Liberečtí vědci objevili novou výpočetní metodu pro slepou separaci signálů. Sama vyhledává a separuje signály pohyblivých zdrojů zvuku. Ačkoliv výzkum i nadále probíhá, posloužit by mohl v mnoha oblastech, přičemž vědci jsou připraveni být nápomocní při hledání dalších možností využití.
Článek v prestižním časopise IEEE Transactions on Signal Processing, který vyšel vloni na jaře pod názvem „Dynamic Independent Component/ /Vector Analysis: Time-Variant Linear Mixtures Separable by Time-Invariant Beamformers“, vzbudil pozornost ve vědeckém světě — především v oblasti zpracování signálů. Vědecký tým Fakulty mechatroniky, informatiky a mezioborových studií Technické univerzity v Liberci (FM TUL) v něm zveřejnil obdivuhodný výsledek svého mnohaletého základního výzkumu: nový algoritmus pro tzv. analýzu nezávislých komponent (ICA — independent component analysis).
„Zvládli jsme dva těžké úkoly: Navrhli jsme nové rozšíření metodiky a odvodili pro to i účinný algoritmus. Na rozdíl od zavedených postupů dokáže naše metodika separovat nejen statické, ale i pohyblivé zdroje signálu. Praktické použití bude velmi široké, protože je vše postaveno na obecném matematickém modelu, který má širokou platnost,“ říká vedoucí pětičlenného výzkumného týmu prof. Zbyněk Koldovský z Ústavu informačních technologií a elektroniky FM TUL.
PODSTATA ICA JE V SEPARACI SIGNÁLŮ
Výpočetní metoda analýzy nezávislých komponent se používá od 90. let minulého století. Pomocí ní lze teoreticky rozdělit směs signálů na jednotlivé, dílčí. „V prostoru nejčastěji naměříme směsice signálů, spolu s měřenými signály snímáme i nechtěný šum. Měříme-li několika senzory, pak za určitých technických podmínek, kdy směs musí být lineární a takzvaně deterministická, dokážeme dílčí signály oddělit, aniž bychom o nich dopředu měli nějaké doplňující informace,“ vysvětluje podstatu ICA prof. Koldovský.
Ilustrace toho, jak by například mohla být metoda (BSE — blind source extraction — slepá extrakce jednoho konkrétního zdroje signálu) využita k detekování zdrojů vibrací pod vodou
SEPAROVANÉ SIGNÁLY MUSÍ BÝT STATISTICKY NEZÁVISLÉ
Snímáme-li skupinu současně mluvících lidí (tato situace je často nazývána jako „koktejlová party“) a je-li přítomen i hluk prostředí, naměříme pouze nesrozumitelnou „změť“ zvuků. Pomocí ICA ji lze rozložit na jednotlivé signály, tedy v praxi například vyseparovat jednotlivé řečníky. Rozklad probíhá na základě matematické hypotézy, která předpokládá, že původní signály jsou statisticky nezávislé. „ICA dokáže tato měření rozložit na dílčí signály čistě na základě matematického modelu, takže k tomu nepotřebuje žádnou další významnou informaci. To je velice důležité, protože my často žádné další informace než měření k dispozici nemáme,“ uvádí člen výzkumného týmu Ing. Jiří Málek, Ph.D. Situace, kdy současně mluví několik řečníků, každý za sebe, dokonale splňuje předpoklad statistické nezávislosti dílčích signálů. Mírně závislé by mohly být, pokud by třeba dva lidé zpívali jednu písničku. I když podle Jiřího Málka by i tady závislost, vzhledem k nezávisle se chvějícím hlasivkám jako zdroji signálu, byla poměrně slabá.
„Základním principem je nezávislost procesů, při nichž signály vznikají. Jako příklad mohu uvézt hluk z ulice pronikající do místnosti, kde hučí klimatizace a mluví nějaká osoba. Za určitých podmínek můžeme od sebe tyto tři dílčí signály oddělit,“ konstatuje dr. Málek s tím, že ICA je aplikovatelná kromě zvuku i na jiná data. Například na biologická, jako jsou EKG či EEG, geoseizmická, chemometrická nebo astrofyzikální data.
ANALÝZA MOZKOVÉ AKTIVITY POMOCÍ MAGNETICKÉ REZONANCE
Podle dalšího člena týmu Ing. Jaroslava Čmejly je ICA schopná separovat i signály z různých aktivit mozku. Výzkum, kdy se pomocí ICA analyzují data dynamické magnetické rezonance pro sledování aktivity mozku, trvá zhruba 20 let. Třírozměrné video, které se snímáním získá, lze rozložit na oblasti s nezávislou aktivitou.
„Mozek řeší mnoho různých úloh a jednotlivé části mozku fungují nezávisle, jako když při koktejlové party hovoří několik lidí. Vlastně jde o elektromagnetické vlny generované různými částmi mozku. Tyto aktivity můžeme detekovat, zobrazit, lokalizovat, vizualizovat a měřit jejich funkční konektivitu. Na vědecké úrovni se již podařilo prokázat, že pomocí této analýzy se dají vypočítat markery, pomocí nichž jde rozlišit zdravý mozek od mozku pacienta trpícího schizofrenií,“ říká Jaroslav Čmejla.
U pokročilejších technologií by se podle něj mohlo zjistit, že nějaká část mozku je aktivnější, a odborník by pak mohl diagnostikovat, zda nejde o patologickou změnu.
(Celý článek naleznete v aktuálním vydání Technického týdeníku.)