Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników

Znaleziono wyników: 16

Liczba wyników na stronie
first rewind previous Strona / 1 next fast forward last
Wyniki wyszukiwania
Wyszukiwano:
w słowach kluczowych:  analiza składowych niezależnych
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 1 next fast forward last
EN
Independent component analysis (ICA) is usually used as a preliminary step for maternal electrocardiogram (ECG) QRS detection in fetal ECG extraction. When applying ICA to do this, a troublesome problem arises from how to automatically identify the separated maternal ECG component. In this paper we proposed a method called PRCH (short for Peak to peak entropy, R-R interval entropy, Correlation coefficient and Heart rate) for the automatic identifying. In the method, we defined four kinds of features, including amplitude, instantaneous heart rate, morphology and average heart rate, to characterize a signal, and determined some decision parameters through machine learning. Experiments and comparison with other three existed methods were given. Through taking metric F1 for evaluation, it showed that the proposed PRCH method has the highest identifying accuracy and generalization capability.
EN
Volcanic ash cloud detection has been a difficult problem in moderate-resolution imaging spectroradiometer (MODIS) multispectral remote sensing application. Principal component analysis (PCA) and independent component analysis (ICA) are effective feature extraction methods based on second-order and higher order statistical analysis, and the support vector machine (SVM) can realize the nonlinear classification in low-dimensional space. Based on the characteristics of MODIS multispectral remote sensing image, via presenting a new volcanic ash cloud detection method, named combined PCA-ICA-weighted and SVM (CPIWS), the current study tested the real volcanic ash cloud detection cases, i.e., Sangeang Api volcanic ash cloud of 30 May 2014. Our experiments suggest that the overall accuracy and Kappa coefficient of the proposed CPIWS method reach 87.20 and 0.7958%, respectively, under certain conditions with the suitable weighted values; this has certain feasibility and practical significance.
3
Content available remote EEG of game players - detecting involvement with and without ICA preprocessing
EN
The aim of this paper is to analyze the differences in the classification accuracy obtained with raw EEG data and with data preprocessed with Independent Components Analysis (ICA). Our main research question is whether ICA is able to improve the classification accuracy not only in the case of a multichannel recording but also when EEG data are recorded only from a few channels. In order to answer this question we performed an experiment with 6 game players and gathered EEG data during Dota 2 game session. We analyzed the EEG data separately for 19, 7, and 3 channels with and without ICA preprocessing. With all three number of channels and for each of the six players we obtained more precise classifiers, classifying the seconds of the game as involving or boring, after applying ICA (mean accuracy averaged over subjects: 19 channels - 0.87 (raw signals), 0.91 (after ICA); 7 channels - 0.8 (raw signals), 0.85 (after ICA); 3 channels - 0.75 (raw signals), 0.8 (after ICA)).
PL
Celem artykułu jest analiza różnic w dokładności klasyfikacji otrzymanej przy wykorzystaniu surowego sygnału EEG oraz sygnału poddanego preprocessingowi z wykorzystaniem analizy składowych niezależnych (ICA). Naszym głównym pytaniem badawczym jest to, czy ICA jest w stanie zwiększyć dokładność klasyfikacji nie tylko w przypadku wielokanałowego EEG, ale również wtedy, kiedy dane EEG są nagrywane tylko z kilku kanałów. W celu udzielenia odpowiedzi na to pytanie przeprowadziliśmy eksperyment z sześcioma graczami i zgromadziliśmy dane EEG podczas gry w grę Dota 2. Przeanalizowaliśmy dane oddzielnie dla 19, 7 i 3 kanałów z oraz bez zastosowania algorytmu ICA. Dla wszystkich trzech liczb kanałów i dla każdego z sześciu graczy otrzymaliśmy bardziej dokładne klasyfikatory, dokonujące klasyfikacji poszczególnych sekund gry jako angażujących i nudnych, po przeprowadzeniu preprocessingu z wykorzystaniem ICA (średnia dokładność dla wszystkich podmiotów: 19 kanałów - 0.87 (surowe sygnały), 0.91 (po ICA); 7 kanałów - 0.8 (surowe sygnały), 0.85 (po ICA); 3 kanały - 0.75 (surowe sygnały), 0.8 (po ICA)).
4
Content available remote Performance comparison of ICA algorithms for audio blind source separation
EN
The aim of this paper is to compare five algorithms for Independent Component Analysis. The algorithms are compared with regard to performance for separating three and seven input signals. It also examined how time and number of independent components affect on separation precision. Professional sound recordings and their mixes were used for all tests.
PL
W artykule porównano pięć popularnych algorytmów z rodziny analizy składowych niezależnych. Algorytmy porównywane były pod kątem wydajności dla trzech oraz siedmiu sygnałów wejściowych. Badano również jak czas działania algorytmu oraz zwiększenie liczby składowych wejściowych wpływa na dokładność separacji. Do testów zastosowano profesjonalnie nagrane próbki śpiewu oraz ich mieszanki.
5
Content available remote A texture-based method for classification of schizophrenia using fMRI data
EN
This paper presents a texture-based method for classification of individuals into schizophrenia patient and healthy control groups based on their resting state functional magnetic resonance imaging (R-fMRI) data. In this research a combination of three different classifiers is proposed for classification of subjects into predefined groups. For all fMRI scans, the number of time points is reduced using principal component analysis (PCA) method, which projects data onto a new space. Then, independent component analysis (ICA) algorithm is used for estimation of the independent components (ICs). ICs are sorted based on their variance. For feature extraction a texture based operator called volume local binary patterns (VLBP) is applied on the estimated ICs. In order to obtain a set of features with large discrimination power, a two-sample t-test method is used. Finally, a test subject is classified into patient or control group using a combination of three different classifiers based on a majority vote method. The performance of the proposed method is evaluated using a leave-one-out cross validation method. Experimental results reveal that the proposed method has a very high accuracy.
PL
W artykule przedstawiono metodę identyfikacji i eliminacji artefaktów mrugania oczami z sygnału EEG z wykorzystaniem technik analizy składowych niezależnych i statystyk wyższych rzędów. Najistotniejszą cechą proponowanej metody jest fakt, że może ona być stosowana w sposób automatyczny, bez nadzoru użytkownika.
EN
This paper presents a method to identify and eliminate artifacts from EEG signal using independent component analysis and higher-order statistics. The key feature of the proposed method is that it can be applied in automatic manner, without user supervision.
PL
Obecnie istnieje coraz szersze zapotrzebowanie na urządzenia służące do oceny stanu psychofizycznego osób, w tym żołnierzy czy sportowców, w czasie ich aktywności fizycznej, a więc w ruchu. Muszą to być przyrządy noszone. Ruch ciała jest źródłem dużych zakłóceń, które utrudniają, a nawet uniemożliwiają wykonanie pomiarów za pomocą pulsoksymetrów stosowanych w diagnostyce klinicznej. W artykule w sposób skrótowy przedstawiono zasadę pomiarów utlenowania krwi tętniczej za pomocą fotopulsoksymetrów oraz dokonano przeglądu metod przetwarzania rejestrowanych sygnałów pulsoksymetrycznych mających na celu wyeliminowanie wpływu zakłóceń ruchowych na wyniki pomiarów utlenowania krwi tętniczej.
EN
Now-a-day, there is an increasing demand for devices needed for assessing a psychophysical state of people, including soldiers and sportsmen, during their physical activity, and so in moving. Such devices must be worn. Body movement is a source of high disturbances, which impede or even make impossible realization of measurements by pulse oximeters applied in clinical diagnosis. The paper briefly presents basic information on arterial blood oxygen saturation measurements using pulse oximeters, and gives a review of methods used for processing the monitored pulse oximeter signals in order to eliminate an influence of the movement disturbances on the results of oxygen arterial blood saturation measurements.
EN
Formation’s properties can be estimated indirectly using joint analysis of compressional and shear wave velocities. Shear wave data is not usually acquired during well logging, which is most likely for cost saving purposes. Even if shear data is available, the logging programs provide only sparsely sampled one-dimensional measurements: this information is inadequate to estimate reservoir rock properties. Thus, if the shear wave data can be obtained using seismic methods, the results can be used across the field to estimate reservoir properties. The aim of this paper is to use seismic attributes for prediction of shear wave velocity in a field located in southern part of Iran. Independent component analysis (ICA) was used to select the most relevant attributes to shear velocity data. Considering the nonlinear relationship between seismic attributes and shear wave velocity, multi-layer feed forward neural network was used for prediction of shear wave velocity and promising results were presented.
PL
W artykule przedstawiono metodę PCA (ang. Principal Component Analysis) oraz ICA (ang. Independent Component Analysis), jako narzędzia pomocne w procesie eliminacji artefaktów z sygnału elektroencefalograficznego. Proces rejestracji sygnału elektroencefalograficznego można zobrazować, jako BSS (ang. Blind Signals Separation). Dzięki temu możliwe jest dokonywanie estymacji nieznanych sygnałów źródłowych oraz ekstrakcji niepożądanych sygnałów zakłócających, w zakresie ich późniejszej eliminacji. W tym celu konieczne jest doskonalenie metod weryfikacji i eliminacji artefaktów z sygnału EEG. W artykule opisano możliwość zastosowania powyższych metod w zakresie sygnału EEG oraz zrealizowane zostało porównanie skuteczności ich działania.
EN
: In the paper there are presented the Principal Component Analysis (PCA) and the Independent Component Analysis (ICA) as useful tools for elimination of artefacts in an electroencephalographic signal. The process of registration of the electroencephalographic signal can be described as BSS - Blind Signals Separation. It is possible to estimate unknown source signals and to extract intrusive disturbing signals in terms of their subsequent elimination. It is necessary to improve the methods of verification and elimination of artefacts from an EEG signal. The Brain Computer Interface (BCI) technology is presented briefly in the first part of the paper. EEG signal characteristics and its acqui-sition with the non-invasive method are described in the second part. Next, there is discussed the possibility of using the PCA and ICA methods in terms of analysis of an EEG signal. Comparison of the effectiveness of these methods is presented as well. A general profile of the EEG signal processing is shown in Fig. 1. An example of use of the infomax algorithm for a real EEG signal is depicted in Fig. 2. Fig. 3 shows an exemplary Event-Related Potential (ERP) of the EEG signal.
EN
In respect to the main goal of our ongoing work for analyzing fetal electrocardiogram (FECG) signals for monitoring the health of the fetus, we investigate in this paper the possibility of extracting the fetal heart rate (FHR) directly from the abdominal composite recordings. Our proposed approach is based on a combination of Independent Component Analysis (ICA) and least mean square (LMS) adaptive filter. The FHR of the estimated FECG signal is finally compared to a reference value extracted from a FECG signal recorded by using a spiral electrode attached directly to the fetal scalp. The experimental results show that FHR can be successfully evaluated directly from the abdominal composite recordings without the need of using any external reference signal.
EN
A new form of the nonlinearity implemented in the ICA approach is presented in the paper. The proposed independent component analysis based on differential entropy can be used for elimination of physiological artifacts from electroencephalographic signals. For verification of the quality of separation of the EEG data, the PI index is proposed. The second measure of accuracy is the normalized kurtosis which can be used in analysis of the simulated EEG data. As it has been proved, the new sigmoid function used in the ICA approach can effectively separate the EEG data.
PL
W artykule przedstawiono nową propozycję nieliniowości - sigmoidalną funkcję algebraiczną, która została zaimplementowana w algorytmie stosującym metodę analizy składowych niezależnych (ang. Independent Component Analysis). Proponowana nowa postać algorytmu wykorzystująca właściwości entropii różniczkowej, może zostać użyta także do separacji a następnie eliminacji wybranych artefaktów fizjologicznych pochodzenia ocznego i mięśniowego zarejestrowanych w zapisach EEG. W celu weryfikacji dokładności separacji sygnałów EEG zaproponowano współczynnik jakości separacji PI (ang. Performance Index). Jako drugą miarę dokładności procesu separacji wybrano wartość znormalizowanej kurtozy, która może być stosowana jedynie w przypadku separacji elektroencefalogramów zarejestrowanych z symulatora EEG. W artykule udowodniono, że użycie nowej funkcji sigmoidalnej w rozszerzonej postaci algorytmu infomax prowadzi do efektywnej separacji sygnałów EEG umożliwiając eliminację wybranych składowych niepożądanych.
EN
The aim of this study was to investigate the possibility of combining two methods: Independent Component Analysis (ICA) and Adaptive Signal Enhancement for the improvement of normogastric rhythm extraction from multichannel recording of electrogastrographic signals (EGG). Unfortunately the electrogastrogram, is a transcutaneous measurement of gastric electrical activity, does not contain pure signal but usually is a sort of mixture from both electrical activity of stomach as well as other organs surrounding it and random noise. In order to benefit the diagnostic power of multichannel recording of EGG, which can provide deeper understanding of gastric disorders, it is necessity to extract gastric slow wave in each channel. One of the parameters, which are analyzed and require proper registration is so called normogastric rhythm. According to the literature, the normogastric rhythm should cover around 70% of rhythmic behavior of signal for a healthy man. Proper extraction of basic 3-cpm normogastric rhythm in each channel is a subject of this paper. Independent Component Analysis is applied for extracting the reference signal for adaptive filtering what next result in obtaining less contaminated signal in each channel. Analysis has been perform for two postprandial phases with five minutes break between them. In both mention cases proposed procedure gives a promising results.
13
Content available remote Methods for identification of uncorrelated forces acting in the machines
EN
In the work presented are methods of identification of uncorrelated operational forces based on orthogonal decomposition of crosspower spectrum matrix. In this purpose were used methods based on eigen- and singular value decomposition of PSD matrix. Except methods in frequency domain were used methods in time domain (ICA - Independent Component Analysis) for identification statistically independent and principal component. The methods were used to identify the number of sources of the exciting forces acting during the work of a real mechanical system.
EN
A combined application of independent component analysis and projective filtering of the time-aligned ECG beats is proposed to solve the problem of fetal ECG extraction from multi-channel maternal abdominal electric signals. The developed method is employed to process the four-channel abdominal signals recorded during twin pregnancy. The signals are complicated mixtures of the maternal ECG, the ECGs of the fetal twins and noise of other origin. The independent component analysis cannot separate the respective signals, but the proposed combination of the methods allows to suppress the maternal ECG and when the level of noise is low it leads to an effective separation of the twins' signals.
15
Content available remote ICA method and RBF neural network for prediction improvement
EN
In this paper we present a novel method for integration the prediction results by finding common latent components via independent component analysis. The latent components can have constructive or destructive influence on particular prediction results. After the elimination of the deconstructive signals we rebuilt the improved predictions using RBF neural networks. We check the method validity on the electricity load prediction task.
PL
W artykule przedstawiono nową metodę pozwalającą na łączenie wyników predykcji poprzez poszukiwanie ukrytych wspólnych składowych przy zastosowaniu procedury analizy składowych niezależnych. Składowe ukryte mogą mieć pozytywny lub negatywny wpływ na wyniki predykcji. Po wyeliminowaniu składowych niekorzystnych poprawiono model wykorzystując sztuczną sieć neuronową z radialną funkcją bazową. Poprawność metody sprawdzono na przykładzie predykcji poboru mocy.
EN
In the paper a short review of methods applied for pattern electroretinogram signal analysis is presented. Various possible alternatives for classical method used in medical practice are described. The capabilities and disadvantages of each method as well as relevant results are briefly presented and/or references are cited. The described algorithms are: statistical regression analysis, continuous wavelet transform, discrete wavelet transform, artificial neural networks, principal components analysis and independent component analysis. The aim of the paper is to give a short review of previously taken activity in the field of pattern electroretinogram analysis particularly for diagnostic purposes, and present a guide for possible approaches to be applied for other bioelectrical signals.
PL
W artykule przedstawiono przegląd metod zastosowanych do analizy sygnału elektroretinogramu wywołanego wzorcem. Zaprezentowano szereg możliwych technik alternatywnych w stosunku do procedur używanych w praktyce klinicznej. Przedyskutowano zalety i ograniczenia każdego z algorytmów, przedstawiając pokrótce wyniki doświadczeń lub cytując odpowiednie pozycje literatury. Opisane algorytmy to: statystyczna analiza regresji, ciągła i dyskretna transformata falkowa, sztuczne sieci neuronowe, analiza składowych głównych (PCA) oraz analiza składowych niezależnych (ICA). Celem niniejszego artykuły jest usystematyzowanie wcześniejszych działań autorów w dziedzinie analizy elektroretinogramu wywołanego wzorcem, w szczególności dla potrzeb diagnostyki, oraz zaproponowanie metodologii badań sygnałów bioelektrycznych o podobnym charakterze.
first rewind previous Strona / 1 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.