ניתוח מרכיבים עצמאיים

מהו ניתוח רכיבים בלתי תלויים (ICA)?

ניתוח רכיבים בלתי תלויים הוא טכניקה סטטיסטית וחישובית מתוחכמת המתמקדת בחילוץ גורמים או רכיבים נסתרים מתוך קבוצה של תצפיות מעורבות.

בתרחישים רבים בעולם האמיתי, הנתונים המוקלטים הם תוצאה של מספר אותות מקור הפועלים בו-זמנית דרך מדיום מסוים, מה שיוצר חפיפה מורכבת שלעיתים קרובות אינה מובנת בצורתה הגולמית. על ידי יישום טרנספורמציה אלגברית ספציפית, שיטה זו פועלת كمסנן כדי להפוך את תהליך הערבוב.

תפיסת הליבה: הפרדת אותות מעורבים

ההנחה הבסיסית של התחום סובבת סביב "בעיית מסיבת הקוקטייל", שבה מספר אנשים מדברים בו-זמנית בחדר בעוד מספר מיקרופונים מקליטים את הבלאגן הקולי שנוצר.

צופה מן הצד שומע רק תערובת כאוטית של קולות, אך תיאורטית, ICA יכול לזהות את האות שתרם כל דובר בנפרד. יכולת זו מאפשרת לחוקרים לבודד צורות גל ספציפיות מתוך זרם גלובלי, ובכך לספק צוהר ברור לערוצי נתונים בודדים שאחרת היו מטושטשים.

יסודות מתמטיים של ICA

מבחינה מתמטית, המטרה היא לבצע הפרדת מקורות עיוורת, תוך מציאת טרנספורמציה ליניארית שהופכת את המשתנים הנצפים לבלתי תלויים ככל האפשר. בהינתן וקטור נצפה של נתונים, האלגוריתם מחפש מטריצת פירוק (unmixing matrix) אשר, כאשר היא מוכפלת בתצפיות, מניבה אותות מקור מוערכים בעלי התפלגויות סטטיסטיות בלתי תלויות.

השגת מטרה זו מחייבת שאותות אלו יהיו לא-גאוסיאניים, שכן התכונות המתמטיות של התפלגויות גאוסיאניות הופכות את הפרדתן הייחודית לבלתי אפשרית. בהקשר של מדעי המוח המודרניים, קפדנות זו מבטיחה שתנודות חשמליות עדינות לא יאבדו ברעש הרקע של הפרעות סביבתיות.

כיצד ניתוח רכיבים בלתי תלויים עובד?

תהליך זה, הפועל בהצלחה עם נתונים בעלי ממדים גבוהים, מסתמך על הפיכת תערובת לחלקיה המרכיבים על ידי מדידת אי-גאוסיאניות. מכיוון שאותות מעורבים נוטים לעיתים קרובות להתפלגות גאוסיאנית עקב משפט הגבול המרכזי, האלגוריתם פועל על ידי חיפוש אגרסיבי אחר כיוונים בנתונים שהם רחוקים ככל האפשר מהתפלגות גאוסיאנית.

הרכיבים המתקבלים הם למעשה אותות "טהורים" המשחזרים את המקור המקורי ללא קשר לתהליך הערבוב.

הנחות של ICA

ביצוע מוצלח של אלגוריתם זה נשען על מספר דרישות קריטיות. ההנחה החשובה ביותר היא שאותות המקור הם בלתי תלויים מבחינה סטטיסטית זה מזה; אם ידיעת הערך של מקור אחד אינה מספקת מידע על מקור אחר, הם כשירים להפרדה.

בנוסף, האלגוריתם מניח שמספר אותות התערובת הנצפים הוא לפחות גדול כמו מספר המקורות הבלתי תלויים. לבסוף, כפי שצוין, על המקורות להציג התפלגויות לא-גאוסיאניות, שכן מבנה ייחודי זה יוצר את נקודות הציון שהאלגוריתם צריך כדי לעגן את מאמצי ההפרדה שלו.

אלגוריתם ניתוח רכיבים בלתי תלויים: טכניקות מפתח

קיימות מספר גישות אלגוריתמיות להשגת הפרדה זו, כאשר FastICA ו-Infomax הן בין הדוגמאות הבולטות ביותר. שיטות אלו מכווננות באופן איטרטיבי את מטריצת הפירוק כדי למזער את המידע ההדדי או למקסם את האי-גאוסיאניות של הפלטים.

תהליך האופטימיזציה הוא תובעני מבחינה חישובית, ומצריך יישום זהיר כדי להבטיח התכנסות עקבית על פני קבוצות נתונים שונות. על ידי חישול משקלים אלו, המערכת מקלפת בהדרגה את שכבות ההפרעה עד שכל אות נפרד מגיח בבירור.

ניתוח רכיבים בלתי תלויים לעומת ניתוח רכיבים ראשיים (ICA לעומת PCA)

בעוד ששתי הטכניקות משמשות להפחתת ממדים או לניתוח אותות, מטרותיהן התפקודיות שונות באופן משמעותי. חוקרים חייבים לבחור ביניהן על סמך השאלה האם הם מבקשים ללכוד שונות (variance) או אי-תלות בתוך מערך הנתונים שלהם.

בחירת הכלי הנכון תלויה ביעדים הספציפיים של הניתוח הבסיסי. בעוד ש-PCA מצוין לדחיסת נתונים שבה שמירה על המגמות העיקריות היא המפתח, ICA עדיף כאשר המטרה היא זיהוי תהליכים ייחודיים ובלתי תלויים התורמים לתצפית הכוללת.

כיצד ניתוח רכיבים בלתי תלויים מפריד בין אותות מוח לרעש

ניתוח רכיבים בלתי תלויים נוקט בגישה קפדנית יותר מאשר PCA. במקום רק לבטל קורלציה בין אותות, ICA מחפש רכיבים שהם בלתי תלויים סטטיסטית, כלומר ידיעת הערך של רכיב אחד אינה מספקת שום מידע על רכיב אחר.

זהו רף גבוה בהרבה מביטול קורלציה, וזה מה שמאפשר ל-ICA לפרק אותות שחולקים תוכן תדרים אך מקורם במקורות פיזיים נפרדים לחלוטין: מצמוץ כאן, כיווץ לסת שם, ופיסת קליפת מוח חזותית המגיבה לגירוי במקום אחר.

• המחקר של Winkler ואחרים מיישם את TDSEP, גרסה של ICA הלוקחת בחשבון קורלציות זמניות לאורך זמן, ולא רק את הסטטיסטיקה המיידית של האות.

• המחקר של Olaf Dimigen משתמש ב-Infomax, אלגוריתם ICA נפוץ מאוד.

• המחקר של Mognon בונה את כלי הגילוי האוטומטי שלו על גבי תשתית כללית מבוססת ICA.

למרות ההבדלים ביישום, כל הגישות הללו נשענות על אותו עיקרון בסיסי: פירוק אות האלקטרודה המעורב לקבוצה של רכיבים המתנהגים באופן עצמאי זה מזה, ואז זיהוי אילו מאותם רכיבים נראים כמו פעילות מוחית ואילו נראים כמו ארטיפקט (הפרעה).

הנחות היסוד שמאחורי ICA: אי-גאוסיאניות וערבוב ליניארי

ICA עובד בגלל שתי הנחות ספציפיות לגבי הנתונים, והבנתן מסבירה הן את נקודות החוזק שלו והן את נקודות הכשל שלו.

1. ההנחה הראשונה היא אי-גאוסיאניות. מקורות EEG אמיתיים, בין אם הם מקצבי מוח, מצמוצי עיניים או התפרצויות שרירים, נוטים להיות בעלי התפלגויות אמפליטודה הסוטות מצורת עקומת הפעמון של התפלגות גאוסיאנית (נורמלית). אלגוריתמי ICA בנויים לחפש ולמקסם מבנה לא-גאוסיאני זה, מכיוון שתערובת של אותות עצמאיים נוטה להיראות גאוסיאנית יותר מכל אחד מרכיביה בנפרד (תוצאה של משפט הגבול המרכזי).

2. ההנחה השנייה היא ערבוב ליניארי. ICA מניח שמה שאלקטרודה מקליטה הוא שילוב ליניארי מיידי של אותות מקור בסיסיים, הנחה שמחזיקה מעמד בצורה סבירה לגבי האופן שבו פעילות חשמלית מתפשטת דרך הרקמה והגולגולת (תהליך הידוע בשם הולכת נפח) בתנאי הקלטה יציבים. הנחה זו קלה ביותר למילוי כאשר האדם יושב בשקט.

מדוע סינון High-Pass לפני ICA משנה את הכל

איכות הפירוק של ICA תלויה רבות באופן עיבוד האות עוד לפני שהאלגוריתם מופעל, והבחירה בתדר החסימה של מסנן ה-high-pass (מסנן המסיר סחיפות איטיות מאוד מתחת לתדר מוגדר) מתבררת כאחת ההחלטות המשפיעות ביותר בכל התהליך.

במחקר משנת 2015 בהובלת Winkler ואחרים נבדק עניין זה ישירות באמצעות נתוני פוטנציאל קשור-אירוע (ERP), דפוסי גלי מוח נעולי-זמן לגירוי ספציפי, מ-21 משתתפים שביצעו משימת oddball שמיעתית. סינון high-pass בין 1 ל-2 הרץ הניב באופן עקבי תוצאות טובות על פני שלושה מדדים נפרדים: יחס אות לרעש, דיוק סיווג של ניסוי בודד (single-trial), ואחוז הרכיבים שנראו "דיפולריים כמעט", כלומר היו בעלי דפוס מרחבי המתאים למקור מוחי בודד וממוקד ולא לתערובת מרוחה של מספר מקורות.

יתרה מכך, במחקר משנת 2020, Klug ואחרים בחנו את אותה שאלה במערכי הקלטה נייחים וניידים. עבור ניסוי נייח סטנדרטי עם 64 ערוצים ומסנן של 0.5 הרץ, התוצאות היו קבילות. אך ניסויים ניידים דרשו תדר חסימה גבוה יותר, של עד 2 הרץ, כדי להגיע להפרדה אופטימלית, ומערכים עם יותר ערוצים נזקקו למסננים גבוהים בהתאמה.

המחקר של Olaf Dimigen לקח את הרעיון הזה צעד אחד קדימה בהקשר הספציפי של ארטיפקטים של תנועת עיניים. על ידי שינוי שיטתי של מסנן ה-high-pass, מסנן ה-low-pass, וחלקה של קבוצת נתוני האימון המכילה פוטנציאלי סיקאדות חדים (saccadic spike potentials), החוקר מצא כי אימון ה-ICA על נתונים שבהם לפוטנציאלים החדים הללו היה משקל יתר מסיבי שיפר משמעותית את איכות התיקון.

יחד, שלושת המחקרים הללו מצביעים על אותה מסקנה: הגדרות מסנן ברירת המחדל, במיוחד תדר החסימה הנפוץ של 0.5 הרץ, עשויות להיות מתירניות מדי עבור מקרי שימוש רבים, והבחירה הנכונה תלויה בארטיפקט הספציפי ובתנאי ההקלטה.

אוטומציה של בחירת רכיבי ארטיפקט באמצעות למידת מכונה

ברגע ש-ICA מייצר קבוצה של רכיבים בלתי תלויים, מישהו או משהו עדיין צריך להחליט אילו רכיבים מייצגים פעילות מוחית ואילו מייצגים ארטיפקטים. תיוג ידני על ידי מומחים מיומנים הוא איטי ומחדיר סובייקטיביות, מכיוון שמומחים שונים לא תמיד מסכימים על מקרי גבול.

כדי לטפל בכך, הצוות של Winkler בנה מסווג ליניארי בלתי תלוי בנושא (subject-independent) באמצעות שישה מאפיינים בלבד שהופקו ממאפיינים תדריים, מרחביים וזמניים של כל רכיב. המסווג אומן על 640 רכיבי TDSEP מתויגים ידנית מ-12 משתתפים במחקר זמן תגובה, והשיג פחות מ-10% שגיאה ריבועית ממוצעת (MSE) בבדיקה על נתונים חדשים, רמת ביצועים התואמת את שיעור אי-ההסכמה הטבעי בין מומחים אנושיים.

כאשר יושם ללא אימון מחדש על פרדיגמת ERP שמיעתית שונה לחלוטין, אותו מסווג הגיע ל-15% MSE, תוצאה סבירה אך חלשה יותר באופן ניכר, המשקפת את הקושי להכליל בין פרדיגמות. במשימת ממשק מוח-מחשב (BCI) של דימות מוטורי, החוקרים הראו כי הסרת עד 60% מהרכיבים בעלי כמות הארטיפקטים הגבוהה ביותר עדיין שמר על המידע המבחין הדרוש לצורך תפקוד ה-BCI.

יתרה מכך, הצוות של Mognon הציג את ADJUST, אלגוריתם אוטומטי לחלוטין המשלב מאפיינים מרחביים וזמניים המכוונים ספציפית לזיהוי מצמוצים, תנועות עיניים ואי-רציפויות כלליות. בתיקוף על מערך נתונים עצמאי, סיווג הרכיבים של ADJUST התאים לתיוג המומחים הידני ב-95.2% משונות הנתונים. הסרת הרכיבים שסומנו על ידי ADJUST כארטיפקטים הניבה את מה שהמחקר מתאר כשחזור נקי של פוטנציאלים קשורי-אירוע חזותיים ושמיעתיים מתוך נתונים רועשים מאוד.

שני הכלים מייצגים התקדמות אמיתית לקראת הפחתת הנטל הידני של ניקוי EEG, אך הביצועים המדווחים שלהם מגיעים ממערכי נתונים ופרדיגמות ספציפיים, והכללה לתנאים חדשים אינה מובטחת.

תובנות מעשיות לניקוי נתוני EEG באמצעות ICA

ניתוח רכיבים בלתי תלויים עובד מכיוון שהוא מכוון לאי-תלות סטטיסטית אמיתית ולא לתכונה החלשה יותר של ביטול קורלציה שעליה נשענות שיטות כמו PCA. הבחנה זו היא שמאפשרת לו להפריד בין אותות מוח וארטיפקטים גם כאשר תוכן התדרים שלהם חופף, דבר שסינון בתחום התדר אינו יכול לעשות, ושתיקון EOG מבוסס רגרסיה נכשל בהשגתו בניסויים ישירים.

הצלחה זו, עם זאת, היא מותנית. סינון high-pass בטווח של 1 עד 2 הרץ הוכח כמייצר פירוק טוב באופן עקבי במחקרי ERP נייחים, בעוד שהקלטות ניידות הפיקו תועלת ממסננים של עד 2 הרץ, כאשר גם למספר הערוצים יש תפקיד. עבור ארטיפקטים קשים במיוחד כמו פוטנציאלי סיקאדות חדים במהלך צפייה חופשית, מתן משקל יתר מכוון לארטיפקט במהלך האימון, במקום שימוש בהגדרות ברירת המחדל, יכול להפוך תיקון לא מספק לכזה שמסיר כמעט את כל זיהום הרעש עם עיוות מינימלי של הפעילות המוחית.

בנוסף, מסווגי רכיבים אוטומטיים, כולל המודל הליניארי של ששת המאפיינים ואלגוריתם ADJUST מהמחקרים שהוזכרו לעיל, יכולים לקצר משמעותית את הזמן ולפחית את הסובייקטיביות הכרוכה בתיוג ידני. שניהם הראו התאמה חזקה לשיפוט של מומחים על נתוני התיקוף שלהם. עם זאת, אין להתייחס לאף אחד מהם כפתרון אוניברסלי ללא מודעות כלשהי לאופן שבו הביצועים יכולים להשתנות בין פרדיגמות הקלטה וציוד שונים.

הסרת ארטיפקטים מבוססת ICA נותרה אחת הגישות המבוססות ביותר הזמינות לניקוי נתוני EEG, ומדעי המוח שמאחוריה מעוגנים בלוגיקה סטטיסטית קוהרנטית. אך ביצועיה בפועל תלויים בבחירות שנעשו זמן רב לפני הפעלת האלגוריתם: הגדרות מסנן, הרכב נתוני האימון והארטיפקט הספציפי שאליו מכוונים. כל מי שמחיל אותה צריך לתקף תוצאות באמצעות מדדים אובייקטיביים ולא להניח שקונפיגורציה יחידה תעבוד בכל מקום.

מדוע בחירות העיבוד המקדים מגדירות את ההצלחה של ICA ב-EEG

נתוני מוח נקיים הם הבסיס לכל דבר, ממכשירים הנשלטים באמצעות המחשבה ועד למחקר זיכרון קפדני. ניתוח רכיבים בלתי תלויים מספק דרך מבוססת מתמטית להפריד בין פעילות עצבית מעורבת לבין רעש גופני, גם כאשר שיטות פשוטות יותר כמו סינון פשוט נכשלות.על ידי התמקדות באי-תלות סטטיסטית אמיתית, הוא יכול לחשוף את טביעות האצבע החשמליות הנפרדות של מקצב מוח אמיתי ומצמוץ עין המתרחשים באותו תדר.

הכוח האמיתי, לעומת זאת, עולה רק כאשר חוקרים עוברים מעבר לברירות המחדל המוכנות. המחקרים מראים כי כוונון מסנן ה-high-pass למצב ההקלטה הספציפי והכנה קפדנית של דוגמאות האימון עבור גלאי הארטיפקטים הם מה שהופך את ה-ICA מניסוי מלא תקווה לכלי אמין ועקבי. תשומת לב מותאמת אישית זו מאפשרת למדענים לשחזר בביטחון את מסרי המוח במקום להשאיר אותם מעורבלים בתוך הקלטה רועשת.

מקורות

1. Winkler, I., Haufe, S., & Tangermann, M. (2011). Automatic classification of artifactual ICA-components for artifact removal in EEG signals. Behavioral and brain functions, 7(1), 30. https://doi.org/10.1186/1744-9081-7-30

2. Dimigen, O. (2020). Optimizing the ICA-based removal of ocular EEG artifacts from free viewing experiments. NeuroImage, 207, 116117. https://doi.org/10.1016/j.neuroimage.2019.116117

3. Mognon, A., Jovicich, J., Bruzzone, L., & Buiatti, M. (2011). ADJUST: An automatic EEG artifact detector based on the joint use of spatial and temporal features. Psychophysiology, 48(2), 229-240. https://doi.org/10.1111/j.1469-8986.2010.01061.x

4. Winkler, I., Debener, S., Müller, K. R., & Tangermann, M. (2015). On the influence of high-pass filtering on ICA-based artifact reduction in EEG-ERP. Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference, 2015, 4101–4105. https://doi.org/10.1109/EMBC.2015.7319296

5. Klug, M., & Gramann, K. (2021). Identifying key factors for improving ICA‐based decomposition of EEG data in mobile and stationary experiments. European Journal of Neuroscience, 54(12), 8406-8420. https://doi.org/10.1111/ejn.14992

שאלות נפוצות

מדוע סינון תדרים פשוט אינו יכול להסיר ארטיפקטים של EEG כמו מצמוצי עיניים ופעילות שרירים?

סינון תדרים נכשל מכיוון שארטיפקטים ואותות מוח חולקים לעיתים קרובות את אותם פסי תדר, כגון פעילות שרירים ומקצבי תטא פרונטליים, כך שהסרת האחד מסירה גם את השני. מסנן אינו יכול להפריד ביניהם כאשר התנודות שלהם חופפות.

מהו ההבדל המרכזי בין PCA ל-ICA בהפרדת אותות מוח מרעש?

PCA רק מבטל קורלציה בין אותות – הוא הופך אותם לבלתי מתואמים ליניארית – אך אינו דורש אי-תלות סטטיסטית. ICA הולך רחוק יותר על ידי חיפוש רכיבים שהם בלתי תלויים סטטיסטית לחלוטין, כלומר ידיעת האחד אינה מגלחת דבר על האחר, מה שמאפשר הפרדה טובה יותר של מקורות מוח וארטיפקטים מעורבים.

כיצד ICA למעשה מפריד בין אותות מוח לארטיפקטים?

ICA מניח שאותות האלקטרודה המעורבים הם שילובים ליניאריים של אותות מקור עצמאיים ולא-גאוסיאניים. הוא מוצא טרנספורמציה שממקסמת את אי-התלות של הרכיבים המתקבלים, ובכך מבודד ביעילות מקורות פיזיים נפרדים כמו מצמוץ עין ממקצב מוח, גם אם התדרים שלהם חופפים.

מדוע אי-גאוסיאניות חשובה לפעולת ה-ICA?

מקורות EEG אמיתיים נוטים להיות בעלי התפלגויות אמפליטודה לא-גאוסיאניות, ואילו תערובות של אותות עצמאיים הופכות לגאוסיאניות יותר. אלגוריתמי ICA מחפשים וממקסמים מבנה לא-גאוסיאני זה כדי להפריד את המקורות המקוריים, מכיוון שמציאת ההיטלים הכי פחות גאוסיאניים משחזרת את הרכיבים הבלתי תלויים.

מדוע סינון high-pass של נתוני EEG לפני ICA הוא כה קריטי?

מסנן ה-high-pass מסיר סחיפות איטיות מאוד שעלולות לפגוע בפירוק של ה-ICA. מחקרים מצאו באופן עקבי שתדרי חסימה סביב 1–2 הרץ ייצרו רכיבים בלתי תלויים נקיים יותר ודמויי-מוח יותר בהשוואה להגדרות ברירת מחדל נמוכות יותר כמו 0.5 הרץ, במיוחד בהקלטות ניידות או כאשר מכוונים לארטיפקטים ספציפיים.

כיצד למידת מכונה יכולה לעזור באוטומציה של סיווג רכיבי ICA כרכיבי מוח או כארטיפקט?

מסווגים אוטומטיים משתמשים במספר מאפיינים מתוך דפוסי התדר, המרחב והזמן של כל רכיב כדי לתייג אותם בדיוק הקרוב להסכמת מומחים. הדבר מפחית את עומס העבודה הידני והסובייקטיבי של בחירת הרכיבים שיש להסיר, למרות שהביצועים עשויים לרדת כאשר מיושמים על פרדיגמות ניסוייות חדשות.

מה קורה לביצועי ICA במהלך הקלטות EEG ניידות שבהן המשתתפים זזים?

תנועה אינה שוברת לחלוטין את הנחת הערבוב הליניארי, ולכן ICA עדיין עובד, אך היא מפחיתה את מספר רכיבי המוח הנקיים וניתני הפירוש שניתן לשחזר. מערכים ניידים דורשים לעיתים קרובות תדר חסימה גבוה יותר של מסנן high-pass כדי לשמור על פירוק אופטימלי בהשוואה להקלטות נייחות.

האם ניתן להחיל ICA על תערובות לא-ליניאריות?

האלגוריתם הסטנדרטי מניח תערובת ליניארית, ולכן החלתו על שילובים מורכבים לא-ליניאריים דורשת בדרך כלל התאמות מיוחדות או הרחבות למודל.