प्रिंसिपल कंपोनेंट एनालिसिस, जिसे आमतौर पर पीसीए (PCA) कहा जाता है, प्रस्तावित गणितीय उपकरणों में से एक है जो मल्टीचैनल ईईजी (EEG) रिकॉर्डिंग को सरल बनाने, संसाधित किए जाने वाले डेटा की मात्रा को कम करने और सबसे तेज़, सबसे विघटनकारी आर्टिफैक्ट्स को चिह्नित करने का एक तरीका प्रदान करता है, और यह सब कुछ उन सख्त सांख्यिकीय मान्यताओं के बिना करता है जिनकी अन्य आर्टिफैक्ट-निवारण विधियों को आवश्यकता होती है।
यह लेख बताता है कि पीसीए वास्तव में ईईजी डेटा के साथ क्या करता है, शोधकर्ताओं ने वास्तविक प्रीप्रोसेसिंग पाइपलाइनों में इसका उपयोग कैसे किया है, और वर्तमान, अभी भी सीमित साक्ष्य इस बारे में क्या कहते हैं कि क्या यह विज्ञापित रूप से काम करता है।
ईईजी (EEG) में प्रिंसिपल कॉम्पोनेंट एनालिसिस क्या है?
पीसीए (PCA) को और बेहतर तरीके से समझने के लिए, यह कल्पना करना मददगार होगा कि किसी भी सिग्नल प्रोसेसिंग (संकेत प्रसंस्करण) से पहले रॉ (कच्चा) ईईजी डेटा कैसा दिखता है।
एक सामान्य रिकॉर्डिंग में कई इलेक्ट्रोड शामिल होते हैं, जिनमें से प्रत्येक समय के साथ वोल्टेज रीडिंग की अपनी निरंतर धारा उत्पन्न करता है। ये चैनल एक-दूसरे से स्वतंत्र नहीं होते हैं। चूंकि वे सभी एक साझा, संवाहक माध्यम (सिर) से विद्युत गतिविधि को रिकॉर्ड कर रहे होते हैं, इसलिए उनके सिग्नल जटिल तरीकों से ओवरलैप और सहसंबद्ध (कोरिलेटेड) होते हैं।
PCA चैनलों के इस उलझे हुए सहसंबंध को लेता है और इसे सिग्नलों के एक नए सेट में पुनर्गठित करता है जिसे कंपोनेंट्स (घटक) कहा जाता है। प्रत्येक घटक मूल चैनलों का एक भारित संयोजन (वेटेड कॉम्बिनेशन) होता है, लेकिन एक महत्वपूर्ण गणितीय गुण के साथ: ये घटक ऑर्थोगोनल होते हैं, जिसका अर्थ है कि वे एक-दूसरे से सहसंबद्ध नहीं होते हैं।
PCA इन घटकों को इस आधार पर भी रैंक करता है कि प्रत्येक घटक कितने प्रसरण (वेरिएंस), या समग्र सिग्नल भिन्नता को दर्शाता है। पहला घटक डेटा में वेरिएंस के सबसे बड़े हिस्से को कैप्चर करता है, दूसरा शेष हिस्से में से अगले सबसे बड़े हिस्से को कैप्चर करता है, और इसी तरह सूची में नीचे की ओर बढ़ता है।
यह रैंकिंग बेहद महत्वपूर्ण है क्योंकि आर्टिफैक्ट्स (अवांछित शोर/विकृतियां) आमतौर पर इसी तरह व्यवहार करते हैं। उदाहरण के लिए, पलकें झपकने से बड़े, धीमे वोल्टेज स्विंग्स होते हैं जो एक साथ कई इलेक्ट्रोड पर व्यापक रूप से फैल जाते हैं। चूंकि यह भिन्नता का एक बड़ा, साझा पैटर्न बनाता है, इसलिए पलक झपकने की गतिविधि उच्चतम-वेरिएंस वाले घटकों में केंद्रित हो जाती है। कमजोर, अधिक स्थानीयकृत मस्तिष्क संकेत अक्सर सूची में नीचे की ओर, कम-वेरिएंस वाले घटकों में पहुंच जाते हैं।
PCA को उसके कुछ अधिक प्रसिद्ध साथियों जैसे कि इंडिपेंडेंट कॉम्पोनेंट एनालिसिस (ICA) से अलग करने वाला एक विवरण यह है कि यह यह मानकर नहीं चलता कि इसके अंतर्निहित स्रोत सांख्यिकीय रूप से स्वतंत्र हैं। इसके लिए केवल यह आवश्यक है कि परिणामी घटक आपस में असंबंधित हों, जो कि बहुत आसान शर्त है।
प्रिंसिपल कॉम्पोनेंट एनालिसिस (PCA) कैसे काम करता है? चरण-दर-चरण व्याख्या
चरण 1: डेटा का मानकीकरण (स्टैंडर्डाइजेशन) करें
एक जटिल गणना शुरू करने से पहले, वेरिएबल्स के बीच समानता सुनिश्चित करने के लिए इनपुट को सामान्य (नॉर्मलाइज़) करना आवश्यक है। यदि एक वेरिएबल को माइक्रोवोल्ट में और दूसरे को मिलीसेकंड में मापा जाता है, तो पैमाने में मूल अंतर परिणामों को पक्षपातपूर्ण बना देगा। प्रत्येक वेरिएबल को शून्य के माध्य (मीन) और एक के मानक विचलन (स्टैंडर्ड डेवििएशन) पर स्केल करने से गणित को सभी इनपुट फीचर्स को समान महत्व देने में मदद मिलती है।
चरण 2: कोवेरिएंस मैट्रिक्स की गणना करें
एक बार डेटा मानकीकृत हो जाने के बाद, अगला कदम फीचर्स के प्रत्येक जोड़े के बीच संबंधों को मैप करना है। एक कोवेरिएंस मैट्रिक्स इन इंटरैक्शन को संक्षेप में प्रस्तुत करता है, जिससे पता चलता है कि कौन से वेरिएबल्स एक साथ चलते हैं और कौन से स्वतंत्र हैं। यह ग्रिड उन दिशाओं की पहचान करने के लिए आधार के रूप में कार्य करता है जहां डेटासेट सबसे महत्वपूर्ण फैलाव प्रदर्शित करता है।
चरण 3: आइगेनवेक्टर्स और आइगेनवैल्यूज़ की गणना करें
इस चरण में उन विशिष्ट वेक्टर्स को हल करना शामिल है जो डेटा वितरण के आकार को दर्शाते हैं। आइगेनवेक्टर्स नए एक्सिस (अक्षों) की दिशा निर्धारित करते हैं, जबकि आइगेनवैल्यूज़ उन विशिष्ट दिशाओं में कैप्चर किए गए वेरिएंस के परिमाण का प्रतिनिधित्व करते हैं। ये गणितीय संकेतक हमें गति के प्राथमिक पैटर्न द्वारा परिभाषित एक नए समन्वय सिस्टम (कोऑर्डिनेट सिस्टम) में मूल डेटा स्पेस को घुमाने की अनुमति देते हैं।
चरण 4: प्रिंसिपल कॉम्पोनेंट्स का चयन करें
घटकों की पहचान करने के बाद, विश्लेषण मॉडल को केवल उन्हीं तक सीमित रखता है जो कुल वेरिएंस के एक महत्वपूर्ण हिस्से की व्याख्या करते हैं। यह फ़िल्टरिंग प्रक्रिया अत्यधिक शोर (नॉइज़) वाले वेरिएबल्स को खारिज कर देती है और विशिष्ट मात्रात्मक सीमाओं के अनुसार केवल सबसे ज्ञानवर्धक पैटर्न को बनाए रखती है।
पूरी तरह से प्रभावी घटकों पर ध्यान केंद्रित करके, शोधकर्ता बाद के प्रसंस्करण कार्यों पर कम्प्यूटेशनल बोझ को कम करते हैं। यह सुनिश्चित करता है कि अंतिम मॉडल रीयल-टाइम विश्लेषण के लिए संवेदनशील और कुशल दोनों हो।
चरण 5: मूल डेटा को रूपांतरित (ट्रांसफॉर्म) करें
अंतिम चयन पूरा होने के साथ, आखिरी कदम मूल अवलोकन बिंदुओं को इन नए एक्सिस पर प्रोजेक्ट करना है। यह रूपांतरण एक नया, कम-आयाम (रिड्यूस्ड-डायमेंशन) वाला डेटासेट बनाता है जो मूल मापों की आवश्यक टोपोग्राफी को सुरक्षित रखता है।
पेशेवर फिर इन रूपांतरित वेरिएबल्स का उपयोग वर्गीकरण (क्लासिफिकेशन) या स्रोत स्थानीयकरण (सोर्स लोकलाइजेशन) जैसे कार्यों के लिए करते हैं, जिससे क्लीनर सिग्नल प्रतिनिधित्व का लाभ मिलता है।
ईईजी प्रीप्रोसेसिंग पाइपलाइन में PCA कैसे फिट बैठता है
व्यवहार में, PCA शायद ही कभी अकेले काम करता है। यह आमतौर पर एक बड़ी ईईजी क्लीनिंग पाइपलाइन के भीतर एक चरण के रूप में दिखाई देता है, जो इन दो कार्यों में से एक को पूरा करता है:
डेटा के आकार को छोटा करना
यह पता लगाने में मदद करना कि आर्टिफैक्ट्स कहाँ छिपे हैं
पहली भूमिका डाइमेंशनेलिटी रिडक्शन (आयाम में कमी) की है। डेंसिटी एस्टीमेशन ब्लाइंड सोर्स सेपरेशन (DEBSS) नामक तकनीक के साथ PCA को मिलाने वाले एक अध्ययन में, आगे के पृथक्करण से पहले ईईजी डेटासेट के आकार को कम करने के लिए विशेष रूप से PCA का उपयोग किया गया था।
इस पाइपलाइन में, तरंगिका विश्लेषण (वेवलेट एनालिसिस) का उपयोग करके पहले उच्च-आवृत्ति वाले शोर (हाई-फ्रीक्वेंसी नॉइज़) को फ़िल्टर किया गया था, और फिर DEBSS द्वारा शेष घटकों को अलग करने से पहले "डेटा आयाम को कम करने के लिए ईईजी सिग्नलों को प्रोसेस करने हेतु PCA एल्गोरिथ्म का उपयोग किया गया था"। एक बार जब क्रॉस-कोरिलेशन गुणांक और संबंधित गैर-रेखीय (नॉन-लीनियर) मापदंडों का उपयोग करके बाधा उत्पन्न करने वाले घटकों की पहचान कर ली गई, तो शोधकर्ताओं ने शेष, साफ घटकों से सिग्नल का पुनर्निर्माण किया।
दूसरी भूमिका स्वयं आर्टिफैक्ट का पता लगाने की है, और यह आर्टिफैक्ट सबस्पेस रिकंस्ट्रक्शन (ASR) नामक एक व्यापक रूप से उपयोग की जाने वाली विधि के भीतर दिखाई देती है। ASR ईईजी डेटा की छोटी विंडोज़ का लगातार विश्लेषण करके और "साफ" गतिविधि के बेसलाइन के साथ उनकी तुलना करके काम करता है।
इस पद्धति के रीमानियन संस्करण को पेश करने वाले 2019 के एक अध्ययन के अनुसार, ASR "घटक उपक्षेत्र (कॉम्पोनेंट सबस्पेस) में उनके सांख्यिकीय गुणों के आधार पर आर्टिफैक्ट्स का पता लगाने के लिए कोवेरिएंस मेट्रिसेस पर बार-बार PCA की गणना करता है"। यहाँ, PCA केवल सुविधा के लिए चैनलों की संख्या को कम नहीं कर रहा है। यह एक इंजन के रूप में कार्य कर रहा है जो पल-पल यह तय करता है कि डेटा का एक हिस्सा सांख्यिकीय रूप से सामान्य दिख रहा है या किसी आर्टिफैक्ट की तरह दिख रहा है।
इन दोनों उदाहरणों को मिलाकर यह निष्कर्ष निकलता है कि PCA एक सफाई रणनीति का हिस्सा है, न कि अपने आप में एक संपूर्ण सफाई रणनीति। यह आमतौर पर अपने आउटपुट को दूसरे एल्गोरिदम को सौंप देता है, चाहे वह DEBSS हो, रीमानियन ज्योमेट्री अनुकूलन हो, या कोई अन्य निर्णय लेने वाली प्रक्रिया हो जो यह निर्धारित करती है कि वास्तव में किन घटकों को हटाया जाए।
क्या PCA ईईजी आर्टिफैक्ट्स को अलग कर सकता है? सबूत क्या दिखाते हैं
आर्टिफैक्ट आइसोलेशन (शोर को अलग करने) के लिए PCA के आकर्षण के पीछे का तर्क सीधा है। चूंकि PCA घटकों को वेरिएंस के आधार पर क्रमबद्ध करता है, और चूंकि पलकें झपकने और मांसपेशियों की गतिविधि से बड़े वोल्टेज स्विंग्स उत्पन्न होते हैं, इसलिए न्यूरोसाइंस सिद्धांत यह मानता है कि ये आर्टिफैक्ट्स स्वाभाविक रूप से शीर्ष के कुछ घटकों में खुद को व्यवस्थित कर लेते हैं। यदि यह सच है, तो एक शोधकर्ता सैद्धांतिक रूप से हर मस्तिष्क स्रोत की सटीक सांख्यिकीय स्वतंत्रता का मॉडल तैयार किए बिना, सबसे खराब बाधाओं को जल्दी से अलग और खारिज कर सकता है।
पहले वर्णित PCA-प्लस-DEBSS पाइपलाइन का परीक्षण करने वाले अध्ययन ने बताया कि संयुक्त विधि "मल्टी-चैनल ईईजी सिग्नलों के मुख्य व्यवधान को तेजी से और प्रभावी ढंग से समाप्त कर सकती है," साथ ही यह भी ध्यान दिया कि यह दृष्टिकोण "स्थिर था और इसमें मजबूत मापनीयता (स्केलेबिलिटी) है।" यह एक सकारात्मक परिणाम है, लेकिन यह ध्यान देने योग्य है कि वास्तव में किसका परीक्षण किया गया था: एक विशिष्ट दो-चरणीय पाइपलाइन का, न कि अकेले काम करने वाले PCA का।
पूर्व-उल्लेखित 2019 के अध्ययन ने अधिक संरचित तुलनात्मक दृष्टिकोण अपनाया। शोधकर्ताओं ने ASR का एक रीमानियन-ज्योमेट्री-आधारित संस्करण बनाया, जिसे rASR कहा जाता है, और 27 प्रतिभागियों के साथ घर के अंदर और बाहर दोनों स्थितियों में स्मार्टफोन पर रिकॉर्ड किए गए ईईजी का उपयोग करके मानक PCA-आधारित ASR विधि के खिलाफ इसका परीक्षण किया।
उन्होंने तीन अलग-अलग पैमानों पर प्रदर्शन का मूल्यांकन किया:
प्रत्येक विधि ने पलक झपकने के आर्टिफैक्ट्स को कितनी अच्छी तरह कम किया (संवेदनशीलता/सेंसिटिविटी)
प्रत्येक विधि ने विजुअल-इवोक्ड पोटेंशियल्स (दृश्य उत्तेजनाओं के प्रति मस्तिष्क की प्रतिक्रियाएं) को कितनी अच्छी तरह संरक्षित रखा (विशिष्टता/स्पेसिफिसिटी)
प्रत्येक विधि कितनी तेजी से चली (दक्षता/एफिशिएंसी)
लेखक के निष्कर्षों के अनुसार, मानक ASR की तुलना में rASR ने "तीनों मापों पर अनुकूल प्रदर्शन किया"।
ये परिणाम PCA-आधारित आर्टिफैक्ट प्रोसेसिंग के लिए उत्साहजनक हैं, लेकिन उनके पीछे का साक्ष्य आधार संकीर्ण है। ये सार्थक, उपयोगी शुरुआती निष्कर्ष हैं, लेकिन ये अभी तक व्यापक रूप से मान्य दावा नहीं हैं कि PCA सभी ईईजी संदर्भों में आर्टिफैक्ट्स को विश्वसनीय रूप से अलग करता है।
PCA बनाम ICA बनाम फ़िल्टरिंग: सही उपकरण चुनना
ईईजी शोधकर्ताओं के पास डेटा साफ करने के लिए कई उपकरण उपलब्ध हैं, और PCA उनके बीच एक विशिष्ट स्थान रखता है।
फ़िल्टरिंग, जिसमें हाई-पास, लो-पास और नॉच फ़िल्टर शामिल हैं, संपूर्ण फ्रीक्वेंसी बैंड को हटाकर या कम करके काम करती है। यह इलेक्ट्रिकल लाइन के शोर जैसे स्थिर व्यवधानों को हटाने के लिए उपयोगी है, लेकिन इसकी एक सीमा तब आती है जब कोई आर्टिफैक्ट और मस्तिष्क का सिग्नल एक ही फ्रीक्वेंसी रेंज को साझा करते हैं।
उदाहरण के लिए, पलक झपकना धीमी मस्तिष्क तरंगों के साथ फ्रीक्वेंसी में ओवरलैप हो सकता है, और एक फ़िल्टर उन्हें अलग नहीं कर सकता क्योंकि यह केवल फ्रीक्वेंसी देखता है, चैनलों में वेरिएंस का पैटर्न नहीं। PCA पूरी तरह से एक अलग एक्सिस पर काम करता है क्योंकि यह देखता है कि सिग्नल भिन्नता इलेक्ट्रोड के पूरे सेट में कैसे वितरित है, न कि फ्रीक्वेंसी कंटेंट पर। यह इसे सीधे फ़िल्टरिंग के विकल्प के बजाय एक सहायक दृष्टिकोण बनाता है।
दूसरी ओर, ICA का उल्लेख अक्सर PCA के साथ ही किया जाता है, लेकिन दोनों विधियाँ अलग-अलग मान्यताओं पर आधारित हैं। ICA उन घटकों की खोज करता है जो सांख्यिकीय रूप से एक-दूसरे से स्वतंत्र हैं, जो PCA की साधारण डीकोरिलेशन की आसान शर्त की तुलना में बहुत मजबूत और कम्प्यूटेशनल रूप से अधिक मांग वाली आवश्यकता है।
चूंकि ICA को इस सख्त प्रकार के पृथक्करण के लिए अधिक खोज करनी पड़ती है, इसलिए इसमें अधिक कंप्यूटिंग समय और अधिक डेटा की आवश्यकता होती है। PCA गणितीय रूप से सरल होने के कारण अधिक तेज़ है और इसे स्वतंत्रता की बिल्कुल भी आवश्यकता नहीं है, केवल यह आवश्यक है कि परिणामी घटक असंबंधित हों।
कम्प्यूटेशनल लागत में यही अंतर है कि PCA अक्सर ICA के प्रतिस्थापन के बजाय उसके पूर्व-तैयारी वाले चरण के रूप में दिखाई देता है। पहले PCA के साथ आयामों (डाइमेंशन्स) की संख्या को कम करने से ICA की प्रक्रिया तेज हो सकती है और डेटा सीमित होने पर ओवरफ़िटिंग का जोखिम कम हो सकता है। वैकल्पिक रूप से, PCA एक प्रारंभिक मोटे कदम के रूप में कार्य कर सकता है, जो कि अधिक सटीक विधि द्वारा बाकी को ठीक करने से पहले सबसे प्रमुख, स्पष्ट आर्टिफैक्ट्स को हटा देता है।
विधि | पृथक्करण आधार | गति | मुख्य सीमा |
|---|---|---|---|
PCA | वेरिएंस के आधार पर क्रमबद्ध करता है | तेज़ | वेरिएंस ≠ आर्टिफैक्ट |
ICA | स्वतंत्र स्रोतों को ढूँढता है | धीमी | स्वतंत्रता मानता है |
फ़िल्टरिंग | फ्रीक्वेंसी बैंड को हटाता है | बहुत तेज़ | ओवरलैपिंग फ्रीक्वेंसी बनी रहती हैं |
PCA-आधारित आर्टिफैक्ट हटाने की सीमाएं
PCA की सादगी ही उसकी कमजोरियों का स्रोत भी है। इसके बारे में कई अनसुलझे प्रश्न बचे हैं कि यह वास्तव में उस आर्टिफैक्ट-आइसोलेशन कार्य को कितनी अच्छी तरह से पूरा करता है जिसके लिए इसे अक्सर सौंपा जाता है।
वेरिएंस "आर्टिफैक्ट" का एक अपूर्ण विकल्प है। कुछ मस्तिष्क तरंगें, जैसे कि पोस्टीरियर अल्फा गतिविधि (आराम से आँखें बंद करने की स्थिति से जुड़ा एक प्रसिद्ध ईईजी रिदम), अपने आप में उच्च-आयाम (हाई-एम्प्लीट्यूड) वाले सिग्नल उत्पन्न कर सकती हैं। एक विधि जो यह मानती है कि उच्च वेरिएंस का अर्थ हमेशा आर्टिफैक्ट होता है, वह वास्तविक मस्तिष्क गतिविधि को उस शोर के साथ खारिज करने का जोखिम उठाती है जिसे हटाने के लिए इसे डिज़ाइन किया गया है।
दूसरी दिशा में, पलक झपकने के आर्टिफैक्ट्स हमेशा खुद को एक ही घटक तक सीमित नहीं रखते हैं; उनका प्रभाव एक साथ कई घटकों पर फैल सकता है, जिससे कोई भी सरल "शीर्ष घटक को हटाने" की रणनीति जटिल हो जाती है।
विचार करने के लिए एक संरचनात्मक बेमेल भी है। PCA गणितीय परिभाषा के अनुसार अपने घटकों को एक-दूसरे के ऑर्थोगोनल होने के लिए विवश करता है। लेकिन इस बात की कोई गारंटी नहीं है कि ईईजी सिग्नलों को उत्पन्न करने वाले वास्तविक भौतिक स्रोत, चाहे वे न्यूरल सर्किट हों या स्कैल्प के पास के मांसपेशी समूह, इस तरह से व्यवस्थित हैं जो इस ऑर्थोगोनल ज्योमेट्री से मेल खाते हों।
जब धारणा अंतर्निहित वास्तविकता से मेल नहीं खाती है, तो PCA जो पृथक्करण उत्पन्न करता है वह वास्तव में ऊतकों में क्या हो रहा है, इसका सटीक प्रतिबिंब होने के बजाय एक गणितीय सुविधा मात्र हो सकता है।
ईईजी विश्लेषण में PCA का उपयोग करने के लिए व्यावहारिक सलाह
पहली बार ईईजी डेटासेट की खोज करने वाले किसी व्यक्ति के लिए, PCA एक उचित प्रारंभिक बिंदु बना हुआ है, विशेष रूप से यह देखने के तरीके के रूप में कि किसी दिए गए रिकॉर्डिंग पर भिन्नता के कौन से पैटर्न हावी हैं। यहाँ कुछ सुझाव दिए गए हैं जिनकी अक्सर अनुशंसा की जाती है:
PCA का उपयोग डाइमेंशनेलिटी को कम करने या प्रमुख आर्टिफैक्ट पैटर्न को चिह्नित करने के लिए एक प्रारंभिक कदम के रूप में करें, न कि अंतिम क्लीनिंग पास के रूप में।
PCA को बाद की किसी विधि (जैसे, ICA, DEBSS, ASR) के साथ संयोजित करें जो यह तय कर सके कि किन घटकों को हटाना है।
यह सत्यापित करने के लिए कि वे सचमुच आर्टिफैक्ट्स का प्रतिनिधित्व करते हैं, हमेशा खारिज किए गए घटकों की स्कैल्प टोपोग्राफी और टाइम कोर्स का नेत्रहीन निरीक्षण (विजुअल इंस्पेक्शन) करें।
विभिन्न रिकॉर्डिंग वातावरणों (लैब बनाम मोबाइल) में परिणामों की परिवर्तनशीलता को सावधानी से देखें और अपने स्वयं के डेटा पर मान्य करें।
निष्कर्ष: क्या PCA एक विश्वसनीय ईईजी क्लीनिंग विधि है?
PCA उलझे हुए ब्रेनवेव डेटा को रैंक किए गए घटकों में परिवर्तित करता है, जिससे शोधकर्ताओं को रिकॉर्डिंग के सबसे अधिक शोर वाले हिस्सों पर ध्यान केंद्रित करने का एक त्वरित तरीका मिलता है। यह दृष्टिकोण विशेष रूप से तब उपयोगी होता है जब पलकें झपकना या मांसपेशियों की गतिविधियाँ सिग्नल पर हावी होती हैं, क्योंकि वे अक्सर उच्चतम-वेरिएंस वाले स्लॉट में उभर कर आती हैं।
लेकिन क्योंकि वास्तविक मस्तिष्क तरंगें भी मजबूत सिग्नल उत्पन्न कर सकती हैं, इसलिए यह तय करने के लिए अकेले इस विधि पर भरोसा नहीं किया जा सकता कि क्या आर्टिफैक्ट है और क्या बहुमूल्य न्यूरल डेटा है।
संदर्भ
कांग, डी., और झीजेंग, एल. (2012, मार्च)। PCA और DEBSS एल्गोरिथ्म पर आधारित मल्टी-चैनल ईईजी सिग्नलों को तेजी से डिक्रीज करने की एक विधि। 2012 इंटरनेशनल कॉन्फ्रेंस ऑन कंप्यूटर साइंस एंड इलेक्ट्रॉनिक्स इंजीनियरिंग (वॉल्यूम 3, पीपी 322-326) में। IEEE. https://doi.org/10.1109/ICCSEE.2012.105
ब्लम, एस., जैकबसेन, एन. एस. जे., ब्लीचनर, एम. जी., और डेबेनर, एस. (2019)। ईईजी आर्टिफैक्ट हैंडलिंग के लिए आर्टिफैक्ट सबस्पेस रिकंस्ट्रक्शन का एक रीमानियन संशोधन। फ्रंटियर्स इन ह्यूमन न्यूरोसाइंस, 13, 141. https://doi.org/10.3389/fnhum.2019.00141
अक्सर पूछे जाने वाले प्रश्न
ईईजी के संदर्भ में प्रिंसिपल कॉम्पोनेंट एनालिसिस (PCA) क्या है?
PCA एक गणितीय विधि है जो मल्टीचैनल ईईजी डेटा को सिग्नलों के एक नए सेट में पुनर्गठित करती है जिसे घटकों (कॉम्पोनेंट्स) कहा जाता है, जो एक-दूसरे से असंबंधित होते हैं। यह इन घटकों को इस आधार पर रैंक करता है कि वे कितना वेरिएंस कैप्चर करते हैं, जिसमें पहला घटक समग्र सिग्नल भिन्नता को सबसे अधिक स्पष्ट करता है।
ईईजी डेटा से आर्टिफैक्ट्स को हटाने में PCA कैसे मदद करता है?
चूंकि पलकें झपकने जैसे आर्टिफैक्ट्स बड़े, व्यापक वोल्टेज स्विंग्स उत्पन्न करते हैं, इसलिए वे उच्चतम-वेरिएंस वाले घटकों में केंद्रित हो जाते हैं। वेरिएंस द्वारा PCA की रैंकिंग शोधकर्ताओं को उन शीर्ष घटकों की पहचान करने और संभावित रूप से हटाने की अनुमति देती है, जिनमें अक्सर सबसे अधिक परेशान करने वाला शोर होता है।
क्या PCA ईईजी सिग्नलों को साफ करने के लिए अकेले काम करता है?
नहीं, PCA का उपयोग शायद ही कभी अकेले क्लीनिंग समाधान के रूप में किया जाता है। यह आमतौर पर एक बड़ी पाइपलाइन के भीतर एक कदम के रूप में कार्य करता है, या तो DEBSS जैसी अन्य विधि को लागू करने से पहले डेटा आयामों को कम करता है, या आर्टिफैक्ट सबस्पेस रिकंस्ट्रक्शन (ASR) जैसे ढांचे के भीतर डिटेक्शन इंजन के रूप में कार्य करता है।
आर्टिफैक्ट हटाने के लिए PCA और ICA में क्या अंतर है?
PCA के लिए केवल परिणामी घटकों का असंबंधित (अनकोरिलेटेड) होना आवश्यक है, जो एक आसान गणितीय स्थिति है, जबकि ICA उन घटकों की खोज करता है जो सांख्यिकीय रूप से स्वतंत्र हैं, जो एक सख्त और अधिक कम्प्यूटेशनल मांग वाली आवश्यकता है। PCA तेज़ है और अक्सर ICA के विकल्प के बजाय एक प्रारंभिक चरण के रूप में उपयोग किया जाता है।
क्या PCA गलती से आर्टिफैक्ट्स के साथ वास्तविक मस्तिष्क गतिविधि को हटा सकता है?
हाँ, क्योंकि PCA आर्टिफैक्ट्स की पहचान करने के लिए वेरिएंस पर निर्भर करता है, पोस्टीरियर अल्फा गतिविधि जैसे उच्च-आयाम वाले मस्तिष्क रिदम को गलती से शोर समझा जा सकता है। इसके अतिरिक्त, आर्टिफैक्ट्स कई घटकों में फैल सकते हैं, इसलिए केवल शीर्ष घटक को हटाने से वास्तविक न्यूरल सिग्नल खो सकते हैं।
ईईजी की सफाई के लिए फ्रीक्वेंसी फ़िल्टरिंग की तुलना में PCA कैसा है?
फ्रीक्वेंसी फ़िल्टरिंग विशिष्ट फ्रीक्वेंसी बैंड में सिग्नल ऊर्जा को हटाती या कम करती है, लेकिन यह एक आर्टिफैक्ट और मस्तिष्क के सिग्नल को अलग नहीं कर सकती है जो समान फ्रीक्वेंसी साझा करते हैं। इसके बजाय PCA सभी इलेक्ट्रोडों में वेरिएंस के पैटर्न को देखता है, जिससे यह एक सहायक दृष्टिकोण बन जाता है जो डेटा के एक अलग आयाम को संबोधित करता है।
एक शोधकर्ता को ईईजी प्रीप्रोसेसिंग वर्कफ़्लो में PCA का सुरक्षित रूप से उपयोग कैसे करना चाहिए?
PCA का उपयोग अन्य तरीकों को लागू करने से पहले एक डाइमेंशनेलिटी रिडक्शन चरण के रूप में किया जा सकता है, या यह निरीक्षण करने के लिए एक सहायक के रूप में किया जा सकता है कि कौन से पैटर्न रिकॉर्डिंग पर हावी हैं। शोधकर्ताओं को केवल वेरिएंस रैंकिंग पर आँख बंद करके भरोसा करने के बजाय, उनकी स्कैल्प टोपोग्राफी और टाइम कोर्स की जाँच करके उन घटकों का विजुअल इंस्पेक्शन करना चाहिए जिन्हें वे हटाने की योजना बना रहे हैं।
Emotiv एक न्यूरोटेक्नोलॉजी अग्रणी कंपनी है जो सुलभ EEG और मस्तिष्क डेटा टूल्स के माध्यम से न्यूरोसाइंस अनुसंधान को आगे बढ़ाने में मदद करती है।
क्रिश्चियन बर्गोस
