Nghiên cứu phát triển một số giải thuật xử lý mù tín hiệu và ứng dụng

- 38 2.2 Ứng dụng FastICA để loại bỏ nhiễu trong tín hiệu điện tim ECG.
- 57 3.3.2 Quá trình khôi phục tín hiệu.
- Mật độ phân bố của các tín hiệu trộn Hình 1-13.
- Tín hiệu nguồn ban đầu Hình 2-3.
- Tín hiệu trộn Hình 2-4.
- Những tín hiệu được ước lượng theo phương pháp ICA Hình 2-5.
- Tín hiệu ECG có nhiễu (SNR=5dB) ix Hình 2-9.
- Tín hiệu ECG đã loại bỏ nhiễu (trên) và tín hiệu nhiễu (dưới) Hình 2-10.
- Quá trình xây dựng các tín hiệu thu từ các IP Hình 3-2.
- Các tín hiệu nguồn ban đầu trong môi trường thu không độ vang Hình 4-14.
- Các tín hiệu thu trong môi trường thu không độ vang Hình 4-15.
- Các tín hiệu phân tách bằng phương pháp sử dụng JADE-FastICA x Hình 4-16.
- Các tín hiệu thu trong phòng thu có độ vang Hình 4-19.
- Kết quả phân tách tín hiệu bằng phương pháp AP Hình 4-20.
- Kết quả phân tách tín hiệu bằng phương pháp DOAP Hình 4-21.
- So sánh kết quả phân tách tín hiệu giữa DOAP và DOA+CC Hình 4-22.
- Các tín hiệu nguồn và tín hiệu thu được tại các microphone Hình 4-24.
- vector tín hiệu nguồn [ ]1,...,TNxx x.
- vector tín hiệu thu tại sensor []1,...,TNyy y.
- vector tín hiệu phân tách A : ma trận trộn tuyến tính W : ma trận tách tuyến tính.
- vector tín hiệu nguồn tại tần số f.
- vector tín hiệu thu tại tần số f.
- vector tín hiệu tách tại tần số f.
- Vấn đề xử lý mù tín hiệu mà điển hình là bài toán phân tách mù nguồn tin Blind Source Separation (BSS) là bài toán tìm nguồn tín hiệu ban đầu thông qua việc phân tích đánh giá các tín hiệu ở cảm biến đầu ra, trong khi không biết hoặc biết rất ít thông tin về quá trình truyền đạt (quá trình trộn).
- Đối với ứng dụng trong tách mù âm thanh BASS (Blind Audio Source Separation), các thuật toán miền tần số thường bị giới hạn kết quả phân tách 2 do giả thiết độc lập tương hỗ giữa các tín hiệu thường bị hạn chế trong các tín hiệu băng hẹp.
- Ngoài ra, trong mô hình này các tín hiệu nhiễu là không đáng kể (mô hình không có nhiễu) vì trong thực tế, chúng ta có thể sử dụng các bước hậu xử lý lọc nhiễu để loại bỏ các tín hiệu không mong muốn (nhiễu, can nhiễu từ các nguồn âm khác) trong tín hiệu đã được phân tách.
- Phương pháp mô phỏng cũng được sử dụng để tìm ra các quy luật và giá trị tối ưu nhằm nâng cao, cải thiện chất lượng phân tách tín hiệu.
- Bộ mã hóa sẽ phân tách mù để thu nhận tín hiệu mong muốn.
- Phương pháp ICA dựa trên giả thiết thực tế là các nguồn tín hiệu gốc là độc lập thống kê hỗ tương.
- Để đưa ra được hàm mục tiêu ta phải sử dụng các đặc trưng nào đó của các tín hiệu nguồn.
- Tín hiệu quan sát được = a1.IC1 + a2.IC2.
- Từ hình minh họa, ta thấy các tín hiệu trộn ( )1xt và ( )2xt có ít tính độc lập hơn hai tín hiệu nguồn ( )1st và ()2st.
- Mật độ phân bố của các tín hiệu trộn Khi đó mục tiêu của phương pháp ICA sử dụng tính phi Gauss sẽ là tìm một ma trận tách 11 1221 22wwWww.
- sao cho các tín hiệu tách.
- Trong thực tế, kurtosis của các tín hiệu có giá trị khác 0 và có thể nhận giá trị âm hoặc dương.
- (1.23) 19 Giả thiết các tín hiệu tách là độc lập thống kê và không tương quan.
- Đồng thời các tín hiệu này có phương sai đơn vị, ta sẽ có.
- Thuật toán FastICA Thuật toán này được đề xuất bởi A.Hyvarinen trong [6-8] sử dụng tính chất phi Gauss của các nguồn tín hiệu ban đầu.
- Như vậy PCA được xem là một quá trình tiền xử lý tín hiệu trước khi ta thực hiện phương pháp ICA.
- Khi đó iy sẽ là đánh giá của một nguồn tín hiệu ban đầu.
- Chọn m là số nguồn tín hiệu cần đánh giá, gán 1p.
- Đối với tín hiệu âm thanh, mô hình toán học của bài toán BSS như sau: Giả sử có M nguồn âm thanh được thu bởi N microphone.
- Khi đó quan hệ giữa tín hiệu thu được tại microphone thứ i và các nguồn âm thanh trong miền thời gian như sau.
- Giả thiết trong mô hình nghiên cứu, tín hiệu nhiễu in được xem không đáng kể.
- Phương pháp TD-ICA, bài toán ICA được đánh giá dựa trực tiếp vào các tín hiệu thu tại các microphone.
- Ta có thể tách các tín hiệu bằng một tập các bộ lọc tách FIR như sau.
- Tuy nhiên, trên thực tế có nhiều trở ngại khi sử dụng các phương pháp trong miền thời gian để tách tín hiệu.
- Tác giả Smaragdis [61] đề xuất sử dụng STFT để chuyển đổi tín hiệu từ miền thời gian sang miền tần số.
- Nếu ( )xn là một tín hiệu số rời rạc và.
- là tín hiệu được dịch theo thời gian của ( )xn.
- ,kkXf Sfττ là các biến đổi thời gian - tần số của các tín hiệu thu và nguồn tại bin tần số thứ k.
- Khi đó tín hiệu được đánh giá như trong mô hình ICA tuyến tính.
- Không thể xác định lại được chính xác năng lượng ban đầu của các nguồn tín hiệu gốc ban đầu.
- Thuật toán này sẽ được áp dụng trong phương pháp FD-ICA, vì khi chuyển tín hiệu từ miền thời gian sang miền tần số thì tín hiệu sẽ nhận giá trị phức.
- Đối với phương pháp đánh giá này, ta không cần biết đến quá trình trộn tín hiệu cũng như các kỹ thuật phân tách.
- Ở bước đầu tiên thực hiện phân tích tín hiệu js như sau: j target interf noise artifss e e e.
- Chương này cũng đề xuất một phương pháp loại bỏ nhiễu cho tín hiệu ECG và một thuật toán có tên gọi IP-FastICA được sử dụng hiệu quả trong trường hợp các tín hiệu gốc ban đầu có sự tương quan thời gian.
- Trong ví dụ đầu tiên, giả thiết có 4 tín hiệu nguồn được ký hiệu là.
- Các tín hiệu trộn là tổ hợp tuyến tính của các tín hiệu nguồn được ký hiệu là.
- (2.1) Phương pháp ICA cho phép phân tách những nguồn tín hiệu từ các tín hiệu trộn.
- Hình 2-1 và 2-2 minh họa các tín hiệu nguồn và tín hiệu trộn.
- Tín hiệu nguồn ban đầu Hình 2-2.Tín hiệu trộn Hình 2-3 đưa ra một sự minh họa của bốn tín hiệu được đánh giá bởi phương pháp ICA (thuật toán FastICA).
- Ta có thể thấy rằng những tín hiệu là rất giống với những tín hiệu gốc ban đầu.
- Những tín hiệu được ước lượng theo phương pháp ICA Minh họa tiếp theo, sẽ thực hiện ứng dụng thuật toán FastICA vào phân tích ảnh viễn thám siêu phổ (hyperspectral remote sensing) [5].
- Ba hình ảnh này có thể được xem là 3 tín hiệu trộn đầu vào.
- 42 Mô hình được đưa ra trong phần này sử dụng thuật toán FastICA tuyến tính để loại bỏ nhiễu trong tín hiệu ECG của một chuyển đạo.
- Để có thể áp dụng được mô hình ICA, sẽ phải có nhiều tín hiệu thu tại các sensor khác nhau.
- Từ tín hiệu ECG của một chuyển đạo, ta xây dựng ma trận các tín hiệu thu trong mô hình ICA có kích thước MN×như sau.
- Hình vẽ 2-6 minh họa 3 loại tín hiệu này.
- Tín hiệu ECG có nhiễu được tạo bởi phần mềm ECGSYN [35].
- Đây cũng là ưu điểm nổi trội của phương pháp sử dụng ICA so với các phương pháp lọc nhiễu tín hiệu ECG trước đây.
- (2.11) tương đương với N thành phần tín hiệu gốc ban đầu.
- sẽ có sự khác biệt đáng kể so với các tín hiệu ban đầu ( )yn (với 0p.
- Do đó quá trình innovation của tín hiệu.
- 1) Xác định tín hiệu đầu ra.
- Đây là một trường hợp tách mù nguồn ảnh rất khó vì các tín hiệu gốc có sự tương quan lớn.
- Để đánh giá chất lượng phân tách của phương pháp đề xuất với các thuật toán quen thuộc khác trong lĩnh vực xử lý tín hiệu mù như FastICA [7,8], Infomax [80], SOBI [12], chúng ta thực hiện việc so sánh các ma trận tách W thu được từ các thuật toán (thông qua PI) cũng như so sánh giữa các bức ảnh được khôi phục từ các thuật toán (thông qua PSNR).
- Phần 2.2 đã đưa ra mô hình sử dụng thuật toán FastICA tuyến tính để loại bỏ nhiễu trong tín hiệu ECG của một chuyển đạo.
- Kết quả mô phỏng cũng chỉ ra trong nhiều trường hợp các tín hiệu ban đầu có sự tương quan thời gian, thì việc phân tách mù tín hiệu bằng phương pháp sử dụng tính độc lập tương hỗ giữa các IP cho kết quả tốt hơn các thuật toán ICA tuyến tính thông dụng trước đó.
- biểu diễn vector tín hiệu nguồn và.
- giữa nguồn tín hiệu thứ j và micro thứ i.
- Phương pháp này sử dụng các bộ lọc ngược để đánh giá các IP, rồi từ các IP này đánh giá phần tín hiệu đóng góp của các tín hiệu gốc tại các micro.
- (3.6) Hình vẽ 3-1 mô tả quá trình xây dựng các tín hiệu thu từ các IP.
- (3.7) 56 Hình 3-1.Quá trình xây dựng các tín hiệu thu từ các IP Để đơn giản hóa, tất cả các bộ lọc ()ijAz được giả thiết là MA do ta có thể đánh giá một quá trình ARMA dựa trên một quá trình MA tương đương (đủ dài) [13,55].
- Do đó chúng ta có thể trực tiếp đánh giá các IP thay cho các tín hiệu tiếng nói bằng phương pháp cực đại hóa tính phi-Gauss.
- Giả thiết (ii): Các IP thường có tính phi Gauss hơn bản thân các tín hiệu gốc.
- Do trong ICA tín hiệu tiếng nói có phân bố phi Gauss (super Gauss) nên IP ( )jen sẽ có tính phi Gauss hơn bản thân tín hiệu ( )jsn.
- Theo đó, mỗi nguồn âm thanh gốc sẽ có N phần tín hiệu này tại N microphone.
- Quá trình khôi phục tín hiệu 3.3.2 được thực hiện với ( )yn và các tín hiệu thu để xác định phần tín hiệu đóng góp của tín hiệu gốc ( )lsn tại từng microphone.
- Loại bỏ phần tín hiệu đóng góp đã được xác định ra khỏi các tín hiệu thu.
- Những hạn chế của phương pháp Phương pháp trên được xây dựng với giả thiết các nguồn tín hiệu là cố định.
- 62 sẽ được thực hiện trong từng khung tín hiệu ngắn (cỡ 10ms, trong khoảng thời gian này tín hiệu âm thanh có thể được coi là các nguồn cố định).
- Do đó khi sử dụng một khung một khung tín hiệu kích thước lớn, ta không thể xác định các IP.
- (3.31) 63 trong đó “Tín hiệu” là giá trị thực sự ( )ijxn của ( )'ijxnlà phần đánh giá thu được của( )jsn trong ( )ixn.
- Các tín hiệu tại hai microphone thu thực tiếng nói của hai người.
- [60] đưa ra phương pháp giải quyết như sau: Giả sử sau quá trình ICA, ta có các tín hiệu độc lập hỗ tương tại các bin tần số f được xác định.
- Giả sử ( )iYf là các tín hiệu đã được cân bằng năng lượng của.
- Khi đó tín hiệu nhận được tại một điểm trong khoảng hở được xác định bởi.
- Ký hiệu λ là bước sóng của tín hiệu thỏa mãn.
- Ngược lại, phương pháp AP sẽ được áp dụng để tìm đúng thứ tự các tín hiệu tách

Xem thử không khả dụng, vui lòng xem tại trang nguồn
hoặc xem Tóm tắt