盲源分离几类主流算法的优缺点？在不同应用领域（语音、雷达、医学、EEG、PPG）的算法有什么区别？

临床医师

像独立成分分析、非负矩阵分解、神经网络、波束形成等这些算法都能达到什么效果？处理不同种类的信号哪种算法效果比较好或者不好(比如NMF对语音分离的效果就不好)?还有那些未解决的难题？对于语音信号工业界好像有没有较好的解决方案？

原文地址：https://www.zhihu.com/question/279571274

清风寡欲

前文我们简单介绍了离线参考的原理与必要性（EEG理论简介—离线参考），但离线参考的选择并不固定，常见的离线参考有：全脑平均、双侧乳突、单侧乳突、鼻尖参考、零参考（REST）等。我们之后将依次介绍这些参考的原理及优缺点。
全脑平均，也被称为平均参考，是ERP 处理中极为常用的一种离线参考手段。简单而言，就是重参考时使用所有活动电极的平均值。本文我们将重点对全脑平均的工作方式以及优点进行介绍。在下一篇推送中将介绍全脑平均的缺点及局限性，以便大家了解在何种情况下选取全脑平均作为离线参考。感兴趣的同学记得点击上方蓝字（熊抱心理影像）关注我们。首先，我们对全脑平均的原理进行讲解。如图所示的脑电记录中，在线参考为左侧乳突（Lm），重参考采用全脑平均，即上述11个电极点的平均值。为了简单起见，我们假设数据只记录了中线的11个电极点，并按照中央对称的方式设定了这11个点所记录的电压值（1μV-6μV）。




图A和D显示了11个电极点的绝对电压 (理论电压)。图B和E则显示了以Lm为在线参考的原始数据（即放大器记录的电压）。图C和F则是全脑平均以后的电压值。在A、B、C三个图中，我们假设Lm处的绝对电压为0。在这种情况下，EEG放大器记录的电压完全等于绝对电压，因为在线参考就是每个活动电极减去0 μV (Lm处的电压，即图B)。图C显示的是这种情况下每个记录电压减去所有记录电压的平均值(3.27 μV)，即全脑平均参考以后的每个点的电压值。但在实际情况中，在线参考Lm的电压不为0。我们假设Lm是2 μV 。这时，对于使用Lm参考记录的数据，所有的值都减少了2 μV（图E所示）。但当我们使用平均参考后，将得到一个与之前相同的结果（图F所示）。
明白了平均参考的具体操作以后，我们可以总结出全脑平均的一些优点：
操作方便：只需要提取已记录活动电极电压的平均值即可，受设备或硬件的限制较小。
例如：鼻尖参考往往需要设备单独配备一个活动电极来记录鼻尖附近的电压。在部分设备上同样需要单独增加M1（TP9）和M2（TP10）来完成双侧乳突平均。
无偏向性：只要记录的电极点左右对称，全脑平均不会导致因参考产生左右半球差异。
例如：单侧乳突参考往往会导致左右半球激活差异，而这种差异并非脑活动的差异，而是由参考位置导致的。
噪音最小化：全脑平均采用了大量点进行平均，会更好的抵消掉电极中随机产生的噪音。这也是全脑平均受欢迎的原因之一。但该优点需要记录足够数量的活动电极才能得以体现，如果导联是32导以下，则不一定能做到噪音最小化。
例如：使用双侧乳突参考时，M1（TP9）和M2（TP10）中有一个噪音较大，就可能导致参考失效。而全脑平均中某个电极噪音大时，产生的影响就会得到控制（电极点足够多为前提）。
成分放大均衡：全脑平均采用了大量电极进行平均，这使得不会存在某个脑活动所产生的波形因为离参考点过近而减弱。
例如：如果我们想重点考察颞叶附近产生波形，这时双侧乳突参考可能会导致颞叶附近波形放大不明显。
然而，全脑平均并不是万能的。正如文中提到的，全脑平均的一些优点受到活动电极数量限制，如果数量不足这些同样会成为全脑平均的缺点。因此了解全脑平均的局限与了解全脑平均的优点同样重要，这一部分我们将在下一篇文章中详细介绍。
欢迎大家关注熊抱，如果大家还有什么关于EEG和E-prime想了解的内容，可以跟我们留言，我们将根据大家的专注调整公众号的内容~

~点关注~不迷路~
熊抱心理影像传递最新心理学资讯，分享科研心得，探讨数据挖掘，将复杂的知识简单化!关注熊抱心理影像，拥抱更好的自己!

队长是我

重点说单通道盲源分离。首先，什么是盲源分离？
盲源分离指在源信号的先验信息和信道传输参数均未知的情况下，仅利用传感器接收到的观测信号来恢复出源信号的过程。 “盲”有两重含义: 其一是信源的统计分布特性未知，其二是信道的混合系数未知。
其次，单通道盲源分离大致有几种？
根据源信号数目和观测信号数目的关系，可以将盲源分离分为超定盲源分离( 观测信号数目大于源信号数目) 、适定盲源分离( 观测信号数目等于源信号数目) 和欠定盲源分离( 观测信号数目小于源信号数目) 三 类。其中，单通道盲源分离是欠定盲源分离的一种极端情况。
单通道盲源分离是指利用单个接收传感器来接收观测信号，并且只利用这一路观测信号来恢复出各个源信号的过程。单通道盲源分离需要利用较少的量去估计较多的量，这是一个病态的问题，解决起来极其困难。与具有两路以上观测信号的欠定盲源分离相比，单路观测信号的盲分离在处理方法上已经发生了本质的变化，因为基于矩阵表示的数学模型和相应的分析方法已不再适用。 对于单通道盲源分离技术的研究，需要在信号展开、滤波或者借助其它理论工具等方向上探索解决这一问题。由于单通道盲源分离可供直接利用的信息较少，需要充分挖掘并利用信号的不同潜在特性，包括信号的时域特性、频域特性以及统计特性等，目前利用信号的这些潜在特性来解决单通道盲分离问题的理论研究与发展还尚未成熟。与适定或超定盲源分离技术相比，单通道盲源分离技术所需要的硬件设备大幅度减少，系统成本大为降低。
重点：由于单通道盲源分离问题比较特殊，分离算法一般会依赖于源信号本身的一些特性，目前还没有一种算法可以解决任何情况下的单通道盲源分离问题。
将单通道转换为多通道的方法
比如经验模态分解等算法，在构造多通道的方法中，另一类思想是根据小波理论，将单通道接收信号进行小波或小波包分解，构造多路虚拟观测信号，然后结合传统的超定盲分离算法估计出源信号。在此类方法中，小波基的合适选取将直接影响到算法的分离效果。
变换域滤波方法
比如循环谱变换以及脉冲相关自适应滤波器等等。
稀疏分解表示方法
稀疏化处理的基本方法是采用时频线性变换对欠定多路信号进行稀疏处理，然后通过聚类的方法实现对混合矩阵的估计，在最大后验概率准则下实现分离。
多参数联合估计方法
对于单通道盲源分离问题，由于获得的信息量极少，需要从仅有的一路混合信号中充分挖掘出可用信息，必要时需要由混合信号来估计源信号的参数，如码速率和载频等，从而利用估计出的参数作为先验信息为信号的分离服务，因此有必要研究单通道情况下信号参数估计方法。
基于有限符号集特征的估计方法
基于有限符号集特征的估计方法依据这样的一个事实，即通信信号具有有限符号集特征，可以用序列符号和参数进行准确描述，因此可采用序列检测和联合参数估计的思想来实现单通道混合信号的盲分离。
遇到的挑战
1) 大多数文献中，源信号数目均为假设条件， 一般假设为两个源信号的混合，对于源信号数目准 确估计问题并未深入讨论，而且在信号分量数目较多的情况下算法的普适性有待研究。
2) 现有的单通道盲分离算法在计算复杂度方面有待进一步改善． 虽然很多文献中都在降低算法复杂度方面做了大量的工作，但总体上算法的复杂度还是偏高，对于包含两个信号分量以上的混合信号，算法更为复杂，缺乏实用价值。
3) 大多数算法需要提供训练样本进行信道估计，有些还对训练样本有特殊要求，并非真正意义上的全盲;
4) 对信噪比要求较高，无法保证在低信噪比条件下算法的性能。现在很多提出的算法都是在假设无噪声的情况下或把噪声看作一个独立源信号的前提下进行的，这与实际信号传输环境不符。
学术上比较有前途的方法当时是深度学习信号盲源分离了

清风寡欲

如果信号是瞬时混合，也就是信号是通过前面乘以一个系数混合的，那么这时候是可以通过ICA分离，算法的假设是信号之间独立，ICA会遇到尺度和排序的模糊。但在对于宽带信号，模型一般都是卷积上去的，这时候就要在每个频率上单独做ICA，由于之前的排序模糊，因此还要做排序，这里就有很多算法了，都是FD-ICA。后面有人提出每个信号频率间有关系，将模型建立成向量，有效避免了排序模糊，这就是IVA。而NMF最早是针对于单通道，信号具有稀疏性，且功率谱非负，后面也拓展到多通道NMF。而波束形成做分离第一个任务就是要做DOA估计，如果DOA已知，这就不是盲分离了，后面接LCMV或者MVDR，一般都是用自适应的波束形成器去做

继续前进

波束形成应用于多麦克风的情况，通过信号的相位差计算声波入射角，接收某些角度范围内的信号，抑制来自其它角度的信号，常用的算法有GSC, MVDR等

同花顺

ICA 独立分量分析  应对鸡尾酒会问题而提出