การวิเคราะห์องค์ประกอบอิสระ (Independent component analysis) เป็นวิธีการคำนวณที่มีประสิทธิภาพสำหรับการแยกแหล่งสัญญาณแบบบอด (blind source separation) ซึ่งใช้ในหลากหลายสาขา วิธีการนี้สามารถแยกสัญญาณ EEG ที่ผสมกันอยู่ซึ่งมีความเป็นอิสระทางสถิติและไม่ใช่แบบเกาส์เซียน (non-Gaussian) ได้อย่างมีประสิทธิภาพ
Independent Component Analysis (ICA) คืออะไร?
การวิเคราะห์องค์ประกอบอิสระ (Independent component analysis) เป็นเทคนิคทางสถิติและการคำนวณขั้นสูงที่เน้นการดึงปัจจัยหรือส่วนประกอบที่ซ่อนอยู่ออกจากกลุ่มข้อมูลสังเกตการณ์ที่ผสมกันอยู่
ในสถานการณ์จริงหลาย ๆ สถานการณ์ ข้อมูลที่บันทึกได้เป็นผลมาจากสัญญาณแหล่งกำเนิดหลายสัญญาณที่ทำงานพร้อมกันผ่านสื่อกลาง ทำให้เกิดการซ้อนทับที่ซับซ้อน ซึ่งมักจะไม่สามารถเข้าใจได้ในรูปแบบดิบ การใช้วิธีแปลงพีชคณิตเฉพาะทาง วิธีนี้จะทำหน้าที่เป็นตัวกรองเพื่อย้อนกระบวนการผสมสัญญาณดังกล่าว
แนวคิดหลัก: การแยกสัญญาณที่ผสมกัน
สมมติฐานพื้นฐานของสาขานี้เกี่ยวข้องกับ "ปัญหาในงานค็อกเทล" (cocktail party problem) ซึ่งมีผู้คนหลายคนพูดคุยพร้อมกันในห้องหนึ่งในขณะที่ไมโครโฟนหลายตัวบันทึกเสียงที่สับสนปนเปกันนั้น
ผู้สังเกตการณ์ทั่วไปจะได้ยินเพียงเสียงที่ผสมกันอย่างวุ่นวาย แต่ในทางทฤษฎีแล้ว ICA สามารถระบุสัญญาณที่มาจากผู้พูดแต่ละคนได้ ความสามารถนี้ช่วยให้นักวิจัยสามารถแยกรูปคลื่นเฉพาะออกจากกระแสข้อมูลรวมได้ ทำให้สามารถมองเห็นช่องสัญญาณข้อมูลแต่ละช่องได้อย่างชัดเจน ซึ่งหากไม่มีวิธีนี้ก็อาจจะถูกบดบังไป
รากฐานทางคณิตศาสตร์ของ ICA
ในทางคณิตศาสตร์ เป้าหมายคือการแยกแหล่งสัญญาณแบบบอด (blind source separation) โดยการค้นหาการแปลงเชิงเส้นที่ทำให้ตัวแปรสังเกตมีความเป็นอิสระต่อกันมากที่สุด เมื่อกำหนดเวกเตอร์สังเกตของข้อมูล อัลกอริทึมจะค้นหาเมทริกซ์การแยกสัญญาณ (unmixing matrix) ซึ่งเมื่อนำไปคูณกับข้อมูลสังเกตแล้ว จะได้สัญญาณแหล่งกำเนิดที่คาดประมาณซึ่งมีการกระจายทางสถิติที่เป็นอิสระต่อกัน
การจะบรรลุเป้าหมายนี้ได้นั้นกำหนดให้สัญญาณเหล่านี้ต้องไม่เป็นแบบเกาส์เซียน (non-Gaussian) เนื่องจากคุณสมบัติทางคณิตศาสตร์ของการกระจายแบบเกาส์เซียนทำให้ไม่สามารถแยกสัญญาณออกจากกันได้อย่างชัดเจน ในบริบทของประสาทวิทยาศาสตร์สมัยใหม่ ความเข้มงวดนี้ช่วยให้มั่นใจได้ว่าความผันผวนของกระแสไฟฟ้าเพียงเล็กน้อยจะไม่สูญหายไปกับสัญญาณรบกวนรอบข้าง
Independent Component Analysis ทำงานอย่างไร?
กระบวนการนี้ทำงานได้อย่างประสบความสำเร็จกับข้อมูลที่มีมิติสูง โดยอาศัยการแปลงข้อมูลที่ผสมกันให้เป็นส่วนประกอบย่อยโดยการวัดระดับความเป็น non-Gaussianity เนื่องจากสัญญาณที่ผสมกันมักจะมีแนวโน้มที่จะมีการกระจายแบบเกาส์เซียนตามทฤษฎีบทขีดจำกัดกลาง (central limit theorem) อัลกอริทึมจึงทำงานโดยการค้นหาทิศทางในข้อมูลที่ห่างไกลจากการกระจายแบบเกาส์เซียนให้ได้มากที่สุดอย่างจริงจัง
ผลลัพธ์ที่เป็นองค์ประกอบที่ได้นั้นจะเป็นสัญญาณ "บริสุทธิ์" ที่มีประสิทธิภาพในการสร้างแหล่งกำเนิดเดิมขึ้นใหม่โดยเป็นอิสระจากกระบวนการผสมสัญญาณ
ข้อตกลงเบื้องต้นของ ICA
การทำงานของอัลกอริทึมนี้ให้ประสบความสำเร็จนั้นขึ้นอยู่กับข้อกำหนดที่สำคัญหลายประการ ข้อตกลงเบื้องต้นที่สำคัญที่สุดคือ สัญญาณแหล่งกำเนิดจะต้องมีความเป็นอิสระต่อกันทางสถิติ หากการทราบค่าของแหล่งกำเนิดหนึ่งไม่ได้ให้ข้อมูลเกี่ยวกับอีกแหล่งกำเนิดหนึ่งเลย สัญญาณเหล่านั้นก็ถือว่ามีคุณสมบัติในการแยกออกจากกันได้
นอกจากนี้ อัลกอริทึมยังสมมติว่าจำนวนสัญญาณผสมที่สังเกตได้นั้นต้องมีจำนวนอย่างน้อยเท่ากับจำนวนของแหล่งกำเนิดที่เป็นอิสระ และสุดท้าย ตามที่ระบุไว้ แหล่งกำเนิดต้องแสดงการกระจายแบบไม่เป็นเกาส์เซียน เนื่องจากโครงสร้างที่แตกต่างนี้จะสร้างจุดสังเกตที่อัลกอริทึมจำเป็นต้องใช้ในการยึดเพื่อดำเนินการแยกสัญญาณ
อัลกอริทึม Independent Component Analysis: เทคนิคสำคัญ
มีแนวทางอัลกอริทึมหลายวิธีในการบรรลุการแยกสัญญาณนี้ โดย FastICA และ Infomax เป็นตัวอย่างที่โดดเด่นที่สุด วิธีการเหล่านี้จะปรับเมทริกซ์การแยกสัญญาณซ้ำ ๆ เพื่อลดข้อมูลร่วม (mutual information) ให้เหลือน้อยที่สุด หรือเพิ่มความเป็น non-Gaussianity ของผลลัพธ์ให้สูงสุด
กระบวนการปรับค่าให้เหมาะสมที่สุด (optimization) นี้ใช้ทรัพยากรการคำนวณสูง ซึ่งต้องอาศัยการนำไปใช้งานอย่างระมัดระวังเพื่อให้แน่ใจว่าได้ผลลัพธ์ที่ลู่เข้าหากันอย่างสม่ำเสมอในชุดข้อมูลที่แตกต่างกัน การปรับแต่งค่าน้ำหนักเหล่านี้จะช่วยให้ระบบค่อย ๆ ปอกลอกชั้นของสัญญาณรบกวนออกไปจนกระทั่งสัญญาณที่แตกต่างกันแต่ละสัญญาณปรากฏขึ้นมาอย่างชัดเจน
Independent Component Analysis กับ Principal Component Analysis (ICA vs. PCA)
แม้ว่าเทคนิคทั้งสองจะใช้สำหรับการลดมิติข้อมูลหรือการวิเคราะห์สัญญาณ แต่เป้าหมายการทำงานกลับแตกต่างกันอย่างสิ้นเชิง นักวิจัยต้องเลือกระหว่างสองวิธีนี้โดยขึ้นอยู่กับว่าพวกเขาต้องการจับความแปรปรวน (variance) หรือความเป็นอิสระ (independence) ภายในชุดข้อมูลของตน
คุณลักษณะ | Principal Component Analysis | Independent Component Analysis |
|---|---|---|
จุดเน้นหลัก | ความแปรปรวนสูงสุด | ความเป็นอิสระสูงสุด |
ความเป็นมุมฉาก (Orthogonality) | จำเป็น | ไม่จำเป็น |
ลำดับของส่วนประกอบ | เรียงลำดับตามค่าไอเกน (Eigenvalues) | จัดลำดับแบบสุ่ม |
การวัดทางสถิติ | สหสัมพันธ์ (Correlations) | สถิติอันดับสูงกว่า (Higher-order Statistics) |
การเลือกเครื่องมือที่ถูกต้องนั้นขึ้นอยู่กับเป้าหมายเฉพาะของการวิเคราะห์พื้นฐาน ในขณะที่ PCA นั้นยอดเยี่ยมสำหรับการบีบอัดข้อมูลที่การรักษาแนวโน้มหลักเป็นสิ่งสำคัญ แต่ ICA จะเหนือกว่าเมื่อเป้าหมายคือการระบุกระบวนการที่เป็นอิสระและเป็นเอกลักษณ์เฉพาะตัวที่มีส่วนทำให้เกิดข้อมูลสังเกตการณ์ทั้งหมด
Independent Component Analysis แยกสัญญาณสมองออกจากสัญญาณรบกวนอย่างไร
Independent Component Analysis ใช้แนวทางที่เข้มงวดกว่า PCA แทนที่จะเป็นเพียงการลดความสัมพันธ์ (decorrelating) ของสัญญาณ ICA จะค้นหาองค์ประกอบที่มีความเป็นอิสระทางสถิติ ซึ่งหมายความว่าการทราบค่าของส่วนประกอบหนึ่งจะไม่ให้ข้อมูลใด ๆ เกี่ยวกับส่วนประกอบอื่นเลย
นี่เป็นเกณฑ์ที่สูงกว่าการลดความสัมพันธ์มาก และเป็นสิ่งที่ทำให้ ICA สามารถแยกสัญญาณที่มีเนื้อหาความถี่ร่วมกันแต่มีต้นกำเนิดมาจากแหล่งข้อมูลทางกายภาพที่แยกจากกันอย่างแท้จริง ไม่ว่าจะเป็นการกะพริบตาตรงนี้ การเกร็งกรามตรงนั้น หรือพื้นที่ของเปลือกสมองส่วนการมองเห็นที่ตอบสนองต่อสิ่งเร้าในอีกที่หนึ่ง
การศึกษาของ Winkler และคณะ ได้ประยุกต์ใช้ TDSEP ซึ่งเป็นเวอร์ชันหนึ่งของ ICA ที่พิจารณาถึงความสัมพันธ์ทางเวลาร่วมด้วย ไม่ใช่แค่สถิติในทันทีของสัญญาณเท่านั้น
การศึกษาของ Olaf Dimigen ใช้ Infomax ซึ่งเป็นอัลกอริทึม ICA ที่ใช้กันอย่างแพร่หลาย
การศึกษาของ Mognon สร้างเครื่องมือตรวจจับอัตโนมัติบนไปป์ไลน์ทั่วไปที่ใช้ ICA เป็นฐาน
แม้จะมีความแตกต่างในการนำไปใช้งาน แต่แนวทางทั้งหมดเหล่านี้ต่างตั้งอยู่บนหลักการพื้นฐานเดียวกัน นั่นคือการย่อยสัญญาณอิเล็กโทรดที่ผสมกันให้ออกมาเป็นชุดของส่วนประกอบที่ทำงานโดยอิสระต่อกัน จากนั้นจึงหาว่าส่วนประกอบใดที่มีลักษณะเหมือนการทำงานของสมอง และส่วนประกอบใดที่มีลักษณะเหมือนสัญญาณรบกวน (artifact)
สมมติฐานหลักเบื้องหลัง ICA: ความไม่เป็นเกาส์เซียนและการผสมแบบเชิงเส้น
ICA ทำงานได้เนื่องจากสมมติฐานเฉพาะสองประการเกี่ยวกับข้อมูล และการทำความเข้าใจสมมติฐานเหล่านี้จะอธิบายได้ทั้งจุดแข็งและจุดด้อยของมัน
สมมติฐานแรกคือความเป็น non-Gaussianity แหล่งกำเนิด EEG ที่แท้จริง ไม่ว่าจะเป็นจังหวะคลื่นสมอง การกะพริบตา หรือการขยับของกล้ามเนื้อ มักจะมีการกระจายแอมพลิจูดที่เบี่ยงเบนไปจากรูปทรงโค้งระฆังคว่ำของการกระจายแบบเกาส์เซียน (ปกติ) อัลกอริทึม ICA ถูกสร้างขึ้นเพื่อค้นหาและเพิ่มโครงสร้างที่ไม่เป็นเกาส์เซียนนี้ให้สูงสุด เนื่องจากสัญญาณผสมที่เป็นอิสระต่อกันมักจะดูเป็นเกาส์เซียนมากกว่าส่วนประกอบเดี่ยว ๆ (ผลสืบเนื่องมาจากทฤษฎีบทขีดจำกัดกลาง)
สมมติฐานที่สองคือการผสมแบบเชิงเส้น ICA สมมติว่าสิ่งที่อิเล็กโทรดบันทึกได้คือการรวมกันทางเชิงเส้นในทันทีของสัญญาณแหล่งกำเนิดที่ซ่อนอยู่ ซึ่งเป็นสมมติฐานที่ใช้ได้ค่อนข้างดีสำหรับการแพร่กระจายของกระแสไฟฟ้าผ่านเนื้อเยื่อและกะโหลกศีรษะ (กระบวนการที่เรียกว่า volume conduction) ในสภาวะการบันทึกที่เสถียร สมมติฐานนี้จะบรรลุได้ง่ายที่สุดเมื่อผู้ทดสอบนั่งนิ่ง ๆ
ทำไมการกรองแบบ High-Pass ก่อนทำ ICA ถึงเปลี่ยนทุกอย่าง
คุณภาพของการวิเคราะห์องค์ประกอบ ICA ขึ้นอยู่กับวิธีการประมวลผลสัญญาณก่อนที่อัลกอริทึมจะเริ่มทำงาน และการเลือกจุดตัดตัวกรองความถี่สูงผ่าน (high-pass filter cutoff) (ตัวกรองที่ขจัดสัญญาณดริฟต์ที่ช้ามากซึ่งต่ำกว่าความถี่ที่ตั้งไว้) กลายเป็นการตัดสินใจที่มีผลตามมามากที่สุดในไปป์ไลน์ทั้งหมด
การศึกษาในปี 2015 นำโดย Winkler และคณะ ได้ทดสอบเรื่องนี้โดยตรงโดยใช้ข้อมูลศักย์ไฟฟ้าสมองสัมพันธ์กับเหตุการณ์ (ERP) ซึ่งเป็นรูปแบบคลื่นสมองที่ล็อกเวลากับสิ่งเร้าเฉพาะ จากผู้เข้าร่วม 21 คนที่ทำภารกิจ auditory oddball การกรองผ่านความถี่สูงระหว่าง 1 และ 2 Hz ให้ผลลัพธ์ที่ดีอย่างสม่ำเสมอในสามเกณฑ์การวัดแยกกัน ได้แก่ อัตราส่วนสัญญาณต่อสัญญาณรบกวน (signal-to-noise ratio), ความแม่นยำในการจำแนกประเภทแบบทดลองเดี่ยว (single-trial classification accuracy) และเปอร์เซ็นต์ของส่วนประกอบที่มีลักษณะ "ใกล้เคียงกับขั้วคู่" (near-dipolar) ซึ่งหมายความว่าส่วนประกอบเหล่านั้นมีรูปแบบเชิงพื้นที่ที่สอดคล้องกับแหล่งกำเนิดสมองที่ระบุตำแหน่งได้เพียงแหล่งเดียว มากกว่าที่จะเกิดจากการผสมปนเปของหลาย ๆ แหล่งกำเนิด
ยิ่งไปกว่านั้น ในการศึกษาปี 2020 Klug และคณะ ได้ตรวจสอบคำถามเดียวกันนี้ในสภาวะการบันทึกข้อมูลแบบคงที่และแบบเคลื่อนที่ สำหรับการทดลองแบบคงที่มาตรฐานที่มี 64 ช่องสัญญาณและการกรอง 0.5 Hz ผลลัพธ์ถือว่ายอมรับได้ แต่ในการทดลองแบบเคลื่อนที่จำเป็นต้องใช้จุดตัดที่สูงขึ้นถึง 2 Hz เพื่อให้ได้การแยกองค์ประกอบที่เหมาะสมที่สุด และระบบที่มีช่องสัญญาณมากกว่าก็ต้องการตัวกรองที่สูงขึ้นตามลำดับ
งานวิจัยของ Olaf Dimigen ได้ผลักดันแนวคิดนี้เพิ่มเติมในบริบทเฉพาะของสัญญาณรบกวนจากการเคลื่อนไหวของดวงตา จากการปรับเปลี่ยน high-pass filter, low-pass filter และสัดส่วนของข้อมูลที่ใช้ฝึกอบรมระบบซึ่งมีสัญญาณ saccadic spike potentials อย่างเป็นระบบ ผู้วิจัยพบว่าการฝึก ICA ด้วยข้อมูลที่มีสัญญาณ spike potentials เหล่านี้ในสัดส่วนที่สูงมากช่วยปรับปรุงคุณภาพของการแก้ไขข้อมูลได้อย่างดีเยี่ยม
การศึกษาทั้งสามนี้ชี้ไปที่ข้อสรุปเดียวกัน: การตั้งค่าตัวกรองเริ่มต้น โดยเฉพาะจุดตัดที่พบบ่อยที่ 0.5 Hz อาจจะปล่อยผ่านสัญญาณมากเกินไปสำหรับหลายกรณีการใช้งาน และการเลือกใช้ที่ถูกต้องจะขึ้นอยู่กับชนิดของสัญญาณรบกวนเฉพาะและสภาวะในการบันทึกข้อมูล
การจำแนกองค์ประกอบสัญญาณรบกวนโดยอัตโนมัติด้วย Machine Learning
เมื่อ ICA สร้างชุดขององค์ประกอบอิสระขึ้นมาแล้ว ใครบางคนหรือบางสิ่งก็ยังคงต้องตัดสินใจว่าองค์ประกอบใดที่เป็นตัวแทนของกิจกรรมของสมอง และส่วนประกอบใดที่เป็นสัญญาณรบกวน การติดป้ายกำกับด้วยตนเองโดยผู้เชี่ยวชาญที่ได้รับการฝึกฝนมานั้นเป็นไปอย่างล่าช้าและนำมาซึ่งความลำเอียงส่วนบุคคล เนื่องจากผู้เชี่ยวชาญแต่ละคนอาจมีความเห็นไม่ตรงกันในกรณีที่ก้ำกึ่ง
เพื่อแก้ไขปัญหานี้ ทีมของ Winkler ได้สร้างแบบจำลองการจำแนกเชิงเส้นที่เป็นอิสระต่อบุคคลขึ้นมาโดยใช้คุณลักษณะเพียงหกประการที่ดึงมาจากลักษณะทางความถี่ เชิงพื้นที่ และเชิงเวลาของแต่ละส่วนประกอบ จากการฝึกกับส่วนประกอบ TDSEP จำนวน 640 ตัวที่ติดป้ายกำกับด้วยมือจากผู้เข้าร่วม 12 คนในงานศึกษาเรื่องเวลาปฏิกิริยา ตัวจำแนกประเภทสามารถทำค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง (MSE) ได้น้อยกว่า 10% เมื่อทดสอบกับข้อมูลใหม่ ซึ่งประสิทธิภาพนี้อยู่ในระดับเทียบเท่ากับอัตราความเห็นต่างตามธรรมชาติระหว่างผู้เชี่ยวชาญที่เป็นมนุษย์
เมื่อนำไปใช้โดยไม่ต้องฝึกอบรมซ้ำกับแบบแผน ERP ทางการได้ยินที่ดีไซน์แตกต่างกันอย่างสิ้นเชิง ตัวจำแนกแบบเดียวกันได้ค่า MSE ที่ 15% ซึ่งเป็นผลลัพธ์ที่สมเหตุสมผลแต่ก็สังเกตได้ชัดว่าอ่อนลง ซึ่งสะท้อนถึงความยากในการนำไปใช้ข้ามแบบแผนการทดลอง ในงานเชื่อมต่อสมองกับคอมพิวเตอร์ (brain-computer interface) เพื่อสร้างภาพจากจินตนาการของการเคลื่อนไหว นักวิจัยได้พิสูจน์ให้เห็นว่าการกำจัดส่วนประกอบที่เป็นสัญญาณรบกวนออกไปถึง 60% ก็ยังสามารถรักษาข้อมูลจำแนกความแตกต่างที่จำเป็นสำหรับการทำงานของ BCI ไว้ได้
นอกจากนี้ ทีมของ Mognon ได้นำเสนอ ADJUST ซึ่งเป็นอัลกอริทึมอัตโนมัติเต็มรูปแบบที่รวมคุณลักษณะเชิงพื้นที่และเชิงเวลาที่ปรับแต่งเป็นพิเศษเพื่อตรวจจับการกะพริบตา การเคลื่อนไหวของดวงตา และความไม่ต่อเนื่องทั่วไป จากการตรวจสอบความถูกต้องกับชุดข้อมูลที่เป็นอิสระ การแยกประเภทส่วนประกอบของ ADJUST ตรงกับการติดป้ายกำกับของผู้เชี่ยวชาญที่เป็นมนุษย์ถึง 95.2% ของความแปรปรวนข้อมูล การนำส่วนประกอบที่ ADJUST ทำเครื่องหมายว่าเป็นสัญญาณรบกวนออกไปทำให้เกิดสิ่งที่งานศึกษานี้อธิบายไว้ว่าเป็นการสร้างศักย์ไฟฟ้าสมองสัมพันธ์กับเหตุการณ์ทางภาพและการได้ยินที่ประณีตจากข้อมูลที่มีสัญญาณรบกวนอย่างหนาแน่น
เครื่องมือทั้งสองนี้แสดงถึงความก้าวหน้าที่แท้จริงในการลดภาระการทำความสะอาด EEG ด้วยตนเอง แต่ประสิทธิภาพที่รายงานนั้นมาจากชุดข้อมูลและแบบแผนเฉพาะ และการขยายผลประสิทธิภาพไปยังสภาวะใหม่ ๆ นั้นยังไม่สามารถรับประกันได้
บทเรียนเชิงปฏิบัติสำหรับการทำความสะอาดข้อมูล EEG ด้วย ICA
Independent Component Analysis ทำงานได้ดีเนื่องจากมีเป้าหมายที่ความเป็นอิสระทางสถิติที่แท้จริง แทนที่จะใช้คุณสมบัติการลดความสัมพันธ์ที่อ่อนกว่าซึ่งวิธีการอย่าง PCA อาศัยอยู่ ความแตกต่างนี้เองที่ช่วยให้สามารถแยกสัญญาณสมองและสัญญาณรบกวนออกจากกันได้แม้ว่าสเปกตรัมความถี่ของพวกมันจะทับซ้อนกัน ซึ่งเป็นสิ่งที่ตัวกรองความถี่และวิธีแก้ไข EOG ที่พึ่งพาการคำนวณถดถอยไม่สามารถทำได้ในการทดสอบโดยตรง
อย่างไรก็ตาม ความสำเร็จนั้นมีเงื่อนไข การกรองผ่านความถี่สูงในช่วง 1 ถึง 2 Hz ได้รับการพิสูจน์แล้วว่าสร้างการแยกองค์ประกอบที่ดีอย่างสม่ำเสมอในงานวิจัย ERP แบบคงที่ ในขณะที่การบันทึกแบบเคลื่อนที่จะได้รับประโยชน์จากตัวกรองที่สูงถึง 2 Hz โดยมีจำนวนช่องสัญญาณเข้ามามีบทบาทด้วย สำหรับสัญญาณรบกวนที่ยากเป็นพิเศษ เช่น saccadic spike potentials ในระหว่างการมองอย่างอิสระ การจงใจเพิ่มค่าน้ำหนักของสัญญาณรบกวนในช่วงการฝึกระบบ แทนที่จะใช้การตั้งค่าเริ่มต้น สามารถเปลี่ยนผลการแก้ไขที่ไม่ได้มาตรฐานให้กลายเป็นการแก้ไขที่ขจัดสิ่งปนเปื้อนได้เกือบทั้งหมดโดยมีการบิดเบือนของกิจกรรมสมองน้อยที่สุด
นอกจากนี้ ตัวจำแนกส่วนประกอบอัตโนมัติ รวมถึงแบบจำลองเชิงเส้นคุณลักษณะหกประการและอัลกอริทึม ADJUST จากการศึกษาที่กล่าวมาข้างต้น สามารถช่วยลดเวลาและความลำเอียงส่วนบุคคลของการระบุป้ายด้วยตนเองได้อย่างมีความหมาย ทั้งสองวิธีแสดงพฤติกรรมที่สอดคล้องอย่างมากกับการตัดสินใจของผู้เชี่ยวชาญในการตรวจสอบ อย่างไรก็ตาม ไม่ควรมีวิธีใดถูกมองว่าเป็นโซลูชันสากลโดยไม่มีความตระหนักว่าประสิทธิภาพสามารถเปลี่ยนแปลงได้อย่างไรในแต่ละแบบแผนการบันทึกและอุปกรณ์ที่แตกต่างกัน
การกำจัดสัญญาณรบกวนตามหลัก ICA ยังคงเป็นหนึ่งในแนวทางที่ได้รับการยอมรับและสนับสนุนอย่างดีสำหรับการล้างข้อมูล EEG และประสาทวิทยาศาสตร์ที่อยู่เบื้องหลังกระบวนการนี้ก็ตั้งอยู่บนตรรกะทางสถิติที่สอดประสานกันอย่างดี แต่ประสิทธิภาพที่แท้จริงขึ้นอยู่กับการเลือกตัวแปรก่อนที่อัลกอริทึมจะทำงาน ได้แก่ การตั้งค่าตัวกรอง องค์ประกอบข้อมูลฝึกสอน และสัญญาณรบกวนเฉพาะเป้าหมาย ใครก็ตามที่นำวิธีการนี้ไปใช้ควรตรวจสอบผลลัพธ์ด้วยเกณฑ์มาตรฐานเชิงอนุมาน มากกว่าการทึกทักเอาเองว่าการกำหนดค่าเดียวจะทำงานได้ดีในทุกกรณี
ทำไมทางเลือกในการเตรียมข้อมูลเบื้องต้นจึงกำหนดความสำเร็จของ ICA ใน EEG
ข้อมูลสมองที่สะอาดคือรากฐานของทุกสิ่ง ตั้งแต่อุปกรณ์ที่ควบคุมด้วยความคิดไปจนถึงการวิจัยด้านความจำอย่างรอบคอบ Independent Component Analysis มอบวิธีการที่เป็นระบบทางคณิตศาสตร์ในการแยกกิจกรรมทางประสาทที่ผสมอยู่กับสัญญาณรบกวนของร่างกาย แม้ว่าวิธีการที่ง่ายกว่าอย่างการกรองสัญญาณธรรมดาจะล้มเหลวก็ตาม การพุ่งเป้าไปที่ความเป็นอิสระทางสถิติที่แท้จริงทำให้สามารถเปิดเผยรอยพิมพ์ไฟฟ้าที่แยกจากกันของจังหวะสมองจริงและการกะพริบตาที่เกิดขึ้นในย่านความถี่เดียวกันได้
อย่างไรก็ตาม พลังที่แท้จริงจะปรากฏขึ้นก็ต่อเมื่อนักวิจัยก้าวข้ามการตั้งค่าเริ่มต้นแบบสำเร็จรูป งานศึกษาต่าง ๆ แสดงให้เห็นว่าการปรับแต่งตัวกรองความถี่สูงผ่านให้เข้ากับสถานการณ์การบันทึกเฉพาะ และการเตรียมข้อมูลตัวอย่างสำหรับการฝึกอุปกรณ์ตรวจจับสัญญาณรบกวนอย่างรอบคอบ คือสิ่งที่เปลี่ยน ICA จากการทดลองที่เปี่ยมด้วยความหวังให้กลายเป็นเครื่องมือที่น่าเชื่อถืออย่างสม่ำเสมอ การใส่ใจในรายละเอียดเฉพาะตัวเช่นนี้ช่วยให้นักวิทยาศาสตร์สามารถกู้คืนข้อความของสมองได้อย่างมั่นใจ แทนที่จะปล่อยให้พวกมันกระจัดกระจายอยู่ภายในบันทึกที่มีสัญญาณรบกวน
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
ทำไมการกรองความถี่ธรรมดาถึงไม่สามารถขจัดสัญญาณรบกวน EEG เช่น การกะพริบตาและการเคลื่อนไหวของกล้ามเนื้อได้?
การกรองความถี่ล้มเหลวเนื่องจากสัญญาณรบกวนและข้อมูลสมองมักจะมีช่วงความถี่เดียวกัน เช่น การทำงานของกล้ามเนื้อและคลื่นสมอง frontal theta ดังนั้นการกรองอย่างหนึ่งออกไปจึงถือเป็นการกรองอีกอย่างออกไปด้วย ตัวกรองธรรมดาไม่สามารถแยกพวกมันออกจากกันได้เมื่อสัญญาณมีความถี่ทับซ้อนกัน
อะไรคือส่วนต่างที่สำคัญระหว่าง PCA และ ICA ในการแยกสัญญาณสมองออกจากสัญญาณรบกวน?
PCA ทำการลดความสัมพันธ์ของสัญญาณเท่านั้น กล่าวคือทำให้สัญญาณเหล่านั้นไม่มีความเกี่ยวข้องกันในเชิงเส้น แต่ไม่ได้กำหนดให้มีความเป็นอิสระต่อกันในทางสถิติ ส่วน ICA ทำได้มากกว่านั้นโดยการค้นหาองค์ประกอบที่มีความเป็นอิสระทางสถิติอย่างครอบคลุม ซึ่งหมายความว่าการรับรู้ค่าหนึ่งจะไม่มีส่วนบอกให้รู้ถึงอีกค่าหนึ่งเลย วิธีนี้ทำให้สามารถแยกแหล่งสัญญาณสมองและสัญญาณรบกวนที่ปนกันได้ดีขึ้น
ICA แยกสัญญาณสมองออกจากสัญญาณรบกวนได้อย่างไรจริง ๆ?
ICA ตั้งสมมติฐานว่าคลื่นสัญญาณจากอิเล็กโทรดที่ผสมกันอยู่นั้นมาจากการรวมกันเชิงเส้นของสัญญาณตั้งต้นที่เป็นอิสระต่อกันและไม่เป็นแบบเกาส์เซียน มันจะหาการแปลงข้อมูลทางพีชคณิตที่เพิ่มความเป็นอิสระของส่วนประกอบที่ได้ให้ขึ้นไปอยู่ในระดับสูงสุด ซึ่งส่งผลในการแยกสัญญาณทางกายภาพที่แตกต่างกัน เช่น การกะพริบตา ออกจากจังหวะการทำงานของสมองได้อย่างมีประสิทธิภาพแม้ความถี่ของมันจะทับซ้อนกันอยู่
ทำไมความเป็น non-Gaussianity ถึงมีส่วนสำคัญทำให้ ICA ทำงานได้?
แหล่งข้อมูล EEG ของจริงมักจะมีการกระจายแอมพลิจูดแบบไม่เป็นเกาส์เซียน ในขณะที่สัญญาณผสมของแหล่งกำเนิดสัญญาณที่เป็นอิสระจะมีความเป็นเกาส์เซียนมากขึ้น อัลกอริทึม ICA ค้นหาและขยายโครงสร้างที่ไม่เป็นเกาส์เซียนนี้ให้มีค่าสูงที่สุดเพื่อแยกแหล่งกำเนิดเดิมเหล่านั้นออกจากกัน เนื่องจากว่าการค้นหาโปรเจกชันที่มีความเป็นเกาส์เซียนน้อยที่สุดจะเป็นการกู้คืนส่วนประกอบที่มีความเป็นอิสระออกมา
ทำไมการทำ high-pass filtering บนข้อมูล EEG ก่อนการทำ ICA จึงมีความสำคัญยิ่ง?
ตัวกรองไฮพาสจะขจัดสัญญาณดริฟต์ที่ช้ามากซึ่งสามารถบิดเบือนการแยกองค์ประกอบของ ICA ได้ การศึกษาจำนวนมากพบอย่างสม่ำเสมอว่า จุดตัดการกรองที่ประมาณ 1–2 Hz จะทำให้ได้ส่วนประกอบที่เป็นอิสระซึ่งมีความสะอาดและเหมือนการทำงานของสมองมากขึ้น เมื่อเทียบกับการตั้งค่าเริ่มต้นที่ต่ำกว่า เช่น 0.5 Hz โดยเฉพาะอย่างยิ่งในการบันทึกข้อมูลแบบเคลื่อนที่หรือการมุ่งเป้ากำจัดสัญญาณรบกวนเฉพาะชนิด
machine learning ช่วยทำให้อุปกรณ์จัดประเภทส่วนประกอบของ ICA เป็นสัญญาณสมองหรือสัญญาณรบกวนโดยอัตโนมัติได้อย่างไร?
ตัวจำแนกอัตโนมัติใช้คุณลักษณะบางประการจากรูปแบบความถี่ พื้นที่ และเชิงเวลาของแต่ละส่วนประกอบเพื่อติดป้ายกำกับสิ่งเหล่านั้นด้วยความแม่นยำในระดับที่ใกล้เคียงกับความเห็นส่วนใหญ่ของผู้เชี่ยวชาญ วิธีนี้ช่วยลดภาระงานส่วนบุคคลในการวิเคราะห์และจัดหมวดหมู่ส่วนประกอบที่จะเอาออก แม้ว่าประสิทธิภาพการทำงานอาจจะลดลงเมื่อนำไปประยุกต์ใช้กับแผนงานวิจัยแบบใหม่ก็ตาม
เกิดอะไรขึ้นกับประสิทธิภาพการทำ ICA ระหว่างการบันทึก EEG แบบเคลื่อนที่ที่ผู้ทดสอบขยับตัวอยู่ตลอด?
การขยับตัวไม่ได้ทำลายข้อตกลงเบื้องต้นเรื่องการผสมแบบเชิงเส้นไปทั้งหมด ดังนั้น ICA ยังคงทำงานได้ดี แต่มันจะไปลดจำนวนส่วนประกอบของสมองส่วนที่สะอาดและสามารถตีความได้ซึ่งควรกู้คืนกลับมา การตั้งค่าทดลองแบบเคลื่อนที่มักจะต้องการตัดย่านความถี่สำหรับ high-pass filtering ที่ค่อนข้างสูงกว่าเพื่อให้คงประสิทธิภาพการแยกองค์ประกอบที่ดีที่สุดไว้เมื่อเทียบกับการทดสอบแบบอยู่กับที่
สามารถประยุกต์ใช้ ICA กับการผสมกันในลักษณะที่ไม่เป็นเชิงเส้นได้หรือไม่?
อัลกอริทึมแบบมาตรฐานนั้นตกลงเบื้องต้นถึงระดับของการผสมกันแบบเชิงเส้น ดังนั้นการนำไปประยุกต์ใช้กับการปะปนทางสถิติที่มีลักษณะไม่เป็นเชิงเส้นและซับซ้อน มักต้องการการปรับแต่งเชิงลึกหรือส่วนขยายพิเศษมาเสริมกับตัวแบบโครงสร้างดั้งเดิม
Emotiv เป็นผู้นำด้านนิวโรเทคโนโลยีที่ช่วยขับเคลื่อนการวิจัยประสาทวิทยาศาสตร์ผ่านเครื่องมือ EEG และข้อมูลสมองที่เข้าถึงได้
ข้อจำกัดความรับผิดชอบทางการแพทย์: ข้อมูลที่ให้ไว้บนเว็บไซต์นี้มีวัตถุประสงค์เพื่อการศึกษาและการให้ข้อมูลเท่านั้น และไม่ได้มีวัตถุประสงค์เพื่อเป็นคำแนะนำทางการแพทย์หรือสุขภาพ เนื้อหานี้อาจมีข้อผิดพลาดและไม่ควรนำมาใช้ในการตัดสินใจเลือกแนวทางชีวิต สุขภาพ หรือการรักษาทางการแพทย์ที่เปลี่ยนชีวิต โปรดขอคำแนะนำจากแพทย์หรือผู้ให้บริการด้านสุขภาพที่มีคุณสมบัติเหมาะสมเสมอ หากมีคำถามใดๆ ที่คุณอาจมีเกี่ยวกับอาการเจ็บป่วยหรือการรักษา
คริสเตียน บูร์โกส
