Hvad er Independent Component Analysis?

Independent Component Analysis (ICA) er en statistisk og computerteknisk teknik til at afsløre skjulte faktorer, der ligger til grund for sæt af tilfældige variabler, målinger eller signaler.

ICA definerer en generativ model for de observerede multivariate data, som typisk er givet som en stor database af prøver. I modellen antages datavariablerne at være lineære blandinger af nogle ukendte latente variabler, og blandingsystemet er også ukendt. De latente variabler antages at være ikke-gaussiske og gensidigt uafhængige, og de kaldes de uafhængige komponenter af de observerede data. Disse uafhængige komponenter, også kaldet kilder eller faktorer, kan findes ved hjælp af ICA.

ICA er overfladisk set beslægtet med hovedkomponentanalyse og faktoranalyse. ICA er imidlertid en langt mere kraftfuld teknik, som er i stand til at finde de underliggende faktorer eller kilder, når disse klassiske metoder svigter fuldstændigt.

De data, der analyseres ved ICA, kan stamme fra mange forskellige slags anvendelsesområder, herunder digitale billeder, dokumentdatabaser, økonomiske indikatorer og psykometriske målinger.I mange tilfælde er målingerne givet som et sæt parallelle signaler eller tidsserier; udtrykket blind kildeadskillelse anvendes til at karakterisere dette problem. Typiske eksempler er blandinger af samtidige talesignaler, der er blevet opfanget af flere mikrofoner, hjernebølger, der er optaget af flere sensorer, interferingradiosignaler, der ankommer til en mobiltelefon, eller parallelle tidsserier, der er opnået fra en industriel proces.

Yderligere oplysninger om ICA kan findes under følgende links:

Kort forklaring Tutorial paper (også på japansk)

og især:

Independent Component Analysis (analyse af uafhængige komponenter): The Book

For at udføre ICA på dine data kan du måske bruge

FastICA MATLAB-pakken