独立成分分析在生物医学信号处理中的应用

独立成分分析(independent component analysis，ICA)已经成功地应用到生物医学信号处理中，并被证明是一种分析生物医学信号的强有力的工具，近年来一直受到国内外学的广泛关注。本系统地介绍了独立成分分析在生物医学信号(EEG，MEG，fMRI)处理中的应用，分析了其应用方法，最后简要地探讨了独立成分分析应用到生物医学信号中的优势及存在的一些不足。     

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。     

功能磁共振图像的独立成分分析与提取

目的用独立成分分析方法(Independent Component Analysis,ICA)处理视觉任务态f MRI数据,并从f MRI信号中分离出任务相关和非相关的独立成分。方法运用快速不动点算法(Fast ICA)处理-功能磁共振数据,得到各独立成分的时间多元回归系数和时间进程图,结合对实验任务的分析,选取识别出各类独立成分。结果分别识别出视觉任务相关独立成分、类似周期信号独立成分、头动信号独立成分。结论把独立成分分析方法应用到对f MRI数据的处理当中,不仅能够找到真正与任务相关的独立成分,而且能够识别出其他相关因素引起的独立成分,从而为科研实验或图像的分析诊断提供科学依据。     

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。     

心动周期信号中独立成分的分离

采用一项新的统计信号处理技术——独立成分分析提取心动周期信号子成分。从 10名受试者的仰卧和站立体位分别采集 8m in心电信号 ,进而提取心动周期信号。按时间延迟把心动周期信号分成 5组 ,进行独立成分分析 ,重构出两组成分。两组成分分别经傅立叶变换 ,结果显示一组信号成分集中于低频区域 (称为 IC1) ,另一组集中于高频区域 (称为 IC2 )。从仰卧位到站位 IC1的功率显著增加 (P<0 .0 1) ,IC2的功率没有显著的变化 (P>0 .0 5 ) ,IC1的功率占总功率的比值显著增加 (P<0 .0 1)。两体位的比较研究结果表明采用独立成分分析心动周期信号得到的两组成分中 ,IC1可以表征交感神经系统的活动 ,而 IC2表征了副交感神经系统的活动。由这些成分得到的数字和图谱信息可以分别定量评价交感和副交感神经系统的功能     

心房活动电生理信号特征提取

为从12导联体表心电图中有效地提取反映心房活动的电生理信号,构造一种稀疏表示下的独立成分分析模型。首先,对采集到的12导联体表心电信号进行预处理,然后通过小波变换,实现心电信号小波域的稀疏表示形式,对变换后的心电信号进行独立成分分析,并通过频谱分析确定出反映心房活动的电生理信号源。讨论了平均房颤周长的这一测量指标在房颤患者中的具体应用。实验表明,该方法可以有效提取心房活动的电生理信号,将对心房活动电生理的深入研究产生积极影响。     

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.     

独立元分析和非负矩阵分解的盲源分离比较

独立元分析(Independent Component Analysis,ICA)和非负矩阵分解(non-negative matrix factorization,NMF)是盲源分离的研究热点.文章在提出盲源分离框架的基础上,对独立元分析和非负矩阵分解进行了比较,并通过两个实例分别介绍了两者在生物医学领域中的应用.     

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.     

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。     

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.     

一种基于独立成份分析的fMRI时-空模型数据处理方法

独立成份分析(ICA)是信号处理领域中斯近发展起来的一种很有应用前景的方法，而脑功能磁共振(fMRI)信号的有效分离与识别是一个正在研究和试验之中的技术领域。因此，发展基于ICA的fMRI数据处理方法具有明显的理论价值和应用前景。本文首先介绍了ICA原理，分析了现行ICA—fMRI方法采用的信号与噪声的空域分布相互独立的信号模型所存在的明显不足，然后提出了微域中的信号与噪声的时域过程相互独立的fMRI信号模型，从而建立了一种新的fMRI数据处理方法：邻域独立成份相关法。合理的fMRI实验数据处理结果验证了新方法的合理性。     

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。     

独立分量分析在生物医学信号处理中的应用

独立分量分析是盲信号处理领域的研究热点，是盲信号处理的重要组成部分。介绍了独立分量分析(ICA)的基本模型、数学原理、研究进展，以及当前广泛应用的FastICA算法，着重论述了ICA在生物医学信号处理中的应用，提出了存在的问题和进一步研究的方向。     

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。     

MUAP extraction and classification based on wavelet transform and ICA for EMG decomposition

We have developed an effective technique for extracting and classifying motor unit action potentials (MUAPs) for electromyography (EMG) signal decomposition. This technique is based on single-channel and short periodȁ9s real recordings from normal subjects and artificially generated recordings. This EMG signal decomposition technique has several distinctive characteristics compared with the former decomposition methods: (1) it bandpass filters the EMG signal through wavelet filter and utilizes threshold estimation calculated in wavelet transform for noise reduction in EMG signals to detect MUAPs before amplitude single threshold filtering; (2) it removes the power interference component from EMG recordings by combining independent component analysis (ICA) and wavelet filtering method together; (3) the similarity measure for MUAP clustering is based on the variance of the error normalized with the sum of RMS values for segments; (4) it finally uses ICA method to subtract all accurately classified MUAP spikes from original EMG signals. The technique of our EMG signal decomposition is fast and robust, which has been evaluated through synthetic EMG signals and real EMG signals.     

基于EMD-ICA的心冲击信号降噪研究

心冲击信号(BCG)是反映心脏机械运动的生理信号,能实现无电极束缚条件下的连续采集测量。但BCG信号微弱,易受干扰,测量时经常会淹没在噪声中。为了消除噪声,有效识别BCG信号特征,提出一种基于经验模态分解(EMD)联合独立分量分析的BCG信号降噪方法。首先,将含噪BCG信号进行EMD分解,获得一系列按频率从高到低的固有模态分量(IMF),采用模态相关准则进行信号层与噪声层的判定;其次,将分界之上的IMF分量构建虚拟噪声通道,基于ICA算法对原始BCG信号进行盲源分离,从而得到降噪后的BCG信号。采集10名健康受试者的BCG信号进行降噪处理。量化评价结果表明,与小波方法和EMD方法相比,降噪后信噪比均显著提高(小波方法11.01±1.58,EMD方法5.19±1.29,所提出方法14.87±3.04,P<0.05),能量百分比也均显著提高(小波方法88.81%±2.81%,EMD方法96.15%±2.96%,所提出方法96.64%±2.92%,P<0.05),从而证明所提出方法降噪效果明显,能够有效还原BCG信号特征。     

Blind Source Separation of Concurrent Disease-Related Patterns from EEG in Creutzfeldt–Jakob Disease for Assisting Early Diagnosis

Creutzfeldt–Jakob disease (CJD) is a rare, transmissible and fatal prion disorder of brain. Typical electroencephalography (EEG) patterns, such as the periodic sharp wave complexes (PSWCs), do not clearly emerge until the middle stage of CJD. To reduce transmission risks and avoid unnecessary treatments, the recognition of the hidden PSWCs forerunners from the contaminated EEG signals in the early stage is imperative. In this study, independent component analysis (ICA) was employed on the raw EEG signals recorded at the first admissions of five patients to segregate the co-occurrence of multiple disease-related features, which were difficult to be detected from the smeared EEG. Clear CJD-related waveforms, i.e., frontal intermittent rhythmical delta activity (FIRDA), fore PSWCs (triphasic waves) and periodic lateralized epileptiform discharges (PLEDs), have been successfully and simultaneously resolved from all patients. The ICA results elucidate the concurrent appearance of FIRDA and PLEDs or triphasic waves within the same EEG epoch, which has not been reported in the previous literature. Results show that ICA is an objective and effective means to extract the disease-related patterns for facilitating the early diagnosis of CJD.