基于DSP的EEG信號盲分離研究.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)對極其微弱的腦電源信號進行可靠的探測、增強和定位是腦電信號檢測中至關重要的問題。獨立分量分析(IndependentComponentAnalysis，ICA)是對EEG/MEG數(shù)據(jù)進行降噪和干擾消除的一種有效方法，在描繪人類認知和感覺運動功能的神經(jīng)系統(tǒng)的處理過程中顯現(xiàn)出了很好的發(fā)展前景。

2、 首先，本文介紹了獨立分量分析的基本原理和信號盲分離算法的基本理論，高階累積量、信息論等統(tǒng)計信號處理方法，以及經(jīng)典盲分離算法的原理和算法性能評價準則。 本文以信息論為基礎，結合牛頓迭代的快速算法和擴展ICA的思想，針對線性瞬時混合模型，改進并實現(xiàn)了混合有脈沖噪聲的腦電信號盲分離快速算法。該算法采用特征值分解的方法對采集信號進行白化處理，選擇互信息量最小化判據(jù)；以輸出信號之間的互信息作為目標函數(shù)，根據(jù)牛頓迭代法推導出了算法表達式

3、；算法中使用t分布密度模型作為超高斯信號的概率估計，與具有次高斯特性的密度模型相結合，使得算法滿足超高斯、次高斯混合信號的分離，同時能有效抑制脈沖噪聲。分析了算法的穩(wěn)定性，通過仿真驗證了無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；針對不同源信號混合，驗證了算法進行分離的適應性。 數(shù)字信號處理器(digitalsignalprocessor,DSP)具有可編程性和強大的處理能力，為盲分離算法從實驗室走向實際醫(yī)學儀器應用提