선형차원축소, 비지도학습, ICA Independent Component Analysis: 신호 분리(Blind Source Separation)

ICA Independent Component Analysis

독립성분 분석,

PCA처럼 차원 축소가 목적이 아니라 서로 섞인 신호를 원래 독립 신호로 분리하는 것이 목적이다 .

차원축소계열로 분류되기도 하지만 사실 진짜 목적 신호분리로 미묘히 다르다. 

 

 

비지도학습
│
├── 군집화
│   ├── K-Means
│   ├── Hierarchical
│   └── DBSCAN
│
├── 차원축소
│   ├── PCA
│   ├── ICA
│   ├── t-SNE
│   └── UMAP
│
├── 연관규칙
│   └── Apriori
│
└── 이상치 탐지
    ├── Isolation Forest
    └── One-Class SVM

 

 

 

방안에서 사람 1, 2, 3 이 동시에 말하고 있다면 마이크 A 는 1+2+3,

마이크 B는 1+0.5+0.2 등으로 세팅할 수 있지않은가.

원래 신호들은 서로 독립적이라는 핵심가정아래 독립성을 최대화해

분산을 최대로하는 PCA와 다르게 독립성을 최대로 해 음악과 사람목소리를 구별한다.

https://standout.tistory.com/1781

선형차원축소, PCA Principal Component Analysis: 가장 기본적인 차원축소

 

 

 

 

아래는 3개의 독립성분을 추출해 분리수행하는 예시코드이다. ICA는 예시로 들었던것과 같이 여러 사람 목소리를 각 사람 목소리로 분리하는, 뇌파데이터에서 눈깜빡임, 근육움직임, 뇌신호등의 뇌파데이터 분리, 혹은 심전도, 잡음제거등의 의료신호처리등에 활용된다.

from sklearn.decomposition import FastICA

ica = FastICA(n_components=3, random_state=42)
X_ica = ica.fit_transform(X)