信号的稀疏分解与其在脑电信号处理中的应用研究.pdf

摘要 摘要 稀疏性是度量构成信号的系数中非零分量数量的一个尺度。构成信号系数中 的零分量越多，则该信号越稀疏。在很多场合下，都需要求取信号的稀疏表达或 稀疏解。在本文中，围绕信号的稀疏特性在信号处理和脑电研究中的应用，对信 号在过完备库中的稀疏表达特性进行了研究，改进了稀疏分解方法，并将稀疏性 结合到脑电信号的处理和脑认知功能的研究中，发展了基于稀疏性的诱发脑电提 取方法，发展了基于个体生理差异约束的稀疏分解去噪方法和具有稀疏性约束的 脑电源定位方法。本文完成的主要工作如下： 1．基于匹配追踪方法，提出了一种能获得更加稀疏分解结果的双库匹配追踪方 dictionaries 法(Two matchingpursuit，TDMP)，在该方法中，从对信号分解稀疏 性的有利原则出发，在迭代过程中，将过完备库划分为新(未选择过的)、旧(已 选择过的)原子库，通过引入退火降温阙值函数来约束迭代过程中最优原子 的选择，使选择的最优原子比原始MP方法有更大的可能性落入对信号稀疏性 有利的旧原子库中，从而实现对信号更加稀疏的分解。 2．改进了对，．模约束问题的稀疏求解的优化策略，采用BFGS变尺度更新策略， 和文献中常采用的牛顿下降方法比较，能在保持分解效果基本不变的前提下， 有效的提高分解的效率。 化方面的差别，构造了小波和离散余弦的混合过完备库，利用IMP方法在混合 过完备库中的竞争学习，将瞬态信号和背景噪声近似在小波和离散余弦过完 备库中分别表示出来，实现了多种情况下脑电诱发电位和背景噪声的分离。 4．提出了一种新的基于真实头模型的空间稀疏分解去噪方法。该方法考虑脑电 信号产生的神经解剖生理机理，建立在头模型正演计算获得的传递矩阵过完 备库基础上，利用匹配追踪方法(Matchingpursuit，MP)或其它脑电源反演方 法，把某一时刻记录的脑电空间电位分布分解为传递矩阵中的原子的稀疏组 合近似或脑内的某种等效源分布，使保留下的信号成分和脑内源相关，从而 实现对噪声的去除。 5．在FOCUSS算法迭代基础上，从脑神经活动的局部稀疏性出发，提出了一种 摘要 11011／1 新的脑功能成象方法(Lp iterative sparsesolution，LPISS)。在该算法中， 通过把稀疏性的f。模约束加入到修改的FOCUSS算法的迭代过程中，使算法 可以有效的收敛于真实的稀疏源活动位置。 6．基于微粒群的更新策略和脑电活动源的稀疏性，提出了～种对解空间进行编 码压缩的脑电源定位方法(SolutionSparse Space CodingOptimization．3sco)。 在该方法中将解空间用一定规模的微粒进行空间编码，对编码空间以微粒群 算法的更新方式进行压缩，然后再在压缩的子空间中把求解问题向非欠定转 化后进行较稳定的求解，在求解中用基于，。模约束的适应度函数来确定欠定系 统的最佳稀疏解。由于本方法综合了微粒群算法的强大全局搜索能力和，n模稀 疏约束的适应度函数，能获得较佳的稀疏源求解结果。 关键词：稀疏性；过完备库；原子；匹配追踪；诱发电位；去噪；脑电逆问题 Ⅱ Ahc仟口r十 Abstract thenumberofnull inthe a istomeasure entriescoefficientsof anda Sparsity signal numberofnullentriesavailsforan of larger