Resumen

El análisis de componentes independientes (ICA) es una clase de algoritmos ampliamente aplicados para separar las fuentes en los datos de EEG. La mayoría de los enfoques de ICA utilizan criterios de optimización derivados de la independencia estadística temporal y son invariantes con respecto al orden real de las observaciones individuales. Proponemos un método de mapeo de señales reales en un espacio vectorial complejo que tiene en cuenta el orden temporal de las señales y hace cumplir ciertas restricciones de estacionariedad de la mezcla. El procedimiento resultante, que llamamos Análisis de Componentes Independientes Complejos por Pares (PWC-ICA), realiza el ICA en un entorno complejo y luego reinterpreta los resultados en el espacio de observación original. Examinamos el rendimiento de nuestro enfoque candidato en relación con varios algoritmos ICA existentes para el problema de la separación ciega de fuentes (BSS) en datos de EEG reales y simulados. En los datos simulados, PWC-ICA suele ser capaz de lograr una mejor solución al problema de BSS que AMICA, Extended Infomax o FastICA. En datos reales, las interpretaciones dipolares de las soluciones BSS descubiertas por PWC-ICA son físicamente plausibles, son competitivas con los enfoques ICA existentes, y pueden representar fuentes no descubiertas por otros métodos ICA. Junto con este artículo, los autores han publicado una caja de herramientas de MATLAB que realiza PWC-ICA en señales reales con valores vectoriales.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva
• Subjects:Artificial intelligence Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience
• Palabras claves:análisis de componentes independientes, ica, pwc, independencia estadística temporal, separación ciega de fuentes, componentes independientes complejos, orden de la señal, espacio vectorial complejo, datos eeg simulados, clase de algoritmo
• Keywords:independent components analysis, ica, pwc, temporal statistical independence, blind source separation, complex independent components, order of signal, complex vector space, simulated eeg data, class of algorithm