A análise de componentes principais, geralmente abreviada como PCA, é uma das ferramentas matemáticas propostas que oferece uma maneira de simplificar os registros de EEG multicanais, reduzir a quantidade de dados que precisam ser processados e sinalizar os artefatos mais barulhentos e disruptivos, tudo isso sem fazer algumas das suposições estatísticas mais rígidas que outros métodos de remoção de artefatos exigem.
Este artigo explica o que o PCA realmente faz com os dados de EEG, como os pesquisadores o têm utilizado em pipelines de pré-processamento reais e o que as evidências atuais, ainda limitadas, dizem sobre se ele funciona conforme o anunciado.
O que é a Análise de Componentes Principais no EEG?
Para compreender melhor a PCA, ajuda visualizar como são os dados brutos de EEG antes de qualquer processamento de sinal acontecer.
Um registo típico envolve muitos elétrodos, cada um a produzir o seu próprio fluxo contínuo de leituras de voltagem ao longo do tempo. Estes canais não são independentes uns dos outros. Como todos estão a captar atividade elétrica a partir de um meio condutor partilhado (a cabeça), os seus sinais sobrepõem-se e correlacionam-se de formas complexas.
A PCA pega neste emaranhado de canais correlacionados e reorganiza-o num novo conjunto de sinais chamados componentes. Cada componente é uma combinação ponderada dos canais originais, mas com uma propriedade matemática fundamental: os componentes são ortogonais, o que significa que não estão correlacionados entre si.
A PCA também classifica estes componentes de acordo com a quantidade de variância, ou variação global do sinal, que cada um representa. O primeiro componente capta a maior parcela de variância nos dados, o segundo capta a parcela seguinte mais significativa entre o que resta, e assim sucessivamente ao longo da lista.
Esta classificação é crucial devido à forma como os artefactos tendem a comportar-se. O pestanejar dos olhos, por exemplo, produz oscilações de voltagem grandes e lentas que se propagam amplamente por muitos elétrodos ao mesmo tempo. Uma vez que isto cria um padrão de variação grande e partilhado, a atividade de pestanejo tende a concentrar-se nos componentes de maior variância. Sinais cerebrais mais fracos e mais localizados acabam muitas vezes mais abaixo na lista, em componentes de menor variância.
Um detalhe que separa a PCA de alguns dos seus métodos equivalentes mais conhecidos, como a análise de componentes independentes (ICA), é o facto de não assumir que as fontes subjacentes são estatisticamente independentes. Apenas exige que os componentes resultantes não estejam correlacionados, o que é uma condição muito menos restritiva.
Como Funciona a Análise de Componentes Principais (PCA)? Uma Explicação Passo a Passo
Passo 1: Padronizar os Dados
Antes de iniciar um cálculo complexo, é necessário normalizar os dados de entrada para garantir a paridade entre as variáveis. Se uma variável for medida em microvolts e outra em milissegundos, as diferenças brutas de escala iriam enviesar os resultados. Dimensionar cada variável para uma média de zero e um desvio-padrão de um permite que o cálculo trate todas as características de entrada com o mesmo peso.
Passo 2: Calcular a Matriz de Covariância
Uma vez padronizados os dados, o obstáculo seguinte é mapear as relações entre cada par de características. Uma matriz de covariância resume estas interações, mostrando quais as variáveis que variam juntas e quais são independentes. Esta grelha serve de base para identificar as direções em que o conjunto de dados exibe a dispersão mais significativa.
Passo 3: Calcular Vetores Próprios (Eigenvectors) e Valores Próprios (Eigenvalues)
Esta etapa envolve a resolução dos vetores específicos que caracterizam a forma da distribuição dos dados. Os vetores próprios determinam a direção dos novos eixos, enquanto os valores próprios representam a magnitude da variância captada ao longo dessas direções específicas. Estes marcadores matemáticos permitem-nos rodar o espaço de dados original para um novo sistema de coordenadas definido pelos padrões primários de movimento.
Passo 4: Selecionar os Componentes Principais
Após identificar os componentes, a análise restringe o modelo apenas àqueles que explicam uma porção significativa da variância total. Este processo de filtragem descarta variáveis ricas em ruído e retém apenas os padrões mais informativos de acordo com limiares quantitativos específicos.
Ao concentrar-se estritamente nos componentes dominantes, os investigadores reduzem o peso computacional nas tarefas de processamento subsequentes. Isto assegura que o modelo final seja ágil e eficiente para análise em tempo real.
Passo 5: Transformar os Dados Originais
Com a seleção final concluída, o último passo é projetar os pontos de observação originais nestes novos eixos. Esta transformação cria um novo conjunto de dados de dimensão reduzida que preserva a topografia essencial das medições originais.
Os profissionais utilizam depois estas variáveis transformadas para tarefas subsequentes, como classificação ou localização de fontes, beneficiando de uma representação de sinal mais limpa.
Como a PCA se Enquadra no Pipeline de Pré-processamento de EEG
Na prática, a PCA raramente funciona de forma isolada. Tende a surgir como um passo dentro de um pipeline de limpeza mais amplo, desempenhando uma de duas funções:
Reduzir a dimensão dos dados
Ajudar a detetar onde os artefactos se escondem
O primeiro papel é a redução de dimensionalidade. Um estudo que combinou a PCA com uma técnica chamada separação cega de fontes por estimativa de densidade, ou DEBSS, utilizou a PCA especificamente para reduzir o tamanho do conjunto de dados de EEG antes de se proceder a uma separação adicional.
Neste pipeline, o ruído de alta frequência foi primeiro filtrado utilizando a análise de wavelets e, em seguida, “o algoritmo PCA é utilizado para processar os sinais de EEG de modo a reduzir a dimensão dos dados” antes de o DEBSS assumir o controlo para separar os componentes restantes. Uma vez identificados os componentes portadores de interferência através de coeficientes de correlação cruzada e parâmetros não lineares relacionados, os investigadores reconstruíram o sinal a partir dos componentes restantes, mais limpos.
O segundo papel é a própria deteção de artefactos, e surge dentro de um método amplamente utilizado chamado Reconstrução de Subespaço de Artefactos, ou ASR. O ASR funciona analisando continuamente janelas curtas de dados de EEG e comparando-as com uma linha de base de atividade “limpa”.
De acordo com um estudo de 2019 que introduziu uma versão Riemanniana deste método, o ASR “calcula repetidamente uma PCA em matrizes de covariância para detetar artefactos com base nas suas propriedades estatísticas no subespaço de componentes”. Aqui, a PCA não está a reduzir o número de canais por conveniência. Está a funcionar como o motor que decide, momento a momento, se um segmento de dados parece estatisticamente normal ou se parece um artefacto.
Em conjunto, estes dois exemplos concluem que a PCA é uma componente de uma estratégia de limpeza, e não uma estratégia de limpeza completa por si só. Tipicamente, transfere os seus resultados para outro algoritmo, seja o DEBSS, uma adaptação de geometria Riemanniana ou outro processo de tomada de decisão que determina quais os componentes que são efetivamente removidos.
A PCA Consegue Isolar Artefactos de EEG? O Que as Evidências Mostram
O raciocínio por detrás da utilidade da PCA para o isolamento de artefactos é simples. Como a PCA ordena os componentes pela variância, e dado que os pestanejos e a atividade muscular tendem a gerar variações desproporcionadas de voltagem, a teoria da neurociência sustenta que estes artefactos devem organizar-se naturalmente nos primeiros componentes. Se isso se confirmar, um investigador poderia, em princípio, isolar e descartar a pior interferência rapidamente, sem necessidade de modelar a independência estatística exata de cada fonte cerebral.
O estudo que testou o pipeline PCA com DEBSS descrito anteriormente relatou que o método combinado “pode eliminar a principal interferência de sinais de EEG multicanal de forma rápida e eficaz”, referindo também que a abordagem era “estável e possui forte escalabilidade”. Trata-se de um resultado positivo, mas vale a pena salientar exatamente o que foi testado: um pipeline específico de dois passos, e não a PCA a operar isoladamente.
O estudo de 2019 acima mencionado adotou uma abordagem comparativa mais estruturada. Os investigadores desenvolveram uma versão do ASR baseada em geometria Riemanniana, designada rASR, e testaram-na contra o método ASR padrão baseado em PCA utilizando EEG registado em smartphones em condições interiores e exteriores, com 27 participantes.
Avaliaram o desempenho através de três métricas distintas:
Quão bem cada método reduziu os artefactos de pestanejo ocular (sensibilidade)
Quão bem cada método preservou os potenciais evocados visuais, que são respostas cerebrais a estímulos visuais (especificidade)
A rapidez com que cada método foi executado (eficiência)
De acordo com as conclusões do autor, o rASR “apresentou um desempenho favorável em todas as três medidas” quando comparado com o ASR padrão.
Estes resultados são encorajadores para o tratamento de artefactos com base em PCA, mas a base de evidências que os sustenta ainda é restrita. São descobertas iniciais significativas e úteis, mas ainda não constituem uma prova amplamente validada de que a PCA isola artefactos com fiabilidade em todos os contextos de EEG.
PCA vs. ICA vs. Filtragem: Escolher a Ferramenta Certa
Os investigadores de EEG têm várias ferramentas disponíveis para a limpeza de dados, e a PCA ocupa um nicho específico entre elas.
A filtragem, que inclui filtros passa-alto, passa-baixo e notch, funciona removendo ou atenuando bandas de frequência inteiras. Isto é útil para remover interferências constantes, como o ruído da rede elétrica, mas atinge um limite evidente quando um artefacto e um sinal cerebral partilham a mesma gama de frequências.
Um pestanejo, por exemplo, pode sobrepor-se em frequência com ondas cerebrais lentas, e um filtro não consegue distingui-los porque apenas analisa a frequência, e não o padrão de variância entre os canais. A PCA opera num eixo completamente diferente, uma vez que analisa como a variação do sinal está distribuída por todo o conjunto de elétrodos, e não o conteúdo de frequência. Isto torna-a uma abordagem complementar e não um substituto direto para a filtragem.
Por outro lado, a ICA é frequentemente mencionada em paralelo com a PCA, mas os dois métodos assentam em pressupostos diferentes. A ICA procura componentes que sejam estatisticamente independentes uns dos outros, uma exigência muito mais forte e computacionalmente mais exigente do que a condição mais simples de descorrelação da PCA.
Dado que a ICA tem de procurar com maior intensidade este tipo mais rigoroso de separação, tende a exigir mais tempo de computação e mais dados. A PCA, sendo matematicamente mais simples, é mais rápida e não necessita de independência, exigindo apenas que os componentes resultantes não estejam correlacionados.
Esta diferença no custo computacional é a razão pela qual a PCA surge frequentemente como um passo preparatório antes da ICA, e não como a sua substituta. Reduzir primeiro o número de dimensões com a PCA pode acelerar uma execução de ICA e reduzir o risco de sobreajuste (overfitting) quando os dados são limitados. Alternativamente, a PCA pode funcionar como uma primeira triagem geral, removendo os artefactos mais dominantes e óbvios antes de um método mais meticuloso afinar o restante.
Método | Base de Separação | Velocidade | Principal Limitação |
|---|---|---|---|
PCA | Ordena por variância | Rápida | Variância ≠ artefacto |
ICA | Encontra fontes independentes | Lenta | Assume independência |
Filtragem | Remove bandas de frequência | Muito rápida | Frequências sobrepostas permanecem |
Limitações da Remoção de Artefactos Baseada em PCA
A simplicidade da PCA é também a fonte das suas fraquezas. Permanecem várias questões em aberto sobre o quão bem desempenha efetivamente o papel de isolamento de artefactos que lhe é frequentemente atribuído.
A variância é um indicador imperfeito para “artefacto”. Certos ritmos cerebrais, como a atividade alfa posterior (um ritmo de EEG bem conhecido associado a estados descontraídos e de olhos fechados), podem produzir sinais de grande amplitude por si só. Um método que assume que alta variância significa sempre artefacto corre o risco de descartar atividade cerebral genuína juntamente com o ruído que se destina a remover.
No sentido oposto, os artefactos de pestanejo nem sempre se confinam perfeitamente a um único componente; a sua influência pode propagar-se por vários componentes em simultâneo, complicando qualquer estratégia simples de “remover o componente superior”.
Há também uma incompatibilidade estrutural a considerar. A PCA força os seus componentes a serem ortogonais entre si por definição matemática. Mas não há garantia de que as fontes físicas reais que geram os sinais de EEG, sejam circuitos neurais ou grupos musculares perto do couro cabeludo, estejam dispostas de uma forma que corresponda a esta geometria ortogonal.
Quando o pressuposto não corresponde à realidade subjacente, a separação produzida pela PCA pode ser uma conveniência matemática em vez de um reflexo exato do que está realmente a acontecer no tecido.
Conselhos Práticos para a Utilização da PCA na Análise de EEG
Para quem está a explorar um conjunto de dados de EEG pela primeira vez, a PCA continua a ser um ponto de partida razoável, em particular como forma de ver que padrões de variação dominam um determinado registo. Eis algumas dicas frequentemente recomendadas:
Utilize a PCA como um passo preliminar para reduzir a dimensionalidade ou assinalar padrões de artefactos dominantes, e não como uma etapa final de limpeza.
Combine a PCA com um método subsequente (por exemplo, ICA, DEBSS, ASR) que possa decidir quais os componentes a remover.
Inspecione sempre visualmente a topografia do couro cabeludo e o curso temporal dos componentes descartados para verificar se representam artefactos.
Analise com cautela a variabilidade dos resultados entre diferentes ambientes de registo (laboratório vs. móvel) e valide nos seus próprios dados.
Análise de Componentes Principais na Investigação em EEG Baseada na Emotiv
Os headsets Emotiv têm sido utilizados em vários estudos revistos por pares onde a análise de componentes principais serve como um método computacional central, ilustrando a versatilidade da técnica na classificação, seleção de sensores, pré-processamento e melhoria da qualidade do sinal.
Classificador Ensemble com PCA para Precisão de Spellers P300
O desenvolvimento de BCI vestíveis exige um processamento de sinal eficiente, e um estudo avaliou um classificador ensemble com PCA para spellers baseados em P300 registados com o neuroheadset Emotiv. Utilizando um paradigma oddball clássico, os autores compararam a sua abordagem ensemble com métodos tradicionais de extração de características e classificação.
Nos dados de validação cruzada, o ensemble com PCA alcançou uma precisão média de 86.29%, enquanto os testes offline renderam uma precisão de classificação média significativamente superior de 73.3% relativamente aos métodos convencionais. Os resultados apontam a classificação ensemble baseada em PCA como uma estratégia viável para processar dados de P300 a partir de um dispositivo de EEG móvel de consumo.
Seleção Mínima de Sensores de EEG para Identificação Biométrica com PCA
Reduzir o número de elétrodos sem sacrificar a informação discriminativa é um desafio prático para os sistemas biométricos. Os investigadores examinaram a seleção mínima de sensores de EEG para identificação pessoal utilizando o headset Emotiv EPOC+ e um conjunto de dados público mais amplo. Foram aplicadas duas metodologias de redução: uma baseada na análise de componentes principais e outra no teste de postos sinalizados de Wilcoxon.
O estudo relata que ambas as abordagens permitiram identificar o conjunto mínimo de elétrodos necessário para uma identificação individual fiável, com a PCA a ajudar a determinar quais as áreas corticais que mais contribuem para padrões separáveis. Isto demonstra o papel de redução de dimensionalidade da PCA na transposição de configurações de laboratório para montagens de sensores mais simples e práticas.
Comparação da PCA com CSP e CAR para Remoção de Artefactos
Uma comparação de pipelines de pré-processamento registou EEG com o Emotiv EPOC para avaliar quão bem diferentes algoritmos limpam sinais antes da classificação. Numa comparação de algoritmos de pré-processamento, a análise de componentes principais foi testada juntamente com Common Spatial Pattern (CSP) e Common Average Reference (CAR) para remoção de artefactos, após o que as características de Densidade Espectral de Potência foram introduzidas num classificador Support Vector Machine.
Os autores observaram que a PCA proporcionou um desempenho de 94.28%, superando os outros algoritmos na sua configuração. Isto sugere que a PCA pode atuar como um componente eficaz de uma cadeia de pré-processamento ao trabalhar com hardware de EEG de consumo.
Melhorar a Extração de Ritmos Coletivos: PCA vs. Torção de Kosambi-Hilbert
Quando múltiplos sensores de EEG captam atividade oscilatória, é frequentemente desejável extrair um ritmo partilhado com uma alta relação sinal-ruído. Um estudo sobre a melhoria da qualidade do ritmo coletivo com o Emotiv EPOC+ comparou a tradicional análise de componentes principais com o método de torção de Kosambi-Hilbert (KHT). Os dados foram registados durante repouso com olhos fechados e enquanto se observava um ecrã a piscar a 15 Hz.
Os investigadores relatam que o KHT alcançou uma melhor relação sinal-ruído para o sinal coletivo do que a PCA, particularmente quando foram introduzidos desvios temporais aleatórios entre canais. O trabalho demonstra que, embora a PCA ofereça uma base de referência simples para a extração de ritmos comuns, métodos sensíveis à fase podem amplificar ainda mais o sinal de interesse.
Em conjunto, estes estudos destacam como a análise de componentes principais opera em tarefas de EEG muito distintas — desde a classificação e identificação biométrica até ao pré-processamento e extração de ritmos — utilizando hardware Emotiv. Os resultados são promissores dentro das suas condições específicas, embora permaneçam limitados a paradigmas particulares, amostras relativamente pequenas e análises offline. Os achados apoiam a PCA como uma ferramenta versátil em pipelines de investigação em EEG, mas ainda não estabelecem uma solução universal para aplicações de BCI em tempo real e de baixo custo.
Conclusão: A PCA É um Método Fiável de Limpeza de EEG?
A PCA transforma dados complexos de ondas cerebrais em componentes ordenados, proporcionando aos investigadores uma forma rápida de se focarem nas partes mais ruidosas de um registo. Esta abordagem é especialmente útil quando os pestanejos ou os movimentos musculares dominam o sinal, pois estes tendem a subir para as posições de maior variância.
Contudo, como os ritmos cerebrais genuínos também podem produzir sinais fortes, o método não é de confiança por si só para decidir o que é um artefacto e o que são dados neurais essenciais.
Referências
Kang, D., & Zhizeng, L. (2012, March). 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
Perguntas Frequentes
O que é a análise de componentes principais (PCA) no contexto do EEG?
A PCA é um método matemático que reorganiza dados de EEG multicanal num novo conjunto de sinais chamados componentes, que não estão correlacionados entre si. Classifica estes componentes de acordo com a quantidade de variância que captam, sendo que o primeiro componente explica a maior parte da variação global do sinal.
Como é que a PCA ajuda na remoção de artefactos dos dados de EEG?
Como os artefactos, como o pestanejar dos olhos, produzem oscilações de voltagem grandes e generalizadas, tendem a concentrar-se nos componentes de maior variância. A classificação da PCA por variância permite que os investigadores identifiquem e potencialmente descartem esses componentes de topo, que frequentemente contêm o ruído mais perturbador.
A PCA funciona isoladamente para limpar sinais de EEG?
Não, a PCA raramente é utilizada como uma solução de limpeza independente. Tipicamente, atua como um passo dentro de um pipeline maior, seja reduzindo as dimensões dos dados antes de aplicar outro método como o DEBSS, seja servindo como o motor de deteção dentro de uma estrutura como o Artifact Subspace Reconstruction (ASR).
Qual é a diferença entre PCA e ICA para remoção de artefactos?
A PCA apenas requer que os componentes resultantes não estejam correlacionados, o que é uma condição matemática menos exigente, enquanto a ICA procura componentes que sejam estatisticamente independentes, um requisito mais rigoroso e computacionalmente mais exigente. A PCA é mais rápida e frequentemente utilizada como um passo preparatório antes da ICA, e não como sua substituta.
A PCA pode remover acidentalmente atividade cerebral real juntamente com os artefactos?
Sim, porque a PCA se baseia na variância para identificar artefactos, ritmos cerebrais de grande amplitude, como a atividade alfa posterior, podem ser confundidos com ruído. Além disso, os artefactos podem propagar-se por múltiplos componentes, pelo que simplesmente remover o componente superior pode descartar sinais neurais genuínos.
Como se compara a PCA com a filtragem de frequências na limpeza de EEG?
A filtragem de frequências remove ou atenua a energia do sinal em bandas de frequência específicas, mas não consegue separar um artefacto e um sinal cerebral que partilhem as mesmas frequências. Em vez disso, a PCA analisa os padrões de variância em todos os elétrodos, tornando-se uma abordagem complementar que aborda uma dimensão diferente dos dados.
Como deve um investigador utilizar a PCA com segurança num fluxo de trabalho de pré-processamento de EEG?
A PCA pode ser utilizada como um passo de redução de dimensionalidade antes da aplicação de outros métodos, ou como um auxiliar para inspecionar quais os padrões que dominam um registo. Os investigadores devem inspecionar visualmente os componentes que planeiam descartar, verificando a sua topografia no couro cabeludo e o seu curso temporal, em vez de confiarem cegamente na classificação por variância.
Emotiv é uma líder em neurotecnologia que ajuda a avançar a pesquisa em neurociência por meio de ferramentas acessíveis de EEG e dados cerebrais.
Aviso Médico: As informações fornecidas neste site são apenas para fins educacionais e informativos e não se destinam a servir como aconselhamento médico ou de saúde. Este conteúdo pode conter erros e não deve ser utilizado como base para tomar decisões de vida, saúde, médicas ou de estilo de vida que alterem a sua rotina. Sempre consulte um médico ou outro profissional de saúde qualificado para tirar qualquer dúvida que possa ter sobre uma condição médica ou tratamento.
Christian Burgos
