提出一种新的获取人体生理参数的方法，用摄像头采集人脸的彩色视频，对人脸区域进行颜色通道分离和独立成分分析（ICA），获取有用信号。使用经验模态分解（EMD）的方法，把信号分解成可以反映出生命信息的固有模态函数（IMF），再根据所设计的提取准则，分别提取出较为准确的心跳和呼吸信号。用Bland-Altman法进行对比实验分析，结果表明，此方法具有一定的准确性和实用性。

在脑机接口研究中,针对运动想象脑电信号的特征提取,采用了一种优化的基于小波包的ICA(独立成分分析)法,用于提取大脑在想象动作时产生事件相关去同步/同步(EventRelatedDesynchronizationorEventRelatedSynchronizationERD/ERS)信号。利用小波包对脑电信号进行分解去除不同脑电信号之间的统计相关性,抽取包含ERD/ERS现象的特征频带,对每个特征频带分别进行ICA分解,获取与ERD/ERS现象相关的μ节律和β节律。最后引入ERD/ERS系数作为量化指标

【优化求解】基于帝国主义竞争算法ICA求解单目标问题Matlab源码.zip

用于人脸识别的核ICA算法kernel-ica.tar

ica的Matlab程序，可以使用，使用Fastica算法。

根据语音信号降噪的问题， 我们建议 一种新颖的方法 在本文中，其中COMBIN ES Èmpirical模式分解（EMD），小波阈值去噪和我ndependent参照（ICA-R）成分分析。 因为只有一个混合记录，所以实际上是一个单通道独立分量分析（SCICA）问题，用传统的ICA方法很难解决。 EMD是 利用扩大 单-信道预先接收到的信号分成几个我ntrinsic模式功能（IMF分量），所以多维的传统ICA变得适用。 开始步骤，所接收的信号被分段来减少处理延迟。 其次，将小波阈值处理应用于噪声占主导的IMF 。 最后，引入快速ICA-R从处理后的IMF中提取目标语音成分，该IMF的参考信号是通过组合高阶IMF来构造的。 该模拟是在不同的噪声水平进行，所提出的方法的性能与EMD相比，小波阈值，EMD-小波和EMD-ICA接近。 仿真结果表明，所提出的方法表现出优异的性能去噪特别是当信号-到- 信噪比低，具有一半短的运行时间。

MATLAB盲源分离ICA的问题-Speech.rar 我在网上下载了FastICA Matlab 2.5版的GUI。 在自己的电脑上试着分离两个未知盲源， 一个是演讲，另一个警笛噪音。我想将两个分离出来。我用的是2个microphone来录制的这段音频。 奇怪的是，用下载的这个GUI包，我无法分离这两个盲源。于是我从那个ICA的网站上下载了他们展示的wav音频文件。我可以成功的分离他们展示的音频文件。 我想知道这倒是什么原因。不知道有没有高人能稍微解释解释 这个GUI下载的链接： http://www.cis.hut.fi/projects/ica/fastica/code/dlcode.shtml 做展示的wav文件链接： http://www.cis.hut.fi/projects/ica/cocktail/cocktail_en.cgi （先选择盲源，然后点击mix sources，之后出来两个麦克风。右键点击，然后save link，就可以将混合后的盲源下载到本地了） 附件是我自己录制的混合盲源 先谢谢各位的参与。

为了探究正常人脑电β波（13~25 Hz）静息态功能连接，提出了一种结合独立成分分析（ICA）、图论、层次聚类、t检验、标准低分辨率电磁断层成像（sLORETA）技术的分析算法。对利用BP Analyzer 64导脑电仪采集的25个健康被试者在闭眼和睁眼静息状态下的高分辨率脑电信号β波（13~25 Hz）进行了功能连接研究，结果表明：（a）β波在闭眼状态下的功能连接明显多于睁眼状态；（b）从闭眼状态到睁眼状态，在右侧大脑顶叶、枕叶、颞叶区域β波功能连接明显减弱，而在双侧额叶连接增强；（c）静息态网络中的默认节点网络、视觉网络、运动感觉网络在闭眼状态下显著。因此，证明该算法适用于研究脑电β波静息态功能连接。

ICA对外汉语教师资格证：关于金钱的14个真相,看完泪奔了....pdf

深度学习驱动的迭代组合拍卖 这是一款用于基于深度神经网络（DNN）计算伪VCG机制（PVM）结果的软件。 该算法在以下论文中进行了详细描述： 深度学习驱动的迭代组合拍卖雅各布·韦斯泰纳（Jakob Weissteiner）和斯文·塞肯（Sven Seuken）。 于2020年2月，纽约，纽约，美国第34届AAAI人工智能会议（AAAI-20）会议录。2020年10月起的工作论文版本：[ ] 如果您出于学术目的使用此软件，请在工作中引用以上内容。 供参考的Bibtex如下： @InProceedings{weissteiner2020deep, author = {Weissteiner, Jakob and Seuken, Sven}, title = {Deep Learning-powered Iterative Combinatorial Auctions},