基于独立分量分析的生理信号盲源分离(英文)

被引：6

作者：

周卫东

机构：

[1] 山东大学信息科学与工程学院济南

来源：

山东生物医学工程 | 2002年 / 02期

关键词：

盲源分离; 独立分量分析; 人工神经网络; 极大似然估计; 脑电; 语音;

D O I：

10.19529/j.cnki.1672-6278.2002.02.002

中图分类号：

R318.03 [生物的能量传递];

学科分类号：

0831 ;

摘要：

用于盲源分离的独立分量分析 (ICA)和扩展ICA算法 ,基于极大似然估计 ,给出一个衡量输出分量统计独立的目标函数 ,最优化该目标函数 ,得到一种用于独立分量分析的迭代算法。扩展ICA算法的优点在于迭代过程中不需要计算信号的高阶统计量 ,收敛速度快 ,同时适用于超高斯和亚高斯信号的分离。应用该算法实现了脑电、心电信号以及语音信号的分离 ,并给出了实验结果

引用

页码：4 / 6

页数：3

共 7 条

[1]

Blind signal separation: statistical principles. Cardoso JF. Proceedings of the IEEE . 1998

[2]

Robust learning algorithm for blind separation of signals. Cichocki A. Electronics Letters . 1994

[3]

Independent component analysis using an extended infomax algorithm for mixed Subgaussian and Supergaussian sources. Lee T W. Neural Computation . 1999

[4]

An information maximization approach to blind separation and blind deconvolution. Bell A J,Sejnowski T J. Neural Computation . 1995

[5]

Adaptive blind separation of independent sources: a deflation approach. Delfosse N and Loubaton P. Signal Processing . 1995

[6]

Fast and robust fixed-point algorithms for independent component analysis. Hyvarinen A. IEEE Transactions on Neural Networks . 1999

[7]

Adaptive blind signal processing - neural network approaches. Amari SI. Proceedings of the IEEE . 1998

← 1 →