尼古拉斯·普菲斯特;塞巴斯蒂安·魏奇瓦尔德;彼得·伯尔曼;伯恩哈德·舍尔科夫 通过调整成组平稳噪声,增强独立分量分析的鲁棒性。 (英语) Zbl 1446.62172号 J.马赫。学习。物件。 20,第147号论文,50页(2019年). 摘要:我们介绍coroICA公司一种新的独立分量分析算法,该算法将线性混合的多元观测值分解为独立分量,这些独立分量被隐藏的群体平稳混淆所破坏(并呈现出依赖性)。它以一种理论上合理且明确的方式扩展了普通ICA模型,以纳入群体(或环境)混淆。我们表明,我们提出的通用噪声模型允许在其他噪声ICA程序失败的情况下执行ICA。此外,它还可以用于分组数据的应用,方法是调整每组中的不同平稳噪声。我们提出的噪声模型与因果关系有着天然的联系,我们解释了如何将其应用于因果推理。除了我们的理论框架外,我们还提供了一个有效的估计过程,并在温和的假设下证明了分解矩阵的可识别性。最后,我们通过对公开可用的南极冰芯数据和两个EEG数据集的实验,说明了我们的方法在模拟数据上的性能和鲁棒性,提供了听觉和视觉示例,并证明了其对真实场景的适用性。我们提供了一个scikit-learn兼容的pip-installable Python包coroICA公司以及R和Matlab实现,以及https://sweichwald.de/coroICA网址/. 引用于2文件 MSC公司: 62H25个 因子分析和主成分;对应分析 62米10 统计学中的时间序列、自相关、回归等(GARCH) 62页第10页 统计学在生物学和医学科学中的应用;元分析 62页第12页 统计学在环境和相关主题中的应用 62-08 统计问题的计算方法 关键词:盲源分离;因果推理;混杂噪声;群体分析;异构数据;独立成分分析;非平稳信号;稳健性 软件:R(右);EEGLAB公司;Matlab公司;Scikit公司;coroICA公司;蟒蛇 PDF格式BibTeX公司 XML格式引用 \textit{N.Pfister}等人,J.Mach。学习。第20号决议,第147号论文,50页(2019年;Zbl 1446.62172) 全文: arXiv公司 链接 参考文献: [1] P.Ablin、J.-F.Cardoso和A.Gramfort。超越Pham的联合对角化算法。arXiv预印本arXiv:1811.11433v12018。 [2] S.Amari、A.Cichocki和H.H.Yang。一种新的盲信号分离学习算法。神经信息处理系统进展8(NIPS 1995),第757-763页。NIPS基金会,1995年。 [3] A.Back和A.Weigend。独立成分分析首次应用于从股票收益中提取结构。国际神经系统杂志,8(4):473-4841997。 [4] A.Barachant、S.Bonnet、M.Congedo和C.Jutten。基于黎曼几何的多类脑-计算机接口分类。IEEE生物医学工程汇刊,59(4):920-9282012。 [5] C.Beckmann和S.M.Smith。多主体fMRI分析中独立成分分析的张量扩展。神经影像,25(1):294-3112005。 [6] A.J.Bell和T.J.Sejnowski。盲分离和盲反褶积的信息最大化方法。神经计算,7(6):1129-11591995。 [7] A.Belouchrani、K.Abed-Meraim、J.-F.Cardoso和E.Moulines。一种使用二阶统计量的盲源分离技术。IEEE信号处理汇刊,45(2):434-4441997。 [8] B.Bereiter、S.Eggleston、J.Schmitt、C.Nehrbass-Ahles、T.F.Stocker、H.Fischer、S.Kipfstuhl和J.Chappellaz。将EPICA Dome C CO2记录从800 kyr修订为600 kyr。《地球物理研究快报》,42(2):542-5492015。 [9] V.D.Calhoun、T.Adal、L.K.Hansen、J.Larsen和J.J.Pekar。功能性MRI数据的ICA:概述。《独立分量分析和盲信号分离国际研讨会论文集》,第281-288页,2003年。 [10] J.-F.卡多佐。利用高阶矩进行源分离。国际声学、语音和信号处理会议,第2109-2112页,第4卷,1989年5月a。 [11] J.-F.卡多佐。利用高阶统计量对独立分量进行盲辨识。高阶光谱分析研讨会,第157-162页,1989年6月b。 [12] J.-F.Cardoso和A.Souloumiac。非高斯信号的盲波束形成。IEE Proceedings F-雷达和信号处理,140(6):362-3701993。 [13] J.-F.Cardoso和A.Souloumiac。同时对角化的雅可比角。SIAM矩阵分析与应用杂志,17(1):161-1641996·Zbl 0844.65028号 [14] S.Choi和A.Cichocki。从噪声混合物中盲分离非平稳和时间相关源。InNeural Networks for Signal Processing X.2000 IEEE Signal Process Society Workshop会议记录,第405-414页。IEEE,2000年a。 [15] S.Choi和A.Cichocki。噪声混合中非平稳源的盲分离。《电子快报》,36(9):848-8492000b。 [16] S.Choi和A.Cichocki。非平稳源分离的代数微分去相关。《电子快报》,37(23):1414-14152001。 [17] S.Choi、A.Cichocki和A.Belouchrani。二阶非平稳和时间有色源的盲分离。第11届IEEE统计信号处理信号处理研讨会论文集,第444-447页。IEEE,2001年。 [18] P.科蒙。独立成分分析,一个新概念?信号处理,36(3):287-3141994·Zbl 0791.62004号 [19] S.D¨ahne、F.Meinecke、S.Haufe、J.H¨ohne、M.Tangermann、K.-R.M¨uller和V.Nikulin。SPoC:一种将神经元振荡幅度与行为相关参数联系起来的新框架。《神经影像》,2014年第86:111-122页。 [20] A.Delorme和S.Makeig。EEGLAB:一个开源工具箱,用于单次试验脑电图动力学分析,包括独立成分分析。神经科学方法杂志,134(1):9-212004。 [21] A.Delorme、T.Sejnowski和S.Makeig。使用高阶统计和独立分量分析增强EEG数据中伪影的检测。神经影像,34(4):1443-14492007。 [22] A.Delorme、J.Palmer、J.Onton、R.Oostenveld和S.Makeig。独立的脑电图来源是双极性的。PLOS One,2012年2月7日至14日。 [23] D.Ghahremani、S.Makeig、T.Jung、A.Bell和T.Sejnowski。使用三壳球头模型对模拟脑电图进行独立分量分析。技术报告,加利福尼亚州圣地亚哥海军健康研究中心,1996年。 [24] I.Goncharova、D.McFarland、T.Vaughan和J.Wolpow。脑电图的肌电图污染:光谱和地形特征。临床神经生理学,114(9):1580-15932003。 [25] T.Haavelmo。计量经济学中的概率方法。《计量经济学》,12:iii-1151944年·兹比尔0063.01837 [26] R.Hardstone、S.-S.Poil、G.Schiavone、R.Jansen、V.Nikulin、H.Mansvelder和K.Linkenkaer-Hansen。失谐波动分析:神经元振荡的无标度观点。生理学前沿,3:450,2012年。 [27] R.Harshman。PARAFAC程序的基础:解释性多模态因子分析的模型和条件,1970年。 [28] S.Haufe、F.Meinecke、K.G¨orgen、S.D¨ahne、J.-D.Haynes、B.Blankertz和F.Bießmann。多元神经成像中线性模型权重向量的解释。《神经影像》,87:96-1102014年。 [29] P.Hoyer、S.Shimizu、A.Kerminen和M.Palviainen。使用带有隐藏变量的线性非高斯因果模型估计因果效应。国际近似推理杂志,49(2):362-3782008·Zbl 1184.62224号 [30] A.海沃林。独立分量分析的快速稳健定点算法。IEEE神经网络汇刊,10(3):626-6341999。 [31] A.海沃林。使用高斯矩对含噪数据进行快速ICA。InISCAS’99。1999年IEEE电路和系统VLSI国际研讨会论文集,第57-61页。IEEE,1999年。 [32] A.海沃林。基于方差非平稳性的盲源分离:一种基于累积量的方法。IEEE神经网络汇刊,12(6):1471-14742001。 [33] A.海沃林。独立成分分析:最新进展。《皇家学会哲学学报A:数学、物理和工程科学》,371(1984):201105342013·Zbl 1353.62066号 [34] A.Hyv¨arinen和H.Morioka。基于时间对比学习和非线性ICA的无监督特征提取。神经信息处理系统研究进展29(NIPS 2016),第3765-3773页。NIPS基金会,2016年。 [35] A.Hyv¨arinen、J.Karhunen和E.Oja。独立成分分析。John Wiley&Sons,2002年。 [36] A.Hyv¨arinen、K.Zhang、S.Shimizu和P.Hoyer。使用非高斯性估计结构向量自回归模型。机器学习研究杂志,11(5):1709-17312010·Zbl 1242.62097号 [37] P.Ilmonen、K.Nordhausen、H.Oja和E.Ollila。ICA的一个新性能指标:性质、计算和渐近分析。潜在变量分析和信号分离,第229-236页。施普林格,2010年。 [38] G.W.Imbens和D.B.Rubin,《统计、社会和生物医学科学因果推断》。剑桥大学出版社,2015年·Zbl 1355.6202号 [39] 政府间气候变化专门委员会。2013年气候变化——物理科学基础。剑桥大学出版社,2014年。 [40] J.Jouzel、V.Masson-Delmotte、O.Cattani、G.Dreyfus、S.Falourd、G.Hoffmann、B.Minster、J.Nouet、J.-M Barnola、J.Chappellaz、H.Fischer、J.C.Gallet、S.Johnsen、M.Leuenberger、L.Loulergue、D.L¨uthi、H.Oerter、F.Parrenin、Raisbeck G.、D.Raynaud、J.Schilt、A.Schwander、E.Selmo、R.Souchez、R.Spahni、B.Stauffer、J.P.Steffensen、,B.Stenni、T.Stocker、J.L.Tison、M.Werner和E.W.Wolff。在过去80万年中,南极的轨道和千年气候变化。《科学》,317(5839):793-7962007。 [41] T.-P.Jung、S.Makeig、C.Humphries、T.-W.Lee、M.Mckeown、V.Iragui和T.Sejnowski。通过盲源分离去除脑电图伪影。心理生理学,37(2):163-1782000。 [42] M.Kleinsteuber和H.Shen。非酉矩阵联合对角化的唯一性分析。IEEE信号处理汇刊,61(7):1786-17962013·Zbl 1393.94303号 [43] Z.J.Koles、M.S.Lazar和S.Z.Zhou。背景脑电图中人群差异的空间模式。脑地形图,2(4):275-2841990。 [44] F.Lotte、L.Bougrain、A.Cichocki、M.Clerc、M.Congedo、A.Rakotomamonjy和F.Yger。基于EEG的脑-机接口分类算法综述:10年更新。神经工程杂志,15(3):0310052018。 [45] H.L¨utkepohl。多时间序列分析新导论。斯普林格科学与商业媒体,2005年·Zbl 1072.62075号 [46] S.Makeig、A.J.Bell、T.P.Jung和T.J.Sejnowski。脑电图数据的独立成分分析。神经信息处理系统进展8(NIPS 1995),第145-151页。NIPS基金会,1995年。 [47] S.Makeig、T.-P.Jung、A.Bell、D.Ghahremani和T.Sejnowski。将听觉事件相关的大脑反应盲分离为独立成分。《国家科学院院刊》,94(20):10979-109841997年。 [48] S.Makeig、M.Westerfield、T.-P.Jung、S.Enghoff、J.Townsend、E.Courchesne和T.Sejnowski。视觉诱发反应的动态脑源。《科学》,295(5555):690-6942002。 [49] K.Matsuoka、M.Ohoya和M.Kawamoto。用于非平稳信号盲分离的神经网络。神经网络,8(3):411-4191995。 [50] M.McKeown、T.-P.Jung、S.Makeig、G.Brown、S.Kindermann、T.-W.Lee和T.Sejnowski。Stroop颜色命名任务期间功能MRI数据中的空间独立活动模式。《美国国家科学院院刊》,95(3):803-8101998a。 [51] M.McKeown、S.Makeig、G.Brown、T.-P.Jung、S.Kindermann、A.Bell和T.-J.Sejnowski。通过盲分离成独立的空间分量来分析功能磁共振成像数据。人脑绘图,6(3):160-1881998b。 [52] J.Miettinen、K.Nordhausen、H.Oja和S.Taskinen。平稳时间序列盲源分离估计的统计特性。《统计与概率快报》,82(11):1865-18732012年·Zbl 1312.62110号 [53] E.Moulines、J.-F.Cardoso和E.Gassiat。使用混合模型对噪声信号进行盲分离和反褶积的最大可能性。1997年IEEE声学、语音和信号处理国际会议,第5卷,第3617-3620页。IEEE,1997年。 [54] K.诺德豪森。非平稳时间序列二阶盲源分离方法的鲁棒性。统计论文,55(1):141-1562014年2月·Zbl 1308.62176号 [55] P.L.Nunez和R.Srinivasan。脑电场:脑电图的神经物理学。牛津大学出版社,2006年。 [56] 朱迪娅·珀尔。因果关系。剑桥大学出版社,2009年第2版·Zbl 1188.68291号 [57] F.Pedregosa、G.Varoqueaux、A.Gramfort、V.Michel、B.Thirion、O.Grisel、M.Blondel、P.Prettenhofer、R.Weiss、V.Dubourg、J.Vanderplas、A.Passos、D.Cournapeau、M.Brucher、M.Perrot和E.Duchesnay。Scikit-learn:Python中的机器学习。机器学习研究杂志,12(10):2825-28302011·Zbl 1280.68189号 [58] J.Peters、P.B–uhlmann和N.Meinshausen。使用不变预测进行因果推断:识别和置信区间。英国皇家统计学会杂志:B辑(统计方法),78(5):947-10122016·Zbl 1414.62297号 [59] J.Peters、D.Janzing和B.Sch¨olkopf。因果推理的要素。麻省理工学院出版社,2017年·Zbl 1416.62012年 [60] Pexels GmbH.Pexels公司。https://www.pexels.com/, 2018. 访问时间:2018-10-30。 [61] D.-T.Pham和J.-F.Cardoso。非平稳源的瞬时混合物的盲分离。IEEE信号处理汇刊,49(9):1837-18482001·Zbl 1369.94262号 [62] D.Rothenh¨ausler、C.Heinze、J.Peters和N.Meinshausen。倒退:从未知换档干预中学习因果循环图。神经信息处理系统进展28(NIPS 2015),第1513-1521页。NIPS基金会,2015年。 [63] S.Shimizu、P.Hoyer、A.Hyv¨arinen和A.Kerminen。因果发现的线性非高斯非循环模型。机器学习研究杂志,7(10):2003-2030,2006·Zbl 1222.68304号 [64] M.Tangermann、K.-R.M¨uller、A.Aertsen、N.Birbaumer、C.Braun、C.Brunner、R.Leeb、C.Mehring、K.Miller、G.M¨luller-Putz、G.Nolte、G.Pfurtscheller、H.Preissl、G.Schalk、A.Schl¨ogl、C.Vidaure、S.Waldert和B.Blankertz。《BCI竞赛综述IV:神经科学前沿》,2012年6月55日。 [65] P.Tichavsky和A.Yeredor。结合权重矩阵的快速近似联合对角化。IEEE信号处理汇刊,57(3):878-8912009·Zbl 1391.94416号 [66] L.Tong、V.C.Soon、Y.F.Huang和R.Liu。AMUSE:一种新的盲识别算法。在IEEE电路和系统国际研讨会上,第1784-1787页。IEEE,1990年。 [67] M.Treder、A.Bahramisharif、N.Schmidt、M.Van Gerven和B.Blankertz。使用由注意力隐蔽转移引起的α活动调制的大脑-计算机接口。《神经工程与康复杂志》,8(1):242011年。 [68] L.Zhukov、D.Weinstein和C.Johnson。脑电信号源定位的独立分量分析。IEEE医学与生物学工程杂志,19(3):87-962000。 [69] 答:。 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。