多通道表面肌电信号降噪与去混迭研究

通过数据采集装置同时采集多路表面肌电信号(sEMG)时,信号之间往往存在相互混迭的现象。为了得到有效的sEMG,提出了一种基于二代小波变换和独立分量分析(ICA)相结合的降噪与去混迭方法。先利用二代小波变换对sEMG降噪再利用改进的FastICA算法对降噪后的信号进行ICA分离,最后通过互相关系数验证去混迭效果。实验结果表明,所提方法能够有效降低噪声并去除相邻通道间产生的混迭。     

一种改进的盲源分离技术及其在SEMG中的应用

针对多通道表面肌电信号(SEMG)采集时形成的混迭现象,提出一种基于时频分析的参考累积量盲源分离方法.以多路观测信号互为参照分别计算累积量矩阵,利用时频分析得到时间尺度累积量矩阵,并构造对照函数,通过非正交联合对角化方法得到SEMG的最优估计.仿真实验表明该算法在解决SEMG的混迭现象有很好的分离效果,与FastICA、JADE算法相比,信号间的相似系数和算法性能指数明显改善,算法效率提高.     

基于独立分量分析的电磁场信号工频干扰消除

为了解决电磁场信号测量中的工频及其谐波干扰问题,将盲源分离(BSS)应用于电磁场信号的工频干扰消除.从盲源分离和独立分量分析(ICA)的统一模型出发,分析了快速ICA算法和最大信噪比ICA算法的目标函数选择及算法推导,并分别对计算机随机产生不同波形信号和实测的电磁场信号进行分离,结果显示:无论从相似系数还是运算时间上看,最大信噪比ICA算法明显优于快速ICA算法.     

表面肌电信号脉搏伪迹的消除方法研究

许多生物电信号的获取过程中都夹杂了脉搏伪迹,表面肌电信号(SEMG)也是一样。本文通过相邻部位同时采集两路SEMG,一路为待处理信号,另一路作为参考信号。采用小波变换提取参考SEMG中的脉搏波,与待处理的SEMG构建独立分量分析的输入,最后用FastICA算法分离出待处理SEMG中的脉搏波,得到去除脉搏伪迹的SEMG。实验结果表明,该方法用于SEMG中的脉搏伪迹的消除是非常有效的。     

独立成分分析算法及其在脑电图中的应用

研究脑电图成像的数据处理问题时,独立成分分析(ICA)是一种新的信号处理统计方法,被广泛用于各个领域.脑电图就是,利用独立成分分析从混合信号中还原出源信号,通过目标函数,如极大似然估计,信息最大化和互信息最小化等,对源信号的概率密度函数(PDF)进行估计.在基于互信息最小化算法的基础上,提出一种新的独立成分分析算法,算法中的核心参数是由信号本身来确定的,能使所估计的PDF更加准确,从而提高分离的性能.最后,用新的ICA算法来实现脑电图(EEG)信号的盲源分离,结果表明,算法可以快速有效的分离其源信号,且准确性优于Boscolo提出的非参量ICA模型.     

表面肌电信号的降噪处理

表面肌电信号是一种易受多种噪声影响的生物电信号,其中以工频干扰、基线漂移、白噪声等干扰尤为严重.通过分析噪声干扰的特点,结合表面肌电信号特征,选取频谱插值法在频域内消除了工频干扰;利用形态学滤波的开闭运算得到基线漂移特征,从而滤除了基线漂移;基于经验模态分解(EMD)得到的本质模态函数分析消除了白噪声.实验结果表明:上述滤波方法在不损坏有用信号的前提下,可以实现较为满意的滤波效果.     

心电信号去噪效果的评估与分析

心电信号是人体的主要生理信号之一,通过对心电信号的分析可了解心脏的健康状态,由于心电信号属于微弱低频信号,所以在采集过程中极易受到来自人体内部和外部的噪声干扰,影响心脏疾病诊断的效果。基线漂移、工频干扰和肌电干扰是心电信号采集过程中不能忽略的噪声干扰。对心电信号的相关去噪算法的效果进行对比分析。首先将模拟理想状态下的心电信号作为原始数据,同时模拟出心电信号中存在的基线漂移、工频干扰和肌电干扰。每种噪声干扰分别选择三种常用的去噪算法,采用信噪比、均方差和心电信号的频域特征的评估指标进行去噪效果的比较。在此基础上,提出了一种多噪声心电信号的去噪方法并给出去噪流程和效果。研究结果表明：（1）对于基线漂移、工频干扰和肌电干扰分别采用小波变换法、陷波滤波法和小波阈值法的去噪效果最好;（2）当心电信号含两种及两种以上噪声时,按照滤除基线漂移、工频干扰和肌电干扰的去噪顺序滤波效果最好。     

核ICA在电流传感器相位差监测中的应用

介绍了核独立分量分析(ICA)的基本原理和算法,并将其用于对电流传感器输出的混合信号进行分离,通过比较分离出的单频测试信号输入前后的相位差,来标定传感器本身的相位差对其检测对象的影响。此外,还采用最大似然法对核ICA的分离效果进行评价。实验证明:在输入信号的信噪比为18.73dB的情况下,核ICA分离出的信号与源信号相位差在0.002 rad以内,达到了实际应用中所要求的误差范围。     

基于CEEMDAN-ICA的单通道脑电信号眼电伪迹滤除方法

传统盲源分离法不能解决欠定问题,且分离信号与源信号对应关系不确定.提出一种基于自适应噪声完备经验模态分解(CEEMDAN)和独立成分分析(ICA)相结合的脑电信号眼电伪迹自动去除方法.该方法首先将含伪迹脑电信号自适应分解成多维本征模态函数(IMF),以满足盲源分离方法对信号正定或超定要求,再对本征模态函数用ICA方法构建多维源信号,最后利用模糊熵阈值判据判别多维源信号中的伪迹信号,完成滤波并重构脑电信号.该方法相比于其他算法,能更好的去除眼电伪迹并保留原始信息,适合单通道脑电信号预处理.     

基于ICA的白噪声消除方法研究

为了消除润滑油内金属磨粒检测系统(metal debris detection system,MDDS)输出信号中混合的高斯白噪声,提出了一个基于ICA的算法对两路输出信号进行消噪处理.对两路信号添加前缀信号,并按照所述步骤进行两次ICA后得到三路独立源信号,根据ICA前后前缀信号幅值和相位的变化校正ICA分离结果的幅值和相位,完全恢复源信号.对MDDS的输出信号进行仿真以验证算法的去噪效果,实验结果表明,该算法可以有效地消除输出信号中的白噪声.     

小波消噪和ICA在语音信号分离中的应用

为了消除语音信号分离中仍存在的部分混叠声音,提出一种基于小波消噪和独立分量分析（ICA）结合的信号分离方法。该方法将小波变换和独立分量分析结合,利用小波变换的去噪作用,滤除原始语音信号中的噪声后作为ICA的输入信号,采用FastICA算法在小波域进行独立分量分析,对输入信号实施分离。实验结果表明,该方法大大调高了传统独立分量分析对语音信号的分离效果。     

基于高斯矩的噪声独立分量分析

独立分量分析(ICA)作为有效的盲源分离技术(BSS)是信号处理领域的热点。但是许多ICA算法都是建立在无噪模型基础上实现盲源分离的,忽略了噪声对分离信号的影响。而实际信号或多或少的都含有噪声,如果信噪比低于某值将得不到良好的分离效果。该文定义不同参量的高斯函数的期望为随机向量的高斯矩,证明随机向量的高斯矩可作为无偏估计的单值对照函数应用于带高斯噪声的noisyICA模型。由此利用最大化基于高斯矩的对照函数,得到FastICA改进算法—noisyICA,并通过模拟实验证明了算法的可行性和健壮性。     

针对FastICA计算终点判断的算法改进

独立分量分析不能分离高斯分布信号,导致对含高斯噪声系统计算不收敛;FastICA可以从系统中逐个计算出独立分量,通过计算系统残余信息的自相关函数值,判断残余信息属性,找出独立分量分析的计算终点,对FastICA算法进行改进,可以避免无效计算,节省计算时间。改进后的算法可以自动判断含噪声的线性系统的独立分量数目,与预先定义分量数目的独立分量分析相比,具有更好的降噪效果。     

基于FastICA的语音分离与图像分离

独立分量分析0CA）基于信号的高阶统计量,能从混合信号中分离出既具有统计独立性又具有非高斯性的源信号,在诸多ICA算法中,固定点算法（也称FastICA）以其收敛速度快、分离效果好被广泛应用于信号处理领域。在介绍ICA的基本模型与FastICA算法的原理后,分别对混合的语音信号与图像信号进行了分离实验,仿真结果表明FastICA应用于语音分离与图像分离,效果都很好。     

一种参考独立成分分析算法在弱信号提取中的应用

独立成分分析(Independent Component Analysis,ICA)是解决盲源分离问题十分有效的方法。特别是Fast-ICA算法,它以中心极限定理为出发点,采用定点迭代的优化算法,收敛快速、稳健。但是在提取弱信号时,由于中心极限定理不再严格成立,FastICA算法也不再适用。因此从理论和实验两个方面着手验证了这个观点,并针对弱信号提取问题提出新的解决思路:在FastICA算法的基础上,引入源信号的部分先验信息作为约束,即参考独立成分分析(Independent Component Analysis with Reference,ICA-R)。若已知源信号的部分功率谱,结合加权范数最小化信号外推算法的思想,建立接近性度量,以约束的形式融入FastICA算法中,从而分离出要求的弱信号。实验结果表明,不管是对模拟信号还是真实的脑电信号,该算法都是有效的。     

能量熵与峰值窗口结合去除眼电伪迹研究

为改进传统独立分量分析自动去除眼电伪迹算法中存在识别眼电分量速度慢、需采集同步参考眼电信号、丢失脑电信号问题,提出一种不需要参考眼电信号的眼电伪迹自动识别去除方法。利用FastICA分解出独立分量,计算各独立分量频谱能量熵,以频谱能量熵值作为判据识别出眼电分量;然后使用峰值窗口分离出眼电分量中存在的脑电信号,与其他独立分量进行拼接;利用FastICA逆变换重构出去眼电伪迹的脑电信号。实验结果表明：该方法能准确快速自动地去除眼电伪迹,并较好地保留其他的脑电信号成分;频谱能量熵识别眼电伪迹平均用时为0.01?s,准确率为98％,适用于实时EOG去除。