Analisis Komponen Utama

Apa Itu Principal Component Analysis (Analisis Komponen Utama) dalam EEG?

Untuk memahami PCA lebih lanjut, ada baiknya membayangkan seperti apa rupa data EEG mentah sebelum pemrosesan sinyal apa pun dilakukan.

Perekaman umum melibatkan banyak elektroda, yang masing-masing menghasilkan aliran pembacaan voltase terus-menerus sepanjang waktu. Saluran-saluran ini tidak independen satu sama lain. Karena semuanya menangkap aktivitas listrik dari media konduktif yang sama (kepala), sinyal-sinyal tersebut tumpang tindih dan saling 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 berbobot dari saluran asli, tetapi dengan satu sifat matematis yang penting: komponen-komponen tersebut bersifat ortogonal, yang berarti mereka tidak berkorelasi satu sama lain.

PCA juga mengurutkan komponen-komponen ini berdasarkan seberapa banyak varians, atau variasi sinyal secara keseluruhan, yang dapat dijelaskan oleh masing-masing komponen. Komponen pertama menangkap bagian varians terbesar dalam data, komponen kedua menangkap bagian terbesar berikutnya di antara sisa data yang ada, dan seterusnya ke bawah.

Peringkat ini sangat krusial karena cara artefak cenderung berperilaku. Kedipan mata, misalnya, menghasilkan ayunan voltase yang besar dan lambat yang menyebar luas ke banyak elektroda sekaligus. Karena ini menciptakan pola variasi yang besar dan terbagi, 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 lebih rendah.

Satu detail yang membedakan PCA dari beberapa metode sejenisnya yang lebih terkenal seperti independent component analysis (ICA) adalah bahwa PCA tidak mengasumsikan sumber-sumber dasar independen secara statistik. PCA hanya mensyaratkan komponen yang dihasilkan tidak berkorelasi, yang merupakan kondisi yang jauh lebih longgar.

Bagaimana Cara Kerja Principal Component Analysis (PCA)? Penjelasan Langkah demi Langkah

Langkah 1: Standarisasi Data

Sebelum memulai perhitungan yang kompleks, seseorang harus menormalkan input untuk memastikan kesetaraan di seluruh variabel. Jika satu variabel diukur dalam mikrovolt dan variabel lainnya dalam milidetik, perbedaan skala mentah akan membiaskan hasil. Menskalakan setiap variabel ke rata-rata (mean) nol dan standar deviasi satu memungkinkan perhitungan memperlakukan semua fitur input dengan bobot yang sama.

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 dan mana yang independen. Kisi ini berfungsi sebagai fondasi untuk mengidentifikasi arah di mana kumpulan data menunjukkan sebaran paling signifikan.

Langkah 3: Hitung Eigenvektor dan Nilai Eigen (Eigenvalue)

Tahap ini melibatkan penyelesaian vektor-vektor spesifik yang mencirikan bentuk distribusi data. Eigenvektor menentukan arah sumbu baru, sementara nilai eigen mewakili besarnya varians yang ditangkap di sepanjang arah spesifik tersebut. Penanda matematis ini memungkinkan kita untuk memutar ruang data asli ke dalam sistem koordinat baru yang ditentukan oleh pola pergerakan utama.

Langkah 4: Pilih Komponen Utama (Principal Components)

Setelah mengidentifikasi komponen, analisis membatasi model hanya pada komponen-komponen yang menjelaskan sebagian besar varians total. Proses penyaringan ini membuang variabel yang sarat noise dan hanya mempertahankan pola paling informatif sesuai dengan ambang batas kuantitatif tertentu.

Dengan berfokus secara ketat pada komponen dominan, para peneliti mengurangi beban komputasi pada tugas pemrosesan berikutnya. Hal ini memastikan bahwa model akhir responsif dan efisien untuk analisis waktu nyata (real-time).

Langkah 5: Transformasikan Data Asli

Dengan pemilihan akhir yang selesai, langkah terakhir adalah memproyeksikan titik pengamatan asli ke sumbu-sumbu baru ini. Transformasi ini menciptakan kumpulan data berdimensi reduksi yang baru, yang mempertahankan topografi esensial dari pengukuran asli.

Para profesional kemudian menggunakan variabel-variabel yang telah ditransformasikan ini untuk tugas-tugas lanjutan seperti klasifikasi atau lokalisasi sumber, dengan memanfaatkan representasi sinyal yang lebih bersih.

Bagaimana PCA Masuk ke Dalam Alur Pemrosesan Awal (Preprocessing) EEG

Dalam praktiknya, PCA jarang bekerja sendiri. Metode ini cenderung muncul sebagai salah satu langkah di dalam alur pembersihan yang lebih besar, menjalankan salah satu dari dua tugas:

1. Menyusutkan ukuran data

2. Membantu mendeteksi tempat artefak bersembunyi

Peran pertama adalah reduksi dimensi. Sebuah studi yang menggabungkan PCA dengan teknik bernama density estimation blind source separation, atau DEBSS, menggunakan PCA secara khusus untuk mengurangi ukuran kumpulan data EEG sebelum pemisahan lebih lanjut dapat dilakukan.

Dalam alur kerja ini, noise 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 non-linear terkait, para peneliti merekonstruksi sinyal dari komponen-komponen yang tersisa dan 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 terus menganalisis jendela pendek data EEG dan membandingkannya dengan garis dasar aktivitas “bersih”.

Menurut sebuah studi tahun 2019 yang memperkenalkan versi Riemannian dari metode ini, ASR “secara berulang menghitung PCA pada matriks kovarians untuk mendeteksi artefak berdasarkan sifat statistik mereka di 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 yang berdiri sendiri. Metode ini biasanya menyerahkan output-nya ke algoritma lain, baik itu DEBSS, adaptasi geometri Riemannian, atau proses pengambilan keputusan lain yang menentukan komponen mana yang sebenarnya akan dihapus.

Dapatkah PCA Mengisolasi Artefak EEG? Apa yang Ditunjukkan oleh Bukti

Alasan di balik daya tarik PCA untuk isolasi artefak cukup sederhana. Karena PCA mengurutkan komponen berdasarkan varians, dan karena kedipan mata serta aktivitas otot cenderung menghasilkan ayunan voltase yang sangat besar, teori ilmu saraf berpendapat bahwa artefak ini secara alami akan menyortir dirinya ke dalam beberapa komponen teratas. Jika hal itu benar, seorang peneliti pada prinsipnya dapat mengisolasi dan membuang interferensi terburuk dengan cepat, tanpa perlu memodelkan independensi statistik yang tepat dari setiap sumber otak.

Studi yang menguji alur kerja PCA-plus-DEBSS yang dijelaskan sebelumnya melaporkan bahwa metode gabungan tersebut “dapat mengeliminasi interferensi utama dari sinyal EEG multisaluran secara cepat dan efektif,” serta mencatat bahwa pendekatan tersebut “stabil dan memiliki skalabilitas yang kuat.” Ini adalah hasil yang positif, tetapi perlu dicatat secara tepat apa yang diuji: alur kerja dua langkah yang spesifik, bukan PCA yang beroperasi secara terisolasi.

Studi tahun 2019 yang disebutkan 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 cerdas baik dalam kondisi di dalam maupun di luar ruangan, dengan 27 partisipan.

Mereka mengevaluasi performa melalui tiga ukuran terpisah:

1. Seberapa baik setiap metode mengurangi artefak kedipan mata (sensitivitas)

2. Seberapa baik setiap metode mempertahankan potensial cetusan visual (visual-evoked potentials), yang merupakan respons otak terhadap rangsangan visual (spesifisitas)

3. Seberapa cepat setiap metode berjalan (efisiensi)

Menurut kesimpulan penulis, rASR “berkinerja lebih baik pada ketiga ukuran tersebut” jika dibandingkan dengan ASR standar.

Hasil ini menggembirakan bagi penanganan artefak berbasis PCA, tetapi basis bukti di baliknya masih sempit. Ini adalah temuan awal yang bermakna dan berguna, tetapi belum menjadi klaim tervalidasi secara luas bahwa PCA dapat mengisolasi artefak secara andal 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 tertentu di antara alat-alat tersebut.

Pemfilteran, yang mencakup filter lolos-tinggi (high-pass), lolos-rendah (low-pass), dan takik (notch), bekerja dengan menghilangkan atau meredam seluruh pita frekuensi. Ini berguna untuk menghilangkan interferensi konstan seperti noise saluran listrik, tetapi menemui batasan keras ketika artefak dan sinyal otak berbagi rentang frekuensi yang sama.

Kedipan mata, misalnya, dapat tumpang tindih dalam hal 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 kumpulan elektroda, bukan pada konten frekuensi. Hal ini menjadikannya pendekatan pelengkap alih-alih pengganti langsung untuk pemfilteran.

Di sisi lain, ICA sering kali disebut-sebut bersamaan dengan PCA, tetapi kedua metode ini berpijak pada asumsi yang berbeda. ICA mencari komponen-komponen yang independen secara statistik satu sama lain, sebuah persyaratan yang jauh lebih kuat dan lebih menuntut secara komputasi daripada kondisi PCA yang lebih longgar, yaitu sekadar dekorasi sederhana.

Karena ICA harus mencari lebih keras untuk jenis pemisahan yang lebih ketat ini, ICA cenderung memerlukan lebih banyak waktu komputasi dan lebih banyak data. PCA, karena secara matematis lebih sederhana, berjalan lebih cepat dan tidak memerlukan independensi sama sekali, hanya mensyaratkan bahwa komponen yang dihasilkan tidak berkorelasi.

Perbedaan dalam biaya komputasi inilah yang membuat PCA sering kali muncul sebagai langkah persiapan sebelum ICA, bukan sebagai penggantinya. Mengurangi jumlah dimensi dengan PCA terlebih dahulu dapat mempercepat eksekusi ICA dan mengurangi risiko overfitting ketika data terbatas. Sebagai alternatif, PCA dapat bertindak sebagai langkah awal yang kasar, menghilangkan artefak yang paling dominan dan jelas sebelum metode yang lebih teliti menyempurnakan sisanya.

Keterbatasan Penghilangan Artefak Berbasis PCA

Kesederhanaan PCA juga merupakan sumber kelemahannya. Masih ada beberapa pertanyaan terbuka tentang seberapa baik metode ini benar-benar melakukan tugas isolasi artefak yang sering dibebankan kepadanya.

Varians adalah representasi yang tidak sempurna untuk “artefak.” Irama otak tertentu, seperti aktivitas alfa posterior (ritme EEG terkenal yang terkait dengan keadaan rileks dengan mata tertutup), dapat menghasilkan sinyal amplitudo tinggi dengan sendirinya. Metode yang mengasumsikan varians tinggi selalu berarti artefak berisiko membuang aktivitas otak yang asli bersamaan dengan noise yang seharusnya dihilangkan.

Sebaliknya, artefak kedipan tidak selalu membatasi diri secara rapi pada satu komponen saja; pengaruhnya dapat menyebar ke beberapa komponen sekaligus, sehingga memperumit strategi sederhana “hapus komponen teratas”.

Ada juga ketidakcocokan 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 itu sirkuit saraf maupun kelompok otot di dekat kulit kepala, tersusun dengan cara yang cocok dengan geometri ortogonal ini.

Ketika asumsi tidak cocok dengan realitas yang mendasarinya, pemisahan yang dihasilkan PCA mungkin hanyalah kemudahan matematis dan bukan refleksi akurat dari apa yang sebenarnya terjadi di dalam jaringan.

Saran Praktis untuk Menggunakan PCA dalam Analisis EEG

Bagi seseorang yang baru pertama kali mengeksplorasi kumpulan data EEG, PCA tetap menjadi titik awal yang masuk akal, 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 tahap pembersihan akhir.

• Gabungkan PCA dengan metode lanjutan (misalnya, ICA, DEBSS, ASR) yang dapat menentukan komponen mana yang harus dihapus.

• Selalu periksa secara visual topografi kulit kepala dan riwayat waktu (time course) dari komponen yang dibuang untuk memverifikasi bahwa komponen tersebut benar-benar mewakili artefak.

• Sikapi variabilitas hasil di berbagai lingkungan perekaman (laboratorium vs. perangkat seluler) dengan hati-hati dan validasi pada data Anda sendiri.

Principal Component Analysis dalam Penelitian EEG Berbasis Emotiv

Headset Emotiv telah digunakan dalam sejumlah penelitian yang ditinjau sejawat di mana principal component analysis berfungsi sebagai metode komputasi inti, yang mengilustrasikan fleksibilitas teknik ini dalam klasifikasi, pemilihan sensor, pemrosesan awal, dan peningkatan kualitas sinyal.

Pengklasifikasi Ensembel PCA untuk Akurasi Speller P300

Pengembangan BCI yang dapat dikenakan menuntut pemrosesan sinyal yang efisien, dan sebuah studi mengevaluasi pengklasifikasi ensembel PCA untuk speller berbasis P300 yang direkam dengan neuroheadset Emotiv. Menggunakan paradigma oddball klasik, para penulis membandingkan pendekatan ensembel mereka dengan metode ekstraksi fitur dan klasifikasi tradisional.

Pada data validasi silang (cross-validation), ensembel PCA mencapai akurasi rata-rata sebesar 86,29%, sementara pengujian luring (offline) menghasilkan akurasi klasifikasi rata-rata yang jauh lebih tinggi sebesar 73,3% dibandingkan dengan metode konvensional. Hasil ini mengarah pada klasifikasi ensembel berbasis PCA sebagai strategi yang layak untuk memproses data P300 dari perangkat EEG kelas konsumen yang bersifat seluler.

Memilih Sensor EEG Minimal untuk Identifikasi Biometrik dengan PCA

Mengurangi jumlah elektroda tanpa mengorbankan informasi diskriminatif merupakan tantangan praktis untuk sistem biometrik. Para peneliti meneliti pemilihan sensor EEG minimum untuk identifikasi individu menggunakan headset Emotiv EPOC+ dan kumpulan data publik yang lebih besar. Dua metodologi reduksi diterapkan: satu berbasis principal component analysis dan yang lainnya berbasis uji peringkat bertanda Wilcoxon (Wilcoxon signed-rank test).

Studi tersebut melaporkan bahwa kedua pendekatan memungkinkan identifikasi set elektroda minimum yang diperlukan untuk identifikasi individu yang andal, dengan PCA membantu menentukan area kortikal mana yang paling berkontribusi terhadap pola yang dapat dipisahkan. Hal ini menunjukkan peran reduksi dimensi PCA dalam menerjemahkan konfigurasi laboratorium ke tata letak sensor yang lebih sederhana dan lebih praktis.

Membandingkan PCA dengan CSP dan CAR untuk Penghilangan Artefak

Sebuah perbandingan alur pemrosesan awal merekam EEG dengan Emotiv EPOC untuk mengevaluasi seberapa baik berbagai algoritma membersihkan sinyal sebelum klasifikasi. Dalam sebuah perbandingan algoritma pemrosesan awal, principal component analysis diuji bersama dengan Common Spatial Pattern (CSP) dan Common Average Reference (CAR) untuk penghilangan artefak, setelah itu fitur Power Spectral Density dimasukkan ke dalam pengklasifikasi Support Vector Machine.

Para penulis mengamati bahwa PCA memberikan kinerja sebesar 94,28%, melampaui algoritma lainnya dalam pengaturan mereka. Ini menunjukkan bahwa PCA dapat bertindak sebagai komponen efektif dari rangkaian pemrosesan awal saat bekerja dengan perangkat keras EEG kelas konsumen.

Meningkatkan Ekstraksi Ritme Kolektif: PCA vs. Torsi Kosambi‑Hilbert

Ketika beberapa sensor EEG menangkap aktivitas osilasi, mengekstraksi ritme bersama dengan rasio signal-to-noise yang tinggi sering kali diinginkan. Sebuah studi tentang peningkatan kualitas ritme kolektif dengan Emotiv EPOC+ membandingkan principal component analysis tradisional dengan metode torsi Kosambi‑Hilbert (KHT). Data direkam selama istirahat dengan mata tertutup dan saat melihat layar yang berkedip pada 15 Hz.

Para peneliti melaporkan bahwa KHT mencapai rasio signal-to-noise yang lebih baik untuk sinyal kolektif daripada PCA, terutama ketika pergeseran temporal acak diperkenalkan di seluruh saluran. Pekerjaan ini menunjukkan bahwa meskipun PCA menawarkan garis dasar sederhana untuk ekstraksi ritme umum, metode yang peka fase dapat lebih memperkuat sinyal yang diminati.

Secara keseluruhan, studi-studi ini menyoroti bagaimana principal component analysis beroperasi di berbagai tugas EEG yang sangat berbeda—dari klasifikasi dan identifikasi biometrik hingga pemrosesan awal dan ekstraksi ritme—menggunakan perangkat keras Emotiv. Hasilnya menjanjikan dalam kondisi spesifik mereka, tetapi masih terbatas pada paradigma tertentu, ukuran sampel yang relatif kecil, dan analisis luring. Temuan ini mendukung PCA sebagai alat serbaguna dalam alur penelitian EEG, namun belum menetapkan formula satu-untuk-semua bagi aplikasi BCI waktu nyata yang berbiaya rendah.

Kesimpulan: Apakah PCA Merupakan Metode Pembersihan EEG yang Andal?

PCA mengubah data gelombang otak yang berantakan menjadi komponen-komponen berperingkat, memberi para peneliti cara cepat untuk memusatkan perhatian pada bagian rekaman yang paling berisik. Pendekatan ini sangat berguna ketika kedipan mata atau gerakan otot mendominasi sinyal, karena keduanya sering kali muncul di posisi varians tertinggi.

Namun, karena ritme 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

1. Kang, D., & Zhizeng, L. (2012, Maret). A method of denoising multi-channel EEG signals fast based on PCA and DEBSS algorithm. Dalam 2012 International Conference on Computer Science and Electronics Engineering (Vol. 3, hlm. 322-326). IEEE. https://doi.org/10.1109/ICCSEE.2012.105

2. 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 (FAQ)

Apa itu principal component analysis (PCA) dalam konteks EEG?

PCA adalah metode matematis yang mengatur ulang data EEG multisaluran menjadi sekumpulan sinyal baru yang disebut komponen, yang tidak berkorelasi satu sama lain. Metode ini mengurutkan komponen berdasarkan seberapa banyak varians yang ditangkapnya, dengan komponen pertama menjelaskan sebagian besar variasi sinyal keseluruhan.

Bagaimana PCA membantu menghilangkan artefak dari data EEG?

Karena artefak seperti kedipan mata menghasilkan ayunan voltase yang besar dan meluas, artefak tersebut cenderung terkonsentrasi pada komponen dengan varians tertinggi. Pengurutan PCA berdasarkan varians memungkinkan para peneliti mengidentifikasi dan berpotensi membuang komponen teratas tersebut, yang sering kali berisi noise paling mengganggu.

Apakah PCA bekerja sendiri untuk membersihkan sinyal EEG?

Tidak, PCA jarang digunakan sebagai solusi pembersihan tunggal. Metode ini biasanya bertindak sebagai langkah dalam alur kerja yang lebih besar, baik untuk mengurangi dimensi data sebelum menerapkan metode lain seperti DEBSS, atau berfungsi sebagai mesin deteksi di dalam kerangka kerja seperti Artifact Subspace Reconstruction (ASR).

Apa perbedaan antara PCA dan ICA untuk penghilangan artefak?

PCA hanya mensyaratkan komponen yang dihasilkan tidak berkorelasi, yang merupakan kondisi matematis yang lebih longgar, sementara ICA mencari komponen yang independen secara statistik, sebuah persyaratan yang lebih ketat dan menuntut lebih banyak komputasi. PCA lebih cepat dan sering digunakan sebagai langkah persiapan sebelum ICA, bukan sebagai penggantinya.

Bisakah PCA secara tidak sengaja menghilangkan aktivitas otak yang sebenarnya bersamaan dengan artefak?

Ya, karena PCA bergantung pada varians untuk mengidentifikasi artefak, ritme otak beramplitudo tinggi seperti aktivitas alfa posterior dapat disalahartikan sebagai noise. Selain itu, artefak dapat menyebar ke beberapa komponen, sehingga sekadar menghapus komponen teratas dapat membuang sinyal saraf yang asli.

Bagaimana perbandingan PCA dengan pemfilteran frekuensi untuk pembersihan EEG?

Pemfilteran frekuensi menghilangkan atau meredam energi sinyal dalam pita frekuensi tertentu, tetapi tidak dapat memisahkan artefak dan sinyal otak yang berbagi frekuensi yang sama. Sebaliknya, PCA melihat pola varians di seluruh elektroda, menjadikannya pendekatan pelengkap yang menangani dimensi data yang berbeda.

Bagaimana seharusnya seorang peneliti menggunakan PCA secara aman dalam alur kerja pemrosesan awal EEG?

PCA dapat digunakan sebagai langkah reduksi dimensi sebelum menerapkan metode lain, atau sebagai alat bantu untuk memeriksa pola mana yang mendominasi rekaman. Peneliti harus memeriksa secara visual topografi kulit kepala dan riwayat waktu dari komponen yang ingin mereka buang untuk memverifikasi bahwa komponen tersebut benar-benar artefak, alih-alih mempercayai peringkat varians secara membabi buta.