ICA（独立成分分析）方法及应用于视频分析心跳检测

本文整理自论文《Non-contact, automated cardiac pulse measurements using video imaging and blind source separation》及ICA相关资料。

独立成分分析（Independent Component Analysis，ICA），是一种数据驱动的信号分析方法，常用于盲源分离（Blind Source Separation，BSS）。

盲源分离是指在信号的理论模型和源信号无法精确获知的情况下，如何从混迭信号（观测信号）中分离出各源信号的过程。盲源分离和盲辨识是盲信号处理的两大类型。盲源分离的目的是求得源信号的最佳估计，盲辨识的目的是求得传输通道的混合矩阵。

最典型的盲源分离问题是鸡尾酒会问题（Cocktail Party Problem）：给定混合信号，分离出鸡尾酒会中同时说话的每个人的独立信号。

ICA原理

预处理
在进行ICA之前通常对数据进行去均值和白化，使用PCA处理，以保证混合矩阵为正交矩阵，且可将采集信号数目降到与源信号数目相等。

算法目标
源信号$s=[s_1,s_2,...,s_i{]}^T$经过线性组合得到采集信号$x=[x_1,x_2,...,x_i{]}^T$，其混合矩阵记为$W$，即$x=Ws$。假设$W$为满秩矩阵，则存在$W^{\prime }=W^{-1}$使$s$