Vad är Independent Component Analysis?

Independent Component Analysis (ICA) är en statistisk och datorteknik för att avslöja dolda faktorer som ligger till grund för uppsättningar av slumpmässiga variabler, mätningar eller signaler.

ICA definierar en generativ modell för observerade multivariata data, som vanligen ges i form av en stor databas av prov. I modellen antas datavariablerna vara linjära blandningar av några okända latenta variabler, och blandningssystemet är också okänt. De latenta variablerna antas vara icke-gaussiska och ömsesidigt oberoende, och de kallas de oberoende komponenterna i de observerade uppgifterna. Dessa oberoende komponenter, även kallade källor eller faktorer, kan hittas genom ICA.

ICA är ytligt sett besläktad med huvudkomponentanalys och faktoranalys. ICA är dock en mycket kraftfullare teknik som kan hitta de underliggande faktorerna eller källorna när dessa klassiska metoder misslyckas helt.

Data som analyseras med ICA kan komma från många olika typer av tillämpningsområden, inklusive digitala bilder, dokumentdatabaser, ekonomiska indikatorer och psykometriska mätningar.I många fall ges mätningarna som en uppsättning parallella signaler eller tidsserier; termen blind källseparation används för att karakterisera detta problem. Typiska exempel är blandningar av samtidiga talsignaler som tagits upp av flera mikrofoner, hjärnvågor som registrerats av flera sensorer, interfererande radiosignaler som anländer till en mobiltelefon eller parallella tidsserier som erhållits från en industriell process.

Mer information om ICA finns under följande länkar:

Short explanation Tutorial paper (även på japanska)

och i synnerhet:

Independent Component Analysis: The Book

För att faktiskt göra ICA på dina data kan du använda

FastICA MATLAB-paketet