空间ICA在fMRI数据上的应用与分析

独立成分分析(ICA)技术试图将多维数据分解成若干个相互统计独立的分量。时间ICA和空间ICA都可以用于分析功能核磁共振成像(fMRI)数据。但由于fMRI数据空间维数远远大于时间维数，为计算方便，在分析fMRI数据时。则更多的使用空间ICA方法。本文在单任务激励实验中，利用ICA方法从fMRI数据中分离出若干个与任务相关的独立分量，其中包括与任务相关的恒定分量(CTR)和与任务相关的暂态分量(TTR)；通过将这些独立分量进行空间映射，得到了与任务相关的脑部激活区域。将此结果与SPM的分析比较，得到了一致的结果。在对结果的分析中，我们进一步指出了ICA方法的特点和局限性。     

一种独立成分分析的鲁棒算法及其在脑磁图数据分析中的应用

独立成分分析是一种新的信号处理统计方法。被广泛用于各个领域。在信号分析中面临的难题是：源信号的不同特性（既包括超高斯信号又包括亚高斯信号）；未知的独立源数目；传感器信号受到较大的加性噪声污染。针对以上难题，本文提出了一种独立成分分析的鲁棒算法。该方法先对观测数据作预处理，将包含噪声的高维传感器观测信号降维分解到信号子空间和噪声子空间。利用交叉验证法估计出独立源的数目（解决了独立成分分析本身不能确定源数目的缺陷）；然后利用快速稳定的FastICA算法分离独立成分。通过人工合成的数据和实际的脑磁图数据分析。验证了这种方法的功效。     

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。     

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。     

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。     

基于独立成分分析的时间自相关方法在功能磁共振激活区自适应提取中的应用

传统基于ICA的激活区检测手段是将分离后的独立成分与参考信号做相关性分析。实际问题中,不同区域的脑血流动力学响应情况不同,因此往往得不到标准的参考信号。针对此类问题,提出时间自相关方法(TSC)与ICA方法结合,在不需要参考信号的情况下,通过检测体素点各周期的时间序列相关性,对fMRI数据进行激活区提取。应用5 邻域ICA方法对fMRI数据逐点处理,然后应用时间自相关算法检测各时间序列周期间的相关性,选择最大的自相关系数作为该体素点的信号值。再通过Z变换将相关系数分布转换为服从N(0,1)的Z分布,提取出具有显著性差异（a=0.05）的激活区。将自相关算法应用于仿真数据和12组双手握拳运动的真实fMRI数据的处理,结果表明该方法能够准确提取出仿真数据中的激活区。对真实数据的处理,该方法在空间准确性上与GLM方法无显著性差别(0.4653±0.1368 vs 0.4905±0.1341),在时间准确性上显著优于GLM方法 (0.6364±0.0111 vs 0.3692±0.0109),具有良好的脑功能激活区检测及空间定位能力。     

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.     

基于ICA的fMRI分析方法的成分可靠性和选择

目的:ICA是一种十分有效的fMRI数据驱动分析方法.ICA的优势是无需先验假设,就可以用来分析脑功能认知行为.方法:本文介绍了ICA的原理及其在fMRI中应用的发展方向;重点探讨了独立成分的可靠性以及感兴趣独立成分的选择问题,对比分析了当前常用的各种解决方法.结果:如何有效的确定独立成分的可靠性及选择感兴趣的成分,仍然是非常棘手的问题,同时,许多研究亦提出很多针对性的解决方法.结论:ICA在fMRI应用中取得了很多突破性的进展,是十分有前途的fMRI分析方法.     

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。     

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.     

An Improved Fixed-point Algorithm for Independent Component Analysis of Functional MRI Data

The fixed-point algorithm and infomax algorithm are two of the most popular algorithms in independent component analysis （ICA）. However, it is hard to take both stability and speed into consideration in processing functional magnetic resonance imaging （fMRI） data. In this paper, an optimization model for ICA is presented and an improved fixed-point algorithm based on the model is proposed. In the new algorithms a small step size is added to increase the stability. In order to accelerate the convergence, an improvement on Newton method is made, which makes cubic convergence for the new algorithm. Applying the algorithm and two other algorithms to invivo fMRI data, the results show that the new algorithm separates independent components stably, which has faster convergence speed and less computation than the other two algorithms. The algorithm has obvious advantage in processing fMRI signal with huge data.     

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。     

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。     

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。     

Localization of Latent Epileptic Activities Using Spatio-Temporal Independent Component Analysis of fMRI Data

Summary Localizing interictal epileptic activities is a difficult problem in clinical practice. We report a novel noninvasive technique, resting functional magnetic resonance imaging (fMRI) with spatio-temporal independent component analysis (ICA), for localizing interictal epileptic activities. First, the fMRI data is separated into independent spatial patterns by spatial-ICA, and the patterns with Z-values larger than a threshold are selected as the potential spatial patterns of the epileptic activities. Second, the temporal series of the active points in the selected patterns are separated by temporal-ICA, and the component with the biggest Gaussian deviation (kurtosis) is selected as the representative of the epileptic discharge activity in a sub-region. Finally, those spatial sub-regions, which have distinct epileptic discharge activities confirmed by temporal–ICA are considered as the epileptic foci. This method was applied to fMRI data of six epileptic patients, and the results are consistent with the clinical assessment. Though more studies are required to validate this technique, the above preliminary results demonstrate the potential of using the resting fMRI with spatio-temporal ICA to detect and localize latent epileptic activities. An erratum to this article can be found at     

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