基于参考信号的ICA方法进行诱发电位单导提取

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EP信号总是淹没在人体自发产生的脑电图信号(EEG)中.因此,为利用EP信号诊断神经系统的损伤和病变,本文使用带参考信号的独立分量分析(ICA)方法从混合信号中快速将EP信号提取出来.计算机模拟表明,采用带参考信号的ICA方法可以从单导混合信号中有效地将EP信号提取出来.     

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。     

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。     

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。     

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。     

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。     

诱发电位潜伏期变化检测中基于谱函数特性分析的参考信号构造方法

诱发电位信号潜伏期变化的自适应检测对于诊断中枢神经系统的损伤和病变具有重要的意义。在以往的潜伏期变化估计算法中，往往采用通过累加平均的方法得到的近似纯净的EP信号作为自适应时间延迟估计的参考信号。而在临床上。无潜伏期延迟的纯净EP信号是很难得到的。本研究提出了一种基于信号谱函数分析的EP信号构造方法，并将此信号作为参考信号，应用到诱发电位信号潜伏期变化估计中去，得到了良好的结果。     

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。     

脑机接口中一种多类运动想象任务识别新方法

目的针对脑机接口中三类运动想象任务,提出一种最小二乘法自适应滤波结合独立成分分析以及样本熵(RLS-ICA-Samp En)、多类共同空间模式(CSP)、增量式支持向量机(ISVM)相结合的脑电识别新方法,以解决脑机接口中多类运动想象正确率低的问题。方法首先采用ICA将EEG分离,然后利用样本熵自动识别分离后的噪声,再采用RLS对识别出来的噪声进行滤波,最后进行信号重构,得到去除噪声的脑电信号。多类CSP采用"一对一"CSP与多频段滤波相结合,对去噪后的脑电信号进行特征提取。通过"一对多"方式的ISVM对三类运动想象脑电信号获取的特征向量进行分类。为检验新方法的有效性,将本文方法与多类CSP+ISVM(方法 1)及RLS-ICA+多类CSP+ISVM(方法 2)进行比较。结果对三类想象任务而言,本文方法识别正确率与方法 1和2相比均高8%左右。结论与方法1和2比较,RLS-ICA-Samp En、多类CSP、ISVM相结合的脑电识别新方法能更好地适用于多类运动想象任务识别。     

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。     

Removing electroencephalographic artifacts by blind source separation

Eye movements, eye blinks, cardiac signals, muscle noise, and line noise present serious problems for electroencephalographic (EEG) interpretation and analysis when rejecting contaminated EEG segments results in an unacceptable data loss. Many methods have been proposed to remove artifacts from EEG recordings, especially those arising from eye movements and blinks. Often regression in the time or frequency domain is performed on parallel EEG and electrooculographic (EOG) recordings to derive parameters characterizing the appearance and spread of EOG artifacts in the EEG channels. Because EEG and ocular activity mix bidirectionally, regressing out eye artifacts inevitably involves subtracting relevant EEG signals from each record as well. Regression methods become even more problematic when a good regressing channel is not available for each artifact source, as in the case of muscle artifacts. Use of principal component analysis (PCA) has been proposed to remove eye artifacts from multichannel EEG. However, PCA cannot completely separate eye artifacts from brain signals, especially when they have comparable amplitudes. Here, we propose a new and generally applicable method for removing a wide variety of artifacts from EEG records based on blind source separation by independent component analysis (ICA). Our results on EEG data collected from normal and autistic subjects show that ICA can effectively detect, separate, and remove contamination from a wide variety of artifactual sources in EEG records with results comparing favorably with those obtained using regression and PCA methods. ICA can also be used to analyze blink-related brain activity.     

基于独立分量分析和遗传算法的诱发电位提取新方法

本研究提出了一种基于独立分量分析和遗传算法的诱发电位提取方法。以EP信号的峭度作为目标函数基准点,以其它信号的峭度与基准点的偏离程度的倒数作为目标函数,通过遗传算法在全局搜索适应度函数的最大值,从而首先将EP信号首先分离出来,实现了诱发电位的快速提取,而且适用于超高斯和亚高斯信号同时存在的情况。与其他提取EP信号特征的方法（如rICA）相比,本研究的方法不需要引入参考信号,只需要知道所要提取信号的峭度的估值即可,计算简单。     

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.     

The Removal of Ocular Artifacts from EEG Signals Using Adaptive Filters Based on Ocular Source Components

Ocular artifacts are the most important form of interference in electroencephalogram (EEG) signals. An adaptive filter based on reference signals from an electrooculogram (EOG) can reduce ocular interference, but collecting EOG signals during a long-term EEG recording is inconvenient and uncomfortable for the patient. In contrast, blind source separation (BSS) is a method of decomposing multiple EEG channels into an equal number of source components (SCs) by independent component analysis. The ocular artifacts significantly contribute to some SCs but not others, so uncontaminated EEG signals can be obtained by discarding some or all of the affected SCs and re-mixing the remaining components. BSS can be performed without EOG data. This study presents a novel ocular-artifact removal method based on adaptive filtering using reference signals from the ocular SCs, which avoids the need for parallel EOG recordings. Based on the simulated EEG data derived from eight subjects, the new method achieved lower spectral errors and higher correlations between original uncorrupted samples and corrected samples than the adaptive filter using EOG signals and the standard BSS method, which demonstrated a better ocular-artifact reduction by the proposed method.     

基于经验模式分解和独立分量分析的单导少次EP信号提取

EP信号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。本研究利用经验模式分解（EMD）,把单导脑电信号（EP＋EEG）分解成多个基本模式分量（IMF）之和,进而选取合适的基本模式分量或者它们的组合,构成1导或多导参考信号,再利用独立分量分析（ICA）成功提取出了期望的EP信号,从而克服了ICA需要多导观测信号的要求。仿真实验证明了本方法的有效性。     

Fetal heart rate monitoring based on independent component analysis

In this paper, an algorithm based on independent component analysis (ICA) for extracting the fetal heart rate (FHR) from maternal abdominal electrodes is presented. Three abdominal ECG channels are used to extract the FHR in three steps: first preprocessing procedures such as DC cancellation and low-pass filtering are applied to remove noise. Then the algorithm for multiple unknown source extraction (AMUSE) algorithm is fed to extract the sources from the observation signals include fetal ECG (FECG). Finally, FHR is extracted from FECG. The method is shown to be capable of completely revealing FECG R-peaks from observation leads even with a SNR=-200dB using semi-synthetic data.