[논문 리뷰] Multivariate Fast Iterative Filtering for the decomposition of nonstationary signals

Antonio Cicone, Enza Pellegrino|arXiv (Cornell University)|2019. 02. 13.

Blind Source Separation Techniques인용 수 6

한 줄 요약

이 논문은 다변량 비정상 신호를 내재 모드 함수(IMF)로 분해하는 데이터 기반 알고리즘인 다변량 빠른 반복 필터링(MvFIF)을 제안한다. 사전 가정 없이 주파수 일치를 보장하고 유한 시간 내에 수렴하며, 기존 방법보다 속도(2–3개 주기 빠름)와 노이즈에 대한 강건성에서 뛰어나며, 높은 채널 수 조건에서도 성능이 뛰어나다.

ABSTRACT

In this work, we present a new technique for the decomposition of multivariate data, which we call Multivariate Fast Iterative Filtering (MvFIF) algorithm. We study its properties, proving rigorously that it converges in finite time when applied to the decomposition of any kind of multivariate signal. We test MvFIF performance using a wide variety of artificial and real multivariate signals, showing its ability to: separate multivariate modulated oscillations; align frequencies along different channels; produce a quasi--dyadic filterbank when decomposing white Gaussian noise; decompose the signal in a quasi--orthogonal set of components; being robust to noise perturbation, even when the number of channels is increased considerably. Finally, we compare its performance with the one of the main methods developed so far in the literature, proving that MvFIF produces, without any a priori assumption on the signal under investigation and in a fast and reliable manner, a uniquely defined decomposition of any multivariate signal.

연구 동기 및 목표

• 다변량 비정상 신호에 대한 수학적으로 엄밀한, 데이터 기반의 분해 방법 부족을 해결한다.
• EMD 및 그 변형에서 발생하는 모드 혼합 및 노이즈에 대한 불안정성 등의 한계를 극복한다.
• 주파수 일치를 보장하는 다변량 FIF의 확장판을 개발한다.
• 고차원 신호, 특히 EEG 및 지자기장과 같은 실세계 데이터에 대해 수렴성과 계산 효율성을 확보한다.
• 사전 기반 선택이나 구성 요소 수에 대한 가정 없이 노이즈에 강건한 방법을 제공한다.

제안 방법

• MvFIF는 국소 신호 극치를 기반으로 적응적으로 결정되는 국소 지원을 가진 필터 함수를 사용해 컨volution을 통한 이동 평균을 계산함으로써 FIF 프레임워크를 다변량 신호로 확장한다.
• 필터 길이는 국소 신호 극치에 기반해 적응적으로 결정되어 데이터 기반 적응성을 확보한다.
• 알고리즘은 신호에서 이동 평균을 빼는 방식으로 반복적으로 구성 요소를 추출하여 내재 모드 함수(IMF)의 시퀀스를 생성한다.
• 이동 평균 계산의 행렬 연산을 가속화하기 위해 푸리에 변환(FFT)을 활용하여 O(N log N) 복잡도를 달성한다.
• 채널 간 공동 처리를 통해 주파수 일치를 달성하여, 유사한 진동 성분이 서로 일치된 주파수를 갖도록 보장한다.
• 필터뱅크의 구조 분석을 통해 특히 화이트 가우시안 노이즈 입력 조건에서 IMF의 준다이adic 분해 및 준직교성의 성질을 확인한다.

실험 결과

연구 질문

• RQ1 다변량 FIF의 다변량 확장판이 임의의 다변량 신호에 대해 유한 시간 내에 수렴함을 엄밀히 증명할 수 있는가?
• RQ2 신호 구조에 대한 사전 가정 없이 MvFIF가 다중 채널 간 주파수 일치를 달성할 수 있는가?
• RQ3 MvFIF는 다변량 변조 진동을 어떻게 분리하고 노이즈가 많은 고차원 신호를 다루는가?
• RQ4 MEMD, MVMD, FA-MVEMD와 같은 최첨단 방법과 비교해 MvFIF의 계산 효율성은 어떠한가?
• RQ5 채널 수가 증가함에 따라 MvFIF는 분해 품질과 강건성을 어느 정도 유지하는가?

주요 결과

• 논문에서 엄밀히 증명한 linen 다변량 신호에 대해 MvFIF는 유한 시간 내에 수렴한다.
• 복잡한 비정상 신호 조건에서도 MvFIF는 다변량 변조 진동을 성공적으로 분리하고 채널 간 주파수 일치를 달성한다.
• 화이트 가우시안 노이즈에 적용했을 때 MvFIF는 준다이adic 필터뱅크 구조를 생성하여 안정성과 필터뱅크 유사 행동을 확인한다.
• 분해 구성 요소는 준직교적이며, 높은 수의 채널 조건에서도 노이즈에 강건하다.
• 수치 실험을 통해 MEMD, MVMD, FA-MVEMD와 같은 경쟁 방법보다 2–3개 주기 빠르게 작동함을 확인했다.
• 실세계 응용, 예를 들어 EEG 및 지자기장 데이터에서 MvFIF는 기존 방법과 비교해 동등하거나 더 나은 결과를 내며 안정성과 구성 요소 품질 향상을 보였다.