学位论文 > 优秀研究生学位论文题录展示

基于独立分量分析的脑电消噪与特征提取

作　者: 王永飞
导　师: 吴小培
学　校: 安徽大学
专　业: 计算机应用技术
关键词: 独立分量分析脑电特征提取盲源分离 FastICA算法 Infomax算法脑电消噪自发脑电诱发脑电
分类号: TN911.73
类　型: 硕士论文
年　份: 2006年
下　载: 506次
引　用: 2次
阅　读: 论文下载

内容摘要

独立分量分析(Independent Component Analysis，ICA)是近年来由盲源分离(Blind Source Separation，BSS)技术发展来的一种新的多维信号处理方法。它以非高期信号为处理对象，在满足一定的条件下，能从多路观测信号中，较完整的分离出隐含其中的若干独立源信号。 ICA最初主要是解决类似鸡尾酒会的盲源分离问题，二十世纪九十年代初，J.Herault和C.Jutten等人从盲源分离问题研究中，提出了ICA的基本概念。L.Tong等人在分析了盲源分离问题的可分离性和不确定性，并给出一类基于高阶统计的矩阵代数特征分解方法。之后，Comon对ICA的概念进行了系统地阐述，并基于高阶统计直接构造了目标函数。1995年，A.J.Bell和T.J.Sejnowski从信息论的角度重新阐述了盲信源分离问题，提出了随机梯度下降的ICA学习算法(Infomax ICA)，该算法可以说是ICA研究热潮的起点。随后，S.Amari及其研究小组在ICA算法理论研究方面也做了很多开创性的工作。在之后的ICA研究过程中，一些年轻学者，如T.W.Lee，A.Hyvarinen在ICA研究方面作出了卓有成效的贡献，提出的扩展Infomax算法、FastICA算法，使得ICA技术进一步走向应用领域。大脑中通常有不同的部位(信号源)发出信号，脑电信号检测和记录设备记录到的实际上是不同的信号源发出的信号的混迭，而且还常伴随着一些噪声干扰源，这就需要利用ICA方法分离出信号源及噪声干扰源，以达到进一步对脑电信号进行消噪及特征提取的目的，从而帮助我们对脑认知功能做更深的探索研究。ICA应用于EEG的信号分析处理是ICA在生物医学信号处理领域中得到应用的一个实例。另外，ICA在通信、模式识别、雷达信号处理等众多领域均引起了极大的关注。在脑电信号处理过程中，包含人体其他器官组织产生的生物电信号(如眼电等)以及各种外界因素引起的干扰信号。我们对脑电信号处理的目的是为了从复杂的背景噪声中分离出有用的脑电信号，进而从中提取出具有明确生理意义的脑电特征，并应用于临床医学和脑认知科学的研究。本文简明扼要的介绍了独立分量分析发展的历史，介绍了本实验室的脑电信号采集系统及应用软件系统，并利用本系统采集了一位同事的脑电信号，本文根据所采集的脑电数据，利用ICA的基本原理及其代表性的两类算法对所采集的数掘进行了系统的分析，并将其应用于对脑电的消噪和特征提取的研究中本文所做的工作如下： 1．从ICA基本原理出发，分别探讨了FastICA算法和Infomax算法基本原理，并对算法进行系统分析，以及对它们的盲源分离性能进行了分析验证，结果证明了ICA算法对实际应用将具有一定的指导意义。 2．对独立分量分析在ERP消噪中的应用进行了研究。首先对实测的视觉诱发ERP数据运用ICA算法进行分解，然后利用脑电的先验知识，从时域、频域及空间分布模式入手对ICA分离出的独立分量进行噪声识别，这种多角度分析法避免了仅从某一个角度分析时所带有的经验性。此外，传统的基于ICA的ERP消噪多是仅仅对非神经电活动(如眼电等)噪声进行消除，本文除了作了这方面的工作主外，还对部分与刺激具有锁时(Time-lock)关系的自发脑电噪声也进行了处理，从而克服了在后续的ERP提取过程中所造成的难以抑制这些锁时噪声的缺陷。实验获得了理想的ERP消噪效果，并为ERP的可靠提取提供了一条切实可行的新思路。 3．利用ICA分析对诱发脑电信号进行了研究，实验结果表明ICA可以明确地分离出含有一定生理意义的脑电特征，这对临床医学研究具有很重要的意义。

全文目录

摘要  3-5
ABSTRACT  5-7
目录  7-9
第一章绪论  9-17
  1.1 前言  9
  1.2 脑电信号的特征  9-12
  1.3 脑电信号的采集系统简介  12-13
  1.4 脑电信号处理技术概述  13-15
  1.5 独立分量分析  15-16
  1.6 本文的研究内容  16-17
第二章独立分量分析的基础理论  17-36
  2.1 统计分析理论基础  17-22
    2.1.1 随机变量的一、二阶统计特性分析  17-19
    2.1.2 随机变量的高阶统计特性分析  19-22
  2.2 信息论基础  22-27
    2.2.1 信息熵  22-24
    2.2.2 互信息  24
    2.2.3 K_L散度和负熵  24-25
    2.2.4 最大熵定理  25-26
    2.2.5 多维数据分析的线性描述  26-27
  2.3 独立分量分析  27-35
    2.3.1 统计独立  28-29
    2.3.2 ICA问题模型  29-35
      2.3.2.1 ICA与BSS  29-31
      2.3.2.2 ICA定义及线性模型  31-34
      2.3.2.3 ICA限制条件  34-35
  2.4 本章小结  35-36
第三章 ICA的算法分析  36-52
  3.1 ICA中的预处理  36-37
  3.2 独立性度量  37-39
  3.3 ICA的目标函数  39-43
    3.3.1 基于峭度的目标函数  39-41
    3.3.2 基于负熵及近似熵的目标函数  41-42
    3.3.3 基于互信息最小化的目标函数  42-43
  3.4 ICA的优化算法  43-51
    3.4.1 Infomax算法  44-46
    3.4.2 扩展的Infomax算法  46-49
    3.4.3 FastICA算法  49-51
  3.5 本章小结  51-52
第四章脑电信号消噪和特征提取  52-62
  4.1 综述  52-53
  4.2 ICA在脑电信号消噪和特征提取中应用  53-61
    4.2.1 ICA在脑电消噪中应用  53-57
    4.2.2 ICA在EP特征提取中的应用  57-61
      4.2.2.1 叠加平均技术  57-58
      4.2.2.2 VEP提取  58-59
      4.2.2.3 ICA在P3亚成分中提取中的应用  59-61
  4.3 本章小结  61-62
第五章总结与展望  62-63
参考文献  63-68
致谢  68-69
攻读硕士学位期间发表的论文  69

基于独立分量分析的脑电消噪与特征提取

内容摘要

全文目录

相似论文