首页 > 文献资料
-
癫痫发作前脑电行为的高阶统计量分析
由于癫痫的发作一般呈突发性,因在目前还做不到对癫痫发作的有效预测.本文利用高阶统计量对20例癫痫发作前的两段脑电信号分别建立AR模型并提取特征,然后通过对这些信号作模式识别,发现在癫痫发作前6s内,脑电信号中已蕴含有在时域看不到的异常变化,从而为癫痫的预测提供了可能.本文对这些脑电信号进一步做双谱分析,也得出了同样的结论.
-
独立分量分析算法及在生物医学工程中的应用
独立分量分析算法是一种多维统计方法。该算法的研究对象是多元随机信号，其研究目的是将这些多元随机信号转化成包含统计上相互独立的多个分量的信号。简要介绍了各种独立分量分析算法，包括基于二阶统计量的二阶盲辨识算法和多未知信源分离算法，以及基于高阶统计量的信息极大化法、改进的信息极大化法、快速固定点独立分量分析和特征矩阵联合近似对角化算法；比较了各种方法的运行性能并展望其在生物医学工程中的应用前景。
关键词： 二阶统计量 高阶统计量 独立分量分析 生物医学信号 特征矩阵联合近似对角化算法 -
基于高阶统计量分析的生物医学信号处理应用
目的:高阶统计量是随机过程的新的数字特征,通常是指高阶矩、高阶累积量以及它们的谱--高阶矩谱和高阶累积量谱.许多生物医学信号具有非线性、非平稳、非高斯、非确定性的固有特征.高阶统计量分析在信号处理某些应用中能提供特征信息量,具有一定的优势.本文探讨高阶统计量分析在生物医学信号处理的应用.方法:介绍了有关高阶矩、高阶累积量、高阶累积量谱的理论基础,阐述了高阶统计量用于处理脑电、心电、表面肌电信号、肺音、心音、二维生物医学信号等信号,提取出有用信息的应用.结果:高阶统计量不仅包含原信号的幅度信息,还包含其相位信息,能解决非高斯、非线性问题,在理论上可以完全抑制高斯有色噪声的影响,是一种分析具有非线性特征的生物医学信号的理想工具.结论:高阶统计量分析具有非线性、非平稳、非高斯、非确定性的生物医学信号具有重要的应用价值.
-
利用高阶统计量进行心肺音信号的盲分离
根据心肺音信号采集的特点,提出利用利用高阶统计量对心肺音信号进行盲分离.这样可以有效地去除高斯有色噪声,并对肺音信号采集时的一个重要干扰源--心音信号进行分离.
