블라인드 소스 분리 (Blind Source Separation)
쉽게 풀면
블라인드 소스 분리는 여러 사람이 동시에 이야기하는 녹음 하나만 듣고, 각 사람의 목소리를 따로따로 분리해내는 것과 같은 문제입니다. 어떤 사람이 몇 명 있었는지, 마이크와 각 사람의 거리가 어땠는지 같은 사전 정보 없이, 오직 섞여 있는 신호만 가지고 원래의 소스들을 되찾아내야 하기 때문에 '블라인드(맹목적)'라는 표현이 붙습니다.
왜 중요한가
다중 마이크 음성 분리, 뇌파(EEG) 신호 분석, 무선통신의 다중 사용자 신호 분리 등 원천 신호에 대한 정보가 부족한 상황이 많아, 블라인드 소스 분리는 다양한 신호처리 응용에서 핵심 기법으로 다뤄집니다.
논문에서는 이렇게 쓰입니다
음성 분리 문제에 블라인드 소스 분리가 적용된 예입니다.
생체 신호 잡음 제거에 블라인드 소스 분리가 활용된 사례입니다.
조금 더 깊게 보면
대표적인 접근법으로는 신호들이 통계적으로 독립이라고 가정하는 독립성분분석(ICA)이 있으며, 신호가 비음수라는 제약을 활용하는 비음수 행렬 분해(NMF) 등도 사용됩니다. 마이크나 안테나 수가 원천 신호 수보다 많은지 적은지에 따라 적용 가능한 방법이 달라집니다. ICA는 중심극한정리에 따라 독립 신호들의 혼합이 개별 신호보다 더 가우시안 분포에 가까워진다는 원리를 이용해, 혼합 신호를 비가우시안성이 최대가 되는 방향으로 분리하는 방식으로 흔히 구현됩니다. 마이크 수가 원천 수보다 적은 과소결정(underdetermined) 문제는 별도의 희소성 기반 기법이 필요합니다.
주의할 점
원천 신호의 개수를 정확히 알기 어렵거나 신호 간 독립성 가정이 성립하지 않는 경우 분리 성능이 크게 저하될 수 있습니다. ICA로 분리된 성분들은 원래 신호의 순서와 크기(스케일)를 알 수 없는 근본적인 모호성을 가지므로, 어떤 분리 성분이 어떤 원천에 대응하는지는 별도의 사전 정보나 후처리로 판별해야 합니다. 또한 신호 간 완전한 통계적 독립을 가정하기 때문에, 원천 신호들이 서로 약하게라도 상관되어 있으면 분리 품질이 떨어질 수 있고, 반향이 심한 환경에서는 시간 지연까지 함께 추정해야 하는 컨볼루션 혼합 문제로 확장됩니다.