Quellentrennung erklärt
Quellentrennung fragt, wie sich aus gemischten Messungen die ursprünglichen Signale zurückgewinnen lassen. Das Beispiel dieser Linie kommt aus den Neurowissenschaften: Eine Reihe von Elektroden misst die Spitzen (Spikes) mehrerer Nervenzellen gleichzeitig, jede Elektrode sieht eine Mischung, und gesucht ist, welcher Spike zu welcher Zelle gehört (Spike-Sorting). Sechs der sieben Stücke teilen denselben erzeugten Mehrelektroden-Signalgenerator, ihre Ergebnisse sind daher direkt vergleichbar; das siebte, der Verzögerungsgraph, braucht ein Elektrodengitter mit Laufzeiten und bringt sein eigenes Modell mit.
Der erste Teil meiner Dissertation (Universität Rostock, 2017) behandelt das Spike-Sorting, mit einem anderen Ansatz als dem verbreiteten: Statt Merkmale der Wellenform zu clustern, nutzt er die festen zeitlichen Verzögerungen, mit denen das Signal einer Zelle verschiedene Elektroden erreicht (Engel und Hanisch, 2014). Dieser Ansatz ist der letzte Zweig der Linie; mit den gängigen Verfahren, die davor stehen, habe ich mich dabei ebenfalls beschäftigt.
In short: Covers blind source separation: ICA, SOBI, sparse component analysis, NMF, a spike-sorting pipeline, template matching and a delay graph. Interactive demos use a spike-sorting example in which electrodes record mixtures of neuron signals.
Hintergrund zum Thema: Clusteranalyse · Über mich.
Diese Seite gehört zu Algorithmen und Verfahren erklärt. So lesen Sie sie: Das Diagramm zeigt, wie die Stücke zusammenhängen. Jede Kachel darunter öffnet eine interaktive Demo, wo es eine gibt, mit einer Erklärseite für Einsteiger und Fachleute. Auf der Suche nach einer Lösung für ein konkretes Problem? Zu den Interaktiven Demos.
Hinweis: Alle Demos rechnen mit synthetischen oder frei verfügbaren Beispieldaten und laufen auf einem externen Anbieter (Datenschutz). Bitte geben Sie darin keine vertraulichen oder personenbezogenen Daten ein. Die Ergebnisse gelten für die jeweilige Demo-Instanz und lassen sich nicht ungeprüft auf reale Fälle übertragen; für darauf gestützte Entscheidungen übernehme ich keine Gewähr.
Zuletzt aktualisiert:
Welches Verfahren passt zu Ihrem Fall? Zum Entscheidungsbaum ↓
Zum Nachlesen: erst einfach, dann fachlich
Quellentrennung mit ICA verständlich erklärt
Wie sich aus gemischten Messungen die einzelnen Quellen zurückgewinnen lassen, ohne die Mischung zu kennen, und wann das nicht mehr gelingt: erst für Einsteiger ohne Formeln, dann für Fachleute mit Modell, Formeln und Messwerten.
Die sieben Stücke im Überblick
Die ICA ist die Wurzel der Linie: Sie nimmt an, dass die Quellen statistisch unabhängig sind und nicht mehr Quellen als Elektroden vorliegen. SOBI nutzt statt der Verteilungsform die zeitliche Struktur und trennt damit, woran die ICA scheitert (Gauß'sche Quellen mit verschiedenen Spektren). Die Sparse Component Analysis löst den Fall mit mehr Quellen als Elektroden, weil Neuronen selten gleichzeitig feuern. Die NMF ist kein Fix, sondern ein Kontrast: Sie ersetzt Unabhängigkeit durch Nicht-Negativität und kann über das Spektrogramm sogar mit einer Elektrode arbeiten.
Der Spike-Sorting-Zweig beginnt bei der klassischen Pipeline (Schwelle, Ausschnitt, PCA-Merkmale, k-Means), dem Zusammenfluss aus der Dimensionsreduktions- und der Clustering-Linie. Der Vorlagenabgleich behebt ihre bekannte Schwäche, überlappende Spikes zu verlieren. Der Verzögerungsgraph ist ein Kontrast: Er nutzt nie die Wellenform, sondern nur, mit welchem Abstand die Elektroden ein Signal sehen. Das ist der Ansatz meiner Dissertation und deshalb orange umrahmt.
Die Kästen sind klickbar und öffnen die jeweilige Demo direkt.
- behebt eine Schwäche des Vorgängers oder baut darauf auf
- Gegenstück: derselbe Zweck, andere Bauweise (kein Fix)
- übernimmt nur eine Idee
- Zusammenfluss mehrerer Stränge
- Baustein aus einer anderen Linie
- eigene oder frische Forschung, kein etablierter Standard
PCA und k-Means (gestrichelt umrahmt) gehören zu anderen Linien und sind hier nur Voraussetzungen; der Doppelrahmen der Pipeline zeigt den Zusammenfluss beider. Gestrichelte Doppelpfeile stehen für einen Kontrast statt eines Fixes.
Verwandt in anderen Linien
- Dimensionsreduktion — Die ICA wendet auf ihre Daten vorher eine PCA-Weißung an; in den Vergleichen dient die PCA als Basis (Korrelation 0,65 gegen 0,98 bei der ICA, Spitzen-F1 0,61 gegen 0,77 bei der NMF).
- Clustering — Die Pipeline nutzt k-Means (mit Silhouette zur Wahl von k), die SCA einen Achsen-k-Means auf den Richtungen der Messvektoren.
- Graphen und Netzwerke — Beide Demos rechnen dieselbe eigene Dissertation nach: der Verzögerungsgraph nutzt ein Elektrodengitter für Spike-Sorting, die Cliquenbandbreite-Demo der Graphen-und-Netzwerke-Linie dieselbe Cliquenüberdeckung mit der Bandbreitenformel aus Engel & Hanisch (2016).
- Kausale Diagramme und Adjustierung — LiNGAM der Linie Kausale Diagramme und Adjustierung nutzt dieselbe Nicht-Gaußianität wie die ICA, aber für die Richtung zwischen Größen statt für das Entmischen: Bei Laplace-Rauschen findet es den genauen Graphen in 94 % der Läufe, bei Gauß-Rauschen in 0 %.
- Inverse Probleme und Regularisierung — Die blinde Entfaltung der Linie Inverse Probleme und Regularisierung hat dieselbe Mehrdeutigkeit wie das Entmischen: Kern und Signal (dort Mischung und Quellen) sind ohne zusätzliche Annahme nicht eindeutig.
- Spektral- und Wavelet-Analyse — SOBI trennt Quellen über ihre zeitliche Struktur, also über Unterschiede im Spektrum; wie man ein Spektrum aus kurzen, verrauschten Daten überhaupt schätzt und wann zwei Linien getrennt sind, zeigt das Periodogramm am Anfang der Spektral-Linie.
ICA an Mehrelektroden-Signalen
Verfolgen Sie, wie FastICA aus Elektrodensignalen die Neuronen zurückgewinnt, ohne das Array oder die Neuronen zu kennen: Korrelation der Quellen 0,98 gegen 0,65 bei der PCA. Die Grenzen sind live messbar: Bei weniger Elektroden als Neuronen bricht die Trennung ein (0,16 bei einer Elektrode), zwei Gauß'sche Quellen bleiben untrennbar, und bei starkem Rauschen schlägt sogar die beste Einzelelektrode die ICA.
Verständlich erklärt: erst für Einsteiger, dann für Fachleute
Demo starten →SOBI an Mehrelektroden-Signalen
Sehen Sie, wie SOBI statt der Verteilungsform die zeitliche Struktur nutzt und damit trennt, woran die ICA scheitert: zwei Gauß'sche Hintergrundquellen mit verschiedenen Spektren (Trennschärfe 0,82 gegen 0,41 bei der ICA, Mittel über fünf Datensätze). Ein Regler für den Spektren-Abstand zeigt live, wann die Trennung gelingt. Der Haken: Gleiche Spektren bleiben unlösbar (0,43, das Zufallsniveau), und bei Rauschen trennt SOBI die Neuronen schlechter als die ICA.
Demo starten →Sparse Component Analysis an Mehrelektroden-Signalen
Verfolgen Sie, wie die Sparse Component Analysis mehr Neuronen als Elektroden trennt: Weil Neuronen selten gleichzeitig feuern, zeigt das Elektrodensignal fast immer in die Richtung einer einzigen Mischspalte. Vier Neuronen an zwei Elektroden: 0,95 gegen 0,41 bei der ICA und 0,39 bei SOBI. Die Grenzen bleiben sichtbar: viele gleichzeitige Spikes, sehr ähnliche Richtungen, eine einzelne Elektrode (0).
Demo starten →NMF an Mehrelektroden-Signalen
Sehen Sie, wie die nicht-negative Matrixfaktorisierung die gleichgerichteten Elektrodensignale in rein positive Teile zerlegt, ohne wie die ICA unabhängige Neuronen vorauszusetzen. Die Demo vergleicht sie mit ICA, SOBI und SCA. Im Standardfall trennt sie schlechter (Spitzen-F1, ein Trefferwert, 0,77 gegen 1,00), weil sie eine besser passende, aber falsche Zerlegung findet. Sie gewinnt vor allem bei stark synchron feuernden Neuronen.
Demo starten →Spike-Sorting-Pipeline an Mehrelektroden-Signalen
Verfolgen Sie die klassische Kette des Spike-Sortings: Schwelle, Ausschnitt, PCA-Merkmale und k-means sortieren die Ausschläge je Neuron, ganz ohne Mindestzahl an Elektroden. Die Demo vergleicht sie mit ICA, SOBI und SCA. Überlappende Spikes gehen verloren, und mit nur einer Elektrode sortiert k-means schlecht (Sortiergenauigkeit 0,65), obwohl ein Klassifikator, der die Neuronen kennt, auf denselben Merkmalen 0,94 erreicht.
Demo starten →Vorlagenabgleich an Mehrelektroden-Signalen
Sehen Sie, wie der Vorlagenabgleich die Aufnahme als Summe verschobener Neuronen-Vorlagen erklärt und gierig die am besten passende abzieht, sodass auch überlappende Spikes aufgelöst werden. Die Demo vergleicht ihn mit der Pipeline. Der Haken: Die Vorlagen stammen aus deren Clustern und erben ihre Fehler, mit einer Elektrode bleibt der Abgleich schwach (Spitzen-F1 0,55; mit den wahren Vorlagen 0,94).
Demo starten →Verzögerungsgraph an einem Elektrodengitter
Sehen Sie, wie der Verzögerungsgraph Zellen nicht an der Wellenform erkennt, sondern an festen Laufzeitunterschieden zwischen Elektroden: ein eigener Nachbau der Methode aus meiner Dissertation, der Vergleich mit Pipeline, Abgleich und ICA ist neu und synthetisch und kein Ergebnis der Dissertation. Der Haken: im Standardfall gewinnt er klar (Spitzen-F1 0,97 gegen 0,85 beim Abgleich), verliert aber bei wackelnden Verzögerungen und bei niedriger Feuerrate.
Demo starten →Welches Verfahren passt zu meinen Signalen?
Zwei Entscheidungsbäume: Baum 1 fragt nach den Annahmen über die Quellen (Zahl der Sensoren, Unabhängigkeit, Spektren), Baum 2 führt beim Spike-Sorting zum passenden Verfahren. Alle Antworten stützen sich auf Messungen an den erzeugten Signalen der Demos.
Baum 1: Was soll aus den Messungen werden?
Baum 2: Wie ordne ich Spikes den Zellen zu?
Beige Kästen sind Fragen (nicht klickbar), weiße Kästen sind Ergebnisse (klickbar, sie öffnen die jeweilige Demo). Was die Bäume nicht zeigen: Die SCA setzt voraus, dass die Quellen selten gleichzeitig aktiv sind. Bei starkem Rauschen (ab etwa 0,5) schlägt in den Demos sogar die beste Einzelelektrode die ICA. Der Verzögerungsgraph gewinnt auf dem Modell der Dissertation (Spitzen-F1 0,97 gegen 0,72 bis 0,85), verliert aber bei Verzögerungs-Jitter und niedriger Feuerrate; das ist mein eigener Nachbau, kein Ergebnis der Dissertation. Die NMF setzt nicht-negative Daten voraus (Elektrodensignale müssen dafür gleichgerichtet werden); im Standardfall trennt sie schlechter als ICA, SOBI und SCA (Spitzen-F1 0,77 gegen 1,00), gewinnt aber bei starker Synchronität (0,98), wo allerdings auch die beste Einzelelektrode 0,92 erreicht.
Weitere Linien in diesem Bereich
Zustandsschätzung und Filter
Ein Lieferfahrzeug, das nur über verrauschte Messungen bekannt ist, neun Stücke: vom Kalman-Filter über Glätter, Ausreißerschutz und HMM bis zu Partikelfilter, Mehrzielverfolgung, IMM und Baum-Welch.
Inverse Probleme und Regularisierung
Eine unscharfe, verrauschte Messung und eine bekannte Wahrheit, sechzehn Stücke: vom schlecht gestellten Problem über Strafterm, Abbruch und Parameterwahl, Vorwissen und Bayes-Sicht bis zu gelernten Priors und dem Vergleich der Verfahren.
Spektral- und Wavelet-Analyse
Eine endliche, verrauschte Aufzeichnung und die Frage, welche Frequenzen darin stecken und wie sie sich mit der Zeit ändern: sechzehn Stücke vom Periodogramm über Fenster, Modelle und Wavelets bis zum Verfahrensvergleich.