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 a aparência dos dados de EEG brutos antes de ocorrer qualquer processamento de sinal.
Um registo típico envolve muitos elétrodos, cada um produzindo o seu próprio fluxo contínuo de leituras de tensão 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 nesse emaranhado de canais correlacionados e reorganiza-o num novo conjunto de sinais designados por componentes. Cada componente é uma combinação ponderada dos canais originais, mas com uma propriedade matemática crítica: os componentes são ortogonais, o que significa que não estão correlacionados entre si.
A PCA também classifica estes componentes pela 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 importante do 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 tensão grandes e lentas que se propagam amplamente por muitos elétrodos simultaneamente. Como isso cria uma grande padrão partilhado de variação, a atividade de pestanejar tende a concentrar-se nos componentes de maior variância. Sinais cerebrais mais fracos e localizados acabam muitas vezes mais abaixo na lista, em componentes de menor variância.
Um pormenor que diferencia a PCA de alguns dos seus parentes 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 mais flexível.
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 a 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 a matemática trate todas as variáveis de entrada com o mesmo peso.
Passo 2: Calcular a Matriz de Covariância
Depois de os dados estarem padronizados, o próximo obstáculo é mapear as relações entre cada par de variáveis. Uma matriz de covariância resume estas interações, mostrando quais as variáveis que se movem de forma conjunta e quais são independentes. Esta grelha serve de base para identificar as direções onde o conjunto de dados apresenta a dispersão mais significativa.
Passo 3: Calcular os Vetores Próprios e Valores Próprios (Eigenvectors e Eigenvalues)
Esta fase envolve a resolução dos vetores específicos que caraterizam 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 de movimento primários.
Passo 4: Selecionar os Componentes Principais
Depois de identificar os componentes, a análise restringe o modelo apenas àqueles que explicam uma parte significativa da variância total. Este processo de filtragem descarta variáveis com muito ruído e retém apenas os padrões mais informativos, de acordo com limiares quantitativos específicos.
Ao concentrarem-se estritamente nos componentes dominantes, os investigadores reduzem a carga computacional nas tarefas de processamento subsequentes. Isso garante que o modelo final seja responsivo 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 então estas variáveis transformadas para tarefas posteriores, como classificação ou localização de fontes, beneficiando de uma representação de sinal mais limpa.
Como a PCA se Enquadra no Fluxo de Processamento Prévio de EEG
Na prática, a PCA raramente funciona sozinha. Tende a surgir como um passo dentro de um fluxo de limpeza maior, desempenhando uma de duas funções:
Reduzir a dimensão dos dados
Ajudar a detetar onde os artefactos estão escondidos
A primeira função é a redução de dimensionalidade. Um estudo que combinou a PCA com uma técnica chamada separação cega de fontes por estimação de densidade, ou DEBSS, utilizou a PCA especificamente para reduzir o tamanho do conjunto de dados de EEG antes que uma maior separação pudesse ocorrer.
Neste fluxo, o ruído de alta frequência foi primeiro filtrado através de análise por wavelets e, em seguida, “o algoritmo PCA é utilizado para processar os sinais de EEG para reduzir a dimensão dos dados” antes de a DEBSS assumir o controlo para separar os componentes restantes. Uma vez identificados os componentes que transportavam interferência, através de coeficientes de correlação cruzada e parâmetros não lineares relacionados, os investigadores reconstruíram o sinal a partir dos componentes restantes mais limpos.
A segunda função é a própria deteção de artefactos, e surge dentro de um método amplamente utilizado chamado Reconstrução de Subespaço de Artefactos, ou ASR. A 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 apresenta uma versão riemanniana deste método, a ASR “Tocalcula 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.
Considerados 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. Normalmente, entrega os seus resultados a outro algoritmo, quer se trate da DEBSS, de uma adaptação da geometria riemanniana ou de outro processo de tomada de decisão que determine quais os componentes que são efetivamente removidos.
Pode a PCA Isolar Artefactos de EEG? O que Mostram as Provas
O raciocínio por trás da atratividade da PCA para o isolamento de artefactos é simples. Como a PCA ordena os componentes por variância, e visto que os pestanejares e a atividade muscular tendem a gerar variações de tensão desmedidas, a teoria da neurociência sustenta que estes artefactos devem naturalmente ordenar-se nos primeiros componentes. Se isso se confirmar, um investigador poderia, em princípio, isolar e descartar rapidamente a pior interferência, sem precisar de modelar a independência estatística exata de cada fonte cerebral.
O estudo que testou o fluxo PCA mais DEBSS descrito anteriormente relatou que o método combinado “pode eliminar a principal interferência de sinais de EEG de múltiplos canais de forma rápida e eficaz”, observando também que a abordagem era “estável e tem uma forte escalabilidade”. Este é um resultado positivo, mas importa referir exatamente o que foi testado: um fluxo de trabalho de dois passos específico, e não a PCA a funcionar de forma isolada.
O já referido estudo de 2019 adotou uma abordagem comparativa mais estruturada. Os investigadores desenvolveram uma versão da 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 medidas distintas:
O quão bem cada método reduziu os artefactos de pestanejar de olhos (sensibilidade)
O quão bem cada método preservou os potenciais evocados visuais, que são respostas cerebrais a estímulos visuais (especificidade)
O quão rapidamente cada método foi executado (eficiência)
De acordo com as conclusões dos autores, a rASR “teve um desempenho favorável nas três medidas” quando comparada com a ASR padrão.
Estes resultados são encorajadores para o tratamento de artefactos baseado em PCA, mas a base de provas por trás deles é reduzida. São descobertas iniciais significativas e úteis, mas ainda não equivalem a uma afirmação amplamente validada de que a PCA isola fidedignamente artefactos em todos os contextos de EEG.
PCA vs. ICA vs. Filtragem: Escolher a Ferramenta Certa
Os investigadores de EEG dispõem de várias ferramentas para limpar dados, e a PCA ocupa um nicho específico entre elas.
A filtragem, que inclui filtros passa-alto, passa-baixo e rejeita-banda (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 intransponível quando um artefacto e um sinal cerebral partilham a mesma gama de frequências.
Um pestanejar, por exemplo, pode sobrepor-se em frequência com ondas cerebrais lentas, e um filtro não consegue distingui-los porque apenas vê a frequência, e não o padrão de variância entre os canais. A PCA funciona num eixo completamente diferente, uma vez que analisa a forma 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, em vez de um substituto direto para a filtragem.
Por outro lado, a ICA é frequentemente mencionada juntamente com a PCA, mas os dois métodos baseiam-se em pressupostos diferentes. A ICA procura componentes que sejam estatisticamente independentes uns dos outros, um requisito muito mais forte e computacionalmente exigente do que a condição mais flexível da PCA de simples descorrelação.
Como a ICA tem de procurar com mais afinco este tipo de separação mais estrito, tende a exigir mais tempo de computação e mais dados. A PCA, sendo matematicamente mais simples, é mais rêpida e não necessita de qualquer independência, 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 de preparação antes da ICA, e não como sua substituta. Reduzir primeiro o número de dimensões com a PCA pode acelerar a execução da ICA e reduzir o risco de sobreajuste (overfitting) quando os dados são limitados. Alternativamente, a PCA pode funcionar como uma primeira abordagem geral, removendo os artefactos mais dominantes e óbvios antes de um método mais cuidadoso ajustar o resto.
Método | Base de Separação | Velocidade | Limitação Chave |
|---|---|---|---|
PCA | Ordena por variância | Rápido | Variância ≠ artefacto |
ICA | Encontra fontes independentes | Lento | Assume independência |
Filtragem | Remove bandas de frequência | Muito rápido | Frequências sobrepostas mantêm-se |
Limitações da Remoção de Artefactos Baseada em PCA
A simplicidade da PCA é também a origem das suas fraquezas. Permanecem várias questões em aberto sobre o seu real desempenho na tarefa de isolamento de artefactos que lhe é frequentemente atribuída.
A variância é um substituto imperfeito para "artefacto". Certos ritmos cerebrais, como a atividade alfa posterior (um ritmo de EEG bem conhecido associado a estados de relaxamento com os olhos fechados), podem produzir sinais de elevada amplitude por si só. Um método que assuma que uma variância elevada significa sempre um artefacto corre o risco de descartar atividade cerebral genuína juntamente com o ruído que se pretende remover.
Na outra direção, os artefactos de pestanejar nem sempre se limitam perfeitamente a um único componente; a sua influência pode espalhar-se por vários componentes em simultâneo, complicando qualquer estratégia simples de "remover o componente principal".
Há também uma incompatibilidade estrutural a considerar. A PCA força os seus componentes a só lhes pertencerem de forma ortogonal uns aos outros por definição matemática. Mas não há garantia de que as fontes físicas reais que geram os sinais de EEG, sejam circuitos neuronais ou grupos musculares próximos do couro cabeludo, estejam organizadas de uma forma que corresponda a esta geometria ortogonal.
Quando o pressuposto não corresponde à realidade subjacente, a separação que a PCA produz pode ser uma conveniância matemática e não um reflexo exato do que está realmente a acontecer no tecido.
Conselhos Práticos para Utilizar a PCA na Análise de EEG
Para alguém que está a explorar um conjunto de dados de EEG pela primeira vez, a PCA continua a ser um ponto de partida razoável, particularmente como uma forma de ver quais os padrões de variação dominantes num determinado registo. Eis alguns conselhos frequentemente recomendados:
Utilize a PCA como um passo preliminar para reduzir a dimensionalidade ou sinalizar 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 efetivamente artefactos.
Trate com precaução a variabilidade nos resultados entre diferentes ambientes de registo (laboratório vs. móvel) e valide com os seus próprios dados.
Conclusão: A PCA é um Método de Limpeza de EEG Fiável?
A PCA transforma dados de ondas cerebrais complexos em componentes classificados, oferecendo aos investigadores uma forma rápida de se focarem nas partes mais ruidosas de um registo. Esta abordagem é especialmente útil quando os pestanejares de olhos ou os movimentos musculares dominam o sinal, já que frequentemente sobem para as posições de maior variância.
No entanto, porque os ritmos cerebrais genuínos também podem produzir sinais fortes, não se pode confiar no método por si só para decidir o que é um artefacto e o que são dados neuronais valiosos.
Referências
Kang, D., & Zhizeng, L. (2012, Março). 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 os dados de EEG multicanal num novo conjunto de sinais designados por componentes, os quais não estão correlacionados entre si. Classifica estes componentes pela quantidade de variância que captam, com o primeiro componente a explicar a maior variação global do sinal.
Como é que a PCA ajuda a remover artefactos dos dados de EEG?
Como os artefactos, como o pestanejar dos olhos, produzem variações de tensão grandes e generalizadas, tendem a concentrar-se nos componentes de maior variância. A classificação por variância da PCA permite aos investigadores identificar e potencialmente descartar esses componentes principais, que frequentemente contêm o ruído mais perturbador.
A PCA funciona sozinha para limpar sinais de EEG?
Não, a PCA raramente é utilizada como uma solução de limpeza isolada. Normalmente atua como uma etapa dentro de um fluxo maior, seja reduzindo as dimensões dos dados antes da aplicação de outro método como a DEBSS, seja servindo como motor de deteção dentro de uma estrutura como a Reconstrução de Subespaço de Artefactos (ASR).
Qual é a diferença entre a PCA e a ICA para a remoção de artefactos?
A PCA apenas exige que os componentes resultantes não estejam correlacionados, o que é uma condição matemática mais flexível, ao passo que a ICA procura componentes que sejam estatisticamente independentes, um requisito mais estrito e computacionalmente mais exigente. A PCA é mais rêpida e é frequentemente utilizada como uma etapa preparatória antes da ICA, e não como sua substituta.
Pode a PCA remover acidentalmente atividade cerebral real juntamente com os artefactos?
Sim, como a PCA depende da variância para identificar artefactos, ritmos cerebrais de elevada amplitude, como a atividade alfa posterior, podem ser confundidos com ruído. Além disso, os artefactos podem espalhar-se por múltiplos componentes, pelo que a simples remoção do componente principal pode descartar sinais neuronais genuínos.
Como se compara a PCA com a filtragem de frequência para a limpeza de EEG?
A filtragem de frequência 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 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 de forma segura num fluxo de pré-processamento de EEG?
A PCA pode ser utilizada como um passo de redução de dimensionalidade antes de aplicar 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, analisando a sua topografia no couro cabeludo e o seu curso temporal, em vez de confiarem cegamente na classificação de 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.
Christian Burgos
