本文探讨了独立成分分析（ICA）和主成分分析（PCA）在处理混合信号时的区别。ICA旨在通过统计独立且非高斯分布的信号源实现盲源分离，而PCA则通过最大化方差来寻找不相关的信号分量。在脑科学研究中，ICA常用于识别独立的脑电信号源，PCA则用于伪迹校正。两者在应用和目标上有所不同，但都能在特定条件下提供有价值的信息。
关注“心仪脑”查看更多脑科学知识的分享。
独立成分分析（ICA，Independent Component Analysis）
ICA又称盲源分离(Blind source separation, BSS)。用 “鸡尾酒会模型”来做比喻，假设我们在一个音乐厅或者是一个舞会，麦克风放置在舞台各个位置，每个麦克风都会捕获到混合的原始信号（不仅是音乐演奏的声音，还有人的说话声等），有多少个麦克风，就有多少个混合信号。由于每个麦克风放置的位置不同，混合信号在不同的麦克风上也会略有不同。ICA的目标是将混合信号分离提取或重建“纯信号”。
从数学上来说，ICA是一种线性变换。这个变换把数据或信号分离成统计独立的非高斯分布的信号源的线性组合。可以证明，只要源信号非高斯，这种分解是唯一的。
独立成分分析模型：
ICA的目标是通过且仅通过观测信号x来估计混合矩阵A以及源信号s。
因此，通过ICA，我们可以找到不同的脑电信号源活动以及它们的头皮分布。
主成分分析（PCA，Principle Component Analysis）<
最低0.47元/天 解锁文章
扫一扫
3万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
