ICA จัดการกับความล่าช้าอย่างหลีกเลี่ยงไม่ได้ในสัญญาณอย่างไร

ฉันกำลังอ่านและสอนตัวเอง ICA จากแหล่งข้อมูลที่ดีจำนวนมาก (ดูโพสต์นี้สำหรับบริบทที่ผ่านมาด้วย) ฉันมีปัญหาพื้นฐาน แต่มีบางอย่างที่ฉันไม่ชัดเจน

สำหรับสถานการณ์ที่มีสัญญาณจำนวนมากกำลังติดตั้งเซ็นเซอร์เชิงพื้นที่หลายตัว (แน่นอนว่ามีจำนวนเซ็นเซอร์> = จำนวนสัญญาณ) เป็นสิ่งที่หลีกเลี่ยงไม่ได้ที่เซ็นเซอร์ตัวใดตัวหนึ่งสัญญาณทั้งหมดที่มาถึงจะมีความล่าช้า / เฟสต่างกัน ชดเชยที่เกี่ยวข้องกับพวกเขาเมื่อเทียบกับที่มาถึงเซ็นเซอร์ที่แตกต่างกัน

เท่าที่ฉันรู้รูปแบบสัญญาณสำหรับ ICA เป็นเมทริกซ์ผสมแบบเรียบง่ายซึ่งพลังงานทั้งหมดที่มาถึงเซ็นเซอร์ตัวใดตัวหนึ่งนั้นไม่ได้เป็นแบบจำลองอะไรเลยนอกจากการรวมเชิงเส้นอย่างง่ายของสัญญาณอื่น ๆ ที่น่าสนใจทั้งหมด เซ็นเซอร์ทุกตัวมีค่าสัมประสิทธิ์การรวมเชิงเส้นต่างกันที่เกี่ยวข้อง จนถึงตอนนี้ดีมาก

สิ่งที่ผมไม่เข้าใจคือว่าย่อมมีกำลังจะไปในความเป็นจริงจะเป็นบางส่วนล่าช้า / เฟสชดเชยในหมู่สัญญาณของแต่ละบุคคลที่เดินทางมาถึงเซ็นเซอร์ของแต่ละบุคคลที่แตกต่างจากคนอื่น นั่นคืออาจจะมาถึงที่s E n s o R 1ในบาง 0s เวลาขณะเดียวกันs 1 ( n )มาถึงที่s E n s o R 2จาง แต่ยัง$s_1(n)$$sensor_1$$s_1(n)$$sensor_2$ที่ความล่าช้าหรือความต่างเฟส วิธีที่ฉันเห็นมันเป็นสิ่งที่หลีกเลี่ยงไม่ได้ในร่างกาย

... เป็นไปได้อย่างไรว่านี่ไม่ใช่แบบจำลองในเมทริกซ์ผสม? ดูเหมือนว่าความล่าช้าจะสร้างความแตกต่างอย่างมาก เราไม่ได้พูดถึงชุดค่าผสมเชิงเส้นอย่างง่ายอีกต่อไปแล้ว ICA จัดการกับสิ่งนี้อย่างไร ฉันพลาดอะไรบางอย่างที่นี่?

ฉันควรเพิ่มเป็นภาคผนวกด้วยหาก ICA ไม่สามารถจัดการกับความล่าช้าได้ดังนั้นแอปพลิเคชันใดที่พบว่ามีประโยชน์ เห็นได้ชัดว่ายานอวกาศที่มีเซ็นเซอร์หมด!

ขอบคุณ

หนึ่งในการใช้งานที่ประสบความสำเร็จที่สุดของ ICA คือการศึกษา electrophysiology (เช่นการทำงานของสมอง), EEG (Electroencephalography) และ MEG (Magnetoencephalography) เป็นหลัก พวกเขาจะใช้ในการลบสิ่งประดิษฐ์ (เช่นแรงกระตุ้นไฟฟ้าที่เกิดจากการเคลื่อนไหวของกล้ามเนื้อ (ตากระพริบตา ฯลฯ )) โดยไม่จำเป็นต้องมีช่องทางอ้างอิง ในแอปพลิเคชันนี้การแยกเชิงพื้นที่ระหว่างเซ็นเซอร์นั้นใช้เวลาไม่กี่นาทีเมื่อเทียบกับความเร็วในการแพร่กระจายของคลื่นและเป็นไปตามสมมติฐานของ ICA ที่มีประสิทธิภาพ

สำหรับ fMRI ซึ่งอาศัยการไหลเวียนของเลือดในสมองปัญหาความล่าช้าทางโลกมีความสำคัญมากกว่า วิธีการหนึ่งที่ใช้ในเอกสารแฝง (ใน) ICA ที่ละเอียดอ่อน การวิเคราะห์องค์ประกอบกลุ่มอิสระของข้อมูล fMRI ในโดเมนความถี่ชั่วคราวโดย Calhoun et al (2003)พยายามที่จะแก้ปัญหานี้โดยทำการประมาณเวลาหน่วงเวลาในแต่ละ voxel แล้วใช้ข้อมูลนี้เป็นข้อมูลก่อนหน้าใน ICA ที่ได้รับการแก้ไข อาจเป็นไปได้ที่จะใช้สิ่งนี้ในโดเมนของคุณ