Unabhängige Komponentenanalysen mit einem erweiterten Infomax-Algorithmus für gemischte Subgaussian- und Supergaussian-Quellen

Eine Erweiterung des Infomax-Algorithmus von Bell und Sejnowski (1995) wird vorgestellt, die in der Lage ist, blind gemischte Signale mit sub- und supergaussianen Quellverteilungen zu trennen. Dies wurde erreicht durch die Verwendung einer einfachen Art von Lernregel, die erstmals von Girolami (1997) abgeleitet wurde, indem Negentropie als Index für die Projektionssuche gewählt wurde. Parametrisierte Wahrscheinlichkeitsverteilungen, die sub- und supergaussianen Regime haben, wurden verwendet, um eine allgemeine Lernregel abzuleiten, die die einfache Architektur bewahrt, die von Bell und Sejnowski (1995) vorgeschlagen wurde, die mit dem natürlichen Gradient von Amari (1998) optimiert wird und die Stabilitätsanalyse von Cardoso und Laheld (1996) nutzt, um zwischen sub- und supergaussianen Regimen zu wechseln. Wir demonstrieren, dass der erweiterte Infomax-Algorithmus in der Lage ist, 20 Quellen mit einer Vielzahl von Quellverteilungen leicht zu trennen. Angewendet auf hochdimensionale Daten aus elektroenzephalographischen Aufzeichnungen ist er effektiv darin, Artefakte wie Augen-Blinzeln und Leitungsrauschen von schwächeren elektrischen Signalen zu trennen, die aus Quellen im Gehirn entstehen.