ICA和PCA的特点对比

关注“心仪脑”获取更多关于脑科学知识的精彩内容。

独立成分分析（ICA，Independent Component Analysis）

ICA亦可称为盲源分离（Blind source separation, BSS）。以“鸡尾酒会模型”作为类比，设想我们身处一个音乐厅或舞会之中，麦克风被布置在舞台的不同位置，每个麦克风所接收到的均为混合信号（不仅包含音乐声，也包括人声等其他声音）。麦克风的数量决定了混合信号的数量。由于各麦克风的安装位置存在差异，因此不同麦克风所采集到的混合信号也会略有区别。ICA的核心目标在于从这些混合信号中分离并重构出原始的“纯净信号”。

从数学角度而言，ICA属于一种线性变换方法。该方法能够将数据或信号分解为多个统计上相互独立且非高斯分布的源信号的线性组合。可以证明的是，在源信号具有非高斯特性的情况下，这种分解方式是唯一的。

独立成分分析模型：

ICA的核心目的在于利用观测信号x，仅以此为依据推断出混合矩阵A与源信号s。

借助ICA方法，能够识别出多种脑电信号的来源活动，并进一步明确这些信号在头皮表面的分布特征。

![](ht