The objective of this study is to improve the standard independent component analysis when applied to real-world signals. Independent component analysis starts from the assumption that signals from different physical sources are statistically independent. But real-world signals such as EEG, ECG, MEG, and fMRI signals are not statistically independent perfectly. By definition, standard independent component analysis algorithms are not able to estimate statistically dependent sources, that is, when the assumption of independence does not hold. Therefore before independent component analysis, some preprocessing stage is needed.
This paper started from simple intuition that wavelet transformed source signals by “well-tuned” mother wavelet will be simplified sufficiently, and then the source separation will show better results. By the correlation coefficient method, the tuning process between source signal and tunable mother wavelet was executed. Gamma component of raw EEG signal was set to target signal, and wavelet transform was executed by tuned mother wavelet and standard mother wavelets. Simulation results by these wavelets was shown.
이 연구의 목적은 기존의 독립 요소 분석 기법이 뇌파나 심전도, 근전도 등의 실제 신호에 적용했을 때 성능이 저하되는 단점을 보완하는 것이다. 독립 요소 분석 기법은 원신호가 통계적으로 독립이라는 가정 위에 출발한다. 그러나 실제 신호들은 완벽하게 통계적으로 독립이 되기 어렵기 때문에 이를 극복하고자 하는 연구가 많이 진행되어 있는 실정이고, 본 논문에서는 그 극복 방안으로서 원신호에 맞추어진 마더 웨이블릿을 학습하여 웨이블릿 변환 후에 독립 요소 분석을 수행하여 그 중 원하는 신호만을 추출해내는 방법을 제안하였다.
마더 웨이블릿을 원신호에 맞추어 튜닝 또는 학습을 하기 위해서는 마더 웨이블릿 자체가 튜닝이 가능해야 하는데, 기존에 많이 쓰이는 마더 웨이블릿은 이것이 불가능하고, 따라서 튜닝이 가능한 Gabor wavelet 과 Beta wavelet, general harmonic wavelet 을 이용하였다.
본 논문에서 목표 신호로 설정한 뇌파 신호에는 Beta wavelet 이 나은 성능을 보였고, 이 웨이블릿의 튜닝은 목표 뇌파신호와 Beta wavelet 내의 두 가지 변수의 값을 조정하여 가장 높은 상관계수를 보이는 값을 선택하였다.
선택된 마더 웨이블릿을 이용하여 6개의 원신호를 분리하는 시뮬레이션을 수행하였다. 6개의 원신호 이외의 잡음이 없는 경우와, 추가적인 가우시안 잡음을 부과한 3 가지 경우에 대하여 시뮬레이션을 한 결과 잡음이 있는 경우에 기존에 널리 쓰이는 마더 웨이블릿을 이용한 경우보다 Beta wavelet 이 나은 성능을 보여줌을 알 수 있었다.
