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。     

单通道脑电信号眼电伪迹去除算法研究

由眨眼和眼动产生的眼电伪迹（Electrooculography,EOG）信号是脑电信号（Electroencephalography,EEG）中的主要噪声信号之一.目前,多通道脑电信号中眼电伪迹的去除算法已经较为成熟.而在单通道脑电信号的眼电伪迹去除中,由于采集通道数量较少且缺乏参考眼电信号,目前尚无十分有效的去除方法.本文提出一种基于小波变换（Wavelet transform,WT）、集合经验模态分解（Ensemble empirical mode decomposition,EEMD）和独立成分分析（Independent component analysis,ICA）的WT-EEMD-ICA单通道脑电信号眼电伪迹去除算法.实验表明：WT-EEMD-ICA算法有效地解决了单通道WT-ICA算法中的超完备问题,能够有效去除单通道脑电信号中的眼电伪迹,并且分离出的眼电伪迹成分与参考通道采集的眼电信号相关性较强.     

脑电信号中眼电伪迹自动识别与去除方法研究

传统盲源分离算法消除眼电伪迹须用到两个眼电信号作为参考,但在采集眼电信号时易给被试带来不适产生噪声,且识别时需要人为辨别,为了解决这些问题,提出一种基于FastICA的眼电伪迹自动去除方法。该方法先计算出FastICA提取出的各独立成分与GFP（Global Field Power）值的相关系数,再比较相关系数,将其绝对值最大所对应的独立成分识别为眼电伪迹独立成分,最后把该独立成分置零重构干净的脑电信号,实现眼电伪迹的自动去除。通过自采的30例脑电数据实验结果表明：该方法能完全自动地去除眼电伪迹成分并有效保留其他脑电成分,且快速准确,适用于实时场合。     

独立分量分析在心电信号处理中的应用

在心电信号采集过程中,混杂着各种各样的干扰信号.利用心电信号及各种干扰信号之间相互统计独立的关系,采用独立分量分析对心电信号进行处理.实验结果表明,独立分量分析方法不但将工频干扰等干扰信号成功地分离出来,而且较好地保留了原始心电信号中的细节信息.     

基于独立分量分析的工频干扰消除技术*

简要介绍了ICA的基本原理和快速算法,在分析地震信号和工频干扰特点的基础上,利用ICA技术来消除地震记录中的工频干扰,并与常规方法进行比较。研究结果表明ICA在有效消除工频干扰的同时,能够保护有效信号,并且在提高资料的信噪比方面更有优势,具有良好的应用前景。     

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.     

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。     

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。     

基于改进的独立分量分析的人脸识别方法

将独立分量分析（Independent Component Analysis,ICA）作为人脸特征提取方法。ICA所提取的特征分类能力强、相互独立,对像素间高阶统计特性敏感,并且不易受光照变化的影响。实验结果表明,基于IcA的人脸特征提取方法的识别性能优于特征脸法。针对传统的ICA算法（Informax算法）存在迭代次数多,难收敛,并且需要人工设定步长来调整学习速度的不足,本文采用FastICA作为ICA的快速算法,并将其关键迭代步骤加以改进,减少了耗时的雅可比矩阵求逆的运算次数。所提出的改进的FastICA具有无需人工参与,收敛速度快,迭代次数少的优点。在特征选择方面,本文将遗传算法（Genetie Algorithm,GA）应用到独立分量的选择与优化中,从而在保证较高识别性能的前提下,获得最优的人脸特征子集。     

基于ICA和EMD的生理信号提取

提出一种新的获取人体生理参数的方法,用摄像头采集人脸的彩色视频,对人脸区域进行颜色通道分离和独立成分分析（ICA）,获取有用信号。使用经验模态分解（EMD）的方法,把信号分解成可以反映出生命信息的固有模态函数（IMF）,再根据所设计的提取准则,分别提取出较为准确的心跳和呼吸信号。用Bland-Altman法进行对比实验分析,结果表明,此方法具有一定的准确性和实用性。     

独立成分分析应用于人脸识别中的几个问题

独立成分分析近年来广泛应用于人脸识别等模式领域。首先对人脸图像进行预处理降维,然后利用ICA算法获得人脸影像独立基成分,利用人脸影像独立基来构造一个子空间,最后利用待识别图像在这个空间上的投影进行人脸识别。针对训练样本个数,训练人数以及独立基数目影响识别率等三个问题进行实验,得出结果并进行分析。     

参考独立分量的正则化方法

参考独立分量分析（ICA with Reference,ICA-R）充分利用先验知识或参考信号,取得了很好的分离效果,但其中的阈值参数很难选取,且计算量很大。理论分析和实验表明,若阈值选取不当,算法甚至不收敛。通过在FastICA算法的负熵对比度函数中引入ICA-R算法中的接近性度量函数作为正则化项,得到一个简单的改进算法。针对合成数据和实际的ECG数据的仿真实验表明,算法收敛快、提取效果好,同时正则化参数取值非常灵活。     

基于分布式集成学习的入侵检测模型

针对入侵检测系统的高漏报率及高误报率问题,提出一种混杂入侵检测模型。该模型分别构造基于核主成分分析(KPCA)和核独立成分分析(KICA)的特征提取器,并采用集成学习对特征提取结果进行整合学习。采用分布式神经网络对集成结果进行再学习,从而实现对大规模数据的分布式处理。通过反馈机制调节KPCA和KICA的集成学习权重,达到最优检测效果。采用KDD CUP’99数据集进行测试实验,结果表明：该模型能够获得较高的检测正确率,同时具有较低的漏报率及误报率。     

一种基于十五阶的FastICA改进算法

快速独立分量分析（FastICA）因其收敛速度快而被受关注,但存在初始值选取不当可能导致算法的收敛速度减慢甚至不收敛的问题。针对基本牛顿迭代FastICA算法对初始值选择比较敏感的缺点,以最大化负熵为目标函数,引入十五阶牛顿迭代的修正形式对FastICA算法的核心迭代过程进行改进,改进算法的收敛性不再依赖于初始值的选择,而且具有更快的收敛速度。将改进算法应用到仿真实验,实验结果显示,改进算法在分离效果相当的前提下,迭代次数更少,收敛速度更快,而且收敛速度更加稳定。     

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ICA特征的运动阴影检测算法

为防止运动阴影在视频图像序列中被错误地检测为目标,必须提高阴影检测算法的准确性和普适性。为此,从独立分量分析(ICA)的原理及其特性出发,提出一种基于空间变换技术的运动阴影检测算法。该算法通过对视频序列建立高斯混合背景模型产生自适应背景,利用ICA技术对其进行空间变换提取特征,再通过背景与当前帧图像对应像素点在特征空间的位置特征来分类运动阴影与前景目标。实验结果表明该方法能够较好地抑制噪声,减少光照变化的影响,准确地检测出阴影。     

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。