Principale-componentenanalyse, meestal afgekort tot PCA, is een van de voorgestelde wiskundige hulpmiddelen die een manier biedt om meerkanaals EEG-registraties te vereenvoudigen, de hoeveelheid te verwerken gegevens te verminderen en de luidste, meest verstorende artefacten te markeren, en dat alles zonder een aantal van de striktere statistische aannames te doen die andere methoden voor het verwijderen van artefacten vereisen.
Dit artikel legt uit wat PCA feitelijk doet met EEG-gegevens, hoe onderzoekers het hebben gebruikt in echte voorverwerkingspijplijnen, en wat het huidige, nog beperkte bewijs zegt over of het werkt zoals geadverteerd.
Wat is Principal Component Analysis (hoofdcomponentenanalyse) in EEG?
Om PCA beter te begrijpen, is het nuttig om u voor te stellen hoe ruwe EEG-gegevens eruitzien voordat er enige signaalverwerking plaatsvindt.
Een typische registratie omvat vele elektroden, die elk naverloop van tijd hun eigen continue stroom van spanningsmetingen produceren. Deze kanalen zijn niet onafhankelijk van elkaar. Omdat ze allemaal elektrische activiteit oppikken van een gedeeld, geleidend medium (het hoofd), overlappen hun signalen en correleren ze op complexe manieren.
PCA ontwart deze kluwen van gecorreleerde kanalen en reorganiseert deze tot een nieuwe set signalen die componenten worden genoemd. Elke component is een gewogen combinatie van de oorspronkelijke kanalen, maar met één cruciale wiskundige eigenschap: de componenten zijn orthogonaal, wat betekent dat ze niet met elkaar gecorreleerd zijn.
PCA rangschikt deze componenten ook op basis van de hoeveelheid variantie, of totale signaalvariatie, die elk verklaart. De eerste component legt het grootste deel van de variantie in de gegevens vast, de tweede het op één na grootste deel van wat er overblijft, enzovoort.
Deze rangschikking is cruciaal vanwege de manier waarop artefacten zich doorgaans gedragen. Oogknipperingen produceren bijvoorbeeld grote, langzame spanningsschommelingen die zich direct over veel elektroden tegelijk verspreiden. Omdat dit een groot, gedeeld variatiepatroon creëert, heeft knipperactiviteit de neiging zich te concentreren in de componenten met de hoogste variantie. Zwakkere, meer gelokaliseerde hersensignalen komen vaak lager op de lijst terecht, in componenten met een lagere variantie.
Een detail dat PCA onderscheidt van enkele bekendere tegenhangers zoals independent component analysis (ICA of onafhankelijke componentenanalyse) is dat het er niet van uitgaat dat de onderliggende bronnen statistisch onafhankelijk zijn. Het vereist alleen dat de resulterende componenten ongecorreleerd zijn, wat een veel lossere voorwaarde is.
Hoe werkt Principal Component Analysis (PCA)? Een stapsgewijze uitleg
Stap 1: De gegevens standaardiseren
Voordat er een complexe berekening wordt gestart, moet de invoer worden genormaliseerd om gelijkheid tussen variabelen te garanderen. Als de ene variabele wordt gemeten in microvolt en de andere in milliseconden, zouden de ruwe schaalverschillen de resultaten beïnvloeden. Door elke variabele te schalen naar een gemiddelde van nul en een standaarddeviatie van één, kan de wiskunde alle invoerkenmerken met een gelijke weging behandelen.
Stap 2: Bereken de covariantiematrix
Zodra de gegevens zijn gestandaardiseerd, is de volgende stap het in kaart brengen van de relaties tussen elk paar kenmerken. Een covariantiematrix vat deze interacties samen en laat zien welke variabelen samen bewegen en welke onafhankelijk zijn. Dit raster dient als basis voor het identificeren van de richtingen waarin de dataset de meest significante spreiding vertoont.
Stap 3: Bereken de eigenvectoren en eigenwaarden
Deze fase omvat het oplossen van de specifieke vectoren die de vorm van de gegevensverdeling karakteriseren. Eigenvectoren bepalen de richting van de nieuwe assen, terwijl eigenwaarden de grootte van de variantie vertegenwoordigen die langs die specifieke richtingen is vastgelegd. Met deze wiskundige markeringen kunnen we de oorspronkelijke gegevensruimte roteren naar een nieuw coördinatensysteem dat wordt gedefinieerd door de primaire bewegingspatronen.
Stap 4: Selecteer de hoofdcomponenten
Na het identificeren van de componenten beperkt de analyse het model tot alleen die componenten die een aanzienlijk deel van de totale variantie verklaren. Dit filterproces verwijdert ruisgevoelige variabelen en behoudt alleen de meest informatieve patronen volgens specifieke kwantitatieve drempels.
Door zich strikt te concentreren op de dominante componenten, verminderen onderzoekers de rekenkracht die nodig is voor daaropvolgende verwerkingstaken. Dit zorgt ervoor dat het uiteindelijke model zowel responsief als efficiënt is voor realtime analyse.
Stap 5: Transformeer de oorspronkelijke gegevens
Zodra de definitieve selectie is voltooid, is de laatste stap het projecteren van de oorspronkelijke waarnemingspunten op deze nieuwe assen. Deze transformatie creëert een nieuwe dataset met een gereduceerde dimensie die de essentiële topografie van de oorspronkelijke metingen behoudt.
Professionals gebruiken deze getransformeerde variabelen vervolgens voor vervolgtaken zoals classificatie of bronlokalisatie, waarbij ze profiteren van een schonere signaalweergave.
Hoe PCA past binnen de EEG-voorverwerkingspijplijn
In de praktijk werkt PCA zelden alleen. Het verschijnt meestal als een stap binnen een grotere opschoningspijplijn, waarbij het een van de volgende twee taken uitvoert:
De gegevens verkleinen
Helpen detecteren waar de artefacten zich verbergen
De eerste rol is dimensiereductie. Een studie die PCA combineerde met een techniek genaamd 'density estimation blind source separation', of DEBSS, gebruikte PCA specifiek om de omvang van de EEG-dataset te verkleinen voordat verdere scheiding kon plaatsvinden.
In deze pijplijn werd hoogfrequente ruis eerst gefilterd met behulp van wavelet-analyse, en vervolgens "wordt het PCA-algoritme gebruikt om de EEG-signalen te verwerken om de gegevensdimensie te verminderen" voordat DEBSS het overnam om de resterende componenten te scheiden. Zodra de storingsdragende componenten waren geïdentificeerd met behulp van kruiscorrelatiecoëfficiënten en gerelateerde niet-lineaire parameters, reconstrueerden de onderzoekers het signaal uit de resterende, schonere componenten.
De tweede rol is de detectie van artefacten zelf, en deze komt voor in een veelgebruikte methode genaamd Artifact Subspace Reconstruction, of ASR. ASR werkt door continu korte vensters van EEG-gegevens te analyseren en deze te vergelijken met een basislijn van "schone" activiteit.
Volgens een studie uit 2019 waarin een Riemann-versie van deze methode werd geïntroduceerd, berekent ASR "herhaaldelijk een PCA op covariantiematrices om artefacten te detecteren op basis van hun statistische eigenschappen in de component-subruimte". Hier vermindert PCA niet het aantal kanalen voor het gemak; het functioneert als de motor die van moment tot moment beslist of een gegevenssegment er statistisch normaal uitziet of op een artefact lijkt.
Samen genomen concluderen deze twee voorbeelden dat PCA een onderdeel is van een opschoningsstrategie, en niet een volledige opschoningsstrategie op zich. Het draagt zijn output doorgaans over aan een ander algoritme, of dat nu DEBSS, een aanpassing van de Riemann-geometrie of een ander besluitvormingsproces is dat bepaalt welke componenten daadwerkelijk worden verwijderd.
Kan PCA EEG-artefacten isoleren? Wat het bewijs aantoont
De redenering achter de aantrekkingskracht van PCA voor het isoleren van artefacten is eenvoudig. Omdat PCA componenten sorteert op variantie, en omdat oogknipperingen en spieractiviteit de neiging hebben om buitensporige spanningsschommelingen te genereren, stelt de neurowetenschappelijke theorie dat deze artefacten zichzelf van nature zouden moeten sorteren in de top enkele componenten. Als dat klopt, zou een onderzoeker in principe snel de ergste interferentie kunnen isoleren en weggooien, zonder de exacte statistische onafhankelijkheid van elke hersenbron te hoeven modelleren.
De studie die de eerder beschreven gecombineerde PCA-en-DEBSS-pijplijn testte, rapporteerde dat de methode "de belangrijkste interferentie van meerkanaals EEG-signalen snel en effectief kan elimineren", terwijl er ook werd opgemerkt dat de aanpak "stabiel is en een sterke schaalbaarheid heeft". Dit is een positief resultaat, maar het is de moeite waard om precies te noteren wat er werd getest: een specifieke tweestapspijplijn, en niet PCA die op zichzelf werkt.
De bovengenoemde studie uit 2019 koos voor een meer gestructureerde vergelijkende aanpak. De onderzoekers bouwden een op Riemann-geometrie gebaseerde versie van ASR, genaamd rASR, en testten deze tegen de standaard op PCA gebaseerde ASR-methode met behulp van EEG recorded op smartphones in zowel binnen- als buitenomstandigheden, met 27 deelnemers.
Ze evalueerden de prestaties aan de hand van drie afzonderlijke maatstaven:
Hoe goed elke methode oogknipper-artefacten verminderde (sensitiviteit)
Hoe goed elke methode visueel opgewekte potentialen (visuelle reacties van de hersenen op visuele prikkels) behield (specificiteit)
Hoe snel elke methode werkte (efficiëntie)
Volgens de conclusies van de auteur presteerde rASR "gunstig op alle drie de maatstaven" in vergelijking met de standaard ASR.
Deze resultaten zijn bemoedigend voor op PCA gebaseerde artefactverwerking, maar de bewijsbasis erachter is smal. Dit zijn betekenisvolle, nuttige vroege bevindingen, maar ze komen nog niet overeen met een breed gevalideerde claim dat PCA op betrouwbare wijze artefacten isoleert in alle EEG-contexten.
PCA vs. ICA vs. Filtering: De juiste tool kiezen
EEG-onderzoekers hebben verschillende hulpmiddelen tot hun beschikking om gegevens op te schonen, en PCA neemt daarin een specifieke niche in.
Filtering, waartoe high-pass, low-pass en notch-filters behoren, werkt door volledige frequentiebanden te verwijderen of te dempen. Dit is handig voor het verwijderen van constante interferentie zoals elektrische netruis, maar het loopt tegen een harde grens aan wanneer een artefact en een hersensignaal hetzelfde frequentiebereik delen.
Een knippering kan bijvoorbeeld in frequentie overlappen met langzame hersengolven, en een filter kan ze niet uit elkaar houden omdat het alleen de frequentie ziet, en niet het patroon van variantie over de kanalen. PCA werkt op een compleet andere as: het kijkt naar hoe de signaalvariatie over de hele set elektroden is verdeeld, en niet naar de frequentie-inhoud. Dit maakt het eerder een complementaire benadering dan een directe vervanging voor filtering.
Aan de andere kant wordt ICA vaak in één adem genoemd met PCA, maar de twee methoden rusten op verschillende aannames. ICA zoekt naar componenten die statistisch onafhankelijk van elkaar zijn, een veel sterkere en rekenkundig veeleisendere vereiste dan de lossere voorwaarde van eenvoudige decorrelatie van PCA.
Omdat ICA harder moet zoeken naar dit striktere type scheiding, vereist het doorgaans meer computertijd en meer gegevens. PCA is wiskundig eenvoudiger, is sneller en heeft helemaal geen onafhankelijkheid nodig; het vereist alleen dat de resulterende componenten ongecorreleerd zijn.
Dit verschil in rekenkosten is de reden waarom PCA vaak verschijnt als een voorbereidende stap vóór ICA in plaats van als vervanging ervan. Door eerst het aantal dimensies met PCA te verminderen, kan een ICA-run worden versneld en wordt het risico op overfitting verminderd wanneer de gegevens beperkt zijn. Als alternatief kan PCA fungeren als een grove eerste stap, die de meest dominante, voor de hand liggende artefacten verwijdert voordat een nauwkeurigere methode de rest verfijnt.
Methode | Scheidingsbasis | Snelheid | Belangrijkste beperking |
|---|---|---|---|
PCA | Sorteert op variantie | Snel | Variantie ≠ artefact |
ICA | Vindt onafhankelijke bronnen | Langzaam | Veronderstelt onafhankelijkheid |
Filtering | Verwijdert frequentiebanden | Zeer snel | Overlappende frequenties blijven bestaan |
Beperkingen van op PCA gebaseerde artefactverwijdering
De eenvoud van PCA is tevens de bron van haar zwakheden. Er blijven verschillende open vragen over hoe goed het daadwerkelijk presteert bij de taak om artefacten te isoleren die er vaak aan wordt toegewezen.
Variantie is een imperfecte plaatsvervanger voor een "artefact". Bepaalde hersenritmes, zoals posterieure alfa-activiteit (een bekend EEG-ritme dat geassocieerd wordt met ontspannen toestanden met gesloten ogen), kunnen op zichzelf signalen met een hoge amplitude produceren. Een methode die ervan uitgaat dat een hoge variantie altijd een artefact betekent, loopt het risico echte hersenactiviteit weg te gooien, samen met de ruis die het had moeten verwijderen. Dit werkt ook de andere kant op: oogknipper-artefacten beperken zich niet altijd netjes tot één enkele component; hun invloed kan zich over meerdere componenten tegelijk verspreiden, wat een eenvoudige "verwijder de bovenste component"-strategie bemoeilijkt.
Er is ook een structurele discrepantie waar we rekening mee moeten houden. PCA dwingt zijn componenten door de wiskundige definitie om orthogonaal ten opzichte van elkaar te zijn. Maar er is geen garantie dat de werkelijke fysieke bronnen die EEG-signalen genereren, of dat nu neurale netwerken of spiergroepen nabij de hoofdhuid zijn, zo zijn gerangschikt dat ze overeenkomen met deze orthogonale geometrie.
Wanneer de aanname niet overeenkomt met de onderliggende realiteit, kan de scheiding die PCA produceert eerder een wiskundig gemak zijn dan een nauwkeurige weergave van wat er daadwerkelijk in het weefsel gebeurt.
Praktisch advies voor het gebruik van PCA in EEG-analyse
Voor iemand die voor het eerst een EEG-dataset onderzoekt, blijft PCA een redelijk startpunt, met name als een manier om te zien welke variatiepatronen een bepaalde meting domineren. Hier zijn enkele tips die vaak worden aanbevolen:
Gebruik PCA als een voorbereidende stap om de dimensionaliteit te verminderen of om dominante artefactpatronen te markeren, en niet als een definitieve opschoning.
Combineer PCA met een daaropvolgende methode (bijv. ICA, DEBSS, ASR) die kan beslissen welke componenten moeten worden verwijderd.
Inspecteer altijd visueel de topografie van de hoofdhuid en het tijdsverloop van de verwijderde componenten om te verifiëren of ze daadwerkelijk artefacten vertegenwoordigen.
Wees voorzichtig met de variabiliteit in resultaten tussen verschillende opnameomgevingen (lab vs. mobiel) en valideer de methode op uw eigen gegevens.
Conclusie: Is PCA een betrouwbare methode om EEG te filteren?
PCA transformeert rommelige hersengolfgegevens in gerangschikte componenten, waardoor onderzoekers snel kunnen scherpstellen op de meest luidruchtige delen van een meting. Deze aanpak is vooral nuttig wanneer oogknipperingen of spierbewegingen het signaal domineren, omdat deze zich vaak ophopen in de posities met de hoogste variantie.
Maar omdat echte hersenritmes ook sterke signalen kunnen produceren, kan de methode niet op zichzelf worden vertrouwd om te beslissen wat een artefact is en wat waardevolle neurale gegevens zijn.
Referenties
Kang, D., & Zhizeng, L. (2012, maart). 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
Veelgestelde vragen
Wat is principal component analysis (PCA) in de context van EEG?
PCA is een wiskundige methode die meerkanaals EEG-gegevens reorganiseert in een nieuwe set signalen, componenten genaamd, die niet met elkaar gecorreleerd zijn. Het rangschikt deze componenten op basis van de hoeveelheid variantie die ze vastleggen, waarbij de eerste component de meeste algehele signaalvariatie verklaart.
Hoe helpt PCA bij het verwijderen van artefacten uit EEG-gegevens?
Omdat artefacten zoals oogknipperingen grote, wijdverspreide spanningsschommelingen veroorzaken, hebben ze de neiging zich te concentreren in de componenten met de hoogste variantie. Dankzij de rangschikking op variantie van PCA kunnen onderzoekers die topcomponenten, die vaak de meest verstorende ruis bevatten, identificeren en mogelijk uitsluiten.
Werkt PCA alleen om EEG-signalen op te schonen?
Nee, PCA wordt zelden gebruikt als een op zichzelf staande opschoningsoplossing. Het fungeert meestal als een stap binnen een groter proces, waarbij het ofwel de gegevensdimensies verkleint voordat een andere methode zoals DEBSS wordt toegepast, of dient als de detectiemotor binnen een raamwerk zoals Artifact Subspace Reconstruction (ASR).
Wat is het verschil tussen PCA and ICA voor het verwijderen van artefacten?
PCA vereist alleen dat de resulterende componenten ongecorreleerd zijn, wat een lossere wiskundige voorwaarde is, terwijl ICA zoekt naar componenten die statistisch onafhankelijk zijn, een striktere en computationeel veeleisendere vereiste. PCA is sneller en wordt vaak gebruikt als voorbereidende stap vóór ICA in plaats van als vervanging ervan.
Kan PCA per ongeluk echte hersenactiviteit verwijderen samen met artefacten?
Ja, omdat PCA op variantie vertrouwt om artefacten te identificeren, kunnen hersenritmes met een hoge amplitude, zoals posterieure alfa-activiteit, voor ruis worden aangezien. Bovendien kunnen artefacten zich over meerdere componenten verspreiden, dus het simpelweg verwijderen van de bovenste component kan echte neurale signalen weggooien.
Hoe verhoudt PCA zich tot frequentiefiltering voor het opschonen van EEG?
Frequentiefiltering verwijdert of dempt signaalenergie in specifieke frequentiebanden, maar kan een artefact en een hersensignaal die dezelfde frequenties delen niet scheiden. PCA kijkt in plaats daarvan naar variatiepatronen over alle elektroden, wat het een complementaire benadering maakt die zich richt op een andere dimensie van de gegevens.
Hoe moet een onderzoeker PCA veilig gebruiken in een EEG-voorverwerkingsworkflow?
PCA kan worden gebruikt als een stap voor dimensiereductie voordat andere methoden worden toegepast, of als hulpmiddel om te inspecteren welke patronen een meting domineren. Onderzoekers moeten de componenten die ze willen weggooien visueel inspecteren door de topografie van de hoofdhuid en het tijdsverloop te controleren, in plaats van blindelings te vertrouwen op de variantierangschikking.
Emotiv is een leider in neurotechnologie die helpt om neurowetenschappelijk onderzoek vooruit te helpen met toegankelijke EEG- en hersendatatools.
Christian Burgos
