切除肌肉工件从单通道脑电图基于集成经验模态分解和多重集典型相关分析

文摘

脑电图(EEG)记录往往含有肌肉工件。这个令人不安的肌肉活动强烈影响的视觉分析EEG和损害结果脑电图信号处理如大脑连通性分析。如果多通道脑电图记录是可用的,那么存在相当大范围的方法可以删除或在某种程度上抑制等工件的扭曲作用。然而,据我们所知,没有现有的手段把肌肉工件从单通道脑电图记录。此外,考虑到最近越来越需要生物医学信号处理在动态情况下,开发单通道技术是至关重要的。在这项工作中,我们提出一个简单,但有效的方法来实现从单通道脑电图肌肉工件去除,通过结合整体经验模态分解(EEMD)和多重集典型相关分析(MCCA)。我们通过数值模拟证明了该方法的性能和应用程序真正的脑电图记录肌肉污染工件。该方法可以成功删除肌肉工件在不改变底层脑电图记录活动。这是一个有前途的现实世界的生物医学信号处理应用程序的工具。

1。介绍

脑电图(EEG)是noninterest经常受到各种生理活动,如心电图(ECG)、眼电图(小城镇)和肌电图(EMG)。这些工件的质量减少感兴趣的信号和模糊特性。而心电图和小城镇构件可以有效地去除通过使用自适应滤波器和盲源分离(BSS)技术(1),肌肉活动引起的扰动(如咬,咀嚼,皱着眉头)是特别困难的,正确的最近进展(2]。主要原因在于EMG工件有更高的振幅(与EEG信号相比),宽光谱分布和地形分布变量(2]。这些肌肉工件的EEG信号,使脑电图的解释复杂的甚至是不可行的(3]。

一般利用低通滤波器去除肌肉工件。然而,由于肌肉工件的频谱明显重叠的大脑信号,这些过滤器不仅抑制肌肉工件还有趣的大脑信号(4]。最近,作为一个最受欢迎的BSS技术,独立分量分析(ICA)进行了广泛的探索为这个目的(5- - - - - -7]。ICA利用高阶统计,旨在把脑电图记录(ICs)为统计独立的组件。干净的脑电图数据可以通过删除重新构建artifacts-related ICs原始脑电图数据。然而,在一些研究肌肉构件严重污染最ICs和相声的大脑和肌肉活动可以观察到8,9]。一个可能的原因是,ICA只有利用源信号的空间结构和边缘分布的观测。因此,它适用于当暂时独立源信号(10]。不过,工件通常有一定的时间结构,可以利用更好的源分离。

二阶盲识别(艺人)需要时间考虑结构在不同的时间滞后和同时斜向移动几个协方差矩阵(10]。它已经表明,艺人在ICA(性能明显改善11]。然而,索比只考虑固定污染源,它可能会存在不稳定的时,如瞬时肌肉活动(12]。最近,典型相关分析(CCA)方法已被建议作为一个更合适的BSS方法分离EMG工件从脑电图13]。由于广泛的频谱的EMG工件,它们类似于颞白噪声,因此比EEG信号自相关较低。方法利用这个特征EMG切除和已被证明比ICA在模拟数据。之后,结果又被记录的高et al。14]。cca优越的性能在ICA是一个可能的原因是由于肌肉构件包括一组肌肉的运动,没有一个刻板的地形(14]。因此,ICA不正常工作。最近,一种新型多个时间间隔CCA-based方法提出了进一步改善性能消除肌肉工件在脑电图(15]。然而,它没有提供足够的量化和比较结果基于模拟的或真实的数据。

近年来,生物医学信号测量和处理越来越多的被部署在动态情况下,尤其是在医疗应用程序。这一趋势从hospital-centric向ambulation-based运输医疗系统,在最小的仪表和低计算复杂度是必需的。新兴的可穿戴的和便携式的无线脑电图(系统是一个代表16- - - - - -18]。降低复杂性,相当多的动态系统操作使用只有一个单一的脑电图频道,例如,(17,18),在这种情况下,它是至关重要的抑制肌肉构件提取尽可能多的有价值的信息。然而,目前几乎所有的肌肉工件去除方法迄今为止设计用于处理多通道/多维数据集和将无法分离肌肉活动在当前形势下,只有单通道(一维的)脑电图记录是可用的。

在这项研究中,因此,我们提出一个简单而有效的方法来实现从单通道脑电图肌肉工件去除。事实上,它是一个两步建模策略。在第一步中,一维的脑电图分解为多维数据集。要实现这一步,经验模态分解(EMD)是一个合适的选择。EMD是单通道技术的非平稳和非线性时间序列分解为有限的固有模式函数(货币)19]。与其他分解方法相比(如小波变换),EMD完全数据驱动的,这意味着它分解的信号在一个自然的方式不需要先验知识(20.]。它已被证明是有效的在许多生物医学应用,例如,消除运动工件从功能性近红外光谱(fNIRS)数据21从脑电图记录)和消除眨眼工件22]。然而,最初的EMD算法对噪声高度敏感,可能会导致混合模式。最近,EMD的噪声辅助版本,叫做合奏EMD (EEMD),提出并证明在实际的应用程序更健壮(23]。在第二步中,多重集典型相关分析(MCCA) [24)是用作BSS技术代替传统的CCA的多维数据集获得的第一步。将讨论MCCA / CCA的优势。肌肉和大脑活动的分离组件可以实现由于肌肉的相对较低的自相关构件相比,大脑活动。我们表示EEMD-MCCA的方法探索EEMD和MCCA的结合。该方法的主要贡献是解决实际肌肉从单通道脑电图工件去除问题,特别是时动态医疗不断吸引了越来越多的关注。

我们将检查的性能提出EEMD-MCCA方法合成和真实的数据集。我们首先验证它在模拟数据量化措施。然后,我们把它应用到实际脑电图记录肌肉污染工件。我们注意到,尽管EEMD-MCCA提出消除肌肉活动对于单通道脑电图的情况,一般适用于当一个数据集包含相对较少的通道(例如,两个或三个),首先EEMD应用到每个通道,然后利用MCCA集成分解后的信号。

2。材料和方法

2.1。方法

在本节中,我们首先简要介绍本文中使用的技术。然后我们描述EEMD-MCCA提出的新方法。

符号。标量用小写字母斜体,由小写粗体字母向量矩阵的黑体大写字母,行和列的数量斜体的首都。矩阵或向量换位用一个大写字母上标(例如,,)。符号(与大小)用于表示原始单通道信号。它也可以这样表达,在那里的值是信号在时间点吗。

2.1.1。集成经验模态分解

EMD分解是一个单通道的非平稳、非线性信号的方法(19]。EMD信号分解为有限数量的货币,这代表快速减缓振荡。国际货币基金组织是一个函数,满足以下两个条件19):(1)极值的数量和零交叉的数量必须相等或不同最多,和(2)在任何时候,信封的平均值定义的局部极大值和定义的信封局部最小值为零。从原始信号获得国际货币基金组织,执行一个筛选的过程19]。首先,所有原始信号的极值需要确认。所有局部极大点由三次样条线相连的上信封。重复的过程局部最小值点形成较低的信封。他们的意思是是计算 信号和均值之间的差异被定义为第一个组件如下: 在第二个筛选过程中,作为信号,我们可以有什么 随后,我们可以重复这个筛选过程次,直到国际货币基金组织, 因此第一个国际货币基金组织(IMF)组件来自原始信号被指定为

标准停止筛选过程有国际货币基金组织已经建立了通过限制标准差的大小(SD),连续两个筛选的计算序列如下: SD的典型值可以设置在0.2和0.3之间(19]。

提取2日国际货币基金组织(IMF)组件,我们删除从原始信号有 剩余被视为一个新的信号,同样的筛选过程应用于获得第二国际货币基金组织的组件和剩余 这个过程可以重复在随后的残差直到最后的残余不再包含任何振动信息: 通过总结(7),(8)和(9),我们可以获得 因此,我们将原始信号分解成经验模式和残渣。

然而,最初的EMD算法对噪声高度敏感。最近,吴邦国委员长和黄引入了一个新的noise-assisted数据分析方法,称为EEMD [23]。方法定义了真正的国际货币基金组织(IMF)组件的意思是一个试验。每个试验包括信号加上一个添加剂独立同分布的白噪声的标准差。在这种情况下,尽管每个试验可能产生的结果,它是在充分试验的总体均取消自噪声独立假定在每一个试验。

2.1.2。典型相关分析

两个零均值数据集存储在两个矩阵,与大小和与大小,在那里方法观察和的数量和显示变量的数量相应的矩阵。传统CCA是找到两者的线性组合和变量相互具有最大相关系数(25]。这将导致以下目标函数与约束条件: 在哪里的是权重向量。

这个问题的解决方案的最大特征向量矩阵和,分别。随后的权重是相同的特征向量矩阵的顺序递减特征值。规范变量()可以直接从原始矩阵计算的年代。相应的行之间和是高度相关的,而在每个单独的行彼此是不相关的。详细的推导过程可以称为(26]。

由于上述属性,传统CCA进一步扩展到解决BSS问题通过假设源组件最大限度autocorrelated和相互不相关的功能性磁共振成像(fMRI)研究[27]。在设置,让观测数据矩阵与混合物,样品,让是一个暂时推迟版本的原始数据矩阵。因此,CCA可以单独记录数据到self-correlated和相互不相关的来源。作为使用最广泛的潜在替代ICA方法,CCA之前已经检查对ICA算法使用多通道和单通道记录。CCA-based方法被证明比EEG / fNIRS的ica技术工件去除(13,14,21并还演示了计算效率的时候类似的定性结果脑电图/ fMRI源分离[27,28)由于使用二阶统计数据。

2.1.3。多重集典型相关分析

MCCA CCA的理论扩展到两个以上的数据集来确定正则变量,总结相关结构在多个随机向量通过线性变换。与CCA两个典型变量之间相关性最大化,MCCA旨在优化一个目标函数的规范从多个随机变量的相关矩阵向量为了使正则变量达到最大范围的整体相关性(24]。假设我们有数据集与大小。MCCA的目的是提取源组件在每个数据集是不相关的同时相关的数据集。类似地,很容易扩展MCCA处理类似的假设下,让BSS问题

展示的优势MCCA CCA,我们将简要讨论源可分性条件。更多细节,可以参考(24]。当必须满足以下条件,成功地恢复由CCA潜在来源: 在哪里代表之间的相关系数源从第一数据集和源从第二数据集。必须满足下面的要求,成功地恢复从每一个潜在来源由MCCA相应数据集: 在哪里代表之间的相关系数th的来源数据集和th的来源数据集。

重要的是要注意,条件(14)比(更放松13BSS),尤其是对我们讨论的问题。更具体地说,如果两个潜在来源有相同的自相关时间延迟有关条件(13)将无法实现这两个来源不能由CCA恢复成功。然而,只要这两个来源有不同的自我相关的可能的时间延迟(),他们可以完全由MCCA根据提取(14)。的区别(14)和(13)表明,解决BSS问题在更大的组数据集比这样做容易在一群较小的数据集。

2.1.4。拟议中的EEMD-MCCA

处理单通道脑电图的肌肉工件去除问题,我们提出利用EEMD和MCCA通过探索EEMD-MCCA组合和表示方法。事实上,它是一个两步建模策略。

在第一步中,EEMD是用来分解单通道脑电图信号并获得一组平均货币基金。国际货币基金组织的所有组件和最后的残余放入一个矩阵。的大小是,在那里。关于整体数量,发现技术变得相当一致的性能在使用十个或十个以上的乐团在我们的应用程序。这是一个适当的数量在实践中考虑计算成本。噪声标准差一直建议经验原始信号的标准差(0.2倍23]。

在第二步中,(12)是第一个用于生成暂时推迟版本的矩阵。然后MCCA应用于数据集和潜在的来源在提取并下令自相关从高到低。来源自相关对应于肌肉较低的工件,可以通过设置相应的矩阵的行删除是零。源矩阵然后通过混合矩阵返回清洗多路信号现在,理想的情况下,免费的工件。的artifact-free单通道记录可以由矩阵加法的恢复货币。有关的参数模拟部分,我们将讨论更多。这两个步骤后,肌肉活动几乎可以从单通道脑电图。具体实现过程算法所示1。

2.2。数据描述

2.2.1。合成数据

展示的性能提出EEMD-MCCA方法,在本节中,我们将生成合成单通道脑电图与真实肌肉的构件。进一步,我们采用一些措施来测试性能自地面实况。

一般来说,“地面实况”EEG信号没有肌肉的构件选择根据经验丰富的神经生理学的目视检查。然而,不仅很难获得干净的EEG信号,但也不能保证肌肉活动的信号是完全免费仅仅依靠目视检查。因此,在这项研究中,我们倾向于使用合成脑电图数据。可以生成一系列单通道脑电图根据phase-resetting理论(29日,30.]。类似于Makinen et al。29日),我们生成的模拟数据求和4这样的正弦曲线频率选择随机从4赫兹范围。采样频率为250赫兹。十个试验脑电图的生成和每个审判是1秒长。然后一系列十秒可能是由连接10试验,主要包含θ,α和β的活动。应该注意的是,虽然每个试验包括4个不同的频率,频率选择在不同的试验中也独立,这意味着有丰富的频率信息系列10秒。

模拟真实情况下,获得纯肌肉活动是非常必要的。它不足以选择肌肉工件直接从脑电图同时包含肌肉和大脑活动。删除脑电图活动和获得肌肉活动,利用独立分量分析的分解一个真正的脑电图数据集与21频道。神经标记眨眼的构件,眼球运动工件,工件和肌肉分解ICs通过检查的一些特征,如功率谱密度和地形。重要的是要注意,大量的集成电路包含EMG和持续的脑电活动。然而,存在一个组件包含纯EMG活动,用。因为我们专注于单通道问题,无需重建组件与相应的场分布。

EMG活动叠加在EEG信号如下: 在哪里代表肌肉活动的贡献。图1显示了原始脑电图信号并包含肌肉的脑电图工件()。信噪比(信噪比)可以通过改变参数调整: 根均方(RMS)值的定义是 相对均方根误差(推定)作为评价测量肌肉工件去除的影响,定义如下: 在哪里是估计的脑电图信号后肌肉工件去除。进一步测量能力的方法保存原始的EEG信号,两个波形之间的相关系数和也计算。因此,在这个工作中,推定和相关系数(CC)作为主要标准测量肌肉除工件的性能。

2.2.2。真实的数据

在真实数据的研究中,两个数据集被用来演示了该方法的效果。收集的数据集是我们从八个健康受试者在稳定自行车运动自行车。这项研究是英属哥伦比亚大学的伦理委员会批准,所有科目给书面知情同意前参加。EEG数据收集使用脑电图帽(美国德克萨斯州Quick-Cap, Compumedics)和基于国际10 - 9电极系统,参考链接乳突。EEG数据采样在1000 Hz使用SynAmps2放大器(美国德克萨斯州NeuroScan, Compumedics)。后来被处理的数据1 ~ 70赫兹之间的带通滤波器。脑电图记录肌肉在运动过程中很容易污染工件和工件可以在很大程度上使随后的脑电图信号处理如大脑连通性分析。图2显示一个10秒的头皮脑电图段。所有通道都或多或少污染的肌肉活动在10秒。

另一个数据集是公众猝发的脑电图从BioSource数据库建立的Sabine Van Huffel (http://www.esat.kuleuven.be/stadius/members/biomed/biosource.htm)。发作的脑电图往往是严重污染的肌肉工件,使的决心和本地化猝发的发病复杂。图3显示了10秒头皮脑电图记录21频道从长期癫痫监测单元(用OSG脑电图记录、Rumst、比利时)。电极被根据国际10 - 20与额外的楔形的电极系统。采样频率为250赫兹。EEG之间被一个带通滤波器数字过滤0.3 ~ 35赫兹。陷波滤波器用于抑制50 Hz电源干扰。癫痫脑电图是污染的肌肉工件和眨眼。肌肉的工件可以观察到0和3.9之间通道F7, T3, T5, C3,和5和10年代之间的T1和渠道F8, T4, F4, C4和P4。

虽然这里脑电图记录不是基于单通道,我们仍然可以提出EEMD-MCCA方法适用于每个通道单独和证明其有效性消除肌肉工件不同的大脑区域。

3所示。结果与讨论

3.1。合成数据情况下

我们应用该EEMD-MCCA方法来合成单通道数据根据算法的过程1。就像前面提到的2.1.4,我们用不同的测试方法的可靠性和信噪比值推定和CC如图4。请注意,数据集的数量选择从2到20(例如,)。当,这意味着使用CCA。当,MCCA受雇。的参数在(12)可以选择经验是高度依赖于数据结构。在这个模拟研究中,我们发现类似的结果可以通过检查获得的一组值。一个可能的原因是,通过应用MCCA多个时滞的数据集是足以充分利用原始数据集的时间结构无论什么价值是多少。中值,略提供更好的性能和选择。

从图可以看出4比CCA MCCA能够持续取得更好的性能,这是符合理论分析部分2.1.3。另一个有趣的观察是,当性能很稳定。这表明,是一个适当的实际应用的数据集。为进一步证明该方法的实用性,我们测试时的时间成本和2.61秒和2.73秒,平均超过100分别独立运行。在MATLAB实现了(美国MathWorks公司诺MI)和下运行微软Windows 8 x64和双操作系统在计算机上英特尔(R)的核心(TM) i - 3427 - u 1.80 GHz CPU和8.00 GB RAM。考虑到改进的性能,稍微增加时间成本也接受把工件从10秒脑电图数据,尤其是对于一种以动态系统中,快速清洁信息和直接反馈本质上是重要的。

看到一些细节的方法,我们也逐步的结果图5。国际货币基金组织(IMF)组件EEMD提取的图所示5(一个)从高到低频率。应用MCCA之后,不相关的来源被命令的自我作为显示在图5 (b)。肌肉活动出现在最后两个组件与自我最低MCCA分解。不包括肌肉重建中的工件组件导致清洗脑电图如图5 (c)。进一步说明了性能,包括放大版本和原来的脑电图信号出现在图中恢复过来5 (d),我们可以看到,该方法高度保留原始的大脑活动。

此外,我们还实现了低通滤波器和ica方法的性能比较研究推定和CC在不同信噪比的值。巴特沃斯滤波器的8采用三种不同的截止频率等于10,30岁和50赫兹。ICA提取应用于相同的国际货币基金组织(IMF)组件EEMD作为我们的方法。它被称为EEMD-ICA。联合近似对角化的eigenmatrices(玉)在这里采用ICA算法实现(31日]。肌肉工件组件,应用EEMD-ICA后,必须选择根据目视检查。清洗信号被排除重建组件相关的工件。结果如图所示6,我们可以看到,EEMD-MCCA一直比低通滤波器更好的性能。可能的原因是由于低通滤波器不足以消除所有工件在不改变底层的大脑活动自频谱肌肉工件与大脑的信号(13]。另一个担忧的低通滤波器的非线性相位频率响应特性在实践中,这将导致信号失真。应该注意的是,我们没有礼物EEMD-ICA图的结果6,因为它是不能够分离肌肉的工件从脑电图信号。两个例子的分解图所示7。我们可以很容易的发现,肌电图和脑电图组件混合在一起(例如,集成电路如图7(一)和IC1在图7 (b))。很难确定哪些组件应该被排除在外,因为我们不想删除任何大脑活动。

3.2。实际数据情况

在这个案例研究中,我们应用提出EEMD-MCCA方法的每个通道脑电图记录如图2和3。我们发现这是很容易区分肌肉工件组件和相关的大脑活动。在处理每一个单通道脑电图记录,肌肉活动几乎出现在最后几个组件MCCA分解。排除这些组件的重建脑电图导致清洁脑电图如图8和9。可以看出肌肉工件已经足够了。特别是,发作的脑电图,发作的活动在T2, F8, T4和T6电极是保存完好。F8猝发的活动和T4,原本模糊的肌肉构件,可以通过使用提出EEMD-MCCA方法。还应该指出,存在一些明显的小城镇工件在两个真实的数据集,而他们删除超出了本文的范围。然而,这些小城镇工件可以帮助演示了该方法性能优越的因为他们保存失真。

4所示。结论

在本文中,我们提出了一个简单但有效的EEMD-MCCA方法实现从单通道脑电图肌肉工件去除。我们说明了该方法的性能使用合成数据和真实数据。我们注意到,该方法能够消除肌肉活动有效且高效地同时保护大脑活动很好。提出了值得注意的是,虽然EEMD-MCCA去除肌肉活动对于单通道脑电图的情况,一般适用于当一个数据集包含相对较少的渠道(例如,两个或三个)。该方法是一种很有前途的单通道技术在当前形势下,流动的医疗系统正越来越多地出现。

利益冲突

作者宣称没有利益冲突有关的出版。

承认

工作是由中国国家自然科学基金(没有。61172037)。

引用

1. 郑胜耀邵,k .问:沈c . j . Ong e . p . v . Wilder-Smith x p·李,“自动脑电图工件去除:加权支持向量机与纠错方法,”IEEE生物医学工程卷,56号2、336 - 344年,2009页。视图:出版商的网站|谷歌学术搜索
2. b . w . McMenamin a·j·沙克曼l . l . Greischar和r·j·戴维森”Electromyogenic工件和脑电图仪的推论再现。”科学杂志,54卷,不。1,4 - 9日,2011页。视图:出版商的网站|谷歌学术搜索
3. s . s .斯宾塞·威廉姆森布拉杰,r·马特森和d . Cicchetti”定位的可靠性和准确性,通过头皮猝发的脑电图,”神经学,35卷,不。11日,第1575 - 1567页,1985年。视图:谷歌学术搜索
4. 即Goncharova, d·麦克法兰t·沃恩和j·沃尔波”EMG脑电图的污染:光谱和地形特征,“临床神经生理学,卷114,不。9日,第1593 - 1580页,2003年。视图:出版商的网站|谷歌学术搜索
5. r . Vigario j . Sarela诉Jousmaki m . Hamalainen和e . Oja”独立分量分析方法脑电图和梅格录音,”IEEE生物医学工程卷,47号5,589 - 593年,2000页。视图:谷歌学术搜索
6. n·p·卡斯特罗和v . a .马卡罗夫脑电图恢复大脑信号:工件抑制与小波增强的独立分量分析,“神经科学杂志》上的方法,卷158,不。2、300 - 312年,2006页。视图:出版商的网站|谷歌学术搜索
7. m . Crespo-Garcia m . Atienza和j·l·Cantero“肌肉工件去除从人类睡眠脑电图利用独立分量分析,“《生物医学工程,36卷,不。3、467 - 475年,2008页。视图:出版商的网站|谷歌学术搜索
8. h .南t . g .严s . k .汉j . b .哦,和s·k·李,“独立分量分析内侧颞叶癫痫发作的脑电图的”Epilepsia,43卷,不。2、160 - 164年,2002页。视图:出版商的网站|谷歌学术搜索
9. e . Urrestarazu j . Iriarte m .圣保罗m·瓦伦西亚,c . Viteri和j . Artieda”独立分量分析去除工件在发作的录音,”Epilepsia,45卷,不。9日,第1078 - 1071页,2004年。视图:出版商的网站|谷歌学术搜索
10. A . Belouchrani k . Abed-Meraim j·f·卡多佐和大肠冰川锅穴,“盲源分离技术,利用二阶统计。”IEEE信号处理,45卷,不。2、434 - 444年,1997页。视图:谷歌学术搜索
11. a . Ziehe k·r·穆勒g .诺尔特b . m . Mackert g .古玩,“减少工件magnetoneurography基于时滞二阶相关性,”IEEE生物医学工程卷,47号1,第87 - 75页,2000。视图:出版商的网站|谷歌学术搜索
12. 崔,a Cichocki, a . Beloucharni“二阶不稳定源分离”,《超大规模集成信号处理系统信号、图像和视频技术,32卷,不。1 - 2、93 - 104年,2002页。视图:出版商的网站|谷歌学术搜索
13. w·d·Clercq a . Vergult b . Vanrumste w·范Paesschen和s . van Huel”典型相关分析应用于去除肌肉工件从脑电图,”IEEE生物医学工程,53卷,不。12日,第2587 - 2583页,2006年。视图:谷歌学术搜索
14. j .高c .郑,p . Wang”在线消除肌肉工件从脑电图信号基于典型相关分析,“临床脑电图和神经科学第41卷。。1,53至59页,2010。视图:谷歌学术搜索
15. 沈k, k, a . Bandla y太阳,n . Thakor和李x”多个时间间隔典型相关分析为消除肌肉工件在脑电图,”工程学报IEEE第35届国际会议在医学和生物学协会(EMBC 13)日本大阪,页6792 - 6795,,2013年7月。视图:出版商的网站|谷歌学术搜索
16. 陈x和z . j .,“可穿戴的设计和实现,无线脑电记录系统”学报》第五届国际会议上生物信息学和生物医学工程(ICBBE 11),页1 - 4,武汉,中国,2011年5月。视图:出版商的网站|谷歌学术搜索
17. s . d . Ridwan r·汤普森b·t·日本s Lal p·费舍尔,“单通道无线脑电图:在火车司机,提出应用”诉讼的第三届国际会议上宽带通信、信息技术和生物医学应用58 - 63页。豪登省,南非,2008年11月。视图:出版商的网站|谷歌学术搜索
18. b . Koley和d·戴伊,”一个系统使用单通道脑电图信号自动睡眠阶段分类,“计算机在生物学和医学,42卷,不。12日,第1195 - 1186页,2012年。视图:出版商的网站|谷歌学术搜索
19. n . e .黄z沈,s . r .长et al .,“经验模态分解和希尔伯特谱对非线性和非平稳时间序列分析,“英国伦敦皇家学会学报》上,卷454,不。1971年,第995 - 903页,1998年。视图:出版商的网站|谷歌学术搜索|Zentralblatt数学|MathSciNet
20. b . Mijovićm . de Vos Gligorijević,j . Taelman和s . van Huffel”源分离从单通道记录通过结合经验模态分解和独立分量分析,“IEEE生物医学工程卷,57号9日,第2196 - 2188页,2010年。视图:出版商的网站|谷歌学术搜索
21. k·t·斯威尼,s . f . McLoone, t·e·沃德”合奏的使用经验模态分解与典型相关分析小说工件去除技术,”IEEE生物医学工程,60卷,不。1,第105 - 97页,2013。视图:出版商的网站|谷歌学术搜索
22. 曾h ., a的歌,r .严,h .秦“小城镇从脑电图记录使用固定工件校正子空间分析和经验模态分解,“传感器,13卷,不。11日,第14859 - 14839页,2013年。视图:出版商的网站|谷歌学术搜索
23. 吴z和n . e .黄”集成经验模态分解:noise-assisted数据分析方法,”先进的自适应数据分析,1卷,不。1,1-41,2009页。视图:出版商的网站|谷歌学术搜索
24. t . y . Li Adali, w . Wang和诉卡尔霍恩,”联合盲源分离多重集典型相关分析,“IEEE信号处理卷,57号10日,3918 - 3929年,2009页。视图:出版商的网站|谷歌学术搜索|MathSciNet
25. h·霍特林”,两组变量之间的关系。”生物统计学28卷,第377 - 321页,1936年。视图:谷歌学术搜索
26. 陈x, z . j ., a . Liu和h .彭”Corticomuscular活动建模结合偏最小二乘法和典型相关分析,“应用数学学报ID 401976条,卷。2013年,11页,2013年。视图:出版商的网站|谷歌学术搜索
27. o . Friman m . Borga p Lundberg, h . Knutsson“探索性fMRI分析自相关最大化,”科学杂志,16卷,不。2、454 - 464年,2002页。视图:出版商的网站|谷歌学术搜索
28. m . Borga和h . Knutsson盲源分离的典型相关方法,”技术。众议员刘- imt - ex - 0062,林雪平,瑞典林雪平大学,2001。视图:谷歌学术搜索
29. 诉Makinen、h . Tiitinen和p可能“听觉与事件相关的反应生成独立于正在进行的大脑活动,“科学杂志,24卷,不。4、961 - 968年,2005页。视图:出版商的网站|谷歌学术搜索
30. n . Yeung r . Bogacz c·b·霍尔德s Nieuwenhuis和j·d·科恩,“θ阶段重置和错误消极。”心理生理学,44卷,不。1,39-49,2007页。视图:出版商的网站|谷歌学术搜索
31. j·f·卡多佐,“高阶为独立分量分析对比,神经计算,11卷,不。1,第192 - 157页,1999。视图:谷歌学术搜索

版权

版权©2014荀陈等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。