L'analyse en composantes principales, généralement abrégée en ACP (ou PCA en anglais), est l'un des outils mathématiques proposés qui offre un moyen de simplifier les enregistrements EEG multicanaux, de réduire la quantité de données à traiter et de signaler les artefacts les plus bruyants et les plus perturbateurs, le tout sans formuler certaines des hypothèses statistiques plus strictes que d'autres méthodes d'élimination des artefacts exigent.
Cet article explique ce que l'ACP fait réellement aux données EEG, comment les chercheurs l'ont utilisée dans de véritables pipelines de prétraitement, et ce que les preuves actuelles, bien que encore limitées, disent sur son efficacité réelle.
Qu'est-ce que l'analyse en composantes principales en EEG ?
Pour mieux comprendre l'ACP, il est utile de visualiser à quoi ressemblent les données EEG brutes avant tout traitement du signal.
Un enregistrement typique implique de nombreuses électrodes, chacune produisant son propre flux continu de relevés de tension au fil du temps. Ces canaux ne sont pas indépendants les uns des autres. Comme ils captent tous l'activité électrique provenant d'un milieu conducteur partagé (la tête), leurs signaux se chevauchent et sont corrélés de manière complexe.
L'ACP prend cet enchevêtrement de canaux corrélés et le réorganise en un nouvel ensemble de signaux appelés composantes. Chaque composante est une combinaison pondérée des canaux d'origine, mais avec une propriété mathématique essentielle : les composantes sont orthogonales, ce qui signifie qu'elles ne sont pas corrélées entre elles.
L'ACP classe également ces composantes en fonction de la part de variance, ou de variation globale du signal, que chacune représente. La première composante capture la plus grande part de variance dans les données, la deuxième capture la part suivante la plus importante parmi ce qui reste, et ainsi de suite.
Ce classement est crucial en raison de la façon dont les artéfacts ont tendance à se comporter. Les clignements d'yeux, par exemple, produisent des variations de tension amples et lentes qui se propagent largement à travers de nombreuses électrodes en même temps. Comme cela crée un schéma de variation vaste et partagé, l'activité de clignement a tendance à se concentrer dans les composantes à plus forte variance. Les signaux cérébraux plus faibles et plus localisés se retrouvent souvent plus bas dans la liste, au sein de composantes à plus faible variance.
Un détail distinguant l'ACP de certaines de ses cousines plus connues comme l'analyse en composantes indépendantes (ICA) est qu'elle ne suppose pas que les sources sous-jacentes soient statistiquement indépendantes. Elle exige seulement que les composantes résultantes soient décorrélées, ce qui est une condition beaucoup plus souple.
Comment fonctionne l'analyse en composantes principales (ACP) ? Explication étape par étape
Étape 1 : Standardiser les données
Avant de lancer un calcul complexe, il est nécessaire de normaliser l'entrée pour assurer la parité entre les variables. Si une variable est mesurée en microvolts et une autre en millisecondes, les différences brutes d'échelle fausseraient les résultats. La mise à l'échelle de chaque variable pour obtenir une moyenne de zéro et un écart type de un permet au calcul mathématique de traiter toutes les variables d'entrée avec une pondération égale.
Étape 2 : Calculer la matrice de covariance
Une fois les données standardisées, la difficulté suivante consiste à cartographier les relations entre chaque paire de caractéristiques. Une matrice de covariance résume ces interactions, montrant quelles variables évoluent ensemble et lesquelles sont indépendantes. Cette grille sert de base pour identifier les directions dans lesquelles l'ensemble de données présente la dispersion la plus significative.
Étape 3 : Calculer les vecteurs propres et les valeurs propres
Cette étape consiste à résoudre les équations pour trouver les vecteurs spécifiques qui caractérisent la forme de la distribution des données. Les vecteurs propres déterminent la direction des nouveaux axes, tandis que les valeurs propres représentent l'ampleur de la variance capturée le long de ces directions spécifiques. Ces indicateurs mathématiques nous permettent de faire pivoter l'espace de données d'origine vers un nouveau système de coordonnées défini par les schémas fondamentaux de mouvement.
Étape 4 : Sélectionner les composantes principales
Après avoir identifié les composantes, l'analyse restreint le modèle uniquement à celles qui expliquent une part importante de la variance totale. Ce processus de filtrage élimine les variables encombrées de bruit et ne conserve que les schémas les plus informatifs selon des seuils quantitatifs spécifiques.
En se concentrant strictement sur les composantes dominantes, les chercheurs réduisent la charge de calcul pour les tâches de traitement ultérieures. Cela garantit que le modèle final est à la fois réactif et efficace pour l'analyse en temps réel.
Étape 5 : Transformer les données d'origine
Une fois la sélection finale effectuée, la dernière étape consiste à projeter les points d'observation d'origine sur ces nouveaux axes. Cette transformation crée un nouvel ensemble de données à dimension réduite qui préserve la topographie essentielle des mesures de départ.
Les professionnels utilisent ensuite ces variables transformées pour des tâches en aval telles que la classification ou la localisation de sources, bénéficiant ainsi d'une représentation plus nette du signal.
Comment l'ACP s'intègre dans le pipeline de prétraitement EEG
En pratique, l'ACP opère rarement seule. Elle a tendance à intervenir comme une étape au sein d'un pipeline de nettoyage plus vaste, remplissant l'un des deux rôles suivants :
Réduire la dimension des données
Aider à détecter où se cachent les artéfacts
Le premier rôle est la réduction de dimensionnalité. Une étude combinant l'ACP avec une technique appelée séparation aveugle de sources par estimation de densité, ou DEBSS, a utilisé l'ACP spécifiquement pour réduire la taille de l'ensemble de données EEG avant de pouvoir procéder à une séparation plus poussée.
Dans ce pipeline, le bruit haute fréquence a d'abord été filtré par analyse en ondelettes, puis « l'algorithme ACP est utilisé pour traiter les signaux EEG afin de réduire la dimension des données » avant que la DEBSS ne prenne le relais pour séparer les composantes restantes. Une fois les composantes porteuses d'interférences identifiées à l'aide de coefficients d'intercorrélation et de paramètres non linéaires associés, les chercheurs ont reconstruit le signal à partir des composantes restantes, plus propres.
Le second rôle est la détection d'artéfacts en elle-même, et il intervient au sein d'une méthode largement répandue appelée reconstruction du sous-espace d'artéfact, ou ASR (Artifact Subspace Reconstruction). L'ASR fonctionne en analysant en continu de courtes fenêtres de données EEG et en les comparant à une référence d'activité « propre ».
Selon une étude de 2019 introduisant une version riemannienne de cette méthode, l'ASR « calcule de manière répétée une ACP sur les matrices de covariance pour détecter les artéfacts en fonction de leurs propriétés statistiques dans le sous-espace des composantes ». Ici, l'ACP ne réduit pas le nombre de canaux par commodité. Elle fonctionne comme le moteur qui décide, d'un instant à l'autre, si un segment de données semble statistiquement normal ou s'il s'apparente à un artéfact.
Pris ensemble, ces deux exemples mènent à la conclusion que l'ACP est un élément d'une stratégie de nettoyage, et non une stratégie de nettoyage complète à elle seule. Elle transmet généralement ses résultats à un autre algorithme, qu'il s'agisse de la DEBSS, d'une adaptation de géométrie riemannienne ou d'un autre processus décisionnel déterminant quelles composantes doivent réellement être supprimées.
L'ACP peut-elle isoler les artéfacts EEG ? Ce que montrent les preuves
Le raisonnement qui sous-tend l'intérêt de l'ACP pour l'isolation des artéfacts est simple. Étant donné que l'ACP trie les composantes par variance, et que les clignements des yeux et l'activité musculaire ont tendance à générer des variations de tension démesurées, la théorie des neurosciences soutient que ces artéfacts devraient naturellement se classer dans les toutes premières composantes. Si cela se vérifie, un chercheur pourrait, en principe, isoler et écarter rapidement les pires interférences, sans avoir besoin de modéliser l'indépendance statistique exacte de chaque source cérébrale.
L'étude qui a testé le pipeline ACP combiné à la DEBSS décrit plus haut a rapporté que la méthode combinée « peut éliminer l'interférence principale des signaux EEG multicanaux rapidement et efficacement », tout en soulignant que l'approche était « stable et présente une forte évolutivité ». Il s'agit d'un résultat positif, mais il convient de noter précisément ce qui a été testé : un pipeline spécifique en deux étapes, et non l'ACP fonctionnant de manière isolée.
L'étude de 2019 mentionnée précédemment a adopté une approche comparative plus structurée. Les chercheurs ont élaboré une version de l'ASR basée sur la géométrie riemannienne, appelée rASR, et l'ont testée face à la méthode standard d'ASR basée sur l'ACP en utilisant des EEG enregistrés sur des smartphones dans des conditions intérieures et extérieures, auprès de 27 participants.
Ils ont évalué les performances selon trois critères distincts :
L'efficacité de chaque méthode à réduire les artéfacts de clignements des yeux (sensibilité)
L'efficacité de chaque méthode à préserver les potentiels évoqués visuels, qui sont des réponses cérébrales à des stimuli visuels (spécificité)
La rapidité d'exécution de chaque méthode (efficacité)
Selon les conclusions de l'auteur, la rASR « a obtenu des résultats favorables sur l'ensemble des trois critères » par rapport à l'ASR standard.
Ces résultats sont encourageants pour le traitement des artéfacts basé sur l'ACP, mais la base de données probantes qui les soutient reste restreinte. Il s'agit de conclusions préliminaires significatives et utiles, mais elles ne constituent pas encore une affirmation largement validée selon laquelle l'ACP isole de manière fiable les artéfacts dans tous les contextes d'EEG.
ACP vs ICA vs filtrage : choisir le bon outil
Les chercheurs en EEG disposent de plusieurs outils pour nettoyer les données, et l'ACP occupe un créneau spécifique parmi eux.
Le filtrage, qui comprend les filtres passe-haut, passe-bas et coupe-bande (notch), fonctionne en éliminant ou en atténuant des bandes entières de fréquences. Cela s'avère utile pour supprimer les interférences constantes telles que le bruit du réseau électrique, mais se heurte à une limite stricte lorsqu'un artéfact et un signal cérébral partagent la même plage de fréquences.
Un clignement d'œil, par exemple, peut chevaucher en fréquence les ondes cérébrales lentes, et un filtre ne peut pas les distinguer car il ne perçoit que la fréquence, et non la répartition de la variance à travers les canaux. L'ACP fonctionne sur un axe totalement différent en observant la manière dont la variation du signal est répartie sur l'ensemble des électrodes, et non sur le contenu fréquentiel. Cela en fait une approche complémentaire plutôt qu'un substitut direct au filtrage.
D'autre part, l'ICA est souvent mentionnée en même temps que l'ACP, mais les deux méthodes reposent sur des hypothèses différentes. L'ICA recherche des composantes statistiquement indépendantes les unes des autres, une exigence bien plus stricte et exigeante en termes de calcul que la condition plus souple de simple décorrélation de l'ACP.
Comme l'ICA doit chercher plus intensément pour parvenir à ce type de séparation plus rigoureux, elle a tendance à nécessiter plus de temps de calcul et plus de données. L'ACP, étant mathématiquement plus simple, est plus rapide et ne requiert aucune indépendance, exigeant seulement que les composantes résultantes soient décorrélées.
Cette différence de coût de calcul explique pourquoi l'ACP intervient fréquemment comme une étape préparatoire avant l'ICA plutôt que comme son remplacement. Réduire d'abord le nombre de dimensions avec l'ACP peut accélérer l'exécution de l'ICA et réduire le risque de surapprentissage lorsque les données sont limitées. Alternativement, l'ACP peut agir comme un premier passage grossier, éliminant les artéfacts les plus dominants et les plus évidents avant qu'une méthode plus fine ne perfectionne le reste.
Méthode | Principe de séparation | Vitesse | Principale limite |
|---|---|---|---|
ACP | Trie par variance | Rapide | Variance ≠ artéfact |
ICA | Trouve des sources indépendantes | Lente | Suppose l'indépendance |
Filtrage | Supprime des bandes de fréquences | Très rapide | Les fréquences qui se chevauchent subsistent |
Limites de la suppression des artéfacts basée sur l'ACP
La simplicité de l'ACP est également la source de ses faiblesses. Plusieurs questions restent ouvertes quant à sa capacité réelle à accomplir la tâche d'isolation des artéfacts qui lui est souvent confiée.
La variance est un substitut imparfait au concept d'« artéfact ». Certains rythmes cérébraux, comme l'activité alpha postérieure (un rythme EEG bien connu associé aux états de relaxation, les yeux fermés), peuvent produire des signaux de forte amplitude à part entière. Une méthode qui suppose qu'une variance élevée signifie toujours un artéfact risque d'écarter une activité cérébrale authentique en même temps que le bruit qu'elle est censée supprimer.
Dans l'autre sens, les artéfacts de clignement ne se cantonnent pas toujours parfaitement à une seule composante ; leur influence peut se propager sur plusieurs composantes à la fois, compliquant ainsi toute stratégie simpliste consistant à « supprimer la composante principale ».
Il y a également une inadéquation structurelle à prendre en compte. L'ACP force ses composantes à être orthogonales les unes aux autres par définition mathématique. Mais rien ne garantit que les sources physiques réelles générant les signaux EEG, qu'il s'agisse de circuits neuronaux ou de groupes musculaires proches du cuir chevelu, soient disposées d'une manière correspondant à cette géométrie orthogonale.
Lorsque l'hypothèse ne correspond pas à la réalité sous-jacente, la séparation produite par l'ACP peut être une commodité mathématique plutôt qu'un reflet fidèle de ce qui se passe réellement dans les tissus.
Conseils pratiques pour l'utilisation de l'ACP dans l'analyse EEG
Pour une personne explorant un ensemble de données EEG pour la première fois, l'ACP reste un point de départ raisonnable, en particulier pour identifier les schémas de variation qui dominent un enregistrement donné. Voici quelques conseils fréquemment recommandés :
Utilisez l'ACP comme étape préliminaire pour réduire la dimensionnalité ou repérer les schémas d'artéfacts dominants, et non comme un nettoyage final.
Combinez l'ACP avec une méthode ultérieure (par ex., ICA, DEBSS, ASR) capable de déterminer quelles composantes supprimer.
Inspectez toujours visuellement la topographie sur le cuir chevelu et l'évolution temporelle des composantes rejetées afin de vérifier qu'elles représentent bien des artéfacts.
Traitez la variabilité des résultats entre les différents environnements d'enregistrement (laboratoire vs mobile) avec prudence et validez sur vos propres données.
L'analyse en composantes principales dans la recherche EEG basée sur Emotiv
Les headsets Emotiv ont été utilisés dans un certain nombre d'études évaluées par des pairs où l'analyse en composantes principales sert de méthode computationnelle centrale, illustrant la polyvalence de la technique à travers la classification, la sélection des capteurs, le prétraitement et l'amélioration de la qualité du signal.
Classificateur d'ensemble basé sur l'ACP pour la précision de l'orthographe P300
Le développement de BCI portables exige un traitement du signal efficace, et une étude a évalué un classificateur d'ensemble ACP pour les systèmes d'orthographe basés sur la P300 enregistrés avec le neuroheadset Emotiv. En utilisant un paradigme oddball classique, les auteurs ont comparé leur approche d'ensemble aux méthodes traditionnelles d'extraction de caractéristiques et de classification.
Sur les données de validation croisée, l'ensemble ACP a atteint une précision moyenne de 86,29 %, tandis que les tests hors ligne ont donné une précision de classification moyenne significativement plus élevée de 73,3 % par rapport aux méthodes conventionnelles. Ces résultats désignent la classification d'ensemble basée sur l'ACP comme une stratégie viable pour traiter les données P300 provenant d'un appareil EEG mobile grand public.
Sélection de capteurs EEG minimaux pour l'identification biométrique avec l'ACP
Réduire le nombre d'électrodes sans sacrifier les informations discriminantes constitue un défi pratique pour les systèmes biométriques. Des chercheurs ont examiné la sélection minimale de capteurs EEG pour l'identification des personnes à l'aide du headset Emotiv EPOC+ et d'un ensemble de données publiques plus vaste. Deux méthodologies de réduction ont été appliquées : l'une basée sur l'analyse en composantes principales et l'autre sur le test des rangs signés de Wilcoxon.
L'étude indique que les deux approches ont permis d'identifier l'ensemble minimal d'électrodes nécessaire à une identification individuelle fiable, l'ACP aidant à déterminer avec précision quelles zones corticales contribuent le plus aux schémas séparables. Cela démontre le rôle de réduction de dimensionnalité de l'ACP pour adapter les configurations de laboratoire vers des montages de capteurs plus simples et plus pratiques.
Comparaison de l'ACP avec le CSP et le CAR pour la suppression des artéfacts
Une comparaison de pipelines de prétraitement a enregistré des EEG avec l'Emotiv EPOC afin d'évaluer l'efficacité de différents algorithmes à nettoyer les signaux avant la classification. Dans une comparaison d'algorithmes de prétraitement, l'analyse en composantes principales a été testée aux côtés du filtrage spatial commun (CSP) et de la référence moyenne commune (CAR) pour la suppression des artéfacts, après quoi les caractéristiques de densité spectrale de puissance ont été injectées dans un classificateur à machines à vecteurs de support (SVM).
Les auteurs ont observé que l'ACP affichait une performance de 94,28 %, surpassant les autres algorithmes dans leur configuration. Cela suggère que l'ACP peut agir comme un maillon efficace d'une chaîne de prétraitement lors de l'utilisation de matériel EEG grand public.
Amélioration de l'extraction des rythmes collectifs : ACP vs torsion de Kosambi‑Hilbert
Lorsque plusieurs capteurs EEG captent une activité oscillatoire, l'extraction d'un rythme partagé avec un rapport signal sur bruit élevé est souvent recherchée. Une étude sur l'amélioration de la qualité du rythme collectif avec l'Emotiv EPOC+ a comparé l'analyse en composantes principales traditionnelle à la méthode de torsion de Kosambi‑Hilbert (KHT). Les données ont été enregistrées pendant une période de repos les yeux fermés et pendant le visionnage d'un écran clignotant à 15 Hz.
Les chercheurs rapportent que la KHT a obtenu un meilleur rapport signal sur bruit pour le signal collectif que l'ACP, en particulier lorsque des décalages temporels aléatoires étaient introduits entre les canaux. Ce travail démontre que si l'ACP offre une base de référence simple pour l'extraction de rythmes communs, les méthodes sensibles à la phase peuvent amplifier davantage le signal d'intérêt.
Prises ensemble, ces études soulignent comment l'analyse en composantes principales s'applique à des tâches EEG très variées — de la classification et l'identification biométrique au prétraitement et à l'extraction de rythme — à l'aide du matériel Emotiv. Les résultats sont prometteurs dans leurs conditions spécifiques, mais ils restent limités à des paradigmes particuliers, à des échantillons de taille relativement réduite et à des analyses hors ligne. Ces conclusions confortent l'ACP en tant qu'outil polyvalent dans les pipelines de recherche EEG, sans pour autant établir une formule universelle pour les applications BCI à faible coût en temps réel.
Conclusion : l'ACP est-elle une méthode de nettoyage d'EEG fiable ?
L'ACP transforme des données d'ondes cérébrales complexes en composantes hiérarchisées, offrant aux chercheurs un moyen rapide de cibler les parties les plus bruitées d'un enregistrement. Cette approche est particulièrement utile lorsque les clignements des yeux ou les mouvements musculaires dominent le signal, car ils se hissent souvent dans les premiers rangs de variance.
Mais comme les rythmes cérébraux authentiques peuvent également produire des signaux puissants, on ne peut pas faire confiance à la méthode seule pour décider de ce qui constitue un artéfact et de ce qui correspond à de précieuses données neuronales.
Références
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
Foire aux questions
Qu'est-ce que l'analyse en composantes principales (ACP) dans le contexte de l'EEG ?
L'ACP est une méthode mathématique qui réorganise les données EEG multicanaux en un nouvel ensemble de signaux appelés composantes, qui sont décorrélées les unes des autres. Elle classe ces composantes selon la quantité de variance qu'elles capturent, la première composante expliquant la plus grande part de la variation globale du signal.
Comment l'ACP aide-t-elle à supprimer les artéfacts des données EEG ?
Comme les artéfacts tels que les clignements d'yeux produisent de grandes variations de tension étendues, ils ont tendance à se concentrer dans les composantes à plus forte variance. Le classement par variance de l'ACP permet aux chercheurs d'identifier et potentiellement d'écarter ces composantes de tête, qui contiennent souvent le bruit le plus perturbateur.
L'ACP fonctionne-t-elle seule pour nettoyer les signaux EEG ?
Non, l'ACP est rarement utilisée comme une solution de nettoyage autonome. Elle sert généralement d'étape au sein d'un pipeline plus vaste, soit en réduisant la dimension des données avant d'appliquer une autre méthode comme la DEBSS, soit en tant que moteur de détection au sein d'un cadre comme la reconstruction du sous-espace d'artéfact (ASR).
Quelle est la différence entre l'ACP et l'ICA pour la suppression des artéfacts ?
L'ACP exige seulement que les composantes résultantes soient décorrélées, ce qui est une condition mathématique plus souple, tandis que l'ICA recherche des composantes statistiquement indépendantes, une exigence plus stricte et plus exigeante en calcul. L'ACP est plus rapide et souvent utilisée comme étape préparatoire avant l'ICA plutôt que comme un substitut à celle-ci.
L'ACP peut-elle accidentellement éliminer une activité cérébrale réelle en même temps que les artéfacts ?
Oui, car l'ACP repose sur la variance pour identifier les artéfacts ; des rythmes cérébraux de forte amplitude comme l'activité alpha postérieure peuvent donc être confondus avec du bruit. De plus, les artéfacts peuvent se répartir sur plusieurs composantes, de sorte que la simple suppression de la composante principale peut éliminer des signaux neuronaux authentiques.
Comment l'ACP se compare-t-elle au filtrage fréquentiel pour le nettoyage de l'EEG ?
Le filtrage fréquentiel supprime ou atténue l'énergie du signal dans des bandes de fréquences spécifiques, mais il ne peut pas séparer un artéfact et un signal cérébral partageant les mêmes fréquences. L'ACP examine plutôt les schémas de variance à travers toutes les électrodes, ce qui en fait une approche complémentaire abordant une autre dimension des données.
Comment un chercheur doit-il utiliser l'ACP en toute sécurité dans un flux de prétraitement EEG ?
L'ACP peut être utilisée comme étape de réduction de dimensionnalité avant d'appliquer d'autres méthodes, ou comme aide pour inspecter quels schémas dominent un enregistrement. Les chercheurs doivent inspecter visuellement les composantes qu'ils prévoient d'écarter en vérifiant leur topographie sur le cuir chevelu et leur évolution temporelle, plutôt que de se fier aveuglément au classement par variance.
Emotiv est un leader des neurotechnologies qui aide à faire progresser la recherche en neurosciences grâce à des outils d'EEG et de données cérébrales accessibles.
Avis de non-responsabilité médicale : Les informations fournies sur ce site Web sont uniquement destinées à des fins éducatives et informatives et ne constituent pas des conseils médicaux ou de santé. Ce contenu peut contenir des erreurs et ne doit pas être utilisé pour prendre des décisions importantes en matière de santé, de médecine ou de mode de vie. Demandez toujours l'avis de votre médecin ou d'un autre professionnel de la santé qualifié pour toute question concernant une condition médicale ou un traitement.
Christian Burgos
