基于负熵的快速独立分量分析算法.pdfVIP

基于负熵的快速独立分量分析算法 19/8/2009 刘礼赵庆林 彭宏 戚艳兵 数学模型和基本思想 定义：利用很少的先验知识将混合信息分离成独 立分量的一种重要方法。 Mixing matrix A x s 1 1 Observations Sources x 2 s 2 x = As n sources, m=n observations 数学模型和基本思想 即 x (t) a s +a s 1 11 1 12 2 x (t) a s +a s 2 21 1 22 2 Y=BX 1 s和A均是未知的，只有x 已知。 2 独立成分为统计独立且都是非高斯分布。 3 未知的混合矩阵为方阵。 4 根据中心极限定理，两个独立随机变量的和比 原始信号更趋近于高斯分布。那么y=bs应该 比任意一个s 的高斯性更强，除非y刚好是s中 的一个独立分量。通过极大化bs的非高斯性， 可以求出独立分量。 看图说话 s (t) 1 s (t) 2 x (t) 1 x (t) 2 unmixed signals: 看图说话 结论： 去噪： 那么，我们可以做EEG的噪音分离 EOG，ECG，EMG 输入：EEG 和 同时测量得出的ＥＯＧ等。 输出：ＥＯＧ和已经不包含EOG信息量的EEG 信号。 分离： 可以做Alpha波的分离： 输入：EEG 和Alpha波参考信号。 输出：Alpha波参考信号和剥离了Alpha波信息量 的ＥＥＧ信号。 看程序说话 第一步 去平均： function [newVectors, meanValue] = remmean1(vectors); 输入：观测信号 输出：去平均的观测信号和平均值 第二步 PCA： function [E, D] = pcamat1(newVectors); 输入：去平均的观测信号 输出：特征向量和特征值的对角矩阵 看程序说话 第三步：白化 function[newVectors,whiteningMatrix,dewhi teningMatrix] = whitenv1(vectors, E, D); 输入：去平均的观测信号、特征向量和特征值的