基于独立分量分析的眼电伪迹去除方法研究

脑电信号极易受到眼电信号的干扰,这会导致脑电信号处理结果与实际情况发生较大的偏差,因此,去除包含于脑电信号中的眼电成分是信号预处理的一个重要操作。研究了独立成分分析理论及概要模型,提出一种基于Informax的优化ICA方法,对混入脑电信号中的眼电信号进行辨别、分离、重构,实验结果表明该方法能够准确地从混合信号中区分出眼电伪迹的独立成分,进而实现对原脑电信号的特征增强。     

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ICA与小波阈值的癫痫脑电信号去噪方法

在癫痫性发作的自动检测中,脑电信号的去噪对检测结果起着至关重要的作用。文中提出了一种新的基于ICA与小波阈值的癫痫脑电信号去噪方法。该方法首先利用ICA将多通道癫痫脑电信号分解为若干独立分量;其次基于独立分量与脑电信号间的夹角余弦识别含噪独立分量并用小波阈值对其去噪处理;最终,在去噪后的癫痫脑电信号与原始癫痫脑电信号中提取样本熵作为脑电特征,并结合超限学习机完成癫痫性发作的自动检测。实验结果表明,在去噪后癫痫脑电信号上的分类性能均优于原始癫痫脑电信号,该文所提方法一定程度上达到了自动去除脑电噪声的效果。同时,该方法避免了去噪过程中对噪声人工辨别及干净参考噪声选取等问题。     

思维脑电信号的近似熵分析

计算了5种不同思维作业时脑电信号的近似熵.计算结果表明,当进行不同思维作业时脑电数据的近似熵存在着较大的差异.这提示可以利用近似熵作为思维脑电信号的特征实现对思维作业的分类.对于不同的受试者,即使是同一种思维作业、同一个电极上脑电数据的近似熵也存在着较大的差异.这提示在利用近似熵作为思维脑电信号的特征对心理作业进行分类时应当充分考虑不同受试者的个体差异.     

基于最大熵独立分量分析的诱发电位特征提取

目的 针对视觉诱发电位(VEP)特征提取问题,提出一种改进的基于信息极大的最大熵ICA算法.方法 通过该算法对多导诱发脑电信号进行独立分量分解,去掉其中包含的噪声干扰成分.并选出与视觉诱发响应相关的主要分量,完成信号的特征提取.结果 将选出的分量投影回头皮电极处,使得VEP中的P3峰更加突出.结论 所提出的方法实现了信号的特征增强,提高了P3成分定位的准确性.     

基于功率谱分析的头皮电位和心率变异性关系研究

通过对数学运算任务中头皮脑电信号和心率变异性的功率谱分析,研究了头皮脑电活动和心脏自主神经活动的关系.实验显示：数学运算过程中心率明显增加（P〈0.01）,心率变异性功率谱总能量减少（P〈0.05）,归一化高频功率明显降低（P〈0.01）,归一化低频功率明显升高（P〈0.01）;数算时脑电信号的α节律相对功率显著降低（P〈0.05）,θ节律谱能量值显著增加（P〈0.05）,相关分析显示F8、FT8、C4、P4和T8导脑电信号的θ节律功率谱能量值与心率变异性谱成分具有显著相关性（P〈0.05）.结果表明,数算任务中大脑有意识的精神活动增多,大脑中枢神经活动减少与心脏自主神经活动有关,脑中央前回、顶区和颞叶通过增加交感神经活动和减少迷走神经的作用来影响心率,它们在调节心脏自主神经活动中起重要作用.     

脑电信号中独立分量特征提取与脑力负荷分类

脑力负荷过高会造成作业绩效下降和人因事故,过低则会造成人力资源浪费,所以研究操作人员脑力负荷状态非常有意义。现有脑力负荷分类方法利用脑电(electroencephalogram, EEG)信号特征进行分类,准确率较低。所以,本文针对视觉和操作类脑力负荷提出一种基于脑电独立分量特征的分类方法,该方法采用独立分量分析(Independent Component Analysis, ICA)对脑电信号进行分离,直接对得到的独立分量提取四种不同频段的能量特征,最后将特征作为支持向量机(Support Vector Machine, SVM)的输入,对脑力负荷进行分类。由于直接使用脑电独立分量特征,所以分类精度高于现有方法,平均分类精度提高29.14%。本文还进一步发现脑电独立分量中存在的眼电伪迹对分类结果没有明显影响。本文提出的方法可以实现快速、准确、自动的脑力负荷分类。     

频域多分辨分析及其对提取脑电特征波的应用

提出一种基于傅里叶变换的频域多分辨分析的新理念,对频域空间进行2进制多分辨分解,并用于分解脑电信号的4种脑波主要分量,以及研究脑电信号各种节律的动态特性.结果表明,该方法物理意义清楚,能获得比小波多分辨分析更多的信息,并能够有效提取脑电不同节律的时频特性,是一种新的描述脑电信号动态时频变化特征的定量定性分析方法.     

基于视觉和操作类脑电信号的脑力负荷分类

针对视觉和操作类任务，提出了一种基于脑电独立分量特征的脑力负荷分类方法.利用独立分量分析法从混合脑电信号中分解获得脑电信号的独立分量，再提取脑电独立分量的4个不同频段的能量特征，并对能量特征进行分类.基于脑电信号特征和脑电独立分量特征分别进行了脑力负荷分类实验，得到平均分类准确率分别为60.52%，86.14%，后者比前者提高了42.33%.     

去除脑电信号眨眼伪差的独立成分时域相关算法

针对脑电信号易受眨眼动作干扰的问题,提出了一个自动地去除眨眼伪差的独立成分时域相关算法.该算法使用独立成分进行分析,并分解脑电信号,然后利用眨眼伪差独立成分与某些导联的脑电信号之间在时域存在较大相关性的特点,计算每个独立成分与前额附近的5个导联(Fp1,Fp2,F3,F4,Fz)信号的相关值的累加值,并对该值进行排序,将具有最大值的独立成分识别为眨眼伪差独立成分,将其设置为0,最后重建干净的脑电信号.通过对脑电信号的去除伪差实验表明:眨眼伪差引起的干扰基本被消除,伪差检测算法的敏感度和特异度分别是97.7％和98.3％,同时该算法能有效保持脑电信号基本不变.     

酗酒者认知脑电能量的头皮分布

为了理解酗酒对大脑功能的影响,已有研究多数是对被试者的脑电各节律特性分别进行分析,而缺乏分布特性研究.通过3种不同类型的实验,对酗酒者和正常对照组的脑电节律能量的头皮分布进行深入分析.结果表明,在3种不同认知任务下,酗酒者的α节律、δ节律和θ节律在枕区的能量都显著低于正常对照组;而酗酒者脑电β和γ节律在额区与颞区的能量显著高于正常对照组.不同的实验任务对各节律影响也不尽相同.α节律随着任务的不同,能量大小发生变化;枕区的θ节律、额区和颞区的δ节律能量分布在不同任务条件下也各不相同;而β能量则不受实验任务的影响.不同实验类型下酗酒者额区的脑电γ能量有所不同,而正常人却没有显著变化.因此慢波节律在不同区域能量的降低和快波节律在不同脑区能量的增加可能表明酒精长期作用会对大脑造成一定程度的损伤,进而影响大脑的认知过程,而且这种影响还通过皮层电活动头皮分布特性的不同得以体现.     

脑-机接口中空域滤波技术现状与进展

作为一种特殊的人-机交互模式,脑-机接口(brain-computer interface,简称BCI)技术已成为当前脑科学和智能信息处理领域的研究热点.其中,基于头皮脑电(electroencephalography,简称EEG)的BCI(EEGBCI)技术因具有良好的安全性和可操作性,吸引了研究者的广泛关注.但头皮EEG非常有限的空间分辨率和易受干扰等特性,很大程度上限制了EEG-BCI技术的实用化进程.因此,EEG信号处理和模式识别新方法研究已成为BCI领域的一个关键问题.在现有的信号处理方法中,空域滤波技术在EEG伪迹消除和任务相关神经活动获取方面表现出了较明显的优势,近年来在EEG-BCI系统实现研究中得到了广泛应用.论文以运动想象BCI(motor imagery BCI,简称MIBCI)为应用背景,对独立分量分析(independent component analysis,简称ICA)和共同空间模式(common spatial pattern,简称CSP)两种代表性空域滤波方法的原理及其性能进行介绍、分析和比较,总结出两种方法各自的优势和不足,并给出了改进思路.同时指出,ICA空域滤波方法在运动想象脑-机接口系统实现中更具应用潜力.     

基于DHWPT的脑电基本节律特征提取

脑电中不同类型的基本节律在不同生理条件下特征不同,有效提取这些特征对于实现脑电定量分析具有重要作用。简要分析了谐波小波独特的优势,研究了基于离散谐波小波包方法精确提取脑电基本节律的问题,得到了两种反映节律特征的量化参数:单个导联上各节律在某时刻的频带能量比例(FBER-S)和某一导联脑电信号在某一频段内的能量占所有导联在该频段内能量的百分比(FBER-A)。对临床病例数据分析表明,这两种特征参数呈现的特点与确诊病例的病症特点吻合得很好,说明它们能够作为临床诊断和长时程脑电监护的有效辅助诊断依据。     

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.     

基于脑电的意识活动特征提取与识别

基于脑电信号的非平稳特性,用自适应自回归模型(AAR)提取脑电信号的特征,利用该模型对同一实验对象的两种不同意识任务的脑电信号进行特征提取,并将AAR模型得到的特征与支持向量机(SVM)分类器相结合,作为支持向量机的输入进行训练和测试,取得了良好的识别效果.实验结果证明,支持向量机分类器用于不同意识任务分类效果很好.     

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.     

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.     

思维脑电信号的关联维数分析

采用G-P算法计算了5种不同心理作业下的思维脑电信号的关联维数。计算结果表明:对同一个电极上的脑电数据而言,心算乘法和想象几何图形旋转这两种心理作业下平均关联维数的值比较大。这说明当大脑进行心算乘法和想象几何图形旋转时,大脑皮层神经元的活动加剧,导致脑电信号变的复杂。此外,每种心理实验作业下电极01、02处脑电信号关联维数值均较大,表明枕区皮层神经元相对于大脑皮层其他部位的神经元始终处于比较活跃的状态。