稳定分布噪声下EEG-MUSIC源定位新方法：FLOM-EEG-RAP-MUSIC

本文主要探讨了在稳定分布噪声环境下对脑电图（EEG）-MUSIC源定位算法的有效改进。EEG作为一种无损的脑功能检测技术，近年来受到广泛关注，因为它能够提供实时且非侵入性的大脑活动信息。MUSIC算法，尤其是基于MUSIC的脑源定位方法，如R-MUSIC、S-MUSIC和IES-MUSIC，起初假设脑电信号中的噪声遵循高斯分布，但这在实际脑电数据中并不总是适用。 传统上，EEG-MUSIC方法在处理高斯噪声下表现出良好性能，但在存在强脉冲噪声的特殊情况下，例如由α稳定分布描述的噪声，这种方法的性能会下降，因为稳定的随机过程与高斯噪声的统计特性不同。这种不稳定噪声环境导致传统的EEG-RAP-MUSIC算法失效，无法有效区分信号和噪声。 为了克服这一挑战，研究者提出了一种新的方法，即FLOM-EEG-RAP-MUSIC。FLOM矩阵替代了自相关矩阵，这是一种针对稳定分布噪声环境的创新策略。FLOM-EEG-RAP-MUSIC利用了频率导向的自适应方法（Frequency-Optimized Linear Mixing, FLOM），旨在更准确地估计信号模型和噪声模型，从而提高在复杂噪声条件下的定位精度。 通过计算机仿真实验，研究结果表明，FLOM-EEG-RAP-MUSIC在稳定分布噪声环境中表现出了较好的鲁棒性和稳定性。它能够有效地处理非高斯噪声，避免了数据平均过程中信息的丢失，并在噪声强度大于源电位的极端情况下保持有效性。这种方法的提出，对于提高EEG源定位技术的可靠性以及在临床实践中的应用具有重要意义。 总结来说，本文的主要贡献在于开发了一种适用于稳定分布噪声环境的新型EEG源定位算法，这对于提升脑电图在复杂信号条件下诊断和研究的准确性具有潜在的实际价值。未来的研究可以进一步优化该方法，以适应更多种类的噪声模型，以及在实际应用中进行更多的实验验证。