论文部分内容阅读
脑电信号能够反映人的心理状态和大脑的生理功能,被广泛地应用于心理分析以及临床疾病诊断等研究领域。脑电信号在采集过程中容易受到其它生理信号的干扰,其中具有不可控性的眼电信号的干扰(即眼电伪迹)最为严重。因此,有效去除脑电信号中的眼电伪迹对信号分析具有重要意义。本文在盲源信号分离方法的基础上,针对眼电伪迹去除问题展开研究。研究内容包括以下三个方面:(1)提出基于参数模型的眼电伪迹识别方法。首先,研究正常人脑电信号中眼电伪迹识别问题,针对眼电伪迹具有非高斯性,建立异方差转移混合分布模型,利用条件期望最大化算法估计该模型的参数,获得眼电伪迹特征,从而区分正常人脑电信号和眼电伪迹。其次,针对癫痫病人脑电信号和眼电伪迹识别问题,由于两者都具有非高斯特点,上述模型难以有效解决该问题,则根据癫痫脑电信号相位同步特点,利用极限学习机建立信号的瞬时相位模型,将模型的输出权值作为信号特征以用于区分癫痫病人脑电信号和眼电伪迹,同时采用希尔伯特-黄变换解决非平稳信号瞬时相位难以获取的问题。(2)提出基于高阶统计标准(Candecomp/Parafac, CP)张量欠定盲分离的眼电伪迹去除方法。高阶统计CP张量模型分解唯一性的特点可以保证在眼电伪迹去除欠定盲分离过程中源信号的估计具有唯一解。针对欠定盲分离中观察信号具有较强相关性导致源信号难以估计问题,引入主成分分析方法降低观察信号的二阶相关性,使信号集中于高阶统计分析中,利用观察信号的主成分阵构建出高阶统计CP张量模型并分解,从而提高欠定盲分离源信号估计性能。对于欠定盲分离中混合矩阵的非负性问题,采用一种基于正则化分层交替最小二乘方法分解高阶统计CP张量模型,保证模型分解过程为非负分解过程,进而求出欠定盲分离中的非负混合矩阵。(3)提出基于高阶统计Tucker张量欠定盲分离的眼电伪迹去除方法。针对眼电伪迹深入隐藏在脑电信号中难以有效分离的问题,利用Tucker张量模型中核张量能挖掘隐变量信息的特点,采用高阶统计Tucker张量模型,实现眼电伪迹去除中的欠定盲分离过程。由于高阶统计Tucker张量模型难以分解,采用分层交替最小二乘(Hierarchical Alternating Least Squares, HALS)算法提高模型分解速度。在此基础上,改善高阶统计Tucker张量欠定盲分离非平稳源信号估计性能,在高阶统计Tucker模型建立过程中引入傅里叶变换,构造一种时频高阶统计Tucker模型并结合最小残差共轭梯度算法,提高非平稳源信号估计的准确度。