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。     

独立分量分析及其在ERP提取中的应用

利用ICA可将混合在观测信号中的相互独立的源信号分离出来的特性,针对脑电信号及其事件相关电位(ERP)的特点,提出一种基于ICA的ERP快速提取算法,并应用于仿真数据分离和实际脑电信号ERP提取.实验结果表明,该算法具有较强的稳健性和实用性.     

基于小波变换和ICA的房颤信号分离

提出了一种基于小波变换和独立成分分析(ICA)的心房颤动(房颤)信号分离方法.首先通过小波变换将2个导联的Holter心电信号分解成一组信号,然后取其中几个尺度的单支重构信号进行ICA,分离出房颤信号.2个导联Holter系统无法满足ICA对信号通路数的要求,小波分解及单支重构解决了这一问题.ICA技术充分利用2个导联的信息,消除了单导联房颤信号分离方法易受伪迹和异位心搏等因素影响的缺点.实验证明了本方法的可行性和有效性,并且与常用的单导联分离方法的效果进行了对比.     

基于FastICA的工频干扰消除算法

阐述了独立成分分析(Independent Components Analysis,ICA)的基本原理,将快速ICA(FastICA)算法应用于消除地震信号中的工频干扰,对输出信号的相关系数绝对值进行对比.结果表明:与传统的工频干扰消除技术相比,FastICA算法可以更加有效地消除微信号中的工频干扰.     

应用经验模式分解去除近红外光的运动伪迹

针对近红外光谱(NIRS)技术对运动十分敏感和运动伪迹会严重影响后续分析处理结果这一问题,提出了一种利用经验模式分解去除运动伪迹的方法(EMD-MAR)。首先计算NIRS信号的移动标准偏差,根据其概率分布特性自动选取阈值和确定运动伪迹范围,然后利用经验模式分解(EMD)将信号分解成多个固有模式,对在运动伪迹范围具有明显异常的固有模式置0来消除运动伪迹,最后将处理后的固有模式加和得到校正后的信号。仿真与实测结果表明,EMD-MAR方法可有效检测和消除NIRS测量中常见的基线漂移、瞬时脉冲以及短暂低频振荡3种运动伪迹,并且极大提高了运动伪迹的自动检测程度,利用经验模式分解可以在去除运动伪迹的同时有效保留NIRS信号中的生理信息,为NIRS信号预处理提供了一种有效手段。     

改进ICA去噪方法在瞬变电磁信号处理中的应用

提出一种改进ICA去噪方法,可确定去噪后的信号幅值.用于消除瞬变电磁信号中的工频干扰,并与传统陷波滤波方法进行比较.实验结果表明,采用改进ICA去噪方法,在消除工频干扰的同时,能很好地保留信号的波形和特征,去噪效果明显优于陷波滤波方法.在较低信噪比下仍可有效地提取信号,具有实用价值.     

基于EEMD和ICA的语音去噪方法

语音去噪技术是语音识别系统走向实用化的一个关键性难题.针对语音信号为非平稳信号的特点,提出了一种基于EEMD和ICA相结合的语音去噪方法,首先利用集合经验模态分解(EEMD)算法将含噪语音信号分解为若干个独立的固有模态函数(IMF),消除了经验模态分解(EMD)算法处理语音信号时产生的模态混迭现象;然后将固有模态函数通过改进的独立分量分析(ICA)算法分离出若干个有效的语音信号分量;最后对其进行语音重构,从而达到消除噪声干扰的目的.实验结果表明,该方法在输入信噪比为-10dB的汽车噪声条件下,可以将语音信号的信噪比提高到2.741 2 dB.     

高压水射流靶物反射声分解与重构方法研究

为了解决线性传声器阵列采集的高压水射流反射声解耦、重构和定位问题,以传统独立成分分析(ICA)理论的旋转因子乘积法为基础,构建了一种迭代式ICA方法,介绍了其算法原理.设计了线性阵列排列的多通道水射流探测与反射声采集系统进行实验,用多路仿真声音信号和传声器阵列实际采集的反射声信号进行算法验证.结果表明:构建的迭代式ICA方法能够精确分解、重构线性传声器阵列采集的高压水射流靶物反射声信号,而且可以消除环境噪声及不同声源干扰信号的影响,重构信号与源标准信号的顺序一致,保留源标准信号的大部分特征信息,可以用于后续的高压水射流靶物分类识别与定位.     

ICA在地震数据叠前噪声消减中的应用

为了消除地震勘探数据中的噪声,引入独立分量分析(ICA)方法到地震资料处理中提高资料的信噪比。文中阐述了ICA的基本原理,并根据地震记录中的有效信号和干扰信号的特点,提出了地震数据叠前噪声消减的S-ICA理论模型。经在受干扰小的地震仪器测试数据上人工叠加规则干扰噪声、随机噪声,以及攀枝花某矿区实测浅层地震数据的S-ICA分离仿真验证表明,该模型既能有效地除去干扰噪声,又能完整地保留有效信号,具有一定的实用价值。     

基于EMD和ICA的感应电动机故障检测

针对感应电动机的转子断条故障和轴承故障,以定子电流信号为研究对象,结合经验模态分解(EMD)和独立分量分析(ICA)原理提出了一种新颖的故障检测方法.该方法首先对定子电流信号进行经验模态分解,去除高频IMF部分,消除噪声干扰;然后用独立分量分析的方法进行特征提取,进而判断故障类型.仿真试验结果表明,该方法用于感应电动机故障诊断是行之有效的.     

Automatic removal of eye movement artifacts from the EEG using ICA and the dipole model

In this study, we proposed and evaluated the use of Independent Component Analysis (ICA) combining the EEG dipole model to automatically remove eye movement artifacts from the EEG without needing EOG as a reference. We separated the EEG data into independent components using the ICA method, and determined the source localization of these independent components with a single dipole model. The EEG signal was reconstructed by automatically excluding those components localized within a preset eye model. EEGs from 12 patients were analyzed. The experimental results indicate that ICA with the dipole model is very efficient at automatically subtracting the eye movement artifacts, while retaining the EEG slow waves and making their interpretation easier.     

脑电信号中肌电伪差的实时去除方法研究

为了在线去除脑电信号中的肌电伪差,使用典型相关分析方法,分析了大量被肌电干扰和未被干扰的脑电(EEG)信号,得出了一个合理的自相关阈值.在时域上,肌电伪差和一般的噪声信号比较类似,有比较小的自相关值,在去除肌电伪差时,凡自相关值低于此值的分解成分被识别为肌电伪差.该方法很好地利用了这个特点,将肌电伪差分量与潜在大脑信号分离,然后依据剩下的分解成分重建"干净"的EEG信号.实验结果表明,典型相关分析法在去除肌电伪差时优于独立成分分析法,结合提出的自相关阈值在有效去除肌电伪差的同时,又能较好地保持潜在的大脑信号不变.     

多通道脑电信号眼电伪迹自适应去除方法

针对现有方法在眼电伪迹自动去除中存在有用信息丢失,伪迹分量识别困难的问题,提出了一种结合粒子群优化算法、独立成分分析和小波变换的伪迹自适应去除算法。首先,采用均方根误差和Pearson相关系数设计了粒子群优化算法的适应度函数,利用优化算法实现了两个样本熵阈值的自适应设置;然后利用快速独立成分分析算法将脑电信号分解为统计独立分量,根据第一个样本熵阈值自动识别含伪迹分量,含伪迹分量经过四层小波分解得到五个小波分量,根据第二个样本熵阈值自动识别伪迹分量,将识别的伪迹分量置零;最后经过小波重构和逆变换,获得去除眼电伪迹的脑电信号。采用Graz data set A数据集进行实验验证,结果表明提出的方法能够实现多通道脑电信号伪迹的自动去除;采用Klados数据集进行实验验证,结果表明,与SE-CEEMDAN方法相比,采用提出方法实验获得的均方根误差降低了4.816,约38.2%,Pearson相关系数提高了0.025,约2.97%。     

基于独立分量分析的缺陷信号除噪

独立分量分析ICA是一项新兴的阵列信号处理方法,在简要介绍ICA概念和定点算法的基础上,将ICA的定点算法应用到缺陷信号除噪中。仿真试验结果表明,ICA的定点算法除噪效果优于传统的数字滤波器,它在缺陷信号除噪中具有较大的应用潜能。     

基于独立分量分析的失匹配负波快速提取

失匹配负波(MM N)是一种由刺激变化所诱发的听觉诱发电位成分,其过低的信噪比造成检测和提取比较困难。提出利用独立分量分析(ICA)方法对多导听觉诱发电位信号进行多次分解,根据MM N产生的生理机制及其信号特征,设计合理的独立分量选取原则,提取MM N。该方法通过仿真实验验证,能有效提高信噪比。在真实数据的处理中,仅用传统方法20%左右的实验时间,实现MM N成分波的提取。这将促进MM N在认知神经科学及临床上的应用。     

基于多维统计分析方法的脑电消噪

基于二阶统计特性的主分量分析(PCA)和基于高阶统计特性的独立分量分析(ICA)是两种非常典型的多维统计分析方法.本文对PCA和ICA基本原理进行了简单介绍,并结合脑电消噪问题,对两种方法的性能和特点进行了比较.实验结果表明,在脑电消噪和特征增强等方面,独立分量分析方法具有明显的优势.     

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。     

一种ERP风险评估法——企业资源功能展开法EFD

为了发挥“企业资源规划(ERP)”的威力,控制其可能带来的风险,提出了一种新的ERP风险因素的评估方法——“企业资源规划功能配置法(EFD)”。以往的风险评估方法,主要是以概率论为基础的决策书、故障树等简单工具,或是神经网络,网络评审技术等高级方法。该方法运用了“质量功能配置(QFD)”的原理,将ERP的特性转化为对企业运作的要求,从而得出企业成功实施ERP需要满足的条件。实例分析表明,该方法可以消除概率论的估算困难,并减少解决问题的复杂性。     

基于抽气过程的FastICA算法去除肌电信号中的心电干扰

提取受试者的体表肌电受其自身心电信号的干扰严重,本文利用一种基于FastICA算法的改进盲抽取方法去除体表肌电中的心电干扰,并有序的输出分离后的心电和肌电分量。对仿真信号处理结果表明,运用该方法避免了独立分量(ICA)方法中固有的位置不确定性,并能够成功的分离源信号。