การวิเคราะห์ส่วนประกอบหลัก หรือที่มักเรียกย่อๆ ว่า PCA เป็นหนึ่งในเครื่องมือทางคณิตศาสตร์ที่ได้รับการเสนอ ซึ่งเป็นวิธีลดความซับซ้อนของการบันทึกสัญญาณ EEG หลายช่องสัญญาณ ลดปริมาณข้อมูลที่ต้องประมวลผล และตรวจจับสิ่งประดิษฐ์ (artifacts) ที่มีเสียงดังที่สุดและรบกวนมากที่สุด ทั้งหมดนี้ทำได้โดยไม่ต้องตั้งสมมติฐานทางสถิติที่เข้มงวดเหมือนที่วิธีการกำจัดสิ่งประดิษฐ์อื่นๆ กำหนด
บทความนี้อธิบายถึงสิ่งที่ PCA ทำกับข้อมูล EEG จริงๆ วิธีที่นักวิจัยนำไปใช้ในกระบวนการเตรียมข้อมูลล่วงหน้า (preprocessing pipelines) ในชีวิตจริง และหลักฐานในปัจจุบันที่ยังคงมีอยู่จำกัดว่าสิ่งนี้ทำงานได้ดีตามที่โฆษณาไว้หรือไม่
การวิเคราะห์องค์ประกอบหลัก (Principal Component Analysis) ใน EEG คืออะไร?
เพื่อทำความเข้าใจ PCA เพิ่มเติม การนึกภาพว่าข้อมูล EEG ดิบมีลักษณะอย่างไรก่อนที่จะผ่านการประมวลผลสัญญาณใดๆ นั้นจะมีประโยชน์อย่างมาก
การบันทึกสัญญาณทั่วไปจะเกี่ยวข้องกับอิเล็กโทรดหลายตัว ซึ่งแต่ละตัวจะสร้างกระแสข้อมูลค่าแรงดันไฟฟ้าอย่างต่อเนื่องตลอดเวลา ช่องสัญญาณเหล่านี้ไม่ได้เป็นอิสระจากกัน เนื่องจากทุกตัวต่างตรวจจับกิจกรรมทางไฟฟ้าจากตัวกลางนำไฟฟ้าเดียวกัน (ศีรษะ) สัญญาณของพวกมันจึงซ้อนทับกันและมีความสัมพันธ์กันในรูปแบบที่ซับซ้อน
PCA จะนำช่องสัญญาณที่สัมพันธ์กันอย่างยุ่งเหยิงนี้มาจัดระเบียบใหม่ให้กลายเป็นชุดสัญญาณใหม่ที่เรียกว่า องค์ประกอบ (components) โดยแต่ละองค์ประกอบจะเป็นการรวมกันแบบถ่วงน้ำหนักของช่องสัญญาณเดิม แต่มีคุณสมบัติทางคณิตศาสตร์ที่สำคัญอย่างหนึ่งคือ องค์ประกอบเหล่านี้จะตั้งฉากกัน (orthogonal) ซึ่งหมายความว่าพวกมันไม่มีความสัมพันธ์กัน (uncorrelated)
นอกจากนี้ PCA ยังจัดอันดับองค์ประกอบเหล่านี้ตามปริมาณความแปรปรวน (variance) หรือความแปรผันของสัญญาณโดยรวมที่แต่ละองค์ประกอบอธิบายได้ โดยองค์ประกอบแรกจะจับสัดส่วนความแปรปรวนที่มากที่สุดในข้อมูล องค์ประกอบที่สองจะจับสัดส่วนที่ใหญ่เป็นอันดับถัดไปในส่วนที่เหลือ และลดหลั่นกันไปตามลำดับ
การจัดอันดับนี้มีความสำคัญอย่างยิ่งเนื่องจากลักษณะพฤติกรรมของสัญญาณรบกวน (artifacts) ตัวอย่างเช่น การกะพริบตา จะสร้างการแกว่งของแรงดันไฟฟ้าขนาดใหญ่และช้า ซึ่งแพร่กระจายไปทั่วอิเล็กโทรดหลายตัวพร้อมกัน เนื่องจากสิ่งนี้ทำให้เกิดรูปแบบความแปรผันขนาดใหญ่ร่วมกัน กิจกรรมการกะพริบตาจึงมีแนวโน้มที่จะไปกระจุกตัวอยู่ในองค์ประกอบที่มีความแปรปรวนสูงสุด ส่วนสัญญาณสมองที่อ่อนกว่าและเกิดขึ้นเฉพาะจุดมากกว่า มักจะไปอยู่ในลำดับท้ายๆ ในองค์ประกอบที่มีความแปรปรวนต่ำกว่า
รายละเอียดหนึ่งที่แยก PCA ออกจากวิธีอื่นในกลุ่มเดียวกันที่เป็นที่รู้จักมากกว่า เช่น การวิเคราะห์องค์ประกอบอิสระ (ICA) คือ PCA ไม่ได้สันนิษฐานว่าแหล่งกำเนิดพื้นฐานมีความเป็นอิสระต่อกันทางสถิติ แต่ต้องการเพียงแค่องค์ประกอบที่ได้นั้นไม่มีความสัมพันธ์กัน ซึ่งเป็นเงื่อนไขที่ยืดหยุ่นกว่ามาก
การวิเคราะห์องค์ประกอบหลัก (PCA) ทำงานอย่างไร? คำอธิบายทีละขั้นตอน
ขั้นตอนที่ 1: ปรับข้อมูลให้เป็นมาตรฐาน (Standardize the Data)
ก่อนเริ่มการคำนวณที่ซับซ้อน จำเป็นต้องปรับข้อมูลนำเข้าให้เป็นมาตรฐานเพื่อให้แน่ใจว่าตัวแปรต่างๆ มีความเท่าเทียมกัน หากตัวแปรหนึ่งวัดเป็นไมโครโวลต์และอีกตัวแปรหนึ่งวัดเป็นมิลลิวินาที ความแตกต่างของสเกลข้อมูลดิบจะทำให้ผลลัพธ์เกิดความเอนเอียง การปรับสเกลตัวแปรแต่ละตัวให้มีค่าเฉลี่ยเป็นศูนย์และมีส่วนเบี่ยงเบนมาตรฐานเป็นหนึ่ง จะช่วยให้การคำนวณทางคณิตศาสตร์ปฏิบัติต่อคุณลักษณะนำเข้าทั้งหมดด้วยน้ำหนักที่เท่ากัน
ขั้นตอนที่ 2: คำนวณเมทริกซ์ความแปรปรวนร่วม (Covariance Matrix)
เมื่อข้อมูลถูกปรับให้เป็นมาตรฐานแล้ว อุปสรรคถัดไปคือการสร้างแผนผังความสัมพันธ์ระหว่างคุณลักษณะทุกคู่ เมทริกซ์ความแปรปรวนร่วมจะสรุปปฏิสัมพันธ์เหล่านี้ โดยแสดงให้เห็นว่าตัวแปรใดแปรผันไปด้วยกันและตัวแปรใดเป็นอิสระจากกัน ตารางกริดนี้ทำหน้าที่เป็นรากฐานในการระบุทิศทางที่ชุดข้อมูลมีการกระจายตัวมากที่สุด
ขั้นตอนที่ 3: คำนวณเวกเตอร์ลักษณะเฉพาะและค่าลักษณะเฉพาะ (Eigenvectors and Eigenvalues)
ขั้นตอนนี้เกี่ยวข้องกับการหาคำตอบสำหรับเวกเตอร์เฉพาะที่กำหนดลักษณะรูปร่างของการกระจายตัวของข้อมูล ไอเกนเวกเตอร์ (Eigenvectors) กำหนดทิศทางของแกนใหม่ ในขณะที่ไอเกนแวลู (Eigenvalues) แสดงถึงขนาดของความแปรปรวนที่จับได้ตามทิศทางเฉพาะเหล่านั้น เครื่องหมายทางคณิตศาสตร์เหล่านี้ช่วยให้เราหมุนปริภูมิข้อมูลเดิมเข้าสู่ระบบพิกัดใหม่ที่กำหนดโดยรูปแบบการเคลื่อนที่หลัก
ขั้นตอนที่ 4: เลือกองค์ประกอบหลัก (Select Principal Components)
หลังจากระบุองค์ประกอบต่างๆ แล้ว การวิเคราะห์จะจำกัดโมเดลไว้เฉพาะองค์ประกอบที่อธิบายส่วนสำคัญของความแปรปรวนทั้งหมด กระบวนการกรองนี้จะคัดตัวแปรที่มีสัญญาณรบกวนสูงออกไป และเก็บไว้เฉพาะรูปแบบที่ให้ข้อมูลมากที่สุดตามเกณฑ์เชิงปริมาณที่กำหนด
การมุ่งเน้นไปที่องค์ประกอบเด่นอย่างเคร่งครัดช่วยให้นักวิจัยลดภาระในการประมวลผลในขั้นตอนถัดไป สิ่งนี้ช่วยให้มั่นใจได้ว่าโมเดลขั้นสุดท้ายจะมีทั้งการตอบสนองที่รวดเร็วและมีประสิทธิภาพสำหรับการวิเคราะห์แบบเรียลไทม์
ขั้นตอนที่ 5: แปลงข้อมูลเดิม (Transform the Original Data)
เมื่อการคัดเลือกขั้นสุดท้ายเสร็จสมบูรณ์ ขั้นตอนสุดท้ายคือการฉายจุดสังเกตเดิมลงบนแกนใหม่เหล่านี้ การแปลงนี้จะสร้างชุดข้อมูลใหม่ที่มีมิติลดลงซึ่งยังคงรักษาสัณฐานวิทยาที่สำคัญของการวัดเดิมไว้
จากนั้นผู้เชี่ยวชาญจะใช้ตัวแปรที่แปลงแล้วเหล่านี้สำหรับงานในขั้นตอนต่อไป เช่น การจำแนกประเภทหรือการระบุตำแหน่งแหล่งกำเนิด โดยได้รับประโยชน์จากการแสดงสัญญาณที่สะอาดยิ่งขึ้น
PCA ผสานรวมเข้ากับขั้นตอนการเตรียมข้อมูล EEG ล่วงหน้าอย่างไร
ในทางปฏิบัติ PCA ไม่ค่อยถูกใช้ทำงานเพียงลำพัง แต่มักจะปรากฏเป็นขั้นตอนหนึ่งภายในกระบวนการทำความสะอาดข้อมูลที่ใหญ่กว่า โดยทำหน้าที่อย่างใดอย่างหนึ่งในสองงานนี้:
การลดขนาดข้อมูล
ช่วยตรวจจับว่ามีสัญญาณรบกวนซ่อนอยู่ที่ใด
บทบาทแรกคือการลดมิติข้อมูล การศึกษาที่รวม PCA เข้ากับเทคนิคที่เรียกว่า density estimation blind source separation หรือ DEBSS ได้ใช้ PCA โดยเฉพาะเพื่อลดขนาดของชุดข้อมูล EEG ก่อนที่จะสามารถแยกสัญญาณเพิ่มเติมได้
ในกระบวนการนี้ สัญญาณรบกวนความถี่สูงจะถูกกรองออกก่อนโดยใช้การวิเคราะห์เวฟเล็ต (wavelet analysis) จากนั้น “จึงใช้อัลกอริทึม PCA ในการประมวลผลสัญญาณ EEG เพื่อลดมิติข้อมูล” ก่อนที่ DEBSS จะเข้ามารับหน้าที่แยกองค์ประกอบที่เหลือ เมื่อระบุองค์ประกอบที่มีสัญญาณแทรกแซงได้โดยใช้สัมประสิทธิ์สหสัมพันธ์ข้าม (cross-correlation coefficients) และพารามิเตอร์แบบไม่เชิงเส้นที่เกี่ยวข้องแล้ว นักวิจัยจะสร้างสัญญาณขึ้นมาใหม่จากองค์ประกอบที่สะอาดกว่าที่เหลืออยู่
บทบาทที่สองคือการตรวจจับสัญญาณรบกวนโดยตรง และปรากฏอยู่ในวิธีการที่ใช้กันอย่างแพร่หลายที่เรียกว่า Artifact Subspace Reconstruction หรือ ASR โดย ASR ทำงานโดยการวิเคราะห์ช่วงหน้าต่างเวลาสั้นๆ ของข้อมูล EEG อย่างต่อเนื่อง และเปรียบเทียบกับข้อมูลพื้นฐานของกิจกรรมที่ “สะอาด”
ตามการศึกษาในปี 2019 ที่นำเสนอเวอร์ชัน Riemannian ของวิธีนี้ ระบุว่า ASR “คำนวณ PCA ซ้ำๆ บนเมทริกซ์ความแปรปรวนร่วมเพื่อตรวจจับสัญญาณรบกวนตามคุณสมบัติทางสถิติในปริภูมิย่อยขององค์ประกอบ” ในที่นี้ PCA ไม่ได้ลดจำนวนช่องสัญญาณเพื่อความสะดวก แต่ทำหน้าที่เป็นกลไกที่คอยตัดสินใจในแต่ละช่วงเวลาว่า ข้อมูลส่วนหนึ่งดูปกติทางสถิติหรือดูเหมือนสัญญาณรบกวน
เมื่อพิจารณาร่วมกัน ทั้งสองตัวอย่างนี้สรุปได้ว่า PCA เป็นเพียงองค์ประกอบหนึ่งของกลยุทธ์การทำความสะอาดสัญญาณ ไม่ใช่กลยุทธ์การทำความสะอาดที่สมบูรณ์ในตัวเอง โดยทั่วไปจะส่งต่อผลลัพธ์ไปยังอัลกอริทึมอื่น ไม่ว่าจะเป็น DEBSS, การดัดแปลงด้วยเรขาคณิตแบบ Riemannian หรือกระบวนการตัดสินใจอื่นๆ ที่ระบุว่าองค์ประกอบใดควรถูกลบออกจริงๆ
PCA สามารถแยกสัญญาณรบกวนใน EEG ได้จริงหรือไม่? สิ่งที่หลักฐานบ่งชี้
เหตุผลเบื้องหลังความน่าสนใจของ PCA ในการแยกสัญญาณรบกวนนั้นตรงไปตรงมา เนื่องจาก PCA จัดเรียงองค์ประกอบตามความแปรปรวน และเนื่องจากการกะพริบตาและการทำงานของกล้ามเนื้อมักจะสร้างการแกว่งของแรงดันไฟฟ้าขนาดใหญ่ ทฤษฎีทางประสาทวิทยาศาสตร์จึงระบุว่าสัญญาณรบกวนเหล่านี้ควรแยกตัวไปยังองค์ประกอบสองสามอันดับแรกตามธรรมชาติ หากเป็นเช่นนั้น ในทางหลักการแล้ว นักวิจัยจะสามารถแยกและกำจัดสัญญาณรบกวนที่เลวร้ายที่สุดได้อย่างรวดเร็ว โดยไม่จำเป็นต้องสร้างแบบจำลองความเป็นอิสระทางสถิติที่แน่นอนของทุกแหล่งกำเนิดในสมอง
การศึกษาที่ทดสอบกระบวนการ PCA ร่วมกับ DEBSS ที่อธิบายไว้ข้างต้นรายงานว่า วิธีการที่รวมกันนี้ “สามารถกำจัดการแทรกแซงหลักของสัญญาณ EEG แบบหลายช่องสัญญาณได้อย่างรวดเร็วและมีประสิทธิภาพ” พร้อมระบุด้วยว่าแนวทางนี้ “มีความเสถียรและมีความสามารถในการขยายขนาดที่ดี” นี่เป็นผลลัพธ์เชิงบวก แต่ควรสังเกตให้ชัดเจนว่าสิ่งที่ได้รับการทดสอบคือ กระบวนการสองขั้นตอนที่เฉพาะเจาะจง ไม่ใช่การทำงานของ PCA เพียงลำพัง
การศึกษาในปี 2019 ที่กล่าวถึงก่อนหน้านี้ได้ใช้แนวทางการเปรียบเทียบที่มีโครงสร้างชัดเจนยิ่งขึ้น นักวิจัยได้สร้าง ASR เวอร์ชันที่ใช้เรขาคณิตแบบ Riemannian เรียกว่า rASR และทดสอบเปรียบเทียบกับวิธี ASR ที่ใช้ PCA มาตรฐาน โดยใช้ EEG ที่บันทึกบนสมาร์ตโฟนทั้งในสภาพแวดล้อมในร่มและกลางแจ้ง ร่วมกับผู้เข้าร่วม 27 คน
พวกเขาประเมินประสิทธิภาพจากการวัดสามด้านแยกกัน:
แต่ละวิธีลดสัญญาณรบกวนจากการกะพริบตาได้ดีเพียงใด (ความไว - sensitivity)
แต่ละวิธีรักษาสัญญาณศักย์ไฟฟ้ารับรู้ทางการมองเห็น (visual-evoked potentials) ซึ่งเป็นการตอบสนองของสมองต่อสิ่งเร้าทางการมองเห็นได้ดีเพียงใด (ความจำเพาะ - specificity)
ความรวดเร็วในการประมวลผลของแต่ละวิธี (ประสิทธิภาพ - efficiency)
ตามข้อสรุปของผู้เขียน rASR “ทำงานได้ดีกว่าในเกณฑ์การวัดทั้งสามด้าน” เมื่อเปรียบเทียบกับ ASR มาตรฐาน
ผลลัพธ์เหล่านี้สร้างความหวังให้กับการจัดการสัญญาณรบกวนโดยใช้ PCA แต่ฐานหลักฐานเบื้องหลังยังคงมีอยู่อย่างจำกัด แม้จะเป็นข้อค้นพบเบื้องต้นที่มีความหมายและมีประโยชน์ แต่ก็ยังไม่เพียงพอที่จะยืนยันได้อย่างกว้างขวางว่า PCA สามารถแยกสัญญาณรบกวนได้อย่างน่าเชื่อถือในทุกบริบทของ EEG
PCA เทียบกับ ICA เทียบกับการกรองสัญญาณ: การเลือกเครื่องมือที่เหมาะสม
นักวิจัย EEG มีเครื่องมือหลายอย่างในการทำความสะอาดข้อมูล และ PCA ก็ครองบทบาทเฉพาะตัวในกลุ่มเครื่องมือเหล่านั้น
การกรองสัญญาณ (Filtering) ซึ่งรวมถึงตัวกรองความถี่สูงผ่าน (high-pass), ความถี่ต่ำผ่าน (low-pass) และตัวกรองช่วงคลื่น (notch filter) ทำงานโดยการตัดหรือลดทอนย่านความถี่ทั้งหมด วิธีนี้มีประโยชน์ในการขจัดสัญญาณรบกวนคงที่ เช่น สัญญาณรบกวนจากสายส่งไฟฟ้า แต่จะติดข้อจำกัดอย่างรุนแรงเมื่อสัญญาณรบกวนและสัญญาณสมองใช้ช่วงความถี่เดียวกัน
ตัวอย่างเช่น การกะพริบตาอาจมีความถี่ซ้อนทับกับคลื่นสมองที่ช้า และตัวกรองไม่สามารถแยกความแตกต่างได้เนื่องจากมันมองเห็นเฉพาะความถี่ ไม่ใช่รูปแบบของความแปรปรวนข้ามช่องสัญญาณ PCA ทำงานบนแกนที่แตกต่างไปอย่างสิ้นเชิง โดยจะดูว่าความแปรผันของสัญญาณกระจายตัวข้ามอิเล็กโทรดทั้งหมดอย่างไร แทนที่จะดูที่ปริมาณความถี่ ทำให้วิธีนี้เป็นแนวทางเสริมมากกว่าที่จะเป็นตัวแทนโดยตรงของการกรองสัญญาณ
ในทางกลับกัน ICA มักถูกกล่าวถึงควบคู่ไปกับ PCA เสมอ แต่วิธีการทั้งสองตั้งอยู่บนสมมติฐานที่แตกต่างกัน ICA ค้นหาองค์ประกอบที่เป็นอิสระต่อกันทางสถิติ ซึ่งเป็นข้อกำหนดที่เข้มงวดกว่ามากและต้องการการคำนวณที่สูงกว่าเงื่อนไขที่ยืดหยุ่นกว่าของ PCA ที่ต้องการเพียงการไม่สัมพันธ์กัน
เนื่องจาก ICA ต้องค้นหาอย่างหนักหน่วงขึ้นเพื่อให้ได้การแยกที่เข้มงวดเช่นนี้ จึงมักต้องใช้เวลาในการประมวลผลมากขึ้นและใช้ข้อมูลมากขึ้น ส่วน PCA ซึ่งมีความเรียบง่ายทางคณิตศาสตร์มากกว่า จึงทำงานได้เร็วกว่าและไม่จำเป็นต้องมีความเป็นอิสระต่อกันเลย ต้องการเพียงแค่องค์ประกอบที่ได้นั้นไม่มีความสัมพันธ์กัน
ความแตกต่างของต้นทุนในการคำนวณนี้เองที่เป็นเหตุผลว่าทำไม PCA จึงมักปรากฏเป็นขั้นตอนการเตรียมการก่อนทำ ICA มากกว่าที่จะนำมาใช้แทนที่ การลดจำนวนมิติด้วย PCA ก่อนสามารถช่วยเพิ่มความเร็วในการรัน ICA และลดความเสี่ยงของการเกิด overfitting เมื่อข้อมูลมีจำกัด หรืออีกทางหนึ่ง PCA สามารถทำหน้าที่เป็นขั้นตอนแรกในการคัดกรองแบบหยาบๆ เพื่อกำจัดสัญญาณรบกวนที่เด่นชัดที่สุดออกไป ก่อนที่วิธีที่ละเอียดกว่าจะเข้ามาปรับแต่งส่วนที่เหลือ
วิธี | เกณฑ์การแยกสัญญาณ | ความเร็ว | ข้อจำกัดสำคัญ |
|---|---|---|---|
PCA | จัดเรียงตามความแปรปรวน | เร็ว | ความแปรปรวน ≠ สัญญาณรบกวน |
ICA | ค้นหาแหล่งกำเนิดที่เป็นอิสระต่อกัน | ช้า | ตั้งสมมติฐานเรื่องความเป็นอิสระ |
การกรองสัญญาณ | ตัดย่านความถี่ออก | เร็วมาก | ความถี่ที่ทับซ้อนกันยังคงอยู่ |
ข้อจำกัดของการกำจัดสัญญาณรบกวนโดยใช้ PCA
ความเรียบง่ายของ PCA ก็เป็นที่มาของจุดอ่อนเช่นกัน ยังคงมีคำถามปลายเปิดหลายประการเกี่ยวกับประสิทธิภาพที่แท้จริงในการทำหน้าที่แยกสัญญาณรบกวนตามที่มักได้รับมอบหมาย
ความแปรปรวนเป็นตัวแทนที่ไม่สมบูรณ์แบบสำหรับคำว่า “สัญญาณรบกวน” จังหวะการทำงานของสมองบางอย่าง เช่น กิจกรรมอัลฟาบริเวณสมองส่วนหลัง (posterior alpha activity ซึ่งเป็นจังหวะคลื่นสมองที่รู้จักกันดีว่าเกี่ยวข้องกับสภาวะผ่อนคลายและหลับตา) สามารถสร้างสัญญาณแอมพลิจูดสูงได้ในตัวมันเอง วิธีการที่สันนิษฐานว่าความแปรปรวนสูงหมายถึงสัญญาณรบกวนเสมอ จึงมีความเสี่ยงที่จะทิ้งกิจกรรมของสมองที่แท้จริงไปพร้อมกับสัญญาณรบกวนที่ต้องการกำจัด
ในทางกลับกัน สัญญาณรบกวนจากการกะพริบตาก็ไม่ได้จำกัดตัวเองอย่างเรียบร้อยอยู่ภายในองค์ประกอบเดียวเสมอไป อิทธิพลของมันสามารถแพร่กระจายไปยังองค์ประกอบหลายตัวพร้อมกัน ซึ่งทำให้กลยุทธ์ง่ายๆ อย่าง “การลบองค์ประกอบบนสุดออก” มีความซับซ้อนขึ้น
นอกจากนี้ยังมีความไม่สอดคล้องกันเชิงโครงสร้างที่ต้องพิจารณา PCA บังคับให้องค์ประกอบต่างๆ ตั้งฉากกันตามคำจำกัดความทางคณิตศาสตร์ แต่ไม่มีการรับประกันว่าแหล่งกำเนิดทางกายภาพจริงที่สร้างสัญญาณ EEG ไม่ว่าจะเป็นวงจรประสาทหรือกลุ่มกล้ามเนื้อใกล้หนังศีรษะ จะถูกจัดวางในลักษณะที่ตรงกับเรขาคณิตเชิงตั้งฉากนี้
เมื่อสมมติฐานไม่ตรงกับความเป็นจริงเบื้องหลัง การแยกสัญญาณที่ PCA ทำได้อาจเป็นเพียงความสะดวกทางคณิตศาสตร์ มากกว่าที่จะสะท้อนสิ่งที่เกิดขึ้นจริงในเนื้อเยื่อได้อย่างถูกต้องแม่นยำ
คำแนะนำเชิงปฏิบัติสำหรับการใช้ PCA ในการวิเคราะห์ EEG
สำหรับผู้ที่เริ่มสำรวจชุดข้อมูล EEG เป็นครั้งแรก PCA ยังคงเป็นจุดเริ่มต้นที่สมเหตุสมผล โดยเฉพาะอย่างยิ่งเพื่อใช้ดูว่ารูปแบบความแปรผันใดมีอิทธิพลเด่นชัดในการบันทึกสัญญาณนั้นๆ ต่อไปนี้คือเคล็ดลับที่มักได้รับคำแนะนำ:
ใช้ PCA เป็นขั้นตอนเบื้องต้นในการลดมิติข้อมูลหรือระบุรูปแบบสัญญาณรบกวนหลัก ไม่ควรใช้เป็นขั้นตอนสุดท้ายของการทำความสะอาดสัญญาณ
รวม PCA เข้ากับวิธีการในขั้นถัดไป (เช่น ICA, DEBSS, ASR) ที่สามารถตัดสินใจได้ว่าจะลบองค์ประกอบใดออก
ตรวจสอบภูมิสัณฐานบนหนังศีรษะ (scalp topography) และช่วงเวลาขององค์ประกอบที่ทิ้งไปอย่างสม่ำเสมอ เพื่อยืนยันว่าเป็นสัญญาณรบกวนจริง
ระมัดระวังความแปรปรวนของผลลัพธ์ในสภาพแวดล้อมการบันทึกสัญญาณที่ต่างกัน (ในห้องปฏิบัติการเทียบกับแบบพกพา) และตรวจสอบความถูกต้องกับข้อมูลของคุณเองเสมอ
การวิเคราะห์องค์ประกอบหลักในการวิจัย EEG ที่ใช้ Emotiv
Emotiv headset ได้รับการนำไปใช้ในงานวิจัยที่ผ่านการประเมินโดยผู้ทรงคุณวุฒิหลายฉบับ ซึ่งใช้การวิเคราะห์องค์ประกอบหลักเป็นวิธีการคำนวณหลัก ซึ่งแสดงให้เห็นถึงความหลากหลายของเทคนิคนี้ทั้งในด้านการจำแนกประเภท การเลือกเซนเซอร์ การเตรียมข้อมูลล่วงหน้า และการปรับปรุงคุณภาพสัญญาณ
ตัวจำแนกประเภทแบบกลุ่ม PCA สำหรับความแม่นยำของ P300 Speller
การพัฒนา BCI แบบสวมใส่ต้องการการประมวลผลสัญญาณที่มีประสิทธิภาพ และมีการศึกษาหนึ่งได้ประเมินตัวจำแนกประเภทแบบกลุ่ม PCA สำหรับเครื่องสะกดคำตามสัญญาณ P300 ที่บันทึกด้วย Emotiv neuroheadset โดยใช้แบบจำลอง classical oddball paradigm ผู้เขียนได้เปรียบเทียบแนวทางแบบกลุ่มของพวกเขากับวิธีการสกัดคุณลักษณะและการจำแนกประเภทแบบดั้งเดิม
ในข้อมูล cross-validation ตัวจำแนกประเภทแบบกลุ่ม PCA มีความแม่นยำเฉลี่ย 86.29% ในขณะที่การทดสอบแบบออฟไลน์ให้ความแม่นยำในการจำแนกประเภทเฉลี่ยสูงกว่าอย่างมีนัยสำคัญที่ 73.3% เมื่อเทียบกับวิธีการดั้งเดิม ผลลัพธ์ชี้ให้เห็นว่าการจำแนกประเภทแบบกลุ่มโดยใช้ PCA เป็นกลยุทธ์ที่ใช้งานได้จริงสำหรับการประมวลผลข้อมูล P300 จากอุปกรณ์ EEG ระดับผู้บริโภคแบบพกพา
การเลือกเซนเซอร์ EEG จำนวนน้อยที่สุดสำหรับการระบุตัวตนทางชีวมิติด้วย PCA
การลดจำนวนอิเล็กโทรดโดยไม่สูญเสียข้อมูลในการจำแนกเป็นความท้าทายในทางปฏิบัติสำหรับระบบชีวมิติ นักวิจัยได้ตรวจสอบการเลือกเซนเซอร์ EEG จำนวนน้อยที่สุดสำหรับการระบุตัวบุคคลโดยใช้ Emotiv EPOC+ headset และชุดข้อมูลสาธารณะที่มีขนาดใหญ่กว่า มีการใช้วิธีการลดขนาดข้อมูลสองวิธี: วิธีหนึ่งอิงตามการวิเคราะห์องค์ประกอบหลัก และอีกวิธีหนึ่งอิงตามการทดสอบ Wilcoxon signed-rank
การศึกษารายงานว่าทั้งสองแนวทางทำให้สามารถระบุชุดอิเล็กโทรดขั้นต่ำที่จำเป็นสำหรับการระบุตัวบุคคลได้อย่างน่าเชื่อถือ โดย PCA ช่วยชี้ชัดว่าพื้นที่เปลือกสมองส่วนใดมีส่วนสำคัญมากที่สุดต่อรูปแบบที่สามารถแยกแยะได้ สิ่งนี้แสดงให้เห็นถึงบทบาทการลดมิติข้อมูลของ PCA ในการแปลงการจัดวางจากห้องปฏิบัติการไปสู่การติดตั้งเซนเซอร์ที่เรียบง่ายและใช้งานได้จริงมากขึ้น
การเปรียบเทียบ PCA กับ CSP และ CAR สำหรับการกำจัดสัญญาณรบกวน
การเปรียบเทียบกระบวนการเตรียมข้อมูลล่วงหน้าได้บันทึก EEG ด้วย Emotiv EPOC เพื่อประเมินว่าอัลกอริทึมต่างๆ ทำความสะอาดสัญญาณก่อนการจำแนกประเภทได้ดีเพียงใด ในการเปรียบเทียบอัลกอริทึมการเตรียมข้อมูลล่วงหน้า มีการทดสอบการวิเคราะห์องค์ประกอบหลักร่วมกับ Common Spatial Pattern (CSP) และ Common Average Reference (CAR) สำหรับการกำจัดสัญญาณรบกวน หลังจากนั้นจึงป้อนคุณลักษณะ Power Spectral Density เข้าสู่ตัวจำแนกประเภท Support Vector Machine
ผู้เขียนสังเกตว่า PCA ให้ประสิทธิภาพที่ 94.28% ซึ่งเหนือกว่าอัลกอริทึมอื่นๆ ในการทดสอบของพวกเขา สิ่งนี้ชี้ให้เห็นว่า PCA สามารถทำหน้าที่เป็นองค์ประกอบที่มีประสิทธิภาพของกระบวนการเตรียมข้อมูลล่วงหน้าเมื่อทำงานกับฮาร์ดแวร์ EEG ระดับผู้บริโภค
การปรับปรุงการสกัดจังหวะสัญญาณร่วม: PCA เทียบกับ Kosambi-Hilbert Torsion
เมื่อเซนเซอร์ EEG หลายตัวจับกิจกรรมการแกว่ง การสกัดจังหวะสัญญาณร่วมที่มีอัตราส่วนสัญญาณต่อสัญญาณรบกวนสูงจึงมักเป็นที่ต้องการ การศึกษาเรื่องการปรับปรุงคุณภาพจังหวะสัญญาณร่วมด้วย Emotiv EPOC+ ได้เปรียบเทียบการวิเคราะห์องค์ประกอบหลักแบบดั้งเดิมกับวิธี Kosambi-Hilbert torsion (KHT) โดยบันทึกข้อมูลระหว่างการพักแบบหลับตาและขณะดูหน้าจอที่กะพริบที่ 15 Hz
นักวิจัยรายงานว่า KHT มีอัตราส่วนสัญญาณต่อสัญญาณรบกวนสำหรับสัญญาณร่วมที่ดีกว่า PCA โดยเฉพาะอย่างยิ่งเมื่อมีการเลื่อนของเวลาแบบสุ่มเกิดขึ้นข้ามช่องสัญญาณ งานวิจัยนี้แสดงให้เห็นว่าแม้ PCA จะเป็นเกณฑ์มาตรฐานพื้นฐานที่เรียบง่ายสำหรับการสกัดจังหวะสัญญาณทั่วไป แต่วิธีการที่คำนึงถึงเฟสจะสามารถช่วยขยายสัญญาณที่น่าสนใจได้ดียิ่งขึ้นไปอีก
เมื่อนำมารวมกัน การศึกษาเหล่านี้เน้นย้ำถึงวิธีการที่การวิเคราะห์องค์ประกอบหลักทำงานข้ามงาน EEG ที่แตกต่างกันอย่างมาก ตั้งแต่การจำแนกประเภทและการระบุตัวตนทางชีวมิติ ไปจนถึงการเตรียมข้อมูลล่วงหน้าและการสกัดจังหวะสัญญาณ โดยใช้ฮาร์ดแวร์ของ Emotiv ผลลัพธ์เหล่านี้น่าพอใจภายใต้เงื่อนไขเฉพาะ แต่ยังคงจำกัดอยู่ในกระบวนทัศน์เฉพาะ กลุ่มตัวอย่างที่ค่อนข้างเล็ก และการวิเคราะห์แบบออฟไลน์ ข้อค้นพบเหล่านี้สนับสนุนว่า PCA เป็นเครื่องมืออเนกประสงค์ในกระบวนการวิจัย EEG แต่ยังไม่ได้เป็นสูตรสำเร็จแบบเหมารวมสำหรับแอปพลิเคชัน BCI แบบเรียลไทม์และต้นทุนต่ำ
บทสรุป: PCA เป็นวิธีทำความสะอาด EEG ที่เชื่อถือได้หรือไม่?
PCA แปลงข้อมูลคลื่นสมองที่ยุ่งเหยิงให้เป็นองค์ประกอบที่มีการจัดอันดับ ช่วยให้นักวิจัยสามารถพุ่งเป้าไปยังส่วนที่มีสัญญาณรบกวนมากที่สุดของการบันทึกสัญญาณได้อย่างรวดเร็ว แนวทางนี้มีประโยชน์อย่างยิ่งเมื่อการกะพริบตาหรือการเคลื่อนไหวของกล้ามเนื้อมีอิทธิพลเหนือสัญญาณ เนื่องจากมักจะลอยขึ้นมาอยู่ในตำแหน่งที่มีความแปรปรวนสูงสุด
แต่เนื่องจากจังหวะคลื่นสมองที่แท้จริงก็สามารถสร้างสัญญาณที่รุนแรงได้เช่นกัน วิธีนี้จึงไม่สามารถพึ่งพาตนเองเพียงลำพังในการตัดสินใจว่าสิ่งใดคือสัญญาณรบกวนและสิ่งใดคือข้อมูลประสาทที่มีค่า
เอกสารอ้างอิง
Kang, D., & Zhizeng, L. (2012, มีนาคม). A method of denoising multi-channel EEG signals fast based on PCA and DEBSS algorithm. ใน 2012 International Conference on Computer Science and Electronics Engineering (เล่ม 3, หน้า 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
คำถามที่พบบ่อย
การวิเคราะห์องค์ประกอบหลัก (PCA) ในบริบทของ EEG คืออะไร?
PCA เป็นวิธีการทางคณิตศาสตร์ที่จัดระเบียบข้อมูล EEG แบบหลายช่องสัญญาณใหม่ให้เป็นชุดสัญญาณใหม่ที่เรียกว่า องค์ประกอบ (components) ซึ่งไม่มีความสัมพันธ์กัน โดยจะจัดอันดับองค์ประกอบเหล่านี้ตามปริมาณความแปรปรวนที่จับได้ ซึ่งองค์ประกอบแรกจะอธิบายความแปรผันของสัญญาณโดยรวมได้มากที่สุด
PCA ช่วยในการกำจัดสัญญาณรบกวนออกจากข้อมูล EEG ได้อย่างไร?
เนื่องจากสัญญาณรบกวน เช่น การกะพริบตา จะสร้างการแกว่งของแรงดันไฟฟ้าขนาดใหญ่และเป็นวงกว้าง จึงมักจะไปกระจุกตัวอยู่ในองค์ประกอบที่มีความแปรปรวนสูงสุด การจัดอันดับตามความแปรปรวนของ PCA ช่วยให้นักวิจัยสามารถระบุและอาจตัดองค์ประกอบบนสุดเหล่านั้นทิ้งไป ซึ่งมักจะมีสัญญาณรบกวนที่สร้างความเสียหายมากที่สุด
PCA สามารถทำงานเพียงลำพังเพื่อทำความสะอาดสัญญาณ EEG ได้หรือไม่?
ไม่ได้ โดยทั่วไป PCA ไม่ค่อยได้ถูกใช้เป็นโซลูชันการทำความสะอาดแบบเดี่ยวๆ แต่มักจะทำหน้าที่เป็นขั้นตอนหนึ่งภายในกระบวนการทำงานที่ใหญ่ขึ้น ไม่ว่าจะเป็นการลดมิติข้อมูลก่อนใช้วิธีอื่น เช่น DEBSS หรือทำหน้าที่เป็นกลไกการตรวจจับภายในเฟรมเวิร์กอย่าง Artifact Subspace Reconstruction (ASR)
อะไรคือความแตกต่างระหว่าง PCA และ ICA ในการกำจัดสัญญาณรบกวน?
PCA ต้องการเพียงแค่องค์ประกอบที่ได้ไม่มีความสัมพันธ์กัน ซึ่งเป็นเงื่อนไขทางคณิตศาสตร์ที่ยืดหยุ่นกว่า ในขณะที่ ICA ค้นหาองค์ประกอบที่เป็นอิสระต่อกันทางสถิติ ซึ่งเป็นข้อกำหนดที่เข้มงวดและต้องใช้การคำนวณที่สูงกว่า PCA ทำงานได้เร็วกว่าและมักใช้เป็นขั้นตอนเตรียมการก่อนทำ ICA มากกว่าที่จะนำมาใช้แทนที่
PCA อาจเผลอลบกิจกรรมของสมองที่แท้จริงไปพร้อมกับสัญญาณรบกวนได้หรือไม่?
ได้ เนื่องจาก PCA อาศัยความแปรปรวนในการระบุสัญญาณรบกวน จังหวะคลื่นสมองที่มีแอมพลิจูดสูง เช่น กิจกรรมอัลฟาบริเวณสมองส่วนหลัง จึงอาจถูกเข้าใจผิดว่าเป็นสัญญาณรบกวนได้ นอกจากนี้ สัญญาณรบกวนอาจแพร่กระจายไปยังหลายองค์ประกอบ ดังนั้นการตัดองค์ประกอบบนสุดออกเพียงอย่างเดียวจึงอาจทิ้งสัญญาณประสาทที่แท้จริงไปด้วย
PCA เปรียบเทียบกับการกรองความถี่ในการทำความสะอาด EEG อย่างไร?
การกรองความถี่จะตัดหรือลดทอนพลังงานของสัญญาณในย่านความถี่เฉพาะ แต่ไม่สามารถแยกสัญญาณรบกวนและสัญญาณสมองที่อยู่ในย่านความถี่เดียวกันได้ ในทางกลับกัน PCA จะดูรูปแบบของความแปรปรวนข้ามอิเล็กโทรดทั้งหมด ทำให้เป็นแนวทางเสริมที่จัดการกับมิติข้อมูลที่แตกต่างกัน
นักวิจัยควรใช้ PCA อย่างปลอดภัยในกระบวนการเตรียมข้อมูล EEG ล่วงหน้าอย่างไร?
PCA สามารถใช้เป็นขั้นตอนการลดมิติข้อมูลก่อนใช้วิธีอื่นๆ หรือใช้เป็นเครื่องมือช่วยตรวจสอบว่ารูปแบบใดมีอิทธิพลเด่นชัดในการบันทึกสัญญาณ นักวิจัยควรตรวจสอบภูมิสัณฐานบนหนังศีรษะและช่วงเวลาขององค์ประกอบที่วางแผนจะทิ้งด้วยสายตาเสมอ เพื่อยืนยันว่าเป็นสัญญาณรบกวน แทนที่จะเชื่อถือการจัดอันดับความแปรปรวนเพียงอย่างเดียว
Emotiv เป็นผู้นำด้านนิวโรเทคโนโลยีที่ช่วยขับเคลื่อนการวิจัยประสาทวิทยาศาสตร์ผ่านเครื่องมือ EEG และข้อมูลสมองที่เข้าถึงได้
ข้อจำกัดความรับผิดชอบทางการแพทย์: ข้อมูลที่ให้ไว้บนเว็บไซต์นี้มีวัตถุประสงค์เพื่อการศึกษาและการให้ข้อมูลเท่านั้น และไม่ได้มีวัตถุประสงค์เพื่อเป็นคำแนะนำทางการแพทย์หรือสุขภาพ เนื้อหานี้อาจมีข้อผิดพลาดและไม่ควรนำมาใช้ในการตัดสินใจเลือกแนวทางชีวิต สุขภาพ หรือการรักษาทางการแพทย์ที่เปลี่ยนชีวิต โปรดขอคำแนะนำจากแพทย์หรือผู้ให้บริการด้านสุขภาพที่มีคุณสมบัติเหมาะสมเสมอ หากมีคำถามใดๆ ที่คุณอาจมีเกี่ยวกับอาการเจ็บป่วยหรือการรักษา
คริสเตียน บูร์โกส
