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 dans l'EEG ?
Pour mieux comprendre l'ACP, il est utile de se représenter 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 lectures de tension au fil du temps. Ces canaux ne sont pas indépendants les uns des autres. Comme ils captent tous l'activité électrique d'un milieu conducteur commun (la tête), leurs signaux se chevauchent et se corrèlent de manière complexe.
L'ACP prend ce réseau 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, qu'explique chacune d'elles. La première composante capte la plus grande part de variance dans les données, la deuxième capte 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 artefacts ont tendance à se comporter. Les clignements d'yeux, par exemple, produisent des variations de tension amples et lentes qui se propagent largement sur de nombreuses électrodes à la fois. Parce que cela crée un grand motif de variation partagé, l'activité de clignement a tendance à se concentrer dans les composantes présentant la plus grande variance. Les signaux cérébraux plus faibles et plus localisés se retrouvent souvent plus bas dans la liste, dans les composantes à plus faible variance.
Un détail qui distingue l'ACP de certains de ses équivalents plus connus 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 non corrélées, 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 faut normaliser les données d'entrée pour garantir la parité entre les variables. Si une variable est mesurée en microvolts et une autre en millisecondes, les différences d'échelle brutes biaiseraient les résultats. Mettre chaque variable à l'échelle pour obtenir une moyenne de zéro et un écart-type de un permet aux mathématiques de traiter toutes les caractéristiques d'entrée avec la même pondération.
Étape 2 : Calculer la matrice de covariance
Une fois les données standardisées, l'étape 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 importante.
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 captée le long de ces directions spécifiques. Ces marqueurs mathématiques nous permettent de faire pivoter l'espace de données d'origine dans un nouveau système de coordonnées défini par les principaux schémas de mouvement.
Étape 4 : Sélectionner les composantes principales
Après avoir identifié les composantes, l'analyse restreint le modèle aux seules composantes qui expliquent une part importante de la variance totale. Ce processus de filtrage écarte les variables fortement bruitées 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 une 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 d'origine.
Les professionnels utilisent ensuite ces variables transformées pour des tâches en aval telles que la classification ou la localisation des sources, bénéficiant ainsi d'une représentation du signal plus propre.
Comment l'ACP s'intègre dans le pipeline de prétraitement de l'EEG
En pratique, l'ACP fonctionne rarement seule. Elle apparaît généralement comme une étape au sein d'un pipeline de nettoyage plus large, effectuant l'une de ces deux tâches :
Réduire la dimensionnalité des données
Aider à détecter où se cachent les artefacts
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 qu'une séparation plus poussée ne puisse avoir lieu.
Dans ce pipeline, le bruit à haute fréquence a d'abord été filtré à l'aide de l'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 de corrélation croisée 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'artefacts elle-même, et il apparaît à l'intérieur d'une méthode largement utilisée appelée Reconstruction de l'espace des artefacts, ou ASR. 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 des matrices de covariance pour détecter les artefacts 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'instants en instants, si un segment de données semble statistiquement normal ou s'il s'apparente à un artefact.
Considérés ensemble, ces deux exemples permettent de conclure que l'ACP est un élément d'une stratégie de nettoyage, et non une stratégie de nettoyage complète en soi. Elle transmet généralement ses résultats à un autre algorithme, qu'il s'agisse de la DEBSS, d'une adaptation géométrique riemannienne ou d'un autre processus décisionnel qui détermine quelles composantes sont réellement supprimées.
L'ACP peut-elle isoler les artefacts EEG ? Ce que montrent les preuves
Le raisonnement qui sous-tend l'intérêt de l'ACP pour l'isolation des artefacts est simple. L'ACP classant les composantes par variance, et les clignements ou l'activité musculaire ayant tendance à générer d'importantes variations de tension, la théorie des neurosciences soutient que ces artefacts 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 ayant testé le pipeline ACP-plus-DEBSS décrit précédemment a rapporté que la méthode combinée «peut éliminer l'interférence principale des signaux EEG multicanaux de manière rapide et efficace», tout en notant que l'approche était «stable et dotée d'une forte extensibilité». C'est 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 ci-dessus a adopté une approche comparative plus structurée. Les chercheurs ont développé une version d'ASR basée sur la géométrie riemannienne, appelée rASR, et l'ont testée par rapport à la méthode ASR standard basée sur l'ACP à l'aide d'EEG enregistrés sur smartphones dans des conditions intérieures et extérieures, auprès de 27 participants.
Ils ont évalué les performances selon trois mesures distinctes :
L'efficacité de chaque méthode pour réduire les artefacts de clignements d'yeux (sensibilité)
La capacité 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 les trois mesures » par rapport à l'ASR standard.
Ces résultats sont encourageants pour le traitement des artefacts basé sur l'ACP, mais l'ensemble des preuves qui les soutiennent reste restreint. Il s'agit de conclusions préliminaires significatives et utiles, mais elles ne constituent pas encore une affirmation validée à grande échelle selon laquelle l'ACP isole de manière fiable les artefacts 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 de fréquences entières. C'est utile pour éliminer les interférences régulières comme le bruit du réseau électrique, mais cela atteint une limite absolue lorsqu'un artefact et un signal cérébral partagent la même gamme de fréquences.
Un clignement d'yeux, par exemple, peut chevaucher en fréquence de lentes ondes cérébrales, et un filtre ne peut pas les distinguer car il ne voit que la fréquence, et non le schéma de variance à travers les canaux. L'ACP opère sur un axe complètement différent puisqu'elle examine comment la variation du signal est répartie sur l'ensemble des électrodes, et non le contenu fréquentiel. Cela en fait une approche complémentaire plutôt qu'un substitut direct au filtrage.
D'un autre côté, l'ICA est souvent mentionnée au même titre 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 beaucoup plus forte et plus exigeante en calcul que la condition plus souple de simple décorrélation de l'ACP.
Comme l'ICA doit chercher plus intensément ce type de séparation plus strict, 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 nécessite pas d'indépendance, seulement que les composantes résultantes soient non corrélées.
Cette différence de coût de calcul explique pourquoi l'ACP apparaît 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 tri grossier, éliminant les artefacts les plus dominants et les plus évidents avant qu'une méthode plus fine n'ajuste le reste.
Méthode | Base de séparation | Vitesse | Limitation clé |
|---|---|---|---|
ACP | Trie par variance | Rapide | Variance ≠ artefact |
ICA | Trouve des sources indépendantes | Lent | Suppose l'indépendance |
Filtrage | Supprime des bandes de fréquences | Très rapide | Les fréquences qui se chevauchent subsistent |
Limites de l'élimination des artefacts basée sur l'ACP
La simplicité de l'ACP est également la source de ses faiblesses. Plusieurs questions restent ouvertes quant à son efficacité réelle dans la tâche d'isolation des artefacts qui lui est souvent confiée.
La variance est un indicateur imparfait pour désigner un « artefact ». Certains rythmes cérébraux, comme l'activité alpha postérieure (un rythme EEG bien connu associé aux états de relaxation, yeux fermés), peuvent produire des signaux d'amplitude élevée par eux-mêmes. Une méthode qui suppose qu'une variance élevée signifie toujours un artefact risque d'écarter une authentique activité cérébrale en même temps que le bruit qu'elle est censée éliminer.
Dans l'autre sens, les artefacts de clignement ne se limitent pas toujours proprement à une seule composante ; leur influence peut se propager sur plusieurs composantes à la fois, compliquant ainsi toute stratégie simple consistant à « supprimer la composante principale ».
Il y a également une inadéquation structurelle à prendre en compte. L'ACP impose à ses composantes d'être orthogonales les unes par rapport 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 près du cuir chevelu, soient disposées d'une manière qui corresponde 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 le tissu.
Conseils pratiques pour utiliser l'ACP dans l'analyse de l'EEG
Pour quelqu'un qui explore un ensemble de données EEG pour la première fois, l'ACP reste un point de départ raisonnable, notamment pour voir quels schémas de variation dominent un enregistrement donné. Voici quelques conseils souvent recommandés :
Utilisez l'ACP comme une étape préliminaire pour réduire la dimensionnalité ou identifier des schémas d'artefacts dominants, et non comme une étape de nettoyage final.
Combinez l'ACP avec une méthode ultérieure (par exemple, ICA, DEBSS, ASR) capable de décider quelles composantes supprimer.
Inspectez toujours visuellement la topographie du cuir chevelu et l'évolution temporelle des composantes rejetées pour vérifier qu'elles représentent bien des artefacts.
Traitez la variabilité des résultats selon les environnements d'enregistrement (laboratoire vs mobile) avec prudence et validez sur vos propres données.
Conclusion : l'ACP est-elle une méthode de nettoyage de l'EEG fiable ?
L'ACP transforme des données d'ondes cérébrales complexes en composantes classées, offrant aux chercheurs un moyen rapide de cibler les parties les plus bruitées d'un enregistrement. Cette approche est particulièrement utile lorsque les clignements d'yeux ou les mouvements musculaires dominent le signal, car ils se retrouvent souvent dans les positions à plus forte variance.
Cependant, étant donné que de véritables rythmes cérébraux peuvent également produire des signaux puissants, on ne peut pas faire confiance à cette méthode seule pour décider ce qui constitue un artefact et 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 ne sont pas corrélées entre elles. Elle classe ces composantes en fonction de la quantité de variance qu'elles captent, la première composante expliquant la plus grande partie de la variation globale du signal.
Comment l'ACP aide-t-elle à supprimer les artefacts des données EEG ?
Étant donné que les artefacts tels que les clignements d'yeux produisent des variations de tension importantes et généralisées, ils ont tendance à se concentrer dans les composantes de plus forte variance. Le classement par variance de l'ACP permet aux chercheurs d'identifier et potentiellement d'écarter ces composantes principales, 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 intervient généralement comme une étape au sein d'un pipeline plus large, soit en réduisant les dimensions des données avant d'appliquer une autre méthode comme DEBSS, soit en servant de moteur de détection au sein d'un framework tel que la Reconstruction de l'espace des artefacts (ASR).
Quelle est la différence entre l'ACP et l'ICA pour l'élimination des artefacts ?
L'ACP exige seulement que les composantes résultantes soient non corrélées, ce qui est une condition mathématique plus souple, tandis que l'ICA recherche des composantes statistiquement indépendantes, une exigence plus stricte et plus gourmande en calcul. L'ACP est plus rapide et souvent utilisée comme étape préparatoire avant l'ICA plutôt qu'en remplacement de celle-ci.
L'ACP peut-elle accidentellement supprimer une activité cérébrale réelle en même temps que les artefacts ?
Oui, car l'ACP s'appuie sur la variance pour identifier les artefacts. Ainsi, des rythmes cérébraux de grande amplitude comme l'activité alpha postérieure peuvent être confondus avec du bruit. De plus, les artefacts peuvent se propager sur plusieurs composantes, de sorte que la simple suppression de la composante principale peut éliminer de réels signaux neuronaux.
Comment l'ACP se compare-t-elle au filtrage fréquentiel pour le nettoyage de l'EEG ?
Le filtrage fréquentiel élimine ou atténue l'énergie du signal dans des bandes de fréquences spécifiques, mais il ne peut pas séparer un artefact d'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 qui s'attaque à 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 outil d'aide pour inspecter les schémas qui 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.
Christian Burgos
