Analisis Komponen Independen

Apa itu Independent Component Analysis (ICA)?

Independent component analysis adalah teknik statistik dan komputasi canggih yang berfokus pada ekstraksi faktor atau komponen tersembunyi dari sekumpulan pengamatan campuran.

Dalam banyak skenario dunia nyata, data yang direkam adalah hasil dari beberapa sinyal sumber yang bekerja secara bersamaan melalui suatu medium, menciptakan tumpang tindih kompleks yang sering kali tidak dapat dipahami dalam bentuk mentahnya. Dengan menerapkan transformasi aljabar tertentu, metode ini bertindak sebagai filter untuk membalikkan proses pencampuran.

Konsep Inti: Memisahkan Sinyal Campuran

Premis mendasar dari bidang ini berkisar pada "masalah pesta koktail" (cocktail party problem), di mana beberapa orang berbicara sekaligus di sebuah ruangan sementara beberapa mikrofon merekam kekacauan pendengaran yang dihasilkan.

Seorang pengamat kasual hanya mendengar perpaduan suara yang kacau, tetapi ICA secara teoritis dapat mengidentifikasi sinyal yang disumbangkan oleh setiap pembicara individu. Kemampuan ini memungkinkan para peneliti untuk mengisolasi bentuk gelombang tertentu dari aliran global, memberikan jendela yang jelas ke saluran data individual yang jika tidak dilakukan akan menjadi tidak jelas.

Landasan Matematika ICA

Secara matematis, tujuannya adalah untuk melakukan pemisahan sumber buntu (blind source separation), menemukan transformasi linier yang membuat variabel yang diamati seindependen mungkin. Mengingat vektor data yang diamati, algoritme mencari matriks pemisahan (unmixing matrix) yang, ketika dikalikan dengan pengamatan, menghasilkan perkiraan sinyal sumber yang memiliki distribusi statistik independen.

Untuk mencapai hal ini, sinyal-sinyal tersebut harus non-Gaussian, karena sifat matematis dari distribusi Gaussian membuatnya mustahil untuk dipisahkan secara unik. Dalam konteks neuroscience modern, ketelitian ini memastikan bahwa fluktuasi listrik yang halus tidak hilang oleh gangguan latar belakang di sekitarnya.

Bagaimana Cara Kerja Independent Component Analysis?

Beroperasi dengan sukses pada data berdimensi tinggi, proses ini mengandalkan transformasi campuran menjadi bagian-bagian penyusunnya dengan mengukur non-Gaussianitas. Karena sinyal campuran sering kali cenderung mendekati distribusi Gaussian karena teorema limit pusat, algoritme berfungsi dengan mencari secara agresif arah dalam data yang sejauh mungkin dari Gaussian.

Komponen-komponen yang dihasilkan secara efektif merupakan sinyal "murni" yang merekonstruksi sumber asli yang independen dari proses pencampuran.

Asumsi-Asumsi ICA

Keberhasilan eksekusi algoritme ini bertumpu pada beberapa persyaratan kritis. Asumsi yang paling penting adalah bahwa sinyal sumber secara statistik independen satu sama lain; jika mengetahui nilai dari satu sumber tidak memberikan informasi tentang sumber lainnya, maka sinyal tersebut memenuhi syarat untuk dipisahkan.

Selain itu, algoritme mengasumsikan jumlah sinyal campuran yang diamati setidaknya sama besarnya dengan jumlah sumber independen. Akhirnya, seperti yang dicatat, sumber-sumber tersebut harus menunjukkan distribusi non-Gaussian, karena struktur yang berbeda ini menciptakan titik acuan yang dibutuhkan algoritme untuk menambatkan upaya pemisahannya.

Algoritme Independent Component Analysis: Teknik-Teknik Kunci

Beberapa pendekatan algoritme ada untuk mencapai pemisahan ini, dengan FastICA dan Infomax menjadi salah satu contoh yang paling menonjol. Metode-metode ini secara iteratif menyesuaikan matriks pemisahan untuk meminimalkan informasi timbal balik (mutual information) atau memaksimalkan non-Gaussianitas dari output.

Proses pengoptimalan ini padat komputasi, membutuhkan implementasi yang hati-hati untuk memastikan konvergensi yang konsisten di berbagai kumpulan data. Dengan menyempurnakan bobot ini, sistem secara progresif mengupas lapisan interferensi hingga masing-masing sinyal yang berbeda muncul dengan jelas.

Independent Component Analysis vs. Principal Component Analysis (ICA vs. PCA)

Meskipun kedua teknik tersebut digunakan untuk reduksi dimensi atau analisis sinyal, tujuan fungsionalnya sangat berbeda. Peneliti harus memilih di antara keduanya berdasarkan apakah mereka ingin menangkap varians atau independensi dalam kumpulan data mereka.

Memilih alat yang tepat bergantung pada tujuan spesifik dari analisis yang mendasarinya. Meskipun PCA sangat bagus untuk kompresi data di mana mempertahankan tren utama adalah kuncinya, ICA lebih unggul ketika tujuannya adalah mengidentifikasi proses unik dan independen yang berkontribusi pada pengamatan total.

Bagaimana Independent Component Analysis Memisahkan Sinyal Otak dari Kebisingan (Noise)

Independent Component Analysis mengambil pendekatan yang lebih ketat daripada PCA. Alih-alih hanya mendekorelasikan sinyal, ICA mencari komponen yang secara statistik independen, artinya mengetahui nilai satu komponen tidak memberikan informasi apa pun tentang komponen lainnya.

Ini adalah standar yang jauh lebih tinggi daripada dekorolasi, dan inilah yang memungkinkan ICA untuk memisahkan sinyal yang memiliki konten frekuensi yang sama tetapi berasal dari sumber fisik yang benar-benar terpisah: kedipan mata di sini, rahang yang mengatup di sana, bagian korteks visual yang merespons stimulus di tempat lain.

• Studi Winkler et al. menerapkan TDSEP, sebuah versi ICA yang memperhitungkan korelasi temporal dari waktu ke waktu, bukan hanya statistik instan dari sinyal.

• Studi Olaf Dimigen menggunakan Infomax, algoritme ICA yang banyak digunakan.

• Studi Mognon membangun alat deteksi otomatisnya di atas alur kerja (pipeline) berbasis ICA umum.

Terlepas dari perbedaan dalam implementasinya, semua pendekatan ini bersandar pada prinsip dasar yang sama: menguraikan sinyal elektrode campuran menjadi sekumpulan komponen yang berperilaku independen satu sama lain, lalu mencari tahu komponen mana yang terlihat seperti aktivitas otak dan mana yang terlihat seperti artefak.

Asumsi Inti di Balik ICA: Non-Gaussianitas dan Pencampuran Linier

ICA berfungsi karena dua asumsi khusus tentang data, dan memahaminya akan menjelaskan kekuatan sekaligus titik kegagalannya.

1. Asumsi pertama adalah non-Gaussianitas. Sumber EEG yang sebenarnya, baik itu ritme otak, kedipan mata, atau letupan otot, cenderung memiliki distribusi amplitudo yang menyimpang dari bentuk kurva lonceng distribusi Gaussian (normal). Algoritme ICA dibangun untuk mencari dan memaksimalkan struktur non-Gaussian ini, karena campuran sinyal independen cenderung terlihat lebih Gaussian daripada komponen individunya (konsekuensi dari teorema limit pusat).

2. Asumsi kedua adalah pencampuran linier. ICA mengasumsikan bahwa apa yang direkam oleh elektrode adalah kombinasi linier instan dari sinyal sumber yang mendasarinya, sebuah asumsi yang berlaku cukup baik untuk bagaimana aktivitas listrik menyebar melalui jaringan dan tengkorak (proses yang dikenal sebagai konduksi volume) dalam kondisi perekaman yang stabil. Asumsi ini paling mudah dipenuhi ketika seseorang duduk diam.

Mengapa Penyaringan High-Pass Sebelum ICA Mengubah Segalanya

Kualitas dekomposisi ICA sangat bergantung pada bagaimana sinyal diproses sebelum algoritme dijalankan, dan pilihan batas filter high-pass (filter yang menghilangkan penyimpangan yang sangat lambat di bawah frekuensi yang ditentukan) ternyata menjadi salah satu keputusan paling konsekuensial di seluruh alur kerja.

Sebuah studi tahun 2015 yang dipimpin oleh Winkler et al. menguji hal ini secara langsung menggunakan data event-related potential (ERP), pola gelombang otak yang terkunci waktu ke stimulus tertentu, dari 21 peserta yang melakukan tugas ganjil pendengaran (auditory oddball task). Penyaringan high-pass antara 1 dan 2 Hz secara konsisten membuahkan hasil yang baik di tiga metrik terpisah: rasio sinyal-terhadap-kebisingan (signal-to-noise ratio), akurasi klasifikasi uji tunggal (single-trial), dan persentase komponen yang terlihat "hampir dipolar" (near-dipolar), yang berarti mereka memiliki pola spasial yang konsisten dengan sumber otak tunggal yang terlokalisasi daripada campuran samar dari beberapa sumber.

Selain itu, dalam studi tahun 2020, Klug et al. meneliti pertanyaan yang sama di setups perekaman stasioner dan seluler. Untuk eksperimen stasioner standar dengan 64 saluran dan filter 0,5 Hz, hasilnya dapat diterima. Namun, eksperimen seluler memerlukan batas cut-off yang lebih tinggi, hingga 2 Hz, untuk mencapai dekomposisi optimal, dan setup dengan lebih banyak saluran membutuhkan filter yang lebih tinggi.

Penelitian Olaf Dimigen mendorong ide ini lebih jauh dalam konteks khusus artefak pergerakan mata. Dengan secara sistematis memvariasikan filter high-pass, filter low-pass, dan proporsi data latih yang berisi potensi lonjakan sakadik (saccadic spike potentials), peneliti menemukan bahwa melatih ICA pada data di mana potensi lonjakan ini sangat berbobot sangat meningkatkan kualitas koreksi.

Bersama-sama, ketiga studi ini menunjukkan kesimpulan yang sama: setelan filter bawaan, terutama batas 0,5 Hz yang umum, mungkin terlalu longgar untuk banyak kasus penggunaan, dan pilihan yang tepat bergantung pada artefak spesifik dan kondisi perekaman.

Mengotomatiskan Pemilihan Komponen Artefak dengan Pembelajaran Mesin

Setelah ICA menghasilkan sekumpulan komponen independen, seseorang atau sesuatu masih harus memutuskan komponen mana yang mewakili aktivitas otak dan mana yang mewakili artefak. Pelabelan manual oleh para ahli terlatih lambat dan menimbulkan subjektivitas, karena para ahli yang berbeda tidak selalu setuju pada kasus-kasus batas.

Untuk mengatasi hal ini, tim Winkler membangun pengklasifikasi linier independen subjek hanya dengan menggunakan enam fitur yang diambil dari karakteristik frekuensi, spasial, dan temporal dari setiap komponen. Dilatih pada 640 komponen TDSEP berlabel tangan dari 12 peserta dalam studi waktu reaksi, pengklasifikasi mencapai kurang dari 10% Mean Squared Error (MSE) ketika diuji pada data baru, tingkat kinerja yang setara dengan tingkat ketidaksepakatan alami antara para ahli manusia.

Ketika diterapkan tanpa pelatihan ulang pada paradigma ERP pendengaran yang sama sekali berbeda, pengklasifikasi yang sama mencapai 15% MSE, hasil yang masuk akal tetapi terasa lebih lemah yang mencerminkan sulitnya generalisasi di berbagai paradigma. Dalam tugas brain-computer interface imajinasi motorik, para peneliti menunjukkan bahwa menghilangkan hingga 60% komponen yang paling mengandung artefak masih mempertahankan informasi diskriminan yang diperlukan agar BCI dapat berfungsi.

Selanjutnya, tim Mognon memperkenalkan ADJUST, algoritme otomatis penuh yang menggabungkan fitur spasial dan temporal yang disetel khusus untuk mendeteksi kedipan, gerakan mata, dan diskontinuitas generik. Divalidasi pada kumpulan data independen, klasifikasi komponen ADJUST disetujui oleh pelabelan ahli manual pada 95,2% varians data. Menghilangkan komponen yang ditandai ADJUST sebagai mengandung artefak menghasilkan apa yang digambarkan oleh studi tersebut sebagai rekonstruksi rapi dari potensi terkait peristiwa visual dan pendengaran dari data yang sangat terpengaruh artefak.

Kedua alat tersebut menunjukkan kemajuan nyata dalam mengurangi beban manual pembersihan EEG, tetapi kinerja yang dilaporkan berasal dari kumpulan data dan paradigma tertentu, dan generalisasi ke kondisi baru tidak dijamin.

Poin Praktis untuk Membersihkan Data EEG dengan ICA

Independent Component Analysis berfungsi karena menargetkan independensi statistik yang sebenarnya, bukan sifat dekorolasi yang lebih lemah yang diandalkan oleh metode seperti PCA. Perbedaan inilah yang memungkinkannya memisahkan sinyal otak dan artefak bahkan ketika konten frekuensinya tumpang tindih, sesuatu yang tidak dapat dilakukan oleh penyaringan domain frekuensi dan sesuatu yang gagal dicapai oleh koreksi EOG berbasis regresi dalam pengujian langsung.

Keberhasilan itu, bagaimanapun, bersyarat. Penyaringan high-pass dalam rentang 1 hingga 2 Hz telah terbukti menghasilkan dekomposisi yang konsisten baik dalam penelitian ERP stasioner, sementara perekaman seluler mendapat manfaat dari filter hingga 2 Hz, dengan jumlah saluran juga memainkan peran. Untuk artefak yang sangat sulit seperti potensi lonjakan sakadik selama melihat bebas, dengan sengaja memberikan bobot berlebih pada artefak selama pelatihan, alih-alih menggunakan setelan bawaan, dapat mengubah koreksi yang tidak memuaskan menjadi koreksi yang menghilangkan hampir semua kontaminasi dengan distorsi minimal pada aktivitas otak.

Lebih lanjut, pengklasifikasi komponen otomatis, termasuk model linier enam fitur dari studi tersebut dan algoritme ADJUST dari studi yang disebutkan di atas, dapat secara signifikan memotong waktu dan subjektivitas yang terlibat dalam pelabelan manual. Keduanya menunjukkan kesepakatan yang kuat dengan penilaian ahli pada data validasi mereka. Namun, keduanya tidak boleh diperlakukan sebagai solusi universal tanpa kesadaran akan bagaimana kinerja dapat bergeser di berbagai paradigma perekaman dan peralatan.

Penghapusan artefak berbasis ICA tetap menjadi salah satu pendekatan yang didukung dengan baik yang tersedia untuk membersihkan data EEG, dan ilmu saraf di baliknya didasarkan pada logika statistik yang koheren. Namun performa aktualnya bergantung pada pilihan yang dibuat lama sebelum algoritme dijalankan: setelan filter, komposisi data latih, dan artefak spesifik yang ditargetkan. Siapa pun yang menerapkannya harus memvalidasi hasil dengan metrik objektif daripada mengasumsikan satu konfigurasi akan berfungsi di mana saja.

Mengapa Pilihan Preprocessing Menentukan Keberhasilan ICA di EEG

Data otak yang bersih adalah fondasi untuk segalanya, mulai dari perangkat yang dikendalikan oleh pikiran hingga penelitian memori yang cermat. Independent Component Analysis menyediakan cara yang sehat secara matematis untuk memisahkan aktivitas saraf campuran dan kebisingan tubuh, bahkan ketika metode yang lebih mudah seperti penyaringan sederhana tidak memadai. Dengan menargetkan independensi statistik sejati, ia dapat mengungkapkan sidik jari listrik terpisah dari ritme otak nyata dan kedipan mata yang terjadi pada pita frekuensi yang sama.

Kekuatan nyata, bagaimanapun, muncul hanya ketika peneliti bergerak melampaui setelan bawaan plug-and-play. Studi menunjukkan bahwa menyetel filter high-pass ke situasi perekaman tertentu dan mempersiapkan contoh latihan dengan cermat untuk detektor artefak adalah hal yang mengubah ICA dari eksperimen penuh harapan menjadi alat yang konsisten dan andal. Memberikan perhatian yang dipersonalisasi semacam ini memungkinkan para ilmuwan untuk memulihkan pesan otak dengan percaya diri alih-alih membiarkannya acak-acakan di dalam rekaman yang bising.

Referensi

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

Pertanyaan yang Sering Diajukan

Mengapa penyaringan frekuensi sederhana tidak dapat menghilangkan artefak EEG seperti kedipan mata dan aktivitas otot?

Penyaringan frekuensi gagal karena artefak dan sinyal otak sering kali berada pada pita frekuensi yang sama, seperti aktivitas otot dan ritme theta frontal, sehingga menghilangkan salah satunya juga menghilangkan yang lain. Filter tidak dapat memisahkan keduanya ketika osilasinya tumpang tindih.

Apa perbedaan utama antara PCA dan ICA dalam memisahkan sinyal otak dari kebisingan (noise)?

PCA hanya mendekorelasikan sinyal—membuatnya tidak berkorelasi secara linier—tetapi tidak memerlukan independensi statistik. ICA melangkah lebih jauh dengan mencari komponen yang sepenuhnya independen secara statistik, yang berarti mengetahui satu komponen tidak mengungkapkan apa pun tentang komponen lainnya, yang memungkinkan pemisahan sumber otak campuran dan artefak yang lebih baik.

Bagaimana cara ICA memisahkan sinyal otak dari artefak?

ICA mengasumsikan bahwa sinyal elektrode campuran adalah kombinasi linier dari sinyal sumber independen yang non-Gaussian. Ini menemukan transformasi yang memaksimalkan independensi komponen yang dihasilkan, secara efektif mengisolasi sumber fisik yang berbeda seperti kedipan mata dari ritme otak bahkan jika frekuensinya tumpang tindih.

Mengapa non-Gaussianitas penting agar ICA dapat bekerja?

Sumber EEG asli cenderung memiliki distribusi amplitudo non-Gaussian, sedangkan campuran sinyal independen menjadi lebih Gaussian. Algoritme ICA mencari dan memaksimalkan struktur non-Gaussian ini untuk memisahkan sumber asli, karena menemukan proyeksi paling tidak Gaussian akan memulihkan komponen independen.

Mengapa penyaringan high-pass data EEG sebelum ICA sangat penting?

Filter high-pass menghilangkan distorsi sangat lambat yang dapat merusak dekomposisi ICA. Studi secara konsisten menemukan bahwa batas filter sekitar 1–2 Hz menghasilkan komponen independen yang lebih bersih dan lebih mirip seperti aktivitas otak dibandingkan dengan setelan bawaan yang lebih rendah seperti 0,5 Hz, terutama dalam perekaman seluler atau saat menargetkan artefak tertentu.

Bagaimana pembelajaran mesin dapat membantu mengotomatiskan klasifikasi komponen ICA sebagai otak atau artefak?

Pengklasifikasi otomatis menggunakan beberapa fitur dari pola frekuensi, spasial, dan temporal setiap komponen untuk melabelinya dengan akurasi yang mendekati persetujuan ahli. Ini mengurangi beban kerja manual dan subjektif dalam memilih komponen mana yang akan dihapus, meskipun kinerjanya mungkin turun ketika diterapkan pada paradigma eksperimen baru.

Apa yang terjadi pada performa ICA selama perekaman EEG seluler saat peserta bergerak?

Gerakan tidak sepenuhnya merusak asumsi pencampuran linier, sehingga ICA masih berfungsi, tetapi ini mengurangi jumlah komponen otak yang bersih dan dapat ditafsirkan yang dapat dipulihkan. Pengaturan seluler sering kali memerlukan batas penyaringan high-pass yang lebih tinggi untuk mempertahankan dekomposisi optimal dibandingkan dengan perekaman stasioner.

Bisakah ICA diterapkan pada campuran non-linier?

Algoritme standar mengasumsikan campuran linier, jadi menerapkannya pada kombinasi non-linier yang kompleks sering kali memerlukan modifikasi luar biasa atau ekstensi khusus pada model.