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(independent component analysis，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的广泛关注。本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。     

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。     

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。     

脑磁图和脑电图在癫癎中的应用

脑磁图（MEG）和脑电图（EEG）可以分析1ms甚至更短时间的神经生理学数据，这种特殊性是其它神经影像技术所不能替代的。虽然EEG和MEG都来自相同的神经生理学过程，但是它们却存在着很大的差异，表现在：①磁场较少受到颅骨和头皮的衰减，理论上MEG具有更好的空间分辨率；②电场与磁场导向互相垂直，通常高敏感性的方向彼此垂直交叉。     

脑磁图在癫痫诊治中的应用

脑磁图（magnetoencephalography，MEG）早在35年以前就已进入神经科学研究领域，它是通过一种敏感性极高的检测仪器——超导量子统计推断仪（SOUID）检测脑部微弱磁场的技术。但直到今天，随着科技的发展，建立了全脑MEG系统以及便于操作者使用的技术分析方法，才使MEG的临床应用得以实现。尽管脑电图（electroencephalography，EEG）和MEG都是基于神经电生理的检查技术，即记录大脑皮层锥体细胞的同步突触后电位，MEG与EEG相比，更有优势。     

脑磁图在癫痫灶定位中的应用

目的：应用脑磁图（MEG）对癫痫灶进行定位，探讨脑磁图对癫痫灶定位的价值。方法：应用美国4D Vectorview306通道全头型生物磁仪，对21例癫痫患（其中男13例，女8例，年龄3－52岁，平均23．7岁）进行发作间期脑磁图检查。结果：17例测得发作间期棘波，4例未检测到棘波，结论：脑磁图对癫痫灶定位有很高的应用价值。     

基于PCA和LDA数据降维的脑磁图脑机接口研究

脑磁图(MEG)信号作为一种新的脑-机接口(BCI)输入信号,含有手运动方向的模式信息。通常对MEG信号采用信号处理的特征提取和线性分类,识别率一直难于提高。本文提出用主成分分析(PCA)方法对其进行特征提取,并用线性判别分析(LDA)进行了优化,最后用最近邻非线性分类器进行分类,在分类结果的基础上分析了混淆矩阵。实验结果表明PCA+LDA方法能有效的分析多通道的MEG信号,平均识别率达到了53.0%,优于BCI竞赛Ⅳ的识别率46.9%。     

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。     

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.     

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。     

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。     

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。     

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     

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。     

基于空间约束的时间独立成分分析方法分析fMRI数据

首先采用相关分析初步检测可能的功能激活区域,并以初步检测的功能激活区域作为空间约束条件,对fMRI数据进行时间模式的独立成分分析,然后利用功能实验设计时序信息,通过典型相关分析方法对独立成分排序,自动识别与功能实验设计相关的功能信号成分,最后以识别的功能信号成分作为参考函数,重新利用相关分析自适应地分析fMRI数据。通过对实际的fMRI数据分析验证了提出方法的有效性及可靠性。     

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。     

基于独立分量分析算法研究儿童癫痫脑电的混沌动力学特征

首先采用独立分量分析(Independent component analysis,ICA)算法,将儿童癫痫信号从复杂的背景脑电(Electroencephalogram,EEG)中分离出来;然后采用了一维时间序列相空间重构技术和混沌的定量判据,对分离出来的独立分量信号进行了分析与计算.通过对生理和癫痫状态下独立分量信号的相图、功率谱、关联维数和Lyapunov指数的对比研究,得出如下结论:(1)EEG独立分量的相图、功率谱、关联维数和Lyapunov指数反映了大脑的总体动态特征,它们可作为一种定量指标衡量大脑的健康状态;(2)在正常的生理状态下EEG是混沌的,而在癫痫状态下则趋于有序。     

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。     

基于ICA的重叠语音基频提取和语音增强

语音信号是一种特征时变信号,基音频率提取和语音增强是两种常见语音处理要求,独立分量分析（ICA）是一种盲信号处理方法,目的 在于将混合在观察信号中的相互独立的源信号分离出来,ICA在很多领域都有广泛的应用,在语音信号上最为成功,本文将ICA用来撮重叠语音信号中的基音频率,提出了一个基于ICA的混叠语音基频提取系统,成功地解决了基频相互接近时无法提取混合信号基频的问题,并将它应用到有音乐背景下的语音增强方面,均取得了较好的结果。