Analiza głównych składowych, zazwyczaj skracana do PCA, jest jednym z proponowanych narzędzi matematycznych, które oferuje sposób na uproszczenie wielokanałowych nagrań EEG, zmniejszenie ilości danych wymagających przetworzenia oraz oznaczenie najgłośniejszych, najbardziej zakłócających artefaktów, a wszystko to bez przyjmowania niektórych surowszych założeń statystycznych, których wymagają inne metody usuwania artefaktów.
Ten artykuł wyjaśnia, co PCA faktycznie robi z danymi EEG, jak badacze wykorzystywali je w rzeczywistych etapach wstępnego przetwarzania danych oraz co mówią obecne, wciąż ograniczone dowody na temat tego, czy działa ono zgodnie z obietnicami.
Czym jest analiza głównych składowych w EEG?
Aby lepiej zrozumieć PCA, warto wyobrazić sobie, jak wyglądają surowe dane EEG przed jakimkolwiek przetwarzaniem sygnału.
Typowy zapis obejmuje wiele elektrod, z których każda generuje własny ciągły strumień odczytów napięcia w czasie. Kanały te nie są od siebie niezależne. Ponieważ wszystkie rejestrują aktywność elektryczną ze wspólnego, przewodzącego środowiska (głowy), ich sygnały nakładają się i korelują ze sobą w skomplikowany sposób.
PCA bierze tę plątaninę skorelowanych kanałów i reorganizuje ją w nowy zestaw sygnałów zwanych składowymi (komponentami). Każda składowa jest ważoną kombinacją oryginalnych kanałów, ale z jedną kluczową właściwością matematyczną: składowe są ortogonalne, co oznacza, że nie są ze sobą skorelowane.
PCA klasyfikuje również te składowe według tego, za jaką część wariancji, czyli ogólnej zmienności sygnału, odpowiada każda z nich. Pierwsza składowa wychwytuje największą część wariancji w danych, druga kolejną największą część z tego, co pozostało, i tak dalej w dół listy.
Ten ranking ma kluczowe znaczenie ze względu na sposób zachowania się artefaktów. Na przykład mrugnięcia okiem powodują duże, wolne wahania napięcia, które rozprzestrzeniają się szeroko na wiele elektrod jednocześnie. Ponieważ tworzy to duży, wspólny wzorzec zmienności, aktywność związana z mruganiem ma tendencję do koncentrowania się w składowych o najwyższej wariancji. Słabsze, bardziej zlokalizowane sygnały mózgowe często lądują dalej na liście, w składowych o niższej wariancji.
Jednym ze szczegółów odróżniających PCA od niektórych jej bardziej znanych kuzynów, takich jak analiza składowych niezależnych (ICA), jest to, że nie zakłada ona, iż leżące u podstaw źródła są statystycznie niezależne. Wymaga jedynie, aby wynikowe składowe były nieskorelowane, co jest znacznie łagodniejszym warunkiem.
Jak działa analiza głównych składowych (PCA)? Wyjaśnienie krok po kroku
Krok 1: Standaryzacja danych
Przed uruchomieniem złożonych obliczeń należy znormalizować dane wejściowe, aby zapewnić parytet między zmiennymi. Jeśli jedna zmienna jest mierzona w mikrowoltach, a inna w milisekundach, surowe różnice w skali zniekształciłyby wyniki. Przeskalowanie każdej zmiennej do średniej równej zero i odchylenia standardowego równego jeden pozwala matematyce traktować wszystkie cechy wejściowe z jednakową wagą.
Krok 2: Obliczenie macierzy kowariancji
Po standaryzacji danych kolejnym krokiem jest zmapowanie relacji między każdą parą cech. Macierz kowariancji podsumowuje te interakcje, pokazując, które zmienne poruszają się razem, a które są niezależne. Ta siatka służy jako podstawa do identyfikacji kierunków, w których zbiór danych wykazuje najbardziej znaczący rozrzut.
Krok 3: Obliczenie wektorów własnych i wartości własnych
Ten etap obejmuje wyznaczenie konkretnych wektorów, które charakteryzują kształt rozkładu danych. Wektory własne określają kierunek nowych osi, podczas gdy wartości własne reprezentują wielkość wariancji przechwyconej wzdłuż tych konkretnych kierunków. Te matematyczne wyznaczniki pozwalają nam obrócić oryginalną przestrzeń danych do nowego układu współrzędnych zdefiniowanego przez główne wzorce ruchu.
Krok 4: Wybór głównych składowych
Po zidentyfikowaniu składowych, analiza ogranicza model tylko do tych, które wyjaśniają znaczną część całkowitej wariancji. Ten proces filtrowania odrzuca zmienne o dużym poziomie szumu i pozostawia tylko najbardziej pouczające wzorce zgodnie z określonymi progami ilościowymi.
Skupiając się ściśle na dominujących składowych, badacze zmniejszają obciążenie obliczeniowe w kolejnych zadaniach przetwarzania. Zapewnia to, że ostateczny model jest zarówno responsywny, jak i wydajny w analizie w czasie rzeczywistym.
Krok 5: Transformacja oryginalnych danych
Po dokonaniu ostatecznego wyboru, ostatnim krokiem jest rzutowanie oryginalnych punktów obserwacji na te nowe osie. Ta transformacja tworzy nowy zbiór danych o zredukowanym wymiarze, który zachowuje zasadniczą topografię oryginalnych pomiarów.
Profesjonaliści używają następnie tych przekształconych zmiennych do dalszych zadań, takich jak klasyfikacja lub lokalizacja źródła, korzystając z czystszego przedstawienia sygnału.
Jak PCA wpisuje się w potok wstępnego przetwarzania EEG
W praktyce PCA rzadko działa samodzielnie. Zazwyczaj pojawia się jako krok w większym procesie oczyszczania, wykonując jedno z dwóch zadań:
Zmniejszanie rozmiaru danych
Pomoc w wykrywaniu miejsc, w których ukrywają się artefakty
Pierwszą rolą jest redukcja wymiarowości. W badaniu łączącym PCA z techniką zwaną ślepą separacją źródeł opartą na estymacji gęstości (DEBSS), użyto PCA specjalnie w celu zmniejszenia rozmiaru zbioru danych EEG przed dokonaniem dalszej separacji.
W tym potoku szum o wysokiej częstotliwości był najpierw odfiltrowywany za pomocą analizy falkowej, a następnie „algorytm PCA jest używany do przetwarzania sygnałów EEG w celu zmniejszenia wymiaru danych”, zanim DEBSS przejął zadanie oddzielenia pozostałych składowych. Po zidentyfikowaniu składowych niosących zakłócenia przy użyciu współczynników korelacji wzajemnej i powiązanych parametrów nieliniowych, badacze zrekonstruowali sygnał z pozostałych, czystszych składowych.
Drugą rolą jest samo wykrywanie artefaktów i pojawia się ono w powszechnie stosowanej metodzie zwanej rekonstrukcją podprzestrzeni artefaktów (Artifact Subspace Reconstruction - ASR). ASR działa poprzez ciągłą analizę krótkich okien danych EEG i porównywanie ich z linią bazową „czystej” aktywności.
Zgodnie z badaniem z 2019 roku przedstawiającym riemannowską wersję tej metody, ASR „wielokrotnie oblicza PCA na macierzach kowariancji w celu wykrycia artefaktów na podstawie ich właściwości statystycznych w podprzestrzeni składowych”. W tym przypadku PCA nie redukuje liczby kanałów dla wygody. Działa jako silnik, który decyduje w każdej chwili, czy segment danych wygląda statystycznie normalnie, czy też wygląda jak artefakt.
Podsumowując, te dwa przykłady prowadzą do wniosku, że PCA jest elementem strategii oczyszczania, a nie kompletną strategią oczyszczania samą w sobie. Zazwyczaj przekazuje swoje wyniki do innego algorytmu, czy to DEBSS, adaptacji geometrii riemannowskiej, czy innego procesu decyzyjnego, który określa, które składowe faktycznie zostaną usunięte.
Czy PCA może izolować artefakty EEG? Co pokazują dowody
Uzasadnienie atrakcyjności PCA w izolowaniu artefaktów jest proste. Ponieważ PCA sortuje składowe według wariancji, a mrugnięcia i aktywność mięśni mają tendencję do generowania ponadprzeciętnych wahań napięcia, teoria neuronauki zakłada, że te artefakty powinny naturalnie uszeregować się w kilku pierwszych składowych. Jeśli to się potwierdzi, badacz mógłby w zasadzie szybko wyizolować i odrzucić najgorsze zakłócenia, bez konieczności modelowania dokładnej niezależności statystycznej każdego źródła mózgowego.
Badanie, w którym przetestowano opisany wcześniej potok PCA-plus-DEBSS, wykazało, że połączona metoda „może szybko i skutecznie wyeliminować główne zakłócenia wielokanałowych sygnałów EEG”, zauważając jednocześnie, że podejście to było „stabilne i charakteryzowało się silną skalowalnością”. Jest to pozytywny wynik, ale warto dokładnie zauważyć, co było testowane: konkretny dwustopniowy potok, a nie PCA działająca w izolacji.
Wspomniane badanie z 2019 roku przyjęło bardziej ustrukturyzowane podejście porównawcze. Badacze stworzyli wersję ASR opartą na geometrii riemannowskiej, zwaną rASR, i przetestowali ją w porównaniu ze standardową metodą ASR opartą na PCA, przy użyciu EEG rejestrowanego na smartfonach zarówno w warunkach wewnętrznych, jak i zewnętrznych, z udziałem 27 uczestników.
Ocenili oni wydajność w oparciu o trzy odrębne kryteria:
Jak dobrze każda metoda redukowała artefakty mrugania okiem (czułość)
Jak dobrze każda metoda zachowywała wzrokowe potencjały wywołane, czyli reakcje mózgu na bodźce wzrokowe (swoistość)
Jak szybko każda metoda działała (wydajność)
Zgodnie z wnioskami autorów, rASR „wypadła korzystnie we wszystkich trzech aspektach” w porównaniu ze standardowym ASR.
Wyniki te są zachęcające dla usuwania artefaktów metodą opartą na PCA, ale baza dowodowa za nimi stojąca jest wąska. Są to znaczące, użyteczne wczesne ustalenia, ale nie stanowią one jeszcze szeroko zweryfikowanego twierdzenia, że PCA niezawodnie izoluje artefakty we wszystkich kontekstach EEG.
PCA vs. ICA vs. Filtrowanie: Wybór odpowiedniego narzędzia
Badacze EEG mają do dyspozycji kilka narzędzi do oczyszczania danych, a PCA zajmuje wśród nich specyficzną nniszę.
Filtrowanie, które obejmuje filtry górnoprzepustowe, dolnoprzepustowe i środkowozaporowe (notch), działa poprzez usuwanie lub tłumienie całych pasm częstotliwości. Jest to przydatne do usuwania stałych zakłóceń, takich jak szum sieci elektrycznej, ale napotyka na twardą granicę, gdy artefakt i sygnał mózgowy dzielą ten sam zakres częstotliwości.
Na przykład mrugnięcie okiem może nakładać się częstotliwościowo na wolne fale mózgowe, a filtr nie potrafi ich rozróżnić, ponieważ widzi tylko częstotliwość, a nie wzorzec wariancji w kanałach. PCA działa na zupełnie innej osi, ponieważ analizuje, w jaki sposób zmienność sygnału jest rozłożona na cały zestaw elektrod, a nie na zawartość częstotliwościową. Sprawia to, że jest to podejście komplementarne, a nie bezpośredni substytut filtrowania.
Z drugiej strony, ICA jest często wymieniana jednym tchem z PCA, ale obie metody opierają się na innych założeniach. ICA poszukuje składowych, które są statystycznie niezależne od siebie, co jest znacznie silniejszym i bardziej wymagającym obliczeniowo wymogiem niż łagodniejszy warunek zwykłej dekorolacji w PCA.
Ponieważ ICA musi intensywniej szukać tego bardziej rygorystycznego rodzaju separacji, zwykle wymaga więcej czasu obliczeniowego i większej ilości danych. PCA, będąc prostszą matematycznie, jest szybsza i w ogóle nie potrzebuje niezależności, a jedynie tego, by wynikowe składowe były nieskorelowane.
Ta różnica w koszcie obliczeniowym jest powodem, dla którego PCA często pojawia się jako krok przygotowawczy przed ICA, a nie jako jej zamiennik. Zredukowanie liczby wymiarów za pomocą PCA w pierwszej kolejności może przyspieszyć działanie ICA i zmniejszyć ryzyko przeuczenia (overfittingu), gdy dane są ograniczone. Alternatywnie, PCA może działać jako zgrubny pierwszy krok, usuwając najbardziej dominujące, oczywiste artefakty przed dokładniejszym dostrojeniem reszty za pomocą innej metody.
Metoda | Podstawa separacji | Szybkość | Kluczowe ograniczenie |
|---|---|---|---|
PCA | Sortuje według wariancji | Szybka | Wariancja ≠ artefakt |
ICA | Znajduje niezależne źródła | Powolna | Zakłada niezależność |
Filtrowanie | Usuwa pasma częstotliwości | Bardzo szybka | Pokrywające się częstotliwości pozostają |
Ograniczenia usuwania artefaktów metodą opartą na PCA
Prostota PCA jest również źródłem jej słabości. Pozostaje kilka otwartych pytań dotyczących tego, jak dobrze faktycznie radzi sobie ona z zadaniem izolowania artefaktów, które jest jej często przypisywane.
Wariancja jest niedoskonałym substytutem „artefaktu”. Niektóre rytmy mózgowe, takie jak potyliczna aktywność alfa (dobrze znany rytm EEG związany ze stanem zrelaksowania przy zamkniętych oczach), mogą same w sobie generować sygnały o wysokiej amplitudzie. Metoda, która zakłada, że wysoka wariancja zawsze oznacza artefakt, niesie ze sobą ryzyko odrzucenia autentycznej aktywności mózgu wraz z szumem, który ma usunąć.
W drugim kierunku, artefakty mrugania okiem nie zawsze ograniczają się dokładnie do pojedynczej składowej; ich wpływ może rozprzestrzeniać się na kilka składowych jednocześnie, co komplikuje prostą strategię „usuń najwyższą składową”.
Należy również wziąć pod uwagę niedopasowanie strukturalne. PCA z matematycznej definicji zmusza swoje składowe do bycia ortogonalnymi względem siebie. Nie ma jednak gwarancji, że rzeczywiste źródła fizyczne generujące sygnały EEG, czy to obwody neuronalne, czy grupy mięśni w pobliżu skóry głowy, są rozmieszczone w sposób odpowiadający tej ortogonalnej geometrii.
Gdy założenie to nie odpowiada leżącej u podstaw rzeczywistości, separacja generowana przez PCA może być raczej matematycznym ułatwieniem niż dokładnym odzwierciedleniem tego, co faktycznie dzieje się w tkance.
Praktyczne porady dotyczące stosowania PCA w analizie EEG
Dla kogoś, kto bada zbiór danych EEG po raz pierwszy, PCA pozostaje rozsądnym punktem wyjścia, w szczególności jako sposób na sprawdzenie, które wzorce zmienności dominują w danym zapisie. Oto kilka często zalecanych wskazówek:
Używaj PCA jako wstępnego kroku do redukcji wymiarowości lub oznaczania dominujących wzorców artefaktów, a nie jako ostatecznego etapu oczyszczania.
Połącz PCA z kolejną metodą (np. ICA, DEBSS, ASR), która może zdecydować, które komponenty usunąć.
Zawsze wizualnie kontroluj topografię skóry głowy i przebieg czasowy odrzucanych składowych, aby zweryfikować, czy reprezentują one artefakty.
Do zmienności wyników w różnych środowiskach rejestracji (laboratorium vs. rejestracja mobilna) podchodź z ostrożnością i weryfikuj je na własnych danych.
Podsumowanie: Czy PCA jest niezawodną metodą oczyszczania EEG?
PCA przekształca nieuporządkowane dane dotyczące fal mózgowych w uporządkowane składowe, dając badaczom szybki sposób na skupienie się na najbardziej zaszumionych częściach nagrania. Podejście to jest szczególnie przydatne, gdy mrugnięcia okiem lub ruchy mięśni dominują w sygnale, ponieważ często trafiają one do pozycji o najwyższej wariancji.
Ponieważ jednak autentyczne rytmy mózgowe mogą również generować silne sygnały, metodzie tej nie można ufać samodzielnie przy podejmowaniu decyzji, co jest artefaktem, a co cennymi danymi neuronalnymi.
Piśmiennictwo
Kang, D., & Zhizeng, L. (2012, marzec). Metoda szybkiego odszumiania wielokanałowych sygnałów EEG w oparciu o algorytm PCA i DEBSS. W 2012 International Conference on Computer Science and Electronics Engineering (t. 3, str. 322-326). IEEE. https://doi.org/10.1109/ICCSEE.2012.105
Blum, S., Jacobsen, N. S. J., Bleichner, M. G., & Debener, S. (2019). Riemannowska modyfikacja rekonstrukcji podprzestrzeni artefaktów do obsługi artefaktów EEG. Frontiers in human neuroscience, 13, 141. https://doi.org/10.3389/fnhum.2019.00141
Najczęściej zadawane pytania
Czym jest analiza głównych składowych (PCA) w kontekście EEG?
PCA jest metodą matematyczną, która reorganizuje wielokanałowe dane EEG w nowy zestaw sygnałów zwanych składowymi, które nie są ze sobą skorelowane. Klasyfikuje te składowe według tego, jak dużą wariancję wychwytują, przy czym pierwsza składowa wyjaśnia największą ogólną zmienność sygnału.
W jaki sposób PCA pomaga w usuwaniu artefaktów z danych EEG?
Ponieważ artefakty, takie jak mrugnięcia okiem, powodują duże, szeroko rozprzestrzeniające się wahania napięcia, mają tendencję do koncentrowania się w składowych o najwyższej wariancji. Klasyfikacja według wariancji w PCA pozwala badaczom zidentyfikować i potencjalnie odrzucić te najwyższe składowe, które często zawierają najbardziej zakłócający szum.
Czy PCA działa samodzielnie przy oczyszczaniu sygnałów EEG?
Nie, PCA rzadko jest stosowana jako samodzielne rozwiązanie do oczyszczania danych. Zazwyczaj działa jako krok w większym procesie, redukując wymiary danych przed zastosowaniem innej metody, takiej jak DEBSS, lub służąc jako silnik wykrywający w ramach algorytmów takich jak rekonstrukcja podprzestrzeni artefaktów (ASR).
Jaka jest różnica między PCA a ICA w usuwaniu artefaktów?
PCA wymaga jedynie, aby wynikowe składowe były nieskorelowane, co jest łagodniejszym warunkiem matematycznym, podczas gdy ICA poszukuje składowych, które są statystycznie niezależne, co jest bardziej rygorystycznym i wymagającym obliczeniowo wymogiem. PCA jest szybsza i często stosowana jako krok przygotowawczy przed ICA, a nie jako jej zastępstwo.
Czy PCA może przypadkowo usunąć rzeczywistą aktywność mózgu wraz z artefaktami?
Tak, ponieważ PCA opiera się na wariancji w celu identyfikacji artefaktów, rytmy mózgowe o wysokiej amplitudzie, takie jak potyliczna aktywność alfa, mogą zostać pomylone z szumem. Ponadto artefakty mogą rozprzestrzeniać się na wiele składowych, więc zwykłe usunięcie najwyższej składowej może wiązać się z odrzuceniem autentycznych sygnałów neuronalnych.
Jak PCA wypada w porównaniu z filtrowaniem częstotliwościowym w oczyszczaniu EEG?
Filtrowanie częstotliwościowe usuwa lub tłumi energię sygnału w określonych pasmach częstotliwości, ale nie potrafi oddzielić artefaktu od sygnału mózgowego, które współdzielą te same częstotliwości. PCA analizuje zamiast tego wzorce wariancji we wszystkich elektrodach, co czyni ją komplementarnym podejściem, które odnosi się do innego wymiaru danych.
Jak badacz powinien bezpiecznie stosować PCA w procesie wstępnego przetwarzania EEG?
PCA może być stosowana jako krok redukcji wymiarowości przed wdrożeniem innych metod lub jako pomoc w badaniu, które wzorce dominują w zapisie. Badacze powinni wizualnie oceniać składowe, które planują odrzucić, sprawdzając ich topografię na skórze głowy i przebieg czasowy, zamiast bezkrytycznie ufać rankingowi wariancji.
Emotiv jest liderem w dziedzinie neurotechnologii, pomagającym rozwijać badania neuronaukowe dzięki dostępnym narzędziom EEG i danym o mózgu.
Christian Burgos
