基于小波变换和独立分量分析相结合的癫痫脑电分析

临床上分析癫痫脑电信号非常重要。由于临床记录的癫痫脑电信号中含有大量的伪迹干扰,特别是肌电伪迹,所采集的脑电信号无法正确反映大脑的生理及病理状况。本研究利用小波变换的多分辨率特性和独立分量分析(ICA)的盲源分离特性,把用连续小波变换分解的脑电子带信号作为ICA输入,经ICA分离后,有效地消除了癫痫脑电中的肌电伪迹,并分离出了癫痫样特征波,效果理想。     

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.     

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.     

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     

稳态视觉诱发脑机接口特征提取方法的研究

目的为有效提取稳态视觉诱发脑机接口(SSVEP-based brain-computer interface)中的脑电特征,提出一种基于独立成分分析(independent component analysis,ICA)与希尔伯特黄变换(HilbertHuang transform,HHT)的特征提取方法。方法对采集得到的脑电信号进行带通滤波,得到预处理的脑电信号,将滤波后的脑电信号作为ICA的输入,经过ICA实现独立成分的快速获取。引入HHT对独立成分进行经验模态分解(EMD),分解获取固有模态函数(intrinsic mode function,IMF),通过对IMF的频域分析,即可提取出特征。将ICA和HHT法同WT法、ICA法以及HHT法等常用的特征提取方法在频域、功率谱估计、在时间消耗等多方面进行比对分析。结果频域分析和功率谱估计中,本文提出的方法明显优于WT法和ICA法,略优于HHT法。时间消耗方面,本文提出的方法略优于HHT法。结论基于ICA和HHT的特征提取方法在稳态视觉诱发脑机接口的特征提取中是可行的,并有效去除了脑电信号中的噪声。     

基于结合小波变换与FastICA算法的脑电信号降噪(英文)

该文提出一种结合小波变换(WPT)与快速独立分量分析(Fast ICA)算法的方法来分析脑电信号。首先,原始脑电信号是通过使用WPT分解为三个层。然后,设置第三层最高频率的系数为零,以减少脑电信号的随机噪声,同时尽可能的保留信号的细节。其次,采取快速独立分量分析算法的优势,从脑电信号中分离所有类型的噪声。提出一种准预期值(QEV)的方法确定脑电图信号来自何处。最后,为了检验系统的性能,所有信道的相关信号在快速独立分量分析的输出进行分析。实验结果证实,交叉相关系数是10-15或10-16的量级,几乎可以被视为零。所提出性能良好的方法可以去除脑电信号所有类型的噪声。     

运动意识脑电的动态独立分量分析

研究了用独立分量分析方法进行运动意识脑电信号特征分析的可行性。提出了用峭度极大动态独立分量分析方法进行μ节律提取的新思想。通过对批处理ICA算法和动态ICA算法在运动意识脑电特征分析的结果比较,得出了动态ICA算法更适合于运动意识脑电特征分析和提取。研究中发现,动态ICA混合矩阵系数的时间波形能准确即时地反映受试者进行左右手运动想象时运动神经皮层的μ节律变化,这一结果对脑认知和脑—机接口研究具有较大的实际意义,为独立分量分析方法在事件相关电位(ERP)特征提取中的应用提供了新的思路。     

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。     

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。     

Spatial filters based on independent component analysis for magnetic noise reduction in the magnetocardiogram

A spatial filter design method to reduce magnetic noise in the magnetocardiogram (MCG) is introduced. Based on the facts that external magnetic noise appearing on multichannel MCG sensors is independent of the cardiac signals and that there is strong spatial correlation among the channels, the independent component analysis (ICA) method was applied to extract the noise components from the measured MCG signals. After extraction of the noise components in a given time period using ICA, a spatial filter was made to reduce the noise components in subsequently acquired MCG signals. In experimental studies of nine healthy volunteers, the spatial filters improved the signal-to-noise ratio of the MCG signals by about 500% on average. This spatial filtering method can be used for measurements of MCG signals in a magnetically noisy environment.     

Automatic Removal of Eye-Movement and Blink Artifacts from EEG Signals

Frequent occurrence of electrooculography (EOG) artifacts leads to serious problems in interpreting and analyzing the electroencephalogram (EEG). In this paper, a robust method is presented to automatically eliminate eye-movement and eye-blink artifacts from EEG signals. Independent Component Analysis (ICA) is used to decompose EEG signals into independent components. Moreover, the features of topographies and power spectral densities of those components are extracted to identify eye-movement artifact components, and a support vector machine (SVM) classifier is adopted because it has higher performance than several other classifiers. The classification results show that feature-extraction methods are unsuitable for identifying eye-blink artifact components, and then a novel peak detection algorithm of independent component (PDAIC) is proposed to identify eye-blink artifact components. Finally, the artifact removal method proposed here is evaluated by the comparisons of EEG data before and after artifact removal. The results indicate that the method proposed could remove EOG artifacts effectively from EEG signals with little distortion of the underlying brain signals.     

Detection and Separation of Event-related Potentials from Multi-Artifacts Contaminated EEG by Means of Independent Component Analysis

Event-related potentials (ERP) is an important type of brain dynamics in human cognition research. However, ERP is often submerged by the spontaneous brain activity EEG, for its relatively tiny scale. Further more, the brain activities collected from scalp electrodes are often inevitably contaminated by several kinds of artifacts, such as blinks, eye movements, muscle noise and power line interference. A new approach to correct these disturbances is presented using independent component analysis (ICA). This technique can effectively detect and extract ERP components from the measured electrodes recordings even if they are heavily contaminated. The results compare favorably to those obtained by parametric modeling. Besides, auto--adaptive projection of decomposed results to ERP components was also given. Through experiments, ICA proves to be highly capable of ERP extraction and S/N ratio improving.     

A hybrid method of application of independent component analysis to in vivo 1H MR spectra of childhood brain tumours

Independent component analysis (ICA) can automatically extract individual metabolite, macromolecular and lipid (MMLip) components from a series of in vivo MR spectra. The traditional feature extraction (FE)-based ICA approach is limited, in that a large sample size is required and a combination of metabolite and MMLip components can appear in the same independent component. The alternative ICA approach, based on blind source separation (BSS), is weak when dealing with overlapping peaks. Combining the advantages of both BSS and FE methods may lead to better results. Thus, we propose an ICA approach involving a hybrid of the BSS and FE techniques for the automated decomposition of a series of MR spectra. Experiments were performed on synthesised and patient in vivo childhood brain tumour MR spectra datasets. The hybrid ICA method showed an improvement in the decomposition ability compared with BSS-ICA or FE-ICA, with an increased correlation between the independent components and simulated metabolite and MMLip signals. Furthermore, we were able to automatically extract metabolites from the patient MR spectra dataset that were not in commonly used basis sets (e.g. guanidinoacetate).     

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     

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。