в Інтернеті 
Українська  English  Русский  

DOI:


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


Автор(и) В. І. Шульгін, О. В. Морозов, О. В. Волосюк


Установа(ви)

"ХАІ МЕДІКА", Національний аерокосмічний університет ім. М.Є. Жуковського "ХАІ", Харків, Україна


Назва статті Використання технології "сліпого розділу джерел" при обробці біомедичних сигналів


Анотація (резюме)

Традиційні методи часової, спектральної або просторово-часової обробки сигналів можуть бути застосовані для виділення окремих сигналів з їх суміші тільки в тому випадку, коли є яка-небудь апріорна інформація про їх часові характеристики, спектральний склад або закон змішування. У випадку коли такої інформації нема, або вона незначна, а сигнали в суміші мають однакові або майже однакові часові та спектральні характеристики, виникає задача "сліпого розділу джерел". Її рішення базується на розходженні статистичних характеристик та статистичній незалежності сигналів.

В роботі розглядуються деякі задачі обробки біомедичних сигналів, при рішенні яких може бути ефективно використовувано метод "сліпого розділу джерел", а також основи байєсівського підходу до рішення задачі розділення.


Ключові слова сліпий розділ джерел, BSS, аналіз незалежних компонент, ICA, байєсів підхід, статистична незалежність, електроенцефалографія, електрокардіографія, фетальна кардіографія


Список літератури

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, TeᦈWon 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. MultiiLayer 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. SelffOrganization 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.


Повнотекстова версія http://kit-journal.com.ua/uk/viewer_uk.html?doc/2005_3/9.pdf