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何か？
PCAをさらに深く理解するには、信号処理が行われる前の生のEEGデータがどのようなものかを思い浮かべると役立ちます。
典型的な記録には多くの電極が含まれ、それぞれが時間経過に伴う独自の連続した電圧測定値を生成します。これらのチャンネルは互いに独立しているわけではありません。それらはすべて共通の導電性媒体（頭部）からの電気的活動を拾っているため、その信号は複雑な形で重複し、相関し合っています。
PCAは、この相関したチャンネルのもつれを取り、成分（コンポーネント）と呼ばれる新しい信号のセットへと再構成します。各成分は元のチャンネルの重み付けされた組み合わせですが、1つの重要な数学的特性を備えています。それは、各成分が直交しており、互いに無相関であることを意味します。
PCAはまた、各成分がどれだけの分散、つまり全体的な信号の変動を説明しているかによって、これらの成分を順位付けします。第1主成分はデータ内の分散の最大部分を捉え、第2主成分は残りの部分の中で次に大きい割合を捉え、リストの下に向かって同様に続いていきます。
アーティファクトがどのように振る舞うかを考えると、この順位付けは極めて重要です。例えば、まばたきは、一度に多くの電極に広く広がる大きくて遅い電圧変動を生み出します。これによって大きな共通の変動パターンが生じるため、まばたきの活動は最も分散の大きい成分に集中する傾向があります。より弱く局所的な脳信号は、多くの場合、リストのさらに下位にある分散の小さい成分に含まれることになります。
PCAと、独立成分分析（ICA）のようなよりよく知られた親戚的手法とを区別する1つの詳細な違いは、基礎となるソースが統計的に独立していると仮定しない点です。PCAは、得られる成分が無相関であることのみを要求し、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？ステップごとの解説
ステップ1：データの標準化
複雑な計算を開始する前に、変数間の公平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単位で測定され、別の変数がミリ秒単位で測定されている場合、スケールの生の違いによって結果にバイアスが生じます。各変数を平均0、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可能になります。
ステップ2：共分散行列の計算
データが標準化されたら、次のハードルはすべての特徴量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顕著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くことが含まれます。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。これらの数学的指標により、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へと元のデータ空間を回転させることができます。
ステップ4：主成分の選択
成分を特定した後、分析では全分散のかなりの部分を説明する成分のみにモデルを限定します。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破棄され、特定の定量的な閾値に従って最も情報量の多いパターンのみが保持されます。
支配的な成分に厳密に焦点を絞ることで、研究者は後続の処理タスクにおける計算負荷を軽減します。これにより、リアルタイム分析に対して最終的なモデルが応答性と効率性の両方を備えることが保証されます。
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、元の測定値の本質的なトポグラフィを維持した、新しい次元削減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、分類や線源推定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。
PCAがEEG前処理パイプラインにどのように適合するか
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。より大きなクリーニングパイプライン内の1つのステップとして現れ、次の2つの役割のいずれかを実行する傾向があります。
データの縮小
アーティファクトがどこに潜んでいるかの検出支援
1つ目の役割は次元削減です。PCAと密度推定ブラインド信号源分離（DEBSS）と呼ばれる手法を組み合わせた研究では、さらなる分離が行われる前にEEGデータセットのサイズを縮小するためにPCAが特に使用されました。
このパイプラインでは、ウェーブレット解析を使用して高周波ノイズが最初に除去され、その後、残りの成分を分離するためにDEBSSが引き継ぐ前に「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もたらす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つ目の役割はアーティファクト検出そのものであり、アーティファクト部分空間再構成（ASR）と呼ばれる広く使用されている手法の内部に現れます。ASRは、EEGデータの短いウィンドウを継続的に分析し、「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版を紹介した2019年の研究によると、ASRは「成分部分空間における統計的特性に基づいてアーティファクトを検出するために、共分散行列に対してPCAを繰り返し計算」します。ここでは、PCAは単に便宜上チャンネル数を減らしているわけではありません。あるデータセグメントが統計的に正常に見えるか、あるいはアーティ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ます。
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構成要素であり、それ単体で完全なクリーニング戦略になるわけではないと結論付けられます。DEBSSであれ、リーマン幾何学的適応であれ、あるいはどの成分を実際に除去するかを決定する他の意思決定プロセスであれ、通常はその出力を別のアルゴリズムに渡します。
PCAはEEGアーティファクトを分離できるか？エビデンスが示すもの
アーティファクトの分離においてPCAが魅力的である理由は明快です。PCAは成分を分散順にソートし、まばたきや筋肉の活動は極端に大きな電圧変動を生み出す傾向があるため、これらのアーティファクトは自然と上位数個の成分に分類されるはずであるという神経科学の理論に基づいています。これが当てはまる場合、研究者は原理的に、すべての脳活動源の厳密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分離して破棄できます。
先に述べたPCAとDEBSSを組み合わせたパイプラインをテストした研究では、この複合手法が「マルチチャンネル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。これは前向きな結果ですが、正確に何がテストされたかに留意する価値があります。それは特定の2段階パイプラインであり、単独で動作するPCAではありません。
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取られました。研究者らは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、屋内外両方の条件下で27人の参加者を対象にスマートフォンで記録されたEEGを使用して、標準的なPCAベースのASR手法と比較テストを行いました。
彼らは3つの独立した指標にわたって性能を評価しました。
各手法がまばたきアーティファクトをどれだけ低減したか（感度）
視覚刺激に対する脳の反応である視覚誘発電位を各手法がどれだけ保持したか（特異度）
各手法の実行速度（効率）
著者の結論によると、rASRは標準的なASRと比較して「3つの指標すべてにおいて良好なパフォーマンスを示した」とされています。
これらの結果はPCAベースのアーティファクト処理にとって有望ですが、その背景にあるエビデンスベースは限定的です。これらは有意義で有用な初期の知見ですが、PCAがあらゆるEEG環境において確実にアーティファクトを分離するという広く検証された主張にはまだ達していません。
PCA vs. ICA vs. フィルタリング：適切なツールの選択
EEG研究者にはデータクリーニングのための複数のツールが用意されており、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、ノッチフィルターを含むフィルタリングは、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。これは電気ラインノイズのような定常的な干渉を除去するのには便利ですが、アーティファクトと脳信号が同じ周波数範囲を共有している場合には厳しい限界に直面します。
例えば、まばたきは周波数が遅い脳波と重なる可能性があり、フィルターは周波数のみを参照しチャンネル間の分散パターンは見ないため、両者を区別することができません。PCAは周波数成分ではなく、電極セット全体に信号の変動がどのように分布しているかに着目するため、まったく異なる軸で機能します。このため、フィルタリングの直接的な代替というよりも、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つの手法は異なる仮定に基づいています。ICAは互いに統計的に独立した成分を探索しますが、これは単なる無相関というPCAの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はこのようなより厳密な分離をより熱心に探索しなければならないため、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は数学的により単純であるため高速であり、独立性をまったく必要とせず、結果として得られる成分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が、PCAがICAの代替としてではなく、ICAの前の準備段階として頻繁に登場する理由です。最初にPCAで次元数を削減しておくと、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、より慎重な手法で残りの部分を微調整する前に、最も支配的で明白なアーティファクトを除去する大まかな初期パスとしてPCAが機能することもできます。
手法 | 分離の根拠 | 速度 | 主な制限 |
|---|---|---|---|
PCA | 分散による並べ替え | 高速 | 分散 ≠ アーティファクト |
ICA | 独立した情報源を発見 | 低速 | 独立性を前提とする |
フィルタリング | 周波数帯域を除去 | 非常に高速 | 重複する周波数が残る |
PCAベースのアーティファクト除去の限界
PCAのシンプルさは、その弱点の原因でもあります。よく割り当てられるアーティファクト分離の役割を、PCAが実際にどれほどうまく果たしているかについては、いくつかの未解決の問題が残っています。
分散は「アーティファクト」の不完全な代理指標です。後頭部アルファ波活動（リラックスした閉眼状態に関連するよく知られたEEGリズム）などの特定の脳リズムは、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ティファクトを意味すると仮定する手法では、除去すべきノイズと一緒に本物の脳活動を破棄してしまうリスクがあります。
逆に、まばたきアーティファクトは常に1つの成分にきれいに収まるとは限らず、その影響が複数の成分に同時に広がり、「最上位の成分を除去する」という単純な戦略を複雑にする可能性があります。
考慮すべき構造的な不一致もあります。PCAは、数学的定義によりその成分同士が直交することを強制します。しかし、EEG信号を生成する実際の物理的発生源（神経回路であれ頭皮近くの筋肉群であれ）が、この直交ジオメトリに適合するような方法で配置されている保証はありません。
仮定が基礎となる現実と一致しない場合、PCAが生み出す分離は、組織内で実際に起きていることを正確に反映したものではなく、数学的な便宜に過ぎない可能性があります。
EEG分析でPCAを使用するための実践的なアドバイス
初めてEEGデータセットを探索する人にとって、PCAは特に特定の記録で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、依然として合理的な出発点です。推奨されることが多いヒントをいくつか紹介します。
PCAは、次元削減や主要なアーティファクトパターンのフラグ付けのための予備ステップとして使用し、最終的なクリーニングパスとしては使用しないでください。
PCAを、どの成分を除去すべきかを決定できる後続の手法（ICA、DEBSS、ASRなど）と組み合わせます。
破棄する成分がアーティファクトを表していることを確認するために、頭皮トポグラフィと時間経過を常に目視で検査してください。
記録環境の違い（研究室とモバイル環境）による結果のばらつきには注意を払い、独自のデータで検証してください。
EmotivベースのEEG研究における主成分分析
Emotiv headsetは、主成分分析が中核的な計算手法として機能する多数の査読付き研究で使用されており、分類、センサー選択、前処理、信号品質の向上にわたるこの技術の汎用性を示しています。
P300スペラーの精度向上のためのPCAアンサンブル分類器
ウェアラブルBCIの開発には効率的な信号処理が求められ、ある研究ではEmotiv neuroheadsetで記録されたP300ベースのスペラーに対するPCAアンサンブル分類器が評価されました。古典的なオドボール課題を使用して、著者らは独自のアンサンブルアプローチを特徴抽出および分類の従来の手法と比較しました。
クロスバリデーションデータにおいてPCAアンサンブルは86.29%の平均精度を達成し、オフラインテストでは従来の手法と比較して大幅に高い73.3%の平均分類精度をもたらしました。この結果は、モバイルのコンシューマー向けEEGデバイスからのP300データを処理するための有望な戦略として、PCAベースのアンサンブル分類を指し示しています。
PCAを用いた生体認証のための最小限のEEGセンサーの選択
識別情報を犠牲にすることなく電極数を減らすことは、生体認証システムにとって実用的な課題です。研究者らは、Emotiv EPOC+ headsetとより大規模な公開データセットを使用して、個人識別のための最小限のEEGセンサー選択を検証しました。主成分分析に基づく手法とウィルコクソンの符号付き順位検定に基づく手法の、2つの削減方法が適用されました。
この研究は、両方のアプローチにより信頼性の高い個人識別に必要な最小限の電極セットの特定が可能になり、分離可能なパターンに最も寄与する皮質領域をピンポイントで特定するのにPCAが役立ったと報告しています。これは、実験室の構成をよりシンプルで実用的なセンサー配置へと落とし込む際の、PCAの次元削減の役割を示しています。
アーティファクト除去におけるPCAとCSPおよびCARの比較
前処理パイプラインの比較研究では、分類前にさまざまなアルゴリズムが信号をどれだけ適切にクリーニングするかを評価するために、Emotiv EPOCを使用してEEGを記録しました。前処理アルゴリズムの比較において、アーティファクト除去のために主成分分析がコモンスペーシャルパターン（CSP）およびコモンアベレージリファレンス（CAR）とともにテストされ、その後、パワースペクトル密度特徴量がサポートベクターマシン分類器に入力されました。
著者らは、PCAが94.28%のパフォーマンスを発揮し、彼らのセットアップにおいて他のアルゴリズムを上回ることを観察しました。これは、コンシューマーグレードのEEGハードウェアを扱う際に、PCAが前処理チェーンの効果的なコンポーネントとして機能し得ることを示唆しています。
集団リズム抽出の強化：PCA vs. コザンビ・ヒルベルト捩率
複数のEEGセンサーが振動活動を捉える場合、高い信号対雑音比で共有されたリズムを抽出することがしばしば望まれます。Emotiv EPOC+を用いた集団リズム品質の改善に関する研究では、従来の主成分分析とコザンビ・ヒルベルト捩率（KHT）法が比較されました。データは、閉眼安静時および15Hzで点滅する画面を注視している間に記録されました。
研究者らは、特にチャンネル間にランダムな時間的シフトが導入された場合、KHTが集団信号に対してPCAよりも優れた信号対雑音比を達成したと報告しています。この研究は、PCAが共通のリズム抽出のためのシンプルなベースラインを提供する一方で、位相を考慮した手法により目的の信号をさらに増幅できることを示しています。
まとめると、これらの研究は、Emotivハードウェアを使用して、主成分分析が分類や生体認証から前処理やリズム抽出に至るまで、大きく異なるEEGタスクにわたってどのように機能するかを浮き彫りにしています。結果は特定の条件下で有望ですが、特定のパラダイム、比較的小さなサンプルサイズ、およびオフライン分析にとどまっています。これらの知見は、EEG研究パイプラインにおける汎用ツールとしてのPCAを支持していますが、リアルタイムで低コストのBCIアプリケーション向けの万能な処方箋を確立するには至っていません。
結論：PCAは信頼できるEEGクリーニング手法か？
PCAは乱雑な脳波データを順位付けされた成分に変換し、研究者が記録の中で最もノイズの多い部分に素早く狙いを定める方法を提供します。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ている場合に特に有用です。それらは最も分散の高いスロットに現れることが多いためです。
しかし、本物の脳のリズムも強い信号を生成することがあるため、何がアーティ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、この手法を単独で信頼することはできません。
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における主成分分析（PCA）とは何ですか？
PCAは、マルチチャンネルEEGデータを、互いに無相関な成分と呼ばれる新しい信号のセットへと再構成する数学的手法です。各成分が捉える分散の大きさによってこれらを順位付けし、第1主成分が信号全体の変動の最も多くの部分を説明します。
PCAはEEGデータからのアーティ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ティファクトは広範囲にわたる大きな電圧変動を引き起こすため、最も分散の大きい成分に集中する傾向があります。分散によるPCAの順位付けにより、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成分を特定し、潜在的に破棄することができます。
PCAは単独でEEG信号をクリーニングできますか？
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めったにありません。通常は、DEBSSのような別の手法を適用する前にデータ次元を削減するか、アーティファクト部分空間再構成（ASR）のようなフレームワーク内の検出エンジンとして機能するなど、より大きなパイプライン内の1ステップとして機能します。
アーティファクト除去におけるPCAとICAの違いは何ですか？
PCAは得られる成分が無相関であることのみを要求し、これはより緩い数学的条件ですが、ICAは統計的に独立した成分を探索するため、より厳格で計算負荷の高い要件となります。PCAはより高速であり、ICAの代替としてではなく、その前の準備ステップとして使用されることがよくあります。
PCAによってアーティファクトと一緒に本物の脳活動が誤って除去されることはありますか？
はい、PCAはアーティファクトを特定するために分散に依存しているため、後頭部アルファ波活動のような振幅の大きい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、アーティファクトは複数の成分に分散する可能性があるため、最上位の成分を単純に除去するだけでは、本物の神経信号を破棄し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比べてどうですか？
周波数フィルタリングは特定の周波数帯域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ティファクトと脳信号を分離することはできません。PCAは代わりにすべての電極にわたる分散パターンを調べるため、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でPCAをどのように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として、またはどのパターンが記録を支配しているかを検査するための補助として使用できます。研究者は、分散の順位付けを盲信するのではなく、頭皮トポグラフィと時間経過を確認することによって、破棄する予定の成分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。
免責事項：当ウェブサイトで提供される情報は教育および情報提供のみを目的としており、医師の診断や健康のアドバイスを意図したものではありません。このコンテンツには誤りが含まれている可能性があり、人生を左右するような健康、医療、またはライフスタイルに関する選択を行う際の根拠とすべきではありません。病状や治療に関する疑問については、常に医師またはその他の資格を有する医療提供者の助言を求めてください。
クリスティアン・ブルゴス
