คำถามติดแท็ก ica

ฉันกำลังพยายามใช้ตัวกรอง IIR อันดับที่ 8 และบันทึกย่อของแอปพลิเคชันและหนังสือทุกเล่มที่ฉันได้อ่านบอกว่ามันเป็นการดีที่สุดที่จะใช้ตัวกรองลำดับที่สองมากกว่านั้นเป็นส่วนที่สอง ฉันใช้tf2sosMATLAB เพื่อรับค่าสัมประสิทธิ์สำหรับส่วนที่สองซึ่งทำให้ฉันมีค่า 6x4 coeffs สำหรับส่วนของคำสั่งที่สอง 4 ตามที่คาดไว้ ก่อนการใช้งานเป็น SOS ตัวกรองลำดับที่ 8 จำเป็นต้องเก็บค่าตัวอย่าง 7 ค่าก่อนหน้า (และค่าเอาต์พุตด้วย) ตอนนี้เมื่อดำเนินการตามลำดับส่วนที่สองโฟลว์ทำงานอย่างไรจากอินพุตไปยังเอาต์พุตฉันต้องเก็บค่าตัวอย่างก่อนหน้านี้เพียง 2 ค่าหรือไม่ หรือผลลัพธ์ของตัวกรองตัวแรกป้อนเช่นเดียวx_inกับตัวกรองที่สองและอื่น ๆ ?

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 

ขั้นตอนที่เหมาะสมสำหรับการประมวลผลสัญญาณของฉันล่วงหน้าเพื่อดำเนินการวิเคราะห์ส่วนประกอบอิสระ (ICA) ในภายหลังคืออะไร? ฉันเข้าใจวิธีที่แม้ว่าคำอธิบายเพิ่มเติมของที่ไม่เจ็บ แต่ฉันสนใจมากขึ้นในสาเหตุ

17 preprocessing  ica 

การนำ ICA ไปใช้โดยทั่วไปสำหรับการแยกสัญญาณNNNออกเป็นส่วนประกอบของพวกเขาMMMต้องการให้สัญญาณถูกสันนิษฐานว่าเป็นส่วนผสมที่เป็นเชิงเส้นในทันทีของแหล่งที่มา คำอธิบายทั้งหมดของ ICA ที่ฉันเจอดูเหมือนจะยอมรับความจริงที่ว่าแหล่งสัญญาณทั้งหมดมีอยู่บ้างในการผสมสัญญาณ ทั้งหมดMMMNNN คำถามของฉันคืออะไรถ้าแหล่งสัญญาณมีอยู่ในบางส่วนเท่านั้น แต่ไม่ใช่สัญญาณผสมทั้งหมด? MMM สถานการณ์นี้ละเมิดสมมติฐานพื้นฐานที่จำเป็นสำหรับ ICA เพื่อให้สามารถแยกสัญญาณเหล่านี้ได้หรือไม่? (สมมติว่าเพื่อเหตุผลของการโต้แย้งว่าเรากำลังเผชิญกับระบบที่สมบูรณ์หรือไม่สมบูรณ์ (หรือ ) และสัญญาณแต่ละแหล่งนั้นมีความเป็นอิสระทางสถิติจากกัน)N = M MN>MN>MN>MN=MN=MN=MMMM การนำไปใช้ที่ฉันกำลังพิจารณาใช้ ICA สำหรับซึ่งในสถานการณ์นี้เกิดขึ้นมีดังต่อไปนี้: ฉันมีข้อมูลจากเซ็นเซอร์ 4 ชนิดที่แตกต่างกันแต่ละตัวมีจำนวนช่องสัญญาณแตกต่างกัน โดยเฉพาะฉันมีข้อมูล EEG 24 ช่องข้อมูลของ electrooculographic (EOG) 3 ช่องข้อมูล EMG 4 ช่องและข้อมูล ECG 1 ช่อง ข้อมูลทั้งหมดจะถูกบันทึกพร้อมกัน ฉันต้องการระบุการมีส่วนร่วมของสัญญาณ ECG, EMG และ EOG ภายในข้อมูล EEG เพื่อให้สามารถลบออกได้ ความคาดหวังคือสัญญาณ …

16 ica  eeg  separability 

ฉันกำลังสร้างสัญญาณที่แตกต่างกันโดยใช้ Matlab ผสมพวกเขาโดยการคูณพวกเขาโดยการผสมเมทริกซ์ A และจากนั้นพยายามที่จะได้รับกลับมาสัญญาณเดิมใช้FastICA จนถึงตอนนี้สัญญาณที่กู้คืนมานั้นแย่มากเมื่อเทียบกับสัญญาณดั้งเดิมซึ่งไม่ใช่สิ่งที่ฉันคาดไว้ ฉันพยายามดูว่าฉันทำอะไรผิดหรือเปล่า สัญญาณที่ฉันกำลังสร้างมีดังต่อไปนี้: 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)+ …

14 matlab  ica  statistics  independence 

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 แต่ยังs1(n)s1(n)s_1(n)sensor1sensor1sensor_1s1(n)s1(n)s_1(n)sensor2sensor2sensor_2ที่ความล่าช้าหรือความต่างเฟส วิธีที่ฉันเห็นมันเป็นสิ่งที่หลีกเลี่ยงไม่ได้ในร่างกาย ... เป็นไปได้อย่างไรว่านี่ไม่ใช่แบบจำลองในเมทริกซ์ผสม? ดูเหมือนว่าความล่าช้าจะสร้างความแตกต่างอย่างมาก เราไม่ได้พูดถึงชุดค่าผสมเชิงเส้นอย่างง่ายอีกต่อไปแล้ว ICA …

12 ica 

ฉันได้เขียนโปรแกรมเพื่อทำการ FastICA บนไฟล์สเตอริโอ WAV โดยใช้รหัสในตัวอย่าง Python MDP FastICA ด้วยตัวอย่างเสียงฉันได้ผลลัพธ์ที่ดีมาก จากนั้นฉันพยายามบันทึกโลกแห่งความจริงโดยใช้ไมโครโฟนโมโนคอมพิวเตอร์สองเครื่องเชื่อมต่อกับไมโครโฟนสเตอริโอในพีซีของฉันโดยเชื่อมต่อ mic 1 ถึง L channel และ mic 2 ถึง R channel ฉันทดสอบด้วยการเล่นดนตรีที่พื้นหลังขณะที่ฉันกำลังพูดคุยในห้องที่เงียบสงบ อย่างไรก็ตามการรัน FastICA ไม่ได้เป็นการแยกสัญญาณเลย เป็นไปได้หรือไม่ที่คุณภาพของไมโครโฟนต่ำเกินไป? ฉันต้องทำสิ่งใดกับไฟล์ WAV ที่บันทึกไว้ (16 บิต, PCM ที่ลงนาม, 44100Hz) ก่อนที่จะเรียกใช้ FastICA หรือไม่ คุณสามารถดาวน์โหลดบันทึกที่นี่

12 ica  python 

ฉันเข้าใจ (ส่วนใหญ่) การวิเคราะห์องค์ประกอบอิสระ (ICA) ทำงานบนชุดสัญญาณจากประชากรหนึ่ง แต่ฉันไม่สามารถทำงานได้หากการสังเกตของฉัน (เมทริกซ์ X) รวมสัญญาณจากประชากรสองคนที่แตกต่างกัน (มีวิธีการที่แตกต่างกัน) และฉัน ฉันสงสัยว่านี่เป็นข้อ จำกัด ที่แท้จริงของ ICA หรือไม่ถ้าฉันสามารถแก้ไขได้ สัญญาณของฉันแตกต่างจากประเภททั่วไปที่กำลังวิเคราะห์ว่าเวกเตอร์แหล่งที่มาของฉันสั้นมาก (เช่น 3 ค่ายาว) แต่ฉันมีข้อสังเกตจำนวนมาก (เช่น 1,000 ข้อ) โดยเฉพาะฉันวัดฟลูออเรสเซนต์ใน 3 สีซึ่งสัญญาณฟลูออเรสเซนต์ที่กว้างสามารถ "กระจาย" เข้าไปในเครื่องตรวจจับอื่น ๆ ฉันมีเครื่องตรวจจับ 3 ตัวและใช้ฟลูออโรฟอเรส 3 ตัวกับอนุภาค ใคร ๆ ก็คิดว่านี่เป็นสเปคตรัมความละเอียดต่ำมาก อนุภาคฟลูออเรสเซนต์ใด ๆ อาจมีจำนวนฟลูออโรฟอร์ฟใด ๆ อย่างไรก็ตามฉันมีกลุ่มของอนุภาคผสมซึ่งมีแนวโน้มที่จะมีความเข้มข้นของฟลูออโรฟอสเข้มข้นค่อนข้างชัดเจน ตัวอย่างเช่นชุดหนึ่งโดยทั่วไปอาจมีจำนวน # 1 fluorophore และ fluorophore # …

10 ica 

ฉันหมายถึงเอกสารต่อไปนี้: การวัดชีพจรเต้นของหัวใจโดยอัตโนมัติแบบไม่ต้องสัมผัสโดยใช้การถ่ายภาพวิดีโอและการแยกแหล่งกำเนิดตาบอด ในบทความข้างต้นผู้เขียนสามารถสกัดสัญญาณการเต้นของหัวใจออกจากส่วนประกอบ RGB ฉันลองนึกภาพกระบวนการดังต่อไปนี้ R' = R + cardiac pulse G' = G + cardiac pulse B' = B + cardiac pulse R ', G' และ B 'เป็นองค์ประกอบสีที่สังเกตได้จากกล้อง R, G, B เป็นส่วนประกอบของสีสำหรับบุคคลโดยสมมติว่าเขาไม่มีชีพจรการเต้นของหัวใจ ดูเหมือนว่าเราจะมี 4 แหล่ง (R, G, B, ชีพจรเต้นของหัวใจ) ตอนนี้เรากำลังพยายามได้รับ 1 ใน 4 แหล่งที่มา (Cardiac Pulse) จาก 3 สัญญาณผสม …

10 ica  source-separation