Principale-componentenanalyse

Wat is hoofdcomponentenanalyse in EEG?

Om PCA beter te begrijpen, helpt het om voor te stellen hoe ruwe EEG-gegevens eruitzien voordat er signaalverwerking plaatsvindt.

Een typische registratie omvat vele elektroden, die elk na verloop 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 en correleren hun signalen op ingewikkelde manieren.

PCA neemt deze kluwen van gecorreleerde kanalen en reorganiseert deze in een nieuwe reeks 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, oftewel algehele signaalvariatie, die elk verklaart. De eerste component omvat het grootste deel van de variantie in de data, 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, trage spanningsschommelingen die zich gelijktijdig over veel elektroden 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 verderop in de lijst terecht, in componenten met een lagere variantie.

Een detail dat PCA onderscheidt van enkele van zijn bekendere verwanten zoals onafhankelijke componentenanalyse (ICA), 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 minder strikte voorwaarde is.

Hoe werkt hoofdcomponentenanalyse (PCA)? Een stapsgewijze uitleg

Stap 1: De gegevens standaardiseren

Voordat een complexe berekening wordt gestart, moet men de invoer normaliseren om pariteit tussen variabelen te waarborgen. Als de ene variabele wordt gemeten in microvolt en de andere in milliseconden, zouden de ruwe schaalverschillen de resultaten vertekenen. 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: De covariantiematrix berekenen

Zodra de data gestandaardiseerd zijn, is de volgende horde het in kaart brengen van de relaties tussen elk paar variabelen. Een covariantiematrix vat deze interacties samen en toont 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: Eigenvectoren en eigenwaarden berekenen

Deze fase omvat het oplossen van de specifieke vectoren die de vorm van de dataverdeling karakteriseren. Eigenvectoren bepalen de richting van de nieuwe assen, terwijl eigenwaarden de omvang vertegenwoordigen van de variantie die langs die specifieke richtingen wordt vastgelegd. Met deze wiskundige markeringen kunnen we de oorspronkelijke dataruimte roteren naar een nieuw coördinatensysteem dat wordt gedefinieerd door de primaire bewegingspatronen.

Stap 4: Hoofdcomponenten selecteren

Na het identificeren van de componenten beperkt de analyse het model tot alleen die componenten die een significant deel van de totale variantie verklaren. Dit filterproces verwijdert ruisrijke variabelen en behoudt alleen de meest informatieve patronen volgens specifieke kwantitatieve drempels.

Door zich strikt te richten op dominante componenten, verminderen onderzoekers de rekenlast voor daaropvolgende verwerkingstaken. Dit zorgt ervoor dat het uiteindelijke model zowel responsief als efficiënt is voor realtime analyse.

Stap 5: De oorspronkelijke gegevens transformeren

Nadat de definitieve selectie is voltooid, is de laatste stap het projecteren van de oorspronkelijke observatiepunten 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-voorbewerkingspijplijn

In de praktijk werkt PCA zelden alleen. Het verschijnt doorgaans als een stap binnen een grotere opschoonpijplijn, waarbij het een van de volgende twee taken uitvoert:

1. Het verkleinen van de data

2. Helpen detecteren waar de artefacten zich schuilhouden

De eerste rol is dimensionaliteitsreductie. Een studie die PCA combineert met een techniek genaamd density estimation blind source separation (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 uitgefilterd met behulp van wavelet-analyse, en vervolgens werd “het PCA-algoritme gebruikt om de EEG-signalen te verwerken om de datadimensie te verkleinen” voordat DEBSS het overnam om de resterende componenten te scheiden. Zodra de interferentiedragende 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 artefactdetectie zelf, en deze komt voor binnen een veelgebruikte methode genaamd Artifact Subspace Reconstruction, of ASR. ASR werkt door continu korte vensters van EEG-data te analyseren en deze te vergelijken met een baseline van “schone” activiteit.

Volgens een studie uit 2019 waarin een Riemanniaanse 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 componentensubruimte”. Hier reduceert PCA niet het aantal kanalen voor het gemak. Het fungeert als de motor die van moment tot moment beslist of een datasegment er statistisch normaal uitziet of op een artefact lijkt.

Alles bij elkaar genomen concluderen deze twee voorbeelden dat PCA een onderdeel is van een opschoonstrategie, en niet op zichzelf een complete opschoonstrategie vormt. Het draagt zijn output doorgaans over aan een ander algoritme, of dat nu DEBSS is, een aanpassing van de Riemanniaanse geometrie, of een ander besluitvormingsproces dat bepaalt welke componenten daadwerkelijk worden verwijderd.

Kan PCA EEG-artefacten isoleren? Wat het bewijs aantoont

De reden achter de aantrekkingskracht van PCA voor het isoleren van artefacten is eenvoudig. Omdat PCA componenten sorteert op variantie, en omdat knipperen en spieractiviteit de neiging hebben om buitenproportionele spanningsschommelingen te genereren, stelt de neurowetenschappelijke theorie dat deze artefacten zichzelf van nature zouden moeten sorteren in de bovenste paar componenten. Als dat klopt, zou een onderzoeker in principe de ergste interferentie snel kunnen isoleren en weggooien, zonder de exacte statistische onafhankelijkheid van elke hersenbron te hoeven modelleren.

Het onderzoek dat de eerder beschreven PCA-plus-DEBSS-pijplijn testte, meldde dat de gecombineerde methode “de belangrijkste interferentie van meerkanaals EEG-signalen snel en effectief kan elimineren”, terwijl ook werd opgemerkt dat de aanpak “stabiel was en een sterke schaalbaarheid had”. Dit is een positief resultaat, maar het is de moeite waard om precies te noteren wat er werd getest: een specifieke tweestapspijplijn, niet PCA dat geïsoleerd opereert.

Het eerder genoemde onderzoek uit 2019 koos voor een meer gestructureerde vergelijkende aanpak. De onderzoekers bouwden een op Riemanniaanse geometrie gebaseerde versie van ASR, genaamd rASR, en testten deze tegen de standaard op PCA gebaseerde ASR-methode met behulp van EEG dat werd opgenomen op smartphones in zowel binnen- als buitenomstandigheden, met 27 deelnemers.

Ze evalueerden de prestaties over drie afzonderlijke maatstaven:

1. Hoe goed elke methode oogknipperartefacten verminderde (sensitiviteit)

2. Hoe goed elke methode visueel opgewekte potentialen (visual-evoked potentials) behield, wat hersenreacties op visuele stimuli zijn (specificiteit)

3. Hoe snel elke methode werkte (efficiëntie)

Volgens de conclusies van de auteurs presteerde rASR “gunstig op alle drie de maatstaven” in vergelijking met standaard ASR.

Deze resultaten zijn bemoedigend voor op PCA gebaseerde verwerking van artefacten, maar de bewijsbasis erachter is smal. Dit zijn betekenisvolle, nuttige vroege bevindingen, maar ze vormen nog geen breed gevalideerde claim dat PCA betrouwbaar artefacten isoleert in alle EEG-contexten.

PCA vs. ICA vs. filteren: het juiste instrument kiezen

EEG-onderzoekers hebben verschillende instrumenten tot hun beschikking voor het opschonen van data, en PCA neemt daarin een specifieke niche in.

Filteren, waaronder hoogdoorlaat-, laagdoorlaat- en notchfilters vallen, werkt door het verwijderen of dempen van volledige frequentiebanden. Dit is handig voor het verwijderen van constante interferentie zoals netspanningsruis, maar stuit op een harde grens wanneer een artefact en een hersensignaal hetzelfde frequentiebereik delen.

Een knippering kan bijvoorbeeld in frequentie overlappen met trage hersengolven, en een filter kan deze niet van elkaar onderscheiden omdat het alleen frequentie ziet, en niet het patroon van variantie over de kanalen heen. PCA opereert op een compleet andere as, aangezien het kijkt naar hoe signaalvariatie is verdeeld over de gehele set elektroden, en niet naar de frequentie-inhoud. Dit maakt het een complementaire aanpak in plaats van een directe vervanging voor filteren.

Aan de andere kant wordt ICA vaak in één adem genoemd met PCA, maar de twee methoden berusten op verschillende aannames. ICA zoekt naar componenten die statistisch onafhankelijk van elkaar zijn, een veel sterkere en rekenkundig zwaardere eis dan de lossere voorwaarde van eenvoudige decorrelatie bij PCA.

Omdat ICA harder moet zoeken naar dit striktere type scheiding, vereist het doorgaans meer rekentijd en meer data. Omdat PCA wiskundig eenvoudiger is, is het sneller en vereist het helemaal geen onafhankelijkheid, alleen dat de resulterende componenten ongecorreleerd zijn.

Dit verschil in rekenkosten is de reden waarom PCA vaak verschijnt als een voorbereidende stap voorafgaand aan ICA in plaats van als vervanging ervan. Het eerst verminderen van het aantal dimensies met PCA kan een ICA-run versnellen en het risico op overfitting verkleinen wanneer er weinig data beschikbaar is. Als alternatief kan PCA fungeren als een grove eerste stap, waarbij de meest dominante, voor de hand liggende artefacten worden verwijderd voordat een nauwkeurigere methode de rest verfijnt.

Beperkingen van op PCA gebaseerde artefactverwijdering

De eenvoud van PCA is ook de bron van zijn zwakheden. Er blijven verschillende open vragen over hoe goed het daadwerkelijk de artefactisolerende taak uitvoert die het vaak krijgt toegewezen.

Variantie is een imperfecte vervanger voor “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, riskeert het weggooien van echte hersenactiviteit samen met de ruis die het moet verwijderen.

Aan de andere kant beperken knipperartefacten zich niet altijd netjes tot één enkele component; hun invloed kan zich over meerdere componenten tegelijk verspreiden, wat elke eenvoudige strategie van “verwijder de bovenste component” compliceert.

Er is ook een structurele mismatch om rekening mee te houden. PCA dwingt zijn componenten per wiskundige definitie af 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 circuits zijn of spiergroepen nabij de hoofdhuid, gerangschikt zijn op een manier die overeenkomt met deze orthogonale geometrie.

Wanneer de aanname niet overeenkomt met de onderliggende werkelijkheid, 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 bij EEG-analyse

Voor iemand die voor het eerst een EEG-dataset verkent, blijft PCA een redelijk startpunt, met name als een manier om te zien welke variatiepatronen een bepaalde opname domineren. Hier zijn enkele tips die vaak worden aanbevolen:

• Gebruik PCA als een voorbereidende stap om de dimensionaliteit te verminderen of dominante artefactpatronen te markeren, niet als een definitieve opschoonstap.

• Combineer PCA met een vervolgmethode (bijv. ICA, DEBSS, ASR) die kan bepalen welke componenten moeten worden verwijderd.

• Inspecteer altijd visueel de schedeltopografie en het tijdsverloop van verwijderde componenten om te controleren of ze inderdaad artefacten vertegenwoordigen.

• Behandel variabiliteit in resultaten tussen verschillende opnameomgevingen (lab vs. mobiel) met de nodige voorzichtigheid en valideer dit op uw eigen data.

Hoofdcomponentenanalyse in op Emotiv gebaseerd EEG-onderzoek

Emotiv-headsets zijn gebruikt in een aantal peer-reviewed studies waarin hoofdcomponentenanalyse dient als een centrale computationele methode, wat de veelzijdigheid van de techniek illustreert binnen classificatie, sensorselectie, voorbewerking en signaalkwaliteitsverbetering.

PCA Ensemble Classifier voor P300 Speller-nauwkeurigheid

De ontwikkeling van draagbare BCI vereist efficiënte signaalverwerking, en één studie evalueerde een PCA ensemble classifier voor op P300 gebaseerde spellers opgenomen met de Emotiv neuroheadset. Met behulp van een klassiek oddball-paradigma vergeleken de auteurs hun ensemble-aanpak met traditionele feature-extractie- en classificatiemethoden.

Op cross-validatiedata behaalde het PCA-ensemble een gemiddelde nauwkeurigheid van 86,29%, terwijl offline testen een significant hogere gemiddelde classificatienauwkeurigheid van 73,3% opleverde ten opzichte van conventionele methoden. De resultaten wijzen op op PCA gebaseerde ensemble-classificatie als een levensvatbare strategie voor het verwerken van P300-data van een mobiel EEG-apparaat van consumentenkwaliteit.

Minimale EEG-sensoren selecteren voor biometrische identificatie met PCA

Het verminderen van het aantal elektroden zonder verlies van onderscheidende informatie is een praktische uitdaging voor biometrische systemen. Onderzoekers onderzochten minimale EEG-sensorselectie voor persoonsidentificatie met behulp van de Emotiv EPOC+ headset en een grotere openbare dataset. Er werden twee reductiemethodologieën toegepast: één gebaseerd op hoofdcomponentenanalyse en een andere op de Wilcoxon signed-rank test.

Het onderzoek meldt dat beide benaderingen de identificatie mogelijk maakten van de minimale elektrodeset die nodig is voor betrouwbare individuele identificatie, waarbij PCA hielp bepalen welke corticale gebieden het meest bijdragen aan scheidbare patronen. Dit demonstreert de rol van PCA bij dimensionaliteitsreductie bij het vertalen van laboratoriumconfiguraties naar eenvoudigere, meer praktische sensoropstellingen.

PCA vergelijken met CSP en CAR voor artefactverwijdering

Een vergelijking van voorbewerkingspijplijnen registreerde EEG met de Emotiv EPOC om te evalueren hoe goed verschillende algoritmen signalen opschonen vóór classificatie. In een vergelijking van voorbewerkingsalgoritmen werd hoofdcomponentenanalyse getest naast Common Spatial Pattern (CSP) en Common Average Reference (CAR) voor artefactverwijdering, waarna Power Spectral Density-kenmerken werden ingevoerd in een Support Vector Machine-classifier.

De auteurs zagen dat PCA een prestatie leverde van 94,28%, waarmee het beter presteerde dan de andere algoritmen in hun opstelling. Dit suggereert dat PCA kan fungeren als een effectieve component van een voorbewerkingsketen bij het werken met EEG-hardware van consumentenkwaliteit.

Verbetering van collectieve ritme-extractie: PCA vs. Kosambi-Hilbert-torsie

Wanneer meerdere EEG-sensoren oscillerende activiteit vastleggen, is het extraheren van een gedeeld ritme met een hoge signaal-ruisverhouding vaak gewenst. Een studie over het verbeteren van de collectieve ritmekwaliteit met de Emotiv EPOC+ vergeleek traditionele hoofdcomponentenanalyse met de Kosambi-Hilbert-torsie (KHT)-methode. Data werden geregistreerd tijdens rust met gesloten ogen en tijdens het kijken naar een scherm dat flikkerde op 15 Hz.

De onderzoekers melden dat KHT een betere signaal-ruisverhouding voor het collectieve signaal behaalde dan PCA, vooral wanneer er willekeurige temporele verschuivingen over de kanalen werden geïntroduceerd. Het werk toont aan dat hoewel PCA een eenvoudige basislijn biedt voor gemeenschappelijke ritme-extractie, fasebewuste methoden het gewenste signaal verder kunnen versterken.

Alles bij elkaar genomen benadrukken deze onderzoeken hoe hoofdcomponentenanalyse functioneert binnen zeer verschillende EEG-taken—van classificatie en biometrische identificatie tot voorbewerking en ritme-extractie—met behulp van Emotiv-hardware. De resultaten zijn veelbelovend binnen hun specifieke omstandigheden, maar blijven beperkt tot specifieke paradigma's, relatief kleine steekproefgroottes en offline analyses. De bevindingen ondersteunen PCA als een veelzijdig hulpmiddel in EEG-onderzoekspijplijnen, maar vormen nog geen universeel voorschrift voor realtime, goedkope BCI-toepassingen.

Conclusie: Is PCA een betrouwbare methode om EEG op te schonen?

PCA transformeert rommelige hersengolfgegevens in gerangschikte componenten, waardoor onderzoekers een snelle manier hebben om scherp te stellen op de meest ruisachtige delen van een opname. Deze aanpak is vooral nuttig wanneer oogknipperingen of spierbewegingen het signaal domineren, omdat deze vaak komen bovendrijven in de posities met de hoogste variantie.

Maar omdat echte hersenritmes ook sterke signalen kunnen produceren, kan men er niet op vertrouwen dat de methode op zichzelf beslist wat een artefact is en wat waardevolle neurale data zijn.

Referenties

1. 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

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

Veelgestelde vragen

Wat is hoofdcomponentenanalyse (PCA) in de context van EEG?

PCA is een wiskundige methode die meerkanaals EEG-gegevens reorganiseert in een nieuwe reeks signalen die componenten worden genoemd en die niet met elkaar gecorreleerd zijn. Het rangschikt deze componenten op basis van hoeveel variantie ze vastleggen, waarbij de eerste component de meeste algemene 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. Door de rangschikking op variantie van PCA kunnen onderzoekers die bovenste componenten, die vaak de meest storende ruis bevatten, identificeren en eventueel weggooien.

Werkt PCA alleen om EEG-signalen op te schonen?

Nee, PCA wordt zelden gebruikt als een op zichzelf staande opschoonoplossing. Het fungeert doorgaans als een stap binnen een grotere pijplijn, waarbij het ofwel datadimensies reduceert alvorens een andere methode zoals DEBSS toe te passen, of dienstdoet als de detectie-engine binnen een raamwerk zoals Artifact Subspace Reconstruction (ASR).

Wat is het verschil tussen PCA en ICA voor het verwijderen van artefacten?

PCA vereist alleen dat de resulterende componenten ongecorreleerd zijn, wat een minder strikte wiskundige voorwaarde is, terwijl ICA zoekt naar componenten die statistisch onafhankelijk zijn, wat een strengere en rekenkundig zwaardere eis is. PCA is sneller en wordt vaak gebruikt als een voorbereidende stap vóór ICA in plaats van als vervanging daarvan.

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, worden aangezien voor ruis. Bovendien kunnen artefacten zich over meerdere componenten verspreiden, waardoor het simpelweg verwijderen van de bovenste component echte neurale signalen kan 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 van elkaar scheiden. PCA kijkt in plaats daarvan naar patronen van variantie over alle elektroden, waardoor het een complementaire aanpak is die een andere dimensie van de data adresseert.

Hoe moet een onderzoeker PCA veilig gebruiken in een EEG-voorbewerkingsworkflow?

PCA kan worden gebruikt als een stap voor dimensionaliteitsreductie voordat andere methoden worden toegepast, of als hulpmiddel om te inspecteren welke patronen een meting domineren. Onderzoekers moeten de componenten die ze van plan zijn weg te gooien visueel inspecteren door hun schedeltopografie en tijdsverloop te controleren, in plaats van blind te vertrouwen op de variantierangschikking.