独立分量分析在脑电信号分析中的应用

在脑电信号处理中,从头皮电极处采集的脑电信号可看作是由大脑中不同区域神经细胞的电活动共同作用的结果,其中还包含来自人体其他器官组织产生的生物电信号(如心电、肌电和眼电等)以及各种外界因素引起的干扰信号。对脑电信号(Electroencephalograph,EEG)处理的目的就是为了从复杂的背景噪声中提取出隐含或微弱的脑电特征信号并应用于临床医学和脑认知科学的研究中。然而舍弃被噪声污染的脑电记录无疑会造成数据的大量丢失,这在临床上往往是难以接受的,如何从被采集的原始脑电中获取反映大脑活动和状态的有用信息是脑电分析中一个比较棘手的问题。长期以来,研究者们已经提出了很多脑电消噪和特征提取的方法(大多集中于时频域),但遗憾的是由于脑电信号的强随机性和非稳定性,并未得到满意结果。 独立分量分析(Independent component analysis,ICA)是统计信号处理领域中伴随自信源分离发展起来的一种新的分解技术,其特点是在除信源相互统计独立外无其他先验知识的情况下,把观察记录分解成若干独立的成分。ICA的研究热潮方兴未艾,并正在引起生物医学工程界的关注。本文研究了独立分量分析的理论,并将其应用于脑电信号的处理中。 文中系统总结了独立分量分析的模型、优化判据及寻优算法。ICA的判据主要有非高斯性度量、互信息极小化、信息极大化及极大似然估计等。常用的ICA算法主要有基于高阶累积量的分析算法、基于神经网络的分析算法等。 引入定点ICA算法,并用Matlab对该算法进行了编程实现,同时对该算法的盲源分离性进行了分析验证,所得结果对ICA算法的改进和实际应用都具有一定的指导意义。 本文研究了如何利用定点ICA算法对脑电中存在的心电(Electrocardiograph,ECG)、眼动(Electro-Oculogram,EOG)等伪迹进行有效去除。针对同一段混有伪迹的脑电,分别利用ICA算法和小波分析算法进行了对比实验,实验结果表明ICA算法可有效去除伪迹,几乎不损失脑电信号的有用成分,在保留脑电细节方