ICA (Análisis de Componentes Independientes)

El análisis de componentes independientes (ICA) es un método para separar una señal formada por varias fuentes mezcladas en sus componentes originales, suponiendo que estas son estadísticamente independientes y, salvo como mucho una, no gaussianas. Su objetivo típico es recuperar las señales «fuente» a partir de las mezclas que se observan, sin conocer de antemano cómo se combinaron; por eso se le llama separación ciega de fuentes.

El problema de la fiesta

El ejemplo canónico es el problema de la fiesta (cocktail party): en una sala con varias personas hablando a la vez y varios micrófonos, cada micrófono capta una mezcla distinta de todas las voces. El ICA parte solo de esas grabaciones mezcladas y separa las voces individuales, estimando a la vez cómo se mezclaron y cuáles eran las fuentes originales.

En qué se diferencia del PCA

Conviene no confundir el ICA con el análisis de componentes principales (PCA). El PCA solo busca componentes descorrelacionados y ortogonales, es decir, independencia de segundo orden; el ICA busca una independencia estadística más fuerte, usando estadísticos de orden superior, y por eso puede separar fuentes que el PCA no. De hecho, el PCA suele usarse como paso previo (el «blanqueado») antes de aplicar el ICA.

Para qué se usa

El ICA se aplica a la separación de fuentes de audio, al procesamiento de señales biomédicas —por ejemplo, para aislar artefactos en registros de actividad cerebral— y a la extracción de características en imagen y sonido.