盲源分离技术用于脑电信号处理的探索

《盲源分离技术用于脑电信号处理的探索》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、盲源分离技术用于脑电信号处理的探索

2、第1　盲源分离技术用于脑电信号处理的探索杜志勇1，王鲜芳2（1．河南机电高等专科学校　河南　新乡　453002；2．河南职业技术师范学院　河南　新乡　453003）摘　要：基于独立分量分析的盲信号分离方法具有非常理想的信号消噪效果。盲源分离技术是盲信号处理领域的一个重要的分支。20世纪90年代中期，盲源分离技术得到了迅猛的发展，并在语音处理、生物电信号处理、图像处理、金融数据分析以及移动通信等领域得到了广泛的应用。本文介绍了盲源分离技术的模型和算法，并对其在脑电信号方面的应用进行了仿真分析和探讨。关键词：盲源分离；独立分量分析；语音

3、分离；脑电信号OnBlindSignal　SeparationandItsApplicationtoProcess　of　BrainechanicElectricEngineeringCollege,Xinxiang,453002,China；2.HenanVocation-TechnicalTeachersCollege,Xinxiang,453003,China)Abstract：Blindseparatemethodbasedonindependent　ponent　analysishavea　ideal　effectofsignal　noisecancella

4、tion．Blind　separationtechniqueisanimportantbranchinblindsignalprocessingfield．Inthe20thcentury，blindseparationtechniquereceivedsent，alsoreceivedbroadapplicationsinvoiceprocessing，bioelectricitysignalprocessing，imagemanipulation，financialdataanalyzingandmobilemunicationetc．Thispaperintru

5、ducedmodelandarithmeticofblindsignalserpratetion，andsimulatedanalysisit′sapplicationofbrainwave．Keywords：blindsignalseparation；independentponentanalysis；speechseparation；brainwave在盲源分离问题中，一个比较经典的例子就是所谓的“鸡尾酒会”问题，具体描述是这样的：在一个鸡尾酒会现场，如果用安放在不同位置的多个拾音器进行现场录音，那么所记录的信号实际上是不同声源的混合信号（如：不同人的说话声、音乐

6、声以及其他声源发出的声音）。“鸡尾酒会效应”描述了人可以在嘈杂环境中识别自己感兴趣声音的能力，即人具有语音分离的能力。所谓的盲源分离技术就是研究在未知系统的传递函数、源信号的混合系数及其概率分布的情况下，从混合信号中分离出独立源信号的技术，他是信号处理中一种很有前途的新兴技术，应用领域十分广泛。通常是利用一定数目的传感器对几个声源同时进行测量，每个传感器所测量的都是这几个声源的混合信号，但是并不知道他们的混合矩阵。在这种情况下，希望能够把每个声源的信号单独拿出来，进行分析。这种情况在实际当中经常遇到。由于系统的传递矩阵未知，信号源也是未知的，问题是多解的，一般方法无能

7、为力，这时盲源分离技术就应运而生了。目前，盲源分离算法已经得到了人们广泛的注意，并进行了深入的研究，尤其在语音处理、生物电信号处理、图像处理、金融数据分析以及移动通信等领域得到了广泛的应用。1　盲源分离的线性混合模型假设有n个独立信号源，记为：s1，s2，…，sn，用一个矩阵S来表示，S＝［s1，s2，…，sn］。在这些信号源的周围布置了n个非指向性的拾音器进行测量。n个非指向性的拾音器用一个线性混合矩阵A来表示。每个传感器所测量到的信号有各个声源直接传递到该拾音器的成分和间接反射到该拾音器的成分，还包括其他噪声。测量足够的时间后，得到一组数据。要求对测量的数据进行分

8、析，判别各个信号源及其功率结构。根据以上描述，我们可以把盲源分离问题表示为图1所示的线性模型。图1中虚线框中的源信号矢量s＝（s1，s2，…，sN）T和线性混合矩阵A都是未知的。W为待求的分离矩阵，u=(u1,u2,...uN)T是分离矩阵W的最终输出结果。只有观测信号矢量x＝（x1，x2，…，xN）T是已知的，其中的每个分量xi，i＝1，…，N有相同的观测样本长度。模型中信号数据之间的关系为：