Sinyal ayırma - Signal separation

Kaynak ayırma , kör sinyal ayırma ( BSS ) veya kör kaynak ayırma , kaynak sinyalleri veya karıştırma işlemi hakkında bilgi yardımı olmadan (veya çok az bilgi ile) bir dizi kaynak sinyalinin bir dizi karışık sinyalden ayrılmasıdır. . Bu en yaygın olarak uygulanan dijital sinyal işleme ve karışımları analizini içerir sinyalleri ; amaç, orijinal bileşen sinyallerini bir karışım sinyalinden kurtarmaktır. Kaynak ayrımı probleminin klasik örneği, bir odada birkaç kişinin aynı anda konuştuğu (örneğin, bir kokteyl partisinde ) ve bir dinleyicinin tartışmalardan birini takip etmeye çalıştığı kokteyl partisi problemidir . İnsan beyni bu tür işitsel kaynak ayırma probleminin üstesinden gelebilir, ancak bu, dijital sinyal işlemede zor bir problemdir.

Bu problem genel olarak yeterince belirlenmemiştir , ancak şaşırtıcı çeşitli koşullar altında faydalı çözümler türetilebilir. Bu alandaki ilk literatürün çoğu, ses gibi zamansal sinyallerin ayrılmasına odaklanır. Bununla birlikte, kör sinyal ayrımı artık rutin olarak , hiçbir zaman boyutu içermeyen görüntüler ve tensörler gibi çok boyutlu veriler üzerinde gerçekleştirilmektedir .

Bu sorunun çözümü için çeşitli yaklaşımlar önerilmiştir, ancak geliştirme şu anda hala devam etmektedir. Daha başarılı yaklaşımlardan bazıları , hiçbir gecikme veya yankı olmadığında iyi çalışan temel bileşen analizi ve bağımsız bileşen analizidir ; yani, sorun büyük ölçüde basitleştirilmiştir. Hesaplamalı işitsel sahne analizi alanı , insan işitme duyusuna dayalı bir yaklaşım kullanarak işitsel kaynak ayrımı sağlamaya çalışır.

İnsan beyni de bu sorunu gerçek zamanlı olarak çözmelidir. İnsan algısında bu yetenek genellikle işitsel sahne analizi veya kokteyl partisi etkisi olarak adlandırılır .

Başvurular

polifonik nota ayırma

Kokteyl partisi sorunu

Bir kokteyl partisinde aynı anda konuşan bir grup insan var. Karışık sinyalleri toplayan birden fazla mikrofonunuz var, ancak tek bir kişinin konuşmasını izole etmek istiyorsunuz. BSS, karışık sinyaller kullanarak ayrı kaynakları ayırmak için kullanılabilir. Gürültünün varlığında, özel optimizasyon kriterlerinin kullanılması gerekir

Görüntü işleme

Şekil 2. BSS'nin görsel örneği

Şekil 2, BSS'nin temel konseptini göstermektedir. Ayrı ayrı kaynak sinyalleri ve alınan sinyaller olan karışık sinyaller gösterilir. BSS, sadece karışık sinyalleri bilerek ve orijinal sinyal veya nasıl karıştırıldıkları hakkında hiçbir şey bilmeden karışık sinyalleri ayırmak için kullanılır. Ayrılan sinyaller, kaynak sinyallerinin yalnızca yaklaşık değerleridir. Ayrılan görüntüler, Python ve Shogun araç kutusu kullanılarak , bağımsız bileşen analizi , ICA'ya dayanan Öz matrislerin Ortak Yaklaşım Köşegenleştirme ( JADE ) algoritması kullanılarak ayrıldı . Bu araç kutusu yöntemi çok boyutlu olarak kullanılabilir, ancak kolay görsel en-boy oranı için görüntüler (2-D) kullanılmıştır.

Tıbbi Görüntüleme

Bu alanda araştırılan pratik uygulamalardan biri manyetoensefalografi (MEG) ile beynin tıbbi görüntülemesidir . Bu tür bir görüntüleme, kafanın iç kısmının doğru bir 3 boyutlu resmini veren baş dışındaki manyetik alanların dikkatli ölçümlerini içerir . Bununla birlikte, deneğin kolundaki bir kol saati gibi harici elektromanyetik alan kaynakları , ölçümün doğruluğunu önemli ölçüde bozacaktır. Ölçülen sinyaller üzerinde kaynak ayırma tekniklerinin uygulanması, sinyalden istenmeyen artefaktların kaldırılmasına yardımcı olabilir.

EEG

Gelen elektroensefalogramda (EEG) ve Manyetoensefalografi (MEG), kas aktivitesi maskeleri parazit beyin aktivitesi arzu edilen sinyali. Bununla birlikte BSS, ikisini ayırmak için kullanılabilir, böylece beyin aktivitesinin doğru bir temsili elde edilebilir.

Müzik

Diğer bir uygulama ise müzikal sinyallerin ayrılmasıdır . Nispeten basit sinyallerin bir stereo miksajı için, bazı artefaktlar kalmasına rağmen, artık oldukça doğru bir ayırma yapmak mümkündür .

Diğerleri

Diğer uygulamalar:

• İletişim
• Stok Tahmin
• Sismik İzleme
• Metin Doküman Analizi

Matematiksel gösterim

BSS'nin temel akış şeması

Ayrı ayrı kaynak sinyalleri kümesi, aşağıdaki gibi bir dizi "karışık" sinyal üretmek için bir matris kullanılarak "karıştırılır" . Genellikle eşittir . Eğer , o zaman denklem sistemi üst belirlenir ve bu nedenle geleneksel bir doğrusal yöntem kullanılarak karıştırılmadan çözülebilir. Eğer sistem gereğinden az ve lineer olmayan bir yöntem, karıştırılmamış sinyalleri elde etmek için kullanılabilecek gerekir. Sinyaller çok boyutlu olabilir. ${\ displaystyle s (t) = (s_ {1} (t), \ noktalar, s_ {n} (t)) ^ {T}}$${\ displaystyle A = [a_ {ij}] \ in \ mathbb {R} ^ {m \ times n}}$${\ displaystyle x (t) = (x_ {1} (t), \ noktalar, x_ {m} (t)) ^ {T}}$${\ displaystyle n}$${\ displaystyle m}$${\ displaystyle m> n}$${\ displaystyle n> m}$

${\ displaystyle x (t) = A \ cdot s (t)}$

Yukarıdaki denklem aşağıdaki gibi etkili bir şekilde "tersine çevrilir". Kör kaynak ayrımı , orijinal sinyallerin bir yaklaşımını "kurtarmak" için "karıştırılmayan" bir matrisin belirlenmesi yoluyla karışık sinyaller kümesini ayırır . ${\ displaystyle x (t)}$${\ displaystyle B = [B_ {ij}] \ in \ mathbb {R} ^ {n \ times m}}$${\ displaystyle y (t) = (y_ {1} (t), \ noktalar, y_ {n} (t)) ^ {T}}$

${\ displaystyle y (t) = B \ cdot x (t)}$

Yaklaşımlar

Sorunun başlıca zorluğu, eksik belirlenmesi olduğundan, kör kaynak ayırma yöntemleri, genellikle, istenen çözümü dışarıda bırakmayacak şekilde olası çözümler kümesini daraltmaya çalışır. Temel ve bağımsız bileşen analizi ile örneklenen bir yaklaşımda, olasılık veya bilgi-teorik anlamda minimum düzeyde ilişkili veya maksimum bağımsız olan kaynak sinyalleri aranır . Negatif olmayan matris çarpanlarına ayırma ile örneklenen ikinci bir yaklaşım, kaynak sinyallere yapısal kısıtlamalar getirmektir. Bu yapısal kısıtlamalar, sinyalin bir üretken modelinden türetilebilir, ancak daha yaygın olarak iyi deneysel performansla doğrulanan buluşsal yöntemlerdir. İkinci yaklaşımda ortak bir teması gibi, sinyal üzerinde düşük karmaşıklık kısıtlamasının bir tür empoze olan kıtlık bazı temel sinyal alanı için. Bu yaklaşım, sinyalin tamamına değil, yalnızca en belirgin özelliklerine ihtiyaç duyulduğunda özellikle etkili olabilir.

Yöntemler

Kör sinyal ayırmanın farklı yöntemleri vardır:

• Temel bileşenler Analizi
• Tekil değer ayrışımı
• Bağımsız bileşen analizi
• Bağımlı bileşen analizi
• Negatif olmayan matris çarpanlara ayırma
• Düşük karmaşıklıkta kodlama ve kod çözme
• Sabit alt uzay analizi
• Ortak mekansal desen

Ayrıca bakınız

• Uyarlamalı filtreleme
• Celemony Yazılım # DNA Direkt Nota Erişim
• Colin Cherry
• Ters evrişim
• Faktör kodları
• Infomax ilkesi
• Segmentasyon (görüntü işleme)
• Konuşma segmentasyonu

Referanslar

Dış bağlantılar

• Bağımsız Bileşen Analizi (ICA) Açıklaması
• Volker Koch tarafından EMG sinyallerini ayrıştırmak için faktör grafiklerinde mesaj geçişini tanıtan öğretici tarzı bir tez
• Kör kaynak ayırma flaş sunumu
• Kör kaynak ayırma ile elektroensefalografik eserlerin giderilmesi