EL ANLISIS COMPONENTE

INDEPENDIENTE

1 Visin General de Anlisis
Componente Independiente


INTRODUCCION

El objetivo fundamental del Anlisis de Componentes
Independientes (ICA) es el de proporcionar un mtodo que
permita encontrar una representacin lineal de los datos
no gaussianos de forma que las componentes sean
estadsticamente independientes o lo mas independiente
posible. Una representacin de este tipo permite obtener la
estructura fundamental de los datos en muchas
aplicaciones, incluidas la extraccin de caractersticas y la
separacin de seales.
Seguidamente se va a describir el fundamento terico en el
que se basa dicho mtodo, introduciendo a su vez los
conceptos como el anlisis de Componentes Principales
(PCA) o la Separacin Ciega de Fuentes (BSS).
El anlisis Componente Independiente
ICA forma parte de una clase de mtodos ciegos de separacin de la
fuente (BSS) para separar datos en los componentes informativos
subyacentes, donde tales datos pueden plasmarse en, imgenes, sonidos,
canales de telecomunicacin o las acciones de comercializacin de
precios. El trmino "ciego" es pretendido insinuar que tales mtodos
pueden Separar datos en seales de la fuente aun si son muy poco
conocidos acerca de la naturaleza de la fuente de esas seales. Por poner
un ejemplo, una imagine, un dialogo de dos personas al mismo tiempo, en
un cuarto conteniendo dos micrfonos, bosquejados en figura 1.1. Si cada
seal de voz es examinada un perodo de tiempo finito se vuelve diferente
tamao en cualquier punto de tiempo dado, (vea figura 1.2). En
conclusin se tiene que los tamaos de las dos voces son inconexos , son
generados por dos personas diferentes.
















Figura 1.1
ICA en resumidas cuentas. Si dos personas hablan al mismo tiempo en un cuarto conteniendo
dos micrfonos luegoLa salida de cada micrfono es una mezcla de dos seales de voz. Dado
estas dos mezclas de la seal,ICA puede recobrar las dos voces originales de la seal fuente.
Este es solo un ejemplo, ICA puede extraer dos o ms seales (fuentes) de cualquier conjunto
de fuentes (mezclas)

Esta observacin aparentemente mundana es un prerrequisito necesario para entender cmo
ICA explota el hecho de que dos seales, como las voces, de diferentes fuentes fsicas son
independientes. Esto implica que, si las dos seales de voz de diferentes fuentes se muestran
en los paneles superior se examinan en un escala de tiempo, entonces la amplitud de una voz
(parte superior izquierda) en un momento dado no proporciona ninguna informacin con
respecto a la amplitud de la otra voz (arriba a la derecha) en ese momento. Esto puede ser
confirmado grficamente por el trazado de la amplitud de una voz en cada punto de tiempo
contrala amplitud correspondiente de la otra voz (panel inferior). La distribucin resultante de
los puntos no indica ningn patrn obvio, lo que sugiere que las dos seales de voz son
independientes.


Si bien es cierto que dos seales de voz no estn relacionadas, esta
nocin informal puede ser capturada en trminos de estadstica
Independiente.

Si dos o ms seales son estadsticamente independientes
el uno del otro, entonces el valor de una seal no proporciona informacin
sobre el valor delas otras seales.
Antes de considerar cmo ICA funciona, tenemos que introducir algo de
terminologa. Como su nombre sugiere, anlisis de componentes
independientes separa un conjunto de mezclas de seales en un
correspondiente conjunto de seales de componentes estadsticamente
independientes o seales de origen. La mezclas pueden ser sonidos,
seales elctricas, por ejemplo, las seales electroencefalogramas, (EEG) o
imgenes (por ejemplo, los rostros, los datos de la fMRI). La caracterstica
definitoria de las seales extradas es que cada
seal extrada es estadsticamente independiente de todas las otras
seales extradas.

Anlisis de Componentes Independientes y Percepcin

El problema de la separacin ciega de fuentes mediante
anlisis de componentes independientes, por ejemplo, si se
mira un objeto entonces cada receptor de la retina tiene una
salida que es una funcin de varias causas fsicas, incluyendo
la luminancia, la reflexin, la inclinacin, y el movimiento de
la superficie del objeto. ICA tienen el potencial de
proporcionar un modelo riguroso de cmo descomponer esa
percepcin visual.
Separacin
Izquierda: Cada una de cada cinco personas hablando al mismo tiempo genera una seal de
voz fuente independiente. El conjunto de seales de la fuente se denota S. Medio: Si hay
cinco micrfonos entonces la salida de cada micrfono es una mezcla de cinco
seales independientes de origen (es decir, voces). Los (desconocidos) Micrfono, altavoz,
distancias se representan por el proceso de mezcla etiquetada A. El conjunto de mezclas de
seal se denota X .Derecha: ICA extrae cinco componentes independientes a partir del
conjunto de mezclas de seales, donde cada seal extrada es una estimacin de una de las
seales fuente original (es decir voces individuales). El proceso de separacin se denota por
W y las seales de fuente estimadas se denotan Y
Anlisis de Componentes Principales y Anlisis factorial

ICA se relaciona con los mtodos convencionales de anlisis de grandes
conjuntos de datos, como anlisis de componentes principales (PCA) y
anlisis factorial (AF). Considerando que ICA encuentra un conjunto de
seales de fuentes independientes, PCA y FA encuentra un conjunto de
seales con una propiedad mucho ms dbil que la independencia. En
concreto, PCA y FA encuentran un conjunto de seales que no estn
correlacionados unos con otros. Por ejemplo, PCA extrae un conjunto de
seales no correlacionadas a partir de un conjunto de mezclas. Si estas
mezclas eran emitidas por micrfono entonces las seales extradas sera
simplemente una nueva serie de mezclas de voz. En contraste, ICA
extraera un conjunto independiente de seales procedentes de este
conjunto de mezclas, de modo que las seales extradas sera un conjunto
de una sola voz.


Reconocimiento de Rostros.
Izquierda: Cada una de las cuatro caras desconocidas prototipos es una seal
(espacial) fuente independiente. El conjunto de cuatro seales de cdigo se
etiqueta S. Medio: Las caras de cuatro personas cada uno asume que es una
mezcla de diferentes subyacente prototpico caras (izquierda), donde se etiqueta el
proceso de mezcla A. El conjunto de cuatro mezclas de seal est marcado como X.
Derecha: ICA extrae un conjunto de seales, cada una de las cuales es una
estimacin de las seales fuente des conocidas. Este proceso de separacin se
etiqueta W, y es el conjunto de cuatro seales Y.