تحلیل مؤلفه‌های اصلی

تحلیل مؤلفه‌های اصلی (PCA) در EEG چیست؟

برای درک بهتر PCA، تصور این‌که داده‌های خام EEG قبل از انجام هرگونه پردازش سیگنال چگونه به نظر می‌رسند، کمک‌کننده است.

یک ثبت معمولی شامل الکترودهای متعددی است که هر یک جریان پیوسته‌ای از خوانش‌های ولتاژ را در طول زمان ایجاد می‌کنند. این کانال‌ها مستقل از یکدیگر نیستند. از آنجا که همگی فعالیت الکتریکی را از یک محیط رسانای مشترک (سر) دریافت می‌کنند، سیگنال‌های آن‌ها به شیوه‌های پیچیده‌ای هم‌پوشانی داشته و با یکدیگر همبستگی دارند.

روش PCA این کلاف کانال‌های همبسته را می‌گیرد و آن را در قالب مجموعه جدیدی از سیگنال‌ها به نام مؤلفه‌ها (Components) بازسازماندهی می‌کند. هر مؤلفه یک ترکیب وزنی از کانال‌های اصلی است، اما با یک ویژگی ریاضی حیاتی: مؤلفه‌ها متعامد (Orthogonal) هستند، به این معنی که با یکدیگر ناهمبسته‌اند.

همچنین PCA این مؤلفه‌ها را بر اساس میزان واریانس یا تغییرات کلی سیگنال که هر یک توجیه می‌کنند، رتبه‌بندی می‌کند. مؤلفه اول بیشترین سهم از واریانس داده‌ها را در بر می‌گیرد، مؤلفه دوم بیشترین سهم بعدی را از میان آنچه باقی مانده به خود اختصاص می‌دهد و این روند به همین ترتیب تا انتهای فهرست ادامه می‌یابد.

این رتبه‌بندی به دلیل نوع رفتار آرتیفکت‌ها بسیار تعیین‌کننده است. به عنوان مثال، پلک زدن چشم باعث ایجاد نوسانات ولتاژی بزرگ و کندی می‌شود که به طور همزمان در میان الکترودهای زیادی پخش می‌گردد. از آنجا که این امر یک الگوی تغییرات بزرگ و مشترک ایجاد می‌کند، فعالیت مربوط به پلک زدن تمایل دارد در مؤلفه‌های با بالاترین واریانس متمرکز شود. سیگنال‌های مغزی ضعیف‌تر و موضعی‌تر اغلب در رتبه‌های پایین‌تر فهرست و در مؤلفه‌های با واریانس کمتر قرار می‌گیرند.

یک نکته جزئی که PCA را از برخی هم‌خانواده‌های شناخته‌شده‌تر آن مانند تحلیل مؤلفه‌های مستقل (ICA) متمایز می‌کند این است که فرض نمی‌کند منابع زیربنایی از نظر آماری مستقل هستند. این روش فقط نیاز دارد که مؤلفه‌های حاصل ناهمبسته باشند، که شرط بسیار ضعیف‌تر و ساده‌تری است.

تحلیل مؤلفه‌های اصلی (PCA) چگونه کار می‌کند؟ توضیحی گام‌به‌گام

گام ۱: استانداردسازی داده‌ها

پیش از آغاز یک محاسبه پیچیده، باید ورودی‌ها را نرمال‌سازی کرد تا از هم‌ترازی متغیرها اطمینان حاصل شود. اگر یک متغیر بر حسب میکروولت و دیگری بر حسب میلی‌ثانیه اندازه‌گیری شود، تفاوت‌های مقیاس خام نتایج را دچار سوگیری می‌کند. تغییر مقیاس هر متغیر به میانگین صفر و انحراف معیار یک به محاسبات ریاضی اجازه می‌دهد تا با همه ویژگی‌های ورودی با وزن برابر رفتار کند.

گام ۲: محاسبه ماتریس کوواریانس

پس از استانداردسازی داده‌ها، چالش بعدی ترسیم روابط بین هر جفت از ویژگی‌هاست. یک ماتریس کوواریانس این تعاملات را خلاصه می‌کند و نشان می‌دهد کدام متغیرها با هم تغییر می‌کنند و کدام یک مستقل هستند. این ساختار شبکه‌ای به عنوان پایه‌ای برای شناسایی جهت‌هایی عمل می‌کند که مجموعه داده در آن‌ها بیشترین پراکندگی را نشان می‌دهد.

گام ۳: محاسبه بردارهای ویژه و مقادیر ویژه

این مرحله شامل حل معادله برای بردارهای خاصی است که شکل توزیع داده‌ها را مشخص می‌کنند. بردارهای ویژه جهت محورهای جدید را تعیین می‌کنند، در حالی که مقادیر ویژه نشان‌دهنده مقدار واریانس ثبت‌شده در امتداد آن جهت‌های خاص هستند. این شاخص‌های ریاضی به ما امکان می‌دهند فضای داده اصلی را به یک سیستم مختصات جدید که توسط الگوهای اولیه تغییرات تعریف شده است، بچرخانیم.

گام ۴: انتخاب مؤلفه‌های اصلی

پس از شناسایی مؤلفه‌ها، تحلیلْ مدل را تنها به مواردی محدود می‌کند که بخش قابل توجهی از کل واریانس را توضیح می‌دهند. این فرآیند غربالگری، متغیرهای پر از نویز را کنار می‌گذارد و طبق آستانه‌های کمی مشخص، تنها آموزنده‌ترین الگوها را حفظ می‌کند.

با تمرکز دقیق بر مؤلفه‌های غالب، پژوهشگران بار محاسباتی مراحل پردازشی بعدی را کاهش می‌دهند. این امر اطمینان حاصل می‌کند که مدل نهایی هم پاسخگو و هم برای تحلیل بی‌درنگ (Real-time) کارآمد است.

گام ۵: تبدیل داده‌های اصلی

با تکمیل انتخاب نهایی، آخرین گامْ تصویر کردن نقاط مشاهداتی اصلی بر روی این محورهای جدید است. این تبدیل یک مجموعه داده جدید با ابعاد کاهش‌یافته ایجاد می‌کند که توپوگرافی اساسی اندازه‌گیری‌های اصلی را حفظ می‌نماید.

متخصصان سپس از این متغیرهای تبدیل‌شده برای وظایف بعدی مانند طبقه‌بندی یا بومی‌سازی منبع استفاده می‌کنند و از نمایش تمیزتر سیگنال بهره‌مند می‌شوند.

جایگاه PCA در فرآیند پیش‌پردازش EEG

در عمل، PCA به ندرت به تنهایی کار می‌کند. این روش معمولاً به عنوان مرحله‌ای درون یک خط لوله پاک‌سازی بزرگ‌تر ظاهر می‌شود و یکی از این دو وظیفه را انجام می‌دهد:

1. کاهش ابعاد و حجم داده‌ها

2. کمک به تشخیص محل پنهان شدن آرتیفکت‌ها

نقش اول، کاهش ابعاد است. یک مطالعه که PCA را با روشی به نام جداسازی کور منابع بر پایه برآورد چگالی (DEBSS) ترکیب کرده بود، مشخصاً از PCA برای کاهش حجم مجموعه داده EEG قبل از انجام جداسازی بیشتر استفاده کرد.

در این خط لوله، ابتدا نویز فرکانس بالا با استفاده از تحلیل موجک فیلتر شد و سپس «الگوریتم PCA برای پردازش سیگنال‌های EEG جهت کاهش بعد داده‌ها به کار رفت» قبل از آن‌که DEBSS فرآیند جداسازی مؤلفه‌های باقی‌مانده را به دست گیرد. پس از شناسایی مؤلفه‌های حاوی تداخل با استفاده از ضرایب همبستگی متقابل و پارامترهای غیرخطی مرتبط، پژوهشگران سیگنال را از روی مؤلفه‌های باقی‌مانده و تمیزتر بازسازی کردند.

نقش دوم، خودِ تشخیص آرتیفکت است و در روش پرکاربردی به نام بازسازی زیرفضای آرتیفکت (Artifact Subspace Reconstruction یا ASR) ظاهر می‌شود. ASR با تحلیل مداوم پنجره‌های کوتاهی از داده‌های EEG و مقایسه آن‌ها با خط پایه فعالیت «تمیز» عمل می‌کند.

بر اساس یک مطالعه در سال ۲۰۱۹ که نسخه ریمانی این روش را معرفی کرد، ASR «به‌طور مکرر PCA را روی ماتریس‌های کوواریانس محاسبه می‌کند تا آرتیفکت‌ها را بر اساس ویژگی‌های آماری آن‌ها در زیرفضای مؤلفه‌ها تشخیص دهد». در اینجا، PCA تعداد کانال‌ها را صرفاً برای راحتی کار کاهش نمی‌دهد، بلکه به عنوان موتوری عمل می‌کند که لحظه به لحظه تصمیم می‌گیرد آیا یک بخش از داده‌ها از نظر آماری طبیعی به نظر می‌رسد یا شبیه به یک آرتیفکت است.

در مجموع، این دو نمونه نشان می‌دهند که PCA جزئی از یک استراتژی پاک‌سازی است، نه خود یک استراتژی پاک‌سازی کامل. این روش معمولاً خروجی خود را به الگوریتم دیگری تحویل می‌دهد، خواه DEBSS باشد، خواه انطباق با هندسه ریمانی، یا فرآیند تصمیم‌گیری دیگری که تعیین می‌کند کدام مؤلفه‌ها واقعاً حذف شوند.

آیا PCA می‌تواند آرتیفکت‌های EEG را ایزوله کند؟ شواهد چه می‌گویند

دلیل جذابیت PCA برای جداسازی آرتیفکت روشن است. از آنجا که PCA مؤلفه‌ها را بر اساس واریانس مرتب می‌کند، و از آنجا که پلک زدن و فعالیت‌های عضلانی تمایل به ایجاد نوسانات ولتاژی بسیار بزرگ دارند، تئوری علوم اعصاب بر این باور است که این آرتیفکت‌ها باید به طور طبیعی در چند مؤلفه اول قرار گیرند. اگر این موضوع درست باشد، یک پژوهشگر در اصل می‌تواند بدترین تداخلات را به سرعت شناسایی کرده و کنار بگذارد، بدون اینکه نیازی به مدل‌سازی استقلال آماری دقیق تک‌تک منابع مغزی داشته باشد.

مطالعه‌ای که خط لوله ترکیبی PCA و DEBSS شرح‌داده‌شده را آزمایش کرد گزارش داد که این روش ترکیبی «می‌تواند تداخل اصلی سیگنال‌های چندکاناله EEG را به سرعت و به طور مؤثری از بین ببرد»، در حالی که اشاره کرد این رویکرد «پایدار بوده و مقیاس‌پذیری بالایی دارد». این یک نتیجه مثبت است، اما شایان ذکر است که دقیقاً چه چیزی آزمایش شده است: یک فرآیند دو مرحله‌ای خاص، نه PCA به صورت مجزا.

مطالعه ذکرشده در سال ۲۰۱۹ رویکرد مقایسه‌ای ساختاریافته‌تری در پیش گرفت. پژوهشگران نسخه‌ای از ASR مبتنی بر هندسه ریمانی به نام rASR را ساختند و آن را در برابر روش استاندارد ASR مبتنی بر PCA با استفاده از EEG ثبت‌شده روی گوشی‌های هوشمند در شرایط داخلی و بیرونی با ۲۷ شرکت‌کننده آزمایش کردند.

آن‌ها عملکرد را در سه معیار جداگانه ارزیابی کردند:

1. میزان موفقیت هر روش در کاهش آرتیفکت‌های پلک زدن (حساسیت)

2. میزان موفقیت هر روش در حفظ پتانسیل‌های برانگیخته بینایی، که پاسخ‌های مغز به محرک‌های بینایی هستند (ویژگی)

3. سرعت اجرای هر روش (کارایی)

بر اساس نتیجه‌گیری نویسندگان، rASR در مقایسه با ASR استاندارد «در هر سه معیار عملکرد مطلوبی داشت».

این نتایج برای مدیریت آرتیفکت مبتنی بر PCA نویدبخش است، اما پایگاه شواهد پشتیبان آن‌ها محدود است. این‌ها یافته‌های اولیه معنادار و مفیدی هستند، اما هنوز به منزله یک ادعای به طور گسترده اعتبارسنجی‌شده مبنی بر اینکه PCA آرتیفکت‌ها را در تمام بسترهای EEG به صورت قابل اطمینان جدا می‌کند، نیستند.

مقایسه PCA، ICA و فیلتر کردن: انتخاب ابزار مناسب

پژوهشگران EEG چندین ابزار برای پاک‌سازی داده‌ها در دسترس دارند و PCA جایگاه خاصی را در میان آن‌ها اشغال می‌کند.

فیلتر کردن، که شامل فیلترهای بالاگذر، پایین‌گذر و شکافی (Notch) است، با حذف یا تضعیف کل باندهای فرکانسی عمل می‌کند. این روش برای حذف تداخلات پایدار مانند نویز خطوط برق مفید است، اما هنگامی که یک آرتیفکت و یک سیگنال مغزی در یک محدوده فرکانسی مشترک باشند، با محدودیت جدی مواجه می‌شود.

برای مثال، پلک زدن می‌تواند از نظر فرکانس با امواج آهسته مغزی هم‌پوشانی داشته باشد و یک فیلتر نمی‌تواند آن‌ها را از هم تشخیص دهد زیرا فقط فرکانس را می‌بیند، نه الگوی واریانس را در میان کانال‌ها. روش PCA بر روی یک محور کاملاً متفاوت عمل می‌کند، چرا که به چگونگی توزیع تغییرات سیگنال در کل مجموعه الکترودها نگاه می‌کند، نه به محتوای فرکانسی. این ویژگی آن را به رویکردی مکمل و نه یک جایگزین مستقیم برای فیلتر کردن تبدیل می‌کند.

از سوی دیگر، ICA اغلب در کنار PCA نام برده می‌شود، اما این دو روش بر فرضیات متفاوتی استوارند. روش ICA به دنبال مؤلفه‌هایی است که از نظر آماری از یکدیگر مستقل باشند؛ الزامی بسیار قوی‌تر و از نظر محاسباتی سنگین‌تر از شرط ساده‌تر ناهمبستگی در PCA.

از آنجا که ICA باید برای این نوع تفکیک دقیق‌تر جستجوی بیشتری انجام دهد، معمولاً به زمان محاسباتی بیشتر و داده‌های بیشتری نیاز دارد. روش PCA، به دلیل سادگی ریاضی بیشتر، سریع‌تر است و اصلاً نیازی به استقلال ندارد، بلکه فقط نیازمند ناهمبسته بودن مؤلفه‌های حاصل است.

این تفاوت در هزینه محاسباتی دلیلی است بر اینکه چرا PCA مکرراً به عنوان یک مرحله مقدماتی پیش از ICA ظاهر می‌شود تا به عنوان جایگزینی برای آن. کاهش تعداد ابعاد با استفاده از PCA در ابتدا می‌تواند اجرای ICA را تسریع کرده و در مواقع محدود بودن داده‌ها، خطر بیش‌برازش (Overfitting) را کاهش دهد. همچنین، PCA می‌تواند به عنوان یک مرحله اولیه کلی عمل کند و غالب‌ترین و واضح‌ترین آرتیفکت‌ها را قبل از تنظیم دقیق بقیه سیگنال توسط یک روش دقیق‌تر، حذف نماید.

محدودیت‌های حذف آرتیفکت مبتنی بر PCA

سادگی PCA منشأ نقاط ضعف آن نیز هست. هنوز پرسش‌های بی‌پاسخ متعددی در مورد اینکه این روش تا چه حد وظیفه جداسازی آرتیفکت محول‌شده را به خوبی انجام می‌دهد، وجود دارد.

واریانس جایگزین کاملی برای «آرتیفکت» نیست. برخی از ریتم‌های مغزی، مانند فعالیت آلفای پس‌سری (یک ریتم معروف EEG مرتبط با حالت‌های آرامش و چشمان بسته)، می‌توانند به خودی خود سیگنال‌هایی با دامنه بالا تولید کنند. روشی که فرض می‌کند واریانس بالا همیشه به معنای آرتیفکت است، در معرض خطر دور ریختن فعالیت واقعی مغز به همراه نویزی است که قصد حذف آن را دارد.

از سوی دیگر، آرتیفکت‌های پلک زدن همیشه به طور منظم به یک مؤلفه منفرد محدود نمی‌شوند؛ اثر آن‌ها می‌تواند همزمان در چندین مؤلفه پخش شود، که این امر هرگونه استراتژی ساده مانند «حذف مؤلفه اول» را پیچیده می‌کند.

همچنین یک عدم تطابق ساختاری وجود دارد که باید در نظر گرفته شود. روش PCA بر اساس تعریف ریاضی، مؤلفه‌های خود را مجبور می‌کند که نسبت به یکدیگر متعامد باشند. اما هیچ تضمینی وجود ندارد که منابع فیزیکی واقعی تولیدکننده سیگنال‌های EEG، چه مدارهای عصبی باشند و چه گروه‌های عضلانی نزدیک پوست سر، به شکلی سازمان‌یافته باشند که با این هندسه متعامد مطابقت داشته باشد.

هنگامی که این فرض با واقعیت زمینه‌ای مطابقت ندارد، تفکیکی که PCA ایجاد می‌کند ممکن است صرفاً یک آسودگی ریاضی باشد تا بازتابی دقیق از آنچه واقعاً در بافت رخ می‌دهد.

توصیه‌های کاربردی برای استفاده از PCA در تحلیل EEG

برای کسی که برای اولین بار در حال بررسی یک مجموعه داده EEG است، PCA همچنان یک نقطه شروع منطقی به شمار می‌رود، به‌ویژه به عنوان روشی برای دیدن اینکه کدام الگوهای تغییرات بر یک ثبت خاص مسلط هستند. در اینجا چند نکته آورده شده است که اغلب توصیه می‌شوند:

• از PCA به عنوان یک مرحله مقدماتی برای کاهش ابعاد یا نشانه‌گذاری الگوهای غالب آرتیفکت استفاده کنید، نه به عنوان مرحله نهایی پاک‌سازی.

• روش PCA را با یک روش ثانویه (مانند ICA، DEBSS، ASR) که می‌تواند تصمیم بگیرد کدام مؤلفه‌ها حذف شوند، ترکیب کنید.

• همیشه توپوگرافی پوست سر و روند زمانی مؤلفه‌های حذف‌شده را به صورت چشمی بررسی کنید تا مطمئن شوید که آن‌ها نشان‌دهنده آرتیفکت هستند.

• با تغییرات نتایج در محیط‌های ثبت مختلف (آزمایشگاهی در مقابل متحرک) با احتیاط برخورد کنید و آن را روی داده‌های خود اعتبارسنجی نمایید.

تحلیل مؤلفه‌های اصلی در تحقیقات EEG مبتنی بر Emotiv

از headsetهای Emotiv در تعدادی از مطالعات داوری‌شده استفاده شده است که در آن‌ها تحلیل مؤلفه‌های اصلی به عنوان یک روش محاسباتی اصلی عمل می‌کند؛ امری که نشان‌دهنده کاربردپذیری این تکنیک در طبقه‌بندی، انتخاب حسگر، پیش‌پردازش و ارتقای کیفیت سیگنال است.

طبقه‌بند گروهی PCA برای دقت هجی‌کننده P300

توسعه BCI پوشیدنی نیازمند پردازش کارآمد سیگنال است و یک مطالعه، یک طبقه‌بند گروهی PCA را برای هجی‌کننده‌های مبتنی بر P300 ثبت‌شده با neuroheadset شرکت Emotiv مورد ارزیابی قرار داد. با استفاده از الگوی کلاسیک فردِ فرد (Oddball)، نویسندگان رویکرد گروهی خود را با روش‌های سنتی استخراج ویژگی و طبقه‌بندی مقایسه کردند.

بر روی داده‌های اعتبارسنجی متقاطع، مدل گروهی PCA به میانگین دقت ۸۶.۲۹٪ دست یافت، در حالی که آزمایش آفلاین میانگین دقت طبقه‌بندی ۷۳.۳٪ را به دست آورد که نسبت به روش‌های مرسوم به طور معناداری بالاتر بود. نتایج نشان می‌دهد که طبقه‌بندی گروهی مبتنی بر PCA یک استراتژی عملی برای پردازش داده‌های P300 از یک دستگاه EEG سیار با درجه کاربری مصرف‌کننده است.

انتخاب حداقل حسگرهای EEG برای شناسایی بیومتریک با PCA

کاهش تعداد الکترودها بدون از دست دادن اطلاعات تمایزدهنده، یک چالش کاربردی برای سیستم‌های بیومتریک است. پژوهشگران انتخاب حداقل حسگر EEG را برای شناسایی افراد با استفاده از headset مدل Emotiv EPOC+ و یک مجموعه داده عمومی بزرگ‌تر بررسی کردند. دو روش کاهش به کار گرفته شد: یکی بر اساس تحلیل مؤلفه‌های اصلی و دیگری بر اساس آزمون رتبه‌دار ویلکاکسون.

این مطالعه گزارش می‌دهد که هر دو رویکرد امکان شناسایی حداقل مجموعه الکترودهای لازم برای تشخیص مطمئن هویت افراد را فراهم کردند و PCA به تعیین این‌که کدام نواحی کورتکس بیشترین سهم را در الگوهای تفکیک‌پذیر دارند کمک کرد. این امر نقش کاهش ابعاد PCA را در تبدیل پیکربندی‌های آزمایشگاهی به چینش‌های حسگری ساده‌تر و کاربردی‌تر نشان می‌دهد.

مقایسه PCA با CSP و CAR برای حذف آرتیفکت

در مقایسه فرآیندهای پیش‌پردازش، داده‌های EEG با استفاده از Emotiv EPOC ثبت شدند تا ارزیابی شود الگوریتم‌های مختلف تا چه حد سیگنال‌ها را پیش از طبقه‌بندی پاک‌سازی می‌کنند. در یک مقایسه الگوریتم‌های پیش‌پردازش، تحلیل مؤلفه‌های اصلی در کنار الگوی فضایی مشترک (CSP) و مرجع میانگین مشترک (CAR) برای حذف آرتیفکت آزمایش شد و پس از آن، ویژگی‌های چگالی طیفی توان به یک طبقه‌بند ماشین بردار پشتیبان داده شدند.

نویسندگان مشاهده کردند که PCA به عملکرد ۹۴.۲۸٪ دست یافت و در ساختار آزمایشی آن‌ها از سایر الگوریتم‌ها بهتر عمل کرد. این امر نشان می‌دهد که PCA می‌تواند به عنوان جزئی مؤثر از یک زنجیره پیش‌پردازش هنگام کار با سخت‌افزارهای EEG مصرف‌کننده عمل کند.

بهبود استخراج ریتم جمعی: مقایسه PCA و پیچش کوزامبی-هیلبرت

هنگامی که چندین حسگر EEG فعالیت نوسانی را ثبت می‌کنند، استخراج یک ریتم مشترک با نسبت سیگنال به نویز بالا اغلب مطلوب است. مطالعه‌ای در زمینه بهبود کیفیت ریتم جمعی با Emotiv EPOC+، روش سنتی تحلیل مؤلفه‌های اصلی را با روش پیچش کوزامبی-هیلبرت (KHT) مقایسه کرد. داده‌ها در زمان استراحت با چشمان بسته و هنگام تماشای صفحه‌ای که با فرکانس ۱۵ هرتز سوسو می‌زد، ثبت شدند.

پژوهشگران گزارش دادند که KHT نسبت سیگنال به نویز بهتری را برای سیگنال جمعی نسبت به PCA به دست آورد، به ویژه زمانی که جابجایی‌های زمانی تصادفی در بین کانال‌ها اعمال شد. این پژوهش نشان می‌دهد که اگرچه PCA یک خط پایه ساده برای استخراج ریتم مشترک ارائه می‌دهد، روش‌های حساس به فاز می‌توانند سیگنال مورد نظر را بیشتر تقویت کنند.

در مجموع، این مطالعات نشان می‌دهند که چگونه تحلیل مؤلفه‌های اصلی در وظایف بسیار متفاوتی از EEG—از طبقه‌بندی و شناسایی بیومتریک گرفته تا پیش‌پردازش و استخراج ریتم—با استفاده از سخت‌افزار Emotiv عمل می‌کند. نتایج در شرایط خاص خود امیدوارکننده هستند، با این حال همچنان محدود به الگوهای خاص، حجم نمونه نسبتاً کوچک و تحلیل‌های آفلاین می‌باشند. این یافته‌ها از PCA به عنوان ابزاری همه‌کاره در خطوط لوله پژوهشی EEG پشتیبانی می‌کنند، اما هنوز یک راه‌حل جامع و همه‌منظوره برای برنامه‌های BCI بلادرنگ و کم‌هزینه ارائه نمی‌دهند.

نتیجه‌گیری: آیا PCA یک روش قابل اعتماد برای پاک‌سازی EEG است؟

روش PCA داده‌های پیچیده امواج مغزی را به مؤلفه‌های رتبه‌بندی‌شده تبدیل می‌کند و به محققان راه سریعی برای تمرکز بر روی پرنویزترین بخش‌های یک ثبت می‌دهد. این رویکرد به ویژه زمانی مفید است که پلک زدن چشم یا حرکات عضلانی بر سیگنال غالب باشند، زیرا آن‌ها اغلب در جایگاه‌های با بالاترین واریانس قرار می‌گیرند.

اما از آنجا که ریتم‌های واقعی مغز نیز می‌توانند سیگنال‌های قوی تولید کنند، نمی‌توان به تنهایی به این روش اعتماد کرد تا تصمیم بگیرد چه چیزی یک آرتیفکت است و چه چیزی داده‌های عصبی ارزشمند.

منابع

1. 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

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

پرسش‌های متداول

تحلیل مؤلفه‌های اصلی (PCA) در بستر EEG چیست؟

روش PCA یک روش ریاضی است که داده‌های چندکاناله EEG را در قالب مجموعه جدیدی از سیگنال‌ها به نام مؤلفه‌ها بازسازماندهی می‌کند که با یکدیگر ناهمبسته‌اند. این روش مؤلفه‌ها را بر اساس میزان واریانسی که ثبت می‌کنند رتبه‌بندی می‌نماید و مؤلفه اول بیشترین تغییرات کلی سیگنال را توضیح می‌دهد.

روش PCA چگونه به حذف آرتیفکت‌ها از داده‌های EEG کمک می‌کند؟

از آنجا که آرتیفکت‌هایی مانند پلک زدن چشم نوسانات ولتاژی بزرگ و گسترده‌ای ایجاد می‌کنند، تمایل دارند در مؤلفه‌های با بالاترین واریانس متمرکز شوند. رتبه‌بندی PCA بر اساس واریانس به پژوهشگران اجازه می‌دهد تا این مؤلفه‌های اولیه را شناسایی کرده و احتمالاً کنار بگذارند، مؤلفه‌هایی که اغلب حاوی مخرب‌ترین نویزها هستند.

آیا PCA به تنهایی برای پاک‌سازی سیگنال‌های EEG عمل می‌کند؟

خیر، PCA به ندرت به عنوان یک راهکار مستقل برای پاک‌سازی استفاده می‌شود. این روش معمولاً به عنوان گامی در یک خط لوله بزرگ‌تر عمل می‌کند؛ خواه کاهش ابعاد داده‌ها قبل از اعمال روش دیگری مانند DEBSS باشد، یا به عنوان موتور تشخیص درون چارچوبی مانند بازسازی زیرفضای آرتیفکت (ASR).

تفاوت بین PCA و ICA برای حذف آرتیفکت چیست؟

روش PCA فقط نیاز دارد که مؤلفه‌های حاصل ناهمبسته باشند، که یک شرط ریاضی ساده‌تر است؛ در حالی که ICA به دنبال مؤلفه‌هایی است که از نظر آماری مستقل باشند که نیازمندی دقیق‌تر و از نظر محاسباتی سنگین‌تری است. روش PCA سریع‌تر است و اغلب به عنوان مرحله‌ای مقدماتی پیش از ICA استفاده می‌شود تا جایگزینی برای آن.

آیا PCA می‌تواند به طور تصادفی فعالیت واقعی مغز را به همراه آرتیفکت‌ها حذف کند؟

بله، از آنجا که PCA برای شناسایی آرتیفکت‌ها به واریانس متکی است، ریتم‌های مغزی با دامنه بالا مانند فعالیت آلفای پس‌سری ممکن است به اشتباه نویز تلقی شوند. علاوه بر این، آرتیفکت‌ها ممکن است در چندین مؤلفه پخش شوند، بنابراین حذف صرف مؤلفه برتر می‌تواند سیگنال‌های عصبی واقعی را دور بیندازد.

مقایسه PCA با فیلتر کردن فرکانسی برای پاک‌سازی EEG چگونه است؟

فیلتر کردن فرکانسی انرژی سیگنال را در باندهای فرکانسی خاصی حذف یا تضعیف می‌کند، اما نمی‌تواند آرتیفکت و سیگنال مغزی را که فرکانس‌های یکسانی دارند از هم جدا کند. در مقابل، PCA به الگوهای واریانس در تمام الکترودها نگاه می‌کند و آن را به یک رویکرد مکمل تبدیل می‌نماید که به بعد متفاوتی از داده‌ها می‌پردازد.

یک محقق چگونه باید از PCA به شکل ایمن در جریان کار پیش‌پردازش EEG استفاده کند؟

روش PCA می‌تواند به عنوان یک مرحله کاهش ابعاد قبل از اعمال روش‌های دیگر یا به عنوان کمکی برای بررسی اینکه کدام الگوها بر یک ثبت تسلط دارند استفاده شود. محققان باید به جای اعتماد کورکورانه به رتبه‌بندی واریانس، مؤلفه‌هایی را که قصد دارند کنار بگذارند با بررسی توپوگرافی پوست سر و روند زمانی آن‌ها به صورت چشمی ارزیابی کنند.