Separación ciega de fuentes no-determinada aplicada a mezclas de voz con base en la transformada wavelet discreta Undetermined blind source separation of speech mixtures based on discrete wavelet transform

La separación ciega de fuentes, conocida como BSS por sus siglas en inglés (Blind Source Separation), es una técnica de procesamiento de se ales que consiste en estimar fuentes en se ales mezcladas linealmente, utilizando métodos como el ICA, para se ales fuentes estadísticamente independientes. Uno de los algoritmos BSS más conocidos es el algoritmo JADE, el cual exige que el número de se ales independientes coincida con el número de se ales observadas (sensores). En situaciones reales, el número de sensores es menor al número de se ales fuentes (BSS no-determinado) y el problema no tiene solución. En este proyecto se propone una solución para BSS no-determinado, adicionando una etapa de preprocesamiento y una etapa de descomposición basada en la transformada wavelet discreta. Nuestro modelo, el cual hemos denominado DWT+BSS, crea una se al virtual observada a partir de una se al real observada y utiliza los coeficientes wavelet de las se ales observadas como entradas al algoritmo clásico JADE. El modelo se valida con se ales de voz y audio, obteniendo índices de similitud entre las se ales fuentes y las estimadas por encima de 0,7. Blind Source Separation, BSS, is a signal processing technique which estimates sources from linearly mixed signals and it uses methods such as ICA for sources that are statistically independent. Among the best known BSS algorithms is the JADE method, which requires that the number of independent signals match the number of observed signals (sensors). In the real world, the number of sensors is lower than the number of sources (undetermined BSS) and therefore the problem has no solution. This work proposes a solution for undetermined BSS by pre-processing and decomposition stages based on the Discrete Wavelet Transform (DWT). Our proposal, which it is known as DWT+BSS, creates a virtual observed signal from a real observed signal and it uses the wavelet coefficients of the observed signals as the inputs of the classical JADE algorithm. We validated our model with voice and audio signals obtaining indexes of similarity over 0.7 between the original and the estimated sources.