Στην παρούσα διπλωματική εργασία μελετώνται μέθοδοι διαχωρισμού σημάτων σε ανεξάρτητες συνιστώσες. Αφού δοθεί ο ορισμός του προβλήματος και μια αναφορά στις κυριότερες μεθόδους για την αντιμετώπισή του, γίνεται σαφές ότι δεν μπορούν να σχεδιαστούν γενικές μέθοδοι διαχωρισμού σημάτων. Παρά την πληθώρα των πρακτικών προβλημάτων στα οποία βρίσκει εφαρμογή το μαθηματικό πρότυπο, δεν είναι δυνατός ο σχεδιασμός μιας ενιαίας μεθόδου που να αντιμετωπίζει αποτελεσματικά όλες τις περιπτώσεις διαχωρισμού σημάτων. Ο αναγνώστης πληροφορείται για τις περιοχές έρευνας και ανάπτυξης των διαφόρων μεθόδων καθώς και για τις εφαρμογές τους σε διάφορους τομείς της σύγχρονης επιστήμης. Στη συνέχεια, υλοποιούνται κάποιες από αυτές τις μεθόδους και παρουσιάζονται τα αποτελέσματα προσομοίωσης πραγματικών πειραματικών δεδομένων που λήφθηκαν για την εκπόνηση της συγκεκριμένης διπλωματικής εργασίας. Τα αποτελέσματα εξάγονται με την χρήση και υλοποίηση αλγόριθμου επεξεργασίας των δεδομένων στο πρόγραμμα Matlab και μελετώνται εκτενέστερα με το πρόγραμμα Adobe Audition 1.5. Τέλος, παρουσιάζονται τα συμπεράσματα από την εφαρμογή του αλγόριθμου στα πραγματικά δεδομένα και δίνεται μια μαθηματική- θεωρητική βάση για την βελτιστοποίηση των μεθόδων διαχωρισμού σημάτων. / -

Λαμβάνοντας υπ’ όψη τις διάφορες τεχνικές Blind Source Separation (BSS) που αναφέρονται στη βιβλιογραφία και που εφαρμόζονται σε πολλά πεδία ενδιαφέροντος, αποφασίσαμε να τις εφαρμόσουμε σε ανθρώπινο μαγνητοεγκεφαλογράφημα. Οι τεχνικές αυτές προσπαθούν να εξάγουν πηγές από σήμα το οποίο είναι γραμμικός συνδυασμός των πηγών. Απαραίτητη προϋπόθεση τα σήματα από τις πηγές να είναι στατιστικώς ανεξάρτητα. Πιο συγκεκριμένα, θεωρώντας τις πηγές στον εγκέφαλο ανεξάρτητες, η τεχνική που επιλέχθηκε είναι η Independent Component Analysis (ICA) και κάποιες παραλλαγές της που χρησιμοποιούν κυματίδια ώστε να εισάγουμε τη δυνατότητα περιορισμού στο χρόνο ή στο χώρο. Επιλέγοντας χωρικά ή χρονικά την περιοχή ενδιαφέροντος εστιάζουμε σε κάποια περιοχή του εγκεφάλου ή σε κάποια συγκεκριμένη χρονική στιγμή π.χ. μετά από κάποιο ερέθισμα. Θα χρησιμοποιήσουμε αυτές τις τεχνικές για να αναλύσουμε ανθρώπινο μαγνητοεγκεφαλογράφημα (MEG). Τα δεδομένα των καταγραφών είναι από το ινστιτούτο Riken στην Ιαπωνία. / Bearing in mind the Blind Source Separation Techniques mentioned in the literature and applied to many fields of interest, we decided to apply them on human MEG. These techniques extract sources from the initial signal, which is considered as linear combination of theses sources. It is required that the recorded signals are statistically independent. More specifically, considering the sources in the brain as independent, the method used is called Independent Component Analysis (ICA) and some versions which use wavelets in order to introduce spatial and temporal constraints. By selecting the region of interest either in space or in time, we focus on a region in the brain or on a specified latency e.g. after a stimulus. We use these methods to analyse MEG. The data are recorded in RIKEN institute in Japan.

Το ηλεκτροεγκεφαλογράφημα (ΗΕΓ) είναι μια καταγραφή διαφορών δυναμικού στο τριχωτό της κεφαλής που προέρχονται από τη βιοηλεκτρική δραστηριότητα του εγκεφάλου. Με ιστορία άνω των 70 ετών, η αξία του ΗΕΓ σαν κλινική εξέταση είναι δεδομένη, με σημαντικό πλεονέκτημα το γεγονός ότι είναι μια μη επεμβατική μέθοδος. Ωστόσο, το πλήθος των ιστών που παρεμβάλλονται ανάμεσα στον εγκέφαλο και το τριχωτό της κεφαλής, σε συνδυασμό με το μικρό ύψος των εγκεφαλικών ρυθμών (τάξης μV) κάνουν τις ΗΕΓ καταγραφές επιρρεπείς σε πλήθος παρασίτων εξωεγκεφαλικής προέλευσης (artifacts). Όσον αφορά την κλινική εξέταση το πρόβλημα των artifacts είναι αντιμετωπίσιμο σε κάποιο βαθμό. Άλλωστε, για την κλινική εξέταση έχουν λογική μια απαίτηση ακινησίας και ηρεμίας του εξεταζομένου, που δεν είναι όμως πάντα δυνατή, σε ηλεκτρομαγνητικά θωρακισμένο χώρο, το κόστος του οποίου είναι αποσβέσιμο σε μακροπρόθεσμο χρονικό ορίζοντα. Σε τελική ανάλυση, η διάρκεια καταγραφής ενός ΗΕΓ μπορεί να επιμηκυνθεί τόσο όσο χρειάζεται ο κλινικός ιατρός ώστε να εξάγει ασφαλή διάγνωση. Τέτοιου είδους περιορισμοί όμως, μάλλον φαντάζουν εκτός λογικής σε φιλόδοξες εμπορικές εφαρμογές στον τομέα του Brain Computer Interface. Οι λύσεις σε αυτόν τον τομέα πρέπει να είναι φθηνές, να δουλεύουν ικανοποιητικά στο συνηθισμένο οικιακό ή εργασιακό περιβάλλον και να μην περιορίζουν τον χρήστη. Η προσέγγιση λοιπόν δεν πρέπει να είναι τόσο στον περιορισμό των artifacts, όσο στην αναγνώριση και αφαίρεσή τους. Στην παρούσα εργασία η αφαίρεση των artifacts προσεγγίζεται σαν ένα πρόβλημα Τυφλού Διαχωρισμού Σημάτων. Εφαρμόζονται τεχνικές Ανάλυσης Ανεξαρτήτων Συνιστωσών με σκοπό το διαχωρισμό των artifacts σε ξεχωριστές Ανεξάρτητες Συνιστώσες κάνοντας εύκολη στη συνέχεια την αφαίρεση τους Η παραπάνω προσέγγιση εκτός της προαναφερθείσας εφαρμογής στον τομέα του Brain Computer Interface, έχει σαφώς και κλινική αξία. Θα μπορούσε να εφαρμοστεί για παράδειγμα σε μη συνεργάσιμους ασθενείς (π.χ. μικρά παιδιά) ή σε θορυβώδη εξωτερικά περιβάλλοντα αποσυνδέοντας το ηλεκτροεγκεφαλογράφημα από την απαίτηση ενός καλά ελεγχόμενου, ηλεκτρομαγνητικά θωρακισμένου χώρου. / --

Η διπλωματική εργασία αυτή αφορά την κατασκευή ενός μικροϋπολογιστικού συστήματος διαχωρισμού σημάτων. Ο διαχωρισμός των σημάτων γίνεται με βάση τη θεωρία της τεχνικής της Ανάλυσης Ανεξάρτητων Συνιστωσών. Αφού παρουσιαστεί η θεωρία της τεχνικής, παρουσιάζεται ο μικροελεγκτής ADuC 7026 που επελέγη για την υλοποίηση. Στη συνέχεια γίνεται η παρουσίαση του λογισμικού προσομοίωσης του μικροελεγκτή και παρατίθενται βασικά παραδείγματα για τον προγραμματισμό του. Τέλος, αναπτύσσονται, χωρίς τη χρήση περιφερειακών, και προσομοιώνονται, με τη χρήση περιφερειακών τρεις αλγόριθμοι, δυο εκδόσεις του FastICA και μια έκδοση του InfoMax. Οι αλγόριθμοι αυτοί αξιολογούνται ως προς τις επιδόσεις τους και εξάγονται τα συμπεράσματα. / This thesis deals with the construction of a microcomputer system to separate signals. The separation of the signals is based on the theory of the technique of Independent Component Analysis. The theory of the technique and the microcontroller ADuC 7026 chosen for implementation are presented. Then, follows the presentation of the software on which the microcontroller is simulated and basic examples of its programming are mentioned. Finally, three algorithms, two versions of FastICA and a version of InfoMax, are developed without the use of peripheral systems and simulated using peripheral systems. These algorithms are evaluated for their performance and conclusions are drawn.

Το θέμα της κατασκευής ενός συστήματος αναγνώρισης προτύπων για τα ηχητικά σήματα ενός ανθρώπου που κοιμάται είναι ένα από τα ανοιχτά ζητήματα της Βιοιατρικής. Στην παρούσα διπλωματική εξετάζουμε την εξαγωγή ερμηνεύσιμων σημάτων που αντιστοιχούν στον καρδιακό ρυθμό, την αναπνοή και το ροχαλητό. Χρησιμοποιούμε μεθόδους Ανάλυσης σε Ανεξάρτητες Συνιστώσες και μεθόδους Τυφλού Διαχωρισμού που εκμεταλεύονται Στατιστικές Δεύτερης Τάξης. Συμπεραίνουμε ότι οι δεύτερες είναι οι πλέον κατάλληλες όταν συνοδεύονται από ένα στάδιο προεπεξεργασίας που αφορά ανάλυση σε ζώνες συχνοτήτων. / The design of a non-intrusive Pattern Recognition System to estimate the sleep sounds is an open problem of Bioengineering. We use recordings from body-sensors to estimate the heart beat, the breathing and the snoring. In this thesis we examine the effectiveness of Independent Component Analysis for this Blind Source Separation Problem and we compare it with methods that perform Source Separation using Second Order Statistics. We take into account the temporal structure of the sources as well as the presence of noise. Our system is greatly improved by a preprocessing stage of targeted subband decomposition which uses a priori knowledge about the sources. We propose an efficient solution to this problem which is confirmed by medical data.

Σκοπός της παρούσας διπλωματικής εργασίας είναι η δημιουργία ενός συστήματος μίξης ηχητικών σημάτων και προσπάθεια διαχωρισμού τους με βάση τις μεθόδους τυφλού διαχωρισμού σημάτων. Έχοντας ως δεδομένα τα αρχικά σήματα των πηγών γίνεται προσπάθεια, αρχικά μέσω της εφαρμογής της μεθόδου Ανάλυσης Ανεξάρτητων Συνιστωσών (ICA) για την περίπτωση της στιγμιαίας μίξης και στη συνέχεια μέσω της χρήσης αλγορίθμων που στηρίζονται στο μοντέλο παράλληλου παράγοντα (PARAFAC) για την περίπτωση της συνελικτικής μίξης, να προσδιοριστούν τα σήματα των πηγών από τα σήματα μίξης. Επιπλέον, τροποποιώντας τις παραμέτρους του συστήματος που μελετάμε σε κάθε περίπτωση, προσπαθούμε να πετύχουμε τη βέλτιστη απόδοση του διαχωρισμού. / The subject of this diploma thesis is the creation of a mixing system of speech signals and the attempt of their separation using the methods of blind source separation (BSS). Considering the original source signals known, we attempt, firstly by using independent component analysis for instantaneous mixtures and then by using PARAFAC model for convolutive mixtures, to extract the original source signals from the mixing signals. Moreover, by modifying the parameters of the system we make an effort to achieve the best performance of the separation.