独立分量分析及其在生物医学工程中的应用

被引：49

作者：

杨福生

洪波

唐庆玉

机构：

[1] 清华大学电机系!北京

来源：

国外医学生物医学工程分册. | 2000年 / 03期

关键词：

独立分量分析; 盲信源分离; 视觉诱发响应;

D O I：

暂无

中图分类号：

R311 [医用数学];

学科分类号：

摘要：

:独立分量分析 ( Independent Component Analysis,简记 ICA)是信号分解技术的新发展。ICA与 PCA(主分量分析 )或 SVD(奇异值分解 )的主要不同是 :后者分解得的各分量只是互不相关 ,而前者则要求各分量相互统计独立。体表测量得的信号往往包含若干相对独立的成分 ,因此采用ICA技术来分解 ,所得结果往往更有生理意义 ,有利于去除干扰和伪迹。本文简短地回顾 ICA的基本原理、判据、算法和其在生物医学工程中的应用 ,并作出展望及指出存在问题。

引用

页码：129 / 134+186 +186

页数：7

共 10 条

[1] Robust learning algorithm for blind separation of sources. Cichocki A,Unbehanen R,Rummert E. Electronics Letters . 1994
[2] Natural gradient works effciently in learning. Amari SI. Neural Computation . 1998
[3] Higher order contrasts for independent component analysis. Cardoso JF. Neural Computation . 1999
[4] Blind signal processing. Cardoso JF. Proceedings of the IEEE . 1998
[5] Equivariant adaptive source separation. Cardoso JF,Laheld BH. IEEE Transactions on Signal Processing . 1996
[6] Adaptive blind signal processing-Neural network approaches. Amari SI,Cichocki AC. Proceedings of the IEEE . 1998
[7] Independent component analysis:A new concept ?. Comon P. Signal Processing . 1994
[8] Fast and robust fixed-point algorithm for independent component analysis. Hyvarinen A. IEEE Transactions on Neural Networks . 1999
[9] Independent component analysis using an extended infomax algorithm for mixed sub-Gaussian and super -Gaussian sources. Lee TW,Amari SI,Cichocki AC. Neural Computation . 1999
[10] A fast fixed-point algorithm for independent component analysis. Hyvarinen A,Oja E. Neural Computation . 1997

← 1 →