Hauptkomponentenanalyse

Was ist die Hauptkomponentenanalyse beim EEG?

Um die PCA besser zu verstehen, hilft es sich vorzustellen, wie rohe EEG-Daten aussehen, bevor eine Signalverarbeitung stattfindet.

Eine typische Aufzeichnung umfasst viele Elektroden, von denen jede ihren eigenen kontinuierlichen Strom von Spannungswerten über die Zeit erzeugt. Diese Kanäle sind nicht unabhängig voneinander. Da sie alle die elektrische Aktivität eines gemeinsamen, leitfähigen Mediums (des Kopfes) erfassen, überlappen und korrelieren ihre Signale auf komplexe Weise.

Die PCA nimmt dieses Geflecht korrelierter Kanäle und ordnet es in einen neuen Satz von Signalen um, die als Komponenten bezeichnet werden. Jede Komponente ist eine gewichtete Kombination der ursprünglichen Kanäle, jedoch mit einer entscheidenden mathematischen Eigenschaft: Die Komponenten sind orthogonal, was bedeutet, dass sie nicht miteinander korrelieren.

Die PCA ordnet diese Komponenten auch danach an, wie viel Varianz bzw. Gesamtsignalvariation jede einzelne erklärt. Die erste Komponente erfasst den größten Anteil der Varianz in den Daten, die zweite den nächstgrößten Anteil der verbleibenden Varianz und so weiter.

Diese Rangfolge ist aufgrund des typischen Verhaltens von Artefakten von entscheidender Bedeutung. Lidschläge beispielsweise erzeugen große, langsame Spannungsschwankungen, die sich gleichzeitig über viele Elektroden ausbreiten. Da dies ein großes, gemeinsames Variationsmuster erzeugt, konzentriert sich die Lidschlagaktivität tendenziell in den Komponenten mit der höchsten Varianz. Schwächere, stärker lokalisierte Gehirnsignale landen oft weiter unten in der Liste, in Komponenten mit geringerer Varianz.

Ein Detail, das die PCA von einigen ihrer bekannteren Verwandten wie der Unabhängigen Komponentenanalyse (ICA) unterscheidet, besteht darin, dass sie nicht davon ausgeht, dass die zugrunde liegenden Quellen statistisch unabhängig sind. Sie erfordert lediglich, dass die resultierenden Komponenten unkorreliert sind, was eine weitaus weniger strenge Bedingung ist.

Wie funktioniert die Hauptkomponentenanalyse (PCA)? Eine schrittweise Erklärung

Schritt 1: Daten standardisieren

Bevor eine komplexe Berechnung gestartet wird, müssen die Eingabedaten normalisiert werden, um die Vergleichbarkeit der Variablen sicherzustellen. Wenn eine Variable in Mikrovolt und eine andere in Millisekunden gemessen wird, würden die reinen Skalenunterschiede die Ergebnisse verzerren. Die Skalierung jeder Variablen auf einen Mittelwert von null und eine Standardabweichung von eins ermöglicht es der Mathematik, alle Eingangsmerkmale gleich zu gewichten.

Schritt 2: Kovarianzmatrix berechnen

Sobald die Daten standardisiert sind, besteht die nächste Herausforderung darin, die Beziehungen zwischen jedem Variablenpaar zu erfassen. Eine Kovarianzmatrix fasst diese Interaktionen zusammen und zeigt, welche Variablen sich gemeinsam verändern und welche unabhängig sind. Dieses Raster dient als Grundlage für die Identifizierung der Richtungen, in denen der Datensatz die größte Streuung aufweist.

Schritt 3: Eigenvektoren und Eigenwerte berechnen

In dieser Phase werden die spezifischen Vektoren bestimmt, die die Form der Datenverteilung charakterisieren. Eigenvektoren bestimmen die Richtung der neuen Achsen, während Eigenwerte das Ausmaß der Varianz darstellen, die entlang dieser spezifischen Richtungen erfasst wird. Diese mathematischen Markierungen ermöglichen es uns, den ursprünglichen Datenraum in ein neues Koordinatensystem zu rotieren, das durch die primären Bewegungsmuster definiert ist.

Schritt 4: Hauptkomponenten auswählen

Nach der Identifizierung der Komponenten beschränkt die Analyse das Modell auf diejenigen, die einen signifikanten Teil der Gesamtvarianz erklären. Dieser Filterprozess verwirft stark verrauschte Variablen und behält gemäß spezifischen quantitativen Schwellenwerten nur die informativsten Muster bei.

Indem sich Forschende strikt auf dominante Komponenten konzentrieren, verringern sie den Rechenaufwand für nachfolgende Verarbeitungsschritte. Dies stellt sicher, dass das endgültige Modell sowohl reaktionsschnell als auch effizient für Echtzeitanalysen ist.

Schritt 5: Ursprüngliche Daten transformieren

Nachdem die endgültige Auswahl getroffen wurde, besteht der letzte Schritt darin, die ursprünglichen Beobachtungspunkte auf diese neuen Achsen zu projizieren. Diese Transformation erzeugt einen neuen Datensatz mit reduzierter Dimensionalität, der die wesentliche Topographie der ursprünglichen Messungen beibehält.

Fachleute verwenden diese transformierten Variablen dann für nachgelagerte Aufgaben wie die Klassifizierung oder Quellenlokalisation und profitieren dabei von einer saubereren Signaldarstellung.

Wie sich die PCA in die EEG-Vorverarbeitungspipeline einfügt

In der Praxis arbeitet die PCA selten allein. Sie tritt meist als Schritt innerhalb einer größeren Bereinigungspipeline auf und erfüllt dabei eine von zwei Aufgaben:

1. Reduzierung des Datenumfangs

2. Unterstützung bei der Erkennung, wo sich Artefakte verbergen

Die erste Rolle ist die Dimensionsreduktion. Eine Studie, die PCA mit einer Technik namens Density Estimation Blind Source Separation (DEBSS) kombinierte, verwendete PCA speziell, um die Größe des EEG-Datensatzes zu reduzieren, bevor eine weitere Trennung erfolgen konnte.

In dieser Pipeline wurde hochfrequentes Rauschen zunächst mithilfe einer Wavelet-Analyse herausgefiltert, und anschließend „wird der PCA-Algorithmus verwendet, um die EEG-Signale zu verarbeiten, um die Datendimension zu reduzieren“, bevor DEBSS die verbleibenden Komponenten trennte. Sobald die störungstragenden Komponenten anhand von Kreuzkorrelationskoeffizienten und verwandten nichtlinearen Parametern identifiziert waren, rekonstruierten die Forschenden das Signal aus den verbleibenden, saubereren Komponenten.

Die zweite Rolle ist die Artefakterkennung selbst, und sie findet sich in einer weit verbreiteten Methode namens Artifact Subspace Reconstruction (ASR). ASR funktioniert, indem kontinuierlich kurze Fenster von EEG-Daten analysiert und mit einer Baseline „sauberer“ Aktivität verglichen werden.

Laut einer Studie aus dem Jahr 2019, die eine Riemannsche Version dieser Methode vorstellte, berechnet ASR „wiederholt eine PCA auf Kovarianzmatrizen, um Artefakte anhand ihrer statistischen Eigenschaften im Komponenten-Unterraum zu erkennen“. Hier reduziert die PCA die Anzahl der Kanäle nicht der Einfachheit halber. Sie fungiert vielmehr als Motor, der von Moment zu Moment entscheidet, ob ein Datensegment statistisch normal oder wie ein Artefakt aussieht.

Zusammengenommen verdeutlichen diese beiden Beispiele, dass die PCA eine Komponente einer Bereinigungsstrategie ist, aber für sich genommen keine vollständige Bereinigungsstrategie darstellt. Sie übergibt ihre Ausgabe typischerweise an einen anderen Algorithmus – sei es DEBSS, eine Anpassung an die Riemannsche Geometrie oder ein anderer Entscheidungsprozess, der bestimmt, welche Komponenten tatsächlich entfernt werden.

Kann die PCA EEG-Artefakte isolieren? Was die Evidenz zeigt

Die Logik hinter dem Einsatz der PCA zur Artefaktisolation ist einleuchtend. Da die PCA Komponenten nach Varianz sortiert und Lidschläge sowie Muskelaktivität tendenziell überdimensionale Spannungsschwankungen erzeugen, besagt die neurowissenschaftliche Theorie, dass sich diese Artefakte von Natur aus in den obersten wenigen Komponenten anordnen sollten. Wenn dies zutrifft, könnte ein Forscher im Prinzip die stärksten Störungen schnell isolieren und verwerfen, ohne die exakte statistische Unabhängigkeit jeder einzelnen Gehirnquelle modellieren zu müssen.

Die Studie, die die zuvor beschriebene Pipeline aus PCA und DEBSS testete, berichtete, dass die kombinierte Methode „die Hauptstörungen von Mehrkanal-EEG-Signalen schnell und effektiv eliminieren kann“, und stellte zudem fest, dass der Ansatz „stabil ist und eine starke Skalierbarkeit aufweist“. Dies ist ein positives Ergebnis, aber es ist wichtig, genau zu beachten, was getestet wurde: eine spezifische zweistufige Pipeline und nicht die PCA isoliert für sich.

Die erwähnte Studie aus dem Jahr 2019 wählte einen strukturierteren vergleichenden Ansatz. Die Forschenden entwickelten eine auf Riemannscher Geometrie basierende Version von ASR namens rASR und testeten sie gegen die standardmäßige PCA-basierte ASR-Methode unter Verwendung von EEG, das auf Smartphones sowohl im Innen- als auch im Außenbereich bei 27 Teilnehmenden aufgezeichnet wurde.

Sie bewerteten die Leistung anhand von drei separaten Maßen:

1. Wie gut jede Methode Lidschlagartefakte reduzierte (Sensitivität)

2. Wie gut jede Methode visuell evozierte Potenziale, also Gehirnantworten auf visuelle Reize, bewahrte (Spezifität)

3. Wie schnell jede Methode lief (Effizienz)

Den Schlussfolgerungen der Autoren zufolge schnitt rASR im Vergleich zum Standard-ASR „bei allen drei Maßen vorteilhaft ab“.

Diese Ergebnisse sind für die PCA-basierte Artefaktbehandlung ermutigend, aber die Evidenzbasis dahinter ist schmal. Es handelt sich um bedeutsame, nützliche frühe Erkenntnisse, die jedoch noch keinen breit validierten Beleg dafür darstellen, dass die PCA Artefakte in allen EEG-Kontexten zuverlässig isoliert.

PCA vs. ICA vs. Filterung: Die Wahl des richtigen Werkzeugs

EEG-Forschenden stehen mehrere Werkzeuge zur Datenbereinigung zur Verfügung, und die PCA besetzt unter ihnen eine spezifische Nische.

Filterung, zu der Hochpass-, Tiefpass- und Kerbfilter (Notch-Filter) gehören, funktioniert durch das Entfernen oder Dämpfen ganzer Frequenzbänder. Dies ist nützlich, um konstante Störungen wie Netzbrummen zu beseitigen, stößt jedoch an eine harte Grenze, wenn ein Artefakt und ein Gehirnsignal denselben Frequenzbereich teilen.

Ein Lidschlag kann sich beispielsweise in der Frequenz mit langsamen Gehirnwellen überschneiden, und ein Filter kann sie nicht voneinander unterscheiden, da er nur die Frequenz sieht und nicht das Muster der Varianz über die Kanäle hinweg. Die PCA arbeitet auf einer völlig anderen Achse, da sie betrachtet, wie die Signalvariation über den gesamten Elektrodensatz verteilt ist, und nicht auf den Frequenzgehalt. Dies macht sie zu einem komplementären Ansatz und nicht zu einem direkten Ersatz für die Filterung.

Andererseits wird die ICA oft im selben Atemzug mit der PCA genannt, die beiden Methoden beruhen jedoch auf unterschiedlichen Annahmen. Die ICA sucht nach Komponenten, die statistisch voneinander unabhängig sind – eine weitaus stärkere und rechenintensivere Anforderung als die lockerere Bedingung der einfachen Dekorrelation bei der PCA.

Da die ICA intensiver nach dieser strengeren Art der Trennung suchen muss, erfordert sie tendenziell mehr Rechenzeit und mehr Daten. Die PCA ist mathematisch einfacher, schneller und erfordert überhaupt keine Unabhängigkeit, sondern lediglich, dass die resultierenden Komponenten unkorreliert sind.

Dieser Unterschied im Rechenaufwand ist der Grund, warum die PCA häufig als vorbereitender Schritt vor der ICA und nicht als deren Ersatz auftritt. Eine vorherige Reduzierung der Dimensionsanzahl mittels PCA kann einen ICA-Durchlauf beschleunigen und das Risiko einer Überanpassung (Overfitting) bei begrenzter Datenmenge verringern. Alternativ kann die PCA als grober erster Durchgang fungieren, der die dominantesten, offensichtlichsten Artefakte entfernt, bevor eine präzisere Methode den Rest feinabstimmt.

Einschränkungen der PCA-basierten Artefaktentfernung

Die Einfachheit der PCA ist zugleich die Quelle ihrer Schwächen. Es bleiben mehrere offene Fragen dazu, wie gut sie die Aufgabe der Artefaktisolation, die ihr oft zugewiesen wird, tatsächlich erfüllt.

Varianz ist ein unvollkommenes Synonym für „Artefakt“. Bestimmte Hirnrhythmen, wie die posteriore Alpha-Aktivität (ein bekannter EEG-Rhythmus, der mit entspannten Zuständen bei geschlossenen Augen assoziiert ist), können für sich genommen Signale mit hoher Amplitude erzeugen. Eine Methode, die davon ausgeht, dass eine hohe Varianz immer ein Artefakt bedeutet, riskiert, echte Gehirnaktivität zusammen mit dem Rauschen zu verwerfen, das sie eigentlich entfernen soll.

In der anderen Richtung beschränken sich Lidschlagartefakte nicht immer sauber auf eine einzelne Komponente; ihr Einfluss kann sich über mehrere Komponenten gleichzeitig erstrecken, was jede einfache Strategie nach dem Motto „oberste Komponente entfernen“ erschwert.

Es gibt auch eine strukturelle Diskrepanz zu berücksichtigen. Die PCA zwingt ihre Komponenten per mathematischer Definition dazu, orthogonal zueinander zu sein. Es gibt jedoch keine Garantie dafür, dass die tatsächlichen physikalischen Quellen, die EEG-Signale erzeugen – seien es neuronale Schaltkreise oder Muskelgruppen nahe der Kopfhaut –, so angeordnet sind, dass sie dieser orthogonalen Geometrie entsprechen.

Wenn die Annahme nicht mit der zugrunde liegenden Realität übereinstimmt, kann die von der PCA erzeugte Trennung eher eine mathematische Zweckmäßigkeit sein als ein genaues Abbild dessen, was tatsächlich im Gewebe geschieht.

Praktische Ratschläge für den Einsatz der PCA in der EEG-Analyse

Für jemanden, der einen EEG-Datensatz zum ersten Mal untersucht, bleibt die PCA ein vernünftiger Ausgangspunkt – insbesondere, um zu sehen, welche Variationsmuster eine bestimmte Aufzeichnung dominieren. Hier sind einige Tipps, die häufig empfohlen werden:

• Verwenden Sie die PCA als vorbereitenden Schritt zur Dimensionsreduktion oder zur Markierung dominanter Artefaktmuster, nicht als abschließenden Bereinigungsschritt.

• Kombinieren Sie die PCA mit einer nachfolgenden Methode (z. B. ICA, DEBSS, ASR), die entscheiden kann, welche Komponenten entfernt werden sollen.

• Überprüfen Sie stets visuell die Topographie auf der Kopfhaut und den zeitlichen Verlauf verworfener Komponenten, um sicherzustellen, dass sie tatsächlich Artefakte darstellen.

• Behandeln Sie die Variabilität der Ergebnisse über verschiedene Aufnahmeumgebungen (Labor vs. mobil) hinweg mit Vorsicht und validieren Sie diese anhand Ihrer eigenen Daten.

Hauptkomponentenanalyse in der Emotiv-basierten EEG-Forschung

Emotiv-Headsets wurden in einer Reihe von Peer-Review-Studien eingesetzt, in denen die Hauptkomponentenanalyse als zentrale Berechnungsmethode dient, was die Vielseitigkeit der Technik bei der Klassifizierung, Sensorauswahl, Vorverarbeitung und Verbesserung der Signalqualität verdeutlicht.

PCA-Ensemble-Klassifikator für die Genauigkeit von P300-Spellern

Die Entwicklung tragbarer BCI-Systeme erfordert eine effiziente Signalverarbeitung, und eine Studie evaluierte einen PCA-Ensemble-Klassifikator für P300-basierte Speller, die mit dem Emotiv Neuroheadset aufgezeichnet wurden. Unter Verwendung eines klassischen Oddball-Paradigmas verglichen die Autoren ihren Ensemble-Ansatz mit traditionellen Merkmalsextraktions- und Klassifizierungsmethoden.

Bei Kreuzvalidierungsdaten erzielte das PCA-Ensemble eine durchschnittliche Genauigkeit von 86,29 %, während Offline-Tests eine signifikant höhere durchschnittliche Klassifizierungsgenauigkeit von 73,3 % im Vergleich zu herkömmlichen Methoden ergaben. Die Ergebnisse deuten darauf hin, dass die PCA-basierte Ensemble-Klassifizierung eine praktikable Strategie zur Verarbeitung von P300-Daten von einem mobilen EEG-Gerät für Endverbraucher darstellt.

Auswahl minimaler EEG-Sensoren für die biometrische Identifikation mit PCA

Die Reduzierung der Elektrodenanzahl ohne Einbußen bei unterscheidenden Informationen ist eine praktische Herausforderung für biometrische Systeme. Forschende untersuchten die minimale EEG-Sensorauswahl zur Personenidentifikation unter Verwendung des Emotiv EPOC+ headset und eines größeren öffentlichen Datensatzes. Es wurden zwei Reduktionsmethoden angewendet: eine basierend auf der Hauptkomponentenanalyse und eine andere auf dem Wilcoxon-Vorzeichen-Rang-Test.

Die Studie berichtet, dass beide Ansätze die Identifizierung des minimalen Elektrodensatzes ermöglichten, der für eine zuverlässige individuelle Identifizierung erforderlich ist, wobei die PCA dazu beitrug, genau zu bestimmen, welche kortikalen Bereiche am meisten zu trennbaren Mustern beitragen. Dies demonstriert die Rolle der PCA bei der Dimensionsreduktion bei der Übertragung von Laborkonfigurationen auf einfachere, praktischere Sensormontagen.

Vergleich von PCA mit CSP und CAR zur Artefaktentfernung

Ein Vergleich von Vorverarbeitungspipelines zeichnete EEG mit dem Emotiv EPOC auf, um zu bewerten, wie gut verschiedene Algorithmen Signale vor der Klassifizierung bereinigen. In einem Vergleich von Vorverarbeitungsalgorithmen wurde die Hauptkomponentenanalyse zusammen mit Common Spatial Pattern (CSP) und Common Average Reference (CAR) zur Artefaktentfernung getestet, woraufhin Merkmale der spektralen Leistungsdichte (Power Spectral Density) in einen Support-Vector-Machine-Klassifikator eingespeist wurden.

Die Autoren beobachteten, dass die PCA eine Leistung von 94,28 % erbrachte und damit die anderen Algorithmen in ihrem Versuchsaufbau übertraf. Dies deutet darauf hin, dass die PCA als wirksame Komponente einer Vorverarbeitungskette fungieren kann, wenn mit EEG-Hardware für Endverbraucher gearbeitet wird.

Verbesserung der kollektiven Rhythmus-Extraktion: PCA vs. Kosambi-Hilbert-Torsion

Wenn mehrere EEG-Sensoren oszillatorische Aktivität erfassen, ist die Extraktion eines gemeinsamen Rhythmus mit einem hohen Signal-Rausch-Verhältnis oft erwünscht. Eine Studie zur Verbesserung der kollektiven Rhythmusqualität mit dem Emotiv EPOC+ verglich die traditionelle Hauptkomponentenanalyse mit der Kosambi-Hilbert-Torsionsmethode (KHT). Die Daten wurden während der Ruhephase bei geschlossenen Augen und während der Betrachtung eines mit 15 Hz flackernden Bildschirms aufgezeichnet.

Die Forschenden berichten, dass KHT ein besseres Signal-Rausch-Verhältnis für das kollektive Signal erzielte als die PCA, insbesondere wenn zufällige zeitliche Verschiebungen über die Kanäle hinweg eingeführt wurden. Die Arbeit zeigt, dass die PCA zwar eine einfache Baseline für die Extraktion gemeinsamer Rhythmen bietet, phasenbewusste Methoden das Signal von Interesse jedoch weiter verstärken können.

Zusammengenommen verdeutlichen diese Studien, wie die Hauptkomponentenanalyse bei ganz unterschiedlichen EEG-Aufgaben eingesetzt wird – von der Klassifizierung und biometrischen Identifikation bis hin zur Vorverarbeitung und Rhythmusextraktion – unter Verwendung von Emotiv-Hardware. Die Ergebnisse sind innerhalb ihrer spezifischen Bedingungen vielversprechend, bleiben jedoch auf bestimmte Paradigmen, relativ kleine Stichprobengrößen und Offline-Analysen beschränkt. Die Erkenntnisse stützen die PCA als vielseitiges Werkzeug in EEG-Forschungspipelines, begründen jedoch noch kein allgemeingültiges Patentrezept für kostengünstige BCI-Echtzeitanwendungen.

Fazit: Ist die PCA eine zuverlässige Methode zur EEG-Bereinigung?

Die PCA transformiert unübersichtliche Gehirnwellendaten in geordnete Komponenten und bietet Forschenden eine schnelle Möglichkeit, die verrauschtesten Teile einer Aufzeichnung gezielt anzusteuern. Dieser Ansatz ist besonders nützlich, wenn Lidschläge oder Muskelbewegungen das Signal dominieren, da diese häufig in den Bereichen mit der höchsten Varianz auftauchen.

Da jedoch auch echte Hirnrhythmen starke Signale erzeugen können, kann man sich nicht allein auf die Methode verlassen, um zu entscheiden, was ein Artefakt und was wertvolle neuronale Daten sind.

Quellen

1. Kang, D., & Zhizeng, L. (2012, März). 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 (Band 3, S. 322-326). IEEE. https://doi.org/10.1109/ICCSEE.2012.105

2. 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

Häufig gestellte Fragen

Was ist die Hauptkomponentenanalyse (PCA) im Kontext des EEG?

Die PCA ist eine mathematische Methode, die mehrkanalige EEG-Daten in einen neuen Satz von Signalen, sogenannte Komponenten, umorganisiert, die nicht miteinander korrelieren. Sie ordnet diese Komponenten nach dem Ausmaß der von ihnen erfassten Varianz an, wobei die erste Komponente den größten Teil der Gesamtsignalvariation erklärt.

Wie hilft die PCA bei der Entfernung von Artefakten aus EEG-Daten?

Da Artefakte wie Lidschläge große, weitreichende Spannungsschwankungen erzeugen, konzentrieren sie sich tendenziell in den Komponenten mit der höchsten Varianz. Das Ranking nach Varianz bei der PCA ermöglicht es Forschenden, diese obersten Komponenten, die oft das störendste Rauschen enthalten, zu identifizieren und potenziell zu verwerfen.

Funktioniert die PCA allein zur Bereinigung von EEG-Signalen?

Nein, die PCA wird selten als eigenständige Bereinigungslösung verwendet. Typischerweise fungiert sie als Schritt innerhalb einer größeren Pipeline, indem sie entweder die Datendimensionen vor der Anwendung einer anderen Methode wie DEBSS reduziert oder als Erkennungsengine innerhalb eines Frameworks wie Artifact Subspace Reconstruction (ASR) dient.

Was ist der Unterschied zwischen PCA und ICA bei der Artefaktentfernung?

Die PCA erfordert lediglich, dass die resultierenden Komponenten unkorreliert sind, was eine weniger strenge mathematische Bedingung ist, während die ICA nach Komponenten sucht, die statistisch unabhängig sind – eine strengere und rechenintensivere Anforderung. Die PCA ist schneller und wird häufig als vorbereitender Schritt vor der ICA und nicht als deren Ersatz eingesetzt.

Kann die PCA versehentlich echte Gehirnaktivität zusammen mit Artefakten entfernen?

Ja, da sich die PCA auf die Varianz stützt, um Artefakte zu identifizieren, können Hirnrhythmen mit hoher Amplitude wie die posteriore Alpha-Aktivität fälschlicherweise für Rauschen gehalten werden. Darüber hinaus können sich Artefakte über mehrere Komponenten verteilen, sodass das bloße Entfernen der obersten Komponente echte neuronale Signale verwerfen kann.

Wie schneidet die PCA im Vergleich zur Frequenzfilterung bei der EEG-Bereinigung ab?

Die Frequenzfilterung entfernt oder dämpft die Signalenergie in bestimmten Frequenzbändern, kann jedoch ein Artefakt und ein Gehirnsignal, die dieselben Frequenzen teilen, nicht trennen. Die PCA betrachtet stattdessen die Muster der Varianz über alle Elektroden hinweg, was sie zu einem komplementären Ansatz macht, der eine andere Dimension der Daten adressiert.

Wie sollte ein Forscher die PCA sicher in einem EEG-Vorverarbeitungs-Workflow anwenden?

Die PCA kann als Schritt zur Dimensionsreduktion vor der Anwendung anderer Methoden oder als Hilfsmittel verwendet werden, um zu untersuchen, welche Muster eine Aufzeichnung dominieren. Forschende sollten die Komponenten, die sie verwerfen möchten, visuell überprüfen, indem sie deren Topographie auf der Kopfhaut und den zeitlichen Verlauf kontrollieren, anstatt dem Varianz-Ranking blind zu vertrauen.