การวิเคราะห์องค์ประกอบอิสระ (Independent component analysis) เป็นวิธีการคำนวณที่มีประสิทธิภาพสำหรับการแยกแหล่งสัญญาณแบบบอด (blind source separation) ซึ่งใช้ในหลากหลายสาขา วิธีการนี้สามารถแยกสัญญาณ EEG ที่ผสมกันอยู่ซึ่งมีความเป็นอิสระทางสถิติและไม่ใช่แบบเกาส์เซียน (non-Gaussian) ได้อย่างมีประสิทธิภาพ
การวิเคราะห์องค์ประกอบอิสระ (ICA) คืออะไร?
การวิเคราะห์องค์ประกอบอิสระ (Independent Component Analysis) เป็นเทคนิคทางสถิติและการคำนวณขั้นสูงที่มุ่งเน้นการสกัดปัจจัยหรือองค์ประกอบที่ซ่อนอยู่จากชุดข้อมูลการสังเกตที่ผสมปนเปกัน
ในสถานการณ์จริงหลายกรณี ข้อมูลที่บันทึกได้เป็นผลมาจากสัญญาณต้นกำเนิดหลายสัญญาณที่เกิดขึ้นพร้อมกันผ่านตัวกลาง ทำให้เกิดการทับซ้อนที่ซับซ้อนซึ่งมักไม่สามารถทำความเข้าใจได้ในรูปแบบดิบ ด้วยการใช้การแปลงเชิงพีชคณิตที่เฉพาะเจาะจง วิธีนี้จึงทำหน้าที่เสมือนตัวกรองเพื่อย้อนกระบวนการผสมสัญญาณดังกล่าว
แนวคิดหลัก: การแยกสัญญาณผสม
สมมติฐานพื้นฐานของศาสตร์แขนงนี้หมุนรอบ "ปัญหาค็อกเทลปาร์ตี้" (cocktail party problem) ซึ่งมีคนหลายคนพูดพร้อมกันในห้องหนึ่ง ขณะที่ไมโครโฟนหลายตัวบันทึกความยุ่งเหยิงของเสียงที่เกิดขึ้น
ผู้ฟังทั่วไปจะได้ยินเพียงเสียงพูดคุยที่ปนเปกันอย่างโกลาหล แต่ในทางทฤษฎีแล้ว ICA สามารถระบุสัญญาณที่มาจากผู้พูดแต่ละคนได้ ความสามารถนี้ช่วยให้นักวิจัยสามารถแยกรูปคลื่นจำเพาะออกจากกระแสข้อมูลโดยรวม ทำให้เห็นช่องข้อมูลเดี่ยวๆ ได้อย่างชัดเจน ซึ่งหากไม่มีวิธีนี้ก็คงถูกบดบังไป
รากฐานทางคณิตศาสตร์ของ ICA
ในทางคณิตศาสตร์ เป้าหมายคือการทำการแยกแหล่งสัญญาณโดยไม่รู้ข้อมูลล่วงหน้า (blind source separation) เพื่อค้นหาการแปลงเชิงเส้นที่ทำให้ตัวแปรที่สังเกตได้มีความเป็นอิสระต่อกันมากที่สุด เมื่อได้รับเวกเตอร์ข้อมูลที่สังเกตได้แล้ว อัลกอริทึมจะค้นหาเมทริกซ์การแยกสัญญาณ (unmixing matrix) ซึ่งเมื่อนำไปคูณกับข้อมูลการสังเกต จะได้สัญญาณต้นกำเนิดโดยประมาณที่มีการกระจายตัวทางสถิติที่เป็นอิสระต่อกัน
การจะบรรลุเป้าหมายนี้ได้นั้น สัญญาณเหล่านี้จำเป็นต้องไม่มีการแจกแจงแบบเกาส์เซียน (non-Gaussian) เนื่องจากคุณสมบัติทางคณิตศาสตร์ของการแจกแจงแบบเกาส์เซียนทำให้ไม่สามารถแยกสัญญาณออกจากกันได้อย่างชัดเจน ในบริบทของประสาทวิทยาศาสตร์ยุคใหม่ ความเคร่งครัดนี้ทำให้มั่นใจได้ว่าความผันผวนทางไฟฟ้าอันละเอียดอ่อนจะไม่สูญหายไปในสัญญาณรบกวนพื้นหลังของสิ่งรบกวนรอบข้าง
การวิเคราะห์องค์ประกอบอิสระทำงานอย่างไร?
กระบวนการนี้สามารถทำงานกับข้อมูลหลายมิติได้อย่างมีประสิทธิภาพ โดยอาศัยการแปลงสัญญาณผสมให้กลับไปเป็นองค์ประกอบย่อยโดยการวัดค่าความเป็น นอน-เกาส์เซียน (non-Gaussianity) เนื่องจากสัญญาณผสมมักมีแนวโน้มที่จะมีการแจกแจงแบบเกาส์เซียนตามทฤษฎีบทขีดจำกัดส่วนกลาง (central limit theorem) อัลกอริทึมจึงทำงานโดยการค้นหาทิศทางในข้อมูลที่มีความห่างไกลจากการแจกแจงแบบเกาส์เซียนให้ได้มากที่สุดอย่างจริงจัง
องค์ประกอบที่ได้จึงเป็นสัญญาณที่ "บริสุทธิ์" อย่างแท้จริง ซึ่งสร้างสัญญาณต้นทางดั้งเดิมขึ้นมาใหม่โดยไม่ขึ้นกับกระบวนการผสมสัญญาณ
ข้อสมมติของ ICA
ความสำเร็จในการทำงานของอัลกอริทึมนี้ขึ้นอยู่กับข้อกำหนดสำคัญหลายประการ ข้อสมมติที่สำคัญที่สุดคือ สัญญาณต้นทางจะต้องมีความเป็นอิสระต่อกันทางสถิติ กล่าวคือ หากการรู้ค่าของแหล่งสัญญาณหนึ่งไม่ได้ให้ข้อมูลเกี่ยวกับอีกแหล่งสัญญาณหนึ่ง สัญญาณเหล่านั้นก็เข้าเกณฑ์สำหรับการแยก
นอกจากนี้ อัลกอริทึมยังตั้งข้อสมมติว่าจำนวนสัญญาณผสมที่สังเกตได้ต้องมีอย่างน้อยเท่ากับจำนวนแหล่งสัญญาณอิสระ ประการสุดท้าย ดังที่ได้กล่าวไปแล้ว แหล่งสัญญาณจะต้องแสดงการแจกแจงแบบนอน-เกาส์เซียน เนื่องจากโครงสร้างที่โดดเด่นนี้จะสร้างจุดสังเกตที่อัลกอริทึมต้องการเพื่อเป็นหลักยึดในความพยายามแยกสัญญาณ
อัลกอริทึมการวิเคราะห์องค์ประกอบอิสระ: เทคนิคสำคัญ
มีแนวทางเชิงอัลกอริทึมหลายวิธีในการบรรลุการแยกสัญญาณนี้ โดย FastICA และ Infomax ถือเป็นหนึ่งในตัวอย่างที่โดดเด่นที่สุด วิธีการเหล่านี้จะปรับเมทริกซ์การแยกสัญญาณซ้ำๆ เพื่อลดข้อมูลร่วม (mutual information) หรือเพิ่มความเป็นนอน-เกาส์เซียนของผลลัพธ์ให้สูงสุด
กระบวนการหาค่าที่เหมาะสมที่สุดนี้ต้องใช้ทรัพยากรการคำนวณสูง จึงจำเป็นต้องนำไปปฏิบัติใช้อย่างรอบคอบเพื่อให้เกิดการลู่เข้าที่สม่ำเสมอในชุดข้อมูลต่างๆ การปรับค่าน้ำหนักเหล่านี้อย่างต่อเนื่องจะช่วยให้ระบบค่อยๆ ลอกชั้นของการรบกวนออกทีละชั้น จนกระทั่งสัญญาณที่แตกต่างกันแต่ละสัญญาณปรากฏออกมาอย่างชัดเจน
การวิเคราะห์องค์ประกอบอิสระ กับ การวิเคราะห์องค์ประกอบหลัก (ICA vs. PCA)
แม้ว่าทั้งสองเทคนิคจะใช้สำหรับการลดมิติข้อมูลหรือการวิเคราะห์สัญญาณ แต่เป้าหมายการทำงานของทั้งสองวิธีนั้นแตกต่างกันอย่างมาก นักวิจัยต้องเลือกระหว่างสองวิธีนี้ตามความต้องการว่าจะจับความแปรปรวน (variance) หรือความเป็นอิสระ (independence) ภายในชุดข้อมูลของตน
คุณลักษณะ | การวิเคราะห์องค์ประกอบหลัก | การวิเคราะห์องค์ประกอบอิสระ |
|---|---|---|
จุดเน้นหลัก | ความแปรปรวนสูงสุด | ความเป็นอิสระสูงสุด |
การตั้งฉากกัน (Orthogonality) | จำเป็น | ไม่จำเป็น |
ลำดับขององค์ประกอบ | เรียงตามค่าไอเกน (Eigenvalues) | เรียงลำดับแบบสุ่ม |
การวัดทางสถิติ | สหสัมพันธ์ | สถิติอันดับสูงกว่า |
การเลือกเครื่องมือที่ถูกต้องขึ้นอยู่กับเป้าหมายเฉพาะของการวิเคราะห์ที่ทำอยู่ ในขณะที่ PCA เหมาะสำหรับการบีบอัดข้อมูลที่การรักษาแนวโน้มหลักไว้เป็นหัวใจสำคัญ แต่ ICA จะเหนือกว่าเมื่อเป้าหมายคือการระบุกระบวนการที่เป็นอิสระและมีความเฉพาะตัวซึ่งมีส่วนทำให้เกิดการสังเกตโดยรวม
การวิเคราะห์องค์ประกอบอิสระแยกสัญญาณสมองออกจากสัญญาณรบกวนอย่างไร
การวิเคราะห์องค์ประกอบอิสระใช้แนวทางที่เข้มงวดกว่า PCA แทนที่จะเพียงแค่ขจัดสหสัมพันธ์ของสัญญาณ (decorrelating) ICA จะค้นหาองค์ประกอบที่มีความเป็นอิสระต่อกันทางสถิติ ซึ่งหมายความว่าการรู้ค่าขององค์ประกอบหนึ่งจะไม่ได้ให้ข้อมูลใดๆ เลยเกี่ยวกับองค์ประกอบอื่น
นี่คือมาตรฐานที่สูงกว่าการขจัดสหสัมพันธ์มาก และเป็นสิ่งที่ทำให้ ICA สามารถแยกสัญญาณที่มีช่วงความถี่ร่วมกันแต่มีต้นกำเนิดมาจากแหล่งทางกายภาพที่แยกจากกันอย่างแท้จริงได้ เช่น การกะพริบตาตรงนี้ การขบกรามตรงนั้น หรือพื้นที่ของเปลือกสมองส่วนการมองเห็นที่ตอบสนองต่อสิ่งเร้าในอีกจุดหนึ่ง
การศึกษาของ Winkler และคณะ ได้ประยุกต์ใช้ TDSEP ซึ่งเป็นเวอร์ชันหนึ่งของ ICA ที่นำสหสัมพันธ์ทางเวลามาพิจารณาด้วย ไม่ใช่แค่สถิติขณะใดขณะหนึ่งของสัญญาณเท่านั้น
การศึกษาของ Olaf Dimigen ใช้ Infomax ซึ่งเป็นอัลกอริทึม ICA ที่ใช้กันอย่างแพร่หลาย
การศึกษาของ Mognon ได้สร้างเครื่องมือตรวจจับอัตโนมัติบนพื้นฐานของกระบวนการทำงานที่ใช้ ICA ทั่วไป
แม้จะมีความแตกต่างในการนำไปปฏิบัติ แต่วิธีการเหล่านี้ทั้งหมดก็ตั้งอยู่บนหลักการพื้นฐานเดียวกัน นั่นคือ แยกย่อยสัญญาณอิเล็กโทรดผสมออกเป็นชุดองค์ประกอบที่ทำงานอย่างเป็นอิสระจากกัน จากนั้นจึงหาว่าองค์ประกอบใดดูเหมือนกิจกรรมของสมอง และองค์ประกอบใดดูเหมือนสิ่งแปลกปน (artifact)
ข้อสมมติหลักเบื้องหลัง ICA: ความเป็นนอน-เกาส์เซียน และการผสมเชิงเส้น
ICA ทำงานได้เนื่องจากข้อสมมติเฉพาะสองประการเกี่ยวกับข้อมูล และการทำความเข้าใจข้อสมมติเหล่านี้จะอธิบายได้ทั้งจุดแข็งและจุดที่อาจเกิดความล้มเหลว
ข้อสมมติแรกคือความเป็นนอน-เกาส์เซียน (non-Gaussianity) แหล่งสัญญาณ EEG ที่แท้จริง ไม่ว่าจะเป็นจังหวะคลื่นสมอง การกะพริบตา หรือการกระตุกของกล้ามเนื้อ มักจะมีการกระจายตัวของแอมพลิจูดที่เบี่ยงเบนไปจากรูประฆังคว่ำของการแจกแจงแบบเกาส์เซียน (ปกติ) อัลกอริทึม ICA ถูกสร้างขึ้นเพื่อค้นหาและเพิ่มโครงสร้างแบบนอน-เกาส์เซียนนี้ให้ได้มากที่สุด เพราะการผสมกันของสัญญาณอิสระมักจะดูเป็นแบบเกาส์เซียนมากกว่าองค์ประกอบเดี่ยวๆ ของมัน (ซึ่งเป็นผลมาจากทฤษฎีบทขีดจำกัดส่วนกลาง)
ข้อสมมติที่สองคือการผสมเชิงเส้น (linear mixing) ICA สันนิษฐานว่าสิ่งที่อิเล็กโทรดบันทึกได้คือการรวมกันเชิงเส้นในทันทีของสัญญาณต้นทางเบื้องหลัง ซึ่งเป็นข้อสมมติที่ใช้ได้ค่อนข้างดีสำหรับการแพร่กระจายของกิจกรรมทางไฟฟ้าผ่านเนื้อเยื่อและกะโหลกศีรษะ (กระบวนการที่เรียกว่า volume conduction) ภายใต้สภาวะการบันทึกที่เสถียร ข้อสมมตินี้เป็นไปได้ง่ายที่สุดเมื่อผู้รับการทดสอบนั่งอยู่นิ่งๆ
เหตุใดการกรองความถี่สูงผ่าน (High-Pass Filtering) ก่อนทำ ICA จึงเปลี่ยนทุกสิ่ง
คุณภาพของการแยกองค์ประกอบด้วย ICA ขึ้นอยู่กับวิธีการประมวลผลสัญญาณก่อนที่อัลกอริทึมจะเริ่มทำงานเป็นอย่างมาก และการเลือกจุดตัดความถี่ของวงจรกรองความถี่สูงผ่าน (ตัวกรองที่กำจัดการเลื่อนลอยของสัญญาณที่ช้ามากซึ่งต่ำกว่าความถี่ที่กำหนด) กลายเป็นการตัดสินใจที่มีผลกระทบมากที่สุดอย่างหนึ่งในกระบวนการทำงานทั้งหมด
การศึกษาในปี 2015 นำโดย Winkler และคณะ ได้ทดสอบเรื่องนี้โดยตรงโดยใช้ข้อมูลคลื่นสมองสัมพันธ์กับเหตุการณ์ (ERP) ซึ่งเป็นรูปแบบคลื่นสมองที่ล็อคเวลาไว้กับสิ่งเร้าเฉพาะ จากผู้เข้าร่วม 21 คนที่ทำงานทดสอบ auditory oddball การกรองความถี่สูงผ่านระหว่าง 1 ถึง 2 Hz ให้ผลลัพธ์ที่ดีอย่างสม่ำเสมอในสามตัวชี้วัดที่แยกจากกัน ได้แก่ อัตราส่วนสัญญาณต่อสัญญาณรบกวน, ความแม่นยำในการจำแนกการทดสอบเดี่ยว (single-trial) และเปอร์เซ็นต์ขององค์ประกอบที่ดู "ใกล้เคียงไดโพลาร์" (near-dipolar) ซึ่งหมายถึงการมีรูปแบบเชิงพื้นที่สอดคล้องกับแหล่งกำเนิดเดี่ยวที่ระบุตำแหน่งได้ในสมอง แทนที่จะเป็นการผสมผสานที่คลุมเครือจากหลายแหล่ง
ยิ่งไปกว่านั้น ในการศึกษาปี 2020 Klug และคณะ ได้ตรวจสอบคำถามเดียวกันนี้ในการตั้งค่าการบันทึกทั้งแบบอยู่กับที่และแบบเคลื่อนที่ สำหรับการทดลองแบบอยู่กับที่มาตรฐานที่มี 64 ช่องสัญญาณและใช้ตัวกรอง 0.5 Hz ผลลัพธ์ที่ได้นั้นเป็นที่ยอมรับได้ แต่การทดลองแบบเคลื่อนที่จำเป็นต้องใช้จุดตัดความถี่ที่สูงขึ้นถึง 2 Hz เพื่อให้ได้การแยกองค์ประกอบที่เหมาะสมที่สุด และการตั้งค่าที่มีช่องสัญญาณมากขึ้นก็จำเป็นต้องใช้ตัวกรองที่มีความถี่สูงขึ้นตามไปด้วย
งานวิจัยของ Olaf Dimigen ได้ผลักดันแนวคิดนี้ต่อไปในบริบทเฉพาะของสิ่งแปลกปนจากการเคลื่อนไหวของดวงตา ด้วยการแปรผันตัวกรองความถี่สูงผ่าน ตัวกรองความถี่ต่ำผ่าน และสัดส่วนของข้อมูลการฝึกที่มีศักย์ไฟฟ้าพุ่งกระชากจากการกวาดสายตา (saccadic spike potentials) อย่างเป็นระบบ นักวิจัยพบว่าการฝึก ICA บนข้อมูลที่ศักย์ไฟฟ้าพุ่งกระชากเหล่านี้ถูกถ่วงน้ำหนักมากเกินไปอย่างมหาศาล ได้ช่วยปรับปรุงคุณภาพของการแก้ไขสัญญาณอย่างมาก
การศึกษาทั้งสามนี้ชี้ไปที่ข้อสรุปเดียวกันว่า การตั้งค่าตัวกรองเริ่มต้น โดยเฉพาะจุดตัดทั่วไปที่ 0.5 Hz อาจยอมให้สัญญาณผ่านมากเกินไปสำหรับหลายกรณีการใช้งาน และการเลือกที่ถูกต้องจะขึ้นอยู่กับสิ่งแปลกปนเฉพาะเจาะจงและสภาวะการบันทึกข้อมูล
การประยุกต์ใช้งานวิจัยของการวิเคราะห์องค์ประกอบอิสระกับ Emotiv
การสกัดคุณลักษณะของจินตภาพการเคลื่อนไหวด้วย ICA
การวิเคราะห์องค์ประกอบอิสระสามารถแยกรูปแบบของสมองที่เกี่ยวข้องกับงานทางจิตใจเฉพาะอย่างได้ โดยแยกพวกมันออกจากกิจกรรมพื้นหลังที่ไม่เกี่ยวข้อง การศึกษาหนึ่งได้นำ ICA ไปใช้กับข้อมูล EEG ที่บันทึกด้วย Emotiv Epoc X ในขณะที่ผู้เข้าร่วมจินตนาการถึงการเคลื่อนไหวของแขนสองแบบที่แตกต่างกัน
นักวิจัยรายงานว่าอัลกอริทึมประสบความสำเร็จในการแยกย่อยสัญญาณออกเป็นองค์ประกอบอิสระ โดยสังเกตเห็นความเปรียบต่างที่ชัดเจนบนอิเล็กโทรดบริเวณหน้าผากและกึ่งกลางหน้าผาก จากนั้นผู้เขียนได้ทำแผนที่ของคุณลักษณะที่สกัดได้เหล่านี้ลงบนบริเวณจินตภาพการเคลื่อนไหวของสมอง และกำหนดสเปกตรัมกำลังสำหรับองค์ประกอบที่แยกย่อยได้ ซึ่งแสดงให้เห็นถึงประโยชน์ของ ICA ในการสกัดคุณลักษณะสำหรับสัญญาณสมองที่เกี่ยวข้องกับการเคลื่อนไหว การสกัดคุณลักษณะเชิงสเปกตรัมและเชิงพื้นที่
การแยกย่อยสิ่งแปลกปนจากดวงตาสำหรับอินเทอร์เฟซที่ใช้งานได้จริง
ความสามารถในการแยกสิ่งแปลกปนจากการเคลื่อนไหวของดวงตาออกจากสัญญาณสมองถือเป็นแอปพลิเคชันหลักของ ICA โดยเฉพาะอย่างยิ่งในการออกแบบระบบ EEG ที่ใช้งานง่าย นักวิจัยได้ตรวจสอบเรื่องนี้โดยใช้ Emotiv headset ระหว่างงาน visual oddball ที่ออกแบบมาเพื่อกระตุ้นให้เกิดคลื่นศักย์ไฟฟ้าสมองตอบสนองต่อเหตุการณ์ P3
การศึกษาได้ยืนยันก่อนว่า headset สามารถบันทึกองค์ประกอบ P3 ได้เทียบเท่ากับเครื่องขยายสัญญาณระดับงานวิจัยทั่วไป จากนั้นผู้เขียนได้แสดงให้เห็นว่าองค์ประกอบการกะพริบตาและการเคลื่อนไหวของดวงตาสามารถแยกย่อยได้ด้วย ICA โดยใช้เพียงสัญญาณ 14 ช่องสัญญาณของ headset เท่านั้น
นอกจากนี้ พวกเขารายงานว่าเมทริกซ์การแยกสัญญาณที่ได้จากการทดสอบในวันหนึ่ง สามารถกำจัดสิ่งแปลกปนออกจากข้อมูลที่บันทึกในอีกวันหนึ่งได้สำเร็จ ตราบใดที่เมทริกซ์นั้นมาจากบุคคลเดียวกัน การนำ Emotiv headset ไปประยุกต์ใช้
การกำจัดสิ่งแปลกปนแบบเรียลไทม์ระหว่างการทำนิวโรฟีดแบ็ก
การนำการแก้ไขด้วย ICA ไปสู่แอปพลิเคชันแบบเรียลไทม์ทำให้เกิดข้อพิจารณาทางปฏิบัติเพิ่มเติม งานวิจัยชิ้นหนึ่งได้ออกแบบระบบนิวโรฟีดแบ็กโดยใช้ Emotiv Insight headset ที่รวมเอาวิธี Independent Component Analysis-Regression (ICA-REG) แบบออนไลน์มาใช้เพื่อกำจัดสิ่งแปลกปนจากการตรวจคลื่นไฟฟ้าของกล้ามเนื้อรอบดวงตา (EOG) ระหว่างการฝึกคลื่นอัลฟา
นักวิจัยไม่พบผลกระทบที่มีนัยสำคัญต่อผลลัพธ์การฝึกนิวโรฟีดแบ็กเมื่อเปรียบเทียบระหว่างสัญญาณดิบกับสัญญาณที่ลบสิ่งแปลกปนแล้ว อย่างไรก็ตาม พวกเขารายงานว่ามีสหสัมพันธ์สูงและมีค่าความคลาดเคลื่อนกำลังสองเฉลี่ยต่ำระหว่างสัญญาณทั้งสองประเภท ซึ่งผู้เขียนตีความว่าสิ่งนี้บ่งชี้ถึงประสิทธิผลของกระบวนการกำจัดสิ่งแปลกปนแบบเรียลไทม์ที่นำเสนอ การกำจัดสิ่งแปลกปนจากดวงตาแบบออนไลน์
การแยกจังหวะคลื่น P300 ด้วยการแยกแหล่งสัญญาณโดยไม่รู้ข้อมูลล่วงหน้า
ICA ยังทำหน้าที่เป็นขั้นตอนการประมวลผลขั้นต้นเพื่อแยกคลื่นศักย์ไฟฟ้าสมองตอบสนองต่อเหตุการณ์ที่เฉพาะเจาะจงก่อนที่จะทำการวิเคราะห์ต่อไป ในการทดลองหนึ่งที่ใช้ Emotiv Epoc X นักวิจัยได้นำ ICA มาใช้เป็นเทคนิคการแยกแหล่งสัญญาณโดยไม่รู้ข้อมูลล่วงหน้า เพื่อลดสัญญาณรบกวนในสัญญาณ EEG ที่บันทึกระหว่างงานสิ่งเร้าทางสายตา
หลังจากการแยกสัญญาณนี้ ผู้เขียนได้ใช้การแปลงเวฟเล็ตแบบไม่ต่อเนื่องสำหรับการสกัดคุณลักษณะ และใช้ระบบอนุมานแบบโครงข่ายประสาทคลุมเครือที่ปรับเปลี่ยนได้เพื่อตรวจจับจังหวะคลื่น P300 การศึกษานี้นำเสนอผลการทดลองจากกระบวนการนี้ ซึ่งแสดงให้เห็นว่า ICA สามารถทำหน้าที่เป็นขั้นตอนพื้นฐานในห่วงโซ่การประมวลผลสัญญาณของส่วนต่อประสานสมองกับคอมพิวเตอร์ที่กว้างขึ้นได้อย่างไร การตรวจจับจังหวะคลื่น P300
การศึกษาเหล่านี้ร่วมกันแสดงให้เห็นว่าการวิเคราะห์องค์ประกอบอิสระถูกนำไปประยุกต์ใช้ในอุปกรณ์ Emotiv ต่างๆ และในบริบทการทดลองที่หลากหลายได้อย่างไร ตั้งแต่การสกัดคุณลักษณะแบบออฟไลน์ ไปจนถึงการลบสิ่งแปลกปนแบบเรียลไทม์ และการแยกคลื่นศักย์ไฟฟ้าสมองตอบสนองต่อเหตุการณ์ ข้อค้นพบที่รายงานชี้ให้เห็นถึงความยืดหยุ่นของเทคนิคนี้ แม้ว่างานวิจัยจะยังคงจำกัดอยู่กับกลุ่มตัวอย่างขนาดเล็กและกระบวนทัศน์เฉพาะ และยังไม่มีการสรุปผลเชิงทั่วไปว่าผลลัพธ์เหล่านี้จะครอบคลุมถึงสภาวะอื่นๆ หรือไม่
การทำให้การเลือกองค์ประกอบสิ่งแปลกปนเป็นอัตโนมัติด้วยการเรียนรู้ของเครื่อง
เมื่อ ICA สร้างชุดขององค์ประกอบอิสระขึ้นมาแล้ว ใครบางคนหรือสิ่งใดสิ่งหนึ่งยังคงต้องตัดสินใจว่าองค์ประกอบใดแสดงถึงการทำงานของสมอง และองค์ประกอบใดแสดงถึงสิ่งแปลกปน การติดฉลากระบุด้วยตนเองโดยผู้เชี่ยวชาญที่ผ่านการฝึกอบรมนั้นช้าและทำให้เกิดความลำเอียงส่วนบุคคล เนื่องจากผู้เชี่ยวชาญคนละคนอาจมีความเห็นไม่ตรงกันในกรณีที่ไม่ชัดเจน
เพื่อแก้ไขปัญหานี้ ทีมงานของ Winkler ได้สร้างตัวจำแนกเชิงเส้นที่ไม่ขึ้นกับผู้รับการทดสอบขึ้นมา โดยใช้คุณลักษณะเพียงหกประการที่ดึงมาจากคุณลักษณะด้านความถี่ เชิงพื้นที่ และเชิงเวลาของแต่ละองค์ประกอบ เมื่อฝึกฝนบนองค์ประกอบ TDSEP ที่ติดฉลากด้วยมือจำนวน 640 องค์ประกอบจากผู้เข้าร่วม 12 คนในการศึกษาเรื่องเวลาตอบสนอง ตัวจำแนกได้ค่าความคลาดเคลื่อนกำลังสองเฉลี่ย (MSE) น้อยกว่า 10% เมื่อทดสอบกับข้อมูลใหม่ ซึ่งเป็นระดับประสิทธิภาพที่เทียบเท่ากับอัตราความเห็นไม่ตรงกันตามธรรมชาติระหว่างผู้เชี่ยวชาญที่เป็นมนุษย์
เมื่อนำไปใช้โดยไม่ต้องฝึกซ้ำกับกระบวนทัศน์ ERP ทางเสียงที่แตกต่างไปอย่างสิ้นเชิง ตัวจำแนกตัวเดียวกันนี้ได้ค่า MSE ที่ 15% ซึ่งเป็นผลลัพธ์ที่สมเหตุสมผลแต่ลดลงอย่างเห็นได้ชัด สะท้อนถึงความยากในการนำไปใช้ทั่วไปข้ามกระบวนทัศน์ ในงานส่วนต่อประสานสมองกับคอมพิวเตอร์สำหรับจินตภาพการเคลื่อนไหว นักวิจัยได้แสดงให้เห็นว่าการลบองค์ประกอบที่เป็นสิ่งแปลกปนมากที่สุดออกไปถึง 60% ยังคงรักษาข้อมูลการจำแนกที่จำเป็นต่อการทำงานของ BCI ไว้ได้
นอกจากนี้ ทีมของ Mognon ยังได้แนะนำ ADJUST ซึ่งเป็นอัลกอริทึมอัตโนมัติเต็มรูปแบบที่รวมคุณลักษณะเชิงพื้นที่และเชิงเวลาเข้าด้วยกัน โดยปรับแต่งเป็นพิเศษเพื่อตรวจจับการกะพริบตา การเคลื่อนไหวของดวงตา และความไม่ต่อเนื่องทั่วไป เมื่อผ่านการตรวจสอบความถูกต้องบนชุดข้อมูลอิสระ การจำแนกองค์ประกอบของ ADJUST สอดคล้องกับการติดฉลากด้วยมือของผู้เชี่ยวชาญถึง 95.2% ของความแปรปรวนของข้อมูล การลบองค์ประกอบที่ ADJUST ระบุว่าเป็นสิ่งแปลกปนทำให้เกิดสิ่งที่การศึกษาอธิบายว่าเป็นการสร้างศักย์ไฟฟ้าสมองตอบสนองต่อเหตุการณ์ทางการมองเห็นและเสียงขึ้นมาใหม่อย่างประณีตจากข้อมูลที่มีสิ่งแปลกปนปนเปื้อนอย่างหนัก
เครื่องมือทั้งสองชิ้นนี้แสดงถึงความก้าวหน้าที่แท้จริงในการลดภาระการทำความสะอาดข้อมูล EEG ด้วยตนเอง แต่ประสิทธิภาพที่รายงานนั้นมาจากชุดข้อมูลและกระบวนทัศน์เฉพาะ และไม่ได้รับประกันว่าจะสามารถนำไปประยุกต์ใช้กับสภาวะใหม่ๆ ได้ทั่วไปเสมอไป
ข้อคิดเชิงปฏิบัติสำหรับการทำความสะอาดข้อมูล EEG ด้วย ICA
การวิเคราะห์องค์ประกอบอิสระทำงานได้ดีเพราะมุ่งเป้าไปที่ความเป็นอิสระทางสถิติที่แท้จริง มากกว่าคุณสมบัติการขจัดสหสัมพันธ์ที่ด้อยกว่าซึ่งวิธีการอย่าง PCA พึ่งพา ความแตกต่างนี้เป็นสิ่งที่ช่วยให้สามารถแยกสัญญาณสมองและสิ่งแปลกปนออกจากกันได้แม้ว่าเนื้อหาความถี่ของมันจะทับซ้อนกัน ซึ่งเป็นสิ่งที่การกรองในโดเมนความถี่ไม่สามารถทำได้ และเป็นสิ่งที่การแก้ไข EOG โดยใช้การถดถอยล้มเหลวในการทดสอบโดยตรง
อย่างไรก็ตาม ความสำเร็จนั้นมีเงื่อนไข การกรองความถี่สูงผ่านในช่วง 1 ถึง 2 Hz ได้รับการพิสูจน์แล้วว่าสร้างการแยกองค์ประกอบที่ดีอย่างสม่ำเสมอในการวิจัย ERP แบบอยู่กับที่ ในขณะที่การบันทึกแบบเคลื่อนที่จะได้รับประโยชน์จากตัวกรองที่สูงถึง 2 Hz โดยจำนวนช่องสัญญาณก็มีบทบาทเช่นกัน สำหรับสิ่งแปลกปนที่ยากเป็นพิเศษ เช่น ศักย์ไฟฟ้าพุ่งกระชากจากการกวาดสายตาระหว่างการมองอย่างอิสระ การตั้งใจถ่วงน้ำหนักสิ่งแปลกปนมากเกินไปในระหว่างการฝึก แทนที่จะใช้การตั้งค่าเริ่มต้น สามารถเปลี่ยนการแก้ไขที่ไม่น่าพึงพอใจให้เป็นการแก้ไขที่ขจัดสิ่งปนเปื้อนได้เกือบทั้งหมดโดยมีความผิดเพี้ยนของกิจกรรมในสมองน้อยที่สุด
นอกจากนี้ ตัวจำแนกองค์ประกอบอัตโนมัติ รวมถึงโมเดลเชิงเส้นหกคุณลักษณะและอัลกอริทึม ADJUST จากการศึกษาที่กล่าวมาข้างต้น สามารถช่วยลดเวลาและความเป็นอัตวิสัยที่เกี่ยวข้องกับการติดฉลากด้วยตนเองได้อย่างมีความหมาย ทั้งสองแสดงให้เห็นถึงความสอดคล้องอย่างมากกับการตัดสินของผู้เชี่ยวชาญในข้อมูลการตรวจสอบความถูกต้อง อย่างไรก็ตาม ไม่ควรมีวิธีใดถูกปฏิบัติเหมือนเป็นทางออกครอบจักรวาลโดยปราศจากความตระหนักว่าประสิทธิภาพอาจเปลี่ยนแปลงไปตามกระบวนทัศน์การบันทึกและอุปกรณ์ที่แตกต่างกัน
การกำจัดสิ่งแปลกปนด้วย ICA ยังคงเป็นหนึ่งในแนวทางที่มีหลักฐานสนับสนุนเป็นอย่างดีสำหรับการทำความสะอาดข้อมูล EEG และหลักประสาทวิทยาศาสตร์ที่อยู่เบื้องหลังก็มีพื้นฐานมาจากตรรกะทางสถิติที่สอดคล้องกัน แต่ประสิทธิภาพที่แท้จริงนั้นขึ้นอยู่กับการตัดสินใจที่มีมาก่อนที่อัลกอริทึมจะทำงานอย่างยาวนาน: การตั้งค่าตัวกรอง องค์ประกอบของข้อมูลการฝึก และสิ่งแปลกปนเฉพาะที่กำลังกำหนดเป้าหมาย ใครก็ตามที่นำวิธีนี้ไปใช้ควรตรวจสอบผลลัพธ์ด้วยตัวชี้วัดที่เป็นรูปธรรม มากกว่าที่จะสันนิษฐานว่าการกำหนดค่าเพียงแบบเดียวจะใช้ได้กับทุกที่
เหตุใดการเลือกวิธีประมวลผลขั้นต้นจึงกำหนดความสำเร็จของ ICA ใน EEG
ข้อมูลสมองที่สะอาดเป็นรากฐานสำหรับทุกสิ่งตั้งแต่อุปกรณ์ที่ควบคุมด้วยความคิดไปจนถึงการวิจัยด้านความจำอย่างรอบคอบ การวิเคราะห์องค์ประกอบอิสระให้วิธีการทางคณิตศาสตร์ที่มีเหตุผลในการแยกกิจกรรมของระบบประสาทที่ปะปนกับสัญญาณรบกวนของร่างกาย แม้ว่าวิธีการที่ง่ายกว่าอย่างการกรองแบบธรรมดาจะล้มเหลวก็ตาม การมุ่งเป้าไปที่ความเป็นอิสระทางสถิติที่แท้จริง ทำให้สามารถเปิดเผยลายนิ้วมือทางไฟฟ้าที่แยกจากกันของจังหวะคลื่นสมองจริงและการกะพริบตาที่เกิดขึ้นในย่านความถี่เดียวกันได้
อย่างไรก็ตาม พลังที่แท้จริงจะปรากฏขึ้นก็ต่อเมื่อนักวิจัยก้าวข้ามการตั้งค่าเริ่มต้นแบบเสียบแล้วใช้ได้เลย การศึกษาต่างๆ แสดงให้เห็นว่าการปรับตัวกรองความถี่สูงผ่านให้เหมาะกับสถานการณ์การบันทึกเฉพาะ และการเตรียมตัวอย่างการฝึกอย่างรอบคอบสำหรับตัวตรวจจับสิ่งแปลกปน คือสิ่งที่เปลี่ยน ICA จากการทดลองที่เปี่ยมไปด้วยความหวังให้กลายเป็นเครื่องมือที่เชื่อถือได้อย่างสม่ำเสมอ การให้ความสนใจเฉพาะบุคคลในลักษณะนี้ช่วยให้นักวิทยาศาสตร์สามารถกู้คืนข้อความของสมองได้อย่างมั่นใจ แทนที่จะปล่อยให้มันปะปนกันอยู่อย่างยุ่งเหยิงในการบันทึกที่มีสัญญาณรบกวน
เอกสารอ้างอิง
Winkler, I., Haufe, S., & Tangermann, M. (2011). Automatic classification of artifactual ICA-components for artifact removal in EEG signals. Behavioral and brain functions, 7(1), 30. https://doi.org/10.1186/1744-9081-7-30
Dimigen, O. (2020). Optimizing the ICA-based removal of ocular EEG artifacts from free viewing experiments. NeuroImage, 207, 116117. https://doi.org/10.1016/j.neuroimage.2019.116117
Mognon, A., Jovicich, J., Bruzzone, L., & Buiatti, M. (2011). ADJUST: An automatic EEG artifact detector based on the joint use of spatial and temporal features. Psychophysiology, 48(2), 229-240. https://doi.org/10.1111/j.1469-8986.2010.01061.x
Winkler, I., Debener, S., Müller, K. R., & Tangermann, M. (2015). On the influence of high-pass filtering on ICA-based artifact reduction in EEG-ERP. Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference, 2015, 4101–4105. https://doi.org/10.1109/EMBC.2015.7319296
Klug, M., & Gramann, K. (2021). Identifying key factors for improving ICA‐based decomposition of EEG data in mobile and stationary experiments. European Journal of Neuroscience, 54(12), 8406-8420. https://doi.org/10.1111/ejn.14992
คำถามที่พบบ่อย
เหตุใดการกรองความถี่แบบง่ายๆ จึงไม่สามารถกำจัดสิ่งแปลกปนใน EEG เช่น การกะพริบตาและการทำงานของกล้ามเนื้อได้?
การกรองความถี่ล้มเหลวเนื่องจากสิ่งแปลกปนและสัญญาณสมองมักใช้ย่านความถี่เดียวกัน เช่น การทำงานของกล้ามเนื้อและจังหวะทีตาบริเวณหน้าผาก ดังนั้นการกำจัดสิ่งหนึ่งจึงเป็นการกำจัดอีกสิ่งหนึ่งไปด้วย ตัวกรองจึงไม่สามารถแยกพวกมันออกจากกันได้เมื่อการแกว่งของสัญญาณซ้อนทับกัน
ข้อแตกต่างสำคัญระหว่าง PCA และ ICA ในการแยกสัญญาณสมองออกจากสัญญาณรบกวนคืออะไร?
PCA ทำหน้าที่เพียงขจัดสหสัมพันธ์ของสัญญาณ—ทำให้ไม่มีความสัมพันธ์เชิงเส้นต่อกัน—แต่ไม่ได้ต้องการความเป็นอิสระทางสถิติ ICA ก้าวไปไกลกว่านั้นโดยค้นหาองค์ประกอบที่มีความเป็นอิสระทางสถิติต่อกันอย่างสมบูรณ์ ซึ่งหมายความว่าการรู้ค่าหนึ่งจะไม่เปิดเผยข้อมูลใดๆ เกี่ยวกับอีกค่าหนึ่ง ทำให้สามารถแยกแหล่งสัญญาณสมองและสิ่งแปลกปนที่ผสมกันได้ดียิ่งขึ้น
ICA แยกสัญญาณสมองออกจากสิ่งแปลกปนได้อย่างไรในทางปฏิบัติ?
ICA สันนิษฐานว่าสัญญาณอิเล็กโทรดผสมเกิดจากการรวมกันเชิงเส้นของสัญญาณต้นทางที่เป็นอิสระและมีการแจกแจงแบบนอน-เกาส์เซียน มันจะค้นหาการแปลงค่าที่เพิ่มความเป็นอิสระขององค์ประกอบผลลัพธ์ให้สูงสุด ซึ่งช่วยแยกแหล่งกำเนิดทางกายภาพที่แตกต่างกันได้อย่างมีประสิทธิภาพ เช่น การกะพริบตาออกจากจังหวะคลื่นสมอง แม้ว่าความถี่ของพวกมันจะทับซ้อนกันก็ตาม
เหตุใดความเป็นนอน-เกาส์เซียนจึงมีความสำคัญต่อการทำงานของ ICA?
แหล่งกำเนิด EEG ที่แท้จริงมักจะมีการกระจายตัวของแอมพลิจูดแบบนอน-เกาส์เซียน ในขณะที่การผสมกันของสัญญาณอิสระจะกลายเป็นการแจกแจงแบบเกาส์เซียนมากขึ้น อัลกอริทึม ICA ค้นหาและเพิ่มโครงสร้างแบบนอน-เกาส์เซียนนี้ให้ได้มากที่สุดเพื่อดึงแหล่งสัญญาณเดิมออกจากกัน เนื่องจากการค้นหาภาพฉายที่มีความเป็นเกาส์เซียนน้อยที่สุดจะช่วยกู้คืนองค์ประกอบอิสระกลับมาได้
เหตุใดการกรองความถี่สูงผ่านของข้อมูล EEG ก่อนทำ ICA จึงมีความสำคัญอย่างยิ่ง?
ตัวกรองความถี่สูงผ่านจะกำจัดการเลื่อนลอยของสัญญาณที่ช้ามากซึ่งสามารถทำลายการแยกองค์ประกอบของ ICA ได้ การศึกษาพบอย่างสม่ำเสมอว่าจุดตัดตัวกรองประมาณ 1–2 Hz ช่วยให้ได้องค์ประกอบอิสระที่สะอาดและมีความคล้ายคลึงกับสัญญาณสมองมากกว่า เมื่อเทียบกับการตั้งค่าเริ่มต้นที่ต่ำกว่า เช่น 0.5 Hz โดยเฉพาะอย่างยิ่งในการบันทึกแบบเคลื่อนที่หรือเมื่อมุ่งเป้าไปที่สิ่งแปลกปนเฉพาะ
การเรียนรู้ของเครื่องช่วยให้การจำแนกองค์ประกอบ ICA ว่าเป็นสมองหรือสิ่งแปลกปนเป็นไปโดยอัตโนมัติได้อย่างไร?
ตัวจำแนกอัตโนมัติใช้คุณลักษณะสองสามประการจากรูปแบบความถี่ เชิงพื้นที่ และเชิงเวลาของแต่ละองค์ประกอบ เพื่อติดฉลากพวกมันด้วยความแม่นยำที่ใกล้เคียงกับความเห็นพ้องของผู้เชี่ยวชาญ สิ่งนี้ช่วยลดภาระงานส่วนบุคคลในการเลือกว่าจะลบองค์ประกอบใดออก แม้ว่าประสิทธิภาพอาจลดลงเมื่อนำไปใช้กับกระบวนทัศน์การทดลองใหม่ๆ ก็ตาม
เกิดอะไรขึ้นกับประสิทธิภาพของ ICA ในระหว่างการบันทึก EEG แบบเคลื่อนที่ซึ่งผู้เข้าร่วมเคลื่อนไหวไปมา?
การเคลื่อนไหวไม่ได้ทำลายข้อสมมติเรื่องการผสมเชิงเส้นไปทั้งหมด ดังนั้น ICA จึงยังคงทำงานได้ แต่จะลดจำนวนองค์ประกอบสมองที่สะอาดและตีความได้ซึ่งสามารถกู้คืนได้ การตั้งค่าแบบเคลื่อนที่มักต้องใช้จุดตัดของตัวกรองความถี่สูงผ่านที่สูงขึ้น เพื่อรักษาการแยกองค์ประกอบที่เหมาะสมที่สุดเมื่อเทียบกับการบันทึกแบบอยู่กับที่
ICA สามารถนำไปใช้กับการผสมสัญญาณแบบไม่เป็นเชิงเส้น (non-linear) ได้หรือไม่?
อัลกอริทึมมาตรฐานตั้งข้อสมมติว่าเป็นการผสมเชิงเส้น ดังนั้นการนำไปใช้กับการรวมสัญญาณแบบไม่เป็นเชิงเส้นที่ซับซ้อนจึงมักต้องมีการปรับแต่งเฉพาะหรือใช้ส่วนขยายของแบบจำลอง
Emotiv เป็นผู้นำด้านนิวโรเทคโนโลยีที่ช่วยขับเคลื่อนการวิจัยประสาทวิทยาศาสตร์ผ่านเครื่องมือ EEG และข้อมูลสมองที่เข้าถึงได้
ข้อจำกัดความรับผิดชอบทางการแพทย์: ข้อมูลที่ให้ไว้บนเว็บไซต์นี้มีวัตถุประสงค์เพื่อการศึกษาและการให้ข้อมูลเท่านั้น และไม่ได้มีวัตถุประสงค์เพื่อเป็นคำแนะนำทางการแพทย์หรือสุขภาพ เนื้อหานี้อาจมีข้อผิดพลาดและไม่ควรนำมาใช้ในการตัดสินใจเลือกแนวทางชีวิต สุขภาพ หรือการรักษาทางการแพทย์ที่เปลี่ยนชีวิต โปรดขอคำแนะนำจากแพทย์หรือผู้ให้บริการด้านสุขภาพที่มีคุณสมบัติเหมาะสมเสมอ หากมีคำถามใดๆ ที่คุณอาจมีเกี่ยวกับอาการเจ็บป่วยหรือการรักษา
คริสเตียน บูร์โกส




