多参考信号的ICA方法及其在去除脑电伪差中应用

为消除脑电信号中的心电、眼电等伪差,在已有的不动点算法和带参考信号的独立分量分析算法的基础上,提出了一种多参考信号的独立分量分析方法.该方法通过计算各伪差在各路观测信号中的比重,去除伪差对观测信号的影响,从而得到较为纯净的脑电信号,所提方法相对于传统的fast ICA算法具有更小的计算量,并且不需要对分离的独立源进行人工干预,同时也是对ICA-R算法的一种扩展,解决了其只能提取单路源信号的缺点.仿真实验证明该方法更切合实际情况,而且能够更加有效地去除脑电信号中的多个伪差.     

基于ICA的消除ERP中伪迹干扰的方法

概述了消除事件相关脑电位(ERP)伪迹的一般方法和存在的问题，介绍了独立分量分析(ICA)的基本原理及其两个关键内容，将ICA算法用于消除ERP伪迹干扰，根据ERP伪迹的特点用ICA算法编写了一组用于盲信号分离和伪迹干扰消除的程序，利用该组程序，进行了仿真实验和消除ERP实测数据中伪迹干扰的处理实验，仿真实验完全分离出了4组人为随机混合的信号，实测信号实验较好地消除了伪迹干扰的影响，实验结果表明，使用ICA算法消除ERP伪迹干扰是一种较理想的方法。     

基于高阶统计量的μ节律脑电信号盲提取

根据实际μ节律信号的超高斯性和不对称性分布的特点,提出了一种新的基于高阶统计量的μ节律脑电信号盲提取的不动点算法,并对该算法的局部稳定性和局部收敛性进行了讨论,给出了该算法局部稳定和局部收敛的条件.最后,利用模拟和临床脑电信号分别对该算法和FastICA算法进行了仿真分析.结果表明,对于μ节律脑电信号的提取,文中提出的...     

微弱脑信号专注度特征提取与识别

目前基于脑机接口的脑电信号研究得到越来越广泛的关注,然而传统脑电信号采集需要使用电极帽并涂抹胶泥膏而不被大多数用户所接受。因此,将研究使用无需涂抹胶泥膏的独立电极采集脑电信号,然而使用独立电极采集脑电信号容易出现干扰大、信号不稳定等缺陷。为了快速有效提取脑电信号特征并克服独立电极采集脑电信号的缺陷,将采用低通滤波方法进行工频干扰的滤除,利用独立成分分析(ICA)实现脑电信号中的眼电伪迹分离,并在此基础上通过设置水平眼电和垂直眼电阈值以及各个独立成分在脑部位置的空间分布特性实现眼电伪迹的识别。最后,分别利用β波能量以及样本熵来衡量人脑专注度的高低,仿真结果表明两者均与专注度成正相关,实验以Neuro Sky专注度为基准,将两种算法分别与其进行对照。此外,样本熵与Neuro Sky算法的相关度比β波能量法提高了26%,说明样本熵专注度提取算法更能精确跟踪人脑注意力的变化,对脑电信号专注度的衡量与实际更加吻合。     

基于希尔伯特-黄变换的小鼠脑电信号相关性分析

研究了小鼠脑电信号的分离问题。由于小鼠脑电信号是由多种不同波段的信号混迭而成的,且不同波段的信号是非平稳、能量差距很大的随机信号,因此对这些脑电信号的分离非常困难。先使用主成分分析(PCA)方法将信号的主要成分提取出来,然后再使用独立成分分析(ICA)在频域上对脑电信号进行分离。接着对分离的脑电信号δ波进行希尔伯特-黄变换。利用希尔伯特谱得到信号的瞬时频率信息,发现δ波的瞬时频率在某些时刻相对于其他时刻非常大。将这些瞬时频率出现异常的时刻,与呼吸信号的波峰出现的时刻进行相关性分析,得出呼吸信号与脑电信号中的δ波显著相关。     

情感识别中脑电信号Lempel-Ziv复杂度的研究

在生理信号中,基于脑电信号的情感识别越来越引起研究者的重视。Lempel-Ziv复杂度测量是一种有效的非线性脑电信号分析方法,同时在情感脑—机接口系统中还可以用于进行情感的识别。文章在传统Lempel-Ziv复杂度算法的基础上,提出一种新的Lempel-Ziv复杂度算法,从而更好地进行基于脑电信号的情感识别。首先进行脑电信号的预处理,通过小波包变换来保留脑电信号的低频信号;然后利用非线性滤波器来移除脑电信号中的奇异值;进一步我们提出一种有效的自适应Lempel-Ziv复杂度算法来度量脑电信号的复杂度,并应用此特征值来识别情感。实验结果证明此方法可以从脑电信号中提取出更多有效的模式。同时,它还能够精确地检测到脑电信号的振荡情况,从而提取出不同情感状态下脑电信号中本质的非线性特性。     

基于AR-Copula与ICA的脑电噪声检测和去除

在脑电信号的实时采集过程中,噪声伪迹会对采集到的脑电信号产生较大的畸变。利用Copula理论结合AR时间序列模型研究脑电信号与引起其畸变的噪声之间的相关性,设计并实现了基于尾部相关性的脑电噪声自动检测算法。根据检测结果,对受干扰的数据段进行了ICA噪声去除处理。本文方法能够自动检测受干扰影响的数据段,并且在很大程度上减少了ICA算法的迭代次数,提高了数据实时处理的效率,适用于脑电信号的实时处理过程。     

实时脑电信号眼电伪差去除方法的研究

基于信号的小波包分解方法 ,提出了一种实时性好、滤波效果佳的脑电信号眼电伪差去除的新方法 .该算法在采用小波包分析将脑电信号在频域做精细划分的基础上 ,用统计学的理论选取阈值 ,对信号的特定成分进行选择性滤波 ,并选用与眼电 (EOG)伪差相关度最大的FP1作为参考信号 ,来避免算法本身引入的新伪差 ,以达到快速有效去除眼电伪差的效果 .试验结果表明 ,相对于其他几种常用的算法 ,本算法不仅具有更好的去伪效果 ,而且运算速度也比独立分量分析 (ICA)算法快 2～ 3倍 ,具有良好的临床应用前景     

基于小波变换的ERP信号分析

介绍多分辨率小波变换的基本概念,并介绍多分辨率小波变换在诱发脑电信号（ERP）分析中的应用以及如何应用多分辨率小波变换提取脑诱发电位的各频段信号。实验表明：该方法应用于脑诱发电位的分析是十分有效的。     

KICA模型选择及其在消除脑电信号伪差中的应用

理论分析并结合实验验证指出基于正定核的独立分量分析算法(K ICA)的优化与分离性能与其模型参数的选择有关。提出了一种简单高效的模型选择方法:在混合信号中附加一个已知验证信号,通过最小化该已知信号的分离误差来选择最优模型参数。实验结果表明:经模型选择后的K ICA能成功分离脑电信号中的心电伪差。     

基于独立成分分析的脑电伪迹消除方法

独立成分分析(ICA)是统计信号处理中的一项新技术，用来从混合信号中提取具有统计独立性的成分，基于固定点快速算法，从脑电(EEG)信号中消除眼电(EOG)伪迹信号，并给出了实验结果。实验结果表明该算法具有较好的性能和实用性。     

基于信息论的盲源信号分离在呼吸信号分离中的应用研究

从混合观测数据向量中恢复出不可直接观测的各个源信号是阵列处理和数据分析的典型问题,独立分量分析是解决这一类问题的新技术.基于信息论算法中主流的Fast ICA算法能够对几组不同的信号进行分离,和其他算法相比有一定优越性,能完整地分离出肌电信号中含有的呼吸信号.     

基于信息论的盲源信号分离在呼吸信号分离中的应用研究

从混合观测数据向量中恢复出不可直接观测的各个源信号是阵列处理和数据分析的典型问题,独立分量分析是解决这一类问题的新技术.基于信息论算法中主流的Fast ICA算法能够对几组不同的信号进行分离,和其他算法相比有一定优越性,能完整地分离出肌电信号中含有的呼吸信号.     

基于独立成分分析和流形学习的眼电伪差去除

针对眼电伪差严重干扰脑电(EEG)信号的理解和分析的问题,提出了一种新的方法用于实时地去除脑电中的眼电伪差.该方法使用独立成分分析(ICA)分解EEG信号,提取独立成分的地形图和功率谱作为特征,并采用基于模板的Isomap算法降低特征的维数.将新的特征样本送到分类器中以识别眼电伪差独立分量,几个典型分类器的分类结果显示,基于模板的Isomap算法结合使用最近邻算法进行分类时,识别伪差的正确率最高.实验结果表明,提出的方法在有效去除眼电伪差的同时,很好地保留了大脑神经信号,也证明了新的Isomap算法用于眼电伪差特征的降维的有效性.     

基于ICA的盲信号分离算法研究

提出了一种以独立分量分析(independent component analysis,ICA)[1]为核心的盲分离算法,给出了用盲信号分离技术来分离心电信号的方案,并对模拟信号进行了分离。实验是有效的且鲁棒效果良好。     

基于时窗复杂度序列的睡眠脑电分析

运用时窗复杂度序列来分析睡眠脑电,减少了非平稳性及状态空间的不均匀性造成的脑状态信息的丢失,在一定程度上克服了复杂度的自身的局限,有助于不同睡眠期状态特征的提取.另外本文采用ICA、小波变换等方法对脑电进行预处理,实验表明它们能有效地去除脑电中的一些生理干扰,有利于提高复杂度算法在睡眠分期应用中的精确度.     

独立分量分析去除EEG中眼动伪差的方法研究

对独立分量分析(ICA)方法中推广的最大熵(Extended Infomax)算法和奇异值分解(SVD)技术分离脑电图(EEG)中眼动伪差的效果进行了比较，确证ICA方法在极低信噪比时有更好的抗干扰性。同时，使用该算法成功地对16导联早老性痴呆症患者EEG信号中的眼动伪差进行了提取和分离。结果表明，ICA在生物医学工程，尤其是临床医学工程中具有潜在的重要应用价值。     

非监督特征学习方法在脑电身份识别中的应用

设计并实现了采用非监督特征学习方法对模拟阅读事件相关电位实验中多名受试者脑电信号的特征提取,并对提取的特征向量进行了模式分类.实验中共采集5名受试者脑电信号,每名受试者的特征样本集由其接受模拟阅读靶视觉刺激后100⁴00ms在通道PO3、O1、Oz、O2、PO4、P4、P8、CP6的脑电信号样本组成,各受试者样本集均含400个试次样本.非监督特征学习过程由含6个神经节的BP神经网络完成,后选用支持向量机作为分类器.对比了1试次,2试次、5试次、10试次样本叠加等几种不同情况下采用非监督特征学习方法提取特征的分类正确率.实验结果表明:采用多神经节人工神经网络对5名使用者5试次叠加信号样本提取的特征向量的分类正确率高于90%,显著优于对各单通道时域特征向量的分类正确率,该方法可为以脑电信号为特征的身份识别系统提供一种可行的特征提取方式.     

基于FSWT和GBDT的癫痫脑电信号分类研究

为解决癫痫脑电信号分类类别以及分类精度不足的问题,使用频率切片小波变换对脑电数据进行信号重构,得到5 个频段的节律信号,再利用非线性指标近似熵和线性指标波动指数共同作为癫痫信号的特征值,充分提取信号的特征信息。随后使用梯度提升树算法对得到的特征数据集进行多分类。实验表明,该算法对癫痫脑电信号的三分类识别率为98． 4%。较传统Adaboost 算法,该方法采取了GBDT( Gradient Boosting Decision Tree) 作为分类算法,成功利用更多的数据集,并且使得分类精度更高。