การวิเคราะห์ส่วนประกอบหลัก

Principal Component Analysis (PCA) ใน EEG คืออะไร?

เพื่อทำความเข้าใจเกี่ยวกับ PCA ให้ลึกซึ้งยิ่งขึ้น ควรเริ่มจากการจินตนาการถึงลักษณะของ ข้อมูล EEG ดิบ ก่อนที่จะผ่าน กระบวนการประมวลผลสัญญาณ

การบันทึกสัญญาณทั่วไปจะเกี่ยวข้องกับอิเล็กโทรดหลายตัว ซึ่งแต่ละตัวจะสร้างกระแสการอ่านค่าแรงดันไฟฟ้าอย่างต่อเนื่องตามเวลา ช่องสัญญาณเหล่านี้ไม่ได้เป็นอิสระต่อกัน เนื่องจากช่องสัญญาณทั้งหมดต่างรับกิจกรรมทางไฟฟ้าจากตัวกลางนำไฟฟ้าเดียวกัน (ศีรษะ) สัญญาณของพวกมันจึงทับซ้อนกันและมีความสัมพันธ์กันในรูปแบบที่ซับซ้อน

PCA จะนำช่องสัญญาณที่มีความสัมพันธ์กันยุ่งเหยิงเหล่านี้มาจัดระเบียบใหม่เป็นชุดสัญญาณใหม่ที่เรียกว่า คอมโพเนนต์ (ส่วนประกอบ) แต่ละคอมโพเนนต์คือผลรวมถ่วงน้ำหนักของช่องสัญญาณเดิม แต่มีคุณสมบัติทางคณิตศาสตร์ที่สำคัญประการหนึ่งคือ คอมโพเนนต์เหล่านั้นเป็นแบบออร์โทโกนัล (Orthogonal) ซึ่งหมายความว่าไม่มีความสัมพันธ์ทางสถิติต่อกัน

นอกจากนี้ PCA ยังจัดอันดับคอมโพเนนต์เหล่านี้ตามปริมาณความแปรปรวน (Variance) หรือความผันแปรของสัญญาณโดยรวมที่แต่ละคอมโพเนนต์อธิบายได้ คอมโพเนนต์แรกจะเก็บส่วนแบ่งความแปรปรวนที่ใหญ่ที่สุดในข้อมูล คอมโพเนนต์ที่สองจะเก็บส่วนแบ่งที่ใหญ่เป็นอันดับถัดไปจากส่วนที่เหลือ และเรียงลำดับลงไปเรื่อย ๆ

การจัดอันดับนี้มีความสำคัญอย่างยิ่งเนื่องจากพฤติกรรมของสิ่งเจือปน (Artifacts) ตัวอย่างเช่น การกระพริบตาจะสร้างการแกว่งของแรงดันไฟฟ้าที่กว้างและช้า ซึ่งกระจายไปตามอิเล็กโทรดหลายตัวพร้อมกัน เนื่องจากสิ่งนี้สร้างรูปแบบความผันแปรขนาดใหญ่ร่วมกัน กิจกรรมการกระพริบตาจึงมักจะไปกระจุกตัวอยู่ในคอมโพเนนต์ที่มีความแปรปรวนสูงสุด ส่วนสัญญาณสมองที่อ่อนกว่าและเกิดขึ้นเฉพาะจุดมากกว่า มักจะไปอยู่ลำดับล่าง ๆ ในคอมโพเนนต์ที่มีความแปรปรวนต่ำกว่า

รายละเอียดหนึ่งที่ทำให้ PCA แตกต่างจากวิธีที่เป็นที่รู้จักดีอย่าง การวิเคราะห์องค์ประกอบอิสระ (ICA) คือ PCA ไม่ได้สมมติว่าแหล่งกำเนิดสัญญาณเบื้องหลังนั้นเป็นอิสระต่อกันในทางสถิติ เพียงแต่กำหนดให้คอมโพเนนต์ที่ได้นั้นไม่มีความสัมพันธ์กัน ซึ่งเป็นเงื่อนไขที่ยืดหยุ่นกว่ามาก

การวิเคราะห์ส่วนประกอบหลัก (PCA) ทำงานอย่างไร? อธิบายทีละขั้นตอน

ขั้นตอนที่ 1: ปรับมาตรฐานข้อมูล (Standardize the Data)

ก่อนที่จะเริ่มการคำนวณที่ซับซ้อน เราต้องปรับค่าข้อมูลนำเข้าให้เป็นมาตรฐานเพื่อความเท่าเทียมกันในทุกตัวแปร หากตัวแปรหนึ่งวัดเป็นไมโครโวลต์และอีกตัวแปรหนึ่งวัดเป็นมิลลิวินาที ความแตกต่างของสเกลตั้งแต่เริ่มต้นจะทำให้ผลลัพธ์คลาดเคลื่อน การปรับขนาดแต่ละตัวแปรให้ค่าเฉลี่ยเป็นศูนย์และส่วนเบี่ยงเบนมาตรฐานเป็นหนึ่ง จะช่วยให้การคำนวณทางคณิตศาสตร์ปฏิบัติต่อตัวแปรนำเข้าทั้งหมดด้วยน้ำหนักที่เท่ากัน

ขั้นตอนที่ 2: คำนวณเมทริกซ์ความแปรปรวนร่วม (Calculate the Covariance Matrix)

เมื่อข้อมูลเป็นมาตรฐานแล้ว ขั้นตอนต่อไปคือการจับคู่ความสัมพันธ์ระหว่างทุก ๆ คู่ตัวแปร เมทริกซ์ความแปรปรวนร่วมจะสรุปปฏิสัมพันธ์เหล่านี้ แสดงให้เห็นว่าตัวแปรใดเปลี่ยนแปลงไปด้วยกันและตัวแปรใดเป็นอิสระต่อกัน ตารางนี้ทำหน้าที่เป็นรากฐานในการระบุทิศทางที่ชุดข้อมูลแสดงการกระจายตัวที่สำคัญที่สุด

ขั้นตอนที่ 3: คำนวณไอเกนเวกเตอร์และค่าไอเกน (Compute Eigenvectors and Eigenvalues)

ขั้นตอนนี้เกี่ยวข้องกับการแก้สมการหาเวกเตอร์เฉพาะที่กำหนดลักษณะรูปร่างของการกระจายข้อมูล ไอเกนเวกเตอร์กำหนดทิศทางของแกนใหม่ ในขณะที่ค่าไอเกนแสดงถึงขนาดของความแปรปรวนที่รวบรวมได้ตามทิศทางเฉพาะเหล่านั้น ตัวบ่งชี้ทางคณิตศาสตร์เหล่านี้ช่วยให้เราสามารถหมุนพื้นที่ข้อมูลเดิมไปสู่ระบบพิกัดใหม่ที่กำหนดโดยรูปแบบการเคลื่อนไหวหลัก

ขั้นตอนที่ 4: เลือกส่วนประกอบหลัก (Select Principal Components)

หลังจากระบุคอมโพเนนต์แล้ว การวิเคราะห์จะจำกัดความสนใจของโมเดลไว้เฉพาะส่วนที่อธิบายความแปรปรวนรวมจำนวนมากเท่านั้น กระบวนการกรองนี้จะตัดตัวแปรที่มีสัญญาณรบกวนสูงออกไป และคงไว้เฉพาะรูปแบบที่ให้ข้อมูลมากที่สุดตามเกณฑ์เชิงปริมาณที่กำหนดไว้

การมุ่งเน้นไปที่คอมโพเนนต์หลักที่โดดเด่นเพียงอย่างเดียว ช่วยให้นักวิจัยลดภาระการคำนวณในงานประมวลผลขั้นต่อไป สิ่งนี้ช่วยให้มั่นใจได้ว่าโมเดลสุดท้ายจะตอบสนองได้อย่างรวดเร็วและมีประสิทธิภาพสำหรับการวิเคราะห์แบบเรียลไทม์

ขั้นตอนที่ 5: แปลงข้อมูลเดิม (Transform the Original Data)

เมื่อขั้นตอนการเลือกเสร็จสิ้น ขั้นตอนสุดท้ายคือการฉายจุดข้อมูลสังเกตเดิมลงบนแกนใหม่เหล่านี้ การแปลงนี้จะสร้างชุดข้อมูลที่มีมิติลดลงใหม่ ซึ่งยังคงรักษารูปร่างและโครงสร้างที่สำคัญของการวัดดั้งเดิมไว้

จากนั้นผู้เชี่ยวชาญจะใช้ตัวแปรที่แปลงแล้วเหล่านี้สำหรับงานขั้นต่อไป เช่น การจำแนกประเภท (Classification) หรือการหาตำแหน่งแหล่งกำเนิดสัญญาณ (Source Localization) ซึ่งจะได้รับประโยชน์จากตัวแทนสัญญาณที่สะอาดกว่า

บทบาทของ PCA ในขั้นตอนการเตรียมข้อมูล EEG (Preprocessing Pipeline)

ในทางปฏิบัติ PCA ไม่ค่อยได้ทำงานโดยลำพัง แต่มักจะปรากฏเป็นขั้นตอนหนึ่งภายในระบบท่อส่งข้อมูลการทำความสะอาด (Pipeline) ขนาดใหญ่ โดยทำหน้าที่อย่างใดอย่างหนึ่งในสองงานนี้:

1. ลดขนาดข้อมูลลง

2. ช่วยตรวจหาจุดที่สิ่งเจือปน (Artifacts) ซ่อนอยู่

บทบาทแรกคือการลดมิติข้อมูล การศึกษาที่รวม PCA เข้ากับเทคนิคที่เรียกว่า density estimation blind source separation (DEBSS) ได้ใช้ PCA โดยเฉพาะเพื่อลดขนาดของชุดข้อมูล EEG ก่อนที่จะเกิดการแยกสัญญาณขั้นต่อไป

ในระบบนี้ สัญญาณรบกวนความถี่สูงจะถูกกรองออกก่อนโดยใช้การวิเคราะห์เวฟเล็ต (Wavelet Analysis) จากนั้น “อัลกอริทึม PCA จะถูกนำมาใช้ประมวลผลสัญญาณ EEG เพื่อลดมิติข้อมูล” ก่อนที่ DEBSS จะเข้ามารับช่วงต่อเพื่อแยกคอมโพเนนต์ที่เหลือ เมื่อระบุคอมโพเนนต์ที่มีสัญญาณรบกวนได้โดยใช้ค่าสัมประสิทธิ์สหสัมพันธ์พหุคูณ (Cross-correlation Coefficients) และพารามิเตอร์แบบไม่เชิงเส้นที่เกี่ยวข้องแล้ว นักวิจัยจะสร้างสัญญาณขึ้นมาใหม่จากคอมโพเนนต์ส่วนที่เหลือที่สะอาดกว่า

บทบาทที่สองคือการตรวจหาสิ่งเจือปนโดยตรง ซึ่งปรากฏในวิธีการที่ใช้กันอย่างแพร่หลายที่เรียกว่า Artifact Subspace Reconstruction หรือ ASR ระบบ ASR ทำงานโดยการวิเคราะห์ช่วงข้อมูลสั้น ๆ ของ EEG อย่างต่อเนื่อง และเปรียบเทียบกับเกณฑ์มาตรฐานของกิจกรรมที่ "สะอาด"

ตาม การศึกษาในปี 2019 ที่นำเสนอวิธีการนี้ในเวอร์ชัน Riemannian ระบุว่า ASR “คำนวณ PCA บนเมทริกซ์ความแปรปรวนร่วมซ้ำ ๆ เพื่อตรวจหาสิ่งเจือปนตามคุณสมบัติทางสถิติในพื้นที่ย่อยของคอมโพเนนต์ (Component Subspace)” ในที่นี้ PCA ไม่ได้กำลังลดจำนวนช่องสัญญาณเพื่อความสะดวก แต่ทำหน้าที่เป็นเครื่องยนต์คอยตัดสินใจแบบวินาทีต่อวินาทีว่า ส่วนของข้อมูลนั้นดูปกติในทางสถิติหรือดูเหมือนสิ่งเจือปน

เมื่อพิจารณาร่วมกัน ทั้งสองตัวอย่างนี้สรุปได้ว่า PCA เป็นเพียงส่วนประกอบหนึ่งของกลยุทธ์การทำความสะอาดสัญญาณ ไม่ใช่กลยุทธ์การทำความสะอาดที่สมบูรณ์แบบในตัวเอง โดยทั่วไปแล้วมันจะส่งต่อข้อมูลที่ได้ไปยังอัลกอริทึมอื่น ไม่ว่าจะเป็น DEBSS, การปรับแต่งสัญฐานวิทยาแบบ Riemannian หรือกระบวนการตัดสินใจอื่น ๆ ที่กำหนดว่ามีคอมโพเนนต์ใดบ้างที่ควรถูกกำจัดออกไปจริง ๆ

PCA สามารถคัดแยกสิ่งเจือปนใน EEG ได้จริงหรือ? หลักฐานระบุไว้อย่างไร

เหตุผลเบื้องหลังความน่าดึงดูดใจของ PCA สำหรับการคัดแยกสิ่งเจือปนนั้นตรงไปตรงมา เนื่องจาก PCA จัดอันดับคอมโพเนนต์ตามความแปรปรวน และการกระพริบตาหรือการขยับของกล้ามเนื้อมักจะสร้างการแกว่งของแรงดันไฟฟ้าที่สูงมาก ทฤษฎีในด้าน ประสาทวิทยา จึงถือว่าสิ่งเจือปนเหล่านี้ควรถูกจัดกลุ่มอยู่ในคอมโพเนนต์ระดับบนสุดโดยธรรมชาติ หากเป็นเช่นนั้นจริง นักวิจัยจะสามารถแยกและกำจัดสัญญาณรบกวนที่แย่ที่สุดออกได้อย่างรวดเร็ว โดยไม่จำเป็นต้องโมเดลความเป็นอิสระทางสถิติอย่างแม่นยำของทุกแหล่งกำเนิดในสมอง

การศึกษาที่ทดสอบระบบ PCA ร่วมกับ DEBSS ที่อธิบายไว้ข้างต้น รายงานว่า วิธีการที่ผสมผสานนี้ “สามารถกำจัดสัญญาณรบกวนหลักของสัญญาณ EEG แบบหลายช่องได้อย่างรวดเร็วและมีประสิทธิภาพ” และยังตั้งข้อสังเกตอีกว่า วิธีการนี้ “มีความเสถียรและสามารถขยายขนาดเพื่อให้รองรับระบบที่ใหญ่ขึ้นได้ดี” นี่เป็นผลลัพธ์ที่เป็นบวก แต่สิ่งสำคัญคือต้องสังเกตสิ่งที่ถูกทดสอบอย่างเจาะจง: มันคือระบบการทำงานแบบสองขั้นตอนเฉพาะ ไม่ใช่การทำงานของ PCA เพียงลำพัง

การศึกษาในปี 2019 ที่กล่าวถึงก่อนหน้านี้ได้ใช้วิธีเปรียบเทียบที่มีโครงสร้างชัดเจนยิ่งขึ้น นักวิจัยได้สร้าง ASR เวอร์ชันที่อิงตามเรขาคณิตแบบ Riemannian ที่เรียกว่า rASR และทดสอบเปรียบเทียบกับวิธี ASR แบบมาตรฐานที่ใช้ PCA โดยใช้ข้อมูล EEG ที่บันทึกผ่านสมาร์ทโฟน ทั้งในอาคารและนอกอาคาร จากผู้เข้าร่วม 27 คน

พวกเขาประเมินประสิทธิภาพใน 3 ด้านที่แตกต่างกัน:

1. ความสามารถในการลดสิ่งเจือปนจากการกระพริบตาของแต่ละวิธี (Sensitivity)

2. ความสามารถในการรักษาสัญญาณการตอบสนองของสมองต่อสิ่งเร้าทางสายตา (Visual-evoked Potentials) (Specificity)

3. ความเร็วในการทำงานของแต่ละวิธี (Efficiency)

ตามข้อสรุปของผู้เขียนระบุว่า rASR “แสดงประสิทธิภาพที่น่าพึงพอใจในทั้ง 3 ด้าน” เมื่อเปรียบเทียบกับ ASR มาตรฐาน

ผลลัพธ์เหล่านี้เป็นที่น่าพึงพอใจสำหรับการประมวลผลสิ่งเจือปนตามแนวทางของ PCA แต่ฐานหลักฐานเบื้องหลังยังคงอยู่ในวงจำกัด ข้อค้นพบในช่วงแรกเหล่านี้มีประโยชน์และมีความหมาย แต่ยังไม่เพียงพอที่จะยืนยันได้อย่างกว้างขวางว่า PCA สามารถแยกแยะสิ่งเจือปนได้อย่างน่าเชื่อถือในทุกบริบทของ EEG

PCA vs. ICA vs. การกรองสัญญาณ (Filtering): การเลือกเครื่องมือที่เหมาะสม

นักวิจัย EEG มีเครื่องมือมากมายในการทำความสะอาดข้อมูล และ PCA ก็ครองพื้นที่เฉพาะตัวในกลุ่มเครื่องมือเหล่านั้น

การกรองสัญญาณ (Filtering) ซึ่งรวมถึงตัวกรองไฮพาส โลว์พาส และนอตช์ฟิลเตอร์ ทำงานโดยการกำจัดหรือลดความแรงของแถบความถี่ทั้งหมด วิธีนี้มีประโยชน์ในการกำจัดสัญญาณรบกวนที่มีความเสถียร เช่น สัญญาณรบกวนจากสายส่งไฟฟ้า แต่จะพบข้อจำกัดอย่างมากเมื่อสิ่งเจือปนและสัญญาณสมองใช้ช่วงความถี่เดียวกัน

ตัวอย่างเช่น การกระพริบตาอาจคาบเกี่ยวกับคลื่นสมองที่ช้า และตัวกรองไม่สามารถแยกแยะพวกมันออกจากกันได้ เนื่องจากตัวกรองมองเห็นเฉพาะความถี่ ไม่ใช่รูปแบบความแปรปรวนในช่องสัญญาณ PCA ทำงานบนแกนที่แตกต่างกันโดยสิ้นเชิง โดยพิจารณาจากวิธีการกระจายความผันแปรของสัญญาณไปยังอิเล็กโทรดทั้งหมด ไม่ได้พิจารณาที่เนื้อหาความถี่ สิ่งนี้ทำให้มันกลายเป็นวิธีเสริมที่ดีมากกว่าที่จะมาเป็นตัวแทนโดยตรงของการกรองสัญญาณ

ในทางกลับกัน ICA มักจะถูกกล่าวถึงไปพร้อมกับ PCA แต่วิธีการทั้งสองตั้งอยู่บนสมมติฐานที่ต่างกัน ICA จะค้นหาคอมโพเนนต์ที่เป็นอิสระต่อกันในทางสถิติ ซึ่งเป็นเงื่อนไขที่เข้มงวดและมีความต้องการทรัพยากรการประมวลผลสูงกว่าเงื่อนไขที่ไม่สัมพันธ์กันแบบทั่วไปของ PCA มาก

เนื่องจาก ICA ต้องค้นหาการแยกรูปแบบที่เข้มงวดกว่า จึงมักต้องการเวลาในการประมวลผลและข้อมูลที่มากกว่า ส่วน PCA ซึ่งมีความซับซ้อนทางคณิตศาสตร์น้อยกว่า จะมีความเร็วสูงกว่าและไม่ต้องการความเป็นอิสระทางสถิติเลย เพียงขอให้คอมโพเนนต์ผลลัพธ์ไม่มีความสัมพันธ์กันก็พอ

ความแตกต่างในด้านต้นทุนการคำนวณนี้เป็นสาเหตุที่ทำไม PCA จึงมักปรากฏเป็นขั้นตอนการเตรียมข้อมูลก่อนเข้ากระบวนการ ICA มากกว่าการนำมาใช้ทดแทน การลดจำนวนมิติข้อมูลด้วย PCA ก่อน จะช่วยเร่งความเร็วในการทำงานของ ICA และลดความเสี่ยงต่อปัญหา Overfitting เมื่อมีข้อมูลจำกัด นอกจากนี้ PCA ยังทำหน้าที่เป็นเครื่องมือคัดกรองเบื้องต้นอย่างคร่าว ๆ ในการกำจัดสิ่งเจือปนที่เด่นชัดและชัดเจนที่สุดออกไป ก่อนที่จะใช้วิธีอื่นที่มีความละเอียดอ่อนมากขึ้นเพื่อปรับแต่งข้อมูลส่วนที่เหลือให้สมบูรณ์

ข้อจำกัดของการกำจัดสิ่งเจือปนด้วย PCA

ความเรียบง่ายของ PCA ก็เป็นที่มาของจุดอ่อนของมันเช่นกัน ยังคงมีคำถามปลายเปิดอีกหลายข้อเกี่ยวกับประสิทธิภาพที่แท้จริงในหน้าที่การแยกสิ่งเจือปนที่มักได้รับมอบหมาย

ความแปรปรวนไม่ใช่ตัวแทนที่สมบูรณ์แบบสำหรับ "สิ่งเจือปน" คลื่นสมองบางชนิด เช่น กิจกรรมอัลฟาส่วนหลัง (ซึ่งเป็นคลื่นสมอง EEG ที่รู้จักกันดีในภาวะผ่อนคลายและหลับตา) สามารถสร้างสัญญาณที่มีแอมพลิจูดสูงได้ในตัวเอง วิธีการที่สมมติว่าความแปรปรวนสูงหมายถึงสิ่งเจือปนเสมอ จึงมีความเสี่ยงที่จะทิ้งกิจกรรมในสมองที่แท้จริงไปพร้อมกับสัญญาณรบกวนที่ต้องการกำจัด

ในทางกลับกัน สิ่งเจือปนจากการกระพริบตาไม่ได้จำกัดอยู่เพียงคอมโพเนนต์เดียวเสมอไป อิทธิพลของมันสามารถแพร่กระจายไปยังคอมโพเนนต์อื่น ๆ พร้อมกันได้ ซึ่งทำให้กลยุทธ์เรียบง่ายอย่าง "การกำจัดคอมโพเนนต์อันดับแรกสุด" มีความซับซ้อนขึ้น

นอกจากนี้ยังมีเรื่องความไม่สอดคล้องทางโครงสร้างที่ต้องพิจารณา PCA บังคับให้คอมโพเนนต์ต่าง ๆ เป็นออร์โทโกนัล (ตั้งฉาก) ต่อกันตามนิยามทางคณิตศาสตร์ แต่ไม่มีอะไรรับประกันได้ว่าแหล่งกำเนิดทางกายภาพจริง ๆ ที่สร้างสัญญาณ EEG ไม่ว่าจะเป็นวงจรประสาทหรือกลุ่มกล้ามเนื้อใกล้หนังศีรษะ จะถูกจัดวางในลักษณะที่สอดคล้องกับรูปทรงออร์โทโกนัลนี้

เมื่อสมมติฐานไม่ตรงกับความเป็นจริงเบื้องหลัง การแยกสัญญาณที่ PCA ทำขึ้นอาจเป็นเพียงความสะดวกทางคณิตศาสตร์ มากกว่าการสะท้อนสิ่งที่เกิดขึ้นจริงในเนื้อเยื่อสมองอย่างแม่นยำ

คำแนะนำเชิงปฏิบัติสำหรับการใช้ PCA ในการวิเคราะห์ EEG

สำหรับผู้ที่เริ่มศึกษาชุดข้อมูล EEG เป็นครั้งแรก PCA ยังคงเป็นจุดเริ่มต้นที่เหมาะสม โดยเฉพาะใช้เป็นวิธีในการดูว่ารูปแบบความผันแปรใดที่มีอิทธิพลเหนือข้อมูลที่บันทึกไว้ คำแนะนำที่มักมีข้อเสนอแนะ มีดังนี้:

• ใช้ PCA เป็นขั้นตอนเริ่มต้นเพื่อลดมิติข้อมูล หรือระบุรูปแบบของสิ่งเจือปนที่โดดเด่น ไม่ใช่ใช้เป็นขั้นตอนสุดท้ายของการทำความสะอาดสัญญาณ

• ใช้ PCA ร่วมกับวิธีการจัดการสัญญาณลำดับถัดไป (เช่น ICA, DEBSS, ASR) เพื่อช่วยตัดสินใจว่าคอมโพเนนต์ใดควรถูกลบออกจริง ๆ

• ทำการตรวจสอบรูปแบบแผนที่สมอง (Scalp Topography) และประวัติเวลา (Time Course) ของคอมโพเนนต์ที่จะคัดทิ้งด้วยสายตาตนเองเสมอ เพื่อยืนยันว่าเป็นสิ่งเจือปนจริง ๆ

• พึงระมัดระวังความแปรปรวนของผลลัพธ์ภายใต้สภาพแวดล้อมที่บันทึกข้อมูลต่างกัน (ในห้องแล็บเทียบกับอุปกรณ์พกพาภายนอก) และทำการตรวจสอบความถูกต้องกับข้อมูลจริงของคุณเอง

บทสรุป: PCA เป็นวิธีการทำความสะอาด EEG ที่น่าเชื่อถือหรือไม่?

PCA แปลงข้อมูลคลื่นสมองที่ยุ่งเหยิงให้กลายเป็นคอมโพเนนต์ที่จัดลำดับ ช่วยให้นักวิจัยมีวิธีที่รวดเร็วในการมุ่งเป้าไปที่ส่วนที่มีสัญญาณรบกวนมากที่สุดของการบันทึก วิธีการนี้มีประโยชน์อย่างยิ่งเมื่อการกระพริบตาหรือการขยับตัวของกล้ามเนื้อครอบงำสัญญาณประสาทหลัก เนื่องจากส่วนมากสิ่งเจือปนเหล่านี้มักจะลอยตัวขึ้นไปอยู่ในกลุ่มความแปรปรวนสูงสุด

อย่างไรก็ตาม เนื่องจากคลื่นสมองที่แท้จริงก็สามารถสร้างสัญญาณที่แรงได้เช่นกัน วิธีนี้เพียงอย่างเดียวจึงไม่สามารถพึ่งพาในการตัดสินใจได้อย่างสมบูรณ์ว่าสิ่งใดคือสิ่งเจือปนและสิ่งใดคือข้อมูลประสาทอันมีค่า

เอกสารอ้างอิง

1. 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

2. 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

คำถามที่พบบ่อย (FAQs)

การวิเคราะห์ส่วนประกอบหลัก (PCA) ในบริบทของ EEG คืออะไร?

PCA คือวิธีการทางคณิตศาสตร์ที่จัดระเบียบข้อมูล EEG แบบหลายช่องสัญญาณใหม่ให้เป็นชุดสัญญาณใหม่ที่เรียกว่าคอมโพเนนต์ ซึ่งไม่มีความสัมพันธ์ต่อกัน วิธีนี้จะทำการจัดอันดับคอมโพเนนต์โดยประเมินจากปริมาณความแปรปรวนที่รวบรวมได้ โดยคอมโพเนนต์แรกจะอธิบายความผันแปรโดยรวมของสัญญาณส่วนใหญ่

PCA ช่วยในการกำจัดสิ่งเจือปนออกจากข้อมูล EEG ได้อย่างไร?

เนื่องจากสิ่งเจือปนอย่างการกระพริบตา จะสร้างการแกว่งของแรงดันไฟฟ้าขนาดใหญ่และเป็นวงกว้าง จึงมักกระจุกตัวอยู่ในคอมโพเนนต์ที่มีความแปรปรวนสูงสุด การจัดอันดับตามระดับความแปรปรวนของ PCA ช่วยให้นักวิจัยสามารถระบุตัวบ่งชี้และเลือกกำจัดคอมโพเนนต์ระดับบนสุด ซึ่งมักมีสิ่งรบกวนมากที่สุดได้

PCA สามารถทำงานเพียงลำพังเพื่อทำความสะอาดสัญญาณ EEG ได้หรือไม่?

ไม่ได้ PCA ไม่ค่อยได้ใช้เป็นโซลูชันแบบสแตนด์อโลนในการทำความสะอาดสัญญาณ โดยทั่วไปจะใช้เป็นขั้นตอนหนึ่งภายในระบบที่ใหญ่กว่า เช่น การลดมิติข้อมูลก่อนที่จะใช้วิธีอื่น เช่น DEBSS หรือทำหน้าที่เป็นเครื่องมือตรวจจับเสริมในระบบตรวจสอบอย่าง Artifact Subspace Reconstruction (ASR)

ความแตกต่างระหว่าง PCA และ ICA ในส่วนของการกำจัดสิ่งเจือปนคืออะไร?

PCA กำหนดเพียงว่าคอมโพเนนต์ที่ได้ต้องไม่มีความสัมพันธ์กัน ซึ่งเป็นเงื่อนไขทางคณิตศาสตร์ที่ยืดหยุ่นกว่า ในขณะที่ ICA จะค้นหาคอมโพเนนต์ที่เป็นอิสระต่อกันในทางสถิติ ซึ่งเป็นเกณฑ์ที่เข้มงวดและต้องการพลังในการคำนวณมากกว่ามาก PCA จึงรวดเร็วกว่าและมักใช้เป็นขั้นตอนการเตรียมพร้อมก่อนเริ่มการทำงานระดับละเอียดของ ICA มากกว่าถูกหยิบมาทดแทนการทำ ICA โดยตรง

PCA มีโอกาสที่จะลบกิจกรรมการทำงานของสมองจริง ๆ ไปพร้อมกับสิ่งเจือปนได้หรือไม่?

ได้ เนื่องจาก PCA อาศัยระดับความแปรปรวนในการระบุสิ่งเจือปน คลื่นสมองที่มีแอมพลิจูดสูง เช่น กิจกรรมอัลฟาส่วนหลัง จึงอาจถูกเข้าใจผิดว่าเป็นสัญญาณรบกวนได้ นอกจากนี้ สิ่งเจือปนอาจกระจายไปตามคอมโพเนนต์ต่าง ๆ ดังนั้น การระบุตัดเฉพาะคอมโพเนนต์ที่ครองพื้นที่ความแปรปรวนสูงสุดออกไปอย่างเรียบง่าย จึงอาจกลายเป็นการลบสัญญาณประสาทที่น่าเชื่อถือทิ้งไปด้วย

เมื่อเปรียบเทียบ PCA กับเครื่องมือกรองความถี่ (Frequency Filtering) ในการทำความสะอาด EEG แล้วเป็นอย่างไร?

การกรองความถี่จะตัดหรือลดทอนพลังงานสัญญาณในช่วงความถี่เฉพาะ แต่ไม่สามารถคัดแยกสิ่งเจือปนที่คาบเกี่ยวกับความถี่เดียวกับคลื่นสมองได้ ขณะที่ PCA จะพิจารณารูปแบบความแปรปรวนผ่านอิเลคโทรดทั้งหมดแทน จึงทำหน้าที่เป็นวิธีเติมเต็มที่จะเข้ามาจัดการกับมิติข้อมูลที่แตกต่างกัน

นักวิจัยควรใช้ PCA อย่างไรให้ปลอดภัยในการเตรียมข้อมูล EEG ก่อนกระบวนการวิเคราะห์?

สามารถนำ PCA มาประยุกต์ใช้ในขั้นตอนการลดมิติข้อมูลก่อนการใช้วิธีอื่น หรือให้ทำหน้าที่เป็นผู้ช่วยประเมินว่าโครงสร้างความแปรปรวนแบบใดที่โดดเด่นในการบันทึกสัญญาณ นักวิจัยควรสำรวจดูโมเดลที่ต้องการคัดทิ้งด้วยตาตนเอง ผ่านการเช็กแผนภาพศีรษะ (Scalp Topography) และประวัติเวลา แทนที่จะเชื่อถือการจัดลำดับคะแนนตามความแปรปรวนจากระบบคอมพิวเตอร์เพียงอย่างเดียว