Separao Cega de

Fontes
Blind Source Separation

Ivan Britto
Definio do Problema BSS
Exemplo de aplicaes:

Separao de canais de udio

2
Definio do Problema BSS
Exemplo de aplicaes:

Eletrocardiograma
3
 Definio do Problema BSS
Exemplo de aplicaes:

Naxys Deteco de vazamento e monitoramento subsea Vide

o 4
 Definio do Problema BSS
Tipos de Misturas Lineares:

Mistura linear instantnea:

Mistura atenuada e com atraso :
Mistura convolutiva :

5
 Definio do Problema BSS
Dado o seguinte sistema abaixo:

Onde:

H a matriz de mistura e W, a matriz de separao

6
Definio do Problema BSS
Objetivo:

Tendo N fontes desconhecidas misturadas atravs de uma matriz H,

separar as N fontes atravs de uma matriz de separao W,
conhecendo-se os M sinais coletados.

Definies:

Para N>M, o sistema chamado de sobre-determinado

Para N=M, o sistema chamado de determinado
Para N<M, o sistema chamado de sub-determinado

Restries:

No caso ideal , porm devido aos efeitos de permuta e

escalonamento, esta soluo no pode ser garantida

7
Definio do Problema BSS

Ambiguidade de escalonamento e permutao

8
Algoritmos BSS
Sparse Component Analysis
Independent Component
Analysis
Non-Negative Matrix
Factorization
Singular value decomposition
Stationary subspace analysis
Common spatial
.
pattern
.
.

9
Sparse Component Analysis
Idias do SCA:

As fontes so esparsas, ou seja, em alguns

momentos a sinal zero ou muito pequeno
Existe uma grande chance de que em um
determinado instante , apenas uma fonte est
ativa, tornando o sistema mais simples

Considerando um sistema com M=2:

Fazendo somente a fonte ativa no instante temos:

10
 Sparse Component Analysis
Dividindo as duas equaes, temos:

, essa relao a tangente do vetor X

Para um instante , onde somente a fonte :

Assim, temos uma matriz A =,

Reescrevendo a equao original de forma matricial em funo

de A, temos:

,multiplicando a esquerda
por :

11
Sparse Component Analysis
Como determinar o momento que temos apenas
um fonte ?
Como estimar
Existem ostcnicas:
diversas coeficientes da matriz A ?

Temporal Ratio of Mixtures

Time - Frequency Domain
Fourier, uso de wavelet
Varredura de Zibulevsky
Clusterizao hierquica

.
.
.

12
Sparse Component Analysis
TEMPROM: TEMPoral Ratio Of Mixtures

Passos para estimao:

Estgio de Deteco: localizao das fontes
nicas
Estgio de Identificao : Estimativa de A
Estgio de Reconstruo: Recuperao das
fontes

13
Sparse Component Analysis
TEMPROM: TEMPoral Ratio Of Mixtures

Estgio de Deteco

Idias:

Dividir o espao amostral em zonas temporais pequenas

Como visto anteriormente, no momento que somente uma
fonte est ativa, a razo uma constante
Se as duas fontes esto ativas, essa razo varia
A medio da varincia nessas zonas nos d o localizao
das zonas com uma nica fonte: uma varincia pequena
corresponde a essas zonas
Classificar as zonas de acordo com a varincia

14
Sparse Component Analysis

15
Sparse Component Analysis

16
Sparse Component Analysis
TEMPROM: TEMPoral Ratio Of Mixtures

Estgio de Identificao

Idias:

Para cada zona classificada, estimar uma nova coluna

Por exemplo, usando o mtodo de varredura de Zibulevsky,
a idia reside em analisar o histograma angular, procurando
os ngulos do grfico onde h maior densidade de pontos.
Para tal, o mtodo escolhe ngulos-teste (tipicamente em
torno de 200) uniformemente espaados no intervalo [0; ];
no necessrio contemplar o intervalo [; 2], j que uma
reta definida por um ngulo equivale outra reta definida
pelo ngulo .

17
Sparse Component Analysis

Exemplo de grfico de no domnio do tempo

18
Sparse Component Analysis

Problema do mtodo

Achar essas zonas difcil no caso de o espao amostral no

ser esparso o suficiente como, por exemplo, fala humana ou
msica.

Soluo para o problema de pouca esparsidade

Aplicar uma transformada para o domnio da frequncia,
como DFT, wavelet packet, STFT.
Definir as zonas de anlise e seguir o conceito anterior

19
Sparse Component Analysis

Exemplo de grfico de no domnio da transformada

20
Sparse Component Analysis
Exemplo de aplicao no caso subdeterminado:
Karaok
Nesse caso usado uma transformada para o domnio da
Frequncia LI-TIFROM-S.
Primeiro se computa a tranformada Short-Time Fourier
Transform (STFT) das fontes
No estgio de deteco, se localiza as zonas onde uma nica
fonte est ativa (single-source zones)
No estgio de identificao, uma coluna da matriz de
mistura estimada para cada uma das zonas acima e
parmanece apenas a que apresenta a melhor qualidade de
fonte nica.
A recontruo das fontes feita de forma parcial
A contibuio de uma das fontes isolada, no caso, a voz:

21
Sparse Component Analysis
Exemplo de aplicao no caso subdeterminado:
Karaok

Aps separao

Observaes

22
Independent Component Analysis
Idias:

O sistema determinado
Os dados so no-gaussianos
As variveis misturadas X(n) tem mdia zero
Premissa de que os elementos y(n) so estatiscamente
independentes
A avaliao de independncia costuma ser feita por uma
funo de custo escalar, frequentemente a kurtosis:

23
Independent Component Analysis
Considerando:

, onde b um vetor a ser determinado

Podemos escrever y em funo de s

, fazendo = q

Se b uma das linhas da inversa de A, y ser um dos componentes

independentes, nesse caso q ter apenas um componente 1 e os
outros zero.

De acordo com o teorema do limite central, a soma de dois sinais

aleatrios independentes mais gaussiana que os sinais originais.

24
Independent Component Analysis

Teorema do limite central

25
Independent Component Analysis
Variando os coeficientes em q e observando como a distribuio de
varia, y ser mais gaussiano que qualquer , e se torna menos
gaussiano quanto mais se aproxima de uma

Assim, podemos estimar um vetor b que maximize a no-

gaussianidade de y. Esse vetor necessariamente corresponder a ,
que ter apenas um componente diferente de zero.

Distribuio estimada de um
Distribuio de duas variveis compo-nente independente
independentes comparada a den-sidade
gaussiana 26
Independent Component Analysis

Distribuio estimada dos dois

Distribuio da mistura das duas compo-nentes da mistura
variveis independentes comparada a den-sidade
gaussiana
27
Independent Component Analysis
Como medir a no-gaussianidade ?

Atravs da kurtosis, pois para sinais aleatrios gaussianos kurt=0.

Para kurt < 0, o sinal sub-gaussiano e para kurt > 0, o sinal
super-gaussiano

Funo de densidade de uma Funo de densidade uniforme,

distribuio de Laplace, tipicamente tipicamente sub-gaussiana
super-gaussiana 28
Independent Component Analysis
Considerando o vetor q para 2 fontes ,

A kurtosis de y, ser:

Por simplificao assumimos que as kurtoses sero 1, assim

teremos a funo:

Cenrio de otimizao de F(q), onde F(q) constante e crculo unitrio onde

=1
29
Independent Component Analysis
Pr-processamento: Branqueamento

Fazendo o branqueamento do sinal simplificamos os algortmos,

pois q ser igual a, assim , onde , sendo z o vetor misturado
branqueado.
Isso implica que manter q dentro do crculo unitrio tambm
mantm w no crculo unitrio.

Aps o branqueamento podemos aplicar o mtodo do gradiente

para achar a matriz w:

Simplificando,

Depois do ajuste, a matriz w dividida pela norma para se manter

dentro do crculo unitrio. 30
Independent Component Analysis
Fast ICA

Uma forma de se chegar mais rpido a convergncia utilizar o

mtodo Fast ICA, que faz a atualizao de w por:

Sendo que aps cada iterao w dividido por sua norma para se
manter no crculo unitrio.

31