يُعد تحليل المكونات الرئيسية، والذي يُختصر عادةً باسم PCA، أحد الأدوات الرياضية المقترحة التي توفر طريقة لتبسيط تسجيلات تخطيط كهربائية الدماغ (EEG) متعددة القنوات، وتقليل كمية البيانات التي يتعين معالجتها، وتحديد الإشارات غير المرغوب فيها الأكثر صخبًا وتشويشًا، وكل ذلك دون وضع بعض الافتراضات الإحصائية الأكثر صرامة التي تتطلبها طرق إزالة الإشارات غير المرغوب فيها الأخرى.
يشرح هذا المقال ما يفعله تحليل المكونات الرئيسية (PCA) بالفعل ببيانات تخطيط كهربائية الدماغ (EEG)، وكيف استخدمه الباحثون في خطوط المعالجة المسبقة الحقيقية، وما تقوله الأدلة الحالية، والتي لا تزال محدودة، حول ما إذا كان يعمل كما هو معلن عنه.
ما هو تحليل المكونات الرئيسية في تخطيط كهربية الدماغ (EEG)؟
لفهم تحليل المكونات الرئيسية (PCA) بشكل أعمق، من المفيد تصور كيف تبدو بيانات EEG الأولية قبل إجراء أي معالجة للإشارات.
يتضمن التسجيل النموذجي العديد من الأقطاب الكهربائية، حيث يُنتج كل منها تدفقًا مستمرًا خاصًا به من قراءات الجهد بمرور الوقت. هذه القنوات ليست مستقلة عن بعضها البعض. ونظرًا لأنها تلتقط جميعًا النشاط الكهربائي من وسط موصل مشترك (الرأس)، فإن إشاراتها تتداخل وتترابط بطرق معقدة.
يأخذ PCA هذا التشابك من القنوات المترابطة ويعيد تنظيمه في مجموعة جديدة من الإشارات تسمى المكونات. كل مكون هو مزيج موزون من القنوات الأصلية، ولكن مع خاصية رياضية حاسمة واحدة: المكونات متعامدة، مما يعني أنها غير مترابطة مع بعضها البعض.
يقوم PCA أيضًا بترتيب هذه المكونات حسب مقدار التباين، أو التغير الكلي في الإشارة، الذي يمثله كل منها. يلتقط المكون الأول الحصة الأكبر من التباين في البيانات، ويلتقط الثاني الحصة الأكبر التالية من التباين المتبقي، وهكذا نزولاً في القائمة.
يعد هذا الترتيب بالغ الأهمية نظرًا لكيفية تصرف الشوائب والتشويش (artifacts). فرمشات العين، على سبيل المثال، تُحدث تقلبات جهد كبيرة وبطيئة تنتشر على نطاق واسع عبر العديد من الأقطاب الكهربائية في وقت واحد. ولأن هذا يُنشئ نمطًا كبيرًا ومشتركًا من التباين، فإن نشاط الرمش يميل إلى التركيز في المكونات ذات التباين الأعلى. وغالبًا ما ينتهي الأمر بإشارات الدماغ الأضعف والأكثر موضعية في أسفل القائمة، ضمن المكونات ذات التباين الأقل.
أحد التفاصيل التي تميز PCA عن بعض نظرائه الأكثر شهرة مثل تحليل المكونات المستقلة (ICA) هو أنه لا يفترض أن المصادر الأساسية مستقلة إحصائيًا. إنه يتطلب فقط أن تكون المكونات الناتجة غير مترابطة، وهو شرط أكثر مرونة بكثير.
كيف يعمل تحليل المكونات الرئيسية (PCA)؟ شرح خطوة بخطوة
الخطوة 1: تقييس البيانات (Standardize the Data)
قبل البدء في حسابات معقدة، يجب ضبط المدخلات لضمان التكافؤ بين المتغيرات. إذا تم قياس متغير بالميكروفولت وآخر بالمللي ثانية، فإن الاختلافات الأولية في المقياس ستؤدي إلى انحياز النتائج. إن ضبط مقياس كل متغير ليكون متوسطه صفرًا وانحرافه المعياري واحدًا يسمح للعمليات الرياضية بمعاملة جميع ميزات المدخلات بوزن متساوٍ.
الخطوة 2: حساب مصفوفة التغاير (Covariance Matrix)
بمجرد تقييس البيانات، تكون العقبة التالية هي رسم خريطة للعلاقات بين كل زوج من الميزات. تلخص مصفوفة التغاير هذه التفاعلات، موضحة أي المتغيرات تتحرك معًا وأيها مستقل. تعمل هذه الشبكة كأساس لتحديد الاتجاهات التي تُظهر فيها مجموعة البيانات الانتشار الأكثر وضوحًا.
الخطوة 3: حساب المتجهات الذاتية والقيم الذاتية (Eigenvectors and Eigenvalues)
تتضمن هذه المرحلة إيجاد المتجهات المحددة التي تميز شكل توزيع البيانات. تحدد المتجهات الذاتية اتجاه المحاور الجديدة، بينما تمثل القيم الذاتية حجم التباين الملتقط على طول تلك الاتجاهات المحددة. تتيح لنا هذه العلامات الرياضية تدوير فضاء البيانات الأصلي إلى نظام إحداثيات جديد محدد بأنماط الحركة الأساسية.
الخطوة 4: تحديد المكونات الرئيسية
بعد تحديد المكونات، يحصر التحليل النموذج في تلك المكونات التي تفسر جزءًا كبيرًا من التباين الكلي فقط. تتخلص عملية التصفية هذه من المتغيرات المليئة بالضوضاء وتحتفظ فقط بالأنماط الأكثر فائدة وفقًا لعتبات كمية محددة.
من خلال التركيز الصارم على المكونات السائدة، يقلل الباحثون من العبء الحسابي على مهام المعالجة اللاحقة. يضمن هذا أن يكون النموذج النهائي سريع الاستجابة وفعالاً للتحليل في الوقت الفعلي.
الخطوة 5: تحويل البيانات الأصلية
مع اكتمال الاختيار النهائي، تكون الخطوة الأخيرة هي إسقاط نقاط الملاحظة الأصلية على هذه المحاور الجديدة. يُنشئ هذا التحويل مجموعة بيانات جديدة ذات أبعاد مخفضة تحافظ على التضاريس الأساسية للقياسات الأصلية.
يستخدم المتخصصون بعد ذلك هذه المتغيرات المحولة لمهام لاحقة مثل التصنيف أو تحديد موضع المصدر، مستفيدين من تمثيل أنظف للإشارة.
كيف يتناسب PCA مع مسار المعالجة المسبقة لـ EEG
من الناحية العملية، نادرًا ما يعمل PCA بمفرده؛ إذ يميل إلى الظهور كخطوة داخل مسار تنقية أكبر، حيث يؤدي إحدى وظيفتين:
تقليص حجم البيانات
المساعدة في اكتشاف أماكن اختباء الشوائب
الدور الأول هو تقليل الأبعاد. استخدمت دراسة جمعت بين PCA وتقنية تسمى الفصل الأعمى للمصادر بتقدير الكثافة (DEBSS)، أسلوب PCA خصيصًا لتقليل حجم مجموعة بيانات EEG قبل إجراء المزيد من الفصل.
في هذا المسار، تم أولاً ترشيح الضوضاء عالية التردد باستخدام تحليل المويجات، ثم «استُخدمت خوارزمية PCA لمعالجة إشارات EEG لتقليل بُعد البيانات» قبل أن تتولى DEBSS فصل المكونات المتبقية. بمجرد تحديد المكونات الحاملة للتداخل باستخدام معاملات الارتباط المتبادل والمعلمات غير الخطية ذات الصلة، أعاد الباحثون بناء الإشارة من المكونات المتبقية الأكثر نظافة.
الدور الثاني هو اكتشاف الشوائب بحد ذاته، ويظهر داخل طريقة شائعة الاستخدام تسمى إعادة بناء الفضاء الجزئي للشوائب (ASR). تعمل ASR من خلال التحليل المستمر لنوافذ قصيرة من بيانات EEG ومقارنتها بخط أساسي للنشاط «النظيف».
وفقًا لـ دراسة أجريت عام 2019 قدمت نسخة ريمانية من هذه الطريقة، فإن ASR «تحسب مرارًا وتكرارًا PCA على مصفوفات التغاير لاكتشاف الشوائب بناءً على خصائصها الإحصائية في الفضاء الجزئي للمكونات». هنا، لا يقلل PCA من عدد القنوات للراحة، بل يعمل كمحرك يحدد، من لحظة لأخرى، ما إذا كان جزء من البيانات يبدو طبيعيًا إحصائيًا أو يبدو كأنه شوائب.
عند الجمع بين هذين المثالين، نستنتج أن PCA هو عنصر من استراتيجية تنقية، وليس استراتيجية تنقية كاملة بحد ذاته. وعادة ما يمرر مخرجاته إلى خوارزمية أخرى، سواء كانت DEBSS، أو تطبيقًا للهندسة الريمانية، أو عملية اتخاذ قرار أخرى تحدد المكونات التي يتم إزالتها فعليًا.
هل يمكن لـ PCA عزل شوائب EEG؟ ما تظهره الأدلة
إن المنطق وراء جاذبية PCA لعزل الشوائب واضح ومباشر؛ نظرًا لأن PCA يفرز المكونات حسب التباين، ولأن الرمش ونشاط العضلات يميلان إلى توليد تقلبات جهد هائلة، فإن نظرية علم الأعصاب تفترض أن هذه الشوائب يجب أن تفرز نفسها بطبيعة الحال في المكونات القليلة الأولى. وإذا صح ذلك، يمكن للباحث، من حيث المبدأ، عزل أسوأ التداخلات والتخلص منها بسرعة، دون الحاجة إلى نمذجة الاستقلال الإحصائي الدقيق لكل مصدر دماغي.
أفادت الدراسة التي اختبرت مسار PCA مع DEBSS الموصوف سابقًا أن الطريقة المدمجة «يمكنها القضاء على التداخل الرئيسي لإشارات EEG متعددة القنوات بسرعة وفعالية»، مع الإشارة أيضًا إلى أن النهج كان «مستقرًا ويتمتع بقابلية توسع قوية». هذه نتيجة إيجابية، ولكن تجدر الإشارة بدقة إلى ما تم اختباره: مسار محدد من خطوتين، وليس PCA يعمل بمفرده.
اتبعت دراسة عام 2019 المذكورة أعلاه نهجًا مقارنًا أكثر تنظيمًا؛ حيث بنى الباحثون نسخة قائمة على الهندسة الريمانية من ASR، تسمى rASR، واختبروها مقابل طريقة ASR القياسية القائمة على PCA باستخدام تخطيط كهربية الدماغ المسجل على الهواتف الذكية في كل من الظروف الداخلية والخارجية، مع 27 مشاركًا.
وقد قيّموا الأداء عبر ثلاثة مقاييس منفصلة:
مدى كفاءة كل طريقة في تقليل شوائب رمش العين (الحساسية)
مدى نجاح كل طريقة في الحفاظ على الجهود المستثارة بصريًا، وهي استجابات الدماغ للمحفزات البصرية (النوعية)
مدى سرعة تشغيل كل طريقة (الكفاءة)
وفقًا لاستنتاجات المؤلفين، حققت rASR «أداءً إيجابيًا في جميع المقاييس الثلاثة» بالمقارنة مع ASR القياسية.
هذه النتائج مشجعة للتعامل مع الشوائب القائم على PCA، لكن قاعدة الأدلة وراءها ضيقة. هذه نتائج أولية ذات مغزى ومفيدة، لكنها لا ترقى بعد إلى مستوى ادعاء موثق على نطاق واسع بأن PCA يعزل الشوائب بشكل موثوق عبر جميع سياقات EEG.
مقارنة بين PCA وICA والترشيح: اختيار الأداة المناسبة
يمتلك باحثو EEG العديد من الأدوات المتاحة لتنقية البيانات، ويحتل PCA مكانة محددة بينها.
يعمل الترشيح، الذي يشمل مرشحات التردد العالي، والتردد المنخفض، ومرشحات الثلمة (notch)، عن طريق إزالة أو تخميد نطاقات تردد كاملة. هذا مفيد لإزالة التداخل الثابت مثل ضوضاء خطوط الكهرباء، لكنه يصطدم بحدود حاسمة عندما تشترك الشوائب وإشارة الدماغ في نفس نطاق التردد.
يمكن للرمشة، على سبيل المثال، أن تتداخل في التردد مع موجات الدماغ البطيئة، ولا يمكن للمرشح التمييز بينهما لأنه يرى التردد فقط، وليس نمط التباين عبر القنوات. يعمل PCA على محور مختلف تمامًا حيث ينظر في كيفية توزيع تباين الإشارة عبر مجموعة الأقطاب الكهربائية بأكملها، وليس على محتوى التردد. وهذا يجعله نهجًا مكملاً وليس بديلاً مباشرًا للترشيح.
من ناحية أخرى، غالبًا ما يُذكر ICA جنبًا إلى جنب مع PCA، لكن الطريقتين تستندان إلى افتراضات مختلفة. يبحث ICA عن مكونات مستقلة إحصائيًا عن بعضها البعض، وهو متطلب أقوى بكثير وأكثر تطلبًا من الناحية الحسابية مقارنة بشرط PCA الأكثر مرونة المتمثل في مجرد إلغاء الترابط البسيط.
نظرًا لأن ICA يجب أن يبحث بجدية أكبر عن هذا النوع الأكثر صرامة من الفصل، فإنه يميل إلى طلب المزيد من وقت الحوسبة والمزيد من البيانات. أما PCA، لكونه أبسط من الناحية الرياضية، فهو أسرع ولا يحتاج إلى استقلالية على الإطلاق، بل يتطلب فقط أن تكون المكونات الناتجة غير مترابطة.
هذا الاختلاف في التكلفة الحسابية هو السبب وراء ظهور PCA كثيرًا كخطوة تحضيرية قبل ICA بدلاً من كونه بديلاً له. يمكن أن يؤدي تقليل عدد الأبعاد باستخدام PCA أولاً إلى تسريع تشغيل ICA وتقليل مخاطر فرط التخصيص (overfitting) عندما تكون البيانات محدودة. وبدلاً من ذلك، يمكن أن يعمل PCA كمرحلة أولى تقريبية، حيث يزيل الشوائب الأكثر هيمنة ووضوحًا قبل أن تقوم طريقة أكثر دقة بضبط الباقي.
الطريقة | أساس الفصل | السرعة | القيد الرئيسي |
|---|---|---|---|
PCA | يفرز حسب التباين | سريع | التباين ≠ شوائب |
ICA | يجد مصادر مستقلة | بطيء | يفترض الاستقلالية |
الترشيح | يزيل نطاقات التردد | سريع جدًا | تبقى الترددات المتداخلة |
حدود إزالة الشوائب القائمة على PCA
بساطة PCA هي أيضًا مصدر نقاط ضعفه؛ إذ لا تزال هناك العديد من الأسئلة المفتوحة حول مدى جودة أدائه الفعلي لمهمة عزل الشوائب الموكلة إليه غالبًا.
التباين هو بديل غير مثالي لكلمة «شوائب». يمكن لبعض إيقاعات الدماغ، مثل نشاط ألفا الخلفي (وهو إيقاع EEG معروف مرتبط بحالات الاسترخاء وإغلاق العينين)، أن تُنتج إشارات عالية السعة في حد ذاتها. فالطريقة التي تفترض أن التباين العالي يعني دائمًا وجود شوائب تخاطر بالتخلص من نشاط الدماغ الحقيقي جنبًا إلى جنب مع الضوضاء المراد إزالتها.
وفي الاتجاه المعاكس، لا تحصر شوائب الرمش نفسها دائمًا بدقة في مكون واحد؛ إذ يمكن أن يمتد تأثيرها عبر عدة مكونات في وقت واحد، مما يعقد أي استراتيجية بسيطة تعتمد على «إزالة المكون الأعلى».
هناك أيضًا عدم توافق هيكلي يجب أخذه في الاعتبار؛ يجبر PCA مكوناته على أن تكون متعامدة مع بعضها البعض بحكم التعريف الرياضي. ولكن لا يوجد ما يضمن أن المصادر الفيزيائية الفعلية التي تولد إشارات EEG، سواء كانت دوائر عصبية أو مجموعات عضلية بالقرب من فروة الرأس، مرتبة بطريقة تتطابق مع هذه الهندسة المتعامدة.
عندما لا يتطابق الافتراض مع الواقع الأساسي، قد يكون الفصل الذي ينتجه PCA ملائمة رياضية وليس انعكاسًا دقيقًا لما يحدث بالفعل في الأنسجة.
نصائح عملية لاستخدام PCA في تحليل EEG
بالنسبة لشخص يستكشف مجموعة بيانات EEG لأول مرة، يظل PCA نقطة انطلاق معقولة، لا سيما كطريقة لمعرفة أنماط التباين التي تهيمن على تسجيل معين. فيما يلي بعض النصائح التي يُوصى بها غالبًا:
استخدم PCA كخطوة أولية لتقليل الأبعاد أو تحديد أنماط الشوائب السائدة، وليس كإجراء تنقية نهائي.
ادمج PCA مع طريقة لاحقة (مثل ICA أو DEBSS أو ASR) يمكنها تحديد المكونات التي يجب إزالتها.
افحص دائمًا تضاريس فروة الرأس والمسار الزمني للمكونات المهملة بصريًا للتحقق من أنها تمثل شوائب بالفعل.
تعامل مع تباين النتائج عبر بيئات التسجيل (المختبر مقابل الأجهزة المحمولة) بحذر وتحقق من ذلك على بياناتك الخاصة.
تحليل المكونات الرئيسية في أبحاث EEG القائمة على Emotiv
تم استخدام أجهزة Emotiv headset في عدد من الدراسات الخاضعة لمراجعة الأقران حيث يعمل تحليل المكونات الرئيسية كطريقة حسابية أساسية، مما يوضح تنوع التقنية عبر التصنيف، واختيار أجهزة الاستشعار، والمعالجة المسبقة، وتحسين جودة الإشارة.
مصنف مجموعة PCA لدقة مبرمج P300 الهجائي
يتطلب تطوير BCI القابلة للارتداء معالجة فعالة للإشارات، وقد قيّمت إحدى الدراسات مصنف مجموعة PCA للمبرمجات الهجائية القائمة على P300 المسجلة باستخدام سماعة الرأس العصبية Emotiv. باستخدام نموذج الفرد الغريب (oddball) الكلاسيكي، قارن المؤلفون نهج المجموعة الخاص بهم بأساليب استخراج الميزات والتصنيف التقليدية.
في بيانات التحقق المتبادل، حققت مجموعة PCA متوسط دقة بلغت 86.29%، بينما أسفر الاختبار غير المتصل بالإنترنت عن متوسط دقة تصنيف أعلى بكثير بلغت 73.3% مقارنة بالطرق التقليدية. تشير النتائج إلى تصنيف المجموعة القائم على PCA كاستراتيجية قابلة للتطبيق لمعالجة بيانات P300 من جهاز EEG محمول ومناسب للمستهلكين.
اختيار الحد الأدنى من مستشعرات EEG لتحديد الهوية البيومترية باستخدام PCA
يعد تقليل عدد الأقطاب الكهربائية دون التضحية بالمعلومات التمييزية تحديًا عمليًا للأنظمة البيومترية. فحص الباحثون اختيار الحد الأدنى من مستشعرات EEG لتحديد هوية الأشخاص باستخدام Emotiv EPOC+ headset ومجموعة بيانات عامة أكبر. تم تطبيق منهجيتين للتقليل: واحدة تعتمد على تحليل المكونات الرئيسية والأخرى على اختبار ويلكوكسون للرتب الموقعة.
تشير الدراسة إلى أن كلا النهجين مكّنا من تحديد الحد الأدنى من مجموعة الأقطاب الكهربائية اللازمة لتحديد موثوق لهوية الأفراد، مع مساعدة PCA في تحديد المناطق القشرية التي تساهم أكثر في الأنماط القابلة للفصل. يوضح هذا دور PCA في تقليل الأبعاد عند نقل الإعدادات المختبرية إلى ترتيبات مستشعرات أبسط وأكثر عملية.
مقارنة PCA مع CSP وCAR لإزالة الشوائب
سجلت مقارنة مسار المعالجة المسبقة بيانات EEG باستخدام Emotiv EPOC لتقييم مدى كفاءة الخوارزميات المختلفة في تنقية الإشارات قبل التصنيف. في مقارنة لخوارزميات المعالجة المسبقة، تم اختبار تحليل المكونات الرئيسية جنبًا إلى جنب مع النمط المكاني المشترك (CSP) والمرجع المتوسط المشترك (CAR) لإزالة الشوائب، وبعد ذلك تم إدخال ميزات كثافة الطيف القدرية في مصنف آلة المتجهات الداعمة.
لاحظ المؤلفون أن PCA حقق أداءً بنسبة 94.28%، متفوقًا على الخوارزميات الأخرى في إعداداتهم. يشير هذا إلى أن PCA يمكن أن يعمل كمكون فعال في سلسلة المعالجة المسبقة عند العمل مع أجهزة EEG الاستهلاكية.
تعزيز استخراج الإيقاع الجماعي: PCA مقابل التواء كوسامبي-هيلبرت
عندما تلتقط مستشعرات EEG المتعددة نشاطًا تذبذبيًا، غالبًا ما يكون استخراج إيقاع مشترك بنسبة إشارة إلى ضوضاء عالية أمرًا مرغوبًا فيه. قارنت دراسة حول تحسين جودة الإيقاع الجماعي باستخدام Emotiv EPOC+ بين تحليل المكونات الرئيسية التقليدي وطريقة التواء كوسامبي-هيلبرت (KHT). تم تسجيل البيانات أثناء الراحة مع إغلاق العينين وأثناء مشاهدة شاشة تومض بتردد 15 هرتز.
أفاد الباحثون أن KHT حقق نسبة إشارة إلى ضوضاء أفضل للإشارة الجماعية مقارنة بـ PCA، خاصة عند إدخال تحولات زمنية عشوائية عبر القنوات. يوضح العمل أنه بينما يقدم PCA خط أساس بسيط لاستخراج الإيقاع المشترك، فإن الطرق المدركة للطور يمكن أن تزيد من تضخيم الإشارة المعنية.
تُبرز هذه الدراسات مجتمعة كيف يعمل تحليل المكونات الرئيسية عبر مهام EEG مختلفة تمامًا—من التصنيف وتحديد الهوية البيومترية إلى المعالجة المسبقة واستخراج الإيقاع—باستخدام أجهزة Emotiv. النتائج واعدة في ظل ظروفها المحددة، ومع ذلك تظل مقصورة على نماذج معينة، وأحجام عينات صغيرة نسبيًا، وتحليلات غير متصلة بالإنترنت. تدعم النتائج PCA كأداة متعددة الاستخدامات في مسارات أبحاث EEG، لكنها لا تضع بعد وصفة موحدة تناسب الجميع لتطبيقات BCI منخفضة التكلفة وفي الوقت الفعلي.
الخلاصة: هل PCA طريقة موثوقة لتنقية EEG؟
يحول PCA بيانات الموجات الدماغية المعقدة إلى مكونات مرتبة، مما يمنح الباحثين طريقة سريعة للتركيز على الأجزاء الأكثر ضوضاءً في التسجيل. هذا النهج مفيد بشكل خاص عندما يهيمن رمش العين أو حركات العضلات على الإشارة، حيث إنها غالبًا ما تطفو إلى المراتب ذات التباين الأعلى.
ولكن نظرًا لأن إيقاعات الدماغ الحقيقية يمكن أن تنتج أيضًا إشارات قوية، فلا يمكن الاعتماد على الطريقة بمفردها لتقرير ما هو شوائب وما هو بيانات عصبية ثمينة.
المراجع
Kang, D., & Zhizeng, L. (2012, March). A method of denoising multi-channel EEG signals fast based on PCA and DEBSS algorithm. In 2012 International Conference on Computer Science and Electronics Engineering (Vol. 3, pp. 322-326). IEEE. https://doi.org/10.1109/ICCSEE.2012.105
Blum, S., Jacobsen, N. S. J., Bleichner, M. G., & Debener, S. (2019). A Riemannian Modification of Artifact Subspace Reconstruction for EEG Artifact Handling. Frontiers in human neuroscience, 13, 141. https://doi.org/10.3389/fnhum.2019.00141
الأسئلة الشائعة
ما هو تحليل المكونات الرئيسية (PCA) في سياق EEG؟
PCA هو طريقة رياضية تعيد تنظيم بيانات EEG متعددة القنوات في مجموعة جديدة من الإشارات تسمى المكونات، والتي تكون غير مترابطة مع بعضها البعض. يقوم بترتيب هذه المكونات حسب مقدار التباين الذي تلتقطه، حيث يفسر المكون الأول أكبر قدر من التباين الكلي للإشارة.
كيف يساعد PCA في إزالة الشوائب من بيانات EEG؟
نظرًا لأن الشوائب مثل رمش العين تُحدث تقلبات جهد كبيرة وواسعة الانتشار، فإنها تميل إلى التركيز في المكونات ذات التباين الأعلى. يتيح ترتيب PCA حسب التباين للباحثين تحديد تلك المكونات العليا وربما التخلص منها، والتي غالبًا ما تحتوي على الضوضاء الأكثر إزعاجًا.
هل يعمل PCA بمفرده لتنقية إشارات EEG؟
لا، نادرًا ما يُستخدم PCA كحل تنقية مستقل. عادةً ما يعمل كخطوة ضمن مسار أكبر، إما لتقليل أبعاد البيانات قبل تطبيق طريقة أخرى مثل DEBSS، أو كمحرك اكتشاف داخل إطار عمل مثل إعادة بناء الفضاء الجزئي للشوائب (ASR).
ما الفرق بين PCA وICA لإزالة الشوائب؟
يتطلب PCA فقط أن تكون المكونات الناتجة غير مترابطة، وهو شرط رياضي أكثر مرونة، بينما يبحث ICA عن مكونات مستقلة إحصائيًا، وهو متطلب أكثر صرامة وتطلبًا من الناحية الحسابية. PCA أسرع وغالبًا ما يُستخدم كخطوة تحضيرية قبل ICA بدلاً من كونه بديلاً له.
هل يمكن لـ PCA إزالة نشاط الدماغ الحقيقي عن طريق الخطأ إلى جانب الشوائب؟
نعم، لأن PCA يعتمد على التباين لتحديد الشوائب، يمكن الخلط بين إيقاعات الدماغ عالية السعة مثل نشاط ألفا الخلفي والضوضاء. بالإضافة إلى ذلك، قد تنتشر الشوائب عبر مكونات متعددة، لذا فإن مجرد إزالة المكون الأعلى يمكن أن يؤدي إلى التخلص من إشارات عصبية حقيقية.
كيف يقارن PCA بترشيح التردد لتنقية EEG؟
يزيل ترشيح التردد أو يخمد طاقة الإشارة في نطاقات تردد محددة، لكنه لا يمكنه فصل الشوائب عن إشارة الدماغ التي تشترك في نفس الترددات. ينظر PCA في أنماط التباين عبر جميع الأقطاب الكهربائية بدلاً من ذلك، مما يجعله نهجًا مكملاً يعالج بُعدًا مختلفًا من البيانات.
كيف ينبغي للباحث استخدام PCA بأمان في سير عمل المعالجة المسبقة لـ EEG؟
يمكن استخدام PCA كخطوة لتقليل الأبعاد قبل تطبيق طرق أخرى، أو كأداة مساعدة لمعاينة الأنماط التي تهيمن على التسجيل. يجب على الباحثين فحص المكونات التي يخططون للتخلص منها بصريًا عن طريق التحقق من تضاريس فروة الرأس ومسارها الزمني، بدلاً من الوثوق الأعمى بترتيب التباين.
تُعد Emotiv شركة رائدة في تقنيات الأعصاب، تساعد على تطوير أبحاث علم الأعصاب من خلال أدوات EEG وبيانات الدماغ سهلة الوصول.
إخلاء مسؤولية طبي: المعلومات المقدمة على هذا الموقع هي لأغراض تعليمية وإعلامية فقط ولا يُقصد بها أن تكون نصيحة طبية أو صحية. قد يحتوي هذا المحتوى على أخطاء ولا ينبغي الاعتماد عليه لاتخاذ قرارات صحية أو طبية أو نمط حياة تغير مجرى الحياة. احرص دائمًا على استشارة طبيبك أو أي مقدم رعاية صحية مؤهل آخر بشأن أي أسئلة قد تكون لديك بخصوص أي حالة طبية أو علاج.
كريستيان بورغوس
