非接触式胎儿心率检测

胎儿心率检测是围产期常规检测,是评估孕妇和胎儿健康的主要生理指标.相对现有的接触式胎心检测技术,本文提出一种更为便捷,成本低廉的非接触式胎儿心率提取算法.首先基于欧拉视频颜色放大技术,对视频中颜色信号放大.其次,利用光电容积脉搏波描记法提取血液容积脉冲信号,并对母体噪声进行分离,计算功率谱密度提取.将采集到的胎心率,与医院专用胎心设备检测的结果进行定量分析,数据表明可以达到96%的准确度.     

基于移动端的非接触心率检测系统研究与设计

心率的检测对人体健康监护有重要的意义，目前主流心率检测设备需与皮肤直接接触，容易引起传染性疾病的传播风险并给用户带来负担；为了解决这些问题，开发了一款基于安卓移动端设备的心率检测应用，可实现非接触式的心率检测并将检测结果展示在主界面上，完成用户自主的心率检测功能；根据远程光电容积描记法，可从人体皮肤的图像数据中提取出心率信息，因此应用中封装了欧拉视频放大算法来实现非接触式心率信号检测，可通过采集面部图像数据来进行人体心率的估计；该应用操作简便，使用场景也不受限制，在真实环境中的实验结果表明，其检测结果与真实心率间的均方根误差为2.93，误差较小且与真实心率具有较高一致性，其检测精度能够满足用户使用需求。     

基于欧拉影像放大的非接触式心率测量方法

针对目前非接触式心率测量存在操作不便、心率同频段噪声干扰大和受环境温度影响较大等问题,提出一种基于欧拉影像放大技术的非接触式心率测量方法。首先,运用欧拉影像放大技术实现手腕处桡动脉微小跳动的动作放大;然后,对脉搏跳动视频帧的像素点亮度值在时域上进行亮度方差统计,同时在YCrCb颜色空间中分割出皮肤区域;其次,根据亮度方差统计和皮肤分割结果,结合图像形态学处理方法提取视频中桡动脉跳动区域;最后,对所提取桡动脉部位时域上亮度信号采用傅里叶变换进行时频分析,实现心率非接触式测量。实验结果表明该方法与独立成分分析法（ICA）和脉搏交流信号分析法相比,均方根误差（RMSE）分别下降50.5%和32.6%;与小波滤波法相比,平均绝对误差下降12%。非接触式心率测量方法测量结果与脉搏血氧仪测量法具有很好一致性,满足中国医药行业标准,可用于日常保健和远程医疗的心率监测。     

非规律运动伪迹干扰鲁棒的人脸视频心率检测

目的 基于远程光电容积脉搏波描记法（remote photoplethysmograph,rPPG）的非接触人脸视频心率检测广泛应用于移动健康监护领域,由于其携带的生理参数信息幅值微弱,容易受到运动伪迹干扰。据此,提出了一种结合非负矩阵分解（nonnegative matrix factorization,NMF）和独立向量分析（independent vector analysis,IVA）的非规律运动伪迹去除的视频心率检测方法,记为 NMF-IVA。方法 首先,将面部感兴趣区域（region of interest,RoI）分为多个子区域（sub RoIs,SRoIs）,利用平均光照强度、光照强度变化、信噪比这 3 个指标筛选出 3 个最优质的 SRoIs,并获取每个 SRoI 的绿色通道时间序列。其次,将 3 个绿色通道时间序列去趋势、带通滤波后送入 NMF-IVA 进行盲源分离。然后,对分离后的源信号进行功率谱密度分析,并且将峰值信噪比最高且主频落在心率感兴趣范围内的源信号确定为血容量脉冲（blood volume pulse,BVP）信号。最后,将 BVP 信号的主频确定为所测量心率的主频,从而计算出心率值。结果 实验在 2 个公开数据集 UBFC-RPPG 和 UBFC-PHYS,及 1 个真实场景自采数据集上与最相关的 7 种典型的 rPPG 方法进行比较,在 UBFC-RPPG 数据集上,相比于性能第 2 的单通道滤波（single channel filtering,SCF）方法,均方根误差提升了 1. 39 bpm（beat per minute）、平均绝对误差提升了 1. 25 bpm、皮尔逊相关系数提升了 0. 02;在UBFC-PHYS 数据集上的 T2 情况下,其性能提升最为显著,相比于性能第 2 的独立向量分析（IVA）方法,均方根误差提升了 16. 42 bpm、平均绝对误差提升了 9. 91 bpm、皮尔逊相关系数提升了 0. 64;在自采数据集上,除了低于深度学习方法性能之外,所提 NMF-IVA 方法在传统方法中取得了最好的结果。结论 所提 NMF-IVA 方法对规律信号提取具有敏感性,即便是在头部存在剧烈非规律运动情况下,相比于传统方法亦能取得最优结果,该结果能够媲美基于深度学习的方法。     

基于FastICA算法的盲源分离

近年来,ICA(Independent Component Analysis,独立成分分析)已成为处理BSS(Blind Source Separation,盲源分离)问题的主要手段,同时也受到人们越来越多的关注,为此讨论ICA的原理及其优越性.首先介绍ICA,然后引入FastICA算法的推导过程,最后通过MATLAB仿真将其与梯度算法、PCA(Principal Component Analysis,主成分分析)算法所得的仿真结果进行对比分析.通过算法验证,经FastICA处理得到的分离信号与源信号相关系数的绝对值不小于0.99,与其他两种算法比较可以明显地得到FastICA是一种更为有效的盲源分离方法.     

基于网络分量分析的盲源分离方法

提出了用先验混合矩阵对盲源进行分离的网络分量分析方法(NCA).该方法在统计独立性假设不成立的条件下,也能实现对源信号的分离.通过计算机仿真与FastlCA和JADE算法进行了性能比较分析,证实了在无统计独立性的假设下,NCA具有更理想的盲源分离效果.     

一种无线传感器网络的盲源分离算法

无线网络协议的校验纠错机制繁重复杂,加重了通信带宽的负担.盲源分离无需任何先验知识就可重构出源信号,成为无线传感器领域的研究热点.但网络部署中,传感器信号的量化位数和Modem个数难以确定.针对上述问题,提出一种基于平方根容积卡尔曼滤波(SRCKF)的盲源分离算法.算法根据空间状态方程和测量方程,用平方根容积卡尔曼估计分离向量.实验结果表明:SRCKF算法在保持极高分离精度的情况下,能有效计算出量化位数和Modem个数的最优值,SRCKF算法效率是同类无先导卡尔曼滤波(UKF)算法效率的1.3578倍.     

基于盲源分离的单通道语音信号增强

在运用基于独立分量分析(ICA)的盲源分离法进行语音增强时,要求观测信号(含噪语音)的个数不少于源信号(纯净语音和噪声)的个数.由于含噪语音通常是单通道的,所以必须合理地生成另一路的虚拟观测信号,以实现纯净语音和噪声的分离是个关键.介绍了一种基于盲源分离和谱减法的单通道语音信号增强的方法.首先运用谱减法对语音进行部分去噪,产生了ICA其中的一路观测信号,并产生了对噪声的估计值.用语音和噪声估计值的帧平均能量构成了加权函数,将噪声的估计值与原始含噪语音进行加权组合,生成另一路的虚拟观测信号.由于虚拟观测信号很好地再现了实际的观测信号,所以运用ICA可以较好地实现了噪声和语音的分离.同时,盲源分离和谱减法相互结合,使语音增强的性能提高.实验证明了算法可以在信噪比很小的情况下实现对噪声的去除,其效果要优于传统的去噪算法.     

基于量子遗传算法的盲源分离算法研究

在改进遗传量子算法的基础上，提出了一种新的量子遗传算法并从理论上证明了算法的全局收剑性．提出了基于量子遗传算法与独立分量分析算法相结合的盲源分离新算法．仿真结果表明：新方法比采用常规遗传算法的盲源分离方法具有明显的高效性．     

基于盲源分离的商业销售计算机仿真分析

研究了盲源分离用于商业销售分析中的应用.传统的销售分析只是对销售数据进行简单的分析,得出一些表面的原因.并不能发现其中的深层的因素,盲源分离却正能实现这一传统方法难以实现的分离作用.采用盲源分离的特征向量分离算法进行了几个大型超市销量的特征向量分离算法的仿真分离实验,并对实验结果进行了分析研究,从而找到了影响商业销售量的几个重要因素,找出了影响销售量变化的几个重要原因.为商业销售中的日常管理找到了一条与传统管理不同的方法,为独立成分分析应用于销售市场分析提供了理论参考.     

基于核独立成分分析的盲源信号分离

独立成分分析(ICA)已经广泛用于盲源信号的分离(BSS)。论文介绍了基于核空间的ICA的原理和基本算法,然后介绍了该算法与典型ICA和主成分分析(PCA)在盲源信号分离中的比较。实验表明在盲源信号分离中,基于核空间的ICA与其他典型ICA和PCA算法相比更具有准确性和鲁棒性。     

基于遗传算法的盲源信号分离

从混合观测数据向量中恢复不可观测的各个源信号是阵列处理和数据分析的一个典型问题.独立分量分析是解决该问题的新技术,而基于四阶累计量的联合对角化(JADE)算法是独立分量分析最常用的算法,但此算法在k＞2时得到近似解,且结果不精确.提出了一种基于遗传算法盲源信号分离的算法,此算法克服了JADE算法的不足,理论分析和仿真结果表明了该算法的可行性和有效性.     

基于独立成分分析的跳频信号盲分离

近年来,ICA（Independent Component Analysis,独立成分分析）已成为处理BSS（Blind Source Separation,盲源分离）问题的主要手段,同时也受到人们越来越多的关注。该文首先介绍ICA,然后引入FastICA算法的推导过程,最后通过MATLAB仿真将跳频信号进行盲分离,并与梯度算法所得的仿真结果进行对比分析。通过算法验证,经FastICA处理得到的分离信号与源信号相关系数的绝对值不小于0.99,与梯度算法比较可以明显地得到FastICA是一种更为有效的跳频信号盲分离方法。     

基于非负性约束K-SVD的fMRI盲源信号分离

近年来,K-SVD算法在功能磁共振成像（functional magnetic resonance imaging,fMRI）数据分析方法的研究中越来越受到关注.在本文中,提出了一种新的基于非负性约束K-SVD （Non-negative K-SVD,NK-SVD）的盲源信号分离（Blind Source Separation,BSS）方法.首先,随机初始化字典矩阵,利用正交匹配追踪算法（Orthogonal Matching Pursuit,OMP）求得稀疏向量矩阵;然后利用NK-SVD迭代更新字典矩阵和稀疏向量矩阵;进一步,对字典矩阵求伪逆,乘以原始信号数据,可得到脑功能激活区;最后,将本文的方法应用于模拟数据和真实数据,结果证明了方法的有效性,并且比传统算法有更好的效果.     

基于分值函数估计的自然梯度盲分离算法

分值函数估计的准确性是影响自然梯度盲分离算法收敛速度和稳定性的一个重要因素.提出了一种通过函数逼近直接估计分值函数的方法.用一组正交多项式的线性组合来逼近分值函数,其性能用均方误差来衡量.线性组合的系数向量可运用分值函数的性质,通过最小化均方误差自适应学习得到.将估计到的分值函数代入自然梯度迭代公式中就得到新算法.实验...     

盲源分离与波束形成融合抑制方向性强干扰研究

针对强干扰严重影响线列阵声纳弱目标检测的问题,融合盲源分离（Blind source separation,BSS）与波束形成提出了一种抑制方向性强干扰的方法.首先在干扰方位形成波束得到干扰信号估计,然后对阵列接收信号的每个子带采用盲源分离方法得到分离信号和解混矩阵估计,并通过对分离信号和干扰信号进行子带谱相关抑制干扰,再将抑制干扰后的分离信号重构回阵元域信号,最后采用波束形成方法完成目标方位估计.利用模拟器数据和海试数据对方法进行了验证,结果表明,该方法能有效地抑制方向性强干扰,明显提高了弱目标信号的空间谱能量,增强了声纳检测弱目标的能力.     

基于稳健联合分块对角化的卷积盲分离

针对卷积盲分离问题,提出一种新的矩阵联合分块对角化(Joint block diagonalization, JBD)算法. 现有的迭代非正交联合分块对角化算法都存在不收敛的情况,本文利用分离矩阵的特殊结构确保其可逆性,使得算法的迭代过程稳定. 在已知矩阵分块结构的条件下,首先,将卷积盲分离模型写成瞬时形式,并说明其满足联合分块对角化结构; 然后,提出联合分块对角化的代价函数,依据代价函数的最小化等价于矩阵中每个分块的范数最小化, 将整个分离矩阵的迭代更新转化成每个分块的迭代更新;最后,利用最小化条件得到迭代算法. 实数和复数两种情况下的算法都进行了推导.基本实验验证了新算法在不同条件下的性能; 仿真实验中对在时域和频域都重叠的信号的卷积混合进行盲分离,实验结果验证了新算法具有更好的分离性能和更稳定的分离能力.     

基于经验模态分解的单通道盲源分离算法

为了提高单通道盲源分离性能,首先由单路信号利用经验模态分解得到一系列本征模函数分量组合成多路信号;其次针对存在模态混叠的本征模函数分量,提出利用信号周期性构造其多路信号、并利用独立分量分析消除模态混叠的有效方法;然后利用互相关性消除上述所得到的多路信号中的虚假分量,并将剩余的分量信号与观测信号构成新的多路信号;最后利用Fast-ICA(fast-independent component analysis)算法分离得到源信号。仿真实验表明该算法能够有效分离源信号,分离性能优于目前已有的基于经验模态分解的单通道盲源分离算法。     

A High Order Cumulants Based Multivariate Nonlinear Blind Source Separation Method

This article addresses the problem of identifying multiple linear and nonlinear patterns from multivariate noisy data represented by an additive model. Following the proposed nonlinear model, the blind source separation (BSS) criterion, as a function of high-order cumulants, is shown to produce a block-structured joint cumulant matrix by an orthogonal rotation. An intuitive interpretation of this criterion is to rotate the elements of whitened principal component analysis (PCA) scores such that they are as independent as possible. The resulting optimal joint cumulant matrix contains diagonal “blocks” that correspond to the linear and nonlinear patterns caused by independent sources, from which linear patterns are recognized as in linear BSS. The nonlinear patterns are identified by extracting their lower-dimensional manifolds via the principal curves method and then transforming back to the original data space. As illustrated in the experimental study, the estimated linear and nonlinear patterns will provide more accurate diagnosing of the root causes that contribute to the observed variability in multivariate manufacturing. Editor: Dale Schuurmans