Onafhankelijke componentenanalyse

Wat is Independent Component Analysis (ICA)?

Onafhankelijke componentenanalyse (ICA) is een geavanceerde statistische en computationele techniek die gericht is op het extraheren van verborgen factoren of componenten uit een set van gemengde waarnemingen.

In veel real-world scenario's zijn geregistreerde gegevens het resultaat van meerdere bronsignalen die tegelijkertijd via een medium op elkaar inwerken, waardoor een complexe overlapping ontstaat die in zijn ruwe vorm vaak onbegrijpelijk is. Door specifieke algebraïsche transformaties te implementeren, werkt deze methode als een filter om het mengproces om te keren.

Het kernconcept: Het scheiden van gemengde signalen

Het fundamentele uitgangspunt van dit vakgebied draait om het "cocktailpartyprobleem", waarbij meerdere mensen tegelijkertijd in een kamer praten terwijl verschillende microfoons de resulterende auditieve chaos registreren.

Een toevallige waarnemer hoort alleen een chaotische mix van stemmen, maar ICA kan in theorie het signaal identificeren dat door elke individuele spreker wordt bijgedragen. Deze capaciteit stelt onderzoekers in staat om specifieke golfvormen te isoleren uit een globale stroom, wat een duidelijk venster biedt op individuele gegevenskanalen die anders verborgen zouden blijven.

Wiskundige grondslagen van ICA

Wiskundig gezien is het doel om een blinde bronscheiding uit te voeren, waarbij een lineaire transformatie wordt gevonden die de waargenomen variabelen zo onafhankelijk mogelijk maakt. Gegeven een waargenomen vector van gegevens, zoekt het algoritme naar een ontmengingsmatrix die, wanneer vermenigvuldigd met de waarnemingen, geschatte bronsignalen oplevert met onafhankelijke statistische verdelingen.

Om dit te bereiken moeten deze signalen niet-Gaussisch zijn, omdat de wiskundige eigenschappen van Gaussische verdelingen het onmogelijk maken om ze uniek te scheiden. In de context van de moderne neurowetenschap zorgt deze stritheid ervoor dat subtiele elektrische fluctuaties niet verloren gaan in de achtergrondruis van omringende interferentie.

Hoe werkt Independent Component Analysis?

Het proces werkt succesvol met hoogdimensionale gegevens en is gebaseerd op het transformeren van een mengsel in zijn samenstellende delen door de mate van niet-Gaussisch karakter te meten. Omdat gemengde signalen door de centrale limietstelling vaak de neiging hebben om naar een Gaussische verdeling te tenderen, functioneert het algoritme door agressief te zoeken naar richtingen in de gegevens die zo ver mogelijk van Gaussisch afliggen.

De resulterende componenten zijn in feite "zuivere" signalen die de oorspronkelijke bron reconstrueren, onafhankelijk van het mengproces.

Aannames van ICA

Een succesvolle uitvoering van dit algoritme rust op verschillende kritieke vereisten. De belangrijkste aanname is dat de bronsignalen statistisch onafhankelijk van elkaar zijn; als het kennen van de waarde van de ene bron geen informatie geeft over een andere, komen ze in aanmerking voor scheiding.

Bovendien gaat het algoritme ervan uit dat het aantal waargenomen gemengde signalen minstens zo groot is als het aantal onafhankelijke bronnen. Tot slot moeten de bronnen, zoals opgemerkt, niet-Gaussische verdelingen vertonen, aangezien deze duidelijke structuur de referentiepunten creëert die het algoritme nodig heeft om zijn scheidingsinspanningen te verankeren.

Independent Component Analysis-algoritme: Belangrijke technieken

Er bestaan verschillende algoritmische benaderingen om deze scheiding te bereiken, waarvan FastICA and Infomax tot de meest prominente voorbeelden behoren. Deze methoden passen de ontmengingsmatrix iteratief aan om de wederzijdse informatie te minimaliseren of het niet-Gaussische karakter van de uitput te maximaliseren.

Het optimalisatieproces is computationeel intensief en vereist een zorgvuldige implementatie om een consistente convergentie over verschillende datasets te garanderen. Door deze gewichten te verfijnen, pelt het systeem geleidelijk de lagen van interferentie af totdat elk afzonderlijk signaal duidelijk naar voren komt.

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

Hoewel beide technieken worden gebruikt voor dimensiereductie of signaalanalyse, lopen hun functionele doelen aanzienlijk uiteen. Onderzoekers moeten tussen beide kiezen op basis van de vraag of ze variantie of onafhankelijkheid binnen hun dataset willen vastleggen.

Het selecteren van het juiste instrument hangt af van de specifieke doelen van de onderliggende analyse. Terwijl PCA uitstekend is voor datacompressie waarbij het behouden van de belangrijkste trends centraal staat, is ICA superieur wanneer het doel het identificeren van unieke, onafhankelijke processen is die bijdragen aan de totale waarneming.

Hoe Independent Component Analysis hersensignalen scheidt van ruis

Independent Component Analysis hanteert een striktere benadering dan PCA. In plaats van signalen alleen te decorreleren, zoekt ICA naar componenten die statistisch onafhankelijk zijn, wat betekent dat het kennen van de waarde van de ene component absoluut geen informatie geeft over een andere component.

Dit is een veel hogere lat dan decorrelatie, en dit is wat ICA in staat stelt signalen uit elkaar te trekken die dezelfde frequentie-inhoud delen maar afkomstig zijn van werkelijk verschillende fysieke bronnen: een knippering hier, het aanspannen van de kaak daar, een deel van de visuele cortex dat ergens anders op een stimulus reageert.

• De studie van Winkler et al. past TDSEP toe, een versie van ICA die rekening houdt met temporele correlaties door de tijd heen, en niet alleen met de momentane statistieken van het signaal.

• De studie van Olaf Dimigen maakt gebruik van Infomax, een veelgebruikt ICA-algoritme.

• De studie van Mognon bouwt haar geautomatiseerde detectietool bovenop een algemene op ICA gebaseerde pijplijn.

Ondanks verschillen in implementatie rusten al deze benaderingen op hetzelfde onderliggende principe: ontleed het gemengde elektrodesignaal in een reeks componenten die onafhankelijk van elkaar functioneren, en bepaal vervolgens welke van die componenten lijken op hersenactiviteit en welke op een artefact.

De kernveronderstellingen achter ICA: Niet-Gaussisch karakter en lineaire menging

ICA werkt vanwege twee specifieke aannames over de gegevens, en het begrijpen ervan verklaart zowel de sterke punten als de faalpunten.

1. De eerste aanname is het niet-Gaussische karakter. Echte EEG-bronnen, of het nu gaat om hersenritmes, oogknipperingen of spierontladingen, hebben meestal amplitudeverdelingen die afwijken van de klokvorm van een Gaussische (normale) verdeling. ICA-algoritmen zijn gebouwd om deze niet-Gaussische structuur op te zoeken en te maximaliseren, omdat een mengsel of onafhankelijke signalen er meestal Gaussischer uitziet dan elk van de afzonderlijke componenten (een gevolg van de centrale limietstelling).

2. De tweede aanname is lineaire menging. ICA gaat ervan uit dat wat een elektrode registreert een momentane, lineaire combinatie is van onderliggende bronsignalen, een aanname die redelijk opgaat voor hoe elektrische activiteit zich onder stabiele opnameomstandigheden door weefsel en schedel verspreidt (een proces dat bekendstaat als volumegeleiding). Aan deze aanname wordt het gemakkelijkst voldaan wanneer een persoon stilzit.

Waarom high-pass filtering vóór ICA alles verandert

De kwaliteit van een ICA-ontleding hangt sterk af van hoe het signaal wordt verwerkt voordat het algoritme überhaupt wordt uitgevoerd, en de keuze van de afknijpfrequentie van het high-pass filter (een filter dat zeer trage afwijkingen onder een bepaalde frequentie verwijdert) blijkt een van de meest ingrijpende beslissingen in de hele pijplijn te zijn.

Een studie uit 2015 onder leiding van Winkler et al. testte dit rechtstreeks met behulp van event-related potential (ERP) gegevens, hersengolfpatronen die gekoppeld zijn aan een specifieke stimulus, van 21 deelnemers die een auditieve oddball-taak uitvoerden. High-pass filtering tussen 1 en 2 Hz leverde consequent goede resultaten op over drie afzonderlijke meetwaarden: signaal-ruisverhouding, classificatienauwkeurigheid bij een enkele meting, en het percentage componenten dat er "bijna-dipolair" uitzag, wat betekent dat ze een ruimtelijk patroon hadden dat consistent was met een enkele, gelokaliseerde hersenbron in plaats van een vage mix van verschillende bronnen.

Bovendien onderzochten Klug et al. in een studie uit 2020 dezelfde vraag bij zowel stationaire als mobiele opstellingen. Voor een standaard stationair experiment met 64 kanalen en een filter van 0,5 Hz waren de resultaten acceptabel. Maar mobiele experimenten vereisten een hogere afsnijwaarde, tot 2 Hz, om een optimale ontleding te bereiken, en opstellingen met meer kanalen hadden navenant hogere filters nodig.

Het onderzoek van Olaf Dimigen trok dit idee verder door in de specifieke context van oogbewegingsartefacten. Door systematisch het high-pass filter, het low-pass filter en het aandeel van de trainingsgegevens met saccadische piekpotentialen te variëren, ontdekte de onderzoeker dat het trainen van de ICA op gegevens waarin deze piekpotentialen zwaar waren oververtegenwoordigd, de kwaliteit van de correctie sterk verbeterde.

Samen wijzen deze drie studies in dezelfde richting: standaard filterinstellingen, met name de veelgebruikte grens van 0,5 Hz, zijn voor veel toepassingen mogelijk te soepel, en de juiste keuze hangt af van het specifieke artefact en de opnameomstandigheden.

Het automatiseren van de selectie van artefactcomponenten met machine learning

Zodra ICA een reeks onafhankelijke componenten produceert, moet iemand of iets nog steeds beslissen welke componenten hersenactiviteit vertegenwoordigen en welke artefacten zijn. Handmatige labeling door getrainde experts is traag en introduceert subjectiviteit, aangezien verschillende experts het niet altijd eens zijn over grensgevallen.

Om dit aan te pakken, bouwde het team van Winkler een proefpersoon-onafhankelijke lineaire classifier die gebruikmaakt van slechts zes kenmerken, afgeleid van de frequentie-, ruimtelijke en temporele eigenschappen van elke component. Getraind op 640 handmatig gelabelde TDSEP-componenten van 12 deelnemers aan een reactietijdstudie, behaalde de classifier minder dan 10% Mean Squared Error (MSE) bij het testen op nieuwe gegevens; een prestatieniveau dat vergelijkbaar is met het natuurlijke percentage van onenigheid tussen menselijke experts.

Wanneer dezelfde classifier zonder hertraining werd toegepast op een volledig ander auditief ERP-paradigma, bereikte deze 15% MSE, een redelijk maar merkbaar zwakker resultaat dat de moeilijkheid weerspiegelt van het generaliseren over verschillende paradigma's heen. In een motorische verbeeldings- brein-computerinterface-taak demonstreerden de onderzoekers dat het verwijderen van wel 60% van de meest artefactachtige componenten nog steeds de discriminerende informatie behield die nodig is voor het functioneren van de BCI.

Bovendien introduceerde het team van Mognon ADJUST, een volledig automatisch algoritme dat ruimtelijke en temporele kenmerken combineert die specifiek zijn afgestemd op het detecteren van oogknipperingen, oogbewegingen en generieke discontinuiteiten. Gevalideerd op een onafhankelijke dataset, kwam de classificatie van componenten door ADJUST in 95,2% van de datavariantie overeen met de handmatige labeling door experts. Het verwijderen van de componenten die door ADJUST als artefact werden aangemerkt, leidde tot wat de studie beschrijft als een nette reconstructie van visuele en auditieve event-related potentials uit gegevens met veel artefacten.

Beide tools vertegenwoordigen reële vooruitgang in het verminderen van de handmatige belasting bij het opschonen van EEG's, maar hun gerapporteerde prestaties zijn afkomstig van specifieke datasets en paradigma's, en generalisatie naar nieuwe omstandigheden is niet gegarandeerd.

Praktische tips voor het opschonen van EEG-gegevens met ICA

Independent Component Analysis werkt omdat het zich richt op echte statistische onafhankelijkheid in plaats van de zwakkere eigenschap van decorrelatie waar methoden zoals PCA op vertrouwen. Dit onderscheid stelt het in staat om hersensignalen en artefacten uit elkaar te trekken, zelfs wanneer hun frequentie-inhoud overlapt; iets wat filtering in het frequentiedomein niet kan en wat op regressie gebaseerde EOG-correctie bij directe tests niet lukte.

Dat succes is echter wel voorwaardelijk. High-pass filtering in het bereik van 1 tot 2 Hz is effectief gebleken bij het consistent produceren van goede ontledingen in stationair ERP-onderzoek, terwijl mobiele opnames baat hadden bij filters tot 2 Hz, waarbij ook het aantal kanalen een rol speelde. Voor bijzonder lastige artefacten, zoals saccadische piekpotentialen tijdens vrij kijken, kan het bewust oververtegenwoordigen van het artefact tijdens de training (in plaats van het gebruik van standaardinstellingen) een onbevredigende correctie veranderen in een correctie die bijna alle vervuiling verwijdert met minimale vervorming van de hersenactiviteit.

Bovendien kunnen geautomatiseerde componentenclassifiers, waaronder het lineaire model met zes kenmerken en het ADJUST-algoritme uit de bovengenoemde onderzoeken, de tijd en subjectiviteit die gemoeid zijn met handmatige labeling aanzienlijk verminderen. Beide toonden een sterke overeenstemming met het oordeel van experts op hun validatiegegevens. Geen van beide mag echter worden beschouwd als een universele oplossing zonder besef van hoe de prestaties kunnen verschuiven tussen verschillende opnameparadigma's en apparatuur.

Op ICA gebaseerde artefactverwijdering blijft een van de beter ondersteunde benaderingen voor het opschonen van EEG-gegevens, en de neurowetenschap erachter is gebaseerd op een coherente statistische logica. Maar de werkelijke prestaties hangen af van keuzes die lang voordat het algoritme draait worden gemaakt: filterinstellingen, de samenstelling van de trainingsgegevens en het specifieke artefact dat wordt aangepakt. Iedereen die het toepast, moet de resultaten valideren met objectieve metrieken in plaats van ervan uit te gaan dat één enkele configuratie overal zal werken.

Waarom keuzes in de voorbewerking het succes van ICA in EEG bepalen

Schone hersengegevens vormen de basis voor alles, van door gedachten bestuurde apparaten tot nauwkeurig geheugenonderzoek. Independent Component Analysis biedt een wiskundig verantwoorde manier om gemengde neurale activiteit en lichamelijke ruis uit elkaar te halen, zelfs wanneer eenvoudigere methoden zoals basale filtering tekortschieten. Door zich te richten op echte statistische onafhankelijkheid, kan het de afzonderlijke elektrische vingerafdrukken onthullen van een echt hersenritme en een oogknippering die in dezelfde frequentieband optreden.

De werkelijke kracht komt echter pas naar voren wanneer onderzoekers verder kijken dan de standaardinstellingen. De onderzoeken tonen aan dat het afstemmen van het high-pass filter op de specifieke opnamesituatie en het zorgvuldig voorbereiden van de trainingsvoorbeelden voor artefactdetectoren, de factoren zijn die ICA veranderen van een hoopvol experiment in een consistent betrouwbaar hulpmiddel. Door deze persoonlijke aandacht te schenken, kunnen wetenschappers met vertrouwen de signalen van de hersenen herstellen in plaats van ze verward achter te laten in een luidruchtige opname.

Referenties

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

Veelgestelde vragen

Waarom kan eenvoudige frequentiefiltering EEG-artefacten zoals oogknipperingen en spieractiviteit niet verwijderen?

Frequentiefiltering faalt omdat artefacten en hersensignalen vaak dezelfde frequentiebanden delen, zoals spieractiviteit en frontale theta-ritmes, waardoor het verwijderen van de een ook de ander verwijdert. Een filter kan ze niet scheiden wanneer hun trillingen overlappen.

Wat is het belangrijkste verschil tussen PCA and ICA bij het scheiden van hersensignalen en ruis?

PCA decorreleert signalen alleen—het maakt ze lineair ongecorreleerd—maar vereist geen statistische onafhankelijkheid. ICA gaat verder door te zoeken naar componenten die volledig statistisch onafhankelijk zijn, wat betekent dat het kennen van de een niets onthult over de ander, wat een betere scheiding van gemengde hersen- en artefactbronnen mogelijk maakt.

Hoe scheidt ICA hersensignalen daadwerkelijk van artefacten?

ICA gaat ervan uit dat de gemengde elektrodesignalen lineaire combinaties zijn van onafhankelijke, niet-Gaussische bronsignalen. Het vindt een transformatie die de onafhankelijkheid van de resulterende componenten maximaliseert, waardoor afzonderlijke fysieke bronnen zoals een oogknippering effectief worden geïsoleerd van een hersenritme, zelfs als hun frequenties overlappen.

Waarom is een niet-Gaussisch karakter belangrijk voor de werking van ICA?

Echte EEG-bronnen hebben doorgaans niet-Gaussische amplitudeverdelingen, terwijl mengsels van onafhankelijke signalen meer Gaussisch worden. ICA-algoritmen zoeken en maximaliseren deze niet-Gaussische structuur om de oorspronkelijke bronnen uit elkaar te trekken, omdat het vinden van de minst Gaussische projecties de onafhankelijke componenten herstelt.

Waarom is high-pass filtering van EEG-gegevens vóór ICA zo cruciaal?

Het high-pass filter verwijdert zeer trage afwijkingen die de ICA-ontleding kunnen verstoren. Studies hebben consequent aangetoond dat filtergrenzen rond 1–2 Hz schonere, meer op de hersenen lijkende onafhankelijke componenten opleverden in vergelijking met lagere standaardinstellingen zoals 0,5 Hz, vooral bij mobiele opnames of bij het richten op specifieke artefacten.

Hoe kan machine learning helpen bij het automatiseren van de classificatie van ICA-componenten als hersenactiviteit of artefact?

Geautomatiseerde classifiers gebruiken een klein aantal kenmerken uit de frequentie-, ruimtelijke en temporele patronen van elke component om ze te labelen met een nauwkeurigheid die de overeenstemming tussen experts benadert. Dit vermindert de handmatige, subjectieve werklast bij het selecteren van de te verwijderen componenten, hoewel de prestaties kunnen dalen wanneer ze worden toegepast op nieuwe experimentele paradigma's.

Wat gebeurt er met de prestaties van ICA tijdens mobiele EEG-opnames waarbij deelnemers bewegen?

Beweging verbreekt de aanname van lineaire menging niet volledig, dus ICA werkt nog steeds, maar het vermindert het aantal schone, interpreteerbare hersencomponenten dat kan worden teruggewonnen. Mobiele opstellingen vereisen vaak een hogere grens voor het high-pass filter om een optimale ontleding te behouden in vergelijking met stationaire opnames.

Kan ICA worden toegepast op niet-lineaire mengsels?

Het standaardalgoritme gaat uit van een lineair mengsel, dus de toepassing ervan op complexe niet-lineaire combinaties vereist vaak gespecialiseerde aanpassingen of uitbreidingen van het model.