从复杂背景噪声中获取微弱的脑电信号,并将其分析结果用于医疗临床诊断或人体科学的研究探索工作中,是处理脑电图的根本目的。但是,如何正确高效地从原始脑电信号中,摒弃干扰,提取有用的生物信息,更好的为医学分析服务,已经成为一个急需攻克的问题。本课题研究了如何让把独立成分分析的理论用于脑电信号的处理,实现了交替方向乘子法与独立成分分析的结合,具有一定的实际价值。脑电信号(EEG)支持以极好的时间分辨率从电测量信号中重建大脑中的电流信号。相应的EEG去除伪迹,提取独立成分是一个不确定的EEG逆问题,具有理论上无限多的解决方案。这主要因为脑电图传感器的数量通常比电极位置的数量小得多,以及记录信号中的伪迹噪声污染。从EEG记录数据中分离出独立的脑源信号,并对其定位和时空信息进行辨识,是非常困难的,因为这些信号高度相关并常常同步发生。在论文中,使用总全局方差正则化技术,并与ADMM中的二次惩罚项一起,通过参数调节来促进脑部头皮电极测量点的独立成分稀疏性。实验结果证明所提方案能够提高稀疏性,并对加速计算有一定效力。基于凸优化算法和交替方向乘子法(ADMM)的性能分析与比较,课题提出了一种高效稳健的优化算法求解独立成分分析模型。使用现有数据进行的数值实验证明了所提出的方法相对于其他现有技术方法在精确度度和计算速度方面的具有一定的优势。