Questions tagged «ica»

我正在尝试实现8阶IIR滤波器，并且我阅读的每个应用笔记和教科书都说，最好将2阶以上的任何滤波器实现为二阶部分。我tf2sos在MATLAB中使用了二阶部分的系数，这与我预期的4个二阶部分的6x4系数有关。在实施为SOS之前，八阶滤波器需要存储7个先前的采样值（以及输出值）。现在，当实现为二阶部分时，流程如何从输入到输出工作，我是否仅需要存储2个先前的样本值？还是第一个滤波器的输出馈x_in入第二个滤波器，依此类推？

20 filters  filter-design  infinite-impulse-response  biquad  audio  image-processing  distance-metrics  algorithms  interpolation  audio  hardware  performance  sampling  computer-vision  dsp-core  music  frequency-spectrum  matlab  power-spectral-density  filter-design  ica  source-separation  fourier-transform  fourier-transform  sampling  bandpass  audio  algorithms  edge-detection  filters  computer-vision  stereo-vision  filters  finite-impulse-response  infinite-impulse-response  image-processing  blur  impulse-response  state-space  linear-systems  dft  floating-point  software-implementation  oscillator  matched-filter  digital-communications  digital-communications  deconvolution  continuous-signals  discrete-signals  transfer-function  image-processing  computer-vision  3d 

为了对波形进行预处理以便以后执行独立分量分析（ICA）的正确步骤是什么？我知道如何做，尽管对此做进一步的解释并没有什么坏处，但是我对原因更感兴趣。

17 preprocessing  ica 

ICA的一般实现是将信号的混合分离为其M个组成部分，这要求将信号假定为源的线性瞬时混合。我遇到的对ICA的每种描述似乎都是理所当然的事实，即所有N个信号混合中都存在一定程度的M个信号源。 NNNMMMMMMNNN 我的问题是，如果信号源仅出现在部分而非全部信号混合信号中，该怎么办？ MMM 这种情况是否违反了ICA能够分离这些信号所必需的基本假设？（为方便起见，假设我们正在处理一个不完整或完整的系统（或N = M），并且M个源信号中的每个实际上在统计上都是彼此独立的）。N>MN>MN>MN=MN=MN=MMMM 我正在考虑将ICA应用于这种情况的实现如下：我有来自4种不同类型传感器的数据，每种传感器具有不同数量的通道。具体来说，我有24个EEG数据通道，3个EOC眼电数据通道，4个EMG数据通道和1个ECG数据通道。所有数据同时记录。 我想在EEG数据中确定ECG，EMG和EOG信号的作用，以便删除它们。预期EEG传感器将接收EMG + ECG + EOG信号，反之则不然。同样，EOG和EMG可能会相互污染并被ECG污染，但是ECG可能与所有其他信号完全隔离。另外，我假设发生混合的地方是线性的和瞬时的。 我的直觉告诉我，假设地，ICA应该足够聪明，可以返回系数非常小（接近0）的混合滤波器，以说明缺乏信号源对混合信号的影响。但是我担心ICA对信号进行混合的方式会固有地使人们期望所有混合物中都存在所有信号源。我使用的实现是FastICA，这是一种基于投影追求的方法。

16 ica  eeg  separability 

我目前正在使用Matlab创建不同的信号，通过将它们乘以混合矩阵A进行混合，然后尝试使用FastICA取回原始信号。 到目前为止，与原始信号相比，恢复的信号确实很差，这不是我所期望的。 我正在尝试查看我是否做错了什么。我正在生成的信号如下： s1 = (-x.^2 + 100*x + 500) / 3000; % quadratic s2 = exp(-x / 10); % -ve exponential s3 = (sin(x)+ 1) * 0.5; % sine s4 = 0.5 + 0.1 * randn(size(x, 2), 1); % gaussian s5 = (sawtooth(x, 0.75)+ 1) * 0.5; % sawtooth …

14 matlab  ica  statistics  independence 

我目前正在从许多好的资料中学习ICA并自学。（另请参阅这篇文章以了解过去的背景）。我有基本的看法，但是有些事情我不清楚。 对于多个信号撞击多个空间传感器的情况（当然，传感器的数量> =信号的数量），对于任何一个传感器，不可避免的是，到达它的所有信号将具有不同的延迟/相位-与到达不同传感器的偏移量相比，与它们相关的偏移量。 现在，据我所知，ICA的信号模型是一个简单的混合矩阵，其中到达任何一个传感器的总能量建模为所有其他感兴趣信号的简单线性组合。每个传感器都有与其相关的线性组合系数的不同阵列。到现在为止还挺好。 我不明白，是必然存在的打算，其实是一些延迟/相位偏移到达，从彼此不同的单个传感器的单个信号之一。也就是说，可能在某个时间0s 到达，而相同的s_1（n）却衰减了，但也有一些延迟或相位差到达了sensor_2。我认为这在物理上是不可避免的。s1(n)s1(n)s_1(n)sensor1sensor1sensor_1s1(n)s1(n)s_1(n)sensor2sensor2sensor_2 ...这怎么可能不在混合矩阵中建模？似乎延迟会带来巨大的变化。我们不再谈论简单的线性组合。ICA如何处理？我在这里错过了什么吗？ 我还应该补充一点，如果ICA确实不能处理延迟，那么它在哪些应用程序中有用呢？显然带有传感器的空间传感器已经淘汰！ 谢谢

12 ica 

我已经编写了一个程序，使用Python MDP FastICA示例上的代码在立体声WAV文件上执行FastICA。 通过音频示例，我得到了很好的结果。 然后，我尝试通过将麦克风1连接到L通道，将麦克风2连接到R通道，使用连接到我电脑立体声麦克风的两个计算机单声道麦克风进行真实世界录音。在安静的房间里聊天时，我会在后台播放一些音乐进行测试。 但是，运行FastICA根本不会分离信号。麦克风的质量是否可能太差？在运行FastICA之前，我需要对记录的WAV文件（16位，有符号PCM，44100Hz）做任何事情吗？ 您可以在此处下载录音。

12 ica  python 

我了解（主要是）独立成分分析（ICA）如何处理来自一个总体的一组信号，但是如果我的观察值（X矩阵）包含来自两个不同总体（具有不同均值）的信号，并且我我想知道这是否是ICA的固有限制，或者我是否可以解决这个问题。我的信号不同于正在分析的常见类型，因为我的源矢量非常短（例如3个值长），但是我有很多（例如1000个）观察值。具体来说，我正在测量3种颜色的荧光，其中宽泛的荧光信号会“溢出”到其他检测器中。我有3个检测器，并在粒子上使用3个不同的荧光团。可以将其视为分辨率很差的光谱。任何荧光粒子可以具有任意数量的3种不同的荧光团。但是，我有一组混合的粒子，这些粒子倾向于具有截然不同的荧光团浓度。例如，一组通常可能具有大量的荧光团＃1和少量的荧光团＃2，而另一组通常具有＃1的少量和大量的＃2。 基本上，我想对溢出效应进行反卷积，以估计每个粒子上每种荧光团的实际量，而不是将来自一种荧光团的信号的一部分加到另一种荧光团的信号上。对于ICA来说似乎是有可能的，但是在某些重大失败之后（矩阵变换似乎优先考虑了分离总体而不是旋转以优化信号独立性），我想知道ICA是否不是正确的解决方案，或者我是否需要以其他方式预处理我的数据以解决此问题。 这些图显示了用于证明问题的我的综合数据。从由两个人口组成的“真实”来源（面板A）开始，我创建了“真实”混合（A）矩阵并计算了观察（X）矩阵（面板B）。FastICA估计S矩阵（显示在C面板中），而不是找到我的真实来源，在我看来，它旋转数据以使两个总体之间的协方差最小。 寻找任何建议或见解。

10 ica 

我指的是以下论文：使用视频成像和盲源分离的非接触式自动心脏搏动测量 在以上文章中，作者能够从RGB分量中提取出心脏脉冲信号。我尝试将过程可视化如下。 R' = R + cardiac pulse G' = G + cardiac pulse B' = B + cardiac pulse R'，G'和B'是相机观察到的颜色分量。R，G，B是一个人的颜色成分，假设他没有任何心搏。 看来我们将有4个来源（R，G，B，心脏搏动）。现在，我们尝试使用ICA从3种混合信号（R'，G'，B'）中获得4种源（心脏脉冲）中的一种。 是否有意义？我是否缺少一些技巧？还是我对该过程做出了错误的假设？

10 ica  source-separation