Jak ICA radzi sobie z nieuniknionymi opóźnieniami sygnałów?


12

Obecnie czytam ICA i uczę się z wielu dobrych źródeł. (Zobacz także ten post w kontekście z przeszłości). Mam podstawowy wytrysk, ale jest coś, o czym nie wiem.

W przypadku scenariusza, w którym wiele sygnałów uderza w wiele czujników przestrzennych (oczywiście przy liczbie czujników> = liczba sygnałów), nieuniknione jest, że dla każdego czujnika wszystkie sygnały docierające do niego będą miały różne opóźnienia / fazy związane z nimi przesunięcia w porównaniu z przesunięciami dochodzącymi do innego czujnika.

O ile mi wiadomo, model sygnału dla ICA jest prostą macierzą miksowania, w której całkowita energia docierająca do jednego czujnika jest modelowana jako nic innego jak prosta liniowa kombinacja wszystkich innych sygnałów będących przedmiotem zainteresowania. Każdy czujnik ma inny zestaw powiązanych z nim współczynników kombinacji liniowej. Jak na razie dobrze.

Co nie rozumiem, jest to, że nieuchronnie tam dzieje się w rzeczywistości być pewne opóźnienie / przesunięcie fazowe między poszczególnych sygnałów wchodzących w poszczególnych czujników, które różnią się od siebie. Oznacza to, że może dotrzeć do s e n s o r 1 w pewnym momencie 0s, podczas gdy ten sam s 1 ( n ) dociera do s e n s o r 2 atenuowany, ale takżes1(n)sensor1s1(n)sensor2z pewnym opóźnieniem lub różnicą faz. Moim zdaniem jest to fizycznie nieuniknione.

... Jak to możliwe, że nie jest to modelowane w matrycy miksującej? Wygląda na to, że opóźnienia zrobią ogromną różnicę. Nie mówimy już o prostych kombinacjach liniowych. Jak ICA sobie z tym radzi? Coś tu przegapiłem?

Powinienem również dodać jako uzupełnienie, jeśli rzeczywiście ICA nie jest w stanie poradzić sobie z opóźnieniami, to w jakich aplikacjach jest przydatna? Wyraźnie przestrzenne z czujnikami już nie ma!

Dzięki


1
Myślę, że ICA jest przeznaczona dla rzeczy, w których nie ma opóźnień. Nie wiem, dlaczego zawsze używają przykładu wielu ludzi rozmawiających w pokoju, ponieważ ta aplikacja nie działa z ICA. Coś w rodzaju DUET lepiej pasuje do tej aplikacji. dsp.stackexchange.com/questions/812/...
endolit

@endolith Dzięki Endolith, zamieściłem tutaj naszą poprzednią wymianę, a także link. Ten post wzbudził moje zainteresowanie, ale dalsze czytanie mojej książki nie wyjaśniło jej. : - / Sprawdzę DUET.
Spacey,

1
@endolith Jeszcze jedno - rodzi to pytanie, gdzie dokładnie można korzystać z ICA w praktycznych zastosowaniach. Dla mnie w obecnej postaci będzie on całkowicie bezużyteczny dla dowolnej aplikacji przestrzennej (gdzie masz wiele czujników) z powodu opóźnienia. Jeśli tak jest, to gdzie ICA uważa płodność?
Spacey,

1
@Mohammad Przydałby się artykuł „ŁĄCZENIE DEKORRELACJI ED Z OPÓŹNIENIEM CZASU ORAZ ICA: W KIERUNKU ROZWIĄZYWANIA PROBLEMU Z PARTNEREM KOKTAILOWYM” może być pomocny. Zgaduję, że próbujesz rozdzielić głośniki. Ten problem można znaleźć w literaturze jako wielokanałowa ślepa dekonwolucja. Jestem również zainteresowany problemem, który opisałeś powyżej, jeśli chcesz, możesz skontaktować się ze mną na adres e-mail w moim profilu.
TwoSan

@TwoSan Dzięki, sprawdzę cię, a także wysłałem Ci e-mailem.
Spacey

Odpowiedzi:


3

Jednym z najbardziej udanych zastosowań ICA było badanie elektrofizjologii (tj. Aktywności mózgu), głównie EEG (elektroencefalografia) i MEG (magnetoencefalografia). Służą do usuwania artefaktów (takich jak impulsy elektryczne spowodowane ruchami mięśni (mrugnięcia oczami itp.)) Bez potrzeby stosowania kanałów odniesienia. W tym zastosowaniu odstępy przestrzenne między czujnikami są niewielkie w porównaniu z prędkością propagacji fal, i jako takie skutecznie spełniają założenia ICA.

W przypadku fMRI, który opiera się na przepływie krwi w mózgu, kwestia opóźnienia czasowego jest bardziej znacząca. Jedno podejście, podjęte w artykule ICA wrażliwym na opóźnienia. Niezależna od grupy analiza składowa danych fMRI w dziedzinie częstotliwości czasowej przez Calhoun i wsp. (2003) podjęła próbę rozwiązania tego problemu, dokonując oszacowania opóźnienia czasowego w każdym wokselu, a następnie wykorzystując to jako informację wstępną w zmodyfikowanym ICA. Może coś takiego może być zastosowane w Twojej domenie?


Dzięki za post tdc, który jest interesujący i ma sens - w przypadku EEG (aplikacja przestrzenna) mierzone kształty fali to siły pola elektrycznego, które poruszają się z prędkością światła (lub blisko niego), na odległości, które są bardzo mały (w poprzek głowy) w stosunku do prędkości przebiegów.
Spacey,

1
1λ12λλ

1
Jeśli weźmiesz prędkość dźwięku dla typowego dnia na 332 m / s i przykładową częstotliwość 111 Hz, będzie to równoznaczne z długością fali ~ 3m. Jeśli masz dwa czujniki, z których jeden znajduje się w odległości 3 m od źródła, a drugi w odległości 4,5 m, oba sygnały będą całkowicie poza fazą. W tym scenariuszu spodziewam się, że ICA okropnie zawiedzie. Jeśli jednak dwa czujniki znajdują się, powiedzmy, 3 m i 3,01 m od źródła, prawdopodobnie zadziałałoby. Samo stwierdzenie separacji czujników nie wystarczy - musisz wiedzieć, jak daleko będą (typowe) źródła od czujników, abyś mógł
obliczyć
Korzystając z naszej strony potwierdzasz, że przeczytałeś(-aś) i rozumiesz nasze zasady używania plików cookie i zasady ochrony prywatności.
Licensed under cc by-sa 3.0 with attribution required.