Principal component analysis, yang biasanya disingkat menjadi PCA, adalah salah satu alat matematika yang diusulkan untuk menawarkan cara menyederhanakan rekaman EEG multisaluran, mengurangi jumlah data yang perlu diproses, dan menandai artefak yang paling keras dan paling mengganggu, semuanya tanpa membuat beberapa asumsi statistik yang lebih ketat yang diperlukan oleh metode penghapusan artefak lainnya.
Artikel ini menjelaskan apa yang sebenarnya dilakukan PCA terhadap data EEG, bagaimana para peneliti telah menggunakannya dalam alur prapemrosesan yang sebenarnya, dan apa bukti saat ini—yang masih terbatas—tentang apakah metode ini berfungsi seperti yang diiklankan.
Apa itu Analisis Komponen Utama (PCA) dalam EEG?
Untuk memahami PCA lebih jauh, sangat membantu jika kita membayangkan seperti apa tampilan data EEG mentah sebelum pemrosesan sinyal apa pun terjadi.
Perekaman tipikal melibatkan banyak elektroda, yang masing-masing menghasilkan aliran pembacaan tegangan terus-menerus seiring waktu. Saluran-saluran ini tidak independen satu sama lain. Karena semuanya menangkap aktivitas listrik dari media konduktif yang sama (kepala), sinyal mereka tumpang tindih dan berkorelasi dengan cara yang rumit.
PCA mengambil jalinan saluran yang berkorelasi ini dan mengaturnya kembali menjadi sekumpulan sinyal baru yang disebut komponen. Setiap komponen adalah kombinasi tertimbang dari saluran asli, tetapi dengan satu sifat matematika yang penting: komponen-komponen tersebut ortogonal, yang berarti tidak berkorelasi satu sama lain.
PCA juga memeringkat komponen-komponen ini berdasarkan seberapa banyak varians, atau variasi sinyal secara keseluruhan, yang dicakup oleh masing-masing komponen. Komponen pertama menangkap bagian varians terbesar dalam data, komponen kedua menangkap bagian terbesar berikutnya di antara yang tersisa, dan seterusnya ke bawah.
Pemeringkatan ini sangat penting karena bagaimana artefak cenderung berperilaku. Berkedip mata, misalnya, menghasilkan ayunan tegangan yang besar dan lambat yang menyebar luas ke banyak elektroda sekaligus. Karena ini menciptakan pola variasi bersama yang besar, aktivitas kedipan cenderung terkonsentrasi pada komponen dengan varians tertinggi. Sinyal otak yang lebih lemah dan lebih terlokalisasi sering kali berakhir lebih jauh di bawah daftar, dalam komponen dengan varians yang lebih rendah.
Satu detail yang membedakan PCA dari beberapa kerabatnya yang lebih dikenal seperti analisis komponen independen (ICA) adalah bahwa PCA tidak mengasumsikan sumber-sumber yang mendasarinya independen secara statistik. PCA hanya mensyaratkan agar komponen yang dihasilkan tidak berkorelasi, yang merupakan kondisi yang jauh lebih longgar.
Bagaimana Cara Kerja Analisis Komponen Utama (PCA)? Penjelasan Langkah demi Langkah
Langkah 1: Standardisasi Data
Sebelum meluncurkan kalkulasi yang rumit, seseorang harus menormalkan input untuk memastikan paritas antar variabel. Jika satu variabel diukur dalam mikrovolt dan variabel lainnya dalam milidetik, perbedaan mentah dalam skala akan membiaskan hasil. Menskalakan setiap variabel ke rata-rata nol dan simpangan baku satu memungkinkan matematika memperlakukan semua fitur input dengan bobot yang setara.
Langkah 2: Hitung Matriks Kovarians
Setelah data distandarisasi, rintangan berikutnya adalah memetakan hubungan antara setiap pasangan fitur. Matriks kovarians merangkum interaksi ini, menunjukkan variabel mana yang bergerak bersama-sama dan mana yang independen. Kisi-kisi ini berfungsi sebagai landasan untuk mengidentifikasi arah di mana kumpulan data menunjukkan penyebaran yang paling signifikan.
Langkah 3: Hitung Eigenvektor dan Eigenvalue
Tahap ini melibatkan penyelesaian untuk vektor spesifik yang mencirikan bentuk distribusi data. Eigenvektor menentukan arah sumbu baru, sedangkan eigenvalue mewakili besarnya varians yang ditangkap di sepanjang arah spesifik tersebut. Penanda matematis ini memungkinkan kita memutar ruang data asli ke dalam sistem koordinat baru yang ditentukan oleh pola gerakan utama.
Langkah 4: Pilih Komponen Utama
Setelah mengidentifikasi komponen, analisis membatasi model hanya pada komponen yang menjelaskan bagian signifikan dari total varians. Proses penyaringan ini membuang variabel yang padat derau dan hanya mempertahankan pola yang paling informatif menurut ambang kuantitatif tertentu.
Dengan berfokus secara ketat pada komponen dominan, peneliti mengurangi beban komputasi pada tugas-tugas pemrosesan berikutnya. Ini memastikan bahwa model akhir responsif dan efisien untuk analisis waktu nyata.
Langkah 5: Transformasikan Data Asli
Dengan pemilihan akhir yang lengkap, langkah terakhir adalah memproyeksikan titik pengamatan asli ke sumbu baru ini. Transformasi ini menciptakan kumpulan data dimensi terreduksi baru yang mempertahankan topografi esensial dari pengukuran asli.
Para profesional kemudian menggunakan variabel yang ditransformasikan ini untuk tugas-tugas hilir seperti klasifikasi atau lokalisasi sumber, dengan memanfaatkan representasi sinyal yang lebih bersih.
Bagaimana PCA Cocok ke Dalam Alur Pemrosesan Awal EEG
Dalam praktiknya, PCA jarang bekerja sendiri. PCA cenderung muncul sebagai langkah di dalam alur pembersihan yang lebih besar, dengan melakukan salah satu dari dua pekerjaan:
Menyusutkan data
Membantu mendeteksi di mana artefak bersembunyi
Peran pertama adalah reduksi dimensi. Sebuah studi yang menggabungkan PCA dengan teknik pemisahan sumber buta estimasi densitas, atau DEBSS, menggunakan PCA secara khusus untuk memperkecil ukuran dataset EEG sebelum pemisahan lebih lanjut dapat terjadi.
Dalam alur ini, derau frekuensi tinggi pertama-tama disaring menggunakan analisis wavelet, dan kemudian “algoritma PCA digunakan untuk memproses sinyal EEG guna mengurangi dimensi data” sebelum DEBSS mengambil alih untuk memisahkan komponen yang tersisa. Setelah komponen pembawa interferensi diidentifikasi menggunakan koefisien korelasi silang dan parameter nonlinier terkait, para peneliti merekonstruksi sinyal dari komponen yang tersisa yang lebih bersih.
Peran kedua adalah deteksi artefak itu sendiri, dan ini muncul di dalam metode yang banyak digunakan yang disebut Artifact Subspace Reconstruction, atau ASR. ASR bekerja dengan menganalisis secara terus-menerus jendela pendek dari data EEG dan membandingkannya dengan garis dasar aktivitas “bersih”.
Menurut sebuah studi tahun 2019 yang memperkenalkan versi Riemannian dari metode ini, ASR “berulang kali menghitung PCA pada matriks kovarians untuk mendeteksi artefak berdasarkan sifat statistik mereka dalam subruang komponen”. Di sini, PCA tidak mengurangi jumlah saluran demi kemudahan. PCA berfungsi sebagai mesin yang memutuskan, dari waktu ke waktu, apakah segmen data terlihat normal secara statistik atau terlihat seperti artefak.
Jika digabungkan, kedua contoh ini menyimpulkan bahwa PCA adalah komponen dari strategi pembersihan, bukan strategi pembersihan lengkap itu sendiri. Biasanya, PCA menyerahkan output-nya ke algoritma lain, baik itu DEBSS, adaptasi geometri Riemannian, atau proses pengambilan keputusan lain yang menentukan komponen mana yang benar-benar dihapus.
Dapatkah PCA Mengisolasi Artefak EEG? Apa yang Ditunjukkan oleh Bukti
Alasan di balik daya tarik PCA untuk isolasi artefak sangatlah sederhana. Karena PCA mengurutkan komponen berdasarkan varians, dan karena kedipan serta aktivitas otot cenderung menghasilkan ayunan tegangan yang sangat besar, teori ilmu saraf menyatakan bahwa artefak ini secara alami akan mengurutkan diri ke dalam beberapa komponen teratas. Jika hal itu benar, seorang peneliti, secara prinsip, dapat mengisolasi dan membuang interferensi terburuk dengan cepat, tanpa perlu memodelkan independensi statistik yang tepat dari setiap sumber otak.
Studi yang menguji alur PCA-plus-DEBSS yang dijelaskan sebelumnya melaporkan bahwa metode gabungan tersebut “dapat mengeliminasi interferensi utama dari sinyal EEG multi-saluran dengan cepat dan efektif,” sembari mencatat bahwa pendekatan tersebut “stabil dan memiliki skalabilitas yang kuat.” Ini adalah hasil yang positif, tetapi patut dicatat dengan tepat apa yang diuji: alur dua langkah yang spesifik, bukan PCA yang beroperasi dalam isolasi.
Studi tahun 2019 yang dirujuk sebelumnya mengambil pendekatan komparatif yang lebih terstruktur. Para peneliti membangun versi ASR berbasis geometri Riemannian, yang disebut rASR, dan mengujinya terhadap metode ASR berbasis PCA standar menggunakan EEG yang direkam pada ponsel pintar baik dalam kondisi dalam maupun luar ruangan, dengan 27 peserta.
Mereka mengevaluasi kinerja di tiga ukuran terpisah:
Seberapa baik masing-masing metode mengurangi artefak kedipan mata (sensitivitas)
Seberapa baik masing-masing metode mempertahankan potensi yang dibangkitkan secara visual, yang merupakan respons otak terhadap rangsangan visual (spesifisitas)
Seberapa cepat masing-masing metode berjalan (efisiensi)
Menurut kesimpulan penulis, rASR “berkinerja baik pada ketiga ukuran” jika dibandingkan dengan ASR standar.
Hasil ini membesarkan hati untuk penanganan artefak berbasis PCA, tetapi basis bukti di belakangnya masih sempit. Ini adalah temuan awal yang bermakna dan berguna, tetapi belum mengarah pada klaim yang divalidasi secara luas bahwa PCA secara andal mengisolasi artefak di semua konteks EEG.
PCA vs. ICA vs. Pemfilteran: Memilih Alat yang Tepat
Peneliti EEG memiliki beberapa alat yang tersedia untuk membersihkan data, dan PCA menempati ceruk khusus di antara alat-alat tersebut.
Pemfilteran, yang mencakup filter high-pass, low-pass, dan notch, bekerja dengan menghapus atau meredam seluruh pita frekuensi. Ini berguna untuk menghilangkan interferensi konstan seperti derau saluran listrik, tetapi akan menemui batas keras ketika artefak dan sinyal otak berbagi rentang frekuensi yang sama.
Kedipan, misalnya, dapat tumpang tindih dalam frekuensi dengan gelombang otak yang lambat, dan filter tidak dapat membedakannya karena hanya melihat frekuensi, bukan pola varians di seluruh saluran. PCA beroperasi pada sumbu yang sama sekali berbeda karena melihat bagaimana variasi sinyal didistribusikan di seluruh set elektroda, bukan pada konten frekuensi. Hal ini menjadikannya pendekatan pelengkap, bukan pengganti langsung untuk pemfilteran.
Di sisi lain, ICA sering disebut-sebut bersamaan dengan PCA, tetapi kedua metode tersebut bertumpu pada asumsi yang berbeda. ICA mencari komponen yang independen secara statistik satu sama lain, persyaratan yang jauh lebih kuat dan lebih menuntut komputasi daripada kondisi PCA yang lebih longgar, yaitu dekorasi sederhana.
Karena ICA harus mencari lebih keras untuk jenis pemisahan yang lebih ketat ini, ia cenderung membutuhkan lebih banyak waktu komputasi dan lebih banyak data. PCA, secara matematis lebih sederhana, lebih cepat dan tidak memerlukan independensi sama sekali, hanya mensyaratkan agar komponen yang dihasilkan tidak berkorelasi.
Perbedaan biaya komputasi inilah yang menyebabkan PCA sering muncul sebagai langkah persiapan sebelum ICA, bukan sebagai penggantinya. Mengurangi jumlah dimensi dengan PCA terlebih dahulu dapat mempercepat proses ICA dan mengurangi risiko overfitting ketika data terbatas. Alternatifnya, PCA dapat bertindak sebagai langkah kasar pertama, menghapus artefak yang paling dominan dan jelas sebelum metode yang lebih hati-hati menyempurnakan sisanya.
Metode | Dasar Pemisahan | Kecepatan | Batasan Utama |
|---|---|---|---|
PCA | Mengurutkan berdasarkan varians | Cepat | Varians ≠ artefak |
ICA | Menemukan sumber-sumber independen | Lambat | Mengasumsikan independensi |
Pemfilteran | Menghapus pita frekuensi | Sangat cepat | Frekuensi yang tumpang tindih tetap ada |
Keterbatasan Penghapusan Artefak Berbasis PCA
Kesederhanaan PCA juga merupakan sumber kelemahannya. Beberapa pertanyaan terbuka tetap ada tentang seberapa baik ia sebenarnya melakukan pekerjaan isolasi artefak yang sering ditugaskan kepadanya.
Varians adalah pengganti yang tidak sempurna untuk “artefak.” Irama otak tertentu, seperti aktivitas alfa posterior (irama EEG terkenal yang terkait dengan kondisi rileks dan mata tertutup), dapat menghasilkan sinyal amplitudo tinggi dengan sendirinya. Metode yang mengasumsikan varians tinggi selalu berarti artefak berisiko membuang aktivitas otak yang asli bersama dengan derau yang ingin dihilangkannya.
Di arah lain, artefak kedipan tidak selalu membatasi diri dengan rapi pada satu komponen tunggal; pengaruhnya dapat menyebar ke beberapa komponen sekaligus, mempersulit strategi sederhana “hapus komponen teratas”.
Ada juga ketidaksesuaian struktural yang perlu dipertimbangkan. PCA memaksa komponen-komponennya menjadi ortogonal satu sama lain berdasarkan definisi matematis. Namun tidak ada jaminan bahwa sumber fisik aktual yang menghasilkan sinyal EEG, baik sirkuit saraf maupun kelompok otot di dekat kulit kepala, diatur dengan cara yang sesuai dengan geometri ortogonal ini.
Ketika asumsi tersebut tidak cocok dengan realitas yang mendasarinya, pemisahan yang dihasilkan PCA mungkin berupa kenyamanan matematis, bukan cerminan akurat dari apa yang sebenarnya terjadi pada jaringan tersebut.
Saran Praktis untuk Menggunakan PCA dalam Analisis EEG
Bagi seseorang yang menjelajahi dataset EEG untuk pertama kalinya, PCA tetap menjadi titik awal yang wajar, terutama sebagai cara untuk melihat pola variasi mana yang mendominasi rekaman tertentu. Berikut adalah beberapa tips yang sering direkomendasikan:
Gunakan PCA sebagai langkah awal untuk mengurangi dimensi atau menandai pola artefak yang dominan, bukan sebagai langkah pembersihan akhir.
Gabungkan PCA dengan metode berikutnya (misalnya, ICA, DEBSS, ASR) yang dapat memutuskan komponen mana yang akan dihapus.
Selalu periksa secara visual topografi kulit kepala dan jalannya waktu dari komponen yang dibuang untuk memverifikasi bahwa komponen tersebut mewakili artefak.
Sikapi variabilitas hasil di berbagai lingkungan perekaman (laboratorium vs. seluler) dengan hati-hati dan lakukan validasi pada data Anda sendiri.
Kesimpulan: Apakah PCA Metode Pembersihan EEG yang Andal?
PCA mengubah data gelombang otak yang berantakan menjadi komponen berperingkat, memberi peneliti cara cepat untuk memusatkan perhatian pada bagian rekaman yang paling bising. Pendekatan ini sangat berguna ketika kedipan mata atau gerakan otot mendominasi sinyal, karena mereka sering kali naik ke slot varians tertinggi.
Namun, karena irama otak yang asli juga dapat menghasilkan sinyal yang kuat, metode ini tidak dapat dipercaya begitu saja untuk memutuskan mana yang merupakan artefak dan mana yang merupakan data saraf yang berharga.
Referensi
Kang, D., & Zhizeng, L. (2012, Maret). 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
Pertanyaan yang Sering Diajukan
Apa itu analisis komponen utama (PCA) dalam konteks EEG?
PCA adalah metode matematika yang mengatur ulang data EEG multi-saluran menjadi sekumpulan sinyal baru yang disebut komponen, yang satu sama lain tidak saling berkorelasi. Metode ini memeringkat komponen-komponen ini berdasarkan seberapa banyak varians yang mereka tangkap, dengan komponen pertama menjelaskan sebagian besar variasi sinyal keseluruhan.
Bagaimana PCA membantu dalam menghapus artefak dari data EEG?
Karena artefak seperti kedipan mata menghasilkan ayunan tegangan yang besar dan tersebar luas, mereka cenderung terkonsentrasi pada komponen dengan varians tertinggi. Pemeringkatan PCA berdasarkan varians memungkinkan peneliti mengidentifikasi dan berpotensi membuang komponen-komponen teratas tersebut, yang sering kali berisi derau paling mengganggu.
Apakah PCA bekerja sendiri untuk membersihkan sinyal EEG?
Tidak, PCA jarang digunakan sebagai solusi pembersihan mandiri. PCA biasanya bertindak sebagai langkah dalam alur kerja yang lebih besar, baik mengurangi dimensi data sebelum menerapkan metode lain seperti DEBSS, atau berfungsi sebagai mesin pendeteksi di dalam kerangka kerja seperti Artifact Subspace Reconstruction (ASR).
Apa perbedaan antara PCA dan ICA untuk penghapusan artefak?
PCA hanya mensyaratkan komponen yang dihasilkan tidak saling berkorelasi, yang merupakan kondisi matematis yang lebih longgar, sedangkan ICA mencari komponen yang independen secara statistik, persyaratan yang lebih ketat dan lebih menuntut komputasi. PCA lebih cepat dan sering digunakan sebagai langkah persiapan sebelum ICA, bukan sebagai penggantinya.
Dapatkah PCA secara tidak sengaja menghapus aktivitas otak yang nyata bersama dengan artefak?
Ya, karena PCA mengandalkan varians untuk mengidentifikasi artefak, ritme otak amplitudo tinggi seperti aktivitas alfa posterior dapat disalahartikan sebagai derau. Selain itu, artefak dapat menyebar ke beberapa komponen, sehingga menghapus komponen teratas saja dapat membuang sinyal saraf yang asli.
Bagaimana perbandingan PCA dengan penyaringan frekuensi untuk pembersihan EEG?
Penyaringan frekuensi menghapus atau meredam energi sinyal pada pita frekuensi tertentu, tetapi metode ini tidak dapat memisahkan artefak dan sinyal otak yang berbagi frekuensi yang sama. Sebaliknya, PCA melihat pola varians di semua elektroda, menjadikannya pendekatan pelengkap yang menangani dimensi data yang berbeda.
Bagaimana seorang peneliti menggunakan PCA dengan aman dalam alur kerja pemrosesan awal EEG?
PCA dapat digunakan sebagai langkah reduksi dimensi sebelum menerapkan metode lain, atau sebagai pembantu untuk memeriksa pola mana yang mendominasi rekaman. Peneliti harus memeriksa komponen yang ingin mereka buang secara visual dengan memeriksa topografi kulit kepala dan jalannya waktu, daripada mempercayai pemeringkatan varians begitu saja.
Emotiv adalah pemimpin neuroteknologi yang membantu memajukan penelitian neurosains melalui alat EEG dan data otak yang mudah diakses.
Christian Burgos
