目的:为实现从母体腹壁混合信号中提取高信噪比和波形清晰的胎儿心电信号,提出一种融合核主成分分析(kernel principal component analysis,KPCA)、快速独立成分分析(fast independent component analysis,FastICA)及奇异值分解(singular value decomposition,SVD)的胎儿心电信号提取算法.方法:首先,采用KPCA对母体心电信号进行降维,再利用改进的基于负熵的FastICA处理降维后的数据,得到独立成分.随后,引入样本熵进行信号通道选择,挑选出包含最多母体信息的信号通道.在选中的母体通道上进行SVD,得到母体心电信号的近似估计,再用腹壁源信号减去该信号得到胎儿心电的初步估计.最后,采用改进的基于负熵的FastICA成功分离出纯净的胎儿心电信号.在腹部和直接胎儿心电图数据库(Abdominal and Direct Fetal Electrocardiogram Database,ADFECGDB)和 PhysioNet 2013挑战赛数据库中对提出的算法进行验证.结果:提出的算法在主观视觉效果和客观评价指标上都表现出优越的性能.在ADFECGDB数据库中,胎儿QRS复合波检测的敏感度、阳性预测值和F1值分别为99.74％、98.85％和99.30％;在PhysioNet 2013挑战赛数据库中,胎儿QRS复合波检测的敏感度、阳性预测值和F1值分别为99.10％、97.87％和98.48％.结论:融合KPCA、FastICA及SVD的胎儿心电信号提取算法在提取胎儿心电信号的同时有效处理了附加噪声,为胎儿疾病的早期诊断提供了有力支持.

目的 为了改进传统FastICA算法对初始权值较敏感的问题,本文提出一种基于超松弛因子改进的FastICA算法来提取胎儿心电.方法 首先对DaISy数据库中的母体腹部混合信号进行中心化和白化处理,去除信号间的相关性;然后在牛顿迭代算法中引入超松弛因子对随机产生的初始权值进行处理,再用改进FastICA算法提取胎儿心电;最后对胎儿心电信号的提取结果 通过可视化的波形和量化指标进行评估.结果实验结果显示该算法平均迭代次数由改进前的55次降到15次,信噪比也得到提高,并且改进后算法提取出来的胎儿心电几乎不掺杂母体心电.结论 基于超松弛因子改进的FastICA算法,在保持收敛速度的同时,放宽了对初始权值的要求,避免了收敛不平衡,减少了迭代次数,可以提取出比较清晰的胎儿心电.

目的:研究一种基于脉搏波的稳定检测心率的算法.方法:提出一种基于快速独立成分分析(FastICA)算法处理指端脉搏波视频信号.首先通过手机摄像头采集手指视频,在每帧图片中提取感兴趣区域(ROI),根据每个区域中像素灰度值的变化得到血液容积变化的时序曲线;然后通过对ROI进行RGB通道分离和FastICA后,分别选取红、绿色分量与盲源分离后的估计信号进行相关性分析,筛选出相关性最大的作为后续提取心率的信号,并与波峰法测得的心率进行对比,得到一种稳定的心率检测算法,并利用SPSS软件做相关性分析.结果:选取R、G通道信号的一致性在95％以上,基于FastICA的算法与统计波峰法获取心率的一致性在95％以上.结论:FastICA算法能够有效地提高心率测量的稳定性,实验结果验证了该方法的可行性和有效性,对于基于脉搏波的人体生理参数获取具有重要意义.

目的:针对母体心电信号和胎儿心电信号重叠度太高,导致胎儿心电分离精度低、受母体心电信号干扰的问题,提出一种峰值最大化的小波分析与快速独立成分分析(fast independent component analysis,fastICA)结合的胎儿心电提取算法.方法:首先对母体腹部混合信号(包含母体心电信号和胎儿心电信号)进行白化和去均值处理,再利用峰值确定小波包分解点,以降低混合信号重叠程度;然后利用基于负熵的fastICA分离混合心电信号,得到含有噪声的胎儿心电信号;最后使用小波去噪去除信号中的噪声和基线漂移.结果:该算法提取的胎儿心电信号比基于峭度的fastICA算法提取的胎儿心电信号更清晰,收敛性更好.结论:该算法能在母体心电信号和胎儿心电信号重叠度太高的时候,对胎儿心电信号进行有效分离,满足目前医疗市场上对提取胎儿心电信号的需求.

列车运行安全与列车驾驶员的注意力状态密切相关,为了快速准确检测驾驶员的注意力状态,提出一种基于特征编码和卷积神经网络(FECNN)的注意力状态检测方法.对从Kaggle数据集上下载的5名参与者的脑电图数据,用快速独立成分分析(FastICA)和小波滤波方法进行去噪,从中提取微分熵(DE)特征,并进行最大最小归一化;然后将DE特征编码成对应的矩阵,转化为对应的彩色图,标上对应的状态类别.将数据预处理后的彩色图作为卷积神经网络的输入,通过对模型参数的不断优化,得到分类精度较好的注意力状态检测模型.对提取DE特征和没有提取DE特征的10个样本进行实验,平均检测精度分别为95.10％±2.88％和93.12％±3.38％,高于传统的DNN模型和LeNet-5模型,并且模型更具有稳定性.所提出的FECNN模型,可为注意力状态检测提供一种新的思路,在驾驶员疲劳检测系统的开发方面具有一定的应用价值.

现有的非接触式心率检测方法存在噪声干扰、准确率低等问题.针对这些问题,提出一种基于FastICA与改进的自适应噪声完全集合经验模态分解(ICEEMDAN)相结合的算法,采用人脸视频进行心率检测.用摄像头采集人脸视频,并从视频中提取R、G、B通道源信号,即皮肤颜色变化信号,分别求出RGB这3个颜色通道的像素平均值;然后利用FastICA对RGB这3组像素平均值进行解混,得到3组独立源信号,再用ICEEMDAN将其中一组独立源信号进行模态分解,并选取合适频段内的固有模式函数(IMF)估计心率的信号,最后用频谱分析计算得到心率.设计实验对8名人员进行了人脸视频检测,将检测结果与多参数监护仪进行对比分析.实验结果表明,该方法与多参数监护仪测量结果的平均误差与均方根误差均小于1 beat/min,因此基于FastICA与ICEEMDAN的人脸视频心率检测对人体心率检测具有良好的稳定性和准确性.

目的:针对当前眼电伪迹去除算法会带走有效脑电信号的情况,提出一种快速独立成分分析(fast indepen-dent component analysis,FastICA)与经验小波变换(empirical wavelet transform,EWT)算法相结合的眼电伪迹识别与去除方法.方法:首先通过FastICA和自适应样本熵筛选出含有眼电伪迹的独立成分分量;其次通过EWT算法和自相关系数剔除眼电伪迹成分,保留有用的脑电信号;最后进行EWT逆变换,合成成分分量,并与不含眼电伪迹的独立成分分量进行重构,得到眼电伪迹去除后的脑电信号.通过自采集数据集与公开数据集验证眼电伪迹的去除效果.结果:该方法能够自动识别与去除眼电伪迹并保留有效脑电信号,且能针对不同被试者个体的差异性进行自适应.结论:该方法具有鲁棒性强、准确率高的优点,能够较好地识别并去除多通道脑电信号中的眼电伪迹.

目的 用独立成分分析方法(Independent Component Analysis,ICA)处理视觉任务态fMRI数据,并从fMRI信号中分离出任务相关和非相关的独立成分.方法 运用快速不动点算法(FastICA)处理-功能磁共振数据,得到各独立成分的时间多元回归系数和时间进程图,结合对实验任务的分析,选取识别出各类独立成分.结果 分别识别出视觉任务相关独立成分、类似周期信号独立成分、头动信号独立成分.结论 把独立成分分析方法应用到对fMRI数据的处理当中,不仅能够找到真正与任务相关的独立成分,而且能够识别出其他相关因素引起的独立成分,从而为科研实验或图像的分析诊断提供科学依据.