盲源分離及其在腦電信號處理中應(yīng)用的研究.pdf

1、盲源分離(BSS)是近年來發(fā)展起來的一種多維信號處理方法，在通信、生物醫(yī)學信號處理、語音信號處理、信號分析及過程控制的信號去噪和特征提取等領(lǐng)域有著廣泛的應(yīng)用潛力。 本文的工作包括盲源分離方法研究和盲源分離在腦電信號處理中的應(yīng)用兩部分。盲源分離方法包括基于獨立分量分析(ICA)的BSS法和基于源信號時間結(jié)構(gòu)的BSS法。在對ICA/BSS方法的評述中，指出串行ICA(基于非高斯性最大化的ICA)和并行ICA，都直接或間接地利用了兩個

2、基本假設(shè)：源信號的非高斯分布(串行ICA允許有一個源為高斯分布)以及源信號之間互相獨立性。在串行ICA的研究中提出隨機變量相似度概念，由此直接引出非二次的非線性函數(shù)作為非高斯性的量度，進而導出基于非線性函數(shù)的串行ICA梯度算法和定點迭代算法。通過對基于峰態(tài)絕對值最大化的ICA方法的幾何解釋，進一步證明：串行ICA允許源變量中有一個為高斯型的，該源變量不能被提取，但它不影響對其它源變量的提?。环鍛B(tài)絕對值越大(非高斯性越強)的源變量被優(yōu)先提

3、取的概率越大。在避免變量被重復提取方面，論證了解混向量收縮正交化法與直接消去法之間的等價性，并且指出串行ICA方法中完全避免誤差積累是不可能的。 在對并行ICA的研究中，論述了三種典型的ICA原理(最大似然原理、最小互信息原理、最大信息原理)的等價性，解釋了并行ICA根據(jù)源的分布類型選取(或在線估計確定)不同類型評價函數(shù)的原因。指出對于并行ICA在構(gòu)建評價函數(shù)時，只需考慮它對應(yīng)的密度函數(shù)類型和它的穩(wěn)健性，而不考慮它對應(yīng)方差的大小

4、。 在文獻[51]基礎(chǔ)上構(gòu)建了一個ICA問題的統(tǒng)一理論框架，提出并證明兩個定理，將串行ICA和并行ICA統(tǒng)一到此理論框架下。詳細分析了并行ICA和串行ICA的解混過程。指出：無論是并行ICA還是串行ICA，當解混完成時，理論上都有互信息等于零，并且邊緣非高斯性之和等于聯(lián)合非高斯性。即解混的最終結(jié)果相同，只是解混過程不同。對基于源信號自相關(guān)性的自適應(yīng)BSS算法提出了改進，節(jié)省了計算量。提出一種基于源信號非平穩(wěn)性的BSS新算法，其計

5、算量比現(xiàn)有的同類算法稍小。引入分數(shù)階協(xié)方差陣，將α穩(wěn)定分布的共變性質(zhì)加以推廣，進一步利用基于時間解相關(guān)的BSS方法，實現(xiàn)了α穩(wěn)定分布源信號的盲分離。 利用基于相似度的非線性函數(shù)定點迭代ICA算法結(jié)合離線判決實現(xiàn)多路EEG去偽差，得到了比較理想的結(jié)果；提出了基于Infomax預處理的誘發(fā)電位潛伏期變化自適應(yīng)檢測方法，用Infomax對帶噪EP信號做預處理，得到信噪比較高的EP信號，把此信號用于DLMS，形成p-DLMS算法，解決了

6、DLMS算法因信號中有α穩(wěn)定分布過程的存在而使J→∞的問題；把去噪后的EP信號用于DLMP，形成p-DLMP算法，避免了因α參數(shù)不易動態(tài)估計而使DLMP難于確定p參數(shù)的問題，仿真實驗及實驗數(shù)據(jù)分析證明了算法的有效性。欠定盲源分離問題是BSS的一個難點。給出了盲源分離欠定問題EM算法的改進算法，利用基于壓縮誤差均方最小化提取主分量的方法，求最大特征值對應(yīng)的特征向量，即得到混合矩陣的列向量。這是一種在線算法(算法每次只需計算最大特征值對應(yīng)的