ICA在视觉诱发电位的少次提取与波形分析中的应用VIP专享VIP免费

ICA在视觉诱发电位的少次提取与波形分析中的应用本文提出一种基于扩展的独立分量分析(ICA)算法的视觉诱发响应少次提取方法。经与目前临床通用的相干平均法比较，只经三次平均，在波形整体和P100潜伏期的提取上，效果显著，获得医师欢迎，很有进一步开发潜力。关键词：独立分量分析；少次提取；人工神经网络分类号：R318.19ICAINTHESINGLE-TRIALESTIMATIONANDANALYSISOFVEPHongBo,TangQingyu,YangFusheng(DepartmentofElectricalEngineering,TsinghuaUniversity,Beijing100084)PanYinfu,ChenKui,TeiYanmei(BeijingFriendshipHospital,Beijing100050)ABSTRACTAnovelmethodbasedontheExtendedInfomaxofICA(IndependentComponentAnalysis)wasproposedforsingle-trialestimationofmultichannelVisuallyEvokedPotential(VEP).Itsencouragingresultswereillustratedbybothcomputersimulationandclinicaldataapplication.Thenumberoftrialsneededwasreducedtothree,buttheresultwasclearerthanthatobtainedby50timesconventionalcoherentaveraging.Byanalyzingthetimecourseandspatialpatternoftheindependentcomponents,acertaincomponentwasfoundtobecloselyrelatedwiththeP100peakintheVEPcomplex.Keywords:Independentcomponentanalysis(ICA);Single-trialestimation;Artificialneuralnetwork0引言视觉诱发电位(VEP)是指出于外部视觉刺激而在视觉通路上产生的可以在头皮上测量到的电活动。目前临床上VEP的检测均采用相干平均技术，通过增加重复刺激次数来提高信噪比。但平均方法忽略了每次试验之间VEP的变异，而且反复刺激会引起神经系统疲劳，也将直接影响诱发响应的波形，因此VEP的单次或少次提取成为人们关注的研究目标。独立分量分析(IndependentComponentAnalysis,ICA)是近年来由盲信源分解技术发展来的多道信号处理方法。其基本含义是将多道观察信号按照统计独立的原则通过优化算法分解为若干独立成分，从而帮助实现信号的增强和分析。实际上，从多个传感器的测量信号中恢复出混合的源信号是一个较古老但也是非常困难的问题。近几年来，通过ICA来实现盲信源分解逐渐成为信号处理中的一个热点问题，在语音识别、通讯、医学信号处理等领域尤其受到关注。Comon于1994年比较系统地阐述了ICA的概念并基于累积量(高阶统计量)直接构造了代价函数［1］。Bell和Sejnowski于1995年从信息论的角度重新阐述了盲信源分离问题并进一步提出神经网络输出信号差熵的最大化就意味着输入与输出之间的互信息的最大化，同时他们提出了随机梯度下降的学习算法来实现差熵的最大化，通常被称为最大熵ICA算法(Infomax-ICA)［2］。此后，T.W.Lee等人于1997年扩展了Bell和Sejnowski的工作，发展成为扩展ICA算法［3］，该算法同时适用于超高斯和亚高斯信号的情况。目前应用比较成功的主要是这一类基于神经网络自适应学习的ICA算法。另外也有从最大似然估计(MLE)、投影追赶法(ExploratoryProjectionPursuit)、非线性PCA等思路发展来的ICA算法，更为深入的研究表明，这些思路和算法之间大多存在着本质上的相似性甚至一致性［7～10］。本文探讨了扩展ICA算法在多道视觉诱发响应(VEP)信号增强与分析中的稳健应用，并结合临床实验提出了一种新的VEP少次提取方法，同时还尝试将ICA用于VEP波形成分的分析，得到了符合生理规律的结果。1扩展ICA算法的实现与优化ICA要解决的问题可以用1来表示。一组独立的源信号s(t)=［s1(t),⋯,sM(t)］T经过线性系统A混合在一起，得到观察信号x(t)=［x1(t),⋯,xN(t)］T,x(t)=As(t)。源信号s(t)和混合系统A都是未知的，只有混合后的x(t)可以观察或测量到。可以证明在N?M的条件下，如果s不含有一个以上的高斯过程，就有可能通过解混矩阵W取得u(t)=Wx(t)，使矢量u逼近于s，只是u中各分量的排列次序及比例尺度与s可能不同［1］。因此，如果找到解混矩阵W使得u的分量尽可能独立，那么u就是对s的估计。在许多生理信号的测量中，观察到的信号实际上是若干相对独立的源信号叠加而成的。因此，采用ICA方法分解出观察信号的独立成分将有助于我们把握真正有意义的生理信息。和主分量分析(Principa...