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 أكبر، يفيدنا تخيل كيف تبدو بيانات تخطيط كهربية الدماغ (EEG) الخام قبل حدوث أي معالجة للإشارات.
يتضمن التسجيل النموذجي العديد من الأقطاب الكهربائية، حيث ينتج كل منها تدفقه المستمر الخاص لقراءات الجهد بمرور الوقت. هذه القنوات ليست مستقلة عن بعضها البعض. ولأنها تلتقط جميعها النشاط الكهربائي من وسط موصل مشترك (الرأس)، فإن إشاراتها تتدخل وتترابط بطرق معقدة.
يأخذ تحليل المكونات الرئيسية هذا التشابك من القنوات المترابطة ويعيد تنظيمه في مجموعة جديدة من الإشارات تسمى المكونات. كل مكون هو مزيج مرجح من القنوات الأصلية، ولكن مع خاصية رياضية مهمة واحدة: المكونات متعامدة، مما يعني أنها غير مترابطة مع بعضها البعض.
يقوم تحليل المكونات الرئيسية أيضاً بترتيب هذه المكونات حسب مقدار التباين، أو تباين الإشارة الإجمالي، الذي يمثله كل منها. يلتقط المكون الأول الحصة الأكبر من التباين في البيانات، ويلتقط الثاني الحصة الأكبر التالية من المتبقي، وهكذا دواليك في القائمة.
هذا الترتيب ذو أهمية بالغة بسبب سلوك الشوائب (الآثار الاصطناعية) عادة. فرَمش العين، على سبيل المثال، ينتج تقلبات جهد كبيرة وبطيئة تنتشر على نطاق واسع عبر العديد من الأقطاب الكهربائية في وقت واحد. ولأن هذا يخلق نمطاً كبيراً ومشتركاً من التباين، فإن نشاط الرمش يميل إلى التركز في المكونات ذات التباين الأعلى. وغالباً ما ينتهي الأمر بإشارات الدماغ الأضعف والأكثر موضعية في أسفل القائمة، في المكونات ذات التباين الأقل.
أحد التفاصيل التي تميز تحليل المكونات الرئيسية (PCA) عن بعض نظرائه الأكثر شهرة مثل تحليل المكونات المستقلة (ICA) هو أنه لا يفترض أن المصادر الكامنة مستقلة إحصائياً. فهو يتطلب فقط أن تكون المكونات الناتجة غير مترابطة، وهو شرط أكثر مرونة بكثير.
كيف يعمل تحليل المكونات الرئيسية (PCA)؟ شرح خطوة بخطوة
الخطوة 1: توحيد البيانات
قبل البدء في حسابات معقدة، يجب على المرء تسوية المدخلات لضمان التكافؤ عبر المتغيرات. فإذا تم قياس أحد المتغيرات بالميكروفولت والآخر بالملي ثانية، فإن الفروق الخام في المقياس ستنحاز بالنتائج. يسمح قياس كل متغير ليكون متوسطه صفراً وانحرافه المعياري واحداً للرياضيات بمعاملة جميع الميزات المدخلة بوزن متساوٍ.
الخطوة 2: حساب مصفوفة التغاير
بمجرد توحيد البيانات، فإن العقبة التالية هي رسم خريطة للعلاقات بين كل زوج من الميزات. تلخص مصفوفة التغاير هذه التفاعلات، وتوضح أي المتغيرات تتحرك معاً وأيها مستقلة. تعمل هذه الشبكة كأساس لتحديد الاتجاهات التي يظهر فيها مجلد البيانات الانتشار الأكثر أهمية.
الخطوة 3: حساب المتجهات الذاتية والقيم الذاتية
تتضمن هذه المرحلة إيجاد الحلول للمتجهات المحددة التي تميز شكل توزيع البيانات. تحدد المتجهات الذاتية اتجاه المحاور الجديدة، بينما تمثل القيم الذاتية مقدار التباين الملتقط على طول تلك الاتجاهات المحددة. تسمح لنا هذه العلامات الرياضية بتدوير مساحة البيانات الأصلية إلى نظام إحداثيات جديد يحدده الأنماط الأساسية للحركة.
الخطوة 4: تحديد المكونات الرئيسية
بعد تحديد المكونات، يقتصر التحليل في النموذج على تلك المكونات التي تفسر جزءاً كبيراً من التباين الإجمالي فقط. تستبعد عملية التصفية هذه المتغيرات المليئة بالضجيج وتحتفظ فقط بالأنماط الأكثر إفادة وفقاً لعتبات كمية محددة.
من خلال التركيز بشكل صارم على المكونات المهيمنة، 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. يخلق هذا التحويل مجموعة بيانات جديدة مخفضة الأبعاد تحافظ على التضاريس الأساسية للقياسات الأصلية.
يستخدم المتخصصون بعد ذلك هذه المتغيرات المحولة للمهام اللاحقة مثل التصنيف أو تحديد موقع المصدر، مستفيدين من تمثيل إشارة أكثر نقاءً.
كيف ينسجم تحليل المكونات الرئيسية (PCA) في مسار المعالجة المسبقة لتخطيط كهربية الدماغ
عملياً، نادراً ما يعمل تحليل المكونات الرئيسية (PCA) بمفرده. فهو يظهر عادة كخطوة داخل مسار تنظيف أكبر، ليقوم بأحد عملين:
تقليص حجم البيانات
المساعدة في الكشف عن أماكن اختباء الشوائب
الدور الأول هو تقليل الأبعاد. استخدمت دراسة تجمع بين PCA وتقنية تسمى فصل المصدر الأعمى لتقدير الكثافة، أو DEBSS، استخدمت PCA خصيصاً لتقليل حجم بيانات تخطيط كهربية الدماغ قبل حدوث المزيد من الفصل.
في هذا المسار، تمت أولاً تصفية الضوضاء عالية التردد باستخدام تحليل المويجات، ثم "تم استخدام خوارزمية PCA لمعالجة إشارات تخطيط كهربية الدماغ لتقليل بُعد البيانات" قبل أن تتولى DEBSS فصل المكونات المتبقية. وبمجرد تحديد المكونات التي تحمل التداخل باستخدام معاملات الارتباط المتبادل والمعلمات غير الخطية ذات الصلة، قام الباحثون بإعادة بناء الإشارة من المكونات المتبقية الأكثر نظافة.
الدور الثاني هو الكشف عن الشوائب نفسها، ويظهر في طريقة مستخدمة على نطاق واسع تسمى إعادة بناء الفضاء الجزئي للشوائب، أو ASR. وتعمل ASR من خلال التحليل المستمر لنوافذ قصيرة من بيانات تخطيط كهربية الدماغ ومقارنتها بخط أساسي من النشاط "النظيف".
وفقاً لـ دراسة في عام 2019 قدمت نسخة ريمانية من هذه الطريقة، فإن ASR "تحسب بشكل متكرر تحليل المكونات الرئيسية (PCA) على مصفوفات التغاير لاكتشاف الشوائب بناءً على خصائصها الإحصائية في الفضاء الجزئي للمكونات". هنا، لا يقلل PCA من عدد القنوات للسهولة والراحة، بل يعمل كمحرك يقرر، لحظة بلحظة، ما إذا كان جزء من البيانات يبدو طبيعياً إحصائياً أو يبدو كشوائب.
وبالنظر إليهما معاً، تخلص هاتان التجربتان إلى أن PCA هو جزء من استراتيجية تنظيف، وليس استراتيجية تنظيف كاملة بمفرده. فهو عادةً ما يسلم مخرجاته إلى خوارزمية أخرى كـ DEBSS، أو تعديل الهندسة الريمانية، أو عملية صنع قرار أخرى تحدد المكونات التي يتم إزالتها بالفعل.
هل يمكن لتحليل المكونات الرئيسية عزل شوائب تخطيط كهربية الدماغ؟ ما تظهره الأدلة
إن المنطق الكامن وراء جاذبية PCA لعزل الشوائب مباشر وبسيط. نظرًا لأن PCA يفرز المكونات حسب التباين، ولأن رمش العين ونشاط العضلات يميلان إلى إحداث تقلبات جهد هائلة، فإن نظرية علم الأعصاب تفترض أن هذه الشوائب يجب أن تصنف نفسها بشكل طبيعي في المكونات القليلة الأولى بأعلى القائمة. وإذا صح هذا، يمكن للباحث، من الناحية النظرية، عزل أسوأ التداخلات والتخلص منها بسرعة، دون الحاجة إلى نمذجة الاستقلال الإحصائي الدقيق لكل مصدر دماغ.
أفادت الدراسة التي اختبرت مسار PCA بالإضافة إلى DEBSS الموصوف سابقاً أن الطريقة المدمجة "يمكنها القضاء على التداخل الرئيسي لإشارات تخطيط كهربية الدماغ متعددة القنوات بسرعة وفعالية"، مع الإشارة أيضاً إلى أن النهج كان "مستقراً ويتمتع بقابلية قوية للتوسع". تعد هذه نتيجة إيجابية، ولكن تجدر الإشارة بدقة إلى ما تم اختباره: مسار محدد من خطوتين، وليس عمل PCA بمعزل عن غيره.
اتبعت دراسة عام 2019 المذكورة أعلاه نهجاً مقارناً أكثر منهجية. فقد 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، بمشاركة 27 مشاركاً.
وقد قاموا بتقييم الأداء عبر ثلاثة مقاييس منفصلة:
مدى نجاح كل طريقة في تقليل شوائب رمش العين (الحساسية)
مدى حفظ كل طريقة للجهد المستثار البصري، وهي استجابات الدماغ للمثيرات البصرية (الخصوصية)
مدى سرعة تشغيل كل طريقة (الفعالية)
وفقاً لاستنتاجات المؤلفين، فإن rASR "أدت بشكل إيجابي في المقاييس الثلاثة جميعها" مقارنة بـ ASR القياسية.
تعد هذه النتائج مشجعة لمعالجة الشوائب القائمة على PCA، لكن قاعدة الأدلة الكامنة وراءها ضيقة. هذه نتائج مبكرة ذات مغزى ومفيدة، لكنها لا ترقى بعد إلى ادعاء تم التحقق من صحته على نطاق واسع بأن PCA يعزل الشوائب بشكل موثوق عبر جميع سياقات تخطيط كهربية الدماغ (EEG).
مقارنة بين PCA وICA والترشيح: اختيار الأداة المناسبة
يمتلك باحثو تخطيط كهربية الدماغ (EEG) العديد من الأدوات المتاحة لتنظيف البيانات، وتحتل طريقة PCA مكانة متميزة وخاصة بينها.
يعمل الترشيح (المرشحات)، والذي يتضمن مرشحات التمرير العالي، والتمرير المنخفض، ومرشح الثلمة، عن طريق إزالة أو إضعاف نطاقات التردد بأكملها. وهذا مفيد لإزالة التداخل الثابت مثل ضجيج الخط الكهربائي، ولكنه يصطدم بحد صارم عندما تشترك شائبة وإشارة دماغية في نفس نطاق التردد.
على سبيل المثال، يمكن أن تتداخل رَمشة العين 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 تماماً حيث ينظر إلى كيفية توزيع تباين الإشارة عبر مجموعة الأقطاب الكهربائية بأكملها، وليس على محتوى التردد. وهذا يجعل منه نهجاً تكاملياً وليس سبيلاً بديلاً مباشراً للترشيح.
من ناحية أخرى، غالباً ما يُذكر تحليل المكونات المستقلة (ICA) في نفس السياق مع PCA، لكن الطريقتين تقومان على فرضيات مختلفة. حيث يبحث ICA عن المكونات المستقلة إحصائياً عن بعضها البعض، وهو مطلب أقوى بكثير وأكثر تطلباً من الناحية الحسابية مقارنة بشرط PCA الأسهل وهو عدم الترابط البسيط.
نظراً لأن ICA يتعين عليه البحث بجهد أكبر عن هذا النوع الأكثر صرامة من الفصل، فإنه يميل إلى طلب المزيد من وقت الحوسبة والمزيد من البيانات. أما PCA، لكونه أبسط رياضياً، فهو أسرع ولا يحتاج إلى استقلالية على الإطلاق، بل يتطلب فقط أن تكون المكونات الناتجة غير مترابطة.
هذا الاختلاف في التكلفة الحسابية هو السبب في أن PCA يظهر بشكل متكرر كخطوة تحضيرية قبل ICA وليس كبديل له. إن تقليل عدد الأبعاد باستخدام PCA أولاً يمكن أن يسرع تشغيل ICA ويقلل من خطر الإفراط في التخصيص أو الملاءمة عند محدودية البيانات. بدلاً من ذلك، يمكن لـ PCA أن يعمل كخطوة أولى تقريبية، لإزالة الشوائب الأكثر هيمنة ووضوحاً قبل أن تقوم طريقة أكثر دقة بضبط الباقي بدقة.
الطريقة | أساس الفصل | السرعة | القصور الرئيسي |
|---|---|---|---|
PCA | الفرز حسب التباين | سريع | التباين ≠ شائبة |
ICA | إيجاد المصادر المستقلة | بطيء | يفترض الاستقلال |
الترشيح | يزيل نطاقات التردد | سريع جداً | تبقى الترددات المتداخلة |
القيود المفروضة على إزالة الشوائب المعتمدة على PCA
إن بساطة PCA هي أيضاً مصدر نقاط ضعفه. فلا تزال هناك العديد من الأسئلة المفتوحة حول مدى جودة أدائه الفعلي لمهمة عزل الشوائب التي غالباً ما يتم تكليفه بها.
التباين هو بديل غير مثالي لكلمة "شائبة". يمكن لبعض إيقاعات الدماغ، مثل نشاط ألفا الخلفي (إيقاع مشهور في تخطيط كهربية الدماغ مرتبط بحالات الاسترخاء وإغلاق العينين)، أن ينتج إشارات عالية السعة في حد ذاته. إن الطريقة التي تفترض أن التباين العالي يعني دائماً وجود شائبة تخاطر بالتخلص من نشاط الدماغ الحقيقي جنباً إلى جنب مع الضوضاء التي تهدف لإزالتها.
في الاتجاه الآخر، لا تقتصر شوائب الرمش دائماً بدقة على مكون واحد؛ إذ يمكن أن ينتشر تأثيرها عبر عدة مكونات في وقت واحد، مما يعقد أي استراتيجية بسيطة قائمة على "إزالة المكون الأعلى".
وهناك أيضاً عدم توافق هيكلي يجب أخذه بعين الاعتبار. يفرض PCA أن تكون مكوناته متعامدة مع بعضها البعض بموجب التعريف الرياضي. ولكن لا يوجد ما يضمن أن المصادر الفيزيائية الفعلية التي تولد إشارات تخطيط كهربية الدماغ، سواء كانت دوائر عصبية أو مجموعات عضلية بالقرب من فروة الرأس، مرتبة بطريقة تتوافق مع هذه الهندسة المتعامدة.
عندما لا تتطابق الفرضية مع الواقع الأساسي، فإن الفصل الذي ينتجه PCA قد يكون لسهولته الرياضية وليس انعكاساً دقيقاً لما يحدث بالفعل في الأنسجة.
نصائح عملية لاستخدام PCA في تحليل تخطيط كهربية الدماغ (EEG)
بالنسبة لشخص يستكشف مجموعة بيانات تخطيط كهربية الدماغ للمرة الأولى، يظل PCA نقطة انطلاق معقولة، خصوصاً كطريقة لمعرفة أنماط التباين التي تهيمن على تسجيل معين. وفيما يلي بعض النصائح الموصى بها غالباً:
استخدم PCA كخطوة أولية لتقليل الأبعاد أو تحديد أنماط الشوائب المهيمنة، وليس كخطوة تنظيف نهائية.
ادمجه مع طريقة لاحقة (مثل ICA أو DEBSS أو ASR) يمكنها تحديد المكونات التي يجب إزالتها.
افحص دائماً بشكل مرئي تضاريس فروة الرأس والمجرى الزمني للمكونات المستبعدة للتحقق من أنها تمثل شوائب بالفعل.
تعامل بحذر مع تباين النتائج عبر بيئات التسجيل المختلفة (المختبر مقابل الأجهزة المحمولة) وتحقق من صحتها على بياناتك الخاصة.
الاستنتاج: هل PCA طريقة موثوقة لتنظيف تخطيط كهربية الدماغ؟
يحول PCA بيانات الموجات الدماغية الفوضوية إلى مكونات مرتبة، مما يمنح الباحثين طريقة سريعة للتركيز على الأجزاء الأكثر ضجيجاً في التسجيل. هذا النهج مفيد بشكل خاص عندما يهيمن رمش العين أو حركات العضلات على الإشارة، حيث تظهر هذه الحركات غالباً في المواقع ذات التباين الأعلى.
ولكن نظراً لأن إيقاعات الدماغ الحقيقية يمكنها أيضاً إنتاج إشارات قوية، فلا يمكن الوثوق بهذه الطريقة بمفردها لتقرر ما هو شائبة 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 تخطيط كهربية الدماغ (EEG)؟
هو طريقة رياضية تعيد تنظيم بيانات تخطيط كهربية الدماغ متعددة القنوات في مجموعة جديدة من الإشارات تسمى المكونات، وهي غير مترابطة مع بعضها البعض. ويقوم بترتيب هذه المكونات حسب مقدار التباين الذي تلتقطه، حيث يفسر المكون الأول معظم تباين الإشارة الإجمالي.
كيف يساعد تحليل المكونات الرئيسية في إزالة الشوائب من بيانات تخطيط كهربية الدماغ؟
نظراً لأن الشوائب مثل رمش العين تنتج تقلبات جهد كبيرة وواسعة الانتشار، فإنها تميل إلى التركز في المكونات ذات التباين الأعلى. ويسمح ترتيب PCA حسب التباين للباحثين بتحديد هذه المكونات العليا والتخلص منها، والتي غالباً ما تحتوي على الضوضاء الأكثر تشويشاً.
هل يعمل تحليل المكونات الرئيسية بمفرده لتنظيف إشارات تخطيط كهربية الدماغ؟
لا، نادراً ما يتم استخدام PCA كحل تنظيف مستقل. وعادة يمثل خطوة داخل مسار أكبر، إما لتقليل أبعاد البيانات قبل تطبيق طريقة أخرى مثل DEBSS، أو كمحرك للكشف داخل إطار عمل مثل إعادة بناء الفضاء الجزئي للشوائب (ASR).
ما الفرق بين PCA وICA في إزالة الشوائب؟
يتطلب PCA فقط ألا تكون المكونات الناتجة مترابطة، وهو شرط رياضي أكثر مرونة وسهولة، بينما يبحث ICA عن المكونات المستقلة إحصائياً، وهو شرط أكثر صرامة وتطلباً من الناحية الحسابية. وطريقة PCA أسرع وغالباً ما تُستعمل كخطوة تحضيرية قبل ICA بدلاً من أن تكون بديلاً له.
هل يمكن لـ PCA إزالة نشاط الدماغ الحقيقي بالخطأ مع الشوائب؟
نعم، نظراً لاعتماد PCA على التباين لتحديد الشوائب، فقد يتم الخلط بين إيقاعات الدماغ ذات السعة العالية 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 بالترشيح الترددي لتنظيف تخطيط كهربية الدماغ؟
يزيل الترشيح الترددي طاقة الإشارة في نطاقات تردد محددة أو يضعفها، لكنه لا يمكنه فصل شائبة وإشارة دماغية تشتركان في نفس الترددات. بينما ينظر PCA إلى أنماط التباين عبر جميع الأقطاب الكهربائية بدلاً من ذلك، مما يجعله طريقة مكملة تعالج بعداً مختلفاً من البيانات.
كيف ينبغي للباحث استخدام PCA بأمان في سير عمل المعالجة المسبقة لتخطيط كهربية الدماغ (EEG)؟
يمكن استخدام PCA كخطوة لتقليل الأبعاد قبل تطبيق طرق أخرى، أو كعامل مساعد لمعاينة الأنماط التي تهيمن على التسجيل. ويجب على الباحثين فحص المكونات التي يخططون للتخلص منها بصرياً للتحقق من تضاريس فروة الرأس والمجرى الزمني لها، 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.
كريستيان بورغوس
