主成分分析（通常はPCAと略されます）は、多チャネルのEEG記録を簡素化し、処理が必要なデータ量を削減し、最も大きく最も妨げとなるアーチファクトを特定するための方法として提案された数学的ツールの一つです。これは、他のアーチファクト除去方法が求めるような、いくつかの厳格な統計的仮定を立てることなく行うことができます。
この記事では、PCAが実際にEEGデータに対して何を行うのか、研究者が実際のプリプロセス・パイプラインでそれをどのように使用してきたか、そして、それが宣伝通りに機能するかどうかについて、現在もまだ限られている証拠が何を示しているかについて説明します。
EEGにおける主成分分析とは？
PCA（主成分分析）をさらに理解するには、任意の信号処理が行われる前の生のEEG（脳波）データがどのようなものであるかをイメージすると役に立ちます。
典型的な測定法では、多数の電極を使用し、それぞれの電極が時間の経過とともに独自の電圧測定値の連続的なストリームを生成します。これらのチャネルは互いに独立していません。それらはすべて、共通の導電性媒体（頭部）からの電気活動を拾っているため、それらの信号は複雑な方法で重複し、相関しています。
PCAは、この相関のあるチャネルの絡み合いを取り込み、コンポーネント（成分）と呼ばれる新しい信号のセットに再編成します。各コンポーネントは元のチャネルの加重結合ですが、1つの重要な数学的特性を持っています。それは、コンポーネント同士が直交している、つまり互いに無相関であるということです。
また、PCAは、これらのコンポーネントを、それぞれがどれだけの分散（全体の信号変動）を説明しているかに基づいてランク付けします。最初のコンポーネントはデータ内の分散の最大シェアを捉え、2番目のコンポーネントは残りのうち次に大きなシェアを捉え、というようにリストの下へと続きます。
このランク付けは、アーチファクト（ノイズ）がどのように動作する傾向があるかという点において非常に重要です。例えば、まばたきは大きく遅い電圧の変動を生み出し、それが一度に多くの電極に広く伝わります。これは大きな共有された変動パターンを作り出すため、まばたきの活動は最高の分散を持つコンポーネントに集中する傾向があります。より弱く、より局所化された脳信号は、リストのさらに下、つまり低分散のコンポーネントに収まることがよくあります。
PCAと、よりよく知られているそのいとこにあたる独立成分分析（ICA）などとの違いの1つは、PCAが潜在的なソースが統計的に独立していると仮定しない点です。PCAに必要なのは、得られるコンポーネントが無相関であることだけであり、これははるかに緩い条件です。
主成分分析（PCA）はどのように機能するのか？ステップバイステップの解説
ステップ1：データの標準化
複雑な計算を開始する前に、変数間のパリティ（同等性）を確保するために入力を正規化する必要があります。ある変数がマイクロボルトで測定され、別の変数がミリ秒で測定されている場合、生のスケールの違いが結果にバイアスを与えてしまいます。各変数を平均ゼロ、標準偏差1にスケーリングすることで、数学的にすべての入力特徴量を均等な重み付けで扱うことができます。
ステップ2：共分散行列の計算
データが標準化されたら、次の障害は特徴量のすべてのペア間の関係をマッピングすることです。共分散行列はこれらの相互作用を要約し、どの変数が連動して動き、どの変数が独立しているかを示します。このグリッドは、データセットが最も大きな広がりを示す方向を特定するための基礎として機能します。
ステップ3：固有ベクトルと固有値の計算
この段階では、データ分布の形状を特徴付ける特定のベクトルを解きます。固有ベクトルは新しい軸の方向を決定し、固有値はそれらの特定の方向に沿って捉えられた分散の大きさを表します。これらの数学的マーカーにより、元のデータ空間を、主要な動きのパターンによって定義される新しい座標系に回転させることができます。
ステップ4：主成分の選択
コンポーネントを特定した後、分析では全分散の大部分を説明するコンポーネントのみにモデルを制限します。このフィルタリングプロセスにより、ノイズの多い変数が排除され、特定の定量的しきい値に従って最も情報量のあるパターンのみが保持されます。
支配的なコンポーネントに厳密に焦点を当てることで、研究者はその後の処理タスクにおける計算負荷を軽減できます。これにより、最終的なモデルがリアルタイム分析に対して高感度かつ効率的になります。
ステップ5：元のデータの変換
最終的な選択が完了したら、最後のステップは元の観測点をこれらの新しい軸に投影することです。この変換により、元の測定値の重要なトポグラフィー（局在パターン）を保持した、次元削減された新しいデータセットが作成されます。
専門家は、よりクリーンな信号表現の恩恵を受けながら、分類や音源定位などの下流のタスクにこれらの変換された変数を使用します。
EEG前処理パイプラインにおけるPCAの役割
実際には、PCAが単独で機能することはほとんどありません。PCAは、より大きなクリーニングパイプラインの中の1ステップとして現れ、次の2つの役割のいずれかを果たします。
データを縮小する
アーチファクトがどこに隠れているかを検出するのを助ける
最初の役割は次元削減です。PCAと密度推定ブラインド信号分離（DEBSS）と呼ばれる手法を組み合わせた研究では、さらに分離を行う前にEEGデータセットのサイズを縮小するために、特にPCAを使用しました。
このパイプラインでは、まずウェーブレット解析を用いて高周波ノイズが除去され、その後、DEBSSが残りの成分を分離する前に「EEG信号を処理してデータ次元を削減するためにPCAアルゴリズムが使用され」ました。相互相関係数と関連する非線形パラメータを使用して干渉を伴う成分が特定されると、研究者は残りのよりクリーンな成分から信号を再構成しました。
2番目の役割はアーチファクト検出そのものであり、これはアーチファクト部分空間再構成（ASR）と呼ばれる広く普及している手法の内部で使用されています。ASRは、EEGデータの短いウィンドウを継続的に分析し、それらを「クリーンな」活動のベースラインと比較することによって機能します。
この手法のリーマン幾何学バージョンを紹介した2019年の研究によると、ASRは「共分散行列に対してPCAを繰り返し計算し、コンポーネント部分空間における統計的性質に基づいてアーチファクトを検出する」とされています。ここでは、PCAは利便性のためにチャネル数を減らしているわけではありません。データセグメントが統計的に正常に見えるか、あるいはアーチファクトのように見えるかを、刻一刻と判断するエンジンとして機能しているのです。
これら2つの例を総合すると、PCAはクリーニング戦略の「一部」であり、それ自体で完全なクリーニング戦略となるわけではないと結論づけられます。PCAは通常、その出力を別のアルゴリズム（DEBSS、リーマン幾何学の適応、またはどの成分を実際に除去するかを決定する別の意思決定プロセス）に渡します。
PCAはEEGアーチファクトを分離できるのか？エビデンスが示すもの
アーチファクト分離においてPCAが魅力的に映る理由は極めてシンプルです。PCAは分散によってコンポーネントをソートするため、また、まばたきや筋肉活動は非常に大きな電圧変動を生成する傾向があるため、これらのアーチファクトは自然に上位数個のコンポーネントに分類されるはずである、というのが神経科学の理論です。もしこれが当てはまるなら、研究者は原則として、すべての脳信号源の正確な統計的独立性をモデル化する必要なく、最悪の干渉を迅速に特定して排除できることになります。
先述のPCAとDEBSSを組み合わせたパイプラインを検証した研究では、この統合された手法が「多チャネルEEG信号の主な干渉を迅速かつ効果的に排除できる」と報告されると同時に、このアプローチが「安定しており、強力な拡張性を持つ」ことも指摘されています。これは肯定的な結果ですが、正確に何が検証されたかに注目する価値があります。それは、隔離された状態のPCAではなく、特定の2ステップのパイプラインです。
前述の2019年の研究では、より構造化された比較アプローチが行われました。研究チームは、rASRと呼ばれるASRのリーマン幾何学ベースのバージョンを構築し、27人の参加者を対象に、屋内と屋外の両方の環境下でスマートフォンを用いて記録されたEEGを使い、標準的なPCAベースのASR手法と比較検証しました。
彼らは、以下の3つの個別の基準で性能を評価しました：
各手法がまばたきアーチファクトをどの程度効果的に低減したか（感度）
各手法が、視覚刺激に対する脳の反応である視覚誘発電位をどの程度良く保持したか（特異度）
各手法の実行速度（効率性）
著者の結論によると、標準的なASRと比較した場合、rASRは「3つの評価基準すべてにおいて好ましいパフォーマンスを示した」とのことです。
これらの結果はPCAベースのアーチファクト処理にとって励みになりますが、その背景にあるエビデンスの基盤は限定的です。これらは有意義で有用な初期の知見ですが、PCAがすべてのEEGコンテキストにおいて確実にアーチファクトを分離するという、広く検証された主張にまで至るものではありません。
PCA vs. ICA vs. フィルタリング：適切なツールの選択
EEG研究者はデータをクリーニングするためのいくつかのツールを利用でき、PCAはその中で特定のニッチを占めています。
ハイパス、ローパス、およびノッチフィルタを含むフィルタリングは、特定の周波数帯域全体を除去または減衰させることによって機能します。これは電気的な電源ラインノイズのような定常的な干渉を除去するのに便利ですが、アーチファクトと脳信号が同じ周波数帯を共有している場合に限界に突き当たります。
例えば、まばたきは周波数において徐波脳波と重なることがあり、フィルタは周波数のみを見てチャネル間の分散のパターンを見ないため、両者を区別することはできません。PCAは、周波数成分ではなく、信号の変動が電極セット全体にどのように分布しているかを見るため、完全に異なる軸で動作します。これにより、PCAはフィルタリングの直接的な代替手段ではなく、補完的なアプローチとなります。
一方で、ICAはPCAとしばしば並べて語られますが、この2つの手法は異なる前提に基づいています。ICAは互いに統計的に独立したコンポーネントを探索しますが、これはPCAの単なる無相関という緩い条件よりも、はるかに強力で計算負荷の高い要件です。
ICAはこの厳格な分離をより熱心に探索する必要があるため、より多くの計算時間とデータを必要とする傾向があります。PCAは数学的によりシンプルであるため高速であり、独立性をまったく必要とせず、得られるコンポーネントが無相関であることだけを必要とします。
この計算コストの違いこそが、PCAがICAの代替としてではなく、ICAの前の準備ステップとして頻繁に登場する理由です。まずPCAで次元数を削減することで、ICAの実行を高速化し、データが限られている場合の過学習のリスクを軽減できます。あるいは、より精密な手法で残りを微調整する前に、PCAを大まかな第1段階として機能させ、最も支配的で明らかなアーチファクトを取り除くこともできます。
手法 | 分離の基準 | 速度 | 主な制限事項 |
|---|---|---|---|
PCA | 分散によるソート | 高速 | 分散 ≠ アーチファクト |
ICA | 独立した信号源の検出 | 低速 | 独立性を仮定 |
フィルタリング | 周波数帯域の除去 | 極めて高速 | 重複する周波数は残る |
PCAベースのアーチファクト除去の限界
PCAのシンプリシティ（単純さ）は、その弱点の原因でもあります。PCAがよく割り当てられるアーチファクト分離のタスクを実際にどの程度うまく実行できているかについては、いくつかの未解決の疑問が残っています。
分散は「アーチファクト」の不完全な代理指標です。後頭部アルファ活動（リラックスして目を閉じた状態に関連する、よく知られたEEGリズム）など、特定の脳リズムは、それ自体で高振幅の信号を生成することがあります。高い分散が常にアーチファクトを意味すると仮定する手法は、除去すべきノイズと一緒に本物の脳活動を捨ててしまうリスクがあります。
逆方向の話をすると、まばたきアーチファクトは常に1つのコンポーネントにすっきりと収まるわけではありません。その影響が一度に複数のコンポーネントに及ぶことがあり、単純な「上位コンポーネントを除去する」という戦略を複雑にします。
また、考慮すべき構造的な不一致もあります。PCAは、数学的な定義により、そのコンポーネントが互いに直交することを強制します。しかし、脳波信号を発生させている実際の物理的な発生源（脳の神経回路であれ、頭皮近くの筋肉群であれ）が、この直交する幾何形状に一致する形で配置されているという保証はありません。
この仮定が根底にある現実に一致しない場合、PCAが生み出す分離は、組織内で実際に起こっていることを正確に反映したものではなく、数学的な便宜上のものに過ぎない可能性があります。
EEG解析でPCAを使用するための実践的アドバイス
EEGデータセットを初めて探索する人にとって、PCAは依然として合理的な出発点であり、特に特定の記録においてどの変動パターンが支配的であるかを確認する方法として有用です。以下は、よく推奨されるヒントです：
PCAは、最終的なクリーニングパスとしてではなく、次元を削減したり支配的なアーチファクトパターンを特定したりするための予備のステップとして使用してください。
PCAを、どのコンポーネントを除去すべきかを判断できる後続の手法（ICA、DEBSS、ASRなど）と組み合わせて使用してください。
破棄されたコンポーネントがアーチファクトを表しているか確認するために、常にそれらの頭皮トポグラフィー（電位マップ）とタイムコース（時間経過）を目視で検査してください。
記録環境の違い（実験室 vs. モバイル）による結果のばらつきには注意を払い、自身のデータで検証を行ってください。
結論：PCAは信頼できる脳波クリーニング手法なのか？
PCAは、乱雑な脳波データをランク付けされたコンポーネントへと変換し、研究者が記録の中で最もノイズの多い部分に素早く焦点を当てる迅速な方法を提供します。このアプローチは、まばたきや筋肉の動きが信号を支配し、それらが最も分散の高いスロットに浮かび上がってくることが多いため、特に有用です。
しかし、本物の脳リズムも強力な信号を生成することがあるため、何がアーチファクトで何が貴重な神経データであるかを決定するために、この手法だけを信頼すべきではありません。
参考文献
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
よくある質問
EEGの文脈における主成分分析（PCA）とは何ですか？
PCAは、多チャネルのEEGデータを、互いに無相関なコンポーネント（成分）と呼ばれる新しい信号のセットに再構成する数学的手法です。これらのコンポーネントを、どれだけの分散をとらえているかに基づいてランク付けし、最初のコンポーネントが最も多くの全体的な信号変動を説明します。
PCAはEEGデータからのアーチファクト除去にどのように役立ちますか？
まばたきのようなアーチファクトは、大きくて広範囲にわたる電位変動を生成するため、最も分散の高いコンポーネントに集中する傾向があります。PCAの分散によるランク付けによって、研究者は最も破壊的なノイズを含むことが多いそれらの上位コンポーネントを特定し、排除することができます。
PCAは単独でEEG信号をクリーンアップできますか？
いいえ、PCAが単独のクリーニングソリューションとして使用されることは滅多にありません。通常はより大きなパイプラインの中の1ステップとして機能し、DEBSSのような別の手法を適用する前にデータの次元を削減するか、Artifact Subspace Reconstruction（ASR）のようなフレームワーク内部の検出エンジンとして機能します。
アーチファクト除去において、PCAとICAの違いは何ですか？
PCAは、得られるコンポーネントが無相関であることを必要とするだけであり、これはより緩い数学的条件です。一方、ICAは統計的に独立したコンポーネントを探索し、これはより厳密で計算負荷の高い要件です。PCAは高速であり、ICAの代替としてではなく、ICAを実行する前の準備ステップとして頻繁に発生します。
PCAはアーチファクトと一緒に、本物の脳活動を誤って除去してしまうことはありますか？
はい。PCAはアーチファクトの特定を分散に依存しているため、後頭部アルファ活動のような高振幅の脳リズムがノイズと誤認される可能性があります。さらに、アーチファクトが複数のコンポーネントにまたがって分散することもあるため、単に上位のコンポーネントを除去するだけでは、本物の神経信号を切り捨ててしまう可能性があります。
EEGクリーニングにおいて、PCAは周波数フィルタリングとどう違いますか？
周波数フィルタリングは、特定の周波数帯の信号エネルギーを除去または減衰させますが、同じ周波数を共有するアーチファクトと脳信号を切り替えることはできません。一方でPCAは、全電極にわたる分散のパターンに着目するため、データの異なる次元に対処する補完的なアプローチとなります。
研究者はEEG前処理ワークフローにおいて、どのようにPCAを安全に使用すべきですか？
PCAは、他の手法を適用する前の次元削減ステップ、または記録を支配するパターンを検査するための補助手段として使用できます。研究者は、分散のランク付けを盲目的に信頼するのではなく、頭皮トポグラフィーやタイムコースを確認して、破棄する予定のコンポーネントを目視で検査する必要があります。
Emotivは、アクセスしやすいEEGおよび脳データツールを通じて神経科学研究の進展を支援するニューロテクノロジー分野のリーダーです。
クリスティアン・ブルゴス
