ניתוח בץ ראשיים, המכונה בדרך כלל PCA, הוא אחד הכלים המתמגים שהוצעו המציע דרך לפשט רישומי EEG רב-ערוציים, לץ את כמות הנתונים שיש לעבד, ולסמן את הרעשים וההפרעות החזקות ביותר (ארטפקטים), וכל אלה מבלי להניח חלק מההנחות הסתברותיות הקשות יותר שאיתות אחרות להסרת הפרעות דורשות.
מאמר זה מסביר מה PCA עושה בפועל לנתוני EEG, כיץ חוקרים השתמשו בו בתהליכי עיבוד מקדים (פרוטוקולי פרה-פרוססינג) אמיתיים, ומה אומרות העדויות הנוכחיות, שעדיין מוגבלות, לגבי השאלה אם הוא עובד כפי שמובטח.
מהו ניתוח רכיבים ראשיים (PCA) ב-EEG?
כדי להבין טוב יותר את ה-PCA, כדאי לתאר כיצד נראים נתוני EEG גולמיים לפני שמתבצע עיבוד אותות כלשהו.
הקלטה טיפוסית כוללת אלקטרודות רבות, שכל אחת מהן מייצרת זרם רציף משלה של קריאות מתח לאורך זמן. ערוצים אלה אינם בלתי תלויים זה בזה. מכיוון שכולם קולטים פעילות חשמלית מתווך משותף ומוליך (הראש), האותות שלהם חופפים ומתאמים (קורלטיביים) בדרכים מורכבות.
PCA לוקח את הסבך הזה של ערוצים בעלי מתאם ומארגן אותו מחדש לקבוצה חדשה של אותות הנקראים רכיבים (components). כל רכיב הוא שילוב משוקלל של הערוצים המקוריים, אך עם תכונה מתמטית קריטית אחת: הרכיבים הם אורתוגונליים, כלומר אין ביניהם מתאם (הם אינם קורלטיביים).
PCA גם מדרג את הרכיבים הללו לפי מידת השונות (variance), או השונות הכוללת של האות, שכל אחד מהם מסביר. הרכיב הראשון לוכד את החלק הגדול ביותר של השונות בנתונים, השני לוכד את החלק הגדול הבא מתוך מה שנותר, וכן הלאה במורד הרשימה.
דירוג זה הוא קריטי בגלל האופן שבו ארטיפקטים (הפרעות) נוטים להתנהג. מצמוצי עיניים, למשל, מייצרים תנודות מתח גדולות ואיטיות שמתפשטות באופן נרחב על פני אלקטרודות רבות בבת אחת. מכיוון שהדבר יוצר דפוס שונות גדול ומשותף, פעילות המצמוץ נוטה להתרכז ברכיבים בעלי השונות הגבוהה ביותר. אותות מוח חלשים וממוקדים יותר מוצאים את עצמם לעיתים קרובות נמוך יותר ברשימה, ברכיבים בעלי שונות נמוכה יותר.
פרט אחד המבדיל את ה-PCA מחלק מקרוביו המוכרים יותר, כמו ניתוח רכיבים בלתי תלויים (ICA), הוא שאינו מניח שהמקורות שבבסיס האותות הם בלתי תלויים מבחינה סטטיסטית. הוא דורש רק שהרכיבים המתקבלים יהיו חסרי מתאם, וזהו תנאי מקל בהרבה.
כיצד פועל ניתוח רכיבים ראשיים (PCA)? הסבר שלב אחר שלב
שלב 1: תקנון הנתונים (Standardization)
לפני שמתחילים בחישוב מורכב, יש לנרמל את הקלט כדי להבטיח שוויון בין המשתנים. אם משתנה אחד נמדד במיקרו-וולט ואחר במילי-שניות, ההבדלים הגולמיים בסדרי הגודל עלולים להטות את התוצאות. קביעת קנה מידה לכל משתנה לממוצע של אפס וסטיית תקן של אחת מאפשרת למתמטיקה להתייחס לכל מאפייני הקלט במשקל שווה.
שלב 2: חישוב מטריצת השונות המשותפת (Covariance Matrix)
לאחר שהנתונים עברו תקנון, המכשול הבא הוא מיפוי הקשרים בין כל זוג מאפיינים. מטריצת שונות משותפת מסכמת את האינטראקציות הללו, ומראה אילו משתנים משתנים יחד ואילו בלתי תלויים. רשת זו משמשת בסיס לזיהוי הכיוונים שבהם מערך הנתונים מציג את הפיזור המשמעותי ביותר.
שלב 3: חישוב וקטורים עצמיים וערכים עצמיים (Eigenvectors and Eigenvalues)
שלב זה כולל מציאת הווקטורים הספציפיים שמאפיינים את צורת התפלגות הנתונים. וקטורים עצמיים קובעים את כיוון הצירים החדשים, בעוד שערכים עצמיים מייצגים את גודל השונות הנלכדת לאורך אותם כיוונים ספציפיים. סמנים מתמטיים אלה מאפשרים לנו לסובב את מרחב הנתונים המקורי למערכת קואורדינטות חדשה המוגדרת על ידי דפוסי התנועה העיקריים.
שלב 4: בחירת רכיבים ראשיים
לאחר זיהוי הרכיבים, הניתוח מגביל את המודל רק לאלה שמסבירים חלק משמעותי מכלל השונות. תהליך סינון זה משליך משתנים רוויי רעש ומשאיר רק את הדפוסים בעלי המידע הרב ביותר בהתאם לספי כמות מוגדרים.
על ידי התמקדות בלעדית ברכיבים הדומיננטיים, החוקרים מפחיתים את העומס החישובי במשימות העיבוד הבאות. הדבר מבטיח שהמודל הסופי יהיה הן מהיר תגובה והן יעיל לניתוח בזמן אמת.
שלב 5: התמרת הנתונים המקוריים
עם השלמת הבחירה הסופית, השלב האחרון הוא היטל נקודות התצפית המקוריות על גבי הצירים החדשים הללו. התמרה זו יוצרת מערך נתונים חדש בעל ממדים מופחתים, המשמר את הטופוגרפיה המהותית של המדידות המקוריות.
לאחר מכן אנשי מקצוע משתמשים במשתנים מותמרים אלה למשימות המשך כגון סיווג או לוקליזציה של מקורות, תוך הפקת תועלת מייצוג אות נקי יותר.
כיצד PCA משתלב בתהליך קדם-העיבוד של EEG
בפועל, PCA פועל לעיתים נדירות לבדו. הוא נוטה להופיע כשלב בתוך תהליך ניקוי רחב יותר, ומבצע אחד משני תפקידים:
צמצום ממדי הנתונים
סיוע באיתור המקומות שבהם מסתתרים הארטיפקטים
התפקיד הראשון הוא הפחתת ממדיות (dimensionality reduction). מחקר ששילב PCA עם טכניקה בשם density estimation blind source separation, או DEBSS, השתמש ב-PCA במיוחד כדי לצמצם את גודל מערך נתוני ה-EEG לפני שניתן יהיה לבצע הפרדה נוספת.
בתהליך זה, רעש בתדר גבוה סונן תחילה באמצעות ניתוח wavelet, ולאחר מכן "אלגוריתם ה-PCA משמש לעיבוד אותות ה-EEG במטרה לצמצם את ממד הנתונים" לפני ש-DEBSS נכנס לפעולה כדי להפריד את שאר הרכיבים. לאחר שזוהו הרכיבים הנושאים הפרעות באמצעות מקדמי קורלציה צולבת ופרמטרים לא-ליניאריים קשורים, החוקרים שחזרו את האות מתוך הרכיבים הנותרים והנקיים יותר.
התפקיד השני הוא זיהוי הארטיפקטים עצמם, והוא מופיע בתוך שיטה נפוצה בשם Artifact Subspace Reconstruction, או ASR. שיטת ASR פועלת על ידי ניתוח רציף של חלונות קצרים של נתוני EEG והשוואתם לקו בסיס של פעילות "נקייה".
על פי מחקר משנת 2019 שהציג גרסה רימנית של שיטה זו, ASR "מחשב שוב ושוב PCA על מטריצות שונות משותפת כדי לזהות ארטיפקטים בהתבסס על התכונות הסטטיסטיות שלהם בתת-מרחב הרכיבים". כאן, PCA אינו מצמצם את מספר הערוצים לשם נוחות. הוא מתפקד כמנוע שמחליט, מרגע לרגע, האם מקטע נתונים נראה נורמלי מבחינה סטטיסטית או שהוא נראה כמו ארטיפקט.
במבט כולל, שתי דוגמאות אלו מראות כי PCA הוא רכיב בתוך אסטרטגיית ניקוי, ולא אסטרטגיית ניקוי שלמה בפני עצמה. בדרך כלל הוא מעביר את הפלט שלו לאלגוריתם אחר, בין אם מדובר ב-DEBSS, התאמת גיאומטריה רימנית, או תהליך קבלת החלטות אחר שקובע אילו רכיבים יוסרו בפועל.
האם PCA יכול לבודד ארטיפקטים ב-EEG? מה מראים הממצאים
ההיגיון מאחורי המשיכה ל-PCA לצורך בידוד ארטיפקטים הוא פשוט. מכיוון ש-PCA ממיין רכיבים לפי שונות, ומכיוון שמצמוצים ופעילות שרירים נוטים לייצר תנודות מתח חריגות בגודלן, התיאוריה במדעי המוח גורסת שארטיפקטים אלה צריכים באופן טבעי להסתדר ברכיבים העליונים הבודדים. אם הנחה זו נכונה, חוקר יכול, באופן עקרוני, לבודד ולהשליך את ההפרעות החמורות ביותר במהירות, מבלי להזדקק למידול אי-התלות הסטטיסטית המדויקת של כל מקור מוחי.
המחקר שבדק את תהליך ה-PCA בשילוב DEBSS שתואר קודם לכן דיווח כי השיטה המשולבת "יכולה לחסל את ההפרעה העיקרית של אותות EEG מרובי-ערוצים במהירות וביעילות", תוך שהוא מציין גם שהגישה הייתה "יציבה ובעלת יכולת הרחבה (scalability) גבוהה". זוהי תוצאה חיובית, אך ראוי לשים לב בדיוק מה נבדק: תהליך ספציפי בן שני שלבים, ולא PCA הפועל בבידוד.
המחקר שהוזכר לעיל משנת 2019 נקט גישה השוואתית מובנית יותר. החוקרים בנו גרסה של ASR המבוססת על גיאומטריה רימנית, שנקראת rASR, ובדקו אותה מול שיטת ה-ASR הסטנדרטית מבוססת ה-PCA באמצעות EEG שהוקלט בסמארטפונים הן בתנאי פנים והן בתנאי חוץ, בקרב 27 משתתפים.
הם העריכו את הביצועים על פני שלושה מדדים נפרדים:
עד כמה כל שיטה הפחיתה ארטיפקטים של מצמוץ עיניים (רגישות)
עד כמה כל שיטה שימרה פוטנציאלים מעוררים חזותיים (VEP), שהם תגובות מוחיות לגירויים חזותיים (ספציפיות)
באיזו מהירות כל שיטה פעלה (יעילות)
על פי מסקנות המחבר, rASR "הציג ביצועים עדיפים בכל שלושת המדדים" בהשוואה ל-ASR רגיל.
תוצאות אלו מעודדות עבור טיפול בארטיפקטים מבוסס PCA, אך בסיס הראיות העומד מאחוריהן מצומצם. אלו ממצאים מוקדמים משמעותיים ושימושיים, אך הם עדיין אינם מגיעים לכדי טענה מאומתת באופן נרחב שלפיה PCA מבודד ארטיפקטים בצורה מהימנה בכל הקשרי ה-EEG.
PCA לעומת ICA לעומת סינון: בחירת הכלי הנכון
לרשות חוקרי EEG עומדים מספר כלים לניקוי נתונים, ו-PCA תופס ביניהם נישה ספציפית.
סינון, הכולל מסנני high-pass, low-pass ומסנני חריץ (notch), פועל על ידי הסרה או החלשה של פסי תדרים שלמים. הדבר שימושי להסרת הפרעות קבועות כמו רעש מרשת החשמל, אך הוא נתקל במגבלה קשיחה כאשר ארטיפקט ואות מוחי חולקים את אותו טווח תדרים.
מצמוץ, למשל, יכול לחפוף בתדר לגלי מוח איטיים, ומסנן אינו יכול להבדיל ביניהם מכיוון שהוא רואה רק תדר, ולא את דפוס השונות בין הערוצים. PCA פועל על ציר שונה לחלוטין כיוון שהוא בוחן כיצד שונות האות מתפלגת על פני כל מערך האלקטרודות, ולא את תוכן התדר. הדבר הופך אותו לגישה משלימה ולא לתחליף ישיר לסינון.
מצד שני, ICA מוזכר לעיתים קרובות בנשימה אחת עם PCA, אך שתי השיטות נשענות על הנחות שונות. ICA מחפש רכיבים שהם בלתי תלויים מבחינה סטטיסטית זה בזה, דרישה חזקה בהרבה ותובענית יותר מבחינה חישובית מהתנאי המקל יותר של PCA של היעדר מתאם פשוט.
מכיוון ש-ICA צריך לחפש בצורה מאומצת יותר הפרדה מחמירה זו, הוא נוטה לדרוש זמן מחשוב רב יותר ויותר נתונים. PCA, בהיותו פשוט יותר מבחינה מתמטית, מהיר יותר ואינו זקוק לאי-תלות כלל, אלא רק לכך שהרכיבים המתקבלים יהיו ללא מתאם.
הבדל זה בעלות החישובית הוא הסיבה לכך ש-PCA מופיע לעיתים קרובות כשלב הכנה לפני ICA ולא כתחליף לו. הפחתת מספר הממדים באמצעות PCA תחילה יכולה להאיץ הרצת ICA ולהפחית את הסיכון להתאמת יתר (overfitting) כאשר הנתונים מוגבלים. לחלופין, PCA יכול לשמש כשלב ראשוני גס, המסיר את הארטיפקטים הדומיננטיים והברורים ביותר לפני ששיטה זהירה יותר מכווננת את השאר.
שיטה | בסיס ההפרדה | מהירות | מגבלה עיקרית |
|---|---|---|---|
PCA | מיון לפי שונות | מהיר | שונות ≠ ארטיפקט |
ICA | מציאת מקורות בלתי תלויים | איטי | מניח אי-תלות |
סינון | הסרת פסי תדרים | מהיר מאוד | תדרים חופפים נותרים |
מגבלות של הסרת ארטיפקטים מבוססת PCA
הפשטות של ה-PCA היא גם המקור לחולשותיו. נותרו מספר שאלות פתוחות לגבי מידת היעילות שבה הוא מבצע בפועל את משימת בידוד הארטיפקטים שלעיתים קרובות מוטלת עליו.
שונות היא תחליף לא מושלם למונח "ארטיפקט". מקצבי מוח מסוימים, כגון פעילות אלפא אחורית (מקצב EEG ידוע הקשור למצבי רגיעה בעיניים עצומות), יכולים לייצר אותות בעלי משרעת (אמפליטודה) גבוהה בפני עצמם. שיטה המניחה ששונות גבוהה פירושה תמיד ארטיפקט מסתכנת בהשלכת פעילות מוחית אותנטית יחד עם הרעש שהיא נועדה להסיר.
מהכיוון השני, ארטיפקטים של מצמוץ אינם תמיד מוגבלים בצורה מסודרת לרכיב יחיד; השפעתם יכולה להתפשט על פני מספר רכיבים בבת אחת, מה שמסבך כל אסטרטגיה פשוטה של "הסרת הרכיב העליון".
יש לקחת בחשבון גם חוסר התאמה מבני. PCA כופה על רכיביו להיות אורתוגונליים זה לזה מעצם ההגדרה המתמטית. אך אין ערובה לכך שהמקורות הפיזיים האמיתיים המייצרים אותות EEG, בין אם הם מעגלים עצביים או קבוצות שרירים בסמוך לקרקפת, מסודרים באופן התואם לגיאומטריה אורתוגונלית זו.
כאשר ההנחה אינה תואמת את המציאות שבבסיסה, ההפרדה שמייצר ה-PCA עשויה להיות נוחות מתמטית ולא שיקוף מדויק של מה שמתרחש בפועל ברקמה.
עצות מעשיות לשימוש ב-PCA בניתוח EEG
עבור מי שחוקר מערך נתוני EEG בפעם הראשונה, PCA נותר נקודת מוצא סבירה, במיוחד כדרך לראות אילו דפוסי שונות שולטים בהקלטה נתונה. להלן כמה טיפים שלעיתים קרובות מומלצים:
השתמשו ב-PCA כשלב מקדים להפחתת ממדיות או לסימון דפוסי ארטיפקטים דומיננטיים, ולא כשלב ניקוי סופי.
שלבו PCA עם שיטה עוקבת (למשל, ICA, DEBSS, ASR) שיכולה להחליט אילו רכיבים להסיר.
בצעו תמיד בדיקה חזותית של הטופוגרפיה של הקרקפת ומהלך הזמן של רכיבים שהושלכו כדי לוודא שהם אכן מייצגים ארטיפקטים.
התייחסו בזהירות לשונות בתוצאות בין סביבות הקלטה שונות (מעבדה לעומת נייד) ואמתו אותן על הנתונים שלכם.
ניתוח רכיבים ראשיים במחקרי EEG מבוססי Emotiv
מכשירי headset של Emotiv שימשו במספר מחקרים שעברו ביקורת עמיתים שבהם ניתוח רכיבים ראשיים משמש כשיטת חישוב מרכזית, מה שממחיש את הרבגוניות של הטכניקה בסיווג, בחירת חיישנים, קדם-עיבוד ושיפור איכות האות.
מסווג אנסמבל מבוסס PCA לדיוק של כותב P300
פיתוח BCI לביש דורש עיבוד אותות יעיל, ומחקר אחד העריך מסווג אנסמבל מבוסס PCA עבור כותבי אותיות (spellers) מבוססי P300 שהוקלטו באמצעות ה-neuroheadset של Emotiv. באמצעות פרדיגמת oddball קלאסית, המחברים השוו את גישת האנסמבל שלהם לשיטות מסורתיות של חילוץ מאפיינים וסיווג.
בנתוני תיקוף צולב, אנסמבל ה-PCA השיג דיוק ממוצע של 86.29%, בעוד שבדיקות אופליין הניבו דיוק סיווג ממוצע גבוה משמעותית של 73.3% ביחס לשיטות קונבנציונליות. התוצאות מצביעות על סיווג אנסמבל מבוסס PCA כאסטרטגיה ישימה לעיבוד נתוני P300 ממכשיר EEG נייד ברמת צרכן.
בחירת מינימום חיישני EEG לזיהוי ביומטרי באמצעות PCA
צמצום מספר האלקטרודות מבלי להקריב מידע מבחין הוא אתגר מעשי עבור מערכות ביומטריות. חוקרים בחנו בחירת מינימום חיישני EEG לזיהוי בני אדם באמצעות ה-headset מדגם Emotiv EPOC+ ומערך נתונים ציבורי גדול יותר. יושמו שתי מתודולוגיות הפחתה: אחת המבוססת על ניתוח רכיבים ראשיים והשנייה על מבחן דרגות המסומנות של וילקוקסון.
המחקר מדווח כי שתי הגישות אפשרו זיהוי של סט האלקטרודות המינימלי הנחוץ לזיהוי מהימן של אנשים, כאשר PCA מסייע לאתר אילו אזורים בקליפת המוח תורמים ביותר לדפוסים ניתנים להפרדה. הדבר מדגים את תפקיד ה-PCA בהפחתת ממדיות בהמרת תצורות מעבדה למערכי חיישנים פשוטים ומעשיים יותר.
השוואת PCA עם CSP ו-CAR להסרת ארטיפקטים
השוואת תהליכי קדם-עיבוד הקליטה EEG עם ה-Emotiv EPOC כדי להעריך עד כמה אלגוריתמים שונים מנקים אותות היטב לפני סיווג. בהשוואה של אלגוריתמי קדם-עיבוד, ניתוח רכיבים ראשיים נבדק לצד Common Spatial Pattern (CSP) ו-Common Average Reference (CAR) להסרת ארטיפקטים, שלאחריהם הוזנו מאפייני צפיפות ספקטרלית של הספק (PSD) למסווג מכונת וקטורים תומכים (SVM).
המחברים הבחינו כי PCA סיפק ביצועים של 94.28%, ועלה בביצועיו על שאר האלגוריתמים במערך שלהם. ממצא זה מצביע על כך ש-PCA יכול לשמש כרכיב יעיל בשרשרת קדם-עיבוד בעת עבודה עם חומרת EEG ברמת צרכן.
שיפור חילוץ מקצב קולקטיבי: PCA לעומת פיתול קוסמבי-הילברט
כאשר חיישני EEG מרובים קולטים פעילות תנודתית, חילוץ מקצב משותף בעל יחס אות לרעש גבוה הוא לרוב רצוי. מחקר על שיפור איכות המקצב הקולקטיבי עם ה-Emotiv EPOC+ השווה בין ניתוח רכיבים ראשיים מסורתי לשיטת פיתול קוסמבי-הילברט (KHT). הנתונים הוקלטו במהלך מנוחה בעיניים עצומות ובזמן צפייה במסך המהבהב ב-15 הרץ.
החוקרים מדווחים כי KHT השיגה יחס אות לרעש טוב יותר עבור האות הקולקטיבי מאשר PCA, במיוחד כאשר הוכנסו היסטים זמניים אקראיים בין הערוצים. העבודה מדגימה שבעוד ש-PCA מציע קו בסיס פשוט לחילוץ מקצב משותף, שיטות המודעות לפאזה יכולות להגביר עוד יותר את האות הרצוי.
במבט כולל, מחקרים אלה מדגישים כיצד ניתוח רכיבים ראשיים פועל במשימות EEG מגוונות מאוד—מסיווג וזיהוי ביומטרי ועד קדם-עיבוד וחילוץ מקצבים—באמצעות חומרת Emotiv. התוצאות מבטיחות בתנאים הספציפיים שלהן, אך הן עדיין מוגבלות לפרדיגמות מסוימות, למדגמים קטנים יחסית ולניתוחי אופליין. הממצאים תומכים ב-PCA ככלי רבגוני בתהליכי מחקר EEG, אך הם עדיין אינם מבססים פתרון אחיד המתאים לכל יישומי ה-BCI בעלות נמוכה ובזמן אמת.
מסקנה: האם PCA הוא שיטה מהימנה לניקוי EEG?
PCA מתמיר נתוני גלי מוח מבולגנים לרכיבים מדורגים, ומעניק לחוקרים דרך מהירה להתמקד בחלקים הרועשים ביותר של הקלטה. גישה זו שימושית במיוחד כאשר מצמוצי עיניים או תנועות שרירים שולטים באות, שכן הם מגיעים לעיתים קרובות למקומות בעלי השונות הגבוהה ביותר.
אך מכיוון שמקצבי מוח אמיתיים יכולים גם הם לייצר אותות חזקים, לא ניתן לסמוך על השיטה בפני עצמה כדי להחליט מהו ארטיפקט ומהו מידע עצבי יקר ערך.
מקורות
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
שאלות נפוצות
מהו ניתוח רכיבים ראשיים (PCA) בהקשר של EEG?
PCA הוא שיטה מתמטית המארגנת מחדש נתוני EEG מרובי-ערוצים לקבוצה חדשה של אותות הנקראים רכיבים, שאינם מתואמים זה עם זה (ללא מתאם). הוא מדרג רכיבים אלה לפי מידת השונות שהם לוכדים, כאשר הרכיב הראשון מסביר את מירב שונות האות הכוללת.
כיצד PCA מסייע בהסרת ארטיפקטים מנתוני EEG?
מכיוון שארטיפקטים כמו מצמוצי עיניים מייצרים תנודות מתח גדולות ונרחבות, הם נוטים להתרכז ברכיבים בעלי השונות הגבוהה ביותר. הדירוג של PCA לפי שונות מאפשר לחוקרים לזהות ופוטנציאלית להשליך את הרכיבים העליונים הללו, שלעיתים קרובות מכילים את הרעש המפריע ביותר.
האם PCA פועל לבדו כדי לנקות אותות EEG?
לא, PCA משמש לעיתים נדירות כפתרון ניקוי עצמאי. בדרך כלל הוא פועל כשלב בתוך תהליך רחב יותר, בין אם על ידי צמצום ממדי הנתונים לפני יישום שיטה אחרת כמו DEBSS, ובין אם כמנוע הזיהוי בתוך מסגרת עבודה כמו Artifact Subspace Reconstruction (ASR).
מה ההבדל בין PCA ל-ICA לצורך הסרת ארטיפקטים?
PCA דורש רק שהרכיבים שיתקבלו יהיו חסרי מתאם, וזהו תנאי מתמטי מקל יותר, בעוד ש-ICA מחפש רכיבים שהם בלתי תלויים מבחינה סטטיסטית, דרישה מחמירה יותר ותובענית יותר מבחינה חישובית. PCA מהיר יותר ולעיתים קרובות משמש כשלב הכנה לפני ICA ולא כתחליף לו.
האם PCA עלול להסיר בטעות פעילות מוחית אמיתית יחד עם ארטיפקטים?
כן, מכיוון ש-PCA מסתמך על שונות כדי לזהות ארטיפקטים, מקצבי מוח בעלי אמפליטודה גבוהה כמו פעילות אלפא אחורית עלולים להיחשב בטעות לרעש. בנוסף, ארטיפקטים עשויים להתפשט על פני מספר רכיבים, כך שהסרה פשוטה של הרכיב העליון עלולה להשליך אותות עצביים אמיתיים.
כיצד PCA משתווה לסינון תדרים לצורך ניקוי EEG?
סינון תדרים מסיר או מחליש את אנרגיית האות בפסי תדרים ספציפיים, אך אינו יכול להפריד בין ארטיפקט לאות מוחי החולקים את אותם תדרים. PCA בוחן במקום זאת דפוסי שונות בכל האלקטרודות, מה שהופך אותו לגישה משלימה המתייחסת לממד שונה של הנתונים.
כיצד חוקר צריך להשתמש ב-PCA בצורה בטוחה בתהליך קדם-עיבוד של EEG?
ניתן להשתמש ב-PCA כשלב להפחתת ממדיות לפני החלת שיטות אחרות, או ככלי עזר לבחינת הדפוסים השולטים בהקלטה. על החוקרים לבדוק ויזואלית את הרכיבים שהם מתכננים להשליך על ידי בחינת הטופוגרפיה שלהם בקרקפת ומהלך הזמן שלהם, במקום לסמוך באופן עיוור על דירוג השונות.
Emotiv היא מובילה בתחום הנוירוטכנולוגיה המסייעת לקדם מחקר במדעי המוח באמצעות כלי EEG נגישים וכלי נתוני מוח.
הבהרה רפואית: המידע המסופק באתר זה נועד למטרות חינוכיות ואינפורמטיביות בלבד ואינו מיועד לשמש כייעוץ רפואי או בריאותי. תוכן זה עלול להכיל שגיאות ואין להסתמך עליו לצורך קבלת החלטות משנות חיים בנושאי בריאות, רפואה או סגנון חיים. פנה תמיד לקבלת ייעוץ מהרופא שלך או מכל גורם רפואי מוסמך אחר בכל שאלה שעשויה להיות לך בנוגע למצב רפואי או לטיפול.
כריסטיאן בורגוס
