Kör Kaynak Ayırma

ICA, bağımsızlığı belirlemek için kontrast fonksiyonları olarak Gauss-olmayan istatistikleri (basıklık, negentropi veya karşılıklı bilgi) kullanır. Gauss dağılımları, doğrusal dönüşümler altında değişmezdir, bu da Gauss değişkenlerinin herhangi bir doğrusal kombinasyonunun hala aynı dağılım özelliklerine sahip Gauss olacağı anlamına gelir. Bu, yalnızca istatistiklerden Gauss kaynaklar için karıştırma/ayırma matrisini belirlemeyi matematiksel olarak imkansız hale getirir. Gauss-olmayan kaynaklar, doğrusal dönüşümde hayatta kalan ayırt edici istatistiksel özelliklere sahiptir.

Kokteyl partisi problemi, birden fazla konuşmacıdan gelen gürültülü bir ortamda tek bir konuşmacının sesini izole etme zorluğunu tanımlar. Birden fazla mikrofon üst üste binen konuşmaları kaydederse, ICA istatistiksel bağımsızlığı en üst düzeye çıkaran doğrusal kombinasyonlar bularak bunları ayırabilir. Her konuşmacının sesi zaman içinde bağımsızdır (Gauss-olmayan), bu da ICA'nın bireysel konuşmacıları kurtaran ayırma dönüşümünü belirlemesine olanak tanır.

Zaman alanındaki ICA, M kanalın en fazla M kaynağı ayırabileceğini varsayar. Ancak, frekans alanındaki ICA'da, farklı frekans bantları farklı ayırma matrislerine sahip olabilir, bu da mevcut kısıtlamaları etkili bir şekilde çarpar. N frekans bandı ve M kanal ile N·M bağımsız denkleminiz olur, bu da çok daha fazla kaynağın ayrılmasına olanak tanır. Bu yaklaşım, kaynakların farklı spektral özelliklere sahip olduğu durumlarda işe yarar.

Ayırma kalitesini şu şekilde değerlendirin: (1) Görsel inceleme—dalga formlarını ve spektrogramları beklenen sinyallerle karşılaştırın; (2) Kaynak kirliliğini ölçen Girişim-Sinyal Oranı (SIR); (3) Karşılıklı bilgi veya daha yüksek dereceli istatistikleri kullanarak bağımsızlık değerlendirmesi; (4) Alan bilgisi—EEG için beklenen frekans bantlarını ve topografik haritaları kontrol edin. Mükemmel sayısal yakınsama iyi bir ayırma garanti etmez; sonuçları her zaman alan uzmanlığı kullanarak doğrulayın.