
Separar señales mezcladas en fuentes estadísticamente independientes.El Análisis de Componentes Independientes (ICA) es una técnica computacional para separar una señal multivariante en subcomponentes aditivos, asumiendo que los subcomponentes son no gaussianos y estadísticamente independientes entre sí. Es conocido principalmente por resolver el 'problema de la fiesta de cóctel': extraer una sola voz de una grabación con múltiples conversaciones superpuestas. El ICA es una piedra angular de la separación ciega de fuentes, donde ni las fuentes ni el proceso de mezcla se conocen de antemano.
El ICA fue introducido formalmente en las décadas de 1980 y 1990, con contribuciones clave de Pierre Comon (1994), quien definió el problema, y de Aapo Hyvärinen y Erkki Oja, quienes desarrollaron el algoritmo FastICA en 1997.
El ICA modela las señales observadas como una mezcla lineal de fuentes independientes desconocidas. El algoritmo busca una transformación lineal que maximice la independencia estadística de los componentes resultantes. La independencia se mide típicamente mediante la no gaussianidad, ya que las mezclas de variables independientes tienden a distribuciones gaussianas (según el teorema del límite central). El ICA ajusta iterativamente la transformación para maximizar una medida como la curtosis o la negentropía, recuperando así las fuentes originales salvo por escala y permutación.
El ICA se utiliza en neuroimagen (EEG y fMRI) para aislar señales neuronales de artefactos, en finanzas para identificar factores ocultos en los rendimientos bursátiles, y en procesamiento de audio para separar grabaciones mezcladas.
El ICA puede separar a dos personas hablando simultáneamente en una sala usando solo dos micrófonos, aunque cada micrófono capte una mezcla de ambas voces.





