[实用新型]基于独立分量分析技术的脑诱发电信号测试仪

说明书

技术领域

本实用新型涉及一种医疗器械，尤其是一种脑部诊断用器械，具体地说是一种利用脑电波对病人进行脑部诊断使用的基于独立分量分析技术的脑诱发电信号测试仪。

背景技术

近年来，独立分量分析(Independent Component Analysis，ICA)技术得到了较快的发展，它是和盲信源分离(Blind Source Separation，BSS)紧密联系的，它是信号处理领域在20世纪90年代后期发展起来的一项新处理方法。独立分量分析源自基于盲信源分解技术的多道信号处理方法，最早是针对所谓“鸡尾酒会问题”(从酒会的嘈杂人声中提取所关心对象的语音)这一声学问题发展起来的，它的基本含义就是把信号分解成若干个互相独立的成分。独立分量分析是属于多导信号处理的一种方法，也是基于信号高阶统计特性的分析方法，以原始信号之间的独立性为前提，旨在分离相互叠加的独立信号。

在以往的信号处理技术中多导信号的分解有两项本质统一、并被熟知的技术，即主分量分析(Principal Component Analysis，PCA)和奇异值分解(Singular ValueDecomposition，SVD)，它们都建立在线性代数的基础上。但不论SVD或PCA，分解出的分量都是按能量大小排序的，而且，如果原始数据的秩小于M(这意味着M导数据不是线性无关的)，则某些奇异值和特征值将等于0，因此，SVD和PCA是提取信号特征的一种途径。

但是按主分量分析或奇异值分解原理做出的分解只能保证分解出来的各分量不相关，却不能保证这些分量互相独立(除非它们都是高斯型过程，因为对高斯型信号不相关便意味着独立)。这就使得这样的分解缺少实际生理意义，因而降低了所提取特征的典型性。在许多电生理测量中，观察值实际上是由若干相对独立的信源的加权和组成的，例如，胎儿心电记录中的胎儿心电(FECG)，母亲心电(MECG)和肌电；脑电记录中的自发脑电、诱发脑电及其他干扰成分(如快速眼动(REM)，头皮肌电、工频干扰)；心脏阻抗信号中的呼吸干扰等。在这类情况下，采用独立分量分析来分解独立分量，再从各独立分量中提取有关特征，就可能会更有生理意义，有助于进一步的模式识别。因此，独立分量分析技术的发展引起生物医学工程界较大注意。独立分量分析也在一些其他科学技术领域引起重视。独立分量分析在通讯领域它的应用广为人知，例如针对码分多址(CDMA)通讯建立的模型符合含噪独立分量分析的基本假设，因此可以采用独立分量分析技术把各用户码分解开来；又如，在经济数据的处理中可以利用独立分量分析作经济动向的预测。此外，旋转电机监测、地震预报与地质勘探、图像处理、遥测遥感等领域都有独立分量分析成功应用的报导。根据近年来发表的有关独立分量分析的论文检索，独立分量分析涉及的学科包括信息、通讯、生命、材料、电力、机械、化学等。就研究内容看，早期工作集中于信源简单线性组合的情况，近期除进一步改进这类情况的有关算法并推广其应用外，更注意探讨一些更深入难题的解决。如：各信号传递过程中有延迟或与通道发生卷积、系数时变、稀疏组合以及非线性、非平稳等情况。

进行ICA分解的基本原则可以粗略地概括为两条：

(1)原则一：非线性去相关求解混阵B使其任意两输出y_i，y_j(i≠j)不但本身不相关，而且经非线性变换后的分量g(y_i)，h(y_j)也不相关。

(2)原则二：使输出尽可能非高斯化在输出某分量y的方差恒定的条件下，将输入X各分量作线性组合y＝∑b_ix_iy。优化选择各权重b_i，使y尽可能非高斯化，则y的非高斯性的每一个局部极大值给出一个独立分量。

在信号处理领域内，盲信号处理(包括盲辨识、盲解卷、盲信源分解、盲通道均衡等)是20世纪90年代后期发展起来的，独立分量分析是它的一个组成部分。文献报导上一般把ICA的最早提出归功于Jutten与Herault在1986年和1991年发表在SignalProcessing上的一组论文。论文虽然比较实用，但理论上不够完善。其后，Comon在1994年发表的论文，从理论上作了比较严密的讨论。20世纪末，随着技术的发展出现了各种不同的处理算法。其中目前被较广泛采用的有以下几个单位的研究成果：