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。     

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     

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.     

独立分量分析的拟牛顿迭代算法及其在视觉诱发电位特征提取中的应用

少次叠加平均处理后的视觉诱发电位（VEP）中仍含有一定的背景噪声．对其进行进一步的提取与处理有重要的实用价值。独立分量分析（ICA）能够从混合信号中分离出最独立的成分，有效抑制噪声。本文尝试采用ICA的拟牛顿迭代算法进行VEP特征提取，介绍该方法的原理、实验和结果，并与采用牛顿迭代准则的快速独立孕量分析（Fast ICA）算法进行了比较。结果表明，基于拟牛顿法的ICA可以有效增强信号，从少次叠加平均的结果中提取出易于辨识的VEP的P300信号，具有较高的应用价值。     

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.     

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.     

两导心电信号独立分量分析算法的研究

根据独立分量分析(ICA)理论,要想在观测信号中提取出独立分量,观测信号的数目必须大于或等于独立分量的数目,因此要求采用ICA算法的胎儿心电图机导联数必须大于一定数目,但在实际应用中常常难以满足这个条件。故本文提出了一种基于少数导联心电(ECG)信号的胎儿心电(FECG)提取算法,结合FECG和自适应噪声抵消算法,从两导采集于孕妇腹部体表的ECG信号中提取FECG。实验表明,该方法能够获得清晰的FECG信号。     

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。     

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.     

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。     

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。     

一种用ICA去除瞬态诱发耳声发射伪迹的新方法

如何去除伪迹是瞬态诱发耳声发射检测中一个关键的问题。本研究提出了一种用ICA去除伪迹的新方法。首先用四组线性增长的刺激声在耳道内录音 ,得到的波形是瞬态诱发耳声发射和伪迹的混叠。因为伪迹和瞬态诱发耳声发射是统计独立的 ,而且伪迹随刺激声的变化线性增长 ,而瞬态诱发耳声发射随刺激声的变化非线性增长 ,逐渐趋于饱和 ,所以它们在混叠信号中具有不同的混叠系数。用ICA算法可以将各独立分量及混叠矩阵估计出来 ,伪迹是其中的一个独立分量。然后将伪迹的波形置零后再进行一次混叠 ,便达到了去除伪迹的目的。最后通过与传统的DNLR方法比较 ,证明这种方法是有效的