基于扩展Infomax ICA的ERP少次提取方法研究

事件相关电位(event related potential,ERP)提取是脑电研究的重点之一,目前临床上主要通过相干平均的方法来获取.由于脑电的非平稳性,使其需要大量重复刺激才能获得,对于受试者极不方便,也不利于ERP的实时检测.本文以反映大脑稀少认知事件的相关电位P300为例,采用扩展Infomax(extended informationmaximization)独立分量分析(independent component analysis,ICA)算法,先滤除眼动、工频干扰,再重构脑电数据,最后经少次叠加即可得到与通常需多次相干平均结果相近的比较满意的P300波形.说明ICA算法在ERP的峰值和潜伏期模式识别上具有较为明显的效果,具有潜在的临床工程应用价值.     

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     

基于小波奇异点检测和阈值去噪的眨眼伪迹去除方法

目的眨眼伪迹是脑电中一种常见且影响严重的伪迹。本论文提出一种基于小波奇异点检测和阈值去噪的眨眼伪迹去除方法,无需眼电参考信号,做到自动去除单导脑电信号中的眨眼伪迹。方法首先利用小波奇异点检测特性以检测眨眼伪迹的峰值位置,然后只对眨眼伪迹区域进行小波阈值去噪。结果实验结果表明,本方法能够有效检测眨眼伪迹,避免了普通方法去噪时对非眨眼区域的影响。结论本方法使用的阈值和阈值函数优于典型的阈值和软、硬阈值函数,有效地去除了脑电中的眨眼伪迹。     

一种基于稀疏分解去除EEG信号中MRI伪迹的新方法

在脑电图(Electroencephalography,EEG)和功能磁共振成像(Functional magnetic resonance imaging, FMRI)同时记录时,如何有效的去除混入EEG信号中的强磁共振(Magnetic resonance imaging,MRI)伪迹干扰信号是当前在EEG和FMRI的联合研究中面临的一个信号前期处理难点。主要从MRI干扰信号和EEG信号在时空上的差别出发,提出了一种基于混合过完备库的稀疏成分分析的分解方法,实现了强MRI干扰下的EEG信号的估计。在方法实现中,首先利用小波和离散余弦构造能体现MRI干扰和EEG时空特性差别的混合过完备库,然后通过匹配追踪(Matching pursuit,MP)方法在混合过完备库中的学习,实现MRI伪迹的消除。对模拟数据以及真实记录的混入了MRI干扰的EEG信号的估计实验结果,证实了该方法的有效性。     

脑电信号伪迹去除的研究进展

脑电(EEG)是一种反映大脑活动的生物电信号,由于它具有很高的时变敏感性,在采集时极易受到外界的干扰.如眼球运动、眨眼、心电、肌电等都会给真实的脑电信号加入噪声(伪迹).这些噪声给脑电信号的分析处理带来了很大的困难.从剔除EEG中的各种伪迹到去除噪声的效果评估研究者们都提出了很多方法.本文回顾了近些年提出的去除各种脑电信号伪迹的方法,包括回归方法、伪迹减法、主成分分析、独立变量分析和小波变换等,同时总结了各种方法的应用前提及各自的优点和不足,并对脑电信号的伪迹去除方法进行了展望.＃     

人工电子耳蜗语音信号处理方法的研究进展

人工电子耳蜗是全聋人健康的一项新技术。我们从系统角度出发，首先简单阐述了其原理及系统设计，在此基础上重点综述了目前人工电子耳蜗中所涉及的语音信号处理方法的研究进展状况，并对未来的研究提出了设想。     

基于小波变换的事件相关电位少次提取方法

本文以反映大脑稀少认知事件的相关电位P300为例,介绍了基于小波变换(wavelet transform,WT)进行事件相关电位(event related potential,ERP)少次提取的原理、仿真和实验结果.通过小波变换先去除与ERP混杂的EEG背景干扰,然后对消除干扰后的脑电数据进行重构和ERP波峰检测,在此基础上尝试修正ERP波峰的潜伏期时移,再通过小波重构获得通常需多次相干平均才能得到的ERP波形.仿真计算和实验数据分析结果说明小波分析具有较强的ERP峰值检测和潜伏期模式识别能力,值得进一步在临床工程中深入研究和应用推广.     

基于典型相关分析和小波变换的眼龟伪迹去除

目的针对脑电信号中眼电伪迹去除尚存在的问题,提出一种基于典型相关分析与小波变换的（wavelet—enhanced canonical correlation analysis,wCCA）自动去除眼电伪迹的算法。方法首先,充分利用脑电信号和眼电伪迹的空间分布特征,将基于典型相关分析的盲源分离算法分别应用于左右脑区的混合信号中,从而保证典型相关分析分解得到的第一个典型相关变量（即左右脑区之间的最公共成分）,就是眼电伪迹分量。然后为了恢复泄漏在该伪迹分量中的脑电成分,对伪迹分量进行小波阈值滤波,将高于某一阈值的小波系数置零,而保留低于阈值的系数。结果与其他三种基于盲源分离去除眼电伪迹的方法相比较,该方法在有效地自动去除眼电伪迹的同时,很好地保留了潜在的脑电信号,去除效果明显优于其他三种方法。结论由于该算法简单,处理速度较快,因此应用于实时的脑机接口系统中更具优越性,为后续脑电信号的特征提取和分类分析提供了良好的基础。     

一种基于皮层成像的自动眼电伪迹去除方法

脑电信号十分微弱,并且特别容易受到眼电的干扰.这些干扰给阅读和分析脑电信号带来了很大的困难,因此自动消除眼电对脑电的干扰一直是研究人员重视的问题.本研究提出一种基于皮层成像的自动眼电伪迹去除方法,对于已经完成滤波的脑电数据段,通过设立阈值的方法识别伪迹,利用基于相关系数的眼电伪迹识别算法标记眼电伪迹数据段,然后通过结合脑电信号时空信息的、基于皮层成像技术的眼电伪迹处理方法(CAST),处理已经标记好的眼电伪迹数据段,并通过真实的事件相关电位数据验证了方法的有效性.验证结果表明,此方法能够实现眼电伪迹的自动识别和去除,去除伪迹后的信号与原始无眼电伪迹的标准信号之间的相关系数为0.953 7±0.042 3.     

10年来我国的人工耳蜗文献分析

目的 了解国内人工电子耳蜗的研究概况。方法 利用CBMDISC数据库，对1978年以来收录的国内人工电子耳蜗相关文献年代分布、期刊分布、著者、机构等方面进行统计分析。结果 1995年至2005年4月共收录文献272篇；发文高峰是2003—2005，文献分布于47种中文期刊，其中收录3篇以上的杂志14种；发文3篇以上的作者有15名。结论 人工耳蜗的文献分析研究和探讨将为临床听力工作者和听障人士的临床研究和治疗提供新的治疗方案和思路。     

基于拉格朗日插值的电子耳蜗分数延迟和参数失配分析

波束形成方法是电子耳蜗前端语音增强的重要方法之一,该方法的主要参数是增益系数和延迟参数。电子耳蜗的尺寸小,传统的波束形成方法在具体应用中会出现分数延迟的问题。本文采用拉格朗日多项式的插值方法实现电子耳蜗的分数延迟参数,通过相邻点的数值进行加权形成分数延迟的信号序列。仿真分析表明,拉格朗日多项式插值的分数延迟方法可实现低频段的幅频响应和相频响应的高度吻合,契合电子耳蜗频带特征,可实现电子耳蜗所在频段分数延迟的低误差和低计算复杂度。     

Uncovering auditory evoked potentials from cochlear implant users with independent component analysis

Auditory evoked potentials (AEPs) provide an objective measure of auditory cortical function, but AEPs from cochlear implant (CI) users are contaminated by an electrical artifact. Here, we investigated the effects of electrical artifact attenuation on AEP quality. The ability of independent component analysis (ICA) in attenuating the CI artifact while preserving the AEPs was evaluated. AEPs recovered from CI users were systematically correlated with age, demonstrating that individual differences were well preserved. CI users with high-quality AEPs were characterized by a significantly shorter duration of deafness. Finally, a simulation study revealed very high spatial correlations between original and recovered normal hearing AEPs (r>.95) that were previously contaminated with CI artifacts. The results confirm that after ICA, good quality AEPs can be recovered, facilitating the objective, noninvasive study of auditory cortex function in CI users.     

基于Bark域的电子耳蜗频带划分分析和拟合研究

目前电子耳蜗主流的言语处理策略是基于滤波器组的言语处理算法,该算法通过分频带进行信号处理并把参数传递到对应的电极上。电子耳蜗滤波器组的频带划分不是等分的,而是按一定规律进行并且符合人耳听觉特性的,其中,Bark域的频带划分是重要的参考。本研究基于Bark域的电子耳蜗频带划分方法,探讨Bark域频带划分的特性并结合目前的电子耳蜗滤波器组的频带划分进行分析,进而探讨频带划分中的曲线拟合方法,为电子耳蜗滤波器组中的频带划分提供重要的方法和参数。     

基于独立成分分析的遗尿症儿童脑功能网络研究

目的:用独立成分分析（ICA）的方法对原发性单症状夜间遗尿症（PMNE）儿童的脑功能网络成分间连接进行研究。方法:采集35例PMNE儿童和25例健康儿童脑功能磁共振图像,通过ICA获得每个被试的脑功能网络成分,然后计算每个被试脑功能网络成分间的功能连接强度,比较PMNE儿童与健康对照组的强度差异。结果:与对照组对比,PMNE患者的右侧执行控制网络与默认模式网络、左侧执行控制网络均存在功能连接异常（FDR, P<0.05）。结论:PMNE儿童存在脑功能网络成分间的连接异常,这可能为理解PMNE儿童的病理机制提供一些新的影像学依据。     

基于智能终端的人工耳蜗医疗监护系统的研制

目的为了对人工耳蜗植入者的术后状态进行智能监护,提高言语康复训练以及后续的算法移植的效果,本文设计了基于智能终端的人工耳蜗植入监护和算法移植系统。方法本系统采用摄像头和麦克风等器件作为输入模块,报警器等器件作为输出模块,并结合智能终端、智能手机、接口硬件、传输电路等部分设计完整的硬件系统。在通信方式上,输入模块采用网络路由器和Zigbee进行通信,输出模块采用继电器进行控制。结果通过对所搭建的系统进行摄像头配置测试,麦克风采集测试,继电器控制等实验以及语音特征分析,表明本系统能够正常工作并可控制各个传感器的信号输入输出。结论本文所搭建的系统实现了目标的功能需求,为后续的算法移植研究和实际监护系统的开发提供了基础。     

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。     

电子耳蜗双麦克风信号采集及不同参数波束形成特征研究

为了提高噪声环境下的电子耳蜗言语识别率,麦克风阵列语音增强的方法逐渐应用在电子耳蜗前端信号采集中。由于电子耳蜗尺寸的限制,双麦克风阵列信号采集是常见的模式,其形成的系统波束指向可用于特定方位的干扰信号的抑制。延迟、权重、频率和间距等参数影响着双麦克风系统的极性图。本文研究基于双麦克风模式的电子耳蜗信号采集和不同参数条件下的波束形成特点,为双麦克风模式的语音增强算法研究提供支持。     

基于独立成分分析和随机森林判别法的Microarray分析及在分子生物学中的应用

提出基于独立成分分析（ICA）和随机森林判别的Microarray分析方法。该方法先采用独立成分分析获取高阶统计信息,提取Microarray数据特征,达到降维的目的。再应用提取的特征,采用随机森林判别法对样本进行分类。数值分析结果表明,提取5个特征就可以使袋外样本OOB（out of bag）的分类错误率达到7．89％。该方法有效地降低了特征空间维数,具有较高的正确识别率,提高了算法的鲁棒性和灵活性。     

Validation of ICA as a tool to remove eye movement artifacts from EEG/ERP

Eye movement artifacts in electroencephalogram (EEG) recordings can greatly distort grand mean event‐related potential (ERP) waveforms. Different techniques have been suggested to remove these artifacts prior to ERP analysis. Independent component analysis (ICA) is suggested as an alternative method to “filter” eye movement artifacts out of the EEG, preserving the brain activity of interest and preserving all trials. However, the identification of artifact components is not always straightforward. Here, we compared eye movement artifact removal by ICA compiled on 10 s of EEG, on eye movement epochs, or on the complete EEG recording to the removal of eye movement artifacts by rejecting trials or by the Gratton and Coles method. ICA performed as well as the Gratton and Coles method. By selecting only eye movement epochs for ICA compilation, we were able to facilitate the identification of components representing eye movement artifacts.     

独立成分分析在生物医学信号处理中的应用

独立成分分析(independentcomponentanalysis熏ICA)已经成功地应用到生物医学信号处理中,并被证明是一种分析生物医学信号的强有力的工具,近年来一直受到国内外学者的广泛关注。本文系统地介绍了独立成分分析在生物医学信号(EEG,MEG,fMRI)处理中的应用,分析了其应用方法,最后简要地探讨了独立成分分析应用到生物医学信号中的优势及存在的一些不足。