تحليل المكونات المستقلة هو طريقة حسابية قوية للفصل الأعمى للمصادر تُستخدم في مجالات متنوعة. وهو يفصل بفعالية إشارات تخطيط كهربائية الدماغ المختلطة والمستقلة إحصائياً وغير الغوسية.
ما هو تحليل المكونات المستقلة (ICA)؟
تحليل المكونات المستقلة هو تقنية إحصائية وحسابية متطورة تركز على استخراج العوامل أو المكونات المخفية من مجموعة من الملاحظات المختلطة.
في العديد من سيناريوهات العالم الحقيقي، تكون البيانات المسجلة نتيجة لإشارات مصدر متعددة تعمل في وقت واحد من خلال وسيط، مما يخلق تداخلاً معقداً غالباً ما يكون غير مفهوم في شكله الخام. ومن خلال تطبيق تحويلات جبرية محددة، تعمل هذه الطريقة كمرشح لعكس عملية الخلط.
المفهوم الأساسي: فصل الإشارات المختلطة
تتمحور الفرضية الأساسية لهذا المجال حول "مشكلة حفلة الكوكتيل"، حيث يتحدث عدة أشخاص في آن واحد داخل غرفة بينما تسجل ميكروفونات متعددة الفوضى السمعية الناتجة.
لا يسمع المراقب العادي سوى مزيج فوضوي من الأصوات، ولكن يمكن لـ ICA نظرياً تحديد الإشارة التي ساهم بها كل متحدث على حدة. تتيح هذه القدرة للباحثين عزل أشكال موجية محددة من تدفق عالمي، مما يوفر نافذة واضحة على قنوات البيانات الفردية التي كانت لتظل غامضة لولا ذلك.
الأسس الرياضية لـ ICA
من الناحية الرياضية، الهدف هو إجراء فصل أعمى للمصدر، وإيجاد تحويل خطي يجعل المتغيرات المرصودة مستقلة قدر الإمكان. وبالنظر إلى متجه بيانات مرصود، تبحث الخوارزمية عن مصفوفة تفكيك خلط، والتي تؤدي عند ضربها في الملاحظات إلى الحصول على إشارات مصدر مقدرة ذات توزيعات إحصائية مستقلة.
ويتطلب تحقيق ذلك أن تكون هذه الإشارات غير غاوسية، لأن الخصائص الرياضية للتوزيعات الغاوسية تجعل من المستحيل فصلها بشكل فريد. وفي سياق علم الأعصاب الحديث، تضمن هذه الدقة عدم فقدان التقلبات الكهربائية الدقيقة في الضوضاء الخلفية للتداخل المحيط.
كيف يعمل تحليل المكونات المستقلة؟
تعمل العملية بنجاح مع البيانات عالية الأبعاد، وتعتمد على تحويل الخليط إلى أجزائه المكونة عن طريق قياس عدم الغاوسية. ونظراً لأن الإشارات المختلطة غالباً ما تميل نحو التوزيع الغاوسي بسبب نظرية النهاية المركزية، فإن الخوارزمية تعمل من خلال البحث الحثيث عن اتجاهات في البيانات تكون أبعد ما يمكن عن التوزيع الغاوسي.
والمكونات الناتجة هي فعلياً إشارات "نقية" تعيد بناء المصدر الأصلي بشكل مستقل عن عملية الخلط.
افتراضات ICA
يعتمد التنفيذ الناجح لهذه الخوارزمية على عدة متطلبات أساسية. والافتراض الأكثر أهمية هو أن إشارات المصدر مستقلة إحصائياً عن بعضها البعض؛ فإذا كانت معرفة قيمة أحد المصادر لا تقدم أي معلومات عن مصدر آخر، فإنها تكون مؤهلة للفصل.
بالإضافة إلى ذلك، تفترض الخوارزمية أن عدد الإشارات المختلطة المرصودة لا يقل عن عدد المصادر المستقلة. وأخيراً، وكما لوحظ، يجب أن تظهر المصادر توزيعات غير غاوسية، لأن هذا الهيكل المتميز يخلق المعالم التي تحتاجها الخوارزمية لترسيخ جهود الفصل الخاصة بها.
خوارزمية تحليل المكونات المستقلة: التقنيات الرئيسية
توجد عدة مناهج خوارزمية لتحقيق هذا الفصل، حيث يعد FastICA و Infomax من بين الأمثلة الأكثر بروزاً. تقوم هذه الطرق بضبط مصفوفة تفكيك الخلط بشكل متكرر لتقليل المعلومات المتبادلة أو زيادة عدم الغاوسية للمخرجات إلى أقصى حد.
عملية التحسين كثيفة الحوسبة، وتتطلب تنفيذاً دقيقاً لضمان التقارب المستمر عبر مجموعات البيانات المختلفة. ومن خلال تحسين هذه الأوزان، يقوم النظام تدريجياً بإزالة طبقات التداخل حتى تظهر كل إشارة متميزة بوضوح.
تحليل المكونات المستقلة مقابل تحليل المكونات الرئيسية (ICA مقابل PCA)
في حين تُستخدم كلتا التقنيتين لتقليل الأبعاد أو تحليل الإشارات، فإن أهدافهما الوظيفية تختلف بشكل كبير. ويجب على الباحثين الاختيار بينهما بناءً على ما إذا كانوا يسعون إلى التقاط التباين أو الاستقلالية داخل مجموعة البيانات الخاصة بهم.
الميزة | تحليل المكونات الرئيسية | تحليل المكونات المستقلة |
|---|---|---|
التركيز الأساسي | التباين الأقصى | الاستقلالية القصوى |
التعامد | مطلوب | غير مطلوب |
ترتيب المكونات | مرتبة حسب القيم الذاتية | مرتبة عشوائياً |
المقياس الإحصائي | الارتباطات | الإحصاءات عالية الرتبة |
يعتمد اختيار الأداة الصحيحة على الأهداف المحددة للتحليل الأساسي. في حين أن PCA ممتازة لضغط البيانات حيث يكون الحفاظ على الاتجاهات الرئيسية أمراً أساسياً، فإن ICA تتفوق عندما يكون الهدف هو تحديد عمليات فريدة ومستقلة تساهم في الملاحظة الإجمالية.
كيف يفصل تحليل المكونات المستقلة إشارات الدماغ عن الضوضاء
يتخذ تحليل المكونات المستقلة نهجاً أكثر صرامة من PCA. فبدلاً من مجرد إزالة الارتباط بين الإشارات، يبحث ICA عن المكونات المستقلة إحصائياً، مما يعني أن معرفة قيمة مكون واحد لا تقدم أي معلومات على الإطلاق عن أي مكون آخر.
هذا معيار أعلى بكثير من إزالة الارتباط، وهو ما يتيح لـ ICA تفكيك الإشارات التي تشترك في محتوى التردد ولكنها تنشأ من مصادر فيزيائية منفصلة تماماً: رمشة عين هنا، وانقباض فك هناك، وبقعة من القشرة البصرية تستجيب لمحفز في مكان آخر.
تطبق دراسة وينكلر وآخرون تقنية TDSEP، وهي نسخة من ICA تأخذ في الاعتبار الارتباطات الزمنية عبر الوقت، وليس فقط الإحصاءات اللحظية للإشارة.
تستخدم دراسة أولاف ديميغين خوارزمية Infomax، وهي خوارزمية ICA مستخدمة على نطاق واسع.
تبني دراسة مونيون أداة الكشف التلقائي الخاصة بها على رأس مسار عمل عام يعتمد على ICA.
على الرغم من الاختلافات في التنفيذ، فإن كل هذه المنهجيات تعتمد على نفس المبدأ الأساسي: تفكيك إشارة الإلكترود المختلطة إلى مجموعة من المكونات التي تتصرف بشكل مستقل عن بعضها البعض، ثم تحديد أي من هذه المكونات يشبه نشاط الدماغ وأيها يشبه الشوائب الاصطناعية (الآثار الصوتية/الحركية).
الافتراضات الأساسية وراء ICA: عدم الغاوسية والخلط الخطي
يعمل ICA بسبب افتراضين محددين حول البيانات، وفهمهما يفسر نقاط قوته ونقاط فشله على حد سواء.
الافتراض الأول هو عدم الغاوسية. تميل مصادر تخطيط أمواج الدماغ (EEG) الحقيقية، سواء كانت إيقاعات دماغية أو رمشات عين أو تشنجات عضلية، إلى امتلاك توزيعات سعة تنحرف عن شكل منحنى الجرس للتوزيع الغاوسي (الطبيعي). تم بناء خوارزميات ICA للبحث عن هذا الهيكل غير الغاوسي وتعظيمه، لأن خليط الإشارات المستقلة يميل إلى أن يبدو أكثر غاوسية من أي من مكوناته الفردية (نتيجة لنظرية النهاية المركزية).
الافتراض الثاني هو الخلط الخطي. يفترض ICA أن ما يسجله الإلكترود هو مزيج خطي ولحظي من إشارات المصدر الكامنة، وهو افتراض ينطبق جيداً على كيفية انتشار النشاط الكهربائي عبر الأنسجة والجمجمة (عملية تُعرف بالتوصيل الحجمي) في ظروف تسجيل مستقرة. ويكون هذا الافتراض أسهل في التحقق عندما يجلس الشخص ساكناً.
لماذا يغير الترشيح عالي التمرير قبل ICA كل شيء
تعتمد جودة تفكيك ICA بشكل كبير على كيفية معالجة الإشارة قبل تشغيل الخوارزمية، ويتضح أن اختيار حد ترشيح عالي التمرير (مرشح يزيل الانحرافات البطيئة جداً تحت تردد محدد) هو أحد أكثر القرارات تأثيراً في مسار العمل بأكمله.
اختبرت دراسة أُجريت عام 2015 بقيادة وينكلر وآخرين هذا الأمر بشكل مباشر باستخدام بيانات الجهد المرتبط بالحدث (ERP) - وهي أنماط موجات دماغية مرتبطة زمنياً بمحفز معين - من 21 مشاركاً يقومون بمهمة سماعية غير مألوفة. أنتج الترشيح عالي التمرير بين 1 و2 هرتز نتائج جيدة باستمرار عبر ثلاثة مقاييس منفصلة: نسبة الإشارة إلى الضوضاء، ودقة التصنيف أحادي التجربة، ونسبة المكونات التي بدت "شبه ثنائية القطب"، مما يعني أنها تمتلك نمطاً مكانياً يتوافق مع مصدر دماغ فريد ومحدد بدلاً من مزيج غير واضح من عدة مصادر.
علاوة على ذلك، في دراسة أجريت عام 2020، فحص كلوج وآخرون نفس السؤال عبر إعدادات التسجيل الثابتة والمتنقلة. بالنسبة لتجربة ثابتة قياسية تحتوي على 64 قناة ومرشح 0.5 هرتز، كانت النتائج مقبولة. لكن التجارب المتنقلة تطلبت حداً أعلى للترشيح، يصل إلى 2 هرتز، للوصول إلى تفكيك مثالي، كما تطلبت الإعدادات التي تحتوي على قنوات أكثر مرشحات أعلى في المقابل.
وقد دفع بحث أولاف ديميغين هذه الفكرة إلى أبعد من ذلك في السياق المحدد لشوائب حركة العين. ومن خلال تغيير مرشح التمرير العالي، ومرشح التمرير المنخفض، ونسبة بيانات التدريب التي تحتوي على إمكانات الارتداد الرمشي بشكل منهجي، وجد الباحث أن تدريب ICA على بيانات كانت فيها إمكانات الارتداد هذه ذات وزن زائد بشكل كبير أدى إلى تحسين جودة التصحيح بشكل قوي.
معاً، تشير هذه الدراسات الثلاث إلى نفس الاستنتاج: قد تكون إعدادات المرشح الافتراضية، وخاصة حد 0.5 هرتز الشائع، متساهلة للغاية بالنسبة للعديد من حالات الاستخدام، ويعتمد الاختيار الصحيح على الشوائب المحددة وظروف التسجيل.
أتمتة اختيار مكونات الشوائب باستخدام التعلم الآلي
بمجرد أن ينتج ICA مجموعة من المكونات المستقلة، لا يزال يتعين على شخص ما أو شيء ما تحديد المكونات التي تمثل نشاط الدماغ والتي تمثل شوائب مصطنعة. التصنيف اليدوي بواسطة خبراء مدربين عملية بطيئة وتدخل فيها الذاتية، نظراً لأن الخبراء المختلفين لا يتفقون دائماً على الحالات الحدية.
ولمعالجة هذا الأمر، بنى فريق وينكلر مصنفاً خطياً مستقلاً عن الموضوع باستخدام ست ميزات فقط مأخوذة من الخصائص الترددية والمكانية والزمنية لكل مكون. ومن خلال التدريب على 640 مكوناً من مكونات TDSEP المصنفة يدوياً من 12 مشاركاً في دراسة زمن رد الفعل، حقق المصنف أقل من 10٪ من متوسط مربع الخطأ (MSE) عند اختباره على بيانات جديدة، وهو مستوى أداء يتساوى مع معدل الاختلاف الطبيعي بين الخبراء البشريين.
وعند تطبيقه دون إعادة تدريب على نموذج ERP سمعي مختلف تماماً، وصل نفس المصنف إلى 15٪ من MSE، وهو نتيجة معقولة ولكنها أضعف بشكل ملحوظ تعكس صعوبة التعميم عبر النماذج المختلفة. وفي مهمة تصوير حركي لـ واجهة الدماغ والحاسوب (BCI)، أظهر الباحثون أن إزالة ما يصل إلى 60٪ من المكونات الأكثر احتواءً على الشوائب لا يزال يحافظ على المعلومات المميزة اللازمة لعمل الـ BCI.
علاوة على ذلك، قدم فريق مونيون أداة ADJUST، وهي خوارزمية تلقائية بالكامل تجمع بين الميزات المكانية والزمنية المضبوطة خصيصاً لاكتشاف الرمشات وحركات العين والانقطاعات العامة. ومن خلال التحقق من صحتها على مجموعة بيانات مستقلة، وافق تصنيف ADJUST للمكونات تصنيف الخبراء اليدوي على 95.2٪ من تباين البيانات. وأنتجت إزالة المكونات التي حددتها ADJUST كشوائب ما تصفه الدراسة بإعادة بناء أنيقة للجهود المرتبطة بالحدث البصري والسمعي من بيانات مليئة بالشوائب بشكل كبير.
تمثل كلتا الأداتين تقدماً حقيقياً نحو تقليل العبء اليدوي لتنظيف تخطيط أمواج الدماغ، ولكن أدائهما المذكور يأتي من مجموعات بيانات ونماذج محددة، والتعميم على ظروف جديدة ليس مضموناً.
نصائح عملية لتنظيف بيانات تخطيط أمواج الدماغ باستخدام ICA
يعمل تحليل المكونات المستقلة لأنه يستهدف الاستقلالية الإحصائية الحقيقية بدلاً من خاصية إزالة الارتباط الأضعف التي تعتمد عليها طرق مثل PCA. وهذا التمييز هو ما يسمح له بتفكيك إشارات الدماغ والشوائب حتى عندما يتداخل محتواها الترددي، وهو أمر لا يمكن للترشيح في مجال التردد القيام به، وفشل تصحيح EOG القائم على الانحدار في تحقيقه في الاختبار المباشر.
ومع ذلك، فإن هذا النجاح مشروط. فقد تبين أن الترشيح عالي التمرير في نطاق 1 إلى 2 هرتز ينتج تفكيكات جيدة باستمرار في أبحاث ERP الثابتة، بينما استفادت التسجيلات المتنقلة من مرشحات تصل إلى 2 هرتز، مع لعب عدد القنوات دوراً أيضاً. بالنسبة للشوائب الصعبة بشكل خاص مثل إمكانات الارتداد الرمشي أثناء المشاهدة الحرة، فإن زيادة وزن الشوائب عمداً أثناء التدريب، بدلاً من استخدام الإعدادات الافتراضية، يمكن أن يحول التصحيح غير المرضي إلى تصحيح يزيل كل التلوث تقريباً بأقل قدر من التشوية لنشاط الدماغ.
علاوة على ذلك، يمكن لمصنفات المكونات الآلية، بما في ذلك النموذج الخطي ذو الميزات الست وخوارزمية ADJUST من الدراسات المذكورة أعلاه، أن تقلل بشكل كبير من الوقت والذاتية التي يتطلبها التصنيف اليدوي. وأظهر كلاهما توافقاً قوياً مع حكم الخبراء على بيانات التحقق الخاصة بهما. ومع ذلك، لا ينبغي معاملة أي منهما كحل شامل دون وعي بـكيفية تغير الأداء عبر نماذج وأجهزة التسجيل المختلفة.
لا تزال إزالة الشوائب القائمة على ICA واحدة من أكثر المنهجيات المدعومة المتاحة لتنظيف بيانات EEG، وعلم الأعصاب الكامن وراءها يرتكز على منطق إحصائي متماسك. لكن أداءها الفعلي يعتمد على خيارات تُتخذ قبل تشغيل الخوارزمية بوقت طويل: إعدادات المرشح، وتكوين بيانات التدريب، والشوائب المحددة المستهدفة. ويجب على أي شخص يطبقها التحقق من النتائج باستخدام مقاييس موضوعية بدلاً من افتراض أن تكويناً واحداً سيعمل في كل مكان.
لماذا تحدد خيارات المعالجة المسبقة نجاح ICA في تخطيط أمواج الدماغ
بيانات الدماغ النظيفة هي الأساس لكل شيء بدءاً من الأجهزة التي يتم التحكم فيها بالتفكير إلى أبحاث الذاكرة الدقيقة. يوفر تحليل المكونات المستقلة طريقة سليمة رياضياً لتفكيك النشاط العصبي المختلط وضوضاء الجسم، حتى عندما تفشل الطرق الأبسط مثل الترشيح البسيط. ومن خلال استهداف الاستقلالية الإحصائية الحقيقية، يمكنه الكشف عن البصمات الكهربائية المنفصلة لإيقاع الدماغ الحقيقي ورمشة العين التي تحدث في نفس نطاق التردد.
ومع ذلك، فإن القوة الحقيقية تظهر فقط عندما يتجاوز الباحثون الإعدادات الافتراضية الجاهزة للاستخدام. وتظهر الدراسات أن ضبط مرشح التمرير العالي لتناسب حالة التسجيل المحددة وإعداد عينات التدريب بعناية لكاشفات الشوائب هما ما يحولان ICA من تجربة واعدة إلى أداة موثوقة باستمرار. ويسمح هذا النوع من الاهتمام المخصص للعلماء باستعادة رسائل الدماغ بثقة بدلاً من تركها مشوشة داخل تسجيل مليء بالضوضاء.
المراجع
Winkler, I., Haufe, S., & Tangermann, M. (2011). Automatic classification of artifactual ICA-components for artifact removal in EEG signals. Behavioral and brain functions, 7(1), 30. https://doi.org/10.1186/1744-9081-7-30
Dimigen, O. (2020). Optimizing the ICA-based removal of ocular EEG artifacts from free viewing experiments. NeuroImage, 207, 116117. https://doi.org/10.1016/j.neuroimage.2019.116117
Mognon, A., Jovicich, J., Bruzzone, L., & Buiatti, M. (2011). ADJUST: An automatic EEG artifact detector based on the joint use of spatial and temporal features. Psychophysiology, 48(2), 229-240. https://doi.org/10.1111/j.1469-8986.2010.01061.x
Winkler, I., Debener, S., Müller, K. R., & Tangermann, M. (2015). On the influence of high-pass filtering on ICA-based artifact reduction in EEG-ERP. Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference, 2015, 4101–4105. https://doi.org/10.1109/EMBC.2015.7319296
Klug, M., & Gramann, K. (2021). Identifying key factors for improving ICA‐based decomposition of EEG data in mobile and stationary experiments. European Journal of Neuroscience, 54(12), 8406-8420. https://doi.org/10.1111/ejn.14992
الأسئلة الشائعة
لماذا لا يمكن لترشيح التردد البسيط إزالة شوائب تخطيط أمواج الدماغ مثل رمشات العين والنشاط العضلي؟
يفشل ترشيح التردد لأن الشوائب وإشارات الدماغ غالباً ما تشترك في نفس نطاقات التردد، مثل النشاط العضلي وإيقاعات ثيتا الجبهية، لذا فإن إزالة أحدهما تزيل الآخر أيضاً. ولا يمكن للمرشح فصلهما عندما تتداخل تذبذباتهما.
ما هو الفرق الرئيسي بين PCA و ICA في فصل إشارات الدماغ عن الضوضاء؟
يقوم PCA فقط بإزالة ارتباط الإشارات - مما يجعلها غير مرتبطة خطياً - ولكنه لا يتطلب استقلالية إحصائية. بينما يذهب ICA إلى أبعد من ذلك بالبحث عن مكونات مستقلة إحصائياً تماماً، مما يعني أن معرفة أحدها لا يكشف شيئاً عن الآخر، مما يتيح فصلاً أفضل لمصادر الدماغ والشوائب المختلطة.
كيف يقوم ICA بفصل إشارات الدماغ عن الشوائب فعلياً؟
يفترض ICA أن إشارات الإلكترود المختلطة هي توليفات خطية لإشارات مصدر مستقلة وغير غاوسية. ويجد تحويلاً يعظم استقلالية المكونات الناتجة، مما يعزل بفعالية مصادر فيزيائية متميزة مثل رمشة العين عن إيقاع الدماغ حتى لو تداخلت تردداتها.
لماذا تعد خاصية عدم الغاوسية مهمة لعمل ICA؟
تميل مصادر تخطيط أمواج الدماغ الحقيقية لامتلاك توزيعات سعة غير غاوسية، بينما تصبح مخاليط الإشارات المستقلة أكثر غاوسية. وتبحث خوارزميات ICA عن هذا الهيكل غير الغاوسي وتعظمه لتفكيك المصادر الأصلية، لأن العثور على التوقعات الأقل غاوسية يستعيد المكونات المستقلة.
لماذا يعد الترشيح عالي التمرير لبيانات تخطيط أمواج الدماغ قبل ICA أمراً بالغ الأهمية؟
يزيل مرشح التمرير العالي الانحرافات البطيئة جداً التي يمكن أن تفسد تفكيك ICA. ووجدت الدراسات باستمرار أن حدود الترشيح حوالي 1-2 هرتز أنتجت مكونات مستقلة أنظف وأكثر شبهاً بنشاط الدماغ مقارنة بالإعدادات الافتراضية الأقل مثل 0.5 هرتز، خاصة في التسجيلات المتنقلة أو عند استهداف شوائب محددة.
كيف يمكن للتعلم الآلي أن يساعد في أتمتة تصنيف مكونات ICA كنشاط دماغ أو شوائب؟
تستخدم المصنفات الآلية ميزات قليلة من تردد كل مكون وأنماطه المكانية والزمنية لتصنيفها بدقة تقترب من توافق الخبراء. وهذا يقلل من عبء العمل اليدوي الذاتي في اختيار المكونات التي يجب إزالتها، على الرغم من أن الأداء قد ينخفض عند تطبيقه على نماذج تجريبية جديدة.
ماذا يحدث لأداء ICA أثناء تسجيلات تخطيط أمواج الدماغ المتنقلة حيث يتحرك المشاركون؟
لا تكسر الحركة افتراض الخلط الخطي تماماً، لذا لا يزال ICA يعمل، ولكنه يقلل من عدد مكونات الدماغ النظيفة والقابلة للتفسير التي يمكن استعادتها. وغالباً ما تتطلب الإعدادات المتنقلة حداً أعلى لمرشح التمرير العالي للحفاظ على التفكيك الأمثل مقارنة بالتسجيلات الثابتة.
هل يمكن تطبيق ICA على المخاليط غير الخطية؟
تفترض الخوارزمية القياسية خليطاً خطياً، لذا فإن تطبيقها على توليفات معقدة غير خطية يتطلب غالباً تعديلات متخصصة أو امتدادات للنموذج.
تُعد Emotiv شركة رائدة في تقنيات الأعصاب، تساعد على تطوير أبحاث علم الأعصاب من خلال أدوات EEG وبيانات الدماغ سهلة الوصول.
كريستيان بورغوس
