首页 > 文献资料
-
胎儿心电提取算法研究综述
在围产期对胎儿进行监护是十分必要的,而胎儿心电图是目前胎儿监护有效的手段之一.胎儿心电图能够反映胎儿心脏活动的全貌,通过对其波形分析,可及时发现胎儿生长发育过程中的异常.本文综述了几种经典的胎儿心电信号提取算法,包括自适应滤波法、盲源分离法、盲信号提取法、独立成分分析法、小波分析法、人工神经网络等,并重点介绍了各种方法的原理、改进方法,同时对各种算法的优缺点进行分析.文章的后,对各种胎儿心电提取算法进行了总结,并对未来发展做出了展望.
-
脑机接口中基于SOBI的EEG预处理
目的 针对脑机接口(brain computer interface,BCI)中脑电信号(electroencephalography,EEG)包含的伪迹以及信号源可能服从多个高斯分布,本文提出一种基于二阶盲辨识(second-order blind identification,SOBI)的盲源分离去除伪迹方法.方法 首先,含有伪迹的多个导联EEG信号采用联合近似对角化和数据白化,计算出混合矩阵,同时分解成数目相等的若干个独立分量.然后,根据伪迹信号特有的直观特性,将分解出含有伪迹的独立分量置零,剩余分量通过混合矩阵,进行逆向投影重构,得到去除伪迹后EEG信号.后,对3名实验者的实验数据,从处理时间和识别精度两方面进行检验.结果 本文中提出的SOBI方法相比于常用的独立成分分析(independent component analysis,ICA),在单个样本处理时间上,分别缩短了169.1 ms、177.0 ms和230.8 ms;在识别精度上,分别提高3.3％、5％和10％.结论 SOBI能快速有效地去除伪迹信号,为BCI中EEG的在线处理奠定了基础.
-
基于小波变换和盲源分离算法提取事件相关电位
阐述了用小波分解和盲源分离(blind source separation,BSS)算法结合来去除噪声和干扰提取事件相关电位(event-related potential,ERP).采用小波变换分解ERP,抽取出不同频带的细节信息;由小波系数判断选择多个尺度的子带信号,将它们分别与原始ERP组合进行盲分离,方法是极大化信号时间上的可预测性;将分离的结果进一步叠加平均.两类ERP仿真实验结果表明,本文算法提取出的ERP主要成分波明显,易于辨识,信噪比比较单独运用盲分离算法提取出的结果要好.在应用实例中,有效地增强了ERP的μ波.该算法优点在于减少了刺激次数和波形失真,参数变化范围小,在临床上有很好的应用前景.
-
二阶统计量盲分离技术在表面肌电信号分解过程中的应用
采用基于二阶统计量的盲源分离算法对多导表面肌电信号进行处理,实现噪声的分离和表面肌电信号的初步分解.实验结果表明,无论是对仿真表面肌电信号还是真实表面肌电信号,二阶盲分离方法具有良好的处理结果,其中,SEONS算法的分解性能佳.
-
独立分量分析在脑电信号处理中的应用及研究进展
独立分量分析(independent component analysis,ICA)方法是从一组观测信号中提取统计独立分量的方法.因为用这种方法分解出的各信号分量之间是相互独立的,而测得的脑电信号往往包含若干相对独立的成分,所以用它来分解脑电信号,所得的结果更具有生理意义,有利于去除干扰和伪差.本文简要地回顾了ICA的发展历史和主要算法,综述了它在脑电信号处理中的应用及研究进展,并指出了需要进一步研究解决的问题.
-
利用独立成分分析实现成组的fMRI信号的盲分离
独立成分分析(ICA)作为盲源分离的一种有效方法已经被成功的用于处理功能磁共振成像(fMRI)数据,但是通常人们只是考虑处理单个被试的数据,对于多个被试的情况却很少有人考虑,本文中分析了目前国际上比较流行的三种用ICA来处理多个被试的fMRI数据的方法,并且利用其中好的一种方法对我们实验中获得的fMRI数据进行处理,结果表明这种方法可以快速有效地处理多个被试的fMRI数据.
-
基于稀疏分量分析的欠定盲源分离用于表面肌电信号分解
目的 解决表面肌电分解中电极数小于肌电源信号而产生的欠定问题,针对盲源分离求解欠定混合方程进行研究.方法 首先采用匹配追踪(MP)算法将肌电信号稀疏化,再利用空间退化与Hough变换法估计聚类轴并求解混合矩阵,后通过模板匹配法完成对运动单位动作电位(MUAP)波形的分类.结果 从较少的观测信号中获得源信号的估计值,并得到MUAP的波形和发放间隔(IPI)信息.结论 本文采用的方法对表面肌电信号的分解是有效的,且具有较好的分离效果.
-
一种基于波束形成理论的盲源分离方法
目的 为更加有效地处理强弱信号混合这一特殊盲源分离问题.方法 根据阵列信号处理模型与盲源分离模型之间的一致性,以小输出能量为准则推导了相应的约束条件,并求得线形约束小方差下的解,即对真实信源的估计;实验中采用强背景噪声EEG与诱发脑电(EP)作为源信号,利用本文方法对其混合信号进行处理.结果 该方法能够有效地从强背景噪声EEG中将弱信号EP提取出来,具有很好的有效性和鲁棒性.结论 与独立分量分析等经典的盲源分离方法相比,该算法不需要求解解混矩阵,计算量小,在低信噪比情况下能够准确地估计出信源.
-
独立组分分析的十种算法综述及其在药物分析中的应用
对独立组分分析的原理和应用进行了综述.首先,概要叙述独立组分分析的产生背景和发展前景,简要介绍和评述了独立组分分析的定义、基本原理以及其中的十种算法；然后对独立组分分析在药物分析方面的实际应用进行了讨论.
-
基于快速定点独立分量分析算法的母胎心电信号分离
研究快速定点独立分量分析方法在母胎心电信号分离中的应用.采用此算法,在胎儿心电信号与母体心电信号可以视为相互独立的信号源的前提下,对来源于同一孕妇的观测信号进行独立分量分离.快速定点独立分量算法可以有效地分离出单个独立分量,得到的胎儿心电信号(FECG)较理想.采用独立分量分析方法,实现母胎心电信号分离,是一种值得尝试的信号处理方法.
-
基于独立分量分析的生理信号盲源分离
用于盲源分离的独立分量分析(ICA)和扩展ICA算法,基于极大似然估计,给出一个衡量输出分量统计独立的目标函数,优化该目标函数,得到一种用于独立分量分析的迭代算法.扩展ICA算法的优点在于迭代过程中不需要计算信号的高阶统计量,收敛速度快,同时适用于超高斯和亚高斯信号的分离.应用该算法实现了脑电、心电信号以及语音信号的分离,并给出了实验结果.
-
基于遗传算法的多通道癫痫脑电信号盲源分离
目的:研究一种将心电噪声信号从脑电信号中分离出来的算法及其DSP硬件实现.方法:癫痫是一种中枢神经系统疾病,该病的诊断主要依靠脑电监测,但由于人体是一个复杂网络,临床采集到的脑电通常会混有其他噪声如心电干扰,这为后续的处理引入不可控制的误差.本文采用基于遗传算法的独立分量方法实现多通道脑电信号的盲源分离.结果:通过相关临床专家检验,认为该方法基本能够去除心电噪声,和参考心电信号对比具有一致性.结论:通过从北京某三甲医院癫痫中心采集到的患者脑电数据进行测试,对比试验表明,该方法是一种稳健高效的处理方法,符合并行运算的特点,整套算法可以移植到基于DSP的嵌入式系统架构上,具有一定的实用价值.
-
基于高阶累积量算法的脑电信号中心电伪迹的消除
在脑电信号测量过程中,不可避免的会存在心电信号的干扰,给医生的诊断带来困难.本文将盲源分离理论用于研究脑电信号中的心电伪迹消除,介绍了盲源分离问题的基本模型、基于高阶累积量的独立性判决准则以及联合近似对角化算法.仿真实验表明,该方法能有效去除脑电信号中的心电伪迹干扰.
-
基于分数低阶空间时频矩阵的脑电诱发电位盲提取
对诱发电位(EP)信号中具有强脉冲过程的脑电图(EEG)噪声,可以用α稳定分布模型来描述.基于分数低阶矩对传统的Cohen类时频分布进行了改进,得到了新的分数低阶空间时频分布(FLO-STFM),据此提出了一种新的可在α稳定分布环境下工作的分数低阶空间时频欠定盲分离算法(FLO-TF-UBSS).将该盲分离算法应用到EP信号的提取,仿真实验结果表明所提出的盲分离算法能较好地在EEG噪声环境下实现对EP信号的盲提取,相关系数以及盲提取效果都优于基于二阶的TF-UBSS算法.
-
基于自组织映射神经网络和卷积核补偿的多通道表面肌电信号的盲源分离方法
本文基于已有的卷积核补偿(CKC)方法,提出了一种新的信号分解方法.该方法与自组织映射神经网络相结合,首先找出一个在某一时刻具有发放活动的脉冲序列,其次对这个脉冲序列的一些较大值所对应的时刻利用自组织映射神经网络进行分类,然后利用分类后的时刻所对应的测量信号的值求出终的一个信号源的发放序列.通过随机混合矩阵合成产生的仿真信号进行测试,表明所提出的方法是有效的.
-
稀疏信号的盲源分离求解方法提取胎儿心电信号
心电信号是具有稀疏特性的信号,本文提出了用稀疏信号盲源分离求解的方法提取胎儿心电信号(FECG).结合小波分析以及本文中提出的一种新方法--弭灭圆法,避免了因心电信号不是理想稀疏信号而对信源的可识别性造成的影响.仿真实验证明该方法是一种非常有效的方法.
-
改进的Fast ICA算法在事件相关电位提取中的应用研究
事件相关电位的特征提取分析在大脑认知的神经生理基础和临床应用研究中起着非常重要的作用.独立分量分析(Independent Component Analysis, ICA)作为目前比较流行的盲源信号处理算法,其特性非常适合应用于事件相关电位的提取.文章主要讨论了独立分量分析的基本原理、判决条件和算法,针对快速定点算法(Fast Independent Component Analysis algorithm, Fast ICA)迭代次数较多和对初始权值敏感的缺点,我们引入利用梯度法改进的修正因子,在此基础上对Fast ICA进行优化,得到改进算法,改进算法降低了对初始权值的敏感性,减少了迭代次数,从而提高了算法的收敛速度.后将其应用于ERP信号的提取当中,实验表明,在分离效果相当的前提下,收敛速度得到了较大的提高.
-
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.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.
-
基于面部视频的血流信号提取方法的比较及适用性研究
基于独立分量分析(ICA)的盲源分离技术可从面部视频序列中分离出血流脉冲信号(BVP),进而可获取心率、血氧饱和度和呼吸率等生命体征参数.但现有研究结果并未有效展示ICA在BVP获取方面的优势,因此,一些研究者建议直接利用面部视频图像序列的绿色通道分量(G分量)并结合时域滤波进行BVP提取(G-BVP).本文基于9位受试者所提供的面部视频数据,对ICA-BVP和G-BVP两种方法的性能和特点进行了比较,研究了面部器官自然运动和光照变化等因素引起的视频干扰成分对BVP提取效果的影响.实验表明,ICA-BVP方法在消除运动和光照干扰方面具有较明显的优势.在ICA-BVP方法的具体实现过程中,提出了基于谱峭度的BVP信号自动识别方法,用以解决ICA输出排序不确定的问题.该方法在动态BVP信号获取和心率估计实验中取得了较理想的测试效果.综上所述,ICA-BVP方法在基于面部视频的血流信号提取及生命体征参数估计的应用中,具有更好的稳定性和准确性.
-
独立元分析和非负矩阵分解的盲源分离比较
独立元分析(Independent Component Analysis,ICA)和非负矩阵分解(non-negative matrix factorization,NMF)是盲源分离的研究热点.文章在提出盲源分离框架的基础上,对独立元分析和非负矩阵分解进行了比较,并通过两个实例分别介绍了两者在生物医学领域中的应用.
