Xử lý tín hiệu mù và ứng dụng

NGUYỄN THỊ PHƯƠNG HÒA BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI - NGUYỄN THỊ PHƯƠNG HỊA KỸ THUẬT TRUYỀN THƠNG XỬ LÝ TÍN HIỆU MÙ VÀ ỨNG DỤNG LUẬN VĂN THẠC SĨ KỸ THUẬT 2011-2013 HÀ NỘI – 2013 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI NGUYỄN THỊ PHƯƠNG HÒA XỬ LÝ TÍN HIỆU MÙ VÀ ỨNG DỤNG Chuyên ngành : Kỹ thuật truyền thông LUẬN VĂN THẠC SĨ KỸ THUẬT KỸ THUẬT TRUYỀN THÔNG NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS.TS NGUYỄN QUỐC TRUNG Hà Nội – 2013 LỜI CAM ĐOAN Tôi xin cam đoan kết nghiên cứu trình bày luận văn hồn tồn trung thực, không chép người Nếu sai, tơi xin hồn tồn chịu trách nhiệm trước pháp luật TÁC GIẢ LUẬN VĂN Nguyễn Thị Phương Hòa MỤC LỤC LỜI CAM ĐOAN DANH MỤC HÌNH VẼ DANH MỤC TỪ VIẾT TẮT MỞ ĐẦU CHƯƠNG 1: TỔNG QUAN BÀI TOÁN XỬ LÝ MÙ VÀ PHƯƠNG PHÁP PHÂN TÍCH THÀNH PHẦN ĐỘC LẬP 1.1 Giới thiệu toán phân tách mù nguồn tin 1.2 Các mô hình tốn BSS 1.2.1 Mơ hình tuyến tính 1.2.2 Mơ hình trộn chập 11 1.3 Phương pháp phân tích thành phần độc lập (ICA) 13 1.3.1 Cơ sở lý thuyết 13 1.3.2 Phương pháp ICA sử dụng tính phi Gauss 15 1.3.3 Phương pháp ICA sử dụng lượng thông tin tương hỗ 22 1.3.4 Phương pháp ICA sử dụng tính phi tương quan phi tuyến 23 1.3.5 Phương pháp ICA sử dụng thống kê bậc cao 24 1.4 Kết luận 24 CHƯƠNG II: THUẬT TỐN ÁP DỤNG CHO MƠ HÌNH BSS TUYẾN TÍNH 25 2.1 Thuật toán FastICA 25 2.1.1 Quá trình tiền xử lý liệu 25 2.1.2 Xấp xỉ hóa negentropy 27 2.1.3 Thuật toán FastICA 29 2.2 Thuật toán Complex-FastICA 34 2.3 Phương pháp đánh giá chất lượng phân tách ICA 35 2.3.1 Phương pháp ma trận đặc tính 35 2.3.2 Phương pháp dùng tỷ số tín hiệu đỉnh tạp âm 36 2.4 Kết luận 38 CHƯƠNG III: THUẬT TỐN ÁP DỤNG CHO MƠ HÌNH BSS TRỘN CHẬP 39 3.1 Giới thiệu 39 3.2 Phương pháp TD-ICA 41 3.2.1 Mở đầu 41 3.2.2 Quá trình sai số dự báo chuỗi tốt 41 3.2.3 Quá trình xác định IP 43 3.2.4 Quá trình khơi phục tín hiệu 45 3.3 Phương pháp FD-ICA 47 3.3.1 Tách mù nguồn âm sử dụng phương pháp DOA 49 3.3.2 Phân tách mù nguồn âm sử dụng tính chất tương quan chéo 57 3.3.3 Phân tách mù nguồn âm sử dụng toán phân công việc 58 3.4 Kết luận 63 CHƯƠNG IV: KẾT QUẢ MÔ PHỎNG 65 4.1 Mô ứng dụng chương 65 4.1.1 Tách tín hiệu 65 4.1.2 Tách hình ảnh 67 4.1.3 Tách âm 72 4.2 Mô ứng dụng mơ hình trộn chập 75 4.2.1 Mơ tốn BSS phương pháp TD – ICA 76 4.2.2 Kết mô ứng dụng phương pháp FD – ICA 78 4.3 Kết luận 80 KẾT LUẬN VÀ KIẾN NGHỊ 81 TÀI LIỆU THAM KHẢO 83 DANH MỤC HÌNH VẼ Hình 1.1: Mơ hình tốn BSS tổng qt Hình 1.2 Mơ hình giải toán BSS Hình 1.3: Minh họa toán Cocktail Hình 1.4: Tách mù văn từ tín hiệu bị trùng lặp Hình 1.5: Ứng dụng y tế tốn xử lý tín hiệu mù Hình 1.6 Tín hiệu điện tâm đồ ECG khơng có nhiễu Hình 1.7 Tín hiệu điện tâm đồ ECG có nhiễu với SNR = dB Hình 1.8 Tín hiệu điện tâm đồ ECG khơi phục tín hiệu nhiễu Hình 1.9: Thu nhiều tín hiệu tác động vào não dùng EEG MEG 10 Hình 1.10: Ứng dụng BSS xử lý âm 11 Hình 1.11: Mơi trường truyền thơng không dây 12 Hình 1.12: Hàm mật độ xác suất phân bố Gauss 16 Hình 1.13: Hàm mật độ xác suất phân bố Laplace 16 Hình 1.14: Hàm mật độ xác suất phân bố 17 Hình 1.15: Minh họa định lý giới hạn trung tâm 18 Hình 1.16: Sự phân bố chung thành phần độc lập s1 s2 với phân bố đều, trục ngang: s1 ; trục dọc: s2 19 Hình 1.17: Mật độ thành phần độc lập phân bố 19 Hình 1.18: Phân bố chung tín hiệu trộn 19 Hình 1.19: Mật độ phân bố tín hiệu trộn xi(t) 20 Hình 2-1: Lưu đồ thuật toán FastICA 33 Hình 3.1: Minh họa thu âm thực tế 39 Hình 3.2: Minh họa TD-ICA với N = 40 Hình 3.3: Q trình xây dựng tín hiệu thu từ IP 42 Hình 3.4: Minh họa phương pháp FD-ICA 49 Hình 3.5: Minh họa khoảng hở 50 Hình 3.7 Minh họa vị trí micro nguồn âm 53 Hình 3.8: Minh họa giản đồ phương hướng cho hai nguồn 55 Hình 3.9: Đường bao hai tín hiệu tần số khác 58 Hình 3.10: Minh họa khoảng cách KL bin tần số liền kề 60 Hình 3.11: Minh họa ứng dụng toán AP với N = 61 Hình 4.1: Tín hiệu nguồn ban đầu 66 Hình 4.2: Tín hiệu trộn 66 Hình 4.3: Tín hiệu tách theo thuật tốn FastICA 67 Hình 4.4: Kết tách mù hình ảnh theo phương pháp tách tuần tự: Hàng Ảnh nguồn; Hàng - Ảnh trộn; Hàng - ảnh tách 68 Hình 4.5: Kết tách mù hình ảnh theo phương pháp tách đồng thời: Hàng Ảnh nguồn; Hàng - Ảnh trộn; Hàng - ảnh tách 69 Hình 4.6: Kết tách mù bốn hình ảnh theo phương pháp tách tuần tự: Hàng Ảnh nguồn; Hàng - Ảnh trộn; Hàng - ảnh tách 71 Hình 4.7: Các tín hiệu âm nguồn mơ hình tuyến tính 73 Hình 4.8: Các tín hiệu âm trộn theo mơ hình tuyến tính 74 Hình 4.9: Các tín hiệu âm tách theo mơ hình tuyến tính 74 Hình 4.10: Hàm truyền đạt HRTF thực nghiệm 76 Hình 4.11: Kết mơ TD-ICA thực nghiệm 77 Hình 4.12: Kết mô TD-ICA thực nghiệm 78 Hình 4.13: Tín hiệu trộn hai giọng nói thực nghiệm FD_ICA 79 Hình 4.14 Kết mơ FD-ICA thực nghiệm 79 Hình 4.15: Kết mô FD_ICA thực nghiệm 80 DANH MỤC TỪ VIẾT TẮT Ký tự viết tắt Tiếng Anh Tiếng Việt AP Assignment Problem Bài tốn phân cơng cơng việc AR AutoRegressive Tự hồi quy BASS Blind Audio Source Separation Xử lý mù nguồn âm BSP Blind Signal Processing Xử lý mù tín hiệu BSS Blind Sources Separation Phân tách nguồn mù CC Cross Corelation Tương quan chéo DOA Direction of Arrival Hướng góc tới DP Direction Pattern Giản đồ phương hướng ECG Electrocardiogram Điện tâm đồ EEG Electroencephalogram Điện não đồ EMG Electromyographic Điện đồ FD-ICA Frequency Domain ICA ICA miền tần số FECG Fetal electrocardiogram Điện tâm đồ thai nhi FFT Fast Fourier Transform Biến đổi Fourier nhanh FT Fourier Transform Biến đổi Fourier HA Hungarian Algorithm Thuật toán Hungary HRTF Head Related Transfer Function Hàm truyền đạt thính giác người IC Independent Component Thành phần độc lập ICA Independent Component Phân tích thành phần độc Analysis lập IP Innovation Process Sai số dự báo chuỗi tốt ISI InterSymbol Interference Nhiễu xuyên ký hiệu ISTFT Inverse Short Time Fourier Biến đổi STFT ngược Transform MEG Magnetoencephalography Từ não đồ MECG Maternal electrocardiogram Điện tâm đồ bà mẹ MIMO Multiple Input and Multiple Hệ thống nhiều đầu vào Output nhiều đầu PCA Principal Component Analysis Phân tích thành phần PDF Probability Density Function Hàm mật độ xác suất PI Performance Index Chỉ số chất lượng PSNR Peak Signal to Noise Ratio Tỷ số tín hiệu đỉnh tạp âm SIR Signal to Interference Ratio Tỷ số tín hiệu nhiễu STFT Short Time Fourier Transform Biến đổi Fourier thời gian ngắn TD-ICA Time Domain - ICA ICA miền thời gian ULA Uniform Linear Array Mảng tuyến tính đồng MỞ ĐẦU Lý chọn đề tài Trong thời gian gần đây, xử lý tín hiệu mù thu hút nhiều quan tâm nghiên cứu nhà khoa học mở hướng phát triển tương lai Vấn đề xử lý tín hiệu mù mà điển hình tốn phân tách mù tốn tìm nguồn tín hiệu ban đầu thơng qua việc phân tích đánh giá tín hiệu cảm biến đầu ra, khơng biết biết thơng tin q trình truyền đạt Từ ứng dụng nhiều lĩnh vực bảo mật, tách tín hiệu tiếng nói, tín hiệu hình ảnh, tín hiệu y sinh… Đặc biệt tốn xử lý mù tín hiệu ngày cịn ứng dụng vào cơng nghiệp việc phán đốn cố máy móc mà khơng cần tác động Lịch sử nghiên cứu Tổng quan cơng trình nghiên cứu nước sau: Ngoài nước: Kể từ khái niệm BSS giới thiệu vào năm 1988 J.Herault C.Jutten [16] đến toán BSS nghiên cứu ứng dụng đa dạng lĩnh vực đời sống cơng trình nghiên cứu khoa học Trong thực tế ta hay gặp mơ hình trộn chập, mơ hình phân chia theo hai nhóm: Phương pháp miền thời gian phương pháp miền tần số Phương pháp miền thời gian cho chất lượng phân tách tốt thuật toán hội tụ Tuy nhiên nhược điểm phương pháp khối lượng tính tốn lớn việc xử lý liên quan tới tốn tử tích chập Để giải trở ngại này, phương pháp miền tần số đưa Khi tốn tử tích chập miền thời gian trở thành phép nhân thông thường miền tần số Hay nói cách khác phương pháp miền tần số có ưu điểm giảm khối lượng tính tốn nhiên lại có nhược điểm phải giải tốn bất định vị trí Có nhiều phương pháp để giải toán thuật toán sử dụng hướng góc tới DOA (Directional of Arrivals), thuật tốn sử dụng tương quan (Cross Corelation) bin tần số liền kề tốn phân cơng cơng việc (Assigment Problem)… -1- amtron41.wav -2 0.5 1.5 2.5 3.5 amtron42.wav 4.5 x 10 -2 0.5 1.5 2.5 3.5 x 10 amtron43.wav 4.5 -1 0.5 1.5 2.5 3.5 x 10 amtron44.wav 4.5 -1 0.5 1.5 2.5 3.5 4.5 x 10 Hình 4.8: Các tín hiệu âm trộn theo mơ hình tuyến tính amtach41.wav 20 -20 0.5 1.5 2.5 3.5 amtach42.wav 4.5 x 10 -5 0.5 1.5 2.5 3.5 amtach43.wav 10 4.5 x 10 -10 0.5 1.5 2.5 3.5 amtach44.wav 10 4.5 x 10 -10 0.5 1.5 2.5 3.5 4.5 x 10 Hình 4.9: Các tín hiệu âm tách theo mơ hình tuyến tính -74- Nhằm đánh giá khách quan kết phân tách âm thuật tốn ta dùng thơng số SIR (Signal to Interference Ratio – Tỷ số tín hiệu tạp âm) (khác với SIR mục 2.3.3) định nghĩa sau: œ3m b 10±F+ • “tín hiệu” giá trị thực ¯$ - ! − của sj(n) xi(n) “Tạp âm” độ sai khác % - (4.5) & ° phần đánh giá thu - Sau kết SIR nguồn âm: Âm nguồn SIR (dB) Âm nguồn 15.403 Âm nguồn 14.008 Âm nguồn 15.126 Âm nguồn 11.018 4.2 Mơ ứng dụng mơ hình trộn chập Trong mục ta tiến hành mô với số nguồn hai, số sensor thu tín hiệu hai sau: -75- Tín hiệu Tín hiệu 4.2.1 Mơ tốn BSS phương pháp TD – ICA • Thực nghiệm 1: Mơ thực phân tách hỗn hợp lai trộn từ hai giọng nói (sử dụng sở liệu Shiro Ikeda [32] Một người chào tiếng anh “Good morning” người chào tiếng Nhật “Konbanwa” Các nguồn có độ dài giây, lấy mẫu với tốc độ 16000Hz, mã hóa 16 bit/mẫu, trộn với trộn HRTF (hàm truyền đạt thính giác người) [16,90] có độ dài 64 lấy sở liệu [28] sau: x1(n) = h11 * s1(n) + h12 * s2(n) (4.6) x2(n) = h21 * s1(n) + h22 * s2(n) H11 0.6 0.4 0.1 0.2 0 -0.1 -0.2 20 40 60 80 -0.2 H21 0.3 0.2 0.1 0 -0.2 20 40 20 60 80 -0.4 40 60 80 60 80 H22 0.4 0.2 -0.1 H12 0.2 20 40 Hình 4.10: Hàm truyền đạt HRTF thực nghiệm -76- Các thông số sử dụng sau: Độ dài lọc thuật toán sử dụng RC = 80 RE = 400 Kết mơ minh họa hình 4.11 Tin hieu nguon 1 Tin hieu nguon 0.5 0.5 0 -0.5 -0.5 -1 0.5 1.5 2.5 -1 0.5 1.5 2.5 x 10 Tin hieu tach 1 0.5 0 -0.5 -0.5 0.5 1.5 2.5 -1 Tin hieu tach 0.5 -1 x 10 0.5 1.5 2.5 x 10 x 10 Hình 4.11: Kết mơ TD-ICA thực nghiệm Để đánh giá kết phân tách ta quan sát trực tiếp dạng sóng mô dựa kết SIR Tỷ số tín hiệu nhiễu SIR tính mơ SIR1 = 7.2 dB SIR2 = 9.6 dB • Thực nghiệm 2: Mơ thực tách hỗn hợp lai trộn hai nguồn giọng nói đếm số tiếng Anh nhạc lấy sở liệu Te Won Lee [26] Các nguồn có độ dài giây, lấy mẫu với tốc độ 16000Hz, mã hóa 16 bit/mẫu Các thơng số sử dụng sau: Độ dài lọc thuật toán sử dụng RC = 50 RE = 200 Kết mơ minh họa hình 4.12 -77- Tin hieu nguon 1 0.5 0.5 0 -0.5 -0.5 -1 Tin hieu tach 1 -1 10 x 10 0 -0.5 -0.5 10 x 10 Tin hieu tach 0.5 0 0.5 -1 Tin hieu nguon -1 10 x 10 4 10 x 10 Hình 4.12: Kết mơ TD-ICA thực nghiệm 4.2.2 Kết mô ứng dụng phương pháp FD – ICA • Thực nghiệm 1:Tách tín hiệu theo phương pháp DOA Thực tách hỗn hợp tiếng nói hai người, người nữ nói tiếng anh người nam nói tiếng Nhật, tín hiệu lấy mẫu với tần số 8000Hz, mã hóa 16 bít/mẫu Thực tách theo phương pháp DOA, độ rộng hàm cửa sổ 512 Độ tin cậy 50% bin tần số Kết mô minh họa hình 4.13 sau đây: -78- Left Microphone Amplitude 0.5 -0.5 -1 6 Amplitude 10 Time(Sec.) Right Microphone 12 14 16 12 14 16 0.5 -0.5 -1 10 Time (Sec.) Hình 4.13: Tín hiệu trộn hai giọng nói thực nghiệm FD_ICA Separated Source-1 Amplitude 0.5 -0.5 -1 10 Time(Sec.) Separated Source-2 12 14 16 12 14 16 Amplitude 0.5 -0.5 -1 10 Time(Sec.) Hình 4.14 Kết mơ FD-ICA thực nghiệm -79- • Thực nghiệm 2:Tách tín hiệu theo phương pháp sử dụng tính chất tương quan chéo Thực tách hỗn hợp lai trộn hai nguồn giọng nói nhạc sở liệu Paris Smagadis Các thông số sử dụng sau: Số điểm FFT = 1024, tần số lấy mẫu Fs = 16000 Hz, vòng lặp hàm cửa sổ = 1004, số lượng ma trận N = 40 Kết mơ hình 4.15 Tin hieu lai tron 0.5 -0.5 10 12 14 x 10 Tin hieu tach 0.5 -0.5 10 12 14 x 10 Tin hieu tach 0.5 -0.5 10 12 14 x 10 Hình 4.15: Kết mơ FD_ICA thực nghiệm 4.3 Kết luận Toàn kết mô chương minh họa cho cách xử lý tín hiệu mù theo hai mơ hình mơ hình tuyến tính mơ hình trộn chập Mơ hình tuyến tính mơ ứng dụng thuật tốn FastICA việc tách tín hiệu, tách ảnh tách âm Tuy nhiên thực tế thường mơ hình trộn chập nên chương đưa mô ứng dụng mơ hình trộn chập tách âm theo hai phương pháp miền thời gian miền tần số -80- KẾT LUẬN VÀ KIẾN NGHỊ Luận văn nghiên cứu mơ hình tốn xử lý tín hiệu mù số thuật toán giải cho hai mơ hình tốn mơ hình tuyến tính mơ hình trộn chập Các kết mơ Matlab đưa để chứng minh cho thuật tốn Nội dung nghiên cứu sau: Mơ hình tuyến tính: Trong mơ hình tuyến tính, luận văn nghiên cứu thuật tốn FastICA để tách mù tín hiệu Ưu điểm bật phương pháp tốc độ hội tụ nhanh Mơ hình trộn chập: Nghiên cứu mơ hình trộn chập với hai miền miền thời gian miền tần số Phương pháp TD-ICA tách mù nguồn tin dựa thuật toán FastICA khái niệm sai số dự báo chuỗi tốt Với phương pháp FD – ICA tập trung giải toán bất định vị trí hai phương pháp: Phương pháp hướng góc tới, phương pháp sử dụng tính chất tương quan chéo phương pháp phân cơng cơng việc Trong ưu điểm bật phương pháp hướng góc tới so với phương pháp phân cơng cơng việc tính bền vững việc xác định bất định vị trí bin tần số AP dựa kết xác định bin tần số liền trước việc xác định sai bin ảnh hưởng đến bin tần số Nhược điểm DOA điều kiện giả thiết sóng phẳng mà mơi trường khơng có tiếng vọng làm cho phương pháp trở nên khơng xác phịng thu âm phức tạp có tiếng vọng Nhược điểm phương pháp sử dụng tính chất tương quan chéo có tần số khơng liền kề mà có tương quan cao dẫn đến việc khơng xếp lại vị trí cho tần số Luận văn tập trung nghiên cứu số khía cạnh tốn phân tách mù nguồn tin Các thuật tốn khơng áp dụng cho tách ảnh, tách âm mà cịn ứng dụng nhiều lĩnh vực tài chính, truyền thơng khơng dây, phân tích dư chấn lịng đại dương… -81- Hướng phát triển đề tài: Ứng dụng thuật tốn xử lý tín hiệu mù vào tách tín hiệu với số nguồn nhiều số cảm biến Ứng dụng thuật tốn xử lý tín hiệu mù vào tách âm khơng mơi trường thực có tiếng vọng, có nhiễu Ứng dụng thuật tốn xử lý tín hiệu mơi trường truyền thơng khơng dây ước lượng kênh truyền MIMO… -82- TÀI LIỆU THAM KHẢO TIẾNG VIỆT [1] Nguyễn Quốc Trung, Xử lý tín hiệu lọc số, tập 1, NXB Khoa học kỹ thuật 2004 [2] Nguyễn Quốc Trung, Xử lý tín hiệu lọc số, tập 2, NXB Khoa học kỹ thuật 2004 [3] Nguyễn Quốc Trung, Xử lý tín hiệu lọc số, tập 3, NXB Khoa học kỹ thuật 2004 [4] Võ Minh Sơn, Nguyễn Hữu Phương “Tách ảnh dùng biến đổi wavelet Phân tích thành phần đọc lập,” Tạp chí Phát triển KH&CN, số 11, 9/2008 TIẾNG ANH [5] Aapo Hyvarinen, Juha Karhunen and Erkkl Oja, Independent Component Analysis, John Wiley and Sons Ltd, 2001 [6] Aapo Hyvarinen et al, “Independent component analysis: Algorithms and Applications,” Neural Networks, 13(4-5):411-430, 2000 [7] A.Hyvarien, “Fast and robust fixed-point algorithms for independent component analysis,” IEEE Trans.On Neura Networks, 10(3):626-624, 1999 [8] Aapo Hyvarinen,”Independent component analysis for time dependent stochastic proceses,” Proc.Int.Conf.on Artificial Neural Networks ICANN’98 [9] A.Cichocki, “Blind Signal Separation and Extraction:Recent Trends,Future Perspectives, and Applications”, Lecture Notes in Computer Science, Artificail intelligence and Soft Computing 3070, 30-37(2004) [10] A.Cichocki et al, “A blind extraction of temporally correlated but statistically dependent acoustic signals,” Neural Network for Signal Processing, X, 2000, Proceedings of the 2000 IEEE Signal Processing Society Workshop, vol.1, pp 455-464 [11] A.Belouchrani et al, “A blind source separation technique based on second order statistics,” IEEE Trans.on signal Processing, 45(2):434-444, 1997 -83- [12] A.Kizilaya et al, “Estimation of the ARMA model parameters based on the equivalent MA approach,” The second IEE-EURASIP Int.Symp.on Communications, control and Signal processing, ISCCSP’06 Marrakech, Marocco, 2006 [13] A.Ciaramella and R.Tagliaferri, “Separation of Convolved Mixtures in Frequency Domain ICA, “International Mathematical Forum no.16, pp.769795, 2006 [14] A.J.Bell and T.J.Sejnowski, “An information-maximization approach to blind separation and blind deconvolution,” Neural Compulation (7):1129-1159, 1995 [15] B.Gardner and K.Martin, Head Related Transfer Functions of a Dummy Head [16] C.Jutten and J.Herault, “Independent Component analysis versus principal component analysis,” Signal Processing, vol.IV, pp 643-646, Elsevier, Amsterdam, 1988 [17] Ch.Serviere and D-T.Pham, “Permutation correction in the frequency-domain in blind separation of speech mixtures,” EURASIP Journal on Apllied Signal Processing, 2006 [18] Don.H.Johnson and Sinan sinanovic, “Symmetrizing the Kullback-Leibler Distance,” IEEE Transactions on Information Theory, 2011 [19] D.Schoblen, K.Torkkola, and P.Smagradis, “Evaluation of blind signal separation methods,” in Proc.Int.Symposium on ICA and BSS (ICA 99), Aussois, Jan.199, pp 261-266 [20] E.Bingham and A.Hyvarinen, “A fast fixed-point algorithm for independent component analysis of complex-valuaed signals,” International Journal of Neural Systems 10, pp.1-8, 2000 [21] Emmanuel Vincent et al., “Performance Measurement in Blind Audio source Separation,”IEEE Trans on Audio, Speech and Language Processing, Vol.14, No4, pp 1462-1469, July 2006 -84- [22].G.Agrawal et al, “Reduction of artifacts in 12-chnnel ECG signals using FastICA algorithm,” Journal of Scientific & Industrial Research, vol.67, 2008, p.43-48 [23] http://sound.media.mit.edu/ica-bench/ [24] http://www.media.mit.edu/~westner [25] http://tsi.enst.fr/icacentral/Algos/Prasad/Bss4Speech.zip [26] http://www.ism.ac.jp/~shiro/research/blindsep.html [27] http://media.paisley.ac.uk/campbell/Roomsim/ [28] http://physionet.org/physiotools/ecgsyn [29] H.Sawada et al, “A robust and precise method for solving the permutation problem of frequency-domain blind source separation,” IEEE Trans.Speech Audio Process , vol.12, no.5, pp.530, Sep.2004 [30] H.Sawada et al, “A robust approach to the permutation problem of frequency domain blind source separation,” IEEE International Conference on Acoustic, Speech and Signal Processing(ICASSP 2003), vol.5,20043 [31] H.Saruwatari, S.Kurita, K.Takeda, F.Itakura, T.Nishikawa, and K.Shikano, “Blind Source Separation Combining Independent Component Analysis and Beamforming,” EURASIP Journal on Applied Signal Processing, Vol.2003, No.11, pp.1135—1146, 2003 [32] He Taigang et al, “Application of indepent component analysis in removing artefacts from the ECG,” Neural Comput.&Appl., 2006, pp.105-116 [33] Jean-Fracois Cardoso, “High-order contrasts for independent component analysis,” Neural Computation, vol.11, no.1, pp.157—1992, Jan.1999 [34] Jean-Francois Cardoso, “Blind signal separation: statistical principles,” Proceedings of the IEEE, vol.90, no.8, pp.2009-2026, Oct.98, special issue on blind identification and estimation [35] Jean-Francois Cardos and Antoine Souloumiac, “Blind beamforming for non Gaussian signals,” Proceedings of the IEEE, vol.140, no.6, pp.362-370, 1993 -85- [36] J.Munkres, “Algorithms for the Assinment and Transportation Problems,” Journal of the Society of Industrial and Applied Mathematics, 5(1): 32-38, 1957 March [37] Johan Thomas et al “Time Domain Fast Fixed Point Algorithms for Convolutive ICA,” IEEE Signal Processing Letters, Vol.13, No.4, April 2006 [38] J.Thomas, Y.Deville, S.Hoseini “Differential fast fixed-point algorithms for underdetermined instantaneous and covolutive partial blind source separation,” IEEE Transactions on Signal Processing, vol.55, no.7, July 2007 [39] K.Kokkinakis and A.K.Nandi, “Multichannel blind deconvolution for source separation in covolutive mixtures of speech,” IEEE transaction on audio, speech and language processing, vol.14, no.1, January 2006 [40] K.Torkkola, “Blind separation of convolved sources based on information maximization,” in Proc.IEEE workshop on Neural Networks and Signal Processing (NNP’96), pp 423-432, Kyoto, Japan, 1996 [41] Lang Tong, “Identification multichannel MA parameters using higher order statistics,” Elsevier, Signal processing 53(1996), pp 195-209 [42] Monson H.Hayes, Statistical Digital Signal Processing and Modeling, John Wiley&Sons, Ltd, 1996 [43] N.Mutara, S.Ikeda and A.Ziche, “An approach to blind source separation based on temporal structure of speech signals,” Neurocomputing, 41, 2001, pp.1-24 [44] P.Smaragdis, “Blind separation of convolved mixtures in frequency domain,” Neurocomputing, No.22, pp 21-34, 1998 [45] P.Smaragdits, Information theoretic approaches to Source Separation, Media Lab, M.I.T, Master thesis, 1997 [46] P.Common, “Independent Component Analysis – a new concept?,” Signal Processing, 36(3): 287-314, 1994 -86- [47] P.Tichavsky and Z.Koldovsky, “Optimal pairing of signal components separated by blind techniques,” IEEE Signal Processing Letters, Vol 11, No.2 pp 119, 122, 2004 [48] Peng Xie and S.L.Grant, “A fast and efficient frequency domain method forconvolutive blind source separation,” Region IEE Conference 2008 Kansas City MO, pp.1-4, April, 2008 [49] Rajkishore Prasad, Hiroshi Saruwatari, and Kiyohiro Shikano, “An fixed point ICA algorithm for convoluted speech signal separation,” Proceedings of Fourth International Symposium on ICA and BSS Journal of Signal Processing, pp.579-584, April 2003 [50] R.Lambert, “Difficulty measures and figures of merit for source separation,” in Proc.Int.Symposium on ICA and BSS(ICA 99), Aussois, Jan.1999, pp 133138 [51] S.Douglas et al., “Natural gradient multichannel blind deconvolution and speech separation using causal FIR filters,” IEE Transactions on Speech and Audio Processing, vol.13, issue 1, pp 92-104, 2004 [52] S.L.Amari and A.Cichocki, Adaptive Blind Signal and Image Processing, John Wiley & Sons, 2002 [53] S.Makino, Te-Won Lee, and H.Sawada, Blind Speech Separation, Springer, Sept, 2007 [54] S.Choi, A Cichocki, H._M Park and S.-Y.Lee: “Blind source separation and independent component analysis: A review”, Neural Information Processing – Letters and Reviews, Vol 6, No.1, pp.1-57, January 2005 [55] S.Haykin, Adaptive Filter Theory, Prentice Hall, 4th edition [56] T.Yoshioka et al, “Dereverberation by using time-variant nature of speech production system,” EURASIP Journal on Advances in Signal Processing, vol.2007 [57] T.Nishikawa, H Saruwatari, and K Shikano, “ Blind Source Separation Based on Multi-Sage ICA Combining Frequency-Domain ICA and Time-Domain -87- ICA,” Proceedings of IEEE International Conference on Acoustic, Speech and Signal Processing(ICASSP2002), pp 2938-2941, May 2002 [58] T.W.Lee, M.Girolami and T.J.Sejnowski, “Independent component analysis using extended infomax algorithm for mixed sub-gauss and super-gauss sources,” Neural Computing, 12(2), 2000 [59] T.W.Lee A.J.Bell and R.Lambert, “Blind separation of delayed and convolved sources,” in Advances in Neural Information Processing Systems, volume 9, pp 758-764.MIT Press, 1997 [60] Y.Haneda, S.Makino and Y.Kaneda, “Common acoustical poles independent of sound directions and modeling of head-related transfer functions, “J Acoust Soc Jpn (E), vol 15, no 4, pp.277-279, July 1994 -88- ... ni(t) tín hiệu nhiễu Ứng dụng mơ hình trộn chập: • Xử lý âm Hình 1.10: Ứng dụng BSS xử lý âm Trên hình vẽ thể hai nguồn phát tín hiệu âm hai micro để thu tín hiệu từ hai nguồn Ta thấy âm có tính... vực bảo mật, tách tín hiệu tiếng nói, tách tín hiệu hình ảnh, xử lý tín hiệu y sinh… 1.1 Giới thiệu tốn phân tách mù nguồn tin Phân tách nguồn tín hiệu mù BSS phương pháp sử dụng phổ biến cho... Những tín hiệu thu được đưa đến hệ thống, gồm nhiều tín hiệu trộn lẫn, -7- kèm nhiễu tác động Bài tốn xử lý tín hiệu mù giúp loại bỏ nhiễu cho tín hiệu FECG MECG xác Hình 1.5: Ứng dụng y tế tốn xử