ICA在思维脑电特征提取中的应用

简要介绍了独立分量分析(ICA)的基本思想及算法,并将其应用在基于多导思维脑电(mental EEG)的特征提取方面.实验结果表明:ICA可以将脑电信号中包含的心电(ECG)、眼电(EOG)等多种干扰信号成功地分离出来,较好地完成了脑电消噪预处理工作.同时,通过使用ICA方法对不同心理作业的脑电信号进行分析处理,发现了与心理作业相对应的脑电独立分量特征,这些稳定的独立分量特征为心理作业分类和脑-机接口技术提供了新的实现方法.     

脑机接口应用中的思维任务分类

脑电信号（EEC）是研究脑活动的一种重要的信息来源,基于脑电信号的人与计算机的通信成为一种新的人机接口方式。时于五种不同心理作业的思雏脑电信号运用独立分量分析（ICA）进行预处理,然后采用6阶的AR模型提取特征,最后应用BP神经网络时AR系数特征进行训练和分类。实验表明。此方法可以达到很好的分类效果,提高了脑电思维作业的准确度。     

结合小波包和ICA的脑电信号特征波提取方法*

为了更有效地提取脑电信号特征波,结合小波包和ICA（独立分量分析）,提出了一种脑电特征波提取方法。首先对脑电信号进行小波包分解,然后进行相关频段信号的重构,从而提取出特征波的概貌作为初次提取的特征波;再利用ICA分离技术,以初次提取的特征波为参考信号对其进行增强。实验结果表明,对比于独立地应用某一种方法,两种方法相结合更能有效地提取脑电信号特征波。     

基于脑电信号的思维任务分类

脑电信号（EEG）是研究脑活动的一种重要的信息来源，基于脑电信号的人与计算机的通信已成为一种新的人机接口方式。文中主要对不同心理作业的思维脑电信号运用独立分量分析进行预处理，然后采用AR模型提取特征，最后应用BP神经网络对AR系数特征进行训练和分类。实验表明，此方法可以达到很好的分类效果。     

典型相关分析去除脑电信号中眼电伪迹的研究

给出了一种基于典型相关分析（Canonical Correlation Analysis,CCA）的盲源分离技术来去除脑电信号中的眼电伪迹。通过实验验证了基于CCA的盲源分离方法去除眼电伪迹的有效性,并将该方法与广泛使用的独立分量分析（Independent Component Analysis,ICA）进行了比较。实验结果表明,基于CCA的盲源分离方法可以对眼电伪迹进行成功地分离和消除,该方法相较于ICA方法而言,算法更为简单,计算速度更快。     

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。     

基于脑电信号的思维任务分类

脑电信号(EEG)是研究脑活动的一种重要的信息来源,基于脑电信号的人与计算机的通信已成为一种新的人机接口方式。文中主要对不同心理作业的思维脑电信号运用独立分量分析进行预处理,然后采用AR模型提取特征,最后应用BP神经网络对AR系数特征进行训练和分类。实验表明,此方法可以达到很好的分类效果。     

改进独立分量算法的眼电伪迹去除方法研究

脑电信号采集过程中易受眼电干扰,给脑电信号分析处理带来极大的不便,由此提出了一种改进独立分量分析（IICA）自动去除眼电伪迹的方法。该方法将水平和垂直眼电信号按照一定的比例混叠成一导新的信号,并与脑电信号一起作为输入;采用基于负熵判据的FastICA算法快速获取各导独立分量;记录此时的负熵判据参数[a],并利用相关系数识别混叠眼电信号独立分量,记录对应的相关系数;[a]加上一定的步长,重复上述步骤至[a]达到阈值时停止;重复多次上述循环,获取均值向量,取出均值向量中最大的相关系数与所对应的[a],根据[a]获取新的独立分量,采用相关系数自动识别混叠眼电独立分量,并置零;再进行ICA逆变换返回到原信号各个电极,即可得到同时去除水平与垂直眼电伪迹后的各导脑电信号。实验结果表明,IICA方法能有效降低去伪迹耗时,极大提高信噪比,减少均方根误差。     

基于EEGLAB对癫痫样脑电信号处理应用研究

脑电图（EEG）是癫痫临床检测的重要检查手段之一,它能为癫痫患者发作提供独特的临床证据。EEGLAB是一款专门对脑电信号进行处理的工具箱,其基于MATLAB平台,作为一种开源工具包专为脑电信号研究人员使用。基于EEGLAB对来自某儿童医院的11名癫痫患者的原始脑电信号进行处理,原始数据以EDF格式存储,对其进行过滤、去除不良通道、独立分量分析（ICA）去伪差、重采样、滑动窗口分割等。对原始信号的有效预处理可为后续对发作间期的癫痫样脑电研究奠定基础。     

想象左右手运动的脑电特征提取

针对脑机接口中脑电信号特征提取的传统方法特征数量多、计算量大及分类正确率低等不足,提出了一种基于时域、频域、空域结合的方法用于提取大脑在想象左右手运动时所产生的事件相关去同步(ERD)和事件相关同步(ERS)信号.分别用独立分量分析(Independent Component Analysis, ICA)和小波变换提取原始脑电信号的空域特征及时频域特征,并用BP(Back Propagation )神经网络对提取的特征进行分类.分类实验结果表明,运用提出的方法提取的想象左右手运动脑电的特征,有效克服了传统的仅基于时频域特征提取方法在描述脑电信号本质特征方面的不足,具有较好的分类正确率.     

Mental tasks discrimination by neural networks with wavelet transform

The study mainly focuses on the analysis of Electroencephalogram (EEG), to classify mental tasks by using features based on wavelet transform. We have used the daubechies family wavelets, level 6, to transform obtained signal from independent component analyzed EEG signal. As Fourier analysis consists of breaking up a signal into sine waves of various frequencies. Similarly, wavelet analysis is the breaking up of a signal into shifted and scaled versions of the original wavelet. Signals with sharp changes might be better analyzed with a Wavelet than with a Fourier transform. It also makes sense that local features can be described well with wavelets that have local extent. This offers improved features to the neural networks obtaining several classified mental tasks. Through several processes, it led us more developed variety mental tasks classification results. We find that the neural networks perform over 75% success resulting with small number of electrodes better than a previous 70% resulting.     

ICA及其在事件相关电位P3中的应用

针对事件相关电位(Event-relatedPotential,ERP)P3复合波中的亚成分较难分离的问题,运用近年新兴起来的独立分量分析(IndependentComponentAnalysis,ICA)算法对多道事件相关电位P3复合波进行了分解。实验结果表明:利用ICA可将混合在观测信号中的相互独立的源信号分离出来的特性,成功地分离出了P3复合波的各亚成分,从而表明了ICA在分离P3亚成分中的应用是一个值得注意的研究方向。     

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。     

HHT方法在不同思维作业脑电信号分析中的应用

介绍了一种处理非线性、非平稳信号的新方法——HHT的原理及特点,并将其应用于不同思维作业脑电信号分析。实验结果表明,不同思维作业脑电信号经HHT后的HH谱和Hilbert边际谱都差异显著,证明HHT方法对脑电信号处理的可行性。     

Model selection for convolutive ICA with an application to spatiotemporal analysis of EEG

We present a new algorithm for maximum likelihood convolutive independent component analysis (ICA) in which components are unmixed using stable autoregressive filters determined implicitly by estimating a convolutive model of the mixing process. By introducing a convolutive mixing model for the components, we show how the order of the filters in the model can be correctly detected using Bayesian model selection. We demonstrate a framework for deconvolving a subspace of independent components in electroencephalography (EEG). Initial results suggest that in some cases, convolutive mixing may be a more realistic model for EEG signals than the instantaneous ICA model.     

基于脑电功能连接拓扑表征的心算任务分类

使用脑网络图的方法分析脑电功能连接存在阈值选择、忽略了脑电图动力学特性的问题。针对这一问题,提出了一种使用拓扑动态建模的方法来分析脑电功能连接矩阵,以提高心算任务分类识别正确率。该方法首先将功能连接矩阵转换为无向加权图,然后使用持续同调工具来构建不同的复形,记录拓扑动态过程中形成的不同阶的同调特征,形成持续图,最后使用持续景观图特征作为分类特征,输入到随机森林分类器进行心算状态识别。在心算状态识别和心算质量分类两个任务中分别获得了最高99.26%、99.20%的识别准确率,97.87%、99.80%的敏感性,以及99.78%、97.64%的特异性,并且在跨个体验证实验中分别获得了66.81%、66.85%的准确率。实验结果表明,该方法能充分考虑所有可能的阈值,有效提取脑电功能连接的分类信息,实现脑电心算状态自动识别。     

基于独立分子量分析的图象分离技术及应用

简要介绍了有关独立分量分析的基本理论和算法,探讨了独立分量分析在序列图象处理方面的应用,提出了基于独立分量分析的运动目标检测新方法,同时用独立分量分析方法对含有运动目标的序列图象进行了独立分量分离的试验,试验中,首先获取序列图象的独立分量和模型混合矩阵,然后将含有背景干扰的独立分量置零,并用混合矩阵进行逆运算,从而获得非常清晰的运动目标轨迹,试验结果表明,这种独立分量分析方法具有良好的盲源分离性能,而且在运动目标检测等方面,基于独立分量分析的检测方法较传统的检测方法更有效。     

Feature Extraction Using Independent Components of Each Category

We describe an application of independent component analysis (ICA) to pattern recognition in order to evaluate the effectiveness of features extracted by ICA. We propose a recognition method suitable for independent components that consists of modules for each category. A module has two parts: feature extraction and classification. Features are independent components estimated by ICA and outputs of modules are candidates for categories. These candidates are combined and categories are decided with a majority rule. This recognition method is applied to two tasks: hand-written digits in the MNIST database and acoustic diagnosis for a compressor as real-world tasks. A FastICA algorithm is applied to extracting independent features in the proposed method. Through recognition experiments, we demonstrate that the ICA of each category extracts useful features for these tasks and the independent components are superior to the principal components in recognition accuracy. Manabu Kotani - Deceased