El análisis de componentes principales, habitualmente abreviado como PCA, es una de las herramientas matemáticas propuestas que ofrece una forma de simplificar los registros de EEG multicanal, reducir la cantidad de datos que deben procesarse y señalar los artefactos más ruidosos y disruptivos, todo ello sin realizar algunas de las suposiciones estadísticas más estrictas que requieren otros métodos de eliminación de artefactos.
Este artículo explica qué hace realmente el PCA con los datos de EEG, cómo lo han utilizado los investigadores en canales de procesamiento previo reales y qué dice la evidencia actual, todavía limitada, sobre si funciona como se anuncia.
¿Qué es el análisis de componentes principales en el EEG?
Para comprender mejor el PCA, resulta útil visualizar cómo se ven los datos de EEG sin procesar antes de que se realice cualquier procesamiento de señales.
Un registro típico involucra muchos electrodos, y cada uno produce su propio flujo continuo de lecturas de voltaje a lo largo del tiempo. Estos canales no son independientes entre sí. Debido a que todos captan la actividad eléctrica de un medio conductor compartido (la cabeza), sus señales se superponen y se correlacionan de formas complejas.
El PCA toma esta maraña de canales correlacionados y la reorganiza en un nuevo conjunto de señales denominadas componentes. Cada componente es una combinación ponderada de los canales originales, pero con una propiedad matemática fundamental: los componentes son ortogonales, lo que significa que no están correlacionados entre sí.
El PCA también clasifica estos componentes según la cantidad de varianza, o variación general de la señal, que explica cada uno. El primer componente captura la mayor proporción de varianza en los datos, el segundo captura la siguiente proporción más grande entre lo que queda, y así sucesivamente en la lista.
Esta clasificación es crucial debido a la forma en que suelen comportarse los artefactos. El parpadeo de los ojos, por ejemplo, produce oscilaciones de voltaje grandes y lentas que se propagan ampliamente por muchos electrodos a la vez. Debido a que esto genera un patrón de variación grande y compartido, la actividad de los parpadeos tiende a concentrarse en los componentes de mayor varianza. Las señales cerebrales más débiles y más localizadas suelen terminar más abajo en la lista, en componentes de menor varianza.
Un detalle que distingue al PCA de algunos de sus variantes más conocidos, como el análisis de componentes independientes (ICA), es que no asume que las fuentes subyacentes sean estadísticamente independientes. Solo requiere que los componentes resultantes no estén correlacionados, lo cual es una condición mucho más flexible.
¿Cómo funciona el análisis de componentes principales (PCA)? Una explicación paso a paso
Paso 1: Estandarizar los datos
Antes de iniciar un cálculo complejo, se debe normalizar la entrada para garantizar la paridad entre las variables. Si una variable se mide en microvoltios y otra en milisegundos, las diferencias de escala brutas sesgarían los resultados. Escalar cada variable a una media de cero y una desviación estándar de uno permite que las matemáticas traten todas las características de entrada con la misma ponderación.
Paso 2: Calcular la matriz de covarianza
Una vez estandarizados los datos, el siguiente obstáculo consiste en mapear las relaciones entre cada par de características. Una matriz de covarianza resume estas interacciones, mostrando qué variables se mueven juntas y cuáles son independientes. Esta cuadrícula sirve como base para identificar las direcciones en las que el conjunto de datos exhibe la dispersión más significativa.
Paso 3: Calcular los vectores propios y los valores propios
Esta etapa implica resolver los vectores específicos que caracterizan la forma de la distribución de los datos. Los vectores propios determinan la dirección de los nuevos ejes, mientras que los valores propios representan la magnitud de la varianza capturada a lo largo de esas direcciones específicas. Estos marcadores matemáticos nos permiten rotar el espacio de datos original hacia un nuevo sistema de coordenadas definido por los patrones primarios de movimiento.
Paso 4: Seleccionar los componentes principales
Tras identificar los componentes, el análisis restringe el modelo únicamente a aquellos que explican una porción significativa de la varianza total. Este proceso de filtrado descarta las variables cargadas de ruido y retiene solo los patrones más informativos según umbrales cuantitativos específicos.
Al centrarse estrictamente en los componentes dominantes, los investigadores reducen la carga computacional en las tareas de procesamiento posteriores. Esto asegura que el modelo final sea tanto receptivo como eficiente para el análisis en tiempo real.
Paso 5: Transformar los datos originales
Con la selección final completada, el último paso es proyectar los puntos de observación originales sobre estos nuevos ejes. Esta transformación crea un nuevo conjunto de datos de dimensión reducida que preserva la topografía esencial de las mediciones originales.
Luego, los profesionales utilizan estas variables transformadas para tareas posteriores como la clasificación o la localización de fuentes, beneficiándose de una representación de la señal más limpia.
Cómo encaja el PCA en el proceso de preprocesamiento del EEG
En la práctica, el PCA rara vez funciona solo. Suele presentarse como un paso dentro de un proceso de limpieza más amplio, desempeñando una de dos funciones:
Reducir el tamaño de los datos
Ayudar a detectar dónde se ocultan los artefactos
La primera función es la reducción de dimensionalidad. Un estudio que combina PCA con una técnica llamada separación ciega de fuentes por estimación de densidad (DEBSS) utilizó el PCA específicamente para reducir el tamaño del conjunto de datos de EEG antes de que pudiera tener lugar una mayor separación.
En este proceso, el ruido de alta frecuencia se filtró primero mediante análisis wavelet y luego «se utiliza el algoritmo PCA para procesar las señales de EEG a fin de reducir la dimensión de los datos» antes de que DEBSS tomara el control para separar los componentes restantes. Una vez identificados los componentes portadores de interferencia mediante coeficientes de correlación cruzada y parámetros no lineales relacionados, los investigadores reconstruyeron la señal a partir de los componentes restantes y más limpios.
La segunda función es la detección de artefactos en sí, y aparece dentro de un método ampliamente utilizado llamado Reconstrucción del Subespacio de Artefactos (ASR). El ASR funciona analizando continuamente ventanas cortas de datos de EEG y comparándolas con una línea base de actividad «limpia».
Según un estudio de 2019 que introdujo una versión riemanniana de este método, el ASR «calcula repetidamente un PCA en matrices de covarianza para detectar artefactos basándose en sus propiedades estadísticas en el subespacio de componentes». Aquí, el PCA no está reduciendo la cantidad de canales por conveniencia. Está funcionando como el motor que decide, momento a momento, si un segmento de datos parece estadísticamente normal o parece un artefacto.
Tomados en conjunto, estos dos ejemplos concluyen que el PCA es un componente de una estrategia de limpieza, no una estrategia de limpieza completa por sí misma. Por lo general, transfiere su salida a otro algoritmo, ya sea DEBSS, una adaptación de geometría riemanniana u otro proceso de toma de decisiones que determina qué componentes se eliminan en realidad.
¿Puede el PCA aislar los artefactos del EEG? Lo que muestran las pruebas
El razonamiento detrás del atractivo del PCA para el aislamiento de artefactos es sencillo. Dado que el PCA ordena los componentes por varianza, y debido a que los parpadeos y la actividad muscular tienden a generar oscilaciones de voltaje desmesuradas, la teoría de la neurociencia sostiene que estos artefactos deberían clasificarse naturalmente en los primeros componentes. Si eso se cumple, un investigador podría, en principio, aislar y descartar la peor interferencia rápidamente, sin necesidad de modelar la independencia estadística exacta de cada fuente cerebral.
El estudio que evaluó el proceso de PCA más DEBSS descrito anteriormente informó que el método combinado «puede eliminar la interferencia principal de las señales de EEG multicanal de forma rápida y eficaz», al tiempo que señaló que el enfoque era «estable y tiene una fuerte escalabilidad». Este es un resultado positivo, pero vale la pena señalar con precisión qué se evaluó: un proceso específico de dos pasos, no el PCA operando de forma aislada.
El estudio de 2019 mencionado anteriormente adoptó un enfoque comparativo más estructurado. Los investigadores desarrollaron una versión de ASR basada en geometría riemanniana, llamada rASR, y la probaron frente al método ASR estándar basado en PCA utilizando EEG registrado en teléfonos inteligentes tanto en condiciones de interior como de exterior, con 27 participantes.
Evaluaron el rendimiento en tres medidas independientes:
Qué tan bien redujo cada método los artefactos por parpadeo de ojos (sensibilidad)
Qué tan bien preservó cada método los potenciales evocados visuales, que son respuestas cerebrales a estímulos visuales (especificidad)
Qué tan rápido se ejecutó cada método (eficiencia)
Según las conclusiones del autor, rASR «tuvo un desempeño favorable en las tres medidas» en comparación con el ASR estándar.
Estos resultados son alentadores para el manejo de artefactos basado en PCA, pero la base de pruebas detrás de ellos es estrecha. Se trata de hallazgos iniciales significativos y útiles, pero aún no constituyen una afirmación ampliamente validada de que el PCA aísle de manera fiable los artefactos en todos los contextos de EEG.
PCA frente a ICA frente al filtrado: cómo elegir la herramienta adecuada
Los investigadores de EEG tienen varias herramientas disponibles para limpiar datos, y el PCA ocupa un nicho específico entre ellas.
El filtrado, que incluye filtros de paso alto, paso bajo y de muesca (notch), funciona eliminando o atenuando bandas de frecuencia completas. Esto es útil para eliminar interferencias constantes como el ruido de la red eléctrica, pero encuentra un límite estricto cuando un artefacto y una señal cerebral comparten el mismo rango de frecuencias.
Un parpadeo, por ejemplo, puede superponerse en frecuencia con ondas cerebrales lentas, y un filtro no puede distinguirlos porque solo detecta la frecuencia, no el patrón de varianza a través de los canales. El PCA opera en un eje completamente diferente, ya que analiza cómo se distribuye la variación de la señal en todo el conjunto de electrodos, no el contenido de frecuencia. Esto lo convierte en un enfoque complementario más que en un sustituto directo del filtrado.
Por otro lado, a menudo se menciona al ICA al mismo tiempo que al PCA, pero los dos métodos se basan en supuestos diferentes. El ICA busca componentes que sean estadísticamente independientes entre sí, un requisito mucho más estricto y computacionalmente exigente que la condición más flexible de simple descorrelación del PCA.
Dado que el ICA debe esforzarse más para lograr este tipo de separación más estricta, tiende a requerir más tiempo de cómputo y más datos. El PCA, al ser matemáticamente más simple, es más rápido y no necesita independencia en absoluto, solo que los componentes resultantes no estén correlacionados.
Esta diferencia en el costo computacional es la razón por la que el PCA se presenta con frecuencia como un paso preparatorio antes del ICA en lugar de su reemplazo. Reducir primero el número de dimensiones con PCA puede acelerar una ejecución de ICA y reducir el riesgo de sobreajuste cuando los datos son limitados. De manera alternativa, el PCA puede actuar como un primer pase aproximado, eliminando los artefactos más dominantes y obvios antes de que un método más meticuloso ajuste con precisión el resto.
Método | Base de separación | Velocidad | Limitación clave |
|---|---|---|---|
PCA | Ordena por varianza | Rápido | Varianza ≠ artefacto |
ICA | Encuentra fuentes independientes | Lento | Asume independencia |
Filtrado | Elimina bandas de frecuencia | Muy rápido | Las frecuencias superpuestas permanecen |
Limitaciones de la eliminación de artefactos basada en PCA
La simplicidad del PCA es también la fuente de sus debilidades. Aún quedan varias preguntas abiertas sobre qué tan bien desempeña realmente la tarea de aislamiento de artefactos que a menudo se le asigna.
La varianza es un sustituto imperfecto de «artefacto». Ciertos ritmos cerebrales, como la actividad alfa posterior (un ritmo de EEG bien conocido asociado con estados relajados y de ojos cerrados), pueden producir señales de gran amplitud por derecho propio. Un método que asume que una alta varianza siempre significa un artefacto corre el riesgo de descartar actividad cerebral genuina junto con el ruido que pretende eliminar.
En la otra dirección, los artefactos de parpadeo no siempre se limitan claramente a un solo componente; su influencia puede extenderse a través de varios componentes a la vez, lo que complica cualquier estrategia simple de «eliminar el componente superior».
También existe un desajuste estructural que debe considerarse. El PCA fuerza a sus componentes a ser ortogonales entre sí por definición matemática. Sin embargo, no hay garantía de que las fuentes físicas reales que generan las señales de EEG, ya sean circuitos neuronales o grupos musculares cerca del cuero cabelludo, estén dispuestas de una manera que coincida con esta geometría ortogonal.
Cuando el supuesto no coincide con la realidad subyacente, la separación que produce el PCA puede ser una conveniencia matemática más que un reflejo exacto de lo que realmente sucede en el tejido.
Consejos prácticos para utilizar PCA en el análisis de EEG
Para alguien que explora un conjunto de datos de EEG por primera vez, el PCA sigue siendo un punto de partida razonable, particularmente como una forma de ver qué patrones de variación dominan un registro determinado. A continuación se presentan algunos consejos recomendados con frecuencia:
Utilice el PCA como un paso preliminar para reducir la dimensionalidad o marcar patrones de artefactos dominantes, no como un pase de limpieza final.
Combine el PCA con un método posterior (por ejemplo, ICA, DEBSS, ASR) que pueda decidir qué componentes eliminar.
Inspeccione siempre visualmente la topografía del cuero cabelludo y el curso temporal de los componentes descartados para verificar que representen artefactos.
Trate la variabilidad de los resultados entre entornos de registro (laboratorio frente a móvil) con cautela y valide con sus propios datos.
Análisis de componentes principales en la investigación de EEG basada en Emotiv
Los headsets Emotiv se han utilizado en diversos estudios revisados por pares donde el análisis de componentes principales actúa como un método computacional fundamental, lo que ilustra la versatilidad de la técnica en la clasificación, la selección de sensores, el preprocesamiento y la mejora de la calidad de la señal.
Clasificador por ensamble PCA para la precisión del Speller P300
El desarrollo de BCI portátiles exige un procesamiento de señales eficiente, y un estudio evaluó un clasificador por ensamble PCA para spellers basados en P300 registrados con el neuroheadset Emotiv. Utilizando un paradigma oddball clásico, los autores compararon su enfoque por ensamble con métodos tradicionales de extracción de características y clasificación.
En los datos de validación cruzada, el ensamble PCA alcanzó una precisión media del 86.29%, mientras que las pruebas fuera de línea produjeron una precisión de clasificación media significativamente mayor del 73.3% en relación con los métodos convencionales. Los resultados señalan a la clasificación por ensamble basada en PCA como una estrategia viable para procesar datos de P300 a partir de un dispositivo EEG móvil de nivel de consumidor.
Selección mínima de sensores de EEG para la identificación biométrica con PCA
Reducir el recuento de electrodos sin sacrificar la información discriminatoria es un desafío práctico para los sistemas biométricos. Los investigadores examinaron la selección mínima de sensores de EEG para la identificación de personas utilizando el headset Emotiv EPOC+ y un conjunto de datos público más amplio. Se aplicaron dos metodologías de reducción: una basada en el análisis de componentes principales y otra en la prueba de rangos con signo de Wilcoxon.
El estudio informa que ambos enfoques permitieron identificar el conjunto mínimo de electrodos necesario para una identificación individual fiable, y el PCA ayudó a determinar qué áreas corticales contribuyen más a los patrones separables. Esto demuestra la función de reducción de dimensionalidad del PCA para trasladar configuraciones de laboratorio a montajes de sensores más sencillos y prácticos.
Comparación de PCA con CSP y CAR para la eliminación de artefactos
Una comparación de procesos de preprocesamiento registró EEG con el Emotiv EPOC para evaluar qué tan bien limpian las señales los diferentes algoritmos antes de la clasificación. En una comparación de algoritmos de preprocesamiento, se evaluó el análisis de componentes principales junto con el patrón espacial común (CSP) y la referencia promedio común (CAR) para la eliminación de artefactos, después de lo cual las características de densidad espectral de potencia se introdujeron en un clasificador de máquinas de vectores de soporte.
Los autores observaron que el PCA ofreció un rendimiento del 94.28%, superando a los otros algoritmos en su configuración. Esto sugiere que el PCA puede actuar como un componente eficaz de una cadena de preprocesamiento cuando se trabaja con hardware de EEG para el consumidor.
Mejora de la extracción del ritmo colectivo: PCA frente a torsión de Kosambi-Hilbert
Cuando varios sensores de EEG capturan actividad oscilatoria, a menudo se desea extraer un ritmo compartido con una alta relación señal-ruido. Un estudio sobre la mejora de la calidad del ritmo colectivo con el Emotiv EPOC+ comparó el análisis de componentes principales tradicional con el método de torsión de Kosambi-Hilbert (KHT). Los datos se registraron durante el reposo con los ojos cerrados y mientras se observaba una pantalla que parpadeaba a 15 Hz.
Los investigadores informan que KHT logró una mejor relación señal-ruido para la señal colectiva que el PCA, particularmente cuando se introdujeron desplazamientos temporales aleatorios entre los canales. El trabajo demuestra que, si bien el PCA ofrece una línea de base simple para la extracción de ritmos comunes, los métodos conscientes de la fase pueden amplificar aún más la señal de interés.
En conjunto, estos estudios destacan cómo el análisis de componentes principales opera en tareas de EEG muy diversas —desde la clasificación y la identificación biométrica hasta el preprocesamiento y la extracción de ritmos— utilizando hardware Emotiv. Los resultados son prometedores dentro de sus condiciones específicas, pero siguen estando limitados a paradigmas particulares, tamaños de muestra relativamente pequeños y análisis fuera de línea. Los hallazgos respaldan al PCA como una herramienta versátil en las cadenas de investigación de EEG, pero aún no establecen una fórmula universal para aplicaciones de BCI en tiempo real y de bajo costo.
Conclusión: ¿Es el PCA un método fiable para limpiar el EEG?
El PCA transforma datos desordenados de ondas cerebrales en componentes clasificados, brindando a los investigadores una forma rápida de enfocarse en las partes más ruidosas de un registro. Este enfoque es especialmente útil cuando los parpadeos de ojos o los movimientos musculares dominan la señal, ya que a menudo emergen hacia las posiciones de mayor varianza.
Sin embargo, dado que los ritmos cerebrales genuinos también pueden producir señales intensas, no se puede confiar en el método por sí solo para decidir qué es un artefacto y qué son datos neuronales valiosos.
Referencias
Kang, D., & Zhizeng, L. (2012, marzo). A method of denoising multi-channel EEG signals fast based on PCA and DEBSS algorithm. En 2012 International Conference on Computer Science and Electronics Engineering (Vol. 3, págs. 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
Preguntas frecuentes
¿Qué es el análisis de componentes principales (PCA) en el contexto del EEG?
El PCA es un método matemático que reorganiza los datos de EEG multicanal en un nuevo conjunto de señales llamadas componentes, que no están correlacionadas entre sí. Clasifica estos componentes según la cantidad de varianza que capturan, y el primer componente explica la mayor variación general de la señal.
¿Cómo ayuda el PCA a eliminar artefactos de los datos de EEG?
Debido a que los artefactos como el parpadeo de ojos producen oscilaciones de voltaje grandes y generalizadas, tienden a concentrarse en los componentes de mayor varianza. La clasificación por varianza del PCA permite a los investigadores identificar y potencialmente descartar esos componentes superiores, que a menudo contienen el ruido más perjudicial.
¿Funciona el PCA por sí solo para limpiar las señales de EEG?
No, el PCA rara vez se utiliza como una solución de limpieza independiente. Por lo general, actúa como un paso dentro de un proceso más amplio, ya sea reduciendo las dimensiones de los datos antes de aplicar otro método como DEBSS, o sirviendo como el motor de detección dentro de un marco como la Reconstrucción del Subespacio de Artefactos (ASR).
¿Cuál es la diferencia entre el PCA y el ICA para la eliminación de artefactos?
El PCA solo requiere que los componentes resultantes no estén correlacionados, lo cual es una condición matemática más flexible, mientras que el ICA busca componentes que sean estadísticamente independientes, un requisito más estricto y computacionalmente más exigente. El PCA es más rápido y a menudo se utiliza como un paso preparatorio antes del ICA en lugar de un reemplazo para este.
¿Puede el PCA eliminar accidentalmente actividad cerebral real junto con los artefactos?
Sí, dado que el PCA se basa en la varianza para identificar artefactos, los ritmos cerebrales de gran amplitud como la actividad alfa posterior pueden confundirse con ruido. Además, los artefactos pueden distribuirse a través de múltiples componentes, por lo que simplemente eliminar el componente superior puede descartar señales neuronales genuinas.
¿Cómo se compara el PCA con el filtrado de frecuencia para la limpieza del EEG?
El filtrado de frecuencia elimina o atenúa la energía de la señal en bandas de frecuencia específicas, pero no puede separar un artefacto y una señal cerebral que comparten las mismas frecuencias. El PCA analiza en cambio los patrones de varianza en todos los electrodos, lo que lo convierte en un enfoque complementario que aborda una dimensión diferente de los datos.
¿Cómo debería un investigador utilizar el PCA de forma segura en un flujo de trabajo de preprocesamiento de EEG?
El PCA se puede utilizar como un paso de reducción de dimensionalidad antes de aplicar otros métodos, o como una ayuda para inspeccionar qué patrones dominan un registro. Los investigadores deben inspeccionar visualmente los componentes que planean descartar verificando su topografía en el cuero cabelludo y su curso temporal, en lugar de confiar ciegamente en la clasificación de varianza.
Emotiv es un líder en neurotecnología que ayuda a avanzar la investigación en neurociencia mediante herramientas accesibles de EEG y datos cerebrales.
Descargo de responsabilidad médica: La información proporcionada en este sitio web es solo para fines educativos e informativos y no pretende ser un consejo médico o de salud. Este contenido puede contener errores y no debe ser utilizado para tomar decisiones de salud, médicas o de estilo de vida que alteren la vida. Busque siempre el consejo de su médico u otro proveedor de salud calificado para cualquier pregunta que pueda tener con respecto a una afección o tratamiento médico.
Christian Burgos
