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。     

基于快速定点独立分量分析算法的母胎心电信号分离

研究快速定点独立分量分析方法在母胎心电信号分离中的应用。采用此算法,在胎儿心电信号与母体心电信号可以视为相互独立的信号源的前提下,对来源于同一孕妇的观测信号进行独立分量分离。快速定点独立分量算法可以有效地分离出单个独立分量,得到的胎儿心电信号(FECG)较理想。采用独立分量分析方法,实现母胎心电信号分离,是一种值得尝试的信号处理方法。     

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.     

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     

基于脑电信号的麻醉特征参数分析

针对所有原始脑电信号都受到低频和尖峰噪声干扰的问题,提出了小波变换和独立分量分析相结合的去噪算法;对预处理后的脑电数据,进行小波熵、近似熵和复杂度这三种特征参数的数值表征,并进一步通过特征参数的状态变化率来判断脑电信号的状态区分效果。麻醉与非麻醉的脑电数据处理结果表明,三种特征参数的状态变化率分别达到50.5%、21.6%和19.5%,其中小波熵的状态变化率最高,这些特征参数可作为基于脑电信号分析的麻醉深度量化研究的基础。     

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     

基于小波变换和改进的瞬态独立成分分析融合算法的心电信号降噪方法

本文提出一种基于小波变换与独立成分分析融合的信号处理方法,该方法用于抑制多通道同步采集的心电信号包含的噪声。首先利用小波变换对各路同步采集的原始心电信号进行八尺度分解,获得低频逼近信号与高频细节信号,通过设定阈值的方法去除属于低频噪声部分的逼近信号。然后对保留的细节信号进行反变换实现信号重构,再利用包含预同步功能的瞬态独立成分分析改进算法从重构的信号中分离出高频噪声与心电信号独立成分。最后采用信噪比与均方根误差作为信号质量评价指标,将融合算法与单独使用瞬态独立成分分析算法的处理结果进行对比,结果表明融合算法进行降噪处理这一方法具有更高的信噪比和更低的均方根误差,本文提出的融合算法具有良好的心电信号降噪性能。     

独立分量分析在表面肌电信号分解中的应用

采用独立分量分析中的信息极大化快速算法初步探讨了表面肌电信号的分解问题。研究结果表明 ,独立分量分析对肌肉轻度收缩力水平下 (<10 %MVC)表面肌电信号的分解有较好的效果 ,可以作为表面肌电信号分解的一种预处理手段     

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。     

小波变换在睡眠呼吸暂停脑电分析中的应用

目的：利用小波转换方法对阻塞性睡眠呼吸暂停低通气综合征（OSAHS）患者脑电信号进行处理分析。方法：对人选142例鼾症患者分为对照组、轻度组、中度组和重度组。利用Morlet小波函数对脑电信号进行变换处理得到平均能量尺度图,通过对单位时间能量的计算得到脑电能量变异的两个指标divl和div2,并分别提取两个特征参数P1、P50和P10（Pdiv2≥1．0）、P20（Pdiv2≥1.0）。检验各个指标的正态分布性和各指标在各样本组间的差异性,以及各指标与临床指标的相关性。结果：发现变异指标的四个参数各组之间的检验结果均表现出相似的规律：重度组与对照、轻、中度组之间的差异均有显著意义（P〈0．05）;其它各组之间的差异无显著意义,但有显著性趋势（0．05〈P〈0．1）;各参数与多项睡眠图（PSG）检测指标的多元回归分析结果显示：与参数P1、P50、P10（Pdivz≥1.0）、P20（Pdiv2≥1.0）相关性最强的一个指标分别为呼吸暂停总时间／睡眠总时间（TAT／TST）、呼吸暂停指数、指端血氧饱和度（SpO2）％90％时间／TST、呼吸暂停指数（标准化偏回归系数分别为-0．369、-0．720、0．317、-0．602,P均〈0．05）。结论：脑电能量变异性的定量指标div1和div2的四个参数P1、P50和P10（Pdiv2≥1.0）、P20（Pdiv2≥1.0）表现出随病情加重而变化的趋势,并且对重度OSAHS有一定的区分意义;呼吸暂停是影响脑电能量变化的主要因素。     

基于PCA及SVM的运动想象脑电信号识别研究

为了解决脑机接口(BCI)中不同意识任务下运动想象脑电信号的分类问题,提出了一种基于PCA及SVM的识别方法。针对Hilbert-Huang变换和AR模型提取的脑电信号特征,首先采用主成分分析PCA对高维特征向量进行降维处理,然后用支持向量机进行分类。最后将本方法分类结果和Fisher线性分类、概率神经网络分类结果进行比较。实验结果表明,该方法分类正确率较高,复杂度低,具有一定的有效性,可用于脑机接口中。     

多导信号的相空间重构及在脑电信号分析中的应用

本研究提出了一种基于时间延迟和序列相关性的多导信号相空间重构方法。根据信号的相关系数重组多导联信号序列，并利用信号的可确定性选取时间延迟参数重构相空间。对仿真数据的研究表明这种重构方法在信号的确定性和相关维数计算中具有良好的性能，受噪声、延迟量和嵌入维数等参数变化和单导重构相比影响较小，结果更稳定和可靠。对实验思维脑电数据的非线性分析得到了脑电和思维复杂性，关联性等性质的联系。该方法适用于短时多导含噪信号的非线性分析和脑电的在线研究等。     

一种基于脑电信号的疲劳驾驶状态判断方法

通过研究疲劳驾驶时脑电信号的特征,提出了一种基于独立分量分析（independent component analysis,ICA）的脑波疲劳状态判断方法.利用模拟驾驶系统,采用NT-9200动态脑电仪采集驾驶员在清醒和疲劳状态下（连续驾驶4h以上）的脑电信号,对采集的多导信号进行独立分量分析,去除EEG信号中的眼电、肌电及工频等干扰,经过快速傅里叶变换（fast fourier transform,FFT）后计算出脑波中多种功率谱密度,求得疲劳指数F.实验结果表明,在疲劳状态下的疲劳指数F明显高于清醒状态下的F.本文提出的脑波疲劳状态判断方法可有效用以判断驾驶员的疲劳程度.     

脑机接口中一种多类运动想象任务识别新方法

目的针对脑机接口中三类运动想象任务,提出一种最小二乘法自适应滤波结合独立成分分析以及样本熵(RLS-ICA-Samp En)、多类共同空间模式(CSP)、增量式支持向量机(ISVM)相结合的脑电识别新方法,以解决脑机接口中多类运动想象正确率低的问题。方法首先采用ICA将EEG分离,然后利用样本熵自动识别分离后的噪声,再采用RLS对识别出来的噪声进行滤波,最后进行信号重构,得到去除噪声的脑电信号。多类CSP采用"一对一"CSP与多频段滤波相结合,对去噪后的脑电信号进行特征提取。通过"一对多"方式的ISVM对三类运动想象脑电信号获取的特征向量进行分类。为检验新方法的有效性,将本文方法与多类CSP+ISVM(方法 1)及RLS-ICA+多类CSP+ISVM(方法 2)进行比较。结果对三类想象任务而言,本文方法识别正确率与方法 1和2相比均高8%左右。结论与方法1和2比较,RLS-ICA-Samp En、多类CSP、ISVM相结合的脑电识别新方法能更好地适用于多类运动想象任务识别。     

应用因果分析方法对癫痫发作间期头皮脑电信号进行致痫灶定侧

目的利用因果分析方法对癫痫发作间期的头皮脑电信号进行致痫灶定侧。方法在频域因果分析方法——自适应直接传递函数（ADTF）的基础上提出功率谱加权ADTF（psADTF）法,以给定频段内信号的功率谱对ADTF的标准化做加权,以适应不同癫痫波频域信息不同的特点。利用该方法对2组共30例患者的头皮脑电信号进行分析,含组1癫痫手术患者15例,组2门诊癫痫患者15例。其中组1患者共截取癫痫波样本数104个,组2患者共截取癫痫波样本数98个。结果组1患者通过psADTF分析对致痫灶定侧与手术侧一致的有96个,平均单个癫痫波致痫灶定侧准确率可达92％;组2患者通过psADTF分析对致痫灶定侧与专家判读结果一致的有94个,平均单个癫痫波致痫灶定侧准确率达96％。结论发作间期头皮脑电癫痫波信号的psADTF分析能够很好地辅助临床致痫灶定侧。     

Ghrelin对血管紧张素Ⅱ诱导的人脐静脉内皮细胞损伤保护作用的研究

目的研究促生长激素释放肽Ghrelin对血管紧张素Ⅱ（AngⅡ）体外诱导人脐静脉内皮细胞（HUVECs）损伤的保护作用。方法体外培养的HuVEcs，随机分为6组：正常对照组；Ghrelin（10^-7mol／L）组；AngⅡ（10^-7mol／L）组；AngⅡ（10^-7mol／L）＋Ghrelin不同浓度组：（Ghrelin 10^-7mol／L、10^-7mol／L和10^-7mol／L三个浓度组）。每组设6个复孔。用AngⅡ和Ghrelin联合干预细胞18h后，采用放射免疫方法测定内皮素-1（ET-1）含量；硝酸还原酶法测定一氧化氮（NO）含量；流式细胞仪检测细胞内活性氧（ROS）水平。结果Ghrelin呈浓度依赖性地显著减少AngⅡ诱导人脐静脉内皮细胞的ROS生成及ET-1释放，且明显促进NO生成（P〈0．05）。结论Ghrelin对AngⅡ体外诱导的HUVECs损伤有保护作用。     

Fuzzy support vector machine for classification of EEG signals using wavelet-based features

Translation of electroencephalographic (EEG) recordings into control signals for brain–computer interface (BCI) systems needs to be based on a robust classification of the various types of information. EEG-based BCI features are often noisy and likely to contain outliers. This contribution describes the application of a fuzzy support vector machine (FSVM) with a radial basis function kernel for classifying motor imagery tasks, while the statistical features over the set of the wavelet coefficients were extracted to characterize the time–frequency distribution of EEG signals. In the proposed FSVM classifier, a low fraction of support vectors was used as a criterion for choosing the kernel parameter and the trade-off parameter, together with the membership parameter based solely on training data. FSVM and support vector machine (SVM) classifiers outperformed the winner of the BCI Competition 2003 and other similar studies on the same Graz dataset, in terms of the competition criterion of the mutual information (MI), while the FSVM classifier yielded a better performance than the SVM approach. FSVM and SVM classifiers perform much better than the winner of the BCI Competition 2005 on the same Graz dataset for the subject O3 according to the competition criterion of the maximal MI steepness, while the FSVM classifier outperforms the SVM method. The proposed FSVM model has potential in reducing the effects of noise or outliers in the online classification of EEG signals in BCIs.     

A new combination: scale-space filtering of projected brain activities

In the present study, well known scale-space filtering (SSF) algorithm is used in combination with a linear mapping approach (LMA) to obtain clear auditory evoked potential (EP) waveform. The proposed combination involves two sequential steps: At first, the EEG noise level is reduced from −5 to 0 dB owing to the LMA based on the singular-value-decomposition. In the secondary process, the EEG noise remaining on the projected data is removed by using the SSF. A small number of sweeps are composed as a raw matrix to project the data without using the ensemble averaging at the beginning of the proposed method. Then, single sweeps are individually filtered in wavelet domain by using the SSF in the secondary step. The experimental results show that the SSF can extract the clear single-sweep auditory EP waveform where the LMA is used as a primary filtering. As well, the results indicate that the EP signal and background EEG noise create different wavelet coefficients due to their different characteristics. However, this characteristic difference can be considered to distinguish the EP signal and the EEG noise when the Signal-to-Noise-Ratio is higher than 0 dB.     

一种基于自相关和平均模差算法的胎儿心率提取方法

目的 胎儿心率是判断孕期胎儿健康状况的一项重要指标,使用超声多普勒测量胎心率是常用的无创方法.其中,自相关算法是常用的测量胎心率的算法,但是其抗噪性差,容易出错.方法 本文提出一种基于自相关与平均标准模差相结合的新算法,先通过自相关函数突显其周期性,然后用累计平均标准模差函数提取准确周期,最后通过使用该算法处理模拟器数据和临床数据,验证其精确度和抗噪性.结果 相比滑动窗算法,基于自相关和平均标准模差的算法具有更高的精确度和抗噪性.结论 改进后的算法可以有效计算出胎心率值.