独立分量分析的拟牛顿迭代算法及其在视觉诱发电位特征提取中的应用

少次叠加平均处理后的视觉诱发电位(VEP)中仍含有一定的背景噪声,对其进行进一步的提取与处理有重要的实用价值。独立分量分析(ICA)能够从混合信号中分离出最独立的成分,有效抑制噪声。本文尝试采用ICA的拟牛顿迭代算法进行VEP特征提取,介绍该方法的原理、实验和结果,并与采用牛顿迭代准则的快速独立分量分析(F astICA)算法进行了比较。结果表明,基于拟牛顿法的ICA可以有效增强信号,从少次叠加平均的结果中提取出易于辨识的VEP的P 300信号,具有较高的应用价值。

独立分量分析及其在诱发电位提取中的应用

独立分量分析能够在各信号频率混迭的情况下,从它们的线性混合信号中有效分离出原始信号,这为微弱电生理信号的提取提供了途径,受到生物信号处理研究人员的关注。作者研究分析了独立分量分析模型和一种基于负熵判据的定点快速ICA算法的实现,并将该算法运用于仿真诱发电位的提取中,从观测信号(混合信号)中有效地提取出视觉诱发电位。

基于独立分量分析的大脑视觉诱发电位单次提取

脑电 (Electroencephalography ,EEG)视觉诱发电位 (VisualEvokedPotential,VEP)的单次提取是当前生物医学信号处理领域的一个研究热点。提出一种基于独立分量分析 (IndependentComponentAnalysis,ICA)的多道脑电信号VEP单次提取方法 ,与多次叠加求平均的方法相比较 ,可以得到令人满意的结果。