应用图像融合的fMRI数据处理方法的研究

提出了一种新的fMRI数据处理方法,融合了统计参数图（SPM）、独立成分分析(ICA)所提取的特征信息,实现脑功能激活区的准确提取。首先通过时段设计实验获取了反应不同握力条件下手运动相关皮层活动的fMRI数据,并且进行相应的预处理;然后采用SPM和ICA方法分别提取脑功能信息;研究了一种基于主成分分析的图像融合算法。最后,应用图像融合算法对SPM和ICA方法分别提取的脑功能信息进行融合。结果表明,该方法弥补了SPM和ICA两种方式的不足,是一种进行功能区定位更加有效的方法。     

一种盲信号分离算法的改进研究

盲信号分离在信号处理领域中逐渐变得重要起来,其为混合信号的分离提供一种较好的途径。独立分量分析是盲信号分离中的主流方法之一,其中的快速ICA算法更是具有分离效果好、收敛速度快的特点,具有广泛的应用。本文介绍盲信号分离的基本原理,详细阐述快速ICA算法,并且根据快速ICA算法应用中的局限性做出一些改进,取得较好的效果。     

功能磁共振图像处理的ICA方法综述

能够进行无损伤探测的功能核磁共振成像(functional magnetic resonance imaging，fMRI)技术使人们又多了一种研究神经活动的有力工具，但传统的数据分析方法还不能很好地揭示fMRI数据中所包含的丰富信息，而独立分量分析(indepenctent component analysis，ICA)作为一种新近出现的数据处理方法，则不仅可以从fMRI数据分析中得出一些传统方法所未发现的结果，并且这种方法不需要传统方法的那种预先假设的先验模型，只依赖于数据本身即可提取其中所包含的信息。为了使人们对这一技术有一概略了解，首先对ICA方法的基本原理及其在fMRI数据处理中的应用进行了综述，并针对不同特点的fMRI数据详细讨论了如何选择不同的算法；然后ICA方法与传统方法相比存在的优越性进行了介绍，最后提出了此方法当前存在的一些问题及处理思路，并展望了其在fMRI数据处理中的发展趋势，可以认为，ICA是一种很有发展潜力的功能磁共振数据处理新方法。     

独立成分分析方法在盲源信号分离中的应用

独立成分分析（ICA）在国内尚属一门新型的方法，介绍了ICA的原理及其算法，然后介绍了该算法在盲源信号分离中的具体应用，并将此方法与主成分方法（PCA）进行了比较。结果表明，ICA在盲源信号分离中将是一种很有潜力的方法。     

FSS-kernel与FastICA融合的盲源分离算法研究

Fast ICA算法有着比传统ICA算法更快、更稳健的收敛速度,但由于其选用的非线性函数不能很好地符合源信号的统计特性,恢复结果并不理想。针对该问题,提出了一种有限支持样本核函数(FSS-kernel)与Fast ICA融合的盲源分离算法。该方法是通过FSS-kernel算法估计得出源信号概率密度函数,结合Fast ICA算法,实现混合信号的盲分离。仿真结果表明,该方法能够有效地完成混叠信号的分离,通过与传统ICA算法及Fast ICA算法比较,证明了该方法具有更高的分离精度和自适应能力。     

基于独立成分分析的fMRI数据分类

针对功能磁共振成像(functional Magnetic Resonance Imaging, fMRI)数据分类方法中多余的预测变量和实验噪声等导致无法准确提取数据的有效特征,影响分类准确率的问题,提出将独立成分分析(Independent Component Analysis,ICA)算法与Adaboost数据分类方法相结合用于分析fMRI数据。利用ICA算法通过线性变换将体素信息分解为统计独立的源信号的线性组合;不断更新分离矩阵提取脑组织边缘变化的特征信息;利用ICA算法得到的特征信息训练Adaboost分类器。实验结果显示该方法得到的平均分类准确率达到84.72%,表明其有助于对大脑中形成的视觉图像信息进行分类,为解码fMRI数据提供了一种方法。     

基于独立成分分析的跳频信号盲分离

近年来,ICA（Independent Component Analysis,独立成分分析）已成为处理BSS（Blind Source Separation,盲源分离）问题的主要手段,同时也受到人们越来越多的关注。该文首先介绍ICA,然后引入FastICA算法的推导过程,最后通过MATLAB仿真将跳频信号进行盲分离,并与梯度算法所得的仿真结果进行对比分析。通过算法验证,经FastICA处理得到的分离信号与源信号相关系数的绝对值不小于0.99,与梯度算法比较可以明显地得到FastICA是一种更为有效的跳频信号盲分离方法。     

基于FastICA的语音分离与图像分离

独立分量分析0CA）基于信号的高阶统计量,能从混合信号中分离出既具有统计独立性又具有非高斯性的源信号,在诸多ICA算法中,固定点算法（也称FastICA）以其收敛速度快、分离效果好被广泛应用于信号处理领域。在介绍ICA的基本模型与FastICA算法的原理后,分别对混合的语音信号与图像信号进行了分离实验,仿真结果表明FastICA应用于语音分离与图像分离,效果都很好。     

FastlCA算法及其在地震信号去噪中的应用

ICA算法是求解盲源分离问题的有效算法。建立了ICA算法的数学模型,对模型的求解条件及多解性进行了分析。给出一种基于负熵极大的FastICA算法,讨论该算法在地震信号去噪中的应用。仿真实验验证了该算法的有效性。     

FastICA算法及其在地震信号去噪中的应用*

ICA算法是求解盲源分离问题的有效算法。建立了ICA算法的数学模型,对模型的求解条件及多解性进行了分析。给出一种基于负熵极大的FastICA算法,讨论该算法在地震信号去噪中的应用。仿真实验验证了该算法的有效性。     

A new method for fMRI data processing: Neighborhood independent component correlation algorithm and its preliminary application

Independent component analysis (ICA) is a newly developed promising technique in signal processing applications. The effective separation and discrimination of functional Magnetic Resonance Imaging (fMRI) signals is an area of active research and widespread interest. Therefore, the development of an ICA based fMRI data processing method is of obvious value both theoretically and in potential applications. In this paper, analyzed firstly is the drawback of the extant popular ICA-fMRI method where the adopted signal model assumes the independence of spatial distributions of the signals and noise. Then presented is a new fMRI signal model, which assumes the independence of temporal courses of signal and noise in a tiny spatial domain. Consequently we get a novel fMRI data processing method: Neighborhood independent component correlation algorithm. The effectiveness is elucidated through theoretical analysis and simulation tests, and finally a real fMRI data test is presented.     

脑图像数据中的独立分量分析方法

针对脑功能磁共振成像在处理数据时空间维数较大的问题,提出一种空间独立分量分析(ICA)方法。研究空间ICA方法的基本模型结构和空间ICA的3种常见算法,即Infomax算法、Fixed-Point算法和Orth-Infomax算法。设计中文词义辨别实验,并使用线性相关方法进行算法比较。实验结果表明,与Infomax算法、Fixed-Point算法相比,Orth-Infomax算法任务相关分量的时间序列与参考函数的平均相关系数最大,具有较高的求解质量和求解效率,能够有效处理脑功能磁共振成像系统中存在的大量数据。     

独立成分分析方法综述

对ICA方法的原理和应用进行了综述.首先,概要叙述ICA的产生背景和发展前景, 简要介绍和评述了lCA的定义、分类以及算法.然后,对ICA在语音信号分离、生物医学信号处 理、金融数据分析、图像噪声消除以及人脸识别等方面的实际应用进行了讨论.     

过完备ICA 算法在语音信号提取中的应用

在语音信号处理中常用麦克风采集语音,然后用算法进行提取和分离,目前常用的有独立分量分析（Independent component Analysis,ICA）算法。但是当麦克风个数少于说话人的个数时,即欠定情形,此时语音信号的提取需采用过完备ICA算法。提出了一种基于过完备ICA算法的两步算法：估计混合矩阵的几何算法和估计源矩阵的最短路径法。该算法能在欠定情形下对语音信号的提取有很好的作用,仿真实验验证了这一结果。     

盲分离的帧时隙超高频RFID系统防碰撞算法

针对频率范围在860~960 MHz内的超高频(UHF)射频信号,提出一种基于独立成分分析(ICA)和帧时隙的射频识别(RFID)系统防碰撞算法。通过合理的帧时隙数选择可以使每一时隙内的标签数不大于阅读器的天线数,从而可以利用ICA算法实现多标签的同时识别。仿真结果表明,与传统的标签防碰撞算法及基于位隙动态分组的盲分离多标签防碰撞算法(BSDBG)相比,该算法在标签识别率方面具有明显的优势,且随着天线数的增加,算法的识别时间要低于BSDBG算法,进一步验证了将盲源分离技术运用于标签识别的可行性和高效性,在需要高效率和智能化管理的工程领域中具有潜在的应用价值。     

ICA,kernel methods and nonnegativity: New paradigms for dynamical component analysis of fMRI data

In the last decades, functional magnetic resonance imaging (fMRI) has been introduced into clinical practice. As a consequence of this advanced noninvasive medical imaging technique, the analysis and visualization of medical image time-series data poses a new challenge to both research and medical application. But often, the model data for a regression or generalized linear model-based analysis are not available. Hence exploratory data-driven techniques, i.e. blind source separation (BSS) methods are very popular in functional nuclear magnetic resonance imaging (fMRI) data analysis since they are neither based on explicit signal models nor on a priori knowledge of the underlying physiological process. The independent component analysis (ICA) represents a main BSS method which searches for stochastically independent signals from the multivariate observations. In this paper, we introduce a new kernel-based nonlinear ICA method and compare it to standard BSS techniques. This kernel nonlinear ICA (kICA) overcomes the restrictions of linearity of the mixing process usually encountered with ICA. Dimension reduction is an important preprocessing step for this nonlinear technique and is performed in a novel way: a genetic algorithm is designed which determines the optimal number of basis vectors for a reduced-order feature space representation as an optimization problem of the condition number of the resulting basis. For the fMRI data, a comparative quantitative evaluation is performed between kICA with different kernels, nonnegative matrix factorization (NMF) and other BSS algorithms. The comparative results are evaluated by task-related activation maps, associated time courses and ROC study. The comparison is performed on fMRI data from experiments with 10 subjects. The external stimulus was a visual pattern presentation in a block design. The most important obtained results in this paper represent that kICA and sparse NMF (sNMF) are able to identify signal components with high correlation to the fMRI stimulus, and kICA with a Gaussian kernel is comparable to standard ICA algorithms and even more, it yields spatially focused results.     

基于fMRI瞬时功率的独立成分分析

独立成分分析(independent component analysis,ICA)采用一种统计隐变量模型,假设信号是由各信源线性叠加构成.为了解决功能磁共振数据(functional magnetic resonance imaging,fMRI)中由于信源非线性叠加造成的ICA检测误差,提出了基于瞬时功率的ICA方法.首先,由电流能量形式将fMRI数据推广为fMRI能量信号;然后,由血氧水平依赖(blood oxygenation level dependent,BOLD)信号与T2*信号的关系,给出了两种反映BOLD能量变化的瞬时功率fMRI信号;最后,采用空间ICA分析fMRI瞬时功率信号,得到与各脑部活跃区域能量相关的独立成分.从理论和仿真试验两个方面阐明了新方法的合理性和优越性,同时应用于实际癫痫fMRI数据,经与传统ICA方法比较,该方法能够在静息态下鲁棒地检测脑部能量异常区域.     

独立分量分析技术在语音信号处理中的应用

独立分量分析是近年来发展起来的一门新的信号分离和数字分析技术,因为不需要知道信号的先验信息而得到广泛应用。混迭语音信号盲分离由于实际应用成为信号处理领域研究的热点。介绍了ICA的原理、含义及EASI算法,并仿真了该算法在语音信号盲分离中的应用。试验证明,用EASI分离语音信号可以取得较好的性能。     

A class of neural networks for independent component analysis

Independent component analysis (ICA) is a recently developed, useful extension of standard principal component analysis (PCA). The ICA model is utilized mainly in blind separation of unknown source signals from their linear mixtures. In this application only the source signals which correspond to the coefficients of the ICA expansion are of interest. In this paper, we propose neural structures related to multilayer feedforward networks for performing complete ICA. The basic ICA network consists of whitening, separation, and basis vector estimation layers. It can be used for both blind source separation and estimation of the basis vectors of ICA. We consider learning algorithms for each layer, and modify our previous nonlinear PCA type algorithms so that their separation capabilities are greatly improved. The proposed class of networks yields good results in test examples with both artificial and real-world data.     

盲信号分离的自适应算法研究

盲信号分离在信号处理界一直有着重要的地位,其目的就是要根据观测到的混合数据向量恢复出混合前的原始信号。论述LMS和RLS两种进行盲信号分离的自适应算法,并使用它们对合成数据进行实验,考察算法的特性和效果,并进行比较分析。结果表明：LMS算法与RLS算法相比,RLS算法的收敛性能更好一些,而RLS的稳定性则存在振荡问题,在实际应用中需要选择合适的方法和参数。