基于分数低阶矩的非高斯噪声中诱发电位提取新方法

诱发电位（EP）信号榆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。传统的EP信号提取与分离方法中，通常认为EP信号中混入的EEG等噪声是高斯分布的。近年来一些研究表明TEEG信号具有一定的非高斯特性。α-稳定分布町以更好地描述实际应用中所遇到的具有显著脉冲特性的EEG噪声。文中简要介绍了稳定分们统计特性，推导了一种适用于EP信号分离提取的新算法。计算机模拟和分析表明，这种算法是一种在分数低阶α稳定分布背景噪声条件下具有良好韧性的EP信号分离提取方法。     

基于最小分散系数与旋转变换的EP信号自适应盲提取方法

诱发电位对于诊断神经系统损伤和病变具有重要的意义。传统的EP信号提取与分离方法中,通常认为EP信号中混入的EEG等噪声是高斯分布的。近年来一些研究表明了EEG信号具有一定的非高斯特性,而Alpha稳定分布可以更好地描述实际应用中所遇到的具有显著脉冲特性的EEG噪声。本研究提出了一种适用于EP信号分离提取的基于最小分散系数准则与旋转变换的算法,即通过分散系数的最小化,从而使估计误差的平均幅度达到最小,再利用Givens矩阵求解混矩阵。计算机模拟和分析表明,这种算法在分数低阶Alpha稳定分布背景噪声条件下,具有良好韧性,对EP信号可有效进行分离提取。     

Alpha稳定分布噪声下单路EP信号的动态提取方法

近年来的研究表明,采用α稳定分布模型来描述带噪EP信号比用常规的高斯模型具有更好的适应性。在α稳定分布噪声下,特别是当噪声的非高斯特性比较明显时,常规的基于二阶或高阶统计量的算法其性能将有所退化,甚至不能工作。本研究提出基于线性观测模型的数据复用最小平均p范数（DR-LMP）方法,并将之用于α稳定分布噪声下单路EP信号的动态提取。仿真结果表明,此方法能够在一定程度上减少提取EP信号时所需的刺激实验次数,实现单导EP信号的少次提取。当观测EP信号的信噪比大于-10dB时,此方法能够有效跟踪EP信号的变化,实现EP信号的动态提取。此外,本方法改变了二阶算法在分数低阶噪声下不收敛的缺点,在高斯噪声和分数低阶噪声下均具有良好韧性。     

低阶非高斯噪声下基于BOREL谱测度的诱发电位少次提取方法

EEG信号的非高斯特性导致了传统的EP信号提取算法的退化,为提高EP信号提取方法的韧性并实现少次提取,本研究利用BOREL谱测度的峰值确定欠定混合矩阵的基矢量,从而确定各个独立分量,并实现诱发电位的少次提取.仿真表明,利用基于BOREL测度的新方法分离前后的EP信号与EEG噪声的相关系数为0.9以上.这种方法是一种在分数低阶稳定分布噪声条件下具有良好韧性的诱发电位少次提取的新方法.     

一种基于脑电信号分析的中枢神经系统损伤检测的韧性自适应方法

根据带噪EP信号的α稳定分布特性和分数低价矩理论。本文分析了DLMS自适应算法在低阶α稳定分布噪声条件下退化的原因，并从理论上研究了由本文部分作者提出的DLMP诱发电位潜伏期变化自适应估计算法在高斯和非高斯环境下的韧性及其保持韧性的原因。理论分析和计算机模拟以及实验数据分析的结果表明。α稳定分布噪声模型是一种适合于描述带噪EP信号统计特性的随机噪声模型，基于分数低阶矩的DLMP自适应算法在高斯和低阶α稳定分布噪声环境下均具有良好的韧性。用这种方法所检测估计的EP信号潜伏期变化，与神经系统的实际状态和变化一致，具有较高的可靠性。     

α稳定分布噪声下诱发电位潜伏期变化的自适应检测

在传统的诱发电位（EP）信号分析处理中,通常假定带噪EP信号和EEG等噪声是高斯分布的。但是,这种假定并不符合信号和噪声的真实特性。本依据分数低阶短理论,分析了DLMS自适应算法在低阶α稳定人布噪声条件下退化的原因,综述了DLMP,SDA和VSDA等在高斯和低阶α稳定分布噪声条件下具有较高韧性的自适应EP潜伏期变化检测估计方法,给出了DLMP在非高斯噪声环境下保持韧性的原因,并且指出了在这一领域有待于进一步研究的若干问题。     

α稳定分布噪声下诱发电位潜伏期变化的自适应检测

在传统的诱发电位 (EP)信号分析处理中 ,通常假定带噪 EP信号和 EEG等噪声是高斯分布的。但是 ,这种假定并不符合信号和噪声的真实特性。本文依据分数低阶矩理论 ,分析了 DL MS自适应算法在低阶 α稳定分布噪声条件下退化的原因 ,综述了 DL MP、SDA和 VSDA等在高斯和低阶 α稳定分布噪声条件下具有较高韧性的自适应 EP潜伏期变化检测估计方法 ,给出了 DL MP在非高斯噪声环境下保持韧性的原因 ,并且指出了在这一领域有待于进一步研究的若干问题。     

非高斯脉冲噪声下基于径向基神经网络的诱发电位韧性自适应估计方法

诱发电位(EP)观测信号中的背景噪声经常呈现出某种非高斯脉冲特性,使基于高斯假设的最小均方自适应算法性能明显退化,而适用于α稳定分布假设的最小平均p范数算法仍能较好地工作。借鉴该思想,使用以时间索引序列为输入的径向基神经网络,实现脉冲噪声下的EP信号自适应估计,给出矩阵形式的权值更新公式,逐扫描地完成自适应估计,且无需设计参考信号。针对当α动态变化时最小平均p范数算法性能变差的不足,提出基于符号函数直接自适应的改进算法用于EP信号估计。实验结果表明,改进后的算法可以在α动态变化时很好地跟踪EP信号,即使在很低的混合信噪比时(-12 dB),估计信号与EP源信号的相关系数仍在0.9以上,是一种在α稳定分布噪声下具有良好韧性的EP信号自适应估计算法。     

α稳定分布噪声环境下基于μ律压缩的诱发电位潜伏期变化自适应检测方法

诱发电位潜伏期变化的自适应检测对于诊断神经系统的损伤和病变具有重要的意义.本研究根据数字通信系统中广泛使用的μ律压缩原理,给出了一种在分数低阶α稳定分布噪声环境下,具有良好韧性的诱发电位潜伏期变化检测方法.计算机仿真结果表明,该算法能够根据信号噪声特性的变化,动态地调整自身的参数值,在抑制了分数低阶α稳定分布噪声的同时,有效保留了信号成分,具有较高的估计精度和良好的韧性.     

一种EEG信号盲分离和分类的神经网络方法

提出一种采用多神经网络处理脑电(EEG)信号的方法。首先，对混有噪声的脑电信号给出一种盲分离的自适应神经算法。通过寻求采样时间序列线性组合的kurtosis系数的局部极值，得出该算法的模型和步骤。在盲分离的基础上，对分离出的估计信号进一步利用Kohonen网络进行分类。将该算法用于300个EEG样本处理，并给出处理结果。     

基于广义子空间法的脑电诱发电位单导少次提取

脑电诱发电位(EP)的单导少次提取一直是生物医学信号处理领域倍受关注的问题。本研究提出一种广义子空间法用于EP信号的单导少次提取问题中,实现对观测信号的滤波降噪得到EP信号在最小均方误差意义下的最佳估计。该算法的核心是首先利用投影矩阵将信号和噪声同时投影到系数空间,再根据观测信号和噪声的自相关矩阵得到系数加权矩阵,估计出信号的投影系数,最后利用重构矩阵进行重构得到期望的EP信号。仿真实验在不同初始信噪比条件下进行算法测试和性能分析,该算法较好地抑制了自发脑电的干扰,使信噪比获得了较大程度的提高。     

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。     

诱发电位波形提取方法及进展

诱发电位(EP)信号在检测神经系统的状态和变化上有重要意义，但EP信号往往淹没在脑电图信号(EEG)中。本文综述了几种EP信号的提取方法，包括平均法，滤波法，峰值分量潜伏期相关平均方法(PC—LCA)，高阶累积量方法，独立分量分析(ICA)方法等。并对几种方法进行了综合比较。针对近年来对EP信号及其噪声的研究，本文对一种新型的EP信号提取方法进行了展望。     

基于Infomax预处理的诱发电位潜伏期变化自适应检测

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一种重要手段。本研究提出一种预处理EP潜伏期变化动态检测方法 ,即利用独立分量分析方法 (ICA)对含有α稳定分布噪声的EP信号做预处理 ,再利用DLMS、DLMP算法动态检测EP潜伏期变化 ,形成了p -DLMS和p -DLMP算法。仿真结果及实验数据分析表明 ,p -DLMS和p -DLMP收敛速度分别高于DLMS和DLMP算法 ;在混合信噪比较低的情况下 ,p -DLMS和p -DLMP算法可以自适应地检测出潜伏期变化 ,且比DLMS和DLMP算法具有较好的估计精度和收敛速度 ;对不同的α的值 (0 <α 2 ) ,p -DLMS算法和p -DLMP算法性能基本不变。     

基于小波分析方法的脑电诱发电位单导少次提取

脑电诱发电位(EP)的单导少次提取具有重要的临床意义.本研究提出一种基于小波分析的方法,用于EP信号的单导少次提取.该算法首先将检测得到的信号经过白化滤波器进行滤波,将自发脑电预白化为白噪声,目的是使噪声的小波系数均匀分布在所有尺度和位移上,而期望信号的小波系数只在少数尺度上为非零值.进而对滤波后的信号的小波系数进行加权处理,再通过反变换得到期望信号,恢复出EP信号.在不同初始信噪比条件下仿真,进行算法测试和性能分析.结果表明,该算法能够抑制自发脑电的干扰,使信噪比提高13 dB,相当于20次叠加平均效果,从而可以实现EP信号的单导快速提取.     

欠定盲源分离和共空间模式特征的脑电信号分类研究

眼电伪迹和噪声是导致脑电信号低信噪比的重要原因,会降低运动想象任务的分类性能。提出一种改进的基于少通道数的分块欠定盲源分离的滤波方法,通过分块的思想把非平稳的脑电信号变为近平稳的分块信号,利用二阶欠定混合矩阵盲识别方法估计混合分离矩阵,然后通过基于最小均方误差的波速形成器提取源信号,接着通过得分准则自动去除噪声信号并重构信号,最后提取共空间模式特征进行分类。想象运动的真实脑电信号实验仿真结果表明,分块欠定盲源分离方法能很好地恢复源信号并能有效地去除眼电等伪迹和噪声,共空间模式特征则提高了想象任务识别率。     

基于时-频-空间域的运动想象脑电信号特征提取方法研究

脑机接口(BCI)是在人或动物脑与外部设备间建立的直接连接通路,信号分析功能模块是其核心部分,其中特征提取算法的效果如何是脑电图(EEG)信号分析算法的关键。EEG信号本身信噪比低,传统的EEG特征提取方法存在着缺少空间信息,需要的特征量个数较多,分类正确率低等不足。针对以上问题,本文提出了一种基于小波和独立分量分析(ICA)的时间-频率-空间EEG特征的提取方法,分别用离散小波变换(DWT)和ICA提取时频域特征和空域特征。并用支持向量机(SVM)和遗传算法(GA)相结合的方法对提取的特征进行分类。实验对比结果表明,所提出的方法有效地克服了传统的时频特征提取方法空间信息描述不足等问题,对于2003年BCI竞赛数据datasetⅢ分析,最高分类正确率为90.71%。     

α稳定分布噪声下诱发电位潜伏期变化的自适应检测方法及研究进展

诱发电位潜伏期变化的自适应检测对于诊断神经系统的损伤和病变具有重要的意义。本文介绍了近年来在低阶稳定分布噪声下．利用分数低阶统计量对诱发电位潜伏期变化进行自适应检测的多种方法．并且对各种算法进行了分析比较。     

重要或然性的图形化:帮助脑电话活动定位的记录分析

EEG已证明在产生局灶和(或)发作性异常(即脓肿、癫痫)的某种神经疾病的识别中是重要的工具。但是,有少数例外,EEG对识别引起背景活动的更细微改变(如智能发育不全,早老痴呆)的神经疾病很少有用。皮层诱发电位(EP)也还未能达到临床应用的水平。为了帮助这些资料的临床评价,著者最近制成一种局部记录图形化系统和计算机显示的头皮记录信号,即脑电活动图形化(Brain Electrical actvity mapping,BEAM)。图象来自EEG和EP两方面的资料。对于EEG资料可显示传统的δ、θ、α和β频带的空间分布。对于     

脑电波及诱发电位的头皮分布模型的构成与特征表述

本文提出一个脑电波(EEG)和诱发电位(EP)在头皮上的分布模型。该模型由EEG头皮分布模型和EP头皮分布模型所构成,文中运用该模型定量地描述了在三种状态下(闭眼未刺激、睁眼未刺激及闭眼刺激)EP及EEG的分布特征。EEG模型是一个具有时间滞后的二阶系统。模型参数由每一个状态所确定的条件而定。使用