30
基于独立分量算法的脑电信号分析
6.2 仿真实验
本文中的实验数据来自于Colorado州立大学EEG 研究中心提供的思维脑电数据。我们取实验者1（一位48岁的男大学教师）所做的心算乘法心理作业中的C3导和同步测得的眼电信号作为测试的数据。图6-1为原始的EEG数据，并含有眼电信号EOG。图6-2为采集脑电和眼电数据的一段功率谱图。
用FICA进行脑电信号的分离和去噪，分离去噪结果分别为如图6-3,6-4所示。比较它们分离前后的相关系数和去噪前后的信噪比，如表1所示。其中，snr1是脑电信号开始的信噪比，snr2是脑电信号去噪后的信噪比。rsd1是脑电信号经分离后的相关系数，rsd2是眼电信号经分离后的相关系数。
为了观察去噪后的脑电信号的功率谱图中的脑电信号中是否还有比较有规则的眼电伪迹峰值出现，再分别对去噪后得到的独立信号分别做功率谱估计，对应图6-5所示。
表1 用FICA方法分离出来的信号与原来信号的相关系数和信噪比
FICA
snr1 -13.934 snr2 -2.6423 rsd1 -0.7619 rsd1 -0.3200 6.3 实验结果分析
(1) 将去噪后的脑电信号功率谱图6-5与去噪前图6-2中的实测脑电信号功率谱比较可以看出:原脑电信号有突兀的峰值出现，这是因为眼电伪迹的影响，消噪后脑电信号中这些突兀的峰值没有出现或者有所减少, 说明眼电伪迹被消除了。
(2) 从去噪前后的数据可以看出，FICA方法能够较好的达到分离效果,能够较好的分离脑电信号中的眼电伪迹。
淮南师范学院2011届本科毕业论文
31
图6-1原始脑电信号
图6-2原始脑电信号的功率谱
32
基于独立分量算法的脑电信号分析
图6-3经FICA分离后的脑电信号
图6-4经FICA去噪后恢复的信号
淮南师范学院2011届本科毕业论文
33
图6-5经FICA去噪后的脑电信号功率谱
7 总结和展望
独立分量分析是指在不知道源信号和传输通道参数的情况下根据输入源信号的统计特性，仅由观测信号恢复出源信号各个独立成分的过程。它在语音信号分离、生物医学信号处理、金融数据分析、图像消噪、远程通信、人脸识别等方面的应用充分显示了独立分量分析这个方法的特点及其非常重要的应用价值。 本文针对脑电信号的特点，利用独立分量分析的方法，以脑电信号消噪为目标，作了一些基础性的应用研究，取得了一些有价值的结论和实验经验。本文的主要工作有以下三项:
1、信号的ICA算法消除EEG信号中的眨眼伪差，用此方法处理真实的、有眨眼伪差的EEG信号，分离的速度比较快，效果比较好；
2、把FastICA算法应用到眼电干扰和EEG信号的分离，效果比较理想，具有所需数据点少，收敛速度快的特点；
34
基于独立分量算法的脑电信号分析
3、实验结果说明ICA是该领域里一个行之有效的方法，并具有广阔的应用前景。
ICA从信号统计特性出发，从多维观测信号中提取相互独立的成分，是一种空间滤波器。与传统的脑电消噪方法相比，ICA的优势是明显的，主要有以下几个方面:
1.算法实现比较简单，计算方便有效； 2.不受频谱混交的限制；
3.噪声消除比较彻底，而且能够尽量保留其它信息。
但是，ICA作为一个新的信号处理技术它的理论体系还不尽完善。ICA分析方法还存在一些限制： 1. 分离结果的比例不确定； 2．分离结果的排序不确定；
3．观测信号中只允许有一个高斯型信源； 4．信源数目不能多于观测信号的通道数。
另外，ICA技术应用于脑电信号处理时，也存在一些有待于进一步解决的实际问题。如参加运算的数据需有一定的长度，要有足够的导联数，且导联数的选择还具有一定的经验性，导联数的增加无疑会使运算量加大。又如传感器数目小于源信号数目的情况，非线性混合的情况，信号的非平稳性等问题.另外，在脑电信号分析中，我们一般假设混合系统A是不变的，而严格来说由于等效源的时空动态特点，实际的混合系统应该是随时间变化的。总之，要想使该技术能够在临床上得到推广以及实现消噪的实时处理，还有待于在这些方面做更多探索性的工作。
在脑电信号处理中，少次提取诱发电位的响应波形是研究人类认知等高级神经活动的一项前沿课题。近年来，很多该领域的研究者都尝试利用ICA技术提取EP分量。大量实验表明ICA在诱发电位的少次提取及信号增强方面具有显著的优越性。我们相信，随着ICA理论上的不断完善及其在脑电信号处理中的应用的