脑电信号的波形幅值等信息可以准确的反映人体健康状况。在临床应用中,纯净的脑电信号也可作为医生判断病症的依据之一。由于硬件设备的限制以及人体生理结构的复杂性,脑电设备采集到的信号均为脑电信号与其他伪迹的混合信号,从混合信号中重构纯净的脑电信号对人脑科学的发展大有裨益。本算法基于盲源分离算法的经典两步。在短时傅里叶变换中,由于窗口长度与时频域分辨率息息相关,故根据信号的变化使用变窗口长度参数进行傅里叶变换,使用renyi熵评价信号变换后的密集程度,选取renyi熵最小的窗口长度参数作为短时傅里叶变换的窗口长度参数。同时,使用同步压缩将信号的能量集中,增加信号的稀疏特性。在进行混叠矩阵估计之前,首先对信号进行去噪,归一化处理使其转换到混叠矩阵尺度上。由于信号在进行同步采集时彼此间会存在一定的干扰,信号间并不是完全独立的。所以采用白化算法对信号进行处理,可使各个源信号基本满足独立条件。以满足盲源分离法信号间是独立的这一预设条件。在某一时频点处,此时可能为单一信号源或多信号源点,然而在非单源点处,观测信号并不是混叠矩阵的线性组合。对于混叠的估计而言,单源成分点才能精准的估计出混叠矩阵,故需要对信号中的单源成分进行盲识别。根据同源混合信号的归一化时频域向量的实部与虚部是相等的这一原理筛选出观测信号中的单源点成分,更有利于后续算法的精度提升。由于k均值聚类初始聚类中心随机选择,算法极易陷入局部最优。据此提出了基于密度指标的改进k均值聚类算法。引入局部密度指标与高局部密度距离两个指标,选取局部密度大且高局部密度距离也较大的点作为聚类中心,提高了聚类效率,也避免了将离群点选为聚类中心的情况。对于目前最常用的源信号恢复法L1范数最小化法,使用最大后验概率求得L1范数最小的信号投影方式。本文在此基础上,加入向量长度参数,求每种投影方式的基向量的和向量与信号采样点相比较,夹角最小的投影方式,即为所求分解向量。根据数据库中的脑电数据与眼电数据模拟出混合信号,使用本文所述改进算法进行脑电信号数据重构,由模拟结果可得,本文算法可以有效的提高脑电信号重构精度,且通过自适应算法的改进,可以实现参数自动调整,无需多次重复实验。