Textbook Latent Variable Analysis and Signal Separation 13Th International Conference Lva Ica 2017 Grenoble France February 21 23 2017 Proceedings 1St Edition Petr Tichavsky Ebook All Chapter PDF

Latent Variable Analysis and Signal
Separation 13th International

Conference LVA ICA 2017 Grenoble
France February 21 23 2017
Proceedings 1st Edition Petr Tichavský
Visit to download the full and correct content document:
https://textbookfull.com/product/latent-variable-analysis-and-signal-separation-13th-int
ernational-conference-lva-ica-2017-grenoble-france-february-21-23-2017-proceeding
s-1st-edition-petr-tichavsky/
More products digital (pdf, epub, mobi) instant
download maybe you interests ...
Latent Variable Analysis and Signal Separation 12th

International Conference LVA ICA 2015 Liberec Czech
Republic August 25 28 2015 Proceedings 1st Edition
Emmanuel Vincent
https://textbookfull.com/product/latent-variable-analysis-and-
signal-separation-12th-international-conference-lva-
ica-2015-liberec-czech-republic-
august-25-28-2015-proceedings-1st-edition-emmanuel-vincent/
Mathematical Morphology and Its Applications to Signal

and Image Processing 13th International Symposium ISMM
2017 Fontainebleau France May 15 17 2017 Proceedings
1st Edition Jesús Angulo
https://textbookfull.com/product/mathematical-morphology-and-its-
applications-to-signal-and-image-processing-13th-international-
symposium-ismm-2017-fontainebleau-france-
may-15-17-2017-proceedings-1st-edition-jesus-angulo/
Digital Forensics and Cyber Crime 9th International

Conference ICDF2C 2017 Prague Czech Republic October 9
11 2017 Proceedings 1st Edition Petr Matoušek
https://textbookfull.com/product/digital-forensics-and-cyber-
crime-9th-international-conference-icdf2c-2017-prague-czech-
republic-october-9-11-2017-proceedings-1st-edition-petr-matousek/
Provable Security: 11th International Conference,

ProvSec 2017, Xi’an, China, October 23-25, 2017,
Proceedings 1st Edition Tatsuaki Okamoto
https://textbookfull.com/product/provable-security-11th-
international-conference-provsec-2017-xian-china-
october-23-25-2017-proceedings-1st-edition-tatsuaki-okamoto/
Distributed Computing and Internet Technology 13th
International Conference ICDCIT 2017 Bhubaneswar India
January 13 16 2017 Proceedings 1st Edition Padmanabhan
Krishnan
https://textbookfull.com/product/distributed-computing-and-
internet-technology-13th-international-conference-
icdcit-2017-bhubaneswar-india-january-13-16-2017-proceedings-1st-
edition-padmanabhan-krishnan/
Intelligent Human Computer Interaction 9th

International Conference IHCI 2017 Evry France December
11 13 2017 Proceedings 1st Edition Patrick Horain
https://textbookfull.com/product/intelligent-human-computer-
interaction-9th-international-conference-ihci-2017-evry-france-
december-11-13-2017-proceedings-1st-edition-patrick-horain/
Collaborative Computing Networking Applications and

Worksharing 13th International Conference
CollaborateCom 2017 Edinburgh UK December 11 13 2017
Proceedings Imed Romdhani
https://textbookfull.com/product/collaborative-computing-
networking-applications-and-worksharing-13th-international-
conference-collaboratecom-2017-edinburgh-uk-
december-11-13-2017-proceedings-imed-romdhani/
Sensor Networks 6th International Conference SENSORNETS

2017 Porto Portugal February 19 21 2017 and 7th
International Conference SENSORNETS 2018 Funchal
Madeira Portugal January 22 24 2018 Revised Selected
Papers César Benavente-Peces
https://textbookfull.com/product/sensor-networks-6th-
international-conference-sensornets-2017-porto-portugal-
february-19-21-2017-and-7th-international-conference-
sensornets-2018-funchal-madeira-portugal-
january-22-24-2018-revised-sel/
Ambient Intelligence 13th European Conference AmI 2017
Malaga Spain April 26 28 2017 Proceedings 1st Edition
Andreas Braun
https://textbookfull.com/product/ambient-intelligence-13th-
european-conference-ami-2017-malaga-spain-
april-26-28-2017-proceedings-1st-edition-andreas-braun/
Petr Tichavský
Massoud Babaie-Zadeh
Olivier J.J. Michel
Nadège Thirion-Moreau (Eds.)
LNCS 10169
Latent Variable Analysis

and Signal Separation
13th International Conference, LVA/ICA 2017
Grenoble, France, February 21–23, 2017
Proceedings
123
Lecture Notes in Computer Science 10169
Commenced Publication in 1973
Founding and Former Series Editors:
Gerhard Goos, Juris Hartmanis, and Jan van Leeuwen
Editorial Board
David Hutchison
Lancaster University, Lancaster, UK
Takeo Kanade
Carnegie Mellon University, Pittsburgh, PA, USA
Josef Kittler
University of Surrey, Guildford, UK
Jon M. Kleinberg
Cornell University, Ithaca, NY, USA
Friedemann Mattern
ETH Zurich, Zurich, Switzerland
John C. Mitchell
Stanford University, Stanford, CA, USA
Moni Naor
Weizmann Institute of Science, Rehovot, Israel
C. Pandu Rangan
Indian Institute of Technology, Madras, India
Bernhard Steffen
TU Dortmund University, Dortmund, Germany
Demetri Terzopoulos
University of California, Los Angeles, CA, USA
Doug Tygar
University of California, Berkeley, CA, USA
Gerhard Weikum
Max Planck Institute for Informatics, Saarbrücken, Germany
More information about this series at http://www.springer.com/series/7407
Petr Tichavský Massoud Babaie-Zadeh
•
Olivier J.J. Michel Nadège Thirion-Moreau (Eds.)

•
Latent Variable Analysis

and Signal Separation
13th International Conference, LVA/ICA 2017
Grenoble, France, February 21–23, 2017
Proceedings
123
Editors
Petr Tichavský Olivier J.J. Michel
Institute of Information Theory Grenoble-Alpes University
and Automation Grenoble
Prague France
Czech Republic
Nadège Thirion-Moreau
Massoud Babaie-Zadeh Toulon University
Sharif University of Technology Toulon
Tehran France
Iran
ISSN 0302-9743 ISSN 1611-3349 (electronic)

Lecture Notes in Computer Science
ISBN 978-3-319-53546-3 ISBN 978-3-319-53547-0 (eBook)
DOI 10.1007/978-3-319-53547-0
Library of Congress Control Number: 2017931540
LNCS Sublibrary: SL1 – Theoretical Computer Science and General Issues
© Springer International Publishing AG 2017

This work is subject to copyright. All rights are reserved by the Publisher, whether the whole or part of the
material is concerned, specifically the rights of translation, reprinting, reuse of illustrations, recitation,
broadcasting, reproduction on microfilms or in any other physical way, and transmission or information
storage and retrieval, electronic adaptation, computer software, or by similar or dissimilar methodology now
known or hereafter developed.
The use of general descriptive names, registered names, trademarks, service marks, etc. in this publication
does not imply, even in the absence of a specific statement, that such names are exempt from the relevant
protective laws and regulations and therefore free for general use.
The publisher, the authors and the editors are safe to assume that the advice and information in this book are
believed to be true and accurate at the date of publication. Neither the publisher nor the authors or the editors
give a warranty, express or implied, with respect to the material contained herein or for any errors or
omissions that may have been made. The publisher remains neutral with regard to jurisdictional claims in
published maps and institutional affiliations.
Printed on acid-free paper
This Springer imprint is published by Springer Nature

The registered company is Springer International Publishing AG
The registered company address is: Gewerbestrasse 11, 6330 Cham, Switzerland
Preface
This volume gathers the full articles presented at the 13th International Conference on
Latent Variable Analysis and Signal Separation, LVA/ICA 2017, which was held
during February 21–23, 2017, and was hosted by the Grenoble-Alpes University, in
Grenoble, France, at the GreEn-Er School of Engineering.
Since its inception in 1999, under the name “Independent Component Analysis and
Blind Source Separation (ICA),” the series of LVA conferences (held approximately
every 18 months) have attracted hundreds of researchers and practitioners. The con-
ference has continuously broadened its horizons and scope of applications. The
LVA/ICA research topics encompass a wide range of general mixtures of latent vari-
able models but also theories and tools drawn from a great variety of disciplines such as
signal and image processing, applied statistics, machine learning, linear and multilinear
algebra, numerical analysis, optimization, etc. These research areas are of interest to
numerous application fields ranging from audio, telecommunications, food industry,
biochemistry, to biomedical engineering or observation sciences to cite a few. Thus it
offers very exciting interdisciplinary interactions. It also constitutes a multi-disciplinary
discussion forum for scientists and engineers where they can gain access to a broad
understanding of the state of the research in the field, keep up to date with active
research areas, discover or address the main theoretical challenges, but also face
real-world problems and share experiences.
This edition of the conference also marks a return to its roots, since the first edition
was held in Aussois, which, like Grenoble, is located in France in the Rhône Alpes
region. This volume of Springer’s Lecture Notes in Computer Science (LNCS) con-
tinues the tradition, which began in ICA 2004 (held in Granada, Spain), of publishing
the conference proceedings in this form.
For this 13th issue of the LVA-ICA international conference, 58 full papers were
submitted to regular sessions and to special sessions. Each submission of a regular full
paper was peer reviewed by at least two members of our Technical Program Committee
(TPC) or by competent additional reviewers assigned by the TPC members. Most papers
received three reviews. From these 58 submitted papers, 53 were accepted as oral
(31 papers) and poster (22 papers) presentations. The conference program included two
special sessions: “From Source Positions to Room Properties: Learning Methods for
Audio Scene Geometry Estimation” and “Latent Variable Analysis in Observation
Sciences,” proposed and chaired by R. Gribonval (Inria Rennes, France), and Y. Deville
(Toulouse University, France). Regular topics included: theoretical developments
(dictionary and manifold learning, optimization algorithms, performance analysis, etc.);
audio signal processing applications; tensor-based methods for blind signal separation;
signal processing for physics, biology, and biomedical applications; and sparsity aware
signal processing.
VI Preface
The Organizing Committee was pleased to invite three leading experts in these fields
for keynote lectures:
• Sharon Gannot (Bar-Ilan University, Israel),
• Olivier François (Grenoble-Alpes University, France),
• José Bioucas-Dias (University of Lisbon, Portugal).
Aware of the growing interest in emerging, as well as in classic LVA-related topics
among novice and veteran researchers alike, the Organizing Committee decided to
precede the conference by a one-day advanced Winter School on LVA and Advanced
Data, with the support of LabEx PERSYVAL (Grenoble-Alpes University), including
plenary lectures given by:
• Nikos Sidiropoulos (University of Minnesota, USA),
• Jean-François Cardoso (Paris-Saclay University, France),
• Pierre Comon (Grenoble-Alpes University, France),
• Christian Jutten (Grenoble-Alpes University, France).
The LVA-ICA conference was followed by a special one-day workshop organized
with the support of European Research Council projects DECODA and CHESS.
The conference also provided a forum for the sixth community-based Signal Sepa-
ration Evaluation Campaign (SiSEC 2017). SiSEC 2017 successfully continued the
series of evaluation campaigns initiated at ICA 2007, in London. This year’s SiSEC
campaign featured five round robin tests: four audio tasks consisting of underdetermined
speech and music mixtures (UND), two-channel mixtures of speech and real-world
background noise (BGN), professionally produced music recordings (MUS), asyn-
chronous recordings of speech mixtures (ASY), and one biomedical task on recording
of the sounds generated by the heart (BIO).
The success of the LVA/ICA 2017 conference was the result of the hard work of
many people and the support of many sponsors (Grenoble-Alpes University, Toulon
University, CNRS, Région Auvergne-Rhône Alpes, Agglomération de Grenoble),
whom we wish to warmly thank here. First, we wish to thank all the authors and all the
members of the TPC, without whom this high-quality volume would not exist.
We also want to express our gratitude to the members of the International LVA
Steering Committee for their continued support to the conference, as well as to the
SiSEC 2017 organizers and finally to the local Organizing Committee.
February 2017 Petr Tichavský

Massoud Babaie-Zadeh
Olivier Michel
Nadège Thirion-Moreau
Organization
General Chairs
Olivier J.J. Michel Grenoble-Alpes University, Grenoble-INP, France
Nadège Thirion-Moreau University of Toulon and Aix Marseille, France
Program Chairs
Petr Tichavský Institute of Information Theory and Automation,
Czech Republic
Massoud Babaie-Zadeh Sharif University of Technology, Tehran, Iran
Organization
GIPSA-Lab, Grenoble-Alpes University, France

LSIS, Toulon and Aix Marseille Universities, France
Special Sessions Organizers

Rémi Gribonval Inria, Rennes, France
Yannick Deville Toulouse University, France
SiSEC Chair
Antoine Liutkus Inria, Nancy, France
Sponsors
CNRS, France
Grenoble-Alpes University, France
Grenoble-INP
Toulon and Aix Marseille Universities, France
European Research Council projects CHESS (C. Jutten) and DECODA (P. Comon)
Région Auvergne-Rhône Alpes, France
La Métro, Grenoble
International Steering Committee

Tülay Adali University of Maryland, Baltimore County, USA
Andrzej Cichocki Riken Brain Science Institute, Japan
VIII Organization
Lieven De Lathauwer K.U. Leuwen, Belgium

Rémi Gribonval Irisa, Rennes, France
Christian Jutten Grenoble-Alpes University, France
Shoji Makino University of Tsukuba, Japan
Nobutaka Ono National Institute of Informatics/SOKENDAI, Japan
Mark Plumbley University of Surrey, UK
Paris Smaragdis University of Illinois at Urbana-Champaign, USA
Petr Tichavský The Czech Academy of Sciences, Czech Republic
Emmanuel Vincent Inria Nancy, France
Arie Yeredor Tel Aviv University, Israel
Program Committee
Tülay Adali University of Maryland, Baltimore County, USA
Sophie Achard CNRS, Grenoble, France
Shoko Araki NTT Communication Science Laboratories, Japan
Pierre Comon CNRS, Grenoble, France
Massoud Babaie-Zadeh Sharif University of Technology, Tehran, Iran
David Brie University of Lorraine, France
Marc Castella Telecom SudParis, France
Charles Casimiro Cavalcante Federal University of Ceará, Brazil
A. Taylan Cemgil Boğaziçi University, Turkey
Jeremy Cohen University of Mons, Belgium
Sergio Cruces University of Seville, Spain
Guanghui Cheng University of Chengdu, China
Otto Debals K.U. Leuven, Belgium
Yannick Deville University of Toulouse, France
Nicolas Dobigeon University of Toulouse, France
Sharon Gannot Bar-Ilan University, Israel
Nicolas Gillis University of Mons, Belgium
Martin Haardt Ilmenau University of Technology, Germany
Mariya Ishteva University of Brussel, Belgium
Zbyněk Koldovský Technical University of Liberec, Czech Republic
Ivica Kopriva Rudjer Boskovich Institute, Croatia
Dana Lahat Grenoble-Alpes University, France
Elmar Lang University of Regensburg, Germany
Olivier Michel Grenoble-Alpes University, France
Sebastian Miron University of Lorraine, France
Ali Mansour ENSTA Bretagne, France
Ali Mohammad Djafari CNRS, Paris, France
Eric Moreau University of Toulon, France
Francesco Nesta Conexant Systems, USA
Nobutaka Ono National Institute of Informatics/SOKENDAI, Japan
Anh-Huy Phan RIKEN, Japan
Ronald Phlypo Grenoble-Alpes University, France
Mark Plumbley University of Surrey, UK
Organization IX
Mohammad Shamsollahi Sharif University of Technology, Tehran, Iran

Bertrand Rivet Grenoble-Alpes University, France
Saeid Sanei University of Surrey, UK
Hao Shen TU Munich, Germany
Nikos Sidiropoulos University of Minnesota, USA
Paris Smaragdis University of Illinois at Urbana-Champaign, USA
Nadège Thirion-Moreau University of Toulon, France
Petr Tichavský The Czech Academy of Sciences, Czech Republic
Leonardo Tomazeli Duarte University of Campinas, Brazil
Konstantin Usevich Grenoble-Alpes University, France
Emmanuel Vincent Inria Nancy, France
DeLiang Wang Ohio State University, USA
Vicente Zarzoso University of Nice Sophia Antipolis, France
Contents
Tensor Approaches
Higher-Order Block Term Decomposition for Spatially Folded

fMRI Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
Christos Chatzichristos, Eleftherios Kofidis, Yiannis Kopsinis,
Manuel Morante Moreno, and Sergios Theodoridis
Modeling Parallel Wiener-Hammerstein Systems Using Tensor

Decomposition of Volterra Kernels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
Philippe Dreesen, David T. Westwick, Johan Schoukens,
and Mariya Ishteva
Fast Nonnegative Matrix Factorization and Completion Using

Nesterov Iterations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
Clément Dorffer, Matthieu Puigt, Gilles Delmaire, and Gilles Roussel
Blind Source Separation of Single Channel Mixture Using Tensorization

and Tensor Diagonalization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
Anh-Huy Phan, Petr Tichavský, and Andrzej Cichocki
High-Resolution Subspace-Based Methods: Eigenvalue-

or Eigenvector-Based Estimation? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
Konstantin Usevich, Souleymen Sahnoun, and Pierre Comon
From Source Positions to Room Properties: Learning Methods

for Audio Scene Geometry Estimation
Speaker Tracking on Multiple-Manifolds with Distributed Microphones . . . . . 59

Bracha Laufer-Goldshtein, Ronen Talmon, and Sharon Gannot
VAST: The Virtual Acoustic Space Traveler Dataset . . . . . . . . . . . . . . . . . . 68

Clément Gaultier, Saurabh Kataria, and Antoine Deleforge
Sketching for Nearfield Acoustic Imaging of Heavy-Tailed Sources. . . . . . . . 80

Mathieu Fontaine, Charles Vanwynsberghe, Antoine Liutkus,
and Roland Badeau
Acoustic DoA Estimation by One Unsophisticated Sensor . . . . . . . . . . . . . . 89

Dalia El Badawy, Ivan Dokmanić, and Martin Vetterli
XII Contents
Acoustic Source Localization by Combination of Supervised

Direction-of-Arrival Estimation with Disjoint Component Analysis . . . . . . . . 99
Jörn Anemüller and Hendrik Kayser
Tensors and Audio
An Initialization Method for Nonlinear Model Reduction Using

the CP Decomposition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
Gabriel Hollander, Philippe Dreesen, Mariya Ishteva,
and Johan Schoukens
Audio Zoom for Smartphones Based on Multiple Adaptive Beamformers. . . . 121

Ngoc Q.K. Duong, Pierre Berthet, Sidkièta Zabre, Michel Kerdranvat,
Alexey Ozerov, and Louis Chevallier
Complex Valued Robust Multidimensional SOBI . . . . . . . . . . . . . . . . . . . . 131

Niko Lietzén, Klaus Nordhausen, and Pauliina Ilmonen
Ego Noise Reduction for Hose-Shaped Rescue Robot Combining

Independent Low-Rank Matrix Analysis and Multichannel
Noise Cancellation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
Narumi Mae, Masaru Ishimura, Shoji Makino, Daichi Kitamura,
Nobutaka Ono, Takeshi Yamada, and Hiroshi Saruwatari
Some Theory on Non-negative Tucker Decomposition. . . . . . . . . . . . . . . . . 152

Jeremy E. Cohen, Pierre Comon, and Nicolas Gillis
A New Algorithm for Multimodal Soft Coupling . . . . . . . . . . . . . . . . . . . . 162

Farnaz Sedighin, Massoud Babaie-Zadeh, Bertrand Rivet,
and Christian Jutten
Adaptive Blind Separation of Instantaneous Linear Mixtures

of Independent Sources . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
Ondřej Šembera, Petr Tichavský, and Zbyněk Koldovský
Source Separation, Dereverberation and Noise Reduction Using LCMV

Beamformer and Postfilter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182
Ofer Schwartz, Sebastian Braun, Sharon Gannot,
and Emanuël A.P. Habets
Toward Rank Disaggregation: An Approach Based on Linear Programming

and Latent Variable Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192
Vincent Vigneron and Leonardo Tomazeli Duarte
A Proximal Approach for Nonnegative Tensor Decomposition . . . . . . . . . . . 201

Xuan Vu, Caroline Chaux, Nadège Thirion-Moreau, and Sylvain Maire
Contents XIII
Psychophysical Evaluation of Audio Source Separation Methods . . . . . . . . . 211

Andrew J.R. Simpson, Gerard Roma, Emad M. Grais,
Russell D. Mason, Christopher Hummersone, and Mark D. Plumbley
Audio Signal Processing
On the Use of Latent Mixing Filters in Audio Source Separation . . . . . . . . . 225

Laurent Girin and Roland Badeau
Discriminative Enhancement for Single Channel Audio Source Separation

Using Deep Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 236
Emad M. Grais, Gerard Roma, Andrew J.R. Simpson,
and Mark D. Plumbley
Audiovisual Speech Separation Based on Independent Vector Analysis

Using a Visual Voice Activity Detector . . . . . . . . . . . . . . . . . . . . . . . . . . . 247
Pierre Narvor, Bertrand Rivet, and Christian Jutten
Monoaural Audio Source Separation Using Deep Convolutional Neural

Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 258
Pritish Chandna, Marius Miron, Jordi Janer, and Emilia Gómez
Theoretical Developments
On the Behaviour of the Estimated Fourth-Order Cumulants Matrix

of a High-Dimensional Gaussian White Noise . . . . . . . . . . . . . . . . . . . . . . 269
Pierre Gouédard and Philippe Loubaton
Caveats with Stochastic Gradient and Maximum Likelihood Based ICA

for EEG. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 279
Jair Montoya-Martínez, Jean-François Cardoso,
and Alexandre Gramfort
Approximate Joint Diagonalization According to the Natural

Riemannian Distance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 290
Florent Bouchard, Jérôme Malick, and Marco Congedo
Gaussian Processes for Source Separation in Overdetermined

Bilinear Mixtures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 300
Denis G. Fantinato, Leonardo T. Duarte, Bertrand Rivet,
Bahram Ehsandoust, Romis Attux, and Christian Jutten
Model-Independent Method of Nonlinear Blind Source Separation . . . . . . . . 310

David N. Levin
XIV Contents
Physics and Bio Signal Processing
The 2016 Signal Separation Evaluation Campaign. . . . . . . . . . . . . . . . . . . . 323

Antoine Liutkus, Fabian-Robert Stöter, Zafar Rafii, Daichi Kitamura,
Bertrand Rivet, Nobutaka Ito, Nobutaka Ono, and Julie Fontecave
Multimodality for Rainfall Measurement . . . . . . . . . . . . . . . . . . . . . . . . . . 333

Hagit Messer
Particle Flow SMC-PHD Filter for Audio-Visual Multi-speaker Tracking . . . . 344

Yang Liu, Wenwu Wang, Jonathon Chambers, Volkan Kilic,
and Adrian Hilton
Latent Variable Analysis in Observation Sciences
Estimation of the Intrinsic Dimensionality in Hyperspectral Imagery

via the Hubness Phenomenon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 357
Rob Heylen, Mario Parente, and Paul Scheunders
A Blind Identification and Source Separation Method Based on Subspace

Intersections for Hyperspectral Astrophysical Data . . . . . . . . . . . . . . . . . . . 367
Axel Boulais, Yannick Deville, and Olivier Berné
Estimating the Number of Endmembers to Use in Spectral Unmixing

of Hyperspectral Data with Collaborative Sparsity . . . . . . . . . . . . . . . . . . . . 381
Lucas Drumetz, Guillaume Tochon, Jocelyn Chanussot,
Sharpening Hyperspectral Images Using Plug-and-Play Priors. . . . . . . . . . . . 392

Afonso Teodoro, José Bioucas-Dias, and Mário Figueiredo
On Extracting the Cosmic Microwave Background from

Multi-channel Measurements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 403
Jean-François Cardoso
ICA Theory and Applications
Kernel-Based NPLS for Continuous Trajectory Decoding from ECoG Data

for BCI Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 417
Sarah Engel, Tetiana Aksenova, and Andrey Eliseyev
On the Optimal Non-linearities for Gaussian Mixtures in FastICA. . . . . . . . . 427

Joni Virta and Klaus Nordhausen
Contents XV
Fast Disentanglement-Based Blind Quantum Source Separation and Process

Tomography: A Closed-Form Solution Using a Feedback Classical
Adapting Structure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 438
Yannick Deville and Alain Deville
Blind Separation of Cyclostationary Sources with Common

Cyclic Frequencies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 449
Amine Brahmi, Hicham Ghennioui, Christophe Corbier,
M’hammed Lahbabi, and François Guillet
Adaptation of a Gaussian Mixture Regressor to a New Input Distribution:

Extending the C-GMR Framework . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 459
Laurent Girin, Thomas Hueber, and Xavier Alameda-Pineda
Efficient Optimization of the Adaptive ICA Function with Estimating

the Number of Non-Gaussian Sources . . . . . . . . . . . . . . . . . . . . . . . . . . . . 469
Yoshitatsu Matsuda and Kazunori Yamaguchi
Feasibility of WiFi Site-Surveying Using Crowdsourced Data. . . . . . . . . . . . 479

Sylvain Leirens, Christophe Villien, and Bruno Flament
On Minimum Entropy Deconvolution of Bi-level Images . . . . . . . . . . . . . . . 489

K. Nose-Filho, A.K. Takahata, R. Suyama, R. Lopes,
and J.M.T. Romano
A Joint Second-Order Statistics and Density Matching-Based Approach

for Separation of Post-Nonlinear Mixtures . . . . . . . . . . . . . . . . . . . . . . . . . 499
Denis G. Fantinato, Leonardo T. Duarte, Paolo Zanini, Bertrand Rivet,
Romis Attux, and Christian Jutten
Optimal Measurement Times for Observing a Brownian Motion over

a Finite Period Using a Kalman Filter . . . . . . . . . . . . . . . . . . . . . . . . . . . . 509
Alexandre Aksenov, Pierre-Olivier Amblard, Olivier Michel,
On Disjoint Component Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519

K. Nose-Filho, L.T. Duarte, and J.M.T. Romano
Sparsity-Aware Signal Processing
Accelerated Dictionary Learning for Sparse Signal Representation. . . . . . . . . 531

Fateme Ghayem, Mostafa Sadeghi, Massoud Babaie-Zadeh,
BSS with Corrupted Data in Transformed Domains . . . . . . . . . . . . . . . . . . . 542

Cécile Chenot and Jérôme Bobin
XVI Contents
Singing Voice Separation Using RPCA with Weighted l1 -norm . . . . . . . . . . 553

Il-Young Jeong and Kyogu Lee
Multimodal Approach to Remove Ocular Artifacts from EEG Signals Using

Multiple Measurement Vectors . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 563
Victor Maurandi, Bertrand Rivet, Ronald Phlypo, Anne Guérin–Dugué,
Author Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 575

Tensor Approaches
Higher-Order Block Term Decomposition
for Spatially Folded fMRI Data
Christos Chatzichristos1,2(B) , Eleftherios Kofidis1,3 , Yiannis Kopsinis1,4 ,

Manuel Morante Moreno1,2 , and Sergios Theodoridis1,2,5
1
Computer Technology Institute & “Press Diophantus” (CTI), Patras, Greece
{chatzichris,morante}@cti.gr
2
Department of Informatics and Telecommunications,
National and Kapodistrian University of Athens, Athens, Greece
stheodor@di.uoa.gr
3
Department of Statistics and Insurance Science,
University of Piraeus, Piraeus, Greece
kofidis@unipi.gr
4
LIBRA MLI Ltd., Edinburgh, UK
kopsinis@ieee.org
5
IAASARS, National Observatory of Athens, 15236 Penteli, Greece
Abstract. The growing use of neuroimaging technologies generates a

massive amount of biomedical data that exhibit high dimensionality.
Tensor-based analysis of brain imaging data has been proved quite effec-
tive in exploiting their multiway nature. The advantages of tensorial
methods over matrix-based approaches have also been demonstrated
in the context of functional magnetic resonance imaging (fMRI) data
analysis. However, such methods can become ineffective in demanding
scenarios, involving, e.g., strong noise and/or significant overlapping of
activated regions. This paper aims at investigating the possible gains
that can be obtained from a better exploitation of the spatial dimension,
through a higher (than 3)-order tensor modeling of the fMRI signals. In
this context, a higher-order Block Term Decomposition (BTD) is applied,
for the first time in fMRI analysis. Its effectiveness in handling strong
instances of noise is demonstrated via extensive simulation results.
Keywords: fMRI · Tensors · BTD · CPD · TPICA
1 Introduction
Functional Magnetic Resonance Imaging (fMRI) is a noninvasive technique for
studying brain activity. During an fMRI experiment, a series of brain images
is acquired, while the subject performs a set of tasks responding to external
stimuli. Changes in the blood-oxygen-level dependent (BOLD) signal are used
to examine activation in the brain [1]. The localization of the activated brain
areas is a challenging “cocktail party” problem and our goal is to distinguish

c Springer International Publishing AG 2017
P. Tichavský et al. (Eds.): LVA/ICA 2017, LNCS 10169, pp. 3–15, 2017.
DOI: 10.1007/978-3-319-53547-0 1
4 C. Chatzichristos et al.
those areas as well as activation patterns (time courses) through some Blind
Source Separation (BSS) (decomposition) method [2].
In fMRI studies, the structure of the data involves multiple modes, such as
trial and subject, in addition to the intrinsic modes of time and space [3]. The use
of multivariate bi-linear (matrix-based) methods through concatenating different
modes, has been, up to recently, the state of the art for extracting information
concerning spatial and temporal features. Such methods have also been extended
to multi-subject experiments [4,5]. After acquiring an fMRI image at a time
instance n (Fig. 1), the three-dimensional data (referred to here as folded data)
are reshaped (unfolded) into a sequence of vectors tn=1,2,...,N . These N vectors
(images at different time instants) are stacked together to form a matrix, W1 .
Similarly, the data coming from a second subject (multi-subject case) are stacked
together to form another matrix, W2 , and the two matrices are joined together
to form W12 ; the latter will then be decomposed by some BSS method. Thus, the
5th-order problem of a multi-subject fMRI experiment has been transformed into
a second-order problem. This unfolding of higher-order data into two-way arrays
leads to decompositions that are inherently non-unique, and, most importantly,
can result in a loss of the multi-way linkages.
The multi-way nature of the data can be retained in multilinear models,
which, in general (a) produce representations that are unique [6], (b) can improve
the ability of extracting spatiotemporal modes of interest, and (c) facilitate
subsequent interpretations, that are neurophysiologically meaningful [3]. In the
example of Fig. 1, instead of being concatenated into a matrix W12 , the matrices
W1 and W2 can be used to form a third-order tensor; hence, a tensor decom-
position method can be mobilized for the BSS task [7]. The results from such
methods seem to be very promising and provide, in most cases, better spatial and
temporal localization of the activity, compared to the matrix-based approaches.
However, still, these methods inherit the initial step of the spatial unfolding of
the data into a vector tn from their matrix-based counterparts. That is, some-
how, they do not fully exploit the multiway nature of the obtained data, which
seems not to be the natural thing to do for the task at hand.
It is, therefore, of interest to explore the application of higher-order mod-
els and investigate possible benefits from fully exploiting the underlying spatial
information. In order to use all the spatial information in the available data,
our kick off point will be to bypass the initial step of unfolding the data into
Fig. 1. Brain images unfolded in vectors and stacked in matrices.

Higher-Order Block Term Decomposition for Spatially Folded fMRI Data 5
tn vectors. Furthermore, the Block-Term Decomposition (BTD) model [8–10]

will be adopted, for a first time in fMRI analysis, in view of its higher modeling
potential and its increased robustness to rank estimation errors. Through exten-
sive simulation results, it will be demonstrated that the proposed method can
overcome drawbacks of the state-of-the art tensorial techniques, improving the
accuracy of the decomposition results even in cases of challenging scenarios.
1.1 Notation
Vectors, matrices and higher-order tensors are denoted by bold lower-case,

upper-case and calligraphic upper-case letters, respectively. The transpose of
a given matrix, A, is written as AT . An entry of a vector a, a matrix A,
or a tensor A is denoted by ai , ai,j , ai,j,k , etc. The column-wise Khatri-
I×R J×R
Rao product of two matrices, A ∈ R and B ∈ R , is denoted by
A B = a1 ⊗ b1 , a2 ⊗ b2 , . . . , aR ⊗ bR , with ai , bi being the ith columns
of A, B, respectively. The outer product is denoted by ◦. For an N th-order ten-
sor, A ∈ RI1 ×I2 ×···×IN , A×n denotes its mode–n unfolded (matricized) version,
that results from mapping the tensor element with indices (i1 , i2 , . . . , iN ) to a
N k−1
matrix element (in , j), with j = 1 + k=1,k=n [(ik − 1) m=1,m=n Im ] for N > 2.
2 Tensorial fMRI Analysis
2.1 Canonical Polyadic Decomposition (CPD)
The Canonical Polyadic Decomposition (CPD) (or PARAFAC) [11] approxi-

mates a tensor of fMRI data, T ∈ RI×J×K , by a sum of R vector outer products,
R

T = ar ◦ br ◦ cr + E, (1)
r=1
where E stands for the modeling error tensor. Equivalently,
T×1 = A(C B)T + E×1 , (2)

where A = a1 , a2 , . . . , aR contains the factors of the spatial (voxel) activity
of the R sources (components) and the similarly defined matrices, B and C,
correspond to the associated time courses and subjects, respectively. The sum-
of-squares of the residual E is minimized to determine the latent factors in the R
terms. The main advantage of the CPD, besides its simplicity, is the fact that it
is unique up to permutation and scaling under mild conditions [12]. Uniqueness
of CPD is crucial to its application in fMRI. In fact, it was demonstrated [13,14]
that CPD with fMRI data is robust to overlaps (spatial and/or temporal) as
well as noise. On the other hand, the result of CPD is largely dependent on the
correct estimation of the tensor rank R [15,16], which is known to be a difficult
task in tensor modeling.
Fig. 2. Brain images unfolded in matrices, and stacked in tensors.
2.2 Tensor Probabilistic Independent Component Analysis

(TPICA)
Independent Component Analysis (ICA) has demonstrated promising results in

the characterization of single-subject fMRI data [4]. TPICA, as proposed in [17],
is essentially a hybrid of the Probabilistic ICA (PICA) [18] method and the
CPD method for multi-subject cases. Given a tensor of fMRI data, T , TPICA
factorizes it as:
T×1 ≈ AMT , (3)
where the rows of A are assumed to be a sample of independent, non-
Gaussian [18] random variables and M = C B is a Khatri-Rao structured
mixing matrix. TPICA computes the decomposition of the tensor in two steps:
an ICA step, which estimates M and A, and, at a second step, a Khatri-Rao
factorization of M (using Singular Value Decomposition (SVD)) to compute the
factors B and C. TPICA is more robust than CPD to rank estimation inaccura-
cies but it exhibits inferior performance in the presence of overlap in the sources
and/or strong noise [13,14].
3 Block Term Decomposition (BTD) for fMRI
Phan et al. [19,20] proved that, unfolding noisy data to low order tensors gen-
erally results in loss of accuracy in the respective decomposition. The extent
of this loss in accuracy depends on the degree of collinearity of the columns in
the unfolded mode. Furthermore, as pointed out in [21], the ability of multiway
fits to make more robust predictions, compared to their two-way counterparts,
seems to grow with the noise level. The use of higher-order tensors could, there-
fore, improve the result of the decomposition, both in terms of accuracy and
robustness in cases of strong noise.
A way to benefit from the findings mentioned before is to adopt an alternative
type of data unfolding, instead of reshaping the whole brain volume into a vector
tn (Fig. 1). For the proposed unfolding, we adopt the mode-1 (frontal) matriciza-
tion of the respective data tensor, An (Fig. 2) (other modes of matricization can
also be used). By stacking the N matrices together, a 3rd-order tensor, Z 1 , is
formed (Fig. 2). Finally, for n different subjects, a 4-th order tensor is created by
stacking together all three-order Z n tensors. CPD with such type of unfolding
will succeed only in cases where the assumption of rank-1 is correct (S1 source
in Fig. 3). In cases of spatial activation of higher rank (S2 source), CPD results
in phantoms (from the multiplication of x1 with y2 , x2 with y1 and y3 , etc.). The
different language centers obtained from language generation tasks are examples
of such sources (Fig. 4). The constraints of CPD can be proved to be restrictive
in such cases.
Fig. 3. Decomposition of sources S1 Fig. 4. Language centers [22].

and S2 .
On the other hand, it seems less restrictive to decompose the tensor in terms
of low rank factors, which, however, are not necessarily of rank one; this enhances
the potential for modeling more general phenomena [10]. As an alternative to
CPD, the use of Block Term Decomposition (BTD) [8–10] in the folded higher-
order tensor is investigated in this work. The rank-(Lr , Lr , 1) BTD of a tensor,
T ∈ RI1 ×I2 ×I3 , into a sum of rank-(Lr , Lr , 1) terms is given by
R
R

T = Ar ◦ br = (Xr YTr ) ◦ br , (4)
r=1 r=1
where the matrix Ar = Xr YTr ∈ RI1 ×I2 has rank Lr . BTD (3rd-order) has been
successfully applied in modeling epileptic seizures in electro-encephalograms [23]
and proved capable of modeling nonstationary (in frequency or in space) seizures,
better than other techniques. A generalization of BTD has been also used in EEG
Motor Imagery Data (MID) [24]. BTD has not been previously applied in fMRI
analysis, to the best of the authors’ knowledge. In this work, it is proposed to
decompose the four -order data using the rank-(Lr , Lr , 1, 1) BTD:
R
R

T = Ar ◦ br ◦ cr = (Xr YrT ) ◦ br ◦ cr . (5)
r=1 r=1
3.1 Uniqueness
It was proven
in [8] thatBTD in (4) is (essentially)
unique provided that the
matrices X1 X2 · · · XR and Y1 Y2 · · · YR are full column rank and the
matrix B = b1 b2 · · · bR does not contain collinear columns, up to the follow-
ing indeterminacies. Scaling and permutation, as in CPD, and the simultaneous
post-multiplication of Xr by a nonsingular matrix F with the pre-multiplication
of Yr by F−1 ; an indeterminacy which does not affect our result since the matrix
Ar = Xr YTr (our spatial map) is not affected. An argument showing that this
kind of uniqueness can be extended to the rank-(Lr , Lr , 1, 1) case follows.
Proof. As suggested in [6], the uniqueness of a higher-order tensor decomposi-

tion can be shown through a reduction to a third-order tensor, which is “the first
instance of multilinearity for which uniqueness holds and from which uniqueness
propagates
by virtue
of Khatri-Rao structure”
[6]. Assume that the matrices
X1 X2 · · · XR and Y1 Y2 · · · YR are of full column rank and the matri-

ces B, C = c1 c2 · · · cR do not contain collinear or null columns (a realistic
assumption for matrices that represent time and subjects). In view of the above,
uniqueness for (5) can be proved via the uniqueness of its three-mode counter-
part, where the fourth mode is nested into the third one:
R

T = Ar ◦ gr , (6)
r=1

where G = g1 g2 · · · gR = B C is the Khatri-Rao product of two matri-
ces of no null nor collinear columns, and hence does not have null or collinear
columns
either [25, Proposition
1]. Following
Theorem 4.1 of [9], since the matri-
ces X1 X2 · · · XR and Y1 Y2 · · · YR have full column rank and the matrix
G has no collinear columns, the decomposition is essentially unique.
4 Simulation Results
Two different simulation studies are presented, with scenarios and data repro-
duced from [13,14]. Rank determination in the experiments is performed with the
aid of the Core Consistency Diagnostic (CorConDia) method [15] and the trian-
gle method [16]. The estimated rank of the decomposition increases as the signal
to noise ratio (SNR) levels decrease significantly, because some peaks of the noise
get higher amplitude than the useful signal and are recognized as a source [13].
For BTD, the Non Linear Least Squares method of the Structured Data Fusion
(SDF) toolbox [26] is employed, as implemented in Tensorlab 3.0 [27].
4.1 Simulation of a Perception Study
In this study, the data of three subjects were simulated under the assumptions
of a simplified version of a realistic perception study [14]. The simulated data
Fig. 5. The three sources used in the first experiment.
are a 60 × 50 axial slice of voxel activity from somewhere near the level of
Brocas area. The second and third components of Fig. 5 represent the visual and
motion perception components respectively, which have 50% of shared active
voxels. The data from each subject contained all the three sources with different
activation levels. The activity within each active voxel was randomly sampled
from a Uniform [0.8, 1.2] distribution for each replication of each simulation
condition. White Gaussian noise was added. Following [13], the SNR is defined
as the Frobenius norm of the signal divided by the Frobenius norm of the noise.
With all the methods, the estimated rank of the decomposition was R = 3
for high SNR, while for SNR = 0.05 for CPD and BTD, R = 4. The result of
the decomposition is insensitive to overestimation of Lr . Moreover, in cases of
underestimation (Lr smaller than the true value) the result gets better when
we increase Lr . Note that higher Lr values result in increased complexity. A
compromise between accuracy and complexity shall be made. For BTD, Lr = 3,
has been selected for all r. In Figs. 5, 6 and 7, the performance gain of BTD
as the noise power increases can be observed (mean of 30 runs). TPICA starts
failing at values of SNR lower than 0.12 while CPD, following the findings of [14],
maintain the almost perfect separation of the sources at values of SNR ≈ 0.1.
The fact that BTD identifies the sources correctly at the overlapping areas even
with SNR = 0.05 must be emphasized.
Fig. 6. Decomposition of the data (SNR = 0.12).

4.2 Multi-slice Simulation
The signal consists of artificial voxel activation maps (of three different slices),
time patterns and activation strengths for three subjects. White random
Gaussian noise is added, with the noise mean and variance being estimated
from real resting state fMRI (for details, see [17]). The voxel-wise noise mean
and variance are the same for each subject. Beckmann and Smith [17] consider
five different artificial fMRI datasets, named (A)–(E), which differ only in their
signal part and have no spatial overlap, while Stegeman [13] added three more
fMRI datasets (F)–(H) with high percentage of overlap between the sources. In
this paper, datasets (A) and (G) (lowest and highest spatial overlap) will be
used (Fig. 9). In dataset G, the first two spatial maps are a combination of spa-
tial maps 1 and 2 of dataset A, hence, the activity of the first two maps takes
place in the first two brain slabs, and they have 51% and 63% of their active
voxels in common (high percentage of overlap), respectively. Map 3, the time
courses B and the noise instance are the same as in dataset A. Having been
convolved with a canonical haemodynamic response function, the time courses
and the spatial maps consist of three different spatiotemporal processes, which
are present in every subject with different power. The performance evaluation
is based on the Pearson correlation. We computed the correlation between the
time courses obtained from the different methods and the actual ones, and the
Fig. 9. Spatial maps of dataset A (left), G (center) and the common time courses
(right).
correlation between the spatial maps acquired and the real “averaged” spa-
tial maps computed with Ordinary Least Squares (OLS) regression (similarly
to [13,17]).
Dataset A. In CPD and BTD, four components were extracted whereas in

TPICA three (estimated rank, as also exhibited in [13]). Tables 1 and 2 present
the mean correlation (over 30 runs) of spatial maps and time courses (respec-
tively) of the different decompositions at three different SNR values. Note the sta-
bility in the performance of BTD compared to the other two methods. Further-
more, the different effect of noise in TPICA and CPD can be readily observed.
In TPICA, the correlation between the estimated spatial map and the “true”
Table 1. Correlation of spatial maps of dataset A.
Maps SNR = 0.08 SNR = 0.06 SNR = 0.04

Map 1 Map 2 Map 3 Map 1 Map 2 Map 3 Map 1 Map 2 Map 3
TPICA M1 0.68 0.1 0.1 0.54 –0.12 0.15 0.34 0.19 0.18
TPICA M2 0.1 0.99 0.1 0.12 0.89 0.1 0.22 0.76 0.18
TPICA M3 0.1 0.1 0.96 0.11 0.11 0.82 0.19 0.2 0.72
CPD M1 0.74 –0.2 –0.12 0.69 –0.34 –0.28 0.48 –0.41a 0.30
CPD M2 0.18 0.97 –0.12 –0.28 0.9 –0.15 –0.34 0.68 0.19
CPD M3 –0.21 –0.12 0.99 –0.29 0.15 0.88 0.4 –0.2 0.7
BTD M1 0.90 0.12 –0.14 0.80 0.14 –0.15 0.68 –0.29 –0.18
BTD M2 0.11 0.96 0.12 0.18 0.92 –0.12 –0.29 0.87 –0.19
BTD M3 –0.12 0.1 0.99 –0.2 0.12 0.94 –0.23 –0.19 0.84
a At the fourth component the crosstalk is also relatively high
Table 2. Correlation of time courses of dataset A.
Time Courses SNR = 0.08 SNR = 0.06 SNR = 0.04

Tcs 1 Tcs 2 Tcs 3 Tcs 1 Tcs 2 Tcs 3 Tcs 1 Tcs 2 Tcs 3
TPICA T1 0.34 0 0 0.28 0 0.1 0.2 0 0.22
TPICA T2 0 0.92 0 0 0.89 0.12 0 0.70 0.16
TPICA T3 0.1 0.1 0.96 0.11 0.11 0.82 0.19 0.2 0.72
CPD T1 0.58 0 0.18 0.5 0.15 –0.2 0.4 0.2 0.2
CPD T2 0.20 0.92 –0.24 0.34 0.88 0.28 0.35 0.75 0.39
CPD T3 0.18 0 0.95 –0.2 0.12 0.85 0.22 –0.23 0.68
BTD T1 0.68 0 0 0.65 0.1 0.12 0.58 –0.21 0.22
BTD T2 0.11 0.92 0.18 –0.24 0.89 0.22 0.23 0.85 0.28
BTD T3 –0.18 0 0.95 –0.2 0.1 0.88 –0.22 –0.18 0.78
one decreases dramatically as the level of the noise gets higher, while in CPD the
decrease is slower but with a significant increase of the cross-talk (correlation
among “wrong” spatial maps). The correlations compared to those in [13] are
slightly higher, since in addition to the intra-cranial voxels all the voxels inside
the minimum rectangle around the brain mask were used.
Dataset G. Tables 3 and 4 exhibit the drawback of TPICA compared to CPD

and BTD in cases of high overlap, and the gains obtained by BTD against the
other two methods, in the presence of high levels of noise. Even with relatively
high SNR (=0.12), TPICA fails to correctly separate the sources, as the second
slice of the spatial maps of the first two sources is almost the same. At SNR =
0.08, the maximum correlation of map 2 occurs with spatial map 1, instead of the
correct spatial map 2. This is due to the fact that TPICA fails in distinguishing
Table 3. Correlation of spatial maps of dataset G.
Maps SNR1 = 0.15 SNR2 = 0.12 SNR3 = 0.08a

Map 1 Map 2 Map 3 Map 1 Map 2 Map 3 Map 1 Map 2 Map 3
TPICA M1 0.85 0.75 0.11 0.65 0.47 0.12 0.55 0.29 0.14
TPICA M2 0.69 0.89 0.09 0.59 0.48 0.12 0.54 0.32 0.11
TPICA M3 0.11 0.12 0.98 0.12 0.12 0.94 0.20 0.19 0.88
CPD M1 0.96 –0.20 –0.12 0.87 0.44 0.21 0.75 –0.47 0.22
CPD M2 –0.48 0.94 0.12 0.51 0.90 –0.12 –0.54 0.72 0.29
CPD M3 –0.11 0.11 0.98 0.24 0.11 0.94 0.25 0.28 0.90
BTD M1 0.96 –0.15 0.1 0.94 0.23 0.12 0.88 –0.32 0.13
BTD M2 –0.25 0.94 0.18 0.28 0.92 0.18 –0.27 0.88 0.19
BTD M3 –0.12 0.17 0.95 0.13 0.18 0.95 0.14 0.2 0.92
a TPICA in SNR = 0.08 often fails to separate 3 components
Table 4. Correlation of time courses of dataset G.
Time Courses SNR = 0.08 SNR = 0.06 SNR = 0.04

Tcs 1 Tcs 2 Tcs 3 Tcs 1 Tcs 2 Tcs 3 Tcs 1 Tcs 2 Tcs 3
TPICA T1 0.96 –0.54 0.13 0.54 0.43 0.2 0.40 0.14 0.2
TPICA T2 –0.31 0.80 0.11 0.45 0.50 –0.13 0.38 0.23 –0.16
TPICA T3 0.14 –0.12 0.94 0.20 0.24 0.93 0.22 –0.50 0.60
CPD T1 0.96 –0.24 –0.11 0.84 0.26 0.2 0.62 –0.50 –0.2
CPD T2 –0.30 0.92 0.21 0.32 0.840 –0.23 –0.38 0.53 –0.26
CPD T3 0.11 0.11 0.94 0.14 0.14 0.93 –0.22 0.3 0.65
BTD T1 0.96 0.21 0.11 0.94 0.22 0.12 0.88 0.32 0.18
BTD T2 0.20 0.92 –0.11 –0.22 0.890 –0.13 0.23 0.83 –0.16
BTD T3 0.1 0.11 0.96 –0.14 0.15 0.91 0.21 –0.29 0.85
the two different sources, and source 2 is identified as noise (mixture of all
sources). On the other hand, CPD and BTD recognize correctly all the sources
at high SNR. At lower SNR, CPD cannot distinguish the second slice of the two
first sources, while BTD still gives an almost perfect result. As the noise level
increases, the difference in the performance of the decompositions increases in
favor of BTD.
5 Conclusions
In this paper, a novel approach to fMRI signal separation was presented. It is

based on a higher-order unfolding of the data, combined with the use of BTD
for tensor decomposition, in an effort to better exploit the original 3D spatial
structure of the data. Extensive simulation results demonstrated the enhanced
robustness of the proposed method in the presence of noise, as compared with
CPD and TPICA-based decompositions. In cases of spatial and temporal overlap,
both CPD and BTD give better results than TPICA, albeit at the cost of higher
sensitivity to the rank estimate. In terms of computational cost, the complexity
of BTD is higher than CPD. It was also observed that when the rank, Lr , of the
BTD increases, the result of the decomposition is equally good or even better,
at the expense of higher complexity.
Acknowledgments. The authors would like to thank Profs. A. Stegeman and N.

Helwig for providing the datasets used in [13] and [14], respectively, and Prof. S. Van
Huffel for her critical comments on earlier version of this paper. Constructive comments
from the reviewers are also gratefully acknowledged. This research has been funded
by the European Union’s Seventh Framework Programme (H2020-MSCA-ITN-2014)
under grant agreement No. 642685 MacSeNet.
References
1. Lindquist, M.A.: The statistical analysis of fMRI data. Stat. Sci. 23, 439–464
(2008)
2. Theodoridis, S.: Machine Learning: A Bayesian and Optimization Perspective. Aca-
demic Press, Boston (2015)
3. Andersen, A.H., Rayens, W.S.: Structure-seeking multilinear methods for the
analysis of fMRI data. NeuroImage 22, 728–739 (2004)
4. Calhoun, V.D., Adalı, T.: Unmixing fMRI with independent component analysis.
IEEE Eng. Med. Biol. Mag. 25, 79–90 (2006)
5. Andersen, K.W., Mørup, M., Siebner, H., Madsen, K.H., Hansen, L.K.: Identifying
modular relations in complex brain networks. In: IEEE International Workshop on
Machine Learning for Signal Processing (MLSP) (2012)
6. Sidiropoulos, N., Bro, R.: On the uniqueness of multilinear decomposition of N-way
arrays. J. Chemom. 14, 229–239 (2000)
7. Cichocki, A., Mandic, D., De Lathauwer, L., Zhou, G., Zhao, Q., Caiafa, C., Phan,
H.A.: Tensor decompositions for signal processing applications: from two-way to
multiway component analysis. IEEE Signal Process. Mag. 32, 145–163 (2015)
8. De Lathauwer, L.: Decompositions of a higher-order tensor in block terms-Part
I: lemmas for partitioned matrices. SIAM J. Matrix Anal. Appl. 30, 1022–1032
(2008)
9. De Lathauwer, L.: Decompositions of a higher-order tensor in block terms-Part II:
definitions and uniqueness. SIAM J. Matrix Anal. Appl. 30, 1033–1066 (2008)
10. Lathauwer, L.: Block component analysis, a new concept for blind source sepa-
ration. In: Theis, F., Cichocki, A., Yeredor, A., Zibulevsky, M. (eds.) LVA/ICA
2012. LNCS, vol. 7191, pp. 1–8. Springer, Heidelberg (2012). doi:10.1007/
978-3-642-28551-6 1
11. Harshman, R.A.: Foundations of the PARAFAC procedure: models and conditions
for an “explanatory” multi-modal factor analysis. UCLA Work. Papers in Phonet-
ics, pp. 1–84(1970)
12. Kruskal, J.B.: Three-way arrays: rank and uniqueness of trilinear decompositions,
with application to arithmetic complexity and statistics. Linear Algebra Appl.
18(2), 95–138 (1977)
13. Stegeman, A.: Comparing Independent Component Analysis and the PARAFAC
model for artificial multi-subject fMRI data. Unpublished Technical report, Uni-
versity of Groningen (2007)
14. Helwig, N.E., Hong, S.: A critique of tensor probabilistic independent component
analysis: implications and recommendations for multi-subject fmri data analysis.
J. Neurosci. Methods 2, 263–273 (2013)
15. Bro, R., Kiers, H.: A new efficient method for determining the number of compo-
nents in PARAFAC models. J. Chemom. 17(5), 274–286 (2003)
16. Castellanos, J.L., Gmez, S., Guerra, V.: The triangle method for finding the corner
of the L-curve. Appl. Numer. Math. 43(4), 359–373 (2002)
17. Beckmann, C., Smith, S.: Tensorial extensions of independent component analysis
for multisubject fMRI analysis. NeuroImage 25, 294–311 (2005)
18. Beckmann, C., Smith, S.: Probabilistic independent component analysis for func-
tional magnetic resonance imaging. IEEE Trans. Med. Imaging 23(2), 137–152
(2004)
19. Phan, A.H., Tichavsky, P., Cichocki, A.: CANDECOMP/PARAFAC decomposi-
tion of high-order tensors through tensor reshaping. IEEE Trans. Signal Process.
61(19), 4847–4860 (2013)
Another random document with
no related content on Scribd:
sossegar à vontade. Ainda agora chegou. Se dá mostras de
impaciência, o que está à frente abespinha-se e redargúi: «¿Que
está o cavalheiro a fungar? Há uma hora estou cá eu». E a gente
curva-se. Passa a olhar o sujeito respeitosamente. Caramba! «uma
hora!» E tudo são cogitações. ¿Mas não há quem nos atenda?
¿Não há quem nos despache? Há sim, senhores. Há um tipo que
está lá ao fundo chupando uma beatazinha, mãos nas algibeiras e
dizendo, para outro matuto sorna como êle: «O cházinho era
delicioso! E então os bolos. Os bolos, menino!...»
«Eu estou aqui há duas horas!» diz um escanifrado que agita uma
carta. «Espere se quiser, diz o dos bolos. Há muito mais tempo
estou eu cá e não faço tanta chiada!»
¿Os senhores nunca foram pagar a décima? Não foram? Felicito-
os.
Pagar a décima é tambêm uma cousa divertida, para quem não é
cardíaco, nem tem aneurisma nenhum. Eu fui uma ocasião, mas à
cautela levei lunch, um couvre-pieds e um romance para ler. Não
foram prevenções inúteis. Fui para lá ao amanhecer e havia
candieiros acesos. Li o romance todo e comi até as migalhas do
lunch. Comeria outro, se o levasse ou não receiasse perder o logar.
Porque aquilo é à vez. Uma pessoa, munida do competente papel
intimativo e do dinheiro para a ressalva, apresenta-se. Quando
chega, há já uma linha de pessoas que vem até à rua. Umas ficaram
de véspera, outras foram ainda de noite e as que foram assim
quando os galos cantam e a aurora rompe, já encontraram três
dúzias delas à espera. Outras vão chegando,—já se sabe, o
competente farnel, o cobertor e o livreco—e tomam logar. Ás onze e
meia—a repartição abre às 10—chega o garimpo que varre a casa.
E é um tropel de gente que se empurra, que toma logar, que se
instala. Neste apertão é vulgar perder a carteira ou ficar com um
calo esborrachado. Mas tudo vai bem. A gente sentou-se, apara a
paciência, abre o livro. Meio dia. Entra o pastinha. Depois entra o
outro, depois o recebedor. São as feras. Há uma grade entre elas e
o público, e um postiguinho, por onde a gente lhe mete a massa,
que é como quem diz o sustento.
Começa a chamada. O patife parece que está a entoar
cantochão. Vem ainda estremunhado. Entretanto os que não
levaram livro vão contando a vida aos vizinhos. «Eu moro na rua da
Ametade. O meu nome é Simão. O meu pai é timbaleiro. Minha mãe
era parteira...» Ah!... O meu vizinho ressona de assobio. Um velhote
quere dormir mas a conversa dos dois grulhas não o deixa pegar no
sono. Bem: ainda há 44 adiante de mim. Eu volto à leitura. «José
Ferreira Casmurro!» Pronto, diz o outro. É a chamada que continua.
E os outros pensam: «Aquilo é que é um Casmurro com sorte». Ah!
quanto falta para lá chegar?!
Aqueles bandidos não teem nenhuma pressa. Vão tranqùilamente
zombando do tempo e da paciência dos outros. Passa uma hora,
passam duas, passam três. Ao meu lado havia um petiz de ano e
meio que mamava como um danado na têta da mãe, quando eu
entrei. Quando se chega quási à minha altura alguêm do lado toca-
me no ombro. Volto-me. É o petiz que interroga e pede: «¿O
cavalheiro não tem por aí um cigarrinho que me dê?» Como êle
cresceu, o brejeiro!
Emfim, na rua! Caramba, mas é de noite! Como o tempo passa! E
aquilo lá dentro continua. Uff!
Quem diz registos e décimas diz tudo. «Olhe, venha amanhã!
Olhe, espere! Se tem pressa, vá andando». Emfim é um nunca
acabar. O que se resolveria em qualquer parte num quarto de hora,
em Portugal leva um dia, uma semana, um mês, um ano, uma
eternidade. Isto é o país das eternidades. Primeiro que as cousas
cheguem...
Eu jogo não sei há quanto tempo com uma cautela de três na
lotaria. Sempre o mesmo número. Pois para verem como Portugal é
o país do amanhã, só lhes direi que é rara a lotaria em que a cautela
me não sai branca. Ora não sei se os senhores estão a ver que se
fôsse em qualquer outra parte já me teria saído a sorte grande...
Mas o que me consola é que o tempo virá e acabará com o meu
dinheiro, com a minha vida, com o número em que jogo, com a
grande, com a lotaria, com a Santa Casa e até com a lembrança de
tudo isto.
E não sei se os senhores estão a ver que isso será uma
felicidade...
A decadência do jornalismo em
França
UM articulista parisiense, parisiense pela finura da sua expressão,
pelo subtil da sua análise e sobretudo pela leveza scintilante da sua
prosa, Ibels, acaba de declarar decadente o jornalismo francês. E
vem, com uma santa ingenuidade, uma destas ingenuidades para
medalha de ouro, e um espanto nada correcto, nem do mundo, dizer
que o jornalismo francês decai porque o que lhe falta são jornalistas;
porque os artigoleiros são muitos e os articulistas são poucos e
porque finalmente êle é o eco de tôdas as chantages, o eco de
tôdas as calúnias, o gramofone de tôdas as mentiras e o acusador
de tôdas as reputações. E, indignado, prossegue: «O periódico
moderno pratica a medicina ilegal, recomenda venenos, serve de
intermediário entre donas de casas suspeitas e jovens de menor
idade. Insere e entretêm a correspondência amorosa e adúltera e
vai mais longe, publicando um boletim financeiro em que milhares
de môscas caem prisioneiras vendendo os seus títulos porque
acreditam na sinceridade do periódico que lêem». E diz mais, que
isto, que aquilo, resumindo que é tudo uma pouca vergonha
desaforada. A propósito, para não perder pitada, ferra uma tunda no
Le Matin, que na sua opinião é um intrujão que já de há muito
deveria ter a redacção instalada numa das celas da Penitenciária de
lá.
Eu não conheço Ibels. As suas conclusões parecem-me
acertadas. Mas o que acho interessante são os seus espantos.
Admira-se. Admirar-se a gente é mau sinal. O Eclesiastes tinha dito
que nada de novo há debaixo do sol. Ora a pouca vergonha é mais
velha do que o Eclesiastes. É talvez mais vélha do que o sol. Mais
vélha do que o sol, do que os deuses, do que a terra e do que tudo
quanto existe. A pouca vergonha é eterna. Não tinha pois de que se
admirar. Eu é que me admiro (oh, santa incoerência!) do seu
espanto.
A decadência do jornalismo em França vem de longe. Balzac já
lhe estudou as causas nas Ilusões Perdidas. E caso curioso, nas
Ilusões havia tambêm um Luciano que se admirava. O articulista de
agora é o Luciano de ontem. Está escrito: «Hão de existir Lucianos
em todos os tempos!»...
Quem quiser saber destas cousas sem o tom acre de censura e
lamento que perfuma o artigo de Ibels, antes com o tom risonho de
quem está muito à sua vontade—como quem está em sua casa, por
exemplo—deve ler um curioso artigo em tempos publicado na
imprensa espanhola. Chama-se Esplendores y miserias del
periodismo. Assina-o Gomez Carrillo, cronista do Liberal, creio eu,
literato de Espanha vivendo em Paris e artista urbi et orbi onde vá a
língua de Quichote ou a respectiva tradução. Aí é que se diz tudo!
Tudo e ainda mais o que disse Paul Pottier, homem lido e sabedor.
—Ora diz Carrillo, e escreveu Paul Pottier, que «para 600 empregos
no jornalismo há 3.000 jornalistas». ¡E se êles, todos êsses pobres
concorrentes, soubessem o que os espera! Uma vida sugante e
angustiosa. Nem horas de comer. Dormir incerto. São os cavalos de
posta da notícia. É preciso lutar, lutar sempre. O que chega a Paris
cheio de vontade leva um dêstes abanões que quási o deitam a
terra. O jornalismo é uma luta. Não há jornalistas, há cavalos de
corrida. ¿Qual dará o artigo, a notícia, o comentário mais
desenvolvido, mais agaçante de pormenores, mais chorudo de
minudências, mais dramatizado de bagatelas? O público quere. O
público aguarda. Quere cousas novas, cousas inéditas, cousas
imprevistas. Um assassínio? Isso é vélho. É preciso achar novo.
Não há? inventa-se. Saber inventar, eis a questão em ocasiões
difíceis.
Ao cabo de três anos num logar subalterno, tendo dado tudo o
que trazia na cabeça, tendo gasto todos os seus nervos, puido tôda
a sua vontade, sem nada no estômago porque se alimentou mal e
irregularmente, com uma neurastenia aos ombros e o vácuo no
cérebro, a criatura é corrida a pontapé do jornal e vai direitinha a um
manicómio onde nunca mais a endireitam.
Os grandes jornais baixam as suas tarifas de pagamento. Quási
todos desceram a linha a 15 cêntimos, com excepção de Le Temps
que paga 30, Le Figaro que dá 25 e Le Gaulois e Gil Blas que não
dão mais do que 20. É certo que Catulle Mendés cobrava de Le
Journal quarenta mil francos anuais, sejam sete contos e tal. Mas Le
Figaro, que ontem dava a Huret 2:000 francos, não dá hoje a Serge
Basset pelos teatros senão 1:000.
Harduin no Le Matin recebe 1:500 francos, com obrigação de
escrever todos os dias um minúsculo artigo. Sarcey recebia de Le
Temps 1:000 francos mensais pelos seus artigos. Octave Mirbeau e
Severine, que no Le Petit Parisien recebiam importantes honorários,
foram dispensados da sua colaboração. E os contos que Fernand
Xau pagava a 300, 250 e 150 francos baixaram a 25, e últimamente
a 15 francos. E isto em jornais que tiram milhões de exemplares.
Os nomes cotados fazem-se pagar bem. Porêm para os que
veem sem nome, para êsses, o caminho da imprensa é um calvário.
São recebidos com duas pedras na mão; exactamente como no
tempo em que Luciano queria o logar de redactor no periódico que
tinha por Cerbero o vélho militar. E devemo-nos lembrar de que
todos os citados são os bem pagos: os da fôrça de Mirbeau, por
exemplo, que só com um artigo fêz o nome a Maeterlinck...
Considerai o que não será agora nos subalternos?!...
Um escritor que viva de escrever e que tenha já uma pequena
voga vê-se obrigado a rebentar com trabalho para cobrar um
estipêndio rasoável. As revistas não lhe publicam um artigo senão
de três em três meses pelo menos, para não repetirem o nome do
colaborador; os grandes jornais, de que êle vive, baixam-lhe dia a
dia a tarifa. Os artigos reunidos em livro dão uma bagatela. Os livros
que são enviados ao periódico, para criticar, vendidos e regateados
não dão para o alfaiate. De maneira que a criatura vê-se e deseja-
se.
Isto é tendo certo nome, porque de contrário nem as revistas lhe
aceitam artigos, nem os grandes jornais lhe abrem a porta, nem os
livros lhe chegam à mão.
E a tanto chega o descaramento que Magnier, senador, que
largos anos possuiu L’Evenement, dizia aos seus redactores: «O
que preferem os senhores? ¿Que lhes marque um ordenado de 500
francos por mês e não o pague ou que lhes dê 250 para os pagar?»
Quer o redactor aceitasse uma ou outra proposta, sabido era que
não via cinco réis. E a maneira de alguma cousa receber era
negociar com êle uma parte da página dos anúncios. Se não andava
depressa na cobrança ficava sem real, porque o director mandava
tambêm cobrar. E quantas vezes o redactor ao chegar não soube
que os anúncios já estavam pagos...
Êste Magnier era caloteiro contumaz. Conta-se que Aurelien
Scholl, a quem êle devia certa soma e não tinha maneira de a
receber, uma ocasião ao ver passar o seu trem correu para êle,
desprendeu os cavalos e foi vendê-los ao Tattersall. Foi uma
inspiração divina. Senão podia dizer adeus ao débito.
A imprensa francesa explora o escândalo, explora o público,
explora todo o explorável. Até aqui muito bem! Que há nisto de
estranho? ¿Pois não é natural que meio mundo explore a outra
metade? E Ibels, indignado, cita o Panamá, cita mil casos em que o
«periodismo» tem sido nefasto. E deixa, o maroto, ficar no tinteiro a
questão Dreyfus.
O jornalismo tem bons e maus. Que êle esteja decadente, não
acredito. Êle é o reflexo do seu tempo. Exigir jornais sãos numa
sociedade podre parece-me exigir de mais. De acôrdo que os maus
sejam mais do que os bons! Mas isso que importa? Se às vezes um
jornal só, um homem com uma pena na mão, fica nos séculos,
sobreleva acima de tôda essa podridão, de todo êsse enxurro, de
tôda essa vaza, cujo mau cheiro só o tempo purificará?!
Que importa, se um brado de Justiça vale mais do que uma
multidão berrando, e se um jornalista de consciência vale mais, tem
por si só mais fôrça do que um grande exército?!...
Que o jornalismo está decadente? Embora. Êle é ainda a árvore
onde de tempos a tempos se empoleira uma criatura para dizer que
o manto, o celebrado manto de el-rei da fábula não passa duma
hipocrisia ou duma cegueira.
O Carnaval
EU não posso folhear atentamente a obra de Rafael Bordalo sem
me demorar nessa página suprema, traçada num minuto de tédio e
feita num instante de aborrecimento: A última máscara. A última
máscara é, escusado dizê-lo, a máscara da Morte. Se a do feto é a
primeira máscara, a da caveira é a última. A última máscara, de
Rafael Bordalo, representa pois a caveira.
Esta vida são três dias, diz-se. Êsses três dias simbolizam as três
idades. O Carnaval são três dias, que tantos são os da vida. Esta
vida é pois um carnaval. Murger chamou-lhe uma «máscara de
forçados» outros lhe teem chamado o que melhor lhes tem parecido.
Não inquiramos. Assunto complexo, se se quiser explicar, traz
consigo complexas deduções. E não há assunto mais complexo do
que a Vida.
O carnaval que a gente vê, ou por outra que a gente viu, é bem
pior do que aquele de que a gente se lembra e bem melhor do que
aquele que se verá. O carnaval tende a desaparecer. A graça
foliona, travêssa, doudejante, morreu. O que por aí anda é outra
graça, uma graça que sorri nos intervalos de tosse e nos intervalos
do riso mendiga dez-reisinhos.
Se não, é ver-se como a fôlha mais bem escrita do Carnaval é a
de quarta-feira de cinzas, esta quarta-feira em que vos escrevo,
satisfeitíssimo por ter visto as ruas despejadas de mendigos
enfarinhados, mendigos pierrots, mendigos chechés, e
mendicidades ambulantes, danças, paródias, filarmónicas e tutti
quanti. Passou a época das tremoçadas. Chapéu alto que passava
era penante dado ao criador. Ninguêm se aventurava a sair.
Despejavam-se barricas de tremoço sôbre o desventurado que ia
assim mais asseadinho.
Uma criatura saía. Á saída da porta levava logo com uma luva
cheia de areia pela cara que ficava azul. Andava mais um minuto e
era uma assuada. Cada minuto cada nova aventura. Algumas de
que saía mal-ferido. Á hora de jantar, quando a criatura recolhia e se
inventariava, via com desgôsto que o chapéu estava inconcertável.
A farpela cheia de farinha, com um ovo feito em estrêla nas costas,
seis farpões de rabos postos e arrancados. Um ôlho a menos. O
colarinho zebrado com uma longa lista de pós de sapatos. A
camisola cheia de areia, a guedelha cheia de farinha e as botas—
ah! as botas!—cheias de lama—porque soe chover quási sempre
pelas entrudadas,—e a chuva é o protesto do infinito.
Vejam lá hoje. Tantas são as leis publicadas sôbre o Carnaval que
a gente se vê na absoluta necessidade de consultar um advogado
sôbre se será prejudicial atirar uma serpentina.
O advogado consultado promete estudar. Estuda e apresenta a
sua resposta quarta-feira de trevas, ao mesmo tempo que apresenta
a conta da consulta. São pelo menos 2$500. Vejam lá se há cousa
mais interessante.
Antigamente a criatura, depois de borrifada com urina, zurzida de
tremoços, mascarrada de pós de sapatos, enfarinhada, maçada e
enlameada, recolhia num bolo, mas alegre. E resumia para a
família:—Aquilo é que foi divertir! Agora não. Sai de chapéu alto,
escovada, correcta, exactamente como se fôsse para aquelas
recepções da embaixada
em que há uma duqueza que sorri, «tão branca, tão decotada» que
até dá vontade de a gente resumir, ao recolher a casa:—Ai, filha,
que papança, o que traduzido em vulgar quere dizer:—Ai, filha, que
maçada!
Ah! o Carnaval civilizado! ¿Já viram maior pouca vergonha?
Antigamente a gente não saía. Agora, sabendo que volta com o
arranjinho como foi, sai. Sai, e volta abrindo a bôca, espreguiçando-
se, moída, sem ânimo, farta de ouvir baboseiras e de ver misérias
ambulantes. As ruas são tristes. Os bailes são quási macabros. As
mascaradas são lúgubres:—¿O cavalheiro dá licença que eu lhe
atire êste saquinho de bombons?—Pois não! ora essa! O cavalheiro
atira. A gente guarda. Chegando a casa abre o saquinho. Não são
tal bombons. São feijões, são tremoços, é grão de bico. Comentário
—Que intrujice!
Se abstrairmos do Carnaval e volvermos os olhos misericordiosos
sôbre esta mascarada em que todos entramos, uns mascarados de
sinceros, outros de cínicos, uns vestidos de moços fidalgos, outros
de moços de fretes, uns vestidos de archeiros, outros de par do
reino, a desilusão resulta pior. Porque, bem considerando, tudo na
vida é mascarada e tudo são máscaras. ¿Por que razão é que,
tendo um homem nascido nu e entrado na morte como a mãe o
depôz cá neste mundo, essa súcia inventou que um bocado de
galão dourado pôsto num braço provoca um gesto de submissão, e
pôsto num caixão nos faz pensar nas vaidades de todos os galões e
de todos os gestos? ¿Por que razão é que quem «rouba um milhão
é barão e quem rouba um pão é ladrão», como diz o poeta? Tudo se
mudou. «¿Antigamente não eram os ladrões pregados nas cruzes e
não se pregam agora as cruzes nos ladrões?» Fala certo Junqueiro:
E não estala um ai de dôr em cada peito.

E não submerge o monstro a cólera do mar,
E a terra continua em seu girar perfeito;
Ó Chimera, ó Tristeza, ó Justiça, ó Direito,
Providencia onde estás, que te quero insultar!
A indignação passa, a miséria fica. E para que há-de a gente

considerar em tanta miséria?!
É fatal. Se a gente scisma e se ensimesma, pobre dominó
sentimental! Dominó lunático, sonhador escarnecido! Se a gente
ama, pobre tolo, que anda na lua. Se acredita, que assuada! se
considera, que filósofo! E não há que scismar, que sonhar, que
amar, que acreditar e que considerar. É deixar-se ir no vortilhão,
como quem aborrecido vai na onda, empurrado, sem sentir os
empurrões, escarnecido sem ouvir os escárneos, apupado sem ter
ouvidos para os assobios. Em resumo: É a vida um baile de
máscaras muito aborrecido. Entra-se julgando a gente divertir-se
imenso, e, quando se chega a quarta-feira de cinza, encontra-se,
depois de muita maçada, morta de aborrecimento e de tristeza com
êsse dominó embuçado, misterioso, que tem um riso eterno e que é
o porteiro da saída. Êsse dominó é a última máscara. É a ultima
máscara que mudamos e é o último mascarado que encontramos.
Como Rafael Bordalo deveria estar morto de tédio para fazer a
síntese duma filosofia num quarto de papel—a síntese da filosofia
do riso, porque o riso é uma filosofia em que sempre se acaba a
chorar.
Mascarada! Mascarada eterna! Mascarada que veio através dos
séculos até nós e de nós irá por êsses séculos sem fim. Mascarados
que todos nós somos. Quando falamos mentimos, quando juramos
mentimos. Quando tentamos falar verdade ainda mentimos, porque
a verdade não é mais do que uma mentira menos mentirosa. E,
senão, que nos mostrem algum amor que o seja, algum amigo que
não falseie. O amor—uma Colombina e um pierrot—Mas livra-te de
amar, porque serás o pierrot traído. A amizade—uma espada que se
quebra ao sair da baínha para nos defender. E entre outras
desilusões, de vez em quando passa por nós sorrindo a última
máscara, de Rafael Bordalo.
Eu invejo os que se divertem. ¿Como serão feitas lá por dentro as
criaturas que se divertem? Não sei, e creio que nunca ninguêm o
saberá. Invejo-as, porque não sei se elas existem. Acho mesmo que
as criaturas nessas condições estão em igualdade com a do feliz,
que Manuel Bento de Sousa pôz em quadras. O sultão, para se
restabelecer da sua grave enfermidade, precisava nem mais do que
da camisa dum homem feliz. Embaixadas, expedições, o demónio e
nada. O homem feliz não aparecia. Interrogados os súbditos dos
seus estados, à uma todos responderam que não, que não eram
felizes. Só um pobre, que puxava a uma nora e cantava, respondeu
que sim. Êle possuia essa cousa tão rara como o amor e como a
amizade. Êsse era feliz. Foi o pobre diabo amordaçado e conduzido
sôbre um camelo à presença do régio doente. Era a cura. Mas logo
que o despiram se verificou com espanto que êle,—o homem feliz,
—nunca tivera camisa.
É bonita a história, ¿mas quem nos diz se não será mentira?
¡Sucedeu há tanto tempo e num país distante!
E com estas e outras histórias, umas cómicas, outras trágicas, se
passa a crónica e a vida. E depois à saída do baile, lá espera o
dominó fatal.
É por isso que eu me demoro, sempre que folheio a obra de
Rafael Bordalo, nessa página que representa a última máscara.
Academias
NÃO sei se os senhores teem reparado que muito ao contrário da
eterna verdade que Ibsen apresenta, no seu Inimigo do Povo,—«o
homem mais forte é o que está mais só», que tambêm pode ser
traduzida «vale mais só do que mal acompanhado»—o homem tem
uma extraordinária tendência para se reunir e dizer asneiras de
sociedade. E é fatal. O homem, alêm de tudo quanto é, ia eu
dizendo, Homo sapiens de Linneu, «o animal implume que ri» de
Platão, é tambêm palrador. Palrador, sim, meus senhores!
Prometam-lhe uma libra para estar calado uma hora. Ou diz ao fim
de meia, como o outro, que «meia hora já está passada», ou pedirá
ao fim de dez minutos de experiência, que guardem a libra porque
se não fala rebenta.
Tem uma certa razão, valha a verdade. «Para viver só, é preciso
ser bêsta ou Deus» disse Aristóteles. Nietzsche concluiu que há
tambêm um terceiro caso; ser as duas cousas: filósofo. Ora nem
todos são deuses, se bem que as bêstas abundem. Filósofos, não
vai o tempo para êles. E a um ou outro que vem, quási sempre por
engano, sucede-lhe a mesma cousa que ao Misantropo de Castilho,
aquele
«Severo Tristão de Matos»
que, depois de clamar, de se indignar e de ter estado não sei
quantas vezes em risco duma apoplexia ou duma congestão
«Saíu da vida presente

por farto de ver sómente
falsos, vis, ladrões e ingratos».
Provado, pois, que o homem tem necessidade de se assembléar,

para viver, logo foi inventar mil nomes para justificar a reunião. E
então chamou-se-lhe, de soirée—sociedade onde a gente se
aborrece, tendo ido para se divertir,—até Academia, sociedade onde
a gente se diverte, tendo ido para se aborrecer. Não é das
Academias recreativas familiares da rua onde a gente mora. É das
outras. Cousa séria, grave, ponderada, onde se discute ou se
dorme, mas quási sempre se dorme. Isto vem a propósito de termos
agora mais uma Academia.
Ora há muitos anos que a gente tem outra—ali para as bandas de
Jesus, que se chama, creio, Academia Real das Sciências. É uma
sociedade onde os sócios teem fardamento tal como a Incrível
Almadense ou a banda dos bombeiros de Chão de Maçãs.
Fardamento, chapéu armado e espadim. Para que serve, não sei.
Que tem feito? Quási nada. Um dicionário que ficou em azurrar. Ora
eu entendo que em vista de nunca ter passado do A, sendo já tão
crescidinha, se lhe dê outro ofício. Está provado que não nasceu
para aquilo. E o que é mais, não tem vergonha nenhuma. ¡Sempre é
uma tamanhona sem préstimo!
Bem visto, ela está no seu papel. As academias não se fizeram
para fazer cousa alguma. Academia é para a gente se reunir, fumar
a sua cigarrada, jogar a sua partidinha de dominó, com a municipal
à porta, mandar para a mesa duas cartas que o ilustre sócio
escreveu ali ou trouxe escritas de casa, dizendo—«Peço ao ilustre
presidente o obséquio de dar essas cartas ao contínuo para as
deitar no marco quando sair!» Ás tantas levantam todos a gola, dão
as boas noites e desandam para vale de lençóis.
Teófilo Braga disse uma ocasião em público: «Academia é uma
colecção de sábios, que caminha para o pedantismo». Foi muito
amável. Foi muito amável porque se alguêm quiser saber o que é a
nossa Academia Real, etc., consulte o Cancioneiro da Vaticana no
seu prefácio. Ali verá que nunca o Cancioneiro seria impresso se
não fôsse êsse benemérito sábio que foi em vida Ferraz de Macedo,
o antropologista. Porque para ser impresso pela Academia não
havia dotação e um dos membros da classe de literatura de quem
dependia a aprovação do Cancioneiro julgava que o texto era latim!
Mas há mais. Não havia dotação para o Cancioneiro, mas houve
perto de dois contos de réis para gastar com o embelezamento das
salas para a celebração duma sessão real, uma sessão solene.
Com o dicionário já se gastaram algumas dezenas de contos de réis
e não serve para nada, o estafermo. Não é caso para dizer «não
estala um ai de dôr em cada peito», mas «e não há um arrocho que
os desanque!»
Depois, ¿para que servem as academias? Que préstimo teem?
Eu não lhes conheço nenhum. Nunca de nenhuma Academia saíu
um homem de talento, e em compensão os que o teem e entram
para elas perdem-no logo. Senão digam-me a obra grande, de
utilidade ou de valor, que as academias tenham fomentado! Qual?
Nenhuma. Crer-se-ia na plausibilidade disso se Academia não fôsse
um vaso de víboras como o de Carlyle, víboras desdentadas,
invejosas e pequeninas, e que, para não deixar entrar nenhuma
ideia nova, nenhuma ideia grande, até pôs guarda à porta,
exactamente como à porta dos parlamentos se põe tambêm guarda,
que é para que a Justiça fique de fora.
Plauto, o cómico, não foi da Academia Real das Sciências.
Cervantes, tambêm não. Shakespeare tambêm não. Camões, idem.
Ora aqui estão uns mágicos que não precisaram, para entrar na
imortalidade, de apresentar o cartão de visita tendo por debaixo do
nome «da Academia Real das Sciências, da Sociedade Filarmónica
Capricho Recreativo, da Sociedade dos «tacões ao domingo, etc.».
E estou até desconfiado de que o porteiro, ao ver tal, e ter olhado
bem para a cara do sujeito, lhe diz com um risinho e uma
palmadinha no ombro: -«O amigo está enganado! Tem que descer.
Isso é na cave!»
Porque a imortalidade é o único logar para que a farda não serve
de passe de livre trânsito.
Malheiro Dias diz, nas suas Cartas de Lisboa, que «a mais alta
categoria social não vale uma farda de simples adido de embaixada,
com plumas de avestruz no bicórnio e folhagem de vinha e oliveira,
bordada a ouro, na gola»; pois com êste simples fardamento os
polícias fazem continências, os municipais abrem filas e a multidão
comprime-se para dar passagem. Isto ao subir a calçada da Ajuda.
Será verdade. Mas agora aqui me ponho eu a pensar que talvez a
farda não valha para a imortalidade, porque para ir para lá a Ajuda
não é o melhor caminho. Sim. Deve ser isso. Assim é que Plauto foi
moço de padeiro, Camões foi soldado e Cervantes soldado e
pobretão, e entraram. Camões tinha farda, mas quando morreu
estava no prego. Em compensação, dos ilustres fardados da
Academia, o porteiro não deixa lá entrar nem três. Vejam lá se vale
a pena gastar dinheiro no alfaiate quando o que é preciso é gastar
noites a fritar os miolos.
«Cá e lá más fadas há». Isto não é de nenhum dos escritores que
eu costumo citar. Isto é da sabedoria das nações. Os senhores já
sabiam?! Pois em França é tambêm assim, quando não pior. A
Academia dos Goncourts, fundada para dar um prémio ao melhor
romance, não tem estimulado nada o talento dos bichos que
concorrem. Tem-lhes estimulado mas é o apetite e a solércia. Não
os podendo fazer mestres em romance, fá-los mestres na
empenhoca. E por isso o premiado é sempre o que mais empenhos
tem. Pois então.
Não se desconsolem os que não são académicos. As academias
não são para todos. Isto é dúbio, bem sei, mas entenda-o cada qual
como quiser. E estou escrevendo e está-me lembrando a caricatura
de Zola feita por Gilbert Martin: Zola vestido de mineiro, cachimbo,
botas altas e lanterna, oferece o braço à Academia, uma vélha
esganiçada e tôla, ao mesmo tempo que lhe pisa a cauda. É claro
que a vélha escama-se e não dá o braço. E a propósito da
Academia e de Zola há outra publicada na Silhouette: Zola, com os
seus livros às costas, puxa o cordão da campainha da Academia.
Puxa, quebra o cordão e a porta não se abre. Zola não entrou.
Objectar-me-hão: mas queria entrar! Queria por estar a porta
fechada para êle. Por teimosia, por pirraça. Se lá entrasse o mais
certo era... vir embora.
Maupassant disse que três cousas desonravam um homem: a
Academia, as condecorações e a Révue des deux mondes. Depois,
passados muitos anos, prestes a morrer, escrevia na Révue, estava
para entrar na Academia e creio que era condecorado. Ironias do
Destino. ¿Quem sabe lá se eu um dia tambêm serei sócio da
Academia? Tudo é possível. Então serei um velhote grave,
ponderado, sério, terei óculos, um grande horror ao galicismo, um
poucochinho de pancada na mola, e uma coleira ao pescoço com a
chapa da casa. Todos êles teem. Pancada na mola e um bocadinho
de imbecilidade. Vai daí, a Academia forneceu-lhes a chapa para os
distinguir da outra gente, e para que as prendas se não percam.
Pois quando eu lá chegar, ia dizendo... Mas emquanto não chego,
¿os senhores dão-me licença que acenda um cigarrinho?...
O passado
DESEJAR a morte é ainda querer voltar ao passado. E assim como
há dias em que ser morto é a ânsia que me lança um baraço ao
pescoço e me afoga, outros há em que uma ânsia regressiva me faz
voltar atrás para tornar a viver sôfregamente os dias já vividos. Hoje
é um deles. Lá fora o céu pôs o seu «plúmbeo capacete». Por vezes
uma chuva miudinha e intérmina envisca tudo da sua frialdade. E as
almas, ressentidas de tanta fereza, voltam-se a viver o Ontem,
queimando o Hoje gélido na lareira das mornas recordações.
Recordar não é só privilégio dos vélhos. Lembrar, é ainda na vida
o único lenitivo.
Ai! o que seria a vida para aquele que não tivesse a memória e a
fantasia,—o Passado e a Ilusão.
Com a memória vive-se, com a fantasia sonha-se. Mas vive-se
deliciosamente e sonha-se um sonho ainda mais delicioso. Por isso
em dias assim,—um chuvisco frio minando as energias,—as almas
vivem e sonham. Lá fora há lama e frio. Cá dentro, acesa a fogueira,
principia o desfile.
Então não há recordação, carta de amor, beijo dado ou passado
dia, que não traga o seu quinhão. São pequenas cousas, cousas
mínimas que se transfiguram. A saudade vê sempre por vidros de
aumentar. Aí começa a gente a viver com fúria dias maus, que,
comparados com os de hoje, nos parecem bons, dôres sofridas que
cotejadas com estas, nos parecem verdadeiros prazeres. Ao fim,
quando aquela galopada furiosa desfilou, quedamo-nos encolhidos
scismando: como a gente envelheceu! E a saudade manda
recomeçar a sessão, como num animatógrafo em que a fita
recomeçasse a passar.
Como é verdadeiro o dito do poeta: «e saudades até doutras
saudades!» Sim! eu sinto isto. Não há dúvida. Uma grande ânsia de
ser pinheiro, de ser oliveira, árvore perdida, rocha bruta, me
atormenta. E a chuva cai.
O passado atrai-me. Os livros novos não me dão novidades, com
o seu papel de alvura fatigante e a sua sorna monotonia. Não, os
livros novos não são novos. Lembro-me de ter já lido isto! Aonde,
não sei. Mas de-certo tudo isto eu senti, tudo isto eu vi já.
Estes amores, assim rasos, assim secantes, já por mim
passaram. Estes versos já eu os ouvi. Tudo hoje à minha volta me
deixa frio. Hoje não há senão aridez e sequidão. É o simoun que
turbilhona, arrasta e sepulta.
Os vélhos livros, com suas páginas amarelentas e os seus
grossos caracteres, dizem-me não sei quantas vélhas saudades
inolvidadas. Assim compreendo a paixão dos bibliófilos avaros, dos
numismatas soberbos, de todos os coleccionadores e de todos que,
estranhos ao seu Hoje, ou chocados pela brutalidade dele, se
evadem da realidade pela porta do sonho e se deitam a correr atrás
da fantasia.
Os vélhos livros contam histórias encantadas e escândalos sem
par; sabem cousas que são o encanto dos vélhos e o
deslumbramento dos novos. Oh! se vós soubésseis cousas que
andam em vélhos livros?!...
Criaturas há que nem saudades teem. Saudades de quê? Nem
saudades, nem queixas, nem esperanças. Tudo se lhes foi diluindo
dia a dia. A miséria não deixa saudade: pode deixar lembrança.
Deixa às vezes no esqueleto, no macerado das faces, na pele por
colorir, sinais indeléveis da sua passagem. De resto, todos os seus
dias são iguais. As suas noites parecem medidas pelo mesmo
compasso. O ontem foi amargo, o hoje é tão amargo como o ontem.
Olhando em roda, ninguêm. E em verdade, um ninguêm é sempre
só, e não vale uma unidade um bilião de zeros. Se a criatura vive a
vida bruta de animal, a sua única felicidade é êsse covil—o sono—
onde as necessidades todos os dias a vão espancar, até um belo
dia dele não voltar mais. É por isso até que chamam ao sono irmão
da morte, como a Bíblia, ou primo, como o nosso Eça de Queiroz.

Textbook Latent Variable Analysis and Signal Separation 13Th International Conference Lva Ica 2017 Grenoble France February 21 23 2017 Proceedings 1St Edition Petr Tichavsky Ebook All Chapter PDF

Uploaded by

Copyright:

Available Formats

You might also like

Textbook Latent Variable Analysis and Signal Separation 13Th International Conference Lva Ica 2017 Grenoble France February 21 23 2017 Proceedings 1St Edition Petr Tichavsky Ebook All Chapter PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Textbook Latent Variable Analysis and Signal Separation 13Th International Conference Lva Ica 2017 Grenoble France February 21 23 2017 Proceedings 1St Edition Petr Tichavsky Ebook All Chapter PDF

Uploaded by

Copyright:

Available Formats

Latent Variable Analysis and Signal

Separation 13th International

Latent Variable Analysis and Signal Separation 12th

Mathematical Morphology and Its Applications to Signal

Digital Forensics and Cyber Crime 9th International

Provable Security: 11th International Conference,

Intelligent Human Computer Interaction 9th

Collaborative Computing Networking Applications and

Sensor Networks 6th International Conference SENSORNETS

Latent Variable Analysis

Olivier J.J. Michel Nadège Thirion-Moreau (Eds.)

Latent Variable Analysis

ISSN 0302-9743 ISSN 1611-3349 (electronic)

Library of Congress Control Number: 2017931540

LNCS Sublibrary: SL1 – Theoretical Computer Science and General Issues

© Springer International Publishing AG 2017

Printed on acid-free paper

This Springer imprint is published by Springer Nature

February 2017 Petr Tichavský

GIPSA-Lab, Grenoble-Alpes University, France

Special Sessions Organizers

International Steering Committee

Lieven De Lathauwer K.U. Leuwen, Belgium

Mohammad Shamsollahi Sharif University of Technology, Tehran, Iran

Higher-Order Block Term Decomposition for Spatially Folded

Modeling Parallel Wiener-Hammerstein Systems Using Tensor

Fast Nonnegative Matrix Factorization and Completion Using

Blind Source Separation of Single Channel Mixture Using Tensorization

High-Resolution Subspace-Based Methods: Eigenvalue-

From Source Positions to Room Properties: Learning Methods

Speaker Tracking on Multiple-Manifolds with Distributed Microphones . . . . . 59

VAST: The Virtual Acoustic Space Traveler Dataset . . . . . . . . . . . . . . . . . . 68

Sketching for Nearfield Acoustic Imaging of Heavy-Tailed Sources. . . . . . . . 80

Acoustic DoA Estimation by One Unsophisticated Sensor . . . . . . . . . . . . . . 89

Acoustic Source Localization by Combination of Supervised

Tensors and Audio

An Initialization Method for Nonlinear Model Reduction Using

Audio Zoom for Smartphones Based on Multiple Adaptive Beamformers. . . . 121

Complex Valued Robust Multidimensional SOBI . . . . . . . . . . . . . . . . . . . . 131

Ego Noise Reduction for Hose-Shaped Rescue Robot Combining

Some Theory on Non-negative Tucker Decomposition. . . . . . . . . . . . . . . . . 152

A New Algorithm for Multimodal Soft Coupling . . . . . . . . . . . . . . . . . . . . 162

Adaptive Blind Separation of Instantaneous Linear Mixtures

Source Separation, Dereverberation and Noise Reduction Using LCMV

Toward Rank Disaggregation: An Approach Based on Linear Programming

A Proximal Approach for Nonnegative Tensor Decomposition . . . . . . . . . . . 201

Psychophysical Evaluation of Audio Source Separation Methods . . . . . . . . . 211

Audio Signal Processing

On the Use of Latent Mixing Filters in Audio Source Separation . . . . . . . . . 225

Discriminative Enhancement for Single Channel Audio Source Separation

Audiovisual Speech Separation Based on Independent Vector Analysis

Monoaural Audio Source Separation Using Deep Convolutional Neural

On the Behaviour of the Estimated Fourth-Order Cumulants Matrix

Caveats with Stochastic Gradient and Maximum Likelihood Based ICA

Approximate Joint Diagonalization According to the Natural

Gaussian Processes for Source Separation in Overdetermined

Model-Independent Method of Nonlinear Blind Source Separation . . . . . . . . 310

Physics and Bio Signal Processing