ICA는 신호의 불가피한 지연을 어떻게 처리합니까?

저는 현재 많은 훌륭한 자료를 통해 ICA를 읽고 가르치고 있습니다. ( 이전 내용 은이 게시물 을 참조하십시오 ). 기본 jist가 있지만 명확하지 않은 것이 있습니다.

여러 개의 공간 센서에 여러 신호가 충돌하는 시나리오 (물론 센서 수> = 신호 수)의 경우 센서 하나에 대해 도달하는 모든 신호가 서로 다른 지연 / 위상을 갖는 것이 불가피합니다. 다른 센서에 도달하는 것과 비교하여 오프셋.

내가 아는 한, ICA의 신호 모델은 하나의 센서에 도달하는 총 에너지가 관심있는 다른 모든 신호의 단순한 선형 조합으로 모델링되는 단순한 믹싱 매트릭스입니다. 모든 센서에는 서로 다른 선형 조합 계수 배열이 있습니다. 여태까지는 그런대로 잘됐다.

내가, 이해하지 못하는 것이 있다는 것입니다 필연적으로 존재 하는 사실에 가고있을 일부 지연 / 위상 오프셋 서로 다른 각각의 센서에 도달하는 개별 신호 사이. 즉, 에 도달 할 수있는 S의 전자 N 의 입출력 R 1 몇 시간 0에서, 동일한 상태 들 1 ( n은 ) 에 도달 S의 전자 N 의 입출력 R 2 감쇠하지만, 또한$s_1(n)$$sensor_1$$s_1(n)$$sensor_2$약간의 지연 또는 위상차에서. 내가 보는 방식은 물리적으로 불가피합니다.

... 이것이 믹싱 매트릭스에서 모델링되지 않은 이유는 무엇입니까? 지연이 큰 차이를 만들 것으로 보입니다. 더 이상 간단한 선형 조합에 대해 더 이상 이야기하지 않습니다. ICA는이를 어떻게 처리합니까? 여기서 뭔가를 놓쳤습니까?

또한 실제로 ICA가 지연을 처리 할 수 ​​없다면 어떤 응용 프로그램에서 유용성을 찾습니까? 센서가있는 공간적인 것이 분명합니다!

감사

ICA의 가장 성공적인 용도 중 하나는 전기 생리학 (예 : 뇌 활동), 주로 EEG (전자 뇌파) 및 MEG (자력 뇌파)에 대한 연구에서 사용되었습니다. 기준 채널이 없어도 인공물 (예 : 근육 운동으로 인한 전기 자극 (눈 깜박임 등)을 제거하는 데 사용됩니다. 이 응용에서, 센서들 사이의 공간적 분리는 파의 전파 속도와 비교하여 미세하며, 따라서 ICA의 가정은 효과적으로 유지된다.

뇌의 혈류에 의존하는 fMRI의 경우 시간 지연 문제가 더 중요합니다. 지연 시간 (in)에 민감한 ICA 논문에서 한 가지 접근 방식 . Calhoun et al (2003)에 의해 시간 주파수 영역에서 fMRI 데이터의 그룹 독립적 성분 분석은 각 복셀에서 시간 지연을 추정 한 다음이를 수정 된 ICA의 사전 정보로 사용하여이 문제를 해결하려고 시도했습니다. 도메인에 이와 같은 것이 적용될 수 있습니까?