Blind Source Separation of Single-Channel Mixtures via Multi-Encoder Autoencoders

要約

ブラインドソース分離 (BSS) のタスクには、ソースや混合システムに関する事前の知識がなくても、混合物からソースを分離することが含まれます。
BSS では、単一チャネル混合物と非線形混合物が特に困難な問題です。
この論文では、マルチエンコーダオートエンコーダの自然特徴部分空間特化機能を活用して、単一チャネルの非線形混合によるBSSに対処する新しい方法を提案します。
トレーニング段階では、私たちの方法は入力をマルチエンコーダーネットワークの個別のエンコード空間にアンミックスし、デコーダー内でこれらの表現をリミックスして入力を再構築します。
次に、ソース推論を実行するために、新しいエンコード マスキング手法を導入します。これにより、1 つを除くすべてのエンコードをマスクすることで、デコーダーがソース信号を推定できるようになります。
この目的のために、デコーダ全体でソース エンコーディングのスパース リミックスを促進するスパース ミキシング損失と、コヒーレント ソース推定のためのデコーダ上でのいわゆるゼロ再構成損失も導入します。
私たちの方法を分析および評価するために、特徴部分空間特化のこの特性を実証するように設計されたおもちゃのデータセットと、心電図および光電脈波計の信号から呼吸を抽出するための睡眠ポリグラフ睡眠研究からの実世界の生体信号記録を使用して実験を行います。

要約(オリジナル)

The task of blind source separation (BSS) involves separating sources from a mixture without prior knowledge of the sources or the mixing system. Single-channel mixtures and non-linear mixtures are a particularly challenging problem in BSS. In this paper, we propose a novel method for addressing BSS with single-channel non-linear mixtures by leveraging the natural feature subspace specialization ability of multi-encoder autoencoders. During the training phase, our method unmixes the input into the separate encoding spaces of the multi-encoder network and then remixes these representations within the decoder for a reconstruction of the input. Then to perform source inference, we introduce a novel encoding masking technique whereby masking out all but one of the encodings enables the decoder to estimate a source signal. To this end, we also introduce a sparse mixing loss that encourages sparse remixing of source encodings throughout the decoder and a so-called zero reconstruction loss on the decoder for coherent source estimations. To analyze and evaluate our method, we conduct experiments on a toy dataset, designed to demonstrate this property of feature subspace specialization, and with real-world biosignal recordings from a polysomnography sleep study for extracting respiration from electrocardiogram and photoplethysmography signals.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google