基于卷积混合盲源分离技术的表面肌电信号分解研究

根据表面肌电信号（SEMG）形成的生理学特性，采用一种基于卷积混合过程的盲源分离技术来分析隐含在SEMG信号中的运动单位动作电位信息，利用仿真的SEMG信号对这种算法的分解性能进行实验研究，并与采用瞬时混合过程的独立分量分析（ICA）算法的分解性能进行比较，同时将该算法应用于真实SEMG信号的分解实验。研究结果表明，无论是对模拟SEMG信号还是真实SEMG信号，采用卷积混合盲源分离技术的分解方法均能得到较明显的分解效果，且该方法较符合表面肌电信号的形成过程，因而具有重要的研究价值。     

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。     

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.     

局部肌疲劳过程与表面肌电信号分维值变化关系的研究

利用肱二头肌在不同收缩力水平上持续恒力收缩时采集的表面肌电信号，研究局部肌疲劳过程中肌电信号的分形维变化规律。结果表明，随着疲劳程度的加深，表面肌电信号的分维值在不同收缩力水平上均呈下降趋势，与中值频率的下降趋势相一致。     

基于多通道信息融合分析的表面肌电信号分解研究

通过多通道信息检测与融合分析来探讨表面肌电(sEMG)信号分解问题,以获取准确的运动单位动作电位(MUAP)模式判别。采用结合连续小波变换和假设检验的波形检测方式从多通道sEMG信号中提取动作电位波形,在对动作电位波形空间分布特征信息融合分析的基础上通过层次聚类方法来确定MUAP类别数目,再利用模糊k均值算法以及针对未归类波形的波形剥离方法实现多通道sEMG信号的准确分解。实验结果表明,多通道sEMG信号中MUAP信息得到有效检测和模式分类。所采用方法利用多通道sEMG信号细致地获取了MUAP波形空间分布信息,能够取得满意的分解效果。     

小波变换在表面肌电信号分类中的应用

针对肌电信号的非平稳特性,采用小波变换方法对表面肌电信号进行分析。通过奇异值分解有效地提取信号特征进行模式识别,能够成功地从掌长肌和肱桡肌采集的两道表面肌电信号中识别展拳、握拳、前臂摧旋、前壁外旋四种运动模式。实验表明,基于小波变换的奇异值分解方法是一种稳定、有效的特征提取方法、为非平稳生理信号的分析提供了新的手段。     

利用表面肌电信号评价肌肉疲劳的方法

表面肌电信号分析是评价局部肌肉疲劳有效的工具。过去由于受信号处理技术的限制,对肌肉疲劳的评价仅局限于等长、恒力收缩。由于适合于非平稳信号分析的频谱估计技术的发展,使得动态收缩条件下的肌肉疲劳评价得以实现,在工效学、康复医学和运动医学等方面开启了新的应用领域。本文论述了利用表面肌电信号评价肌肉疲劳,特别是在肌肉动态收缩期间评价肌肉疲劳的方法,为进一步探讨肌肉疲劳的发生机制提供理论依据。     

表面肌电信号的分析与应用

表面肌电信号的检测是一种无创电检测方法，它的检测分析对临床诊断及康复医学、运动医学等具有重要意义。本文介绍了表面肌电的信号分析方法（时域分析法、频域分析法、时频分析法及人工神经网络等方法），并介绍了表面肌电信号检测分析的应用状况和前景展望。     

应用独立分量分析去除体表肌电中的心电干扰

体表肌电特别是从躯干获得的体表肌电往往受到被测对象自身心电信号的严重干扰。本文利用一种基于独立分量分析(ICA)的去噪方法,去除体表肌电中的心电干扰。该方法将多通道体表肌电进行独立分量分解,并用高通滤波器处理所分解出的心电独立分量以尽可能地保留其中的肌电成分,进而将去除心电干扰后的所有独立分量反向投影回原始信号空间得到去噪后的信号。仿真信号的处理结果表明,当高通滤波器的截止频率为30Hz时,该方法在有效去除心电干扰的同时使体表肌电的保真度达到最大。同时讨论了将信号的峰度(Kurtosis)值作为自动判别心电分量和肌电分量的标准的可能性。     

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。     

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。     

A simulation model of the surface EMG signal for analysis of muscle activity during the gait cycle

This work describes a model able to synthetize the surface EMG (electromyography) signal acquired from tibialis anterior and gastrocnemious medialis muscles during walking of asymptomatic adult subjects. The model assumes a muscle structure where the volume conductor is represented by multiple layers of anisotropic media. This model originates from analysis of the single fiber action potential characterized by the conduction velocity. The surface EMG of voluntary contraction is calculated by gathering motor unit action potentials estimated by the summation of all activities of muscle fibers assumed to have a uniformly parallel distribution. The parameters related to the gait cycle, such as onset and cessation timings of muscle activation, amplitude of muscle contraction, periods and sequences of motor units' recruitment, are included in the model presented. In addition, the relative positions of the electrodes during gait can also be specified in order to adapt the simulation to the different acquisition settings.     

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     

独立分量分析在脑电信号识别方面的应用

着重研究应用独立分量分析方法对脑电信号进行计算机分析和处理 ,从脑电图中将特定的独立性脑部活动 (如伪差反应、对称性等 )信息从混合信号中提取出来 ,另外总结了脑电独立分量的一些规律。上述独立分量分析有助于对脑电图的判读和病理的判断     

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.     

新的独立成分分析算法结合主成分分析实现fMRI信号的盲分离

用ICA算法来实现fMRI信号的盲源分离,可以提取出产生fMRI信号的多种源信号。但是在处理过程中存在两个困难:(1)fMRI数据的规模比较大,计算耗时;(2)计算量太大难免产生误差,给结果的分析带来不便。所以我们考虑对数据进行降维,但是如何确定源信号的个数也是一个难题。我们利用信息论的方法来估计源信号的个数,再使用主成分分析对数据进行降维。通过这样的处理,有效地确定了源信号的个数,减少了计算量。然后将一种新的ICA算法(New fixed-point,NewFP)用于处理降维后的数据。最后通过对实际的fMRI信号进行处理,结果表明新算法可以快速有效的分离fMRI信号,且准确性优于FastICA算法。