
Séparer des signaux mélangés en sources statistiquement indépendantes.L'analyse en composantes indépendantes (ICA) est une technique de calcul permettant de séparer un signal multivarié en sous-composantes additives, en supposant que ces sous-composantes sont non gaussiennes et statistiquement indépendantes les unes des autres. Elle est surtout connue pour résoudre le « problème du cocktail » : extraire une voix unique d'un enregistrement contenant plusieurs conversations qui se chevauchent. L'ICA est une pierre angulaire de la séparation aveugle de sources, où ni les sources ni le processus de mélange ne sont connus à l'avance.
L'ICA a été formellement introduite dans les années 1980 et 1990, avec des contributions clés de Pierre Comon (1994) qui a défini le problème, et d'Aapo Hyvärinen et Erkki Oja qui ont développé l'algorithme FastICA en 1997.
L'ICA modélise les signaux observés comme un mélange linéaire de sources indépendantes inconnues. L'algorithme recherche une transformation linéaire qui maximise l'indépendance statistique des composantes résultantes. L'indépendance est généralement mesurée par la non-gaussianité, car les mélanges de variables indépendantes tendent vers des distributions gaussiennes (selon le théorème central limite). L'ICA ajuste de manière itérative la transformation pour maximiser une mesure comme le kurtosis ou la négentropie, retrouvant ainsi les sources originales à une échelle et une permutation près.
L'ICA est utilisée en imagerie cérébrale (EEG et IRMf) pour isoler les signaux neuronaux des artefacts, en finance pour identifier les facteurs cachés dans les rendements boursiers, et en traitement audio pour séparer des enregistrements mixtes.
L'ICA peut séparer deux personnes parlant simultanément dans une pièce en utilisant seulement deux microphones, même si chaque microphone capte un mélange des deux voix.





