我指的是以下论文:使用视频成像和盲源分离的非接触式自动心搏搏动测量

在上面的文章中,作者能够从RGB分量中提取出心搏搏动信号。我尝试将过程可视化如下。

R',G'和B'是相机观察到的颜色分量。 R,G,B是一个人的颜色成分,假设他没有任何心搏。

我们似乎将拥有4个来源(R,G,B,心脏脉冲)。现在,我们正在尝试使用ICA从3种混合信号(R',G',B')中获得4种信号源(心脏脉冲)中的一种。

有意义吗?我是否缺少一些技巧?还是我对该过程做出了错误的假设?

#1 楼

您可能还需要考虑主成分分析(PCA)或它的扩展,即独立子空间分析,即PCA和ICA。这些技术非常适用于从单个观察信号中提取音高平稳信号。我是一名音频专家,但过去曾与同事讨论过生物医学信号,并且从一次观察中收集到的心脏脉搏被很好地表征,因此将是使用ISA提取的合适来源。我用它来将鼓与完整的音乐复音分离开来很有用。

评论


$ \ begingroup $
听起来很有趣。您对ISA有参考吗?从来没有听说过。如果您知道可以在任何地方聆听分离效果的地方,那也会有所帮助。
$ \ endgroup $
– niaren
2011年9月16日18:21

$ \ begingroup $
好信息。这是我第一次听说ISA。会调查一下。
$ \ endgroup $
–Cheok Yan Cheng
2011年9月21日,下午1:37

$ \ begingroup $
@Dan Barry,您有一个有趣的音频相关软件。期待它的发布以尝试:D
$ \ endgroup $
–Cheok Yan Cheng
2011年9月21日,下午1:41

$ \ begingroup $
我知道的ISA的第一个参考资料来自Michael Casey> merl.com/papers/docs/TR2001-31.pdf。然后,德里·菲茨杰拉德(Derry Fitzgerald)开始研究问题> eleceng.dit.ie/papers/25.pdf。另一位著名的研究者Paris Smaragdis在此处提供示例> cs.illinois.edu/~paris/demos
$ \ endgroup $
–丹·巴里
2011年9月21日在8:57

$ \ begingroup $
@Dan Barry,谢谢您提供信息。将经历他们。来自Paris Smaragdis网站的MP3文件似乎不再可用。
$ \ endgroup $
–Cheok Yan Cheng
2011-09-26 3:44

#2 楼

您对该过程做出了错误的假设。在ICA中,混合物的数量必须至少与组分的数量一样多。您引用的论文实际上承认了这一点:


从红色,绿色和蓝色传感器上观察到的这些信号分别用$ x_1(t)$,$ x_2(t)表示$和$ x_3(t)$分别是在时间点$ t $的记录信号的幅度(面部区域中所有像素的平均值)。在传统的ICA中,可恢复源的数量不能超过观测值的数量,因此我们假设了三个基础源信号,分别由$ s_1(t)$,$ s_2(t)$和$ s_3(t)$表示。


$ x_i ^'=(x_i- \ mu_i)/ \ sigma_i $的转换仅是数据的居中和球形化,我将在此站点的另一个答复中对此进行解释。


本文考虑的案例是无噪声的ICA模型和嘈杂的ICA。换句话说,静止时考虑的心率测量(不是您建议的无脉冲模型)是ICA模型:

$$ \ mathbf {x}(t)= \ mathbf {As}( t)$$

其中$ \ mathbf {x} $是观测向量,$ \ mathbf {s} $是基础分量向量,$ \ mathbf {A} $是混合矩阵。

另一方面,运动时的心率测量值可以认为是

$$ \ mathbf {x}(t)= \ mathbf {As}(t) + \ mathbf {n}(t)$$

其中$ \ mathbf {n}(t)$是噪声矢量(在本例中为运动)。

#3 楼

当源比传感器多时,此问题称为ICA过度完成或ICA不确定。你可以谷歌。
您的案例比一个传感器和两个源的案例更容易处理,如果您的模型确实正确,则您已经知道混合矩阵。也许值得进一步研究。
干杯