基于DSP的EEG信號(hào)盲分離研究.pdf

1、如何利用采集到的混合有噪聲干擾的EEG/MEG(electroencephalography/magnetoencephalography)數(shù)據(jù)對(duì)極其微弱的腦電源信號(hào)進(jìn)行可靠的探測(cè)、增強(qiáng)和定位是腦電信號(hào)檢測(cè)中至關(guān)重要的問(wèn)題。獨(dú)立分量分析(IndependentComponentAnalysis，ICA)是對(duì)EEG/MEG數(shù)據(jù)進(jìn)行降噪和干擾消除的一種有效方法，在描繪人類認(rèn)知和感覺(jué)運(yùn)動(dòng)功能的神經(jīng)系統(tǒng)的處理過(guò)程中顯現(xiàn)出了很好的發(fā)展前景。

2、 首先，本文介紹了獨(dú)立分量分析的基本原理和信號(hào)盲分離算法的基本理論，高階累積量、信息論等統(tǒng)計(jì)信號(hào)處理方法，以及經(jīng)典盲分離算法的原理和算法性能評(píng)價(jià)準(zhǔn)則。 本文以信息論為基礎(chǔ)，結(jié)合牛頓迭代的快速算法和擴(kuò)展ICA的思想，針對(duì)線性瞬時(shí)混合模型，改進(jìn)并實(shí)現(xiàn)了混合有脈沖噪聲的腦電信號(hào)盲分離快速算法。該算法采用特征值分解的方法對(duì)采集信號(hào)進(jìn)行白化處理，選擇互信息量最小化判據(jù)；以輸出信號(hào)之間的互信息作為目標(biāo)函數(shù)，根據(jù)牛頓迭代法推導(dǎo)出了算法表達(dá)式

3、；算法中使用t分布密度模型作為超高斯信號(hào)的概率估計(jì)，與具有次高斯特性的密度模型相結(jié)合，使得算法滿足超高斯、次高斯混合信號(hào)的分離，同時(shí)能有效抑制脈沖噪聲。分析了算法的穩(wěn)定性，通過(guò)仿真驗(yàn)證了無(wú)高斯噪聲下算法的有效性和低信噪比情況下算法的穩(wěn)健性；針對(duì)不同源信號(hào)混合，驗(yàn)證了算法進(jìn)行分離的適應(yīng)性。 數(shù)字信號(hào)處理器(digitalsignalprocessor,DSP)具有可編程性和強(qiáng)大的處理能力，為盲分離算法從實(shí)驗(yàn)室走向?qū)嶋H醫(yī)學(xué)儀器應(yīng)用提