在线Infomax算法及其在长记录脑电消噪中的应用

基于信息极大原理的Infomax算法是一种非常有效的盲源分离算法,在信号处理领域中得到了广泛的应用。本文在传统Infomax算法的基础上,提出了一种在线Infomax算法。文中对在线Infomax算法的性能进行了分析和验证,并结合长时间记录的实测脑电信号中的心电伪迹消除问题,对在线Infomax算法和传统Infomax算法的性能进行了进一步的分析比较。实验结果证明,本文提出的在线Infomax算法在时变混合模型中具有良好的收敛性能,并能有效地消除脑电信号中的心电伪迹。

基于独立分量分析的脑电中眼电伪迹消除

利用独立分量分析的方法对脑电中眼电伪迹成分进行剔除。运用负熵最大算法将脑电信号分解成独立分量,利用伪迹脑地形图的特征,将伪迹分量分离,得到不含伪迹的脑电信号。实验结果表明,该算法具有较强的稳健性和实用性。

基于小波变换和盲信号分离的多通道肌电信号处理方法

为了消除多通道表面肌电信号(SEMG)采集时形成的混叠现象,提出一种新的SEMG处理方法.该方法将小波变换和独立分量分析(ICA)结合,利用小波变换的去噪作用,滤除混合在原始SEMG中的部分噪声后作为ICA的输入信号,采用Infomax算法对输入信号实施盲分离,并引入相关系数验证ICA分量与源信号的一致性.实验结果表明,该方法用于多通道SEMG的盲分离是很有效的.

基于ICA和高阶累积量的AR序列的分解与复原

本文研究由若干个非因果自回归(auto regression,AR)序列叠加产生的多道时间序列的分解与复原问题,首先从序列的独立性出发,利用序列的高阶统计信息,采用独立成分分析(independent component analysis,ICA)中的广义信息最大化(Info- max)算法寻找一可逆矩阵将混合序列进行分离,然后设计了一种基于高阶统计量的自回归模型的辨识算法,算法中将非因果AR系统看成由因果和反因果系统的极联,在每次迭代中先估计反因果AR的阶数和参数,然后再估计因果AR的阶数和参数,由选用的线性方程组保证了参数的唯一可辨识性.最后通过模拟实验验证了此方法的有效性.

ICA特征提取技术在背景噪声建模与分析中的应用

应用infomax学习规则对船舶辐射噪声信号进行独立成分分析(ICA)特征提取,并证明了ICA变换能增强信号的非高斯性.在此基础上,根据稀疏编码的特性,利用阈值化的方法将船舶辐射噪声信号有效去噪.通过对含有海洋环境噪声的船舶辐射噪声信号的去噪实验,证明了本方法的有效性,并且去噪结果明显优于传统的几种去噪方法.

基于独立分量分析的自适应最大熵算法对脑电干扰的识别与剔除

目的提出一种在脑电信号采集过程中自动识别和剔除各种干扰的新方法。方法将独立分量分析(ICA)最大熵算法和非线性参数阈值设定相结合。首先对ICA最大熵算法进行自适应改进,并将其用于对包含肌电、眼动等各种干扰的19导脑电信号进行独立分量分解;然后对各独立成分进行3个参数的非线性分析,通过设定的阈值,自动识别出其中的伪迹成分;在去除识别出的各伪迹的独立成分后,将其余独立成分反投影到头皮各电极处,得到去除干扰后较为纯净的脑电信号。结果研究表明,基于盲源分离技术的自适应最大熵算法实现了脑电信号与其中所包含的多种干扰成分的分离,通过信号的重建可实现对不同来源干扰的剔除。结论自适应最大熵算法是生理信号消噪研究中一种有潜力的方法。

独立分量分析的算法分析与改进

Fast ICA算法是基于一批已取得的样本数据进行处理,它不适用信道矩阵变化的情况;虽基于自然梯度的Info max法是根据单次观测的样本值来调整分离矩阵,但它仅适合单类信源情况。在信道恒定和变化情况下,仿真比较上述算法的优缺点,同时为解决在线算法中收敛速度和稳态误差的矛盾,提出一种改进的变步长算法。该算法将步长变化与信号的分离程度相联系,根据信号之间的相似性测度变化量自适应地控制步长,最后仿真验证该算法的实用性。

脑图像数据中的独立分量分析方法

针对脑功能磁共振成像在处理数据时空间维数较大的问题,提出一种空间独立分量分析(ICA)方法。研究空间ICA方法的基本模型结构和空间ICA的3种常见算法,即Infomax算法、Fixed-Point算法和Orth-Infomax算法。设计中文词义辨别实验,并使用线性相关方法进行算法比较。实验结果表明,与Infomax算法、Fixed-Point算法相比,Orth-Infomax算法任务相关分量的时间序列与参考函数的平均相关系数最大,具有较高的求解质量和求解效率,能够有效处理脑功能磁共振成像系统中存在的大量数据。

基于互信息量的神经网络语音盲分离算法

盲分离技术由于不需要知道信号的先验信息而得到广泛应用。利用神经网络信息后向传播的特点,在Infomax算法的基础上,提出一种改进的基于互信息的语音盲分离算法,以神经网络为优化结构,并以输出熵为目标函数,实验证明,算法能很好提取信号的独立分量,完成混合信号的分离。

基于独立分量分析的盲源分离技术

独立分量分析 (ICA)是一种新的盲源分离技术 ,到目前为止 ,人们已从不同的角度提出了多种ICA算法。本文较为详细地介绍了基于信息极大传输理论的Infomax算法。

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。

基于训练序列的盲分离算法性能分析

信息最大化(Infomax)盲分离算法是一种基于神经网络的自适应算法,其主要问题是收敛速度较慢。盲分离技术(BSS)在通信中使用时有助于提高接收信噪比,提出通过一种利用通信信号的训练序列来改善Infomax算法的收敛性能的方法,并分别以相关系数和性能指数作为比较标准进行仿真,结果显示该方法能改善接收信号的信噪比,加快Infomax盲分离算法的收敛速度。

ICA算法在fMRI中的应用

独立分量分析(ICA)是信号处理领域新近发展起来的一种很有应用前景的方法,而脑功能磁共振(fMRI)信号的有效分离与识别是一个正在研究和实验之中的技术领域。近年来,ICA已被成功地应用于fMRI数据的处理,成为分析fMRI数据的一种很有效的方法。本文介绍了ICA在分析fMRI数据方面的应用,以及多种ICA算法在fMRI信号盲源分离中的应用,分析了三种算法的问题,给出了本人对此研究的展望。

偏亚高斯语音信号有效分离ICA方法研究

针对扩展Infomax语音分离算法仅只对无偏信号的概率密度分布进行建模的不足,提出了一种有效分离的有偏亚高斯信号ICA算法。通过修改扩展Informix算法所基于的Pearson混合模型,使修改后的模型既能较好地逼近对称的概率密度分布,又能逼近非对称的概率密度分布,从而在源信号是非对称分布的情况下,能获得更好的分离质量和较快的收敛速度。

基于ICA的胎儿心电提取系统

设计并实现了一种基于母体腹部表皮电极的胎儿心电提取系统。系统由硬件采集电路和分析软件两部分组成。硬件模块包含8路心电放大器(可扩展)、模拟滤波器和A/D转换电路;软件模块包含多通道数据采集和存储控制、数字滤波、ICA提取算法以及输入、输出波形的实时显示和回放等子模块。通过临床数据和实测仿真数据验证,本系统能有效地从母体心电中分离出胎儿心电,相应的软、硬件模块也均能够满足设计要求。实验表明,设计的胎儿心电系统具有较高的临床价值,同时也进一步验证了ICA算法应用于胎儿心电获取的可行性。最后,说明了本系统与相关系统对比具有的优势,并且提出了系统的优化方向和应用前景。

基于独立分量分析的盲分离算法研究

独立分量分析是一种基于高阶统计量的信号分析方法,与盲源分离问题密切相关。首先介绍了独立分量分析的基本概念和准则,以及衡量算法性能的方法;其次对比较流行的几种独立分量分析算法进行分析和总结,最后对独立分量分析未来的发展做了展望。