в Интернете 
Українська  English  Русский  

DOI:


Опись-ссылка ISSN 1812-7231 Klin.inform.telemed. Volume 2, Issue 3, 2005, Pages 42-50


Автор(ы) В. И. Шульгин, А. В. Морозов, Е. В. Волосюк


Учреждение(я)

"ХАИ МЕДИКА", Национальный аэрокосмический университет им. Н. Е. Жуковского "ХАИ", Харьков, Украина


Название статьи Использование технологии "слепого разделения источников" при обработке биомедицинских сигналов


Аннотация (резюме)

Традиционные методы временной, спектральной или пространственновременной обработки сигналов могут быть применены для выделения отдельных сигналов из их смеси только в том случае, если имеется какая либо априорная информация об их временных характеристиках, спектральном составе или законе суммирования (смешивания). В случае же, когда такой информации нет или она незначительна, а сигналы в смеси имеют одинаковые или почти не различающиеся временные и спектральные характеристики, возникает задача "слепого разделения источников". Ее решение основывается на различии статистических характеристик и статистической независимости разделяемых сигналов.

В работе рассматриваются некоторые задачи обработки биомедицинских сигналов, при решении которых может быть эффективно использован метод "слепого разделения источников", а также основы байесовского подхода к решению задачи разделения


Ключевые слова слепое разделение источников, BSS, анализ независимых компонент, ICA, байесовский подход, статистическая независимость, электроэнцефалография, электрокардиография, фетальная кардиография


Список литературы

1. Comon P. Independent Component Analysis, a new concept? Signal Processing, vol. 36, no. 3, pp. 287–314, April 1989.

2. Cardoso J. F. 1989. Source separation using higher order moments In Proceedings ICASSP, pp. 2109–2112.

3. Cardoso J. F. and P. Comon. 1996. Independent component analysis, a survey of some algebraic methods. In Proceedings ISCAS'96, vol. 2, pp. 93–96.

4. Cardoso J. F. "Infomax and maximum likelihood for blind source separation", IEEE Signal Processing Letters, vol. 4, no. 4, pp. 112–114, 1997.

5. McKay D. 1996. Maximum Likelihood and Covariant Algorithms for Independent Component Analysis, at ftp://wol.ra.phy.cam.ac.uk/pub/mackay/

6. Karhunen J., Wang L., and Vigario R. 1995. Nonlinear PCA Type Approaches for Source Separation and Independent Component Analysis, In Proceedings of the 1995 IEEE International Conference on Neural Networks (ICNN'95), Perth, Australia, November 27 – December 1, 1995, pp. 995–1000.

7. Knuth K. H. "Bayesian source separation and localization", in Proceedings of SPIE: Bayesian Inference for Inverse Problems, vol. 3459, A. Mohammad-Djafari (ed.), SPIE, Bellingham, 1998.

8. Knuth K. H. Bayesian Source Separation and Localization In: SPIE'98 Proceedings: Bayesian Inference for Inverse Problems, vol. 3459. A. Mohammad-Djafari (ed.), SPIE, Bellingham, 1998, pp. 1477158.

9. Tzyy-Ping Jung, Scott Makeig, Te-Won Lee, Martin J. McKeown, Glen Brown, Anthony J. Bell, and Terrence J. Sejnowski, INDEPENDENT COMPONENT ANALYSIS OF BIOMEDICAL SIGNALS, from http://www.cnl.salk.edu/~jung/ica.html

10. Tong S., Bezerianos A., Paul J., et al. Removal of ECG interference from the EEG recordings in small animals using independent component analysis, Journal of Neuroscience Methods 2001, 108, 11-17.

11. Jung T. P., Makeig S., Humphries C., et al. Removing electroencephalographic artefacts by blind source separation, Psychophysiology 2000, 37, 163"7814. Hyvarinen A. Survey on Independent Component Analysis. Neural Computing

12. Makeig S., Bell A. J., Jung T. P., and Sejnowski T. J., Independent component analysis of Electroencephalographic data, Advances in Neural Information Processing Systems 8, 145–151, 1996.

13. Сергеев В. Г., Компьютерные электроэнцефалографы вчера и сегодня, на http://www.xaiimedica.com

14. Шульгин В. И., Наседкин К. В., Сжатие ЭКГ-сигнала с использованием параметрически модифицируемого долговременного предсказания, "Технология приборостроения", Харьков, 2001, №1–2, стр. 118–124.

15. Шульгин В. И., Наседкин К. В., Алгоритм сжатия многоканальных ЭКГ сигналов, Авиационно-космическая техника и технология. 2002. №35. с. 110–115.

16. Herault J., Jutten C. Space or Time Adaptive Signal Processing by Neural Network Models AIP Conf. Proc., Snowbird, UT 1986, pp. 206–211.

17. Karhunen J., and Joutsensalo J., Generalizations of Principal Component Analysis, Optimization Problems and Neural Networks, Neural Networks, vol. 8, no. 4, 1995, pp. 549–562.

18. Karhunen J., and Joutsensalo J., Representation and Separation of Signals Using Nonlinear PCA Type Learning, Neural Networks, vol. 7, no. 1, 1994, pp. 113–127.

19. Karhunen J., and Joutsensalo J., Sinusoidal Frequency Estimation by Signal Subspace Approximation, IEEE Trans. on Signal Processing, vol. 40, no. 12, December 1992, pp. 2961–2972.

20. Cichocki A., Kasprzak W. and Amari S. I. 1995. Multi-Layer Neural Networks with Local Adaptive Learning Rules for Blind Separation of Source Signals, Proceedings 1995 International Symposium on Nonlinear Theory and Applications NOLTA'95, vol. 1., pp. 61–65,Tokyo, Japan.

21. Linsker R. 1988. Self-Organization in a perceptual network. In Computer 21 (March), pp. 105–117.

22. Bell A. J. and Sejnowski T. J. 1995. An information maximization approach to blind separation and blind deconvolution. In Neural Computation 7. pp. 1129–1159. MIT Press, Cambridge, MA.

23. Cardoso J. F. and Laheld B. H. 1996. Equivariant adaptive source separation. In IEEE Transactions on Signal Processing, vol. 44, no. 12, pp. 3017–3030, Dec. 1996.

24. Pearlmutter B. and Lucas C. Parra. 1996. A contexttsensitive generalization of ICA. In International Conference on Neural Information Processing. September 1996, Hong Kong.

25. Karhunen J., Wang L., and Joutsensalo J. 1995. Neural Estimation of Basis Vectors in Independent Component Analysis, In Proceedings of the International Conference on Artificial Neural Networks ICANN-95, Paris, France, October 9–13, 1995, pp. 317–322.

26. Oja E. 1995. PCA, ICA, and nonlinear Hebbian learning. In Proceedings of the International Conference on Artificial Neural Networks ICANN-95, Oct. 9–13, 1995, Paris, France, pp. 89–94.

27. Oja E. and Karhunen J. 1995. Signal separation by nonlinear Hebbian learning. In M. Palaniswami, Attikiouzel Y., R. Marks II, Fogel D., and Fukuda T. (Eds.), Computational Intelligence — a Dynamic System Perspective. New York, IEEE Press, pp. 83–97.


Полнотекстовая версия http://kit-journal.com.ua/ru/viewer_ru.html?doc/2005_3/9.pdf