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.
Typowe badanie 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 ośrodka (głowy), ich sygnały nakładają się na siebie i korelują w złożony sposób.
PCA przekształca tę plątaninę skorelowanych kanałów i reorganizuje ją w nowy zestaw sygnałów zwanych składowymi (komponentami). Każda składowa jest ważoną kombinacją oryginalnych kanałów, ale o jednej kluczowej właściwości matematycznej: składowe są ortogonalne, co oznacza, że nie są ze sobą skorelowane.
PCA porządkuje również te składowe według wielkości wariancji, czyli ogólnej zmienności sygnału, za którą odpowiada każda z nich. Pierwsza składowa wychwytuje największą część wariancji w danych, druga wychwytuje kolejną co do wielkości 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 wywołują duże, powolne wahania napięcia, które rozprzestrzeniają się jednocześnie na wiele elektrod. Ponieważ tworzy to duży, wspólny wzorzec zmienności, aktywność związana z mruganiem ma tendencję do skupiania się w składowych o najwyższej wariancji. Słabsze, bardziej zlokalizowane sygnały mózgowe często trafiają dalej na liście, do składowych o niższej wariancji.
Jednym ze szczegółów odróżniających PCA od niektórych bardziej znanych metod, takich jak analiza niezależnych składowych (ICA), jest to, że nie zakłada ona, iż ukryte źródła są statystycznie niezależne. Wymaga jedynie, aby powstałe składowe były nieskorelowane, co jest znacznie łagodniejszym warunkiem.
Jak działa analiza głównych składowych (PCA)? Wyjaśnienie krok po kroku
Krok 1: Standaryzacja danych
Przed rozpoczęciem złożonych obliczeń należy znormalizować dane wejściowe, aby zapewnić równość 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 algorytmom matematycznym traktować wszystkie cechy wejściowe z jednakową wagą.
Krok 2: Obliczenie macierzy kowariancji
Po standaryzacji danych kolejnym wyzwaniem jest zmapowanie relacji między każdą parą cech. Macierz kowariancji podsumowuje te interakcje, pokazując, które zmienne zmieniają 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 polega na wyznaczeniu określonych wektorów, które charakteryzują kształt rozkładu danych. Wektory własne określają kierunek nowych osi, podczas gdy wartości własne reprezentują wielkość wariancji wychwyconej wzdłuż tych określonych kierunków. Te matematyczne wyznaczniki pozwalają nam obrócić pierwotną przestrzeń danych do nowego układu współrzędnych zdefiniowanego przez główne wzorce zmienności.
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 zdominowane przez szum i zachowuje 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 pierwotnych punktów obserwacji na te nowe osie. Ta transformacja tworzy nowy zbiór danych o zredukowanym wymiarze, który zachowuje zasadniczą topografię oryginalnych pomiarów.
Specjaliści wykorzystują następnie te przekształcone zmienne do dalszych zadań, takich jak klasyfikacja lub lokalizacja źródeł, czerpiąc korzyści z czystszej reprezentacji sygnału.
Jak PCA wpisuje się w procedurę wstępnego przetwarzania EEG
W praktyce PCA rzadko działa samodzielnie. Zazwyczaj pojawia się jako etap w ramach większej procedury oczyszczania, wykonując jedno z dwóch zadań:
Redukcja rozmiaru danych
Pomoc w wykrywaniu miejsc ukrywania się artefaktów
Pierwszą rolą jest redukcja wymiarowości. Badanie łączące PCA z techniką zwaną separacją ślepych źródeł z estymacją gęstości (DEBSS) wykorzystało PCA specjalnie w celu zmniejszenia rozmiaru zbioru danych EEG przed przeprowadzeniem dalszej separacji.
W tym procesie szum o wysokiej częstotliwości był najpierw odfiltrowywany za pomocą analizy falkowej, a następnie „algorytm PCA jest używany do przetwarzania sygnałów EEG w celu zmniejszenia wymiarowości danych”, zanim DEBSS przejął zadanie separacji 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, które występuje w szeroko stosowanej metodzie o nazwie Artifact Subspace Reconstruction (ASR). ASR działa poprzez ciągłą analizę krótkich okien danych EEG i porównywanie ich z linią bazową „czystej” aktywności.
Według badania z 2019 roku przedstawiającego riemannowską wersję tej metody, ASR „wielokrotnie oblicza PCA na macierzach kowariancji, aby wykryć artefakty w oparciu o ich właściwości statystyczne w podprzestrzeni składowych”. Tutaj PCA nie redukuje liczby kanałów dla wygody. Działa jako silnik, który z chwili na chwilę decyduje, czy segment danych wygląda statystycznie normalnie, czy przypomina artefakt.
Podsumowując, te dwa przykłady prowadzą do wniosku, że PCA jest elementem strategii oczyszczania, a nie kompletną strategią samą w sobie. Zazwyczaj przekazuje swoje wyniki do innego algorytmu – czy to DEBSS, adaptacji geometrii Riemanna, czy innego procesu decyzyjnego, który określa, które składowe faktycznie zostaną usunięte.
Czy PCA może izolować artefakty EEG? Co pokazują dowody
Uzasadnienie popularności 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 w naturalny sposób trafiać do kilku pierwszych składowych. Jeśli to założenie jest prawdziwe, badacz mógłby co do zasady szybko wyizolować i odrzucić najgorsze zakłócenia, bez konieczności modelowania dokładnej niezależności statystycznej każdego źródła mózgowego.
Badanie, w którym przetestowano opisaną wcześniej procedurę PCA wraz z 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 dużą skalowalnością”. Jest to pozytywny wynik, ale warto dokładnie zauważyć, co zostało przetestowane: konkretny dwuetapowy proces, a nie PCA działające w izolacji.
Wspomniane badanie z 2019 roku przyjęło bardziej ustrukturyzowane podejście porównawcze. Badacze opracowali wersję ASR opartą na geometrii Riemanna, zwaną rASR, i przetestowali ją w porównaniu ze standardową metodą ASR opartą na PCA, używając EEG rejestrowanego na smartfonach zarówno w warunkach wewnętrznych, jak i zewnętrznych, z udziałem 27 uczestników.
Ocenili wydajność w trzech oddzielnych wymiarach:
Jak dobrze każda z metod redukowała artefakty mrugania powiek (czułość)
Jak dobrze każda z metod zachowywała wzrokowe potencjały wywołane, które są reakcjami mózgu na bodźce wzrokowe (swoistość)
Jak szybko działała każda z metod (wydajność)
Zgodnie z wnioskami autorów rASR „wypadł korzystnie we wszystkich trzech miarach” w porównaniu ze standardowym ASR.
Wyniki te są zachęcające w kontekście usuwania artefaktów w oparciu o PCA, jednak baza dowodowa jest wąska. Są to znaczące i użyteczne wczesne ustalenia, ale nie stanowią one jeszcze szeroko potwierdzonego twierdzenia, że PCA niezawodnie izoluje artefakty we wszystkich kontekstach EEG.
PCA a ICA a filtracja: wybór właściwego narzędzia
Badacze EEG mają do dyspozycji kilka narzędzi do czyszczenia danych, a PCA zajmuje wśród nich specyficzną niszę.
Filtracja, która obejmuje filtry górnoprzepustowe, dolnoprzepustowe i pasmowo-zaporowe (notch), działa poprzez usuwanie lub tłumienie całych pasm częstotliwości. Jest to przydatne do usuwania stałych zakłóceń, takich jak szum sieci elektrycznej, ale napotyka sztywną barierę, gdy artefakt i sygnał mózgowy współdzielą ten sam zakres częstotliwości.
Na przykład mrugnięcie może pokrywać się częstotliwościowo z wolnymi falami mózgowymi, a filtr nie jest w stanie ich rozróżnić, ponieważ widzi tylko częstotliwość, a nie wzorzec wariancji w kanałach. PCA działa na zupełnie innej osi, ponieważ analizuje sposób, w jaki zmienność sygnału jest rozłożona na całym zestawie elektrod, a nie samą zawartość częstotliwościową. Czyni to z niej podejście komplementarne, a nie bezpośredni zamiennik filtracji.
Z kolei o ICA często wspomina się jednym tchem z PCA, lecz obie metody opierają się na innych założeniach. ICA poszukuje składowych, które są od siebie statystycznie niezależne, co jest znacznie silniejszym i bardziej wymagającym obliczeniowo wymogiem niż luźniejszy warunek zwykłego braku korelacji w PCA.
Ponieważ ICA musi włożyć więcej wysiłku w znalezienie tego bardziej rygorystycznego rodzaju separacji, zwykle wymaga więcej czasu obliczeniowego i większej ilości danych. PCA, będąc prostszą pod względem matematycznym, jest szybsza i w ogóle nie wymaga niezależności – zadowala się jedynie tym, aby otrzymane składowe były nieskorelowane.
Ta różnica w koszcie obliczeniowym sprawia, że PCA często pojawia się jako krok przygotowawczy przed ICA, a nie jako jej zamiennik. Wstępna redukcja liczby wymiarów za pomocą PCA może przyspieszyć działanie ICA i zmniejszyć ryzyko przeuczenia, gdy zasób danych jest ograniczony. Alternatywnie, PCA może działać jako wstępne, zgrubne sito usuwające najbardziej dominujące, oczywiste artefakty, zanim bardziej precyzyjna metoda dostroi resztę.
Metoda | Podstawa separacji | Szybkość | Główne ograniczenie |
|---|---|---|---|
PCA | Sortuje według wariancji | Szybka | Wariancja ≠ artefakt |
ICA | Znajduje niezależne źródła | Wolna | Zakłada niezależność |
Filtracja | Usuwa pasma częstotliwości | Bardzo szybka | Nakładające się częstotliwości pozostają |
Ograniczenia usuwania artefaktów opartego na PCA
Prostota PCA jest również źródłem jej słabości. Wciąż otwartych pozostaje kilka kwestii dotyczących tego, jak dobrze metoda ta radzi sobie w rzeczywistości z zadaniem izolowania artefaktów, które jest jej często powierzane.
Wariancja jest niedoskonałym synonimem „artefaktu”. Niektóre rytmy mózgowe, takie jak potyliczny rytm alfa (dobrze znany rytm EEG związany ze stanem relaksu przy zamkniętych oczach), mogą same w sobie wytwarzać sygnały o wysokiej amplitudzie. Metoda, która zakłada, że wysoka wariancja zawsze oznacza artefakt, ryzykuje odrzucenie autentycznej aktywności mózgu wraz z szumem, który miała usunąć.
Z drugiej strony artefakty mrugania nie zawsze ograniczają się zgrabnie do pojedynczej składowej; ich wpływ może rozprzestrzenić się na kilka składowych jednocześnie, komplikując prostą strategię „usuń pierwszą składową”.
Należy również wziąć pod uwagę niedopasowanie strukturalne. Zgodnie z definicją matematyczną PCA wymusza, aby jej składowe były wzajemnie ortogonalne. Nie ma jednak gwarancji, że rzeczywiste źródła fizyczne generujące sygnały EEG – niezależnie od tego, czy są to obwody neuronalne, czy grupy mięśni w pobliżu skóry głowy – są ułożone w sposób odpowiadający tej ortogonalnej geometrii.
Gdy założenie to rozmija się z leżącą u podstaw rzeczywistością, separacja wygenerowana przez PCA może być jedynie matematycznym ułatwieniem, a nie dokładnym odzwierciedleniem tego, co faktycznie dzieje się w tkance.
Praktyczne porady dotyczące stosowania PCA w analizie EEG
Dla kogoś, kto bada zestaw danych EEG po raz pierwszy, PCA pozostaje rozsądnym punktem wyjścia, szczególnie jako sposób na sprawdzenie, które wzorce zmienności dominują w danym zapisie. Oto kilka często zalecanych wskazówek:
Używaj PCA jako kroku wstępnego 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 składowe należy usunąć.
Zawsze przeprowadzaj wizualną inspekcję topografii na skórze głowy i przebiegu czasowego odrzucanych składowych, aby zweryfikować, czy rzeczywiście reprezentują one artefakty.
Podchodź z ostrożnością do zmienności wyników w różnych środowiskach rejestracji (laboratorium a warunki mobilne) i przeprowadzaj walidację na własnych danych.
Analiza głównych składowych w badaniach EEG opartych na rozwiązaniach Emotiv
Urządzenia headset marki Emotiv były wykorzystywane w wielu recenzowanych badaniach, w których analiza głównych składowych służy jako podstawowa metoda obliczeniowa, ilustrując wszechstronność tej techniki w klasyfikacji, doborze czujników, wstępnym przetwarzaniu i poprawie jakości sygnału.
Klasyfikator zespołowy oparty na PCA dla dokładności spellerów P300
Rozwój ubieralnych systemów BCI wymaga wydajnego przetwarzania sygnałów, a w jednym z badań oceniono klasyfikator zespołowy PCA dla spellerów opartych na potencjale P300, rejestrowanych za pomocą urządzenia Emotiv neuroheadset. Wykorzystując klasyczny paradygmat oddball, autorzy porównali swoje podejście zespołowe z tradycyjnymi metodami ekstrakcji cech i klasyfikacji.
Na danych z walidacji krzyżowej zespół PCA osiągnął średnią dokładność na poziomie 86,29%, podczas gdy testy offline przyniosły znacznie wyższą średnią dokładność klasyfikacji wynoszącą 73,3% w porównaniu z metodami konwencjonalnymi. Wyniki te wskazują na zespołową klasyfikację opartą na PCA jako realną strategię przetwarzania danych P300 z mobilnego, konsumenckiego urządzenia EEG.
Wybór minimalnej liczby czujników EEG do identyfikacji biometrycznej za pomocą PCA
Zmniejszenie liczby elektrod bez utraty informacji dyskryminacyjnych jest praktycznym wyzwaniem dla systemów biometrycznych. Naukowcy zbadali wybór minimalnej liczby czujników EEG do identyfikacji osób przy użyciu urządzenia Emotiv EPOC+ headset i większego publicznego zbioru danych. Zastosowano dwie metodologie redukcji: jedną opartą na analizie głównych składowych, a drugą na teście kolejności par Wilcoxona.
Badanie wskazuje, że oba podejścia umożliwiły identyfikację minimalnego zestawu elektrod niezbędnego do niezawodnej identyfikacji osobniczej, przy czym PCA pomogła wskazać, które obszary kory mózgowej wnoszą największy wkład w rozróżnialne wzorce. Demonstruje to rolę PCA w redukcji wymiarowości przy przekładaniu konfiguracji laboratoryjnych na prostsze, bardziej praktyczne układy czujników.
Porównanie PCA z CSP i CAR w usuwaniu artefaktów
W ramach porównania procedur wstępnego przetwarzania zarejestrowano sygnał EEG za pomocą Emotiv EPOC, aby ocenić, jak dobrze różne algorytmy oczyszczają sygnały przed klasyfikacją. W porównaniu algorytmów wstępnego przetwarzania analizę głównych składowych przetestowano wraz ze wspólnym wzorcem przestrzennym (CSP) i wspólnym odniesieniem średnim (CAR) pod kątem usuwania artefaktów, po czym cechy gęstości widmowej mocy wprowadzono do klasyfikatora opartego na maszynie wektorów nośnych (SVM).
Autorzy zaobserwowali, że PCA osiągnęła skuteczność na poziomie 94,28%, przewyższając inne algorytmy w ich konfiguracji. Sugeruje to, że PCA może działać jako skuteczny element łańcucha wstępnego przetwarzania podczas pracy z konsumenckim sprzętem EEG.
Poprawa ekstrakcji rytmu zbiorczego: PCA a torsja Kosambiego-Hilberta
Gdy wiele czujników EEG rejestruje aktywność oscylacyjną, często pożądane jest wyodrębnienie wspólnego rytmu o wysokim stosunku sygnału do szumu. Badanie dotyczące poprawy jakości rytmu zbiorczego za pomocą urządzenia Emotiv EPOC+ porównało tradycyjną analizę głównych składowych z metodą torsji Kosambiego-Hilberta (KHT). Dane rejestrowano podczas odpoczynku z zamkniętymi oczami oraz podczas patrzenia na ekran migoczący z częstotliwością 15 Hz.
Naukowcy donoszą, że KHT osiągnęła lepszy stosunek sygnału do szumu dla sygnału zbiorczego niż PCA, szczególnie w sytuacji, gdy między kanałami wprowadzono losowe przesunięcia czasowe. Praca ta pokazuje, że chociaż PCA oferuje prostą bazę odniesienia do ekstrakcji wspólnego rytmu, metody uwzględniające fazę mogą w jeszcze większym stopniu wzmocnić pożądany sygnał.
Podsumowując, badania te podkreślają, jak analiza głównych składowych sprawdza się w bardzo różnych zadaniach EEG – od klasyfikacji i identyfikacji biometrycznej po wstępne przetwarzanie i ekstrakcję rytmu – przy użyciu sprzętu Emotiv. Wyniki są obiecujące w określonych warunkach, jednak pozostają ograniczone do konkretnych paradygmatów, stosunkowo małych prób badawczych i analiz offline. Ustalenia te potwierdzają, że PCA jest wszechstronnym narzędziem w procedurach badawczych EEG, ale nie stanowią jeszcze uniwersalnej recepty dla aplikacji BCI czasu rzeczywistego o niskim koszcie.
Wnioski: Czy PCA jest niezawodną metodą oczyszczania EEG?
PCA przekształca chaotyczne dane fal mózgowych w uporządkowane składowe, dając badaczom szybki sposób na skupienie się na najbardziej zaszumionych częściach nagrania. Podejście to jest szczególnie przydatne, gdy w sygnale dominują mrugnięcia powiek lub ruchy mięśni, ponieważ często trafiają one na pozycje o najwyższej wariancji.
Jednak ze względu na to, że autentyczne rytmy mózgowe mogą również generować silne sygnały, metodzie tej nie można bezkrytycznie ufać jako samodzielnemu narzędziu do decydowania o tym, co jest artefaktem, a co cennymi danymi neuronalnymi.
Bibliografia
Kang, D., & Zhizeng, L. (2012, marzec). A method of denoising multi-channel EEG signals fast based on PCA and DEBSS algorithm. W 2012 International Conference on Computer Science and Electronics Engineering (t. 3, s. 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
Często zadawane pytania
Czym jest analiza głównych składowych (PCA) w kontekście EEG?
PCA to metoda matematyczna, która reorganizuje wielokanałowe dane EEG w nowy zestaw sygnałów zwanych składowymi, które nie są ze sobą skorelowane. Szereguje ona te składowe według wielkości wariancji, jaką 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, wywołują duże, rozległe wahania napięcia, mają tendencję do koncentrowania się w składowych o najwyższej wariancji. Uszeregowanie według wariancji w PCA pozwala badaczom zidentyfikować i potencjalnie odrzucić te czołowe składowe, które często zawierają najbardziej uciążliwy szum.
Czy PCA działa samodzielnie przy oczyszczaniu sygnałów EEG?
Nie, PCA jest rzadko stosowana jako samodzielne rozwiązanie do oczyszczania danych. Zazwyczaj działa jako etap w ramach większego procesu – albo redukując wymiary danych przed zastosowaniem innej metody, takiej jak DEBSS, albo służąc jako mechanizm detekcji w strukturach takich jak Artifact Subspace Reconstruction (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 stanowi bardziej rygorystyczny i wymagający obliczeniowo wymóg. PCA jest szybsza i często stosowana jako krok przygotowawczy przed ICA, a nie jako jej zamiennik.
Czy PCA może przypadkowo usunąć prawdziwą aktywność mózgu wraz z artefaktami?
Tak, ponieważ PCA opiera się na wariancji przy identyfikacji artefaktów, rytmy mózgowe o wysokiej amplitudzie, takie jak potyliczny rytm alfa, mogą zostać pomylone z szumem. Ponadto artefakty mogą rozprzestrzeniać się na wiele składowych, więc proste usunięcie pierwszej składowej może skutkować odrzuceniem autentycznych sygnałów neuronalnych.
Jak wypada porównanie PCA z filtracją częstotliwościową w oczyszczaniu EEG?
Filtracja częstotliwościowa usuwa lub tłumi energię sygnału w określonych pasmach częstotliwości, ale nie potrafi rozdzielić artefaktu i sygnału mózgowego, które współdzielą te same częstotliwości. PCA analizuje natomiast wzorce wariancji na wszystkich elektrodach, co czyni ją podejściem komplementarnym, adresującym inny wymiar danych.
W jaki sposób badacz powinien bezpiecznie stosować PCA w procedurze wstępnego przetwarzania EEG?
PCA może być stosowana jako etap redukcji wymiarowości przed wdrożeniem innych metod lub jako pomoc w sprawdzeniu, jakie wzorce dominują w zapisie. Badacze powinni dokonywać wzrokowej inspekcji odrzucanych składowych, weryfikując ich topografię na skórze głowy i przebieg w czasie, zamiast ślepo ufać rankingowi wariancji.
Emotiv jest liderem w dziedzinie neurotechnologii, pomagającym rozwijać badania neuronaukowe dzięki dostępnym narzędziom EEG i danym o mózgu.
Zastrzeżenie medyczne: Informacje podane na tej stronie służą wyłącznie celom edukacyjnym i informacyjnym i nie stanowią porady medycznej ani zdrowotnej. Treść ta może zawierać błędy i nie należy na niej polegać przy podejmowaniu kluczowych decyzji dotyczących zdrowia, leczenia lub stylu życia. W przypadku jakichkolwiek pytań dotyczących stanu zdrowia lub leczenia należy zawsze zasięgnąć porady lekarza lub innego wykwalifikowanego pracownika służby zdrowia.
Christian Burgos
