的特点,研究诱发脑电参数单次提取新算法,保留试次间诱发脑电的动态特性,并提高估计准确率.方法 基于小波滤波和多元线性分析技术,加入自适应动态特征库并由此提出的诱发脑电P300参数单次提取新方法.随机选取4组小波滤波(WF)后诱发脑电数据,分别叠加平均后进行主成分分析(PCA)组成特征库.单次提取时,针对每试次数据从特征库中选择与当次诱发脑电信号相关系数最高的成分作为自变量开展多元线性回归分析,由回归分析结构重构出单次诱发电位信号并自动提取潜伏期和幅值等关键特征.结果 与专家判定的基准数值相比,新算法预测的P300成分潜伏期与幅值参数更准确,两者的平均差值分别为(11.16±8.60) ms和(1.40±1.34)μV;与常用的叠加平均法结果亦更为接近,平均差值分别为(23.26±25.76) ms和(2.52±2.50) μV,新算法相比传统多元线性回归分析算法具有显著优势.结论 将动态更新的诱发脑电数据主成分样本库应用于小波滤波与多元线性回归方法,能有效保留单次诱发脑电数据中的动态特征,从而提升参数估计的准确率.     

Estimation of individual evoked potential components using iterative independent component analysis

Independent component analysis (ICA) has been successfully employed in the study of single-trial evoked potentials (EPs). In this paper, we present an iterative temporal ICA methodology that processes multielectrode single-trial EPs, one channel at a time, in contrast to most existing methodologies which are spatial and analyze EPs from all recording channels simultaneously. The proposed algorithm aims at enhancing individual components in an EP waveform in each single trial, and relies on a dynamic template to guide EP estimation. To quantify the performance of this method, we carried out extensive analyses with artificial EPs, using different models for EP generation, including the phase-resetting and the classical additive-signal models, and several signal-to-noise ratios and EP component latency jitters. Furthermore, to validate the technique, we employed actual recordings of the auditory N100 component obtained from normal subjects. Our results with artificial data show that the proposed procedure can provide significantly better estimates of the embedded EP signals compared to plain averaging, while with actual EP recordings, the procedure can consistently enhance individual components in single trials, in all subjects, which in turn results in enhanced average EPs. This procedure is well suited for fast analysis of very large multielectrode recordings in parallel architectures, as individual channels can be processed simultaneously on different processors. We conclude that this method can be used to study the spatiotemporal evolution of specific EP components and may have a significant impact as a clinical tool in the analysis of single-trial EPs.     

用小波变换提取视觉诱发电位信号

视觉诱发电位（ＶＥＰ）信号的动态提取及处理具有重要的临床意义。通过硬件采集的ＶＥＰ信号经过叠加平均处理后仍含有大量背景噪声，不能直接用于诊断分析。小波变换是一种新兴时频分析方法，适于分析非平稳信号。在我们研制的视觉生理地形图系统中，成功地用它从背景噪声中提取出ＶＥＰ信号，完成信号的预处理。     

自适应干扰对消的大鼠视觉诱发电位提取

研究大鼠的视觉诱发电位对认知人类视觉机理和疾病发生的位置具有重要意义.为获得大鼠视觉刺激诱发电位的特征信息,本研究设计了一种新的用于自适应干扰对消的大鼠视觉诱发电位信号采集方案,在大鼠初级视皮层不同位置和深度分别植入检测电极和干扰参考电极,有效提取了同源干扰信号.并基于该方案进行了大鼠视觉诱发电位的快速提取研究.仿真实验和实际应用结果表明,应用该方案实现自适应干扰对消,信噪比提高约6 dB,能够有效提取出大鼠单次闪光刺激诱发电位波形,并可从单次提取的结果中获得准确的潜伏期信息.该方案为实时获取大鼠视觉诱发电位特征信息提供了有效手段.     

基于参数模型和独立分量分析的事件相关诱发电位单次提取

我们针对脑电事件相关电位（ERP）这种信噪比极低的信号检测问题，提出了两种ERP信号单次提取方法，能非常有效地同时去除自发脑电、眼动伪迹和工频噪声三种常见噪声。（1）首次对自发脑电、眼动伪迹和工频噪声这三种常见成分连同事件相关电位同时进行ARX建模，利用基于最小二乘（Ls）的ARX算法进行参数辨识获得提取结果；（2）利用独立分量分析，采用FastICA算法进行事件相关电位的提取。明确指出ICA分解的一些重要分解特性及其内在机理，针对实际情况对FastICA算法进行了改进，实现了分解结果对ERP成分的自适应映射。数值仿真实验结果表明两种方法均有较高的信号分解提取能力。