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 EEG?
Para comprender mejor el PCA, resulta útil imaginar cómo se ven los datos de EEG sin procesar antes de que ocurra cualquier procesamiento de señales.
Un registro típico involucra muchos electrodos, cada uno de los cuales 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 están captando la actividad eléctrica de un medio conductor compartido (la cabeza), sus señales se superponen y se correlacionan de formas complicadas.
El PCA toma esta maraña de canales correlacionados y la reorganiza en un nuevo conjunto de señales llamadas componentes. Cada componente es una combinación ponderada de los canales originales, pero con una propiedad matemática crítica: 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, de la que cada uno es responsable. 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. Los parpadeos, por ejemplo, producen oscilaciones de voltaje grandes y lentas que se propagan ampliamente por muchos electrodos a la vez. Debido a que esto crea un patrón de variación grande y compartido, la actividad del parpadeo tiende a concentrarse en los componentes de mayor varianza. Las señales cerebrales más débiles y localizadas a menudo terminan más abajo en la lista, en componentes de menor varianza.
Un detalle que separa al PCA de algunos de sus primos 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)? Explicación Paso a Paso
Paso 1: Estandarizar los Datos
Antes de iniciar un cálculo complejo, se deben normalizar las entradas 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 es 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 Autovectores y Autovalores (Eigenvectors y Eigenvalues)
Esta etapa implica resolver los vectores específicos que caracterizan la forma de la distribución de los datos. Los autovectores determinan la dirección de los nuevos ejes, mientras que los autovalores 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 a un nuevo sistema de coordenadas definido por los patrones primarios de movimiento.
Paso 4: Seleccionar Componentes Principales
Tras identificar los componentes, el análisis restringe el modelo únicamente a aquellos que explican una parte significativa de la varianza total. Este proceso de filtrado descarta las variables con mucho ruido y conserva solo los patrones más informativos según umbrales cuantitativos específicos.
Al enfocarse estrictamente en los componentes dominantes, los investigadores reducen la carga computacional en las tareas de procesamiento posteriores. Esto garantiza 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 conserva 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 señal más limpia.
Cómo Encaja el PCA en el Flujo de Preprocesamiento de EEG
En la práctica, el PCA rara vez funciona solo. Tiende a aparecer como un paso dentro de un flujo de limpieza más amplio, realizando una de dos tareas:
Reducir el tamaño de los datos
Ayudar a detectar dónde se ocultan los artefactos
La primera función es la reducción de la dimensionalidad. Un estudio que combinó PCA con una técnica llamada separación ciega de fuentes por estimación de densidad, o DEBSS, utilizó PCA específicamente para reducir el tamaño del conjunto de datos de EEG antes de que pudiera ocurrir una mayor separación.
In en este flujo de trabajo, primero se filtró el ruido de alta frecuencia mediante análisis de óndulas (wavelets), y luego “se utiliza el algoritmo PCA para procesar las señales de EEG para reducir la dimensión de los datos” antes de que DEBSS tomara el control para separar los componentes restantes. Una vez identificados los componentes que portaban interferencias 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, o 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 sobre las 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 se ve estadísticamente normal o parece un artefacto.
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. Normalmente entrega su resultado a otro algoritmo, ya sea DEBSS, una adaptación de geometría riemanniana u otro proceso de toma de decisiones que determina qué componentes se eliminan realmente.
¿Puede el PCA Aislar Artefactos de EEG? Lo que Muestra la Evidencia
El razonamiento detrás del atractivo del PCA para el aislamiento de artefactos es sencillo. Debido a que el PCA clasifica los componentes por varianza, y debido a que los parpadeos y la actividad muscular tienden a generar oscilaciones de voltaje desproporcionadas, la teoría de la neurociencia sostiene que estos artefactos deberían clasificarse naturalmente en los primeros componentes. Si eso resulta ser cierto, 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 probó el flujo de trabajo de PCA más DEBSS descrito anteriormente informó que el método combinado “puede eliminar la interferencia principal de las señales de EEG multicanal de manera rápida y efectiva”, 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 probó: un flujo de trabajo específico de dos pasos, no el PCA operando de forma aislada.
El mencionado estudio de 2019 adoptó un enfoque comparativo más estructurado. Los investigadores construyeron 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 interiores como exteriores, con 27 participantes.
Evaluaron el rendimiento a través de tres medidas distintas:
Qué tan bien redujo cada método los artefactos de parpadeo (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 “funcionó favorablemente 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 evidencia detrás de ellos es estrecha. Estos son hallazgos tempranos significativos y útiles, pero aún no equivalen a una afirmación ampliamente validada de que el PCA aísla de manera confiable los artefactos en todos los contextos de EEG.
PCA vs. ICA vs. Filtrado: Eligiendo 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 muesca (notch), funciona eliminando o atenuando bandas de frecuencia completas. Esto es útil para eliminar interferencias estables como el ruido de la línea eléctrica, pero se topa con un límite estricto cuando un artefacto y una señal cerebral comparten el mismo rango de frecuencia.
Un parpadeo, por ejemplo, puede superponerse en frecuencia con las ondas cerebrales lentas, y un filtro no puede distinguirlos porque solo ve 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 a lo largo de todo el conjunto de electrodos, no en el contenido de frecuencia. Esto lo convierte en un enfoque complementario en lugar de un sustituto directo del filtrado.
Por otro lado, a menudo se menciona el ICA al mismo tiempo que el PCA, pero ambos métodos parten de 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 decorrelación del PCA.
Debido a que el ICA tiene que buscar con más empeño este tipo de separación más estricto, 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 aparece con frecuencia como un paso preparatorio antes del ICA en lugar de como 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. Alternativamente, el PCA puede actuar como un primer paso general, eliminando los artefactos más dominantes y obvios antes de que un método más cuidadoso ajuste el resto.
Método | Base de Separación | Velocidad | Limitación Clave |
|---|---|---|---|
PCA | Clasifica por varianza | Rápido | Varianza ≠ artefacto |
ICA | Encuentra fuentes independientes | Lento | Asume independencia |
Filtrado | Elimina bandas de frecuencia | Muy rápido | Las frecuencias superpuestas permanecen |
Limitaciones del Eliminación de Artefactos Basada en PCA
La simplicidad del PCA también es el origen de sus debilidades. Siguen existiendo varias preguntas abiertas sobre qué tan bien realiza realmente el trabajo 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 de relajación y 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 debe eliminar.
En la otra dirección, los artefactos de parpadeo no siempre se limitan perfectamente a un solo componente; su influencia puede propagarse a través de varios componentes a la vez, lo que complica cualquier estrategia simple de "eliminar el componente superior".
También hay que considerar un desajuste estructural. El PCA obliga a que sus componentes sean ortogonales entre sí por definición matemática. Pero 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 en lugar de un reflejo fiel de lo que realmente sucede en el tejido.
Consejos Prácticos para Usar 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, especialmente como una forma de ver qué patrones de variación dominan un registro determinado. Estos son algunos consejos que se recomiendan a menudo:
Utilice el PCA como un paso preliminar para reducir la dimensionalidad o identificar patrones de artefactos dominantes, no como un paso final de limpieza.
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 dispositivos móviles) con precaución y valídela con sus propios datos.
Conclusión: ¿Es el PCA un Método Confiable de Limpieza de EEG?
El PCA transforma datos complejos de ondas cerebrales en componentes clasificados, lo que brinda a los investigadores una forma rápida de concentrarse en las partes más ruidosas de un registro. Este enfoque es especialmente útil cuando los parpadeos o los movimientos musculares dominan la señal, ya que a menudo emergen hacia las posiciones de mayor varianza.
Sin embargo, debido a que los ritmos cerebrales genuinos también pueden producir señales fuertes, no se puede confiar en este método por sí solo para decidir qué es un artefacto y qué son datos neuronales valiosos.
Referencias
Kang, D., & Zhizeng, L. (2012, marzo). Un método para eliminar el ruido de señales de EEG multicanal rápidamente basado en el algoritmo PCA y DEBSS. En Conferencia Internacional de 2012 sobre Ciencia de la Computación e Ingeniería Electrónica (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). Una modificación riemanniana de la reconstrucción del subespacio de artefactos para el manejo de artefactos de EEG. 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 los parpadeos 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 principales, que a menudo contienen el ruido más perturbador.
¿Funciona el PCA por sí solo para limpiar 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 flujo de trabajo más grande, 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 PCA e 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 exigente. El PCA es más rápido y a menudo se utiliza como un paso preparatorio antes del ICA en lugar de un reemplazo del mismo.
¿Puede el PCA eliminar accidentalmente actividad cerebral real junto con los artefactos?
Sí, debido a 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 dispersarse a través de múltiples componentes, por lo que simplemente eliminar el componente superior puede descartar señales neuronales auténticas.
¿Cómo se compara el PCA con el filtrado de frecuencia para la limpieza de 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 compartan las mismas frecuencias. En cambio, el PCA analiza los patrones de varianza a través de 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 la varianza.
Emotiv es un líder en neurotecnología que ayuda a avanzar la investigación en neurociencia mediante herramientas accesibles de EEG y datos cerebrales.
Christian Burgos
