Bağımsız Bileşen Analizi

Bağımsız Bileşen Analizi (ICA) Nedir?

Bağımsız bileşen analizi, bir dizi karışık gözlemden gizli faktörleri veya bileşenleri çıkarmaya odaklanan sofistike bir istatistiksel ve hesaplamalı yöntemdir.

Birçok gerçek dünya senaryosunda, kaydedilen veriler, bir ortam aracılığıyla aynı anda hareket eden birden fazla kaynak sinyalinin sonucudur ve genellikle ham haliyle anlaşılmaz olan karmaşık bir örtüşme yaratır. Belirli cebirsel dönüşümleri uygulayarak, bu yöntem karıştırma işlemini tersine çevirmek için bir filtre görevi görür.

Temel Konsept: Karışık Sinyalleri Ayırmak

Bu alanın temel önermesi, birkaç mikrofon ortaya çıkan işitsel karmaşayı kaydederken bir odada birden fazla kişinin aynı anda konuştuğu "kokteyl partisi problemi" etrafında döner.

Sıradan bir gözlemci yalnızca seslerin kaotik bir karışımını duyar, ancak ICA teorik olarak her bir konuşmacının katkıda bulunduğu sinyali tanımlayabilir. Bu yetenek, araştırmacıların belirli dalga formlarını küresel bir akıştan izole etmelerini sağlayarak, aksi takdirde gizlenecek olan bireysel veri kanallarına net bir pencere açar.

ICA'nın Matematiksel Temelleri

Matematiksel olarak amaç, gözlenen değişkenleri olabildiğince bağımsız kılan doğrusal bir dönüşüm bularak kör kaynak ayrımı gerçekleştirmektir. Gözlemlenen bir veri vektörü verildiğinde, algoritma, gözlemlerle çarpıldığında bağımsız istatistiksel dağılımlara sahip tahmini kaynak sinyalleri veren bir ayrıştırma matrisi arar.

Bunu başarmak, bu sinyallerin Gauss dışı olmasını gerektirir, çünkü Gauss dağılımlarının matematiksel özellikleri onları benzersiz bir şekilde ayırmayı imkansız kılar. Modern nörobilim bağlamında bu titizlik, ince elektriksel dalgalanmaların çevreleyen parazitlerin arka plan gürültüsünde kaybolmamasını sağlar.

Bağımsız Bileşen Analizi Nasıl Çalışır?

Yüksek boyutlu verilerle başarıyla çalışan süreç, Gauss dışılık derecesini ölçerek bir karışımı kurucu parçalarına dönüştürmeye dayanır. Karışık sinyaller, merkezi limit teoremi nedeniyle genellikle Gauss dağılımına yönelme eğiliminde olduğundan, algoritma verilerde Gauss dağılımından olabildiğince uzak yönleri agresif bir şekilde arayarak çalışır.

Elde edilen bileşenler, karıştırma işleminden bağımsız olarak orijinal kaynağı yeniden oluşturan etkili bir şekilde "saf" sinyallerdir.

ICA'nın Varsayımları

Bu algoritmanın başarılı bir şekilde yürütülmesi birkaç kritik gereksinime dayanmaktadır. En önemli varsayım, kaynak sinyallerinin birbirinden istatistiksel olarak bağımsız olmasıdır; bir kaynağın değerini bilmek bir diğeri hakkında hiçbir bilgi sağlamıyorsa, ayrılmaya hak kazanırlar.

Ek olarak, algoritma gözlemlenen karışık sinyallerin sayısının en az bağımsız kaynakların sayısı kadar büyük olduğunu varsayar. Son olarak, belirtildiği gibi, kaynaklar Gauss dışı dağılımlar göstermelidir, çünkü bu belirgin yapı, algoritmanın ayırma çabalarını sabitlemek için ihtiyaç duyduğu referans noktalarını oluşturur.

Bağımsız Bileşen Analizi Algoritması: Temel Teknikler

Bu ayrımı başarmak için, FastICA ve Infomax en belirgin örnekler arasında olmak üzere birkaç algoritmik yaklaşım mevcuttur. Bu yöntemler, karşılıklı bilgiyi en aza indirmek veya çıktıların Gauss dışılığını en üst düzeye çıkarmak için ayrıştırma matrisini yinelemeli olarak ayarlar.

Optimizasyon süreci hesaplama açısından yoğundur ve farklı veri kümelerinde tutarlı yakınsama sağlamak için dikkatli bir uygulama gerektirir. Sistem bu ağırlıkları hassaslaştırarak, her bir belirgin sinyal net bir şekilde ortaya çıkana kadar parazit katmanlarını kademeli olarak soyar.

Bağımsız Bileşen Analizi ve Temel Bileşen Analizi Karşılaştırması (ICA vs. PCA)

Her iki teknik de boyut küçültme veya sinyal analizi için kullanılsa da, işlevsel hedefleri önemli ölçüde farklılaşır. Araştırmacılar, veri kümelerinde varyansı mı yoksa bağımsızlığı mı yakalamak istediklerine bağlı olarak bunlar arasında seçim yapmalıdır.

Doğru aracı seçmek, temel analizin özel hedeflerine bağlıdır. PCA, ana eğilimleri korumanın kilit önem taşıdığı veri sıkıştırma için mükemmel olsa da, amaç toplam gözleme katkıda bulunan benzersiz, bağımsız süreçleri belirlemek olduğunda ICA üstündür.

Bağımsız Bileşen Analizi Beyin Sinyallerini Gültüden Nasıl Ayırır?

Bağımsız Bileşen Analizi, PCA'ya göre daha katı bir yaklaşım benimser. ICA, sinyalleri sadece dekorele etmek (bağlantısını kesmek) yerine, istatistiksel olarak bağımsız bileşenler arar; bu da bir bileşenin değerini bilmenin diğer herhangi bir bileşen hakkında kesinlikle hiçbir bilgi sağlamadığı anlamına gelir.

Bu, dekorelasyondan çok daha yüksek bir çıtadır ve ICA'nın, frekans içeriğini paylaşan ancak gerçekte ayrı fiziksel kaynaklardan kaynaklanan sinyalleri birbirinden ayırmasını sağlayan şeydir: şurada bir göz kırpma, şurada bir çene sıkma, başka bir yerde bir uyarana yanıt veren bir görsel korteks alanı.

• Winkler ve ark. çalışması, yalnızca sinyalin anlık istatistiklerini değil, zaman içindeki zamansal korelasyonları da hesaba katan bir ICA sürümü olan TDSEP'i uygular.

• Olaf Dimigen çalışması, yaygın olarak kullanılan bir ICA algoritması olan Infomax'i kullanır.

• Mognon çalışması, otomatik algılama aracını genel ICA tabanlı bir işlem hattı üzerine kurar.

Uygulamadaki farklılıklara rağmen, tüm bu yaklaşımlar aynı temel ilkeye dayanır: karışık elektrot sinyalini birbirinden bağımsız hareket eden bir dizi bileşene ayırmak, ardından bu bileşenlerden hangilerinin beyin aktivitesine, hangilerinin ise bir artifakta benzediğini bulmak.

ICA'nın Arkasındaki Temel Varsayımlar: Gauss Dışılık ve Doğrusal Karışma

ICA, veriler hakkındaki iki spesifik varsayım nedeniyle çalışır ve bunları anlamak hem güçlü yönlerini hem de başarısızlık noktalarını açıklar.

1. Birinci varsayım Gauss dışılıktır. İster beyin ritimleri, ister göz kırpmaları veya kas patlamaları olsun, gerçek EEG kaynakları, Gauss (normal) dağılımının çan eğrisi şeklinden sapan genlik dağılımlarına sahip olma eğilimindedir. ICA algoritmaları bu Gauss dışı yapıyı aramak ve en üst düzeye çıkarmak üzere oluşturulmuştur, çünkü bağımsız sinyallerin bir karışımı, bireysel bileşenlerinin herhangi birinden daha fazla Gauss dağılımına benzer görünme eğilimindedir (merkezi limit teoreminin bir sonucu).

2. İkinci varsayım doğrusal karışmadır. ICA, bir elektrotun kaydettiği şeyin, altta yatan kaynak sinyallerinin anlık, doğrusal bir kombinasyonu olduğunu varsayar; bu varsayım, elektriksel aktivitenin kararlı kayıt koşullarında doku ve kafatası boyunca nasıl yayıldığı (hacim iletimi olarak bilinen bir süreç) konusunda oldukça iyi geçerlidir. Bu varsayımın karşılanması en kolay olanı kişinin hareketsiz oturduğu durumdur.

Neden ICA Öncesi Yüksek Geçişli Filtreleme Her Şeyi Değiştirir?

Bir ICA ayrıştırmasının kalitesi, büyük ölçüde algoritma çalıştırılmadan önce sinyalin nasıl işlendiğine bağlıdır ve yüksek geçişli filtre kesme frekansı seçimi (belirlenmiş bir frekansın altındaki çok yavaş kaymaları ortadan kaldıran bir filtre), tüm işlem hattındaki en önemli kararlardan biri olarak ortaya çıkar.

Winkler ve arkadaşları tarafından yönetilen 2015 tarihli bir çalışma, bunu işitsel bir tuhaflık (oddball) görevi gerçekleştiren 21 katılımcıdan alınan, belirli bir uyarana zaman kilitli beyin dalgası kalıpları olan olaya ilişkin potansiyel (ERP) verilerini kullanarak doğrudan test etti. 1 ile 2 Hz arasında yüksek geçişli filtreleme, üç ayrı metrikte tutarlı bir şekilde iyi sonuçlar verdi: sinyal-gürültü oranı, tek deneme sınıflandırma doğruluğu ve "neredeyse çift kutuplu" görünen bileşenlerin yüzdesi; yani birkaç kaynağın bulaşmış bir karışımı yerine tek bir lokalize beyin kaynağı ile tutarlı bir uzaysal desene sahiptiler.

Dahası, 2020 tarihli bir çalışmada Klug ve ark., aynı soruyu sabit ve mobil kayıt kurulumlarında inceledi. 64 kanallı ve 0,5 Hz filtreli standart bir sabit deney için sonuçlar kabul edilebilirdi. Ancak mobil deneyler, optimal bir ayrıştırmaya ulaşmak için 2 Hz'e kadar daha yüksek bir kesme değeri gerektiriyordu ve daha fazla kanala sahip kurulumlar buna paralel olarak daha yüksek filtrelere ihtiyaç duyuyordu.

Olaf Dimigen araştırması, bu fikri özellikle göz hareketi artifaktları bağlamında daha da ileriye taşıdı. Yüksek geçişli filtreyi, alçak geçişli filtreyi ve sakkadik sıçrama potansiyelleri içeren eğitim verilerinin oranını sistematik olarak değiştiren araştırmacı, ICA'yı bu sıçrama potansiyellerinin aşırı ağırlıklı olduğu veriler üzerinde eğitmenin düzeltme kalitesini büyük ölçüde artırdığını buldu.

Bu üç çalışma birlikte aynı sonuca işaret ediyor: varsayılan filtre ayarları, özellikle yaygın olan 0.5 Hz kesme değeri, birçok kullanım durumu için çok müsamahakar olabilir ve doğru seçim, spesifik artifakta ve kayıt koşullarına bağlıdır.

Makine Öğrenimi ile Artifakt Bileşen Seçimini Otomatikleştirmek

ICA bir dizi bağımsız bileşen ürettikten sonra, yine de birisinin veya bir şeyin hangi bileşenlerin beyin aktivitesini, hangilerinin ise artifaktları temsil ettiğine karar vermesi gerekir. Eğitimli uzmanlar tarafından manuel etiketleme yavaştır ve öznellik getirir, çünkü farklı uzmanlar belirsiz vakalarda her zaman hemfikir olmayabilir.

Bunu ele almak için Winkler'ın ekibi, her bir bileşenin frekans, uzaysal ve zamansal özelliklerinden türetilen sadece altı özelliği kullanarak denekten bağımsız bir doğrusal sınıflandırıcı oluşturdu. Bir reaksiyon süresi çalışmasında 12 katılımcıdan alınan elle etiketlenmiş 640 TDSEP bileşeni üzerinde eğitilen sınıflandırıcı, yeni veriler üzerinde test edildiğinde %10'dan daha az Ortalama Kare Hata (MSE) elde etti; bu performans seviyesi, insan uzmanlar arasındaki doğal anlaşmazlık oranıyla eşdeğerdir.

Yeniden eğitilmeden tamamen farklı bir işitsel ERP paradigmasına uygulandığında, aynı sınıflandırıcı %15 MSE'ye ulaştı; bu, paradigmalar arasında genelleme yapmanın zorluğunu yansıtan makul ancak belirgin şekilde daha zayıf bir sonuçtur. Motor imgeleme tabanlı bir beyin-bilgisayar arayüzü görevinde araştırmacılar, en çok artifakt içeren bileşenlerin %60'ına kadarının çıkarılmasının bile BCI'nın çalışması için gereken ayırt edici bilgileri koruduğunu gösterdiler.

Ayrıca Mognon'un ekibi, göz kırpmalarını, göz hareketlerini ve genel süreksizlikleri tespit etmek için özel olarak ayarlanmış uzaysal ve zamansal özellikleri birleştiren tam otomatik bir algoritma olan ADJUST'ı tanıttı. Bağımsız bir veri kümesinde doğrulanmış olan ADJUST'ın bileşen sınıflandırması, veri varyansının %95.2'sinde manuel uzman etiketlemesi ile uyuştu. ADJUST'ın artifakt olarak işaretlediği bileşenlerin kaldırılması, çalışmanın yoğun şekilde artifakt içeren verilerden görsel ve işitsel olaya ilişkin potansiyellerin temiz bir şekilde yeniden yapılandırılması olarak tanımladığı sonucu üretti.

Her iki araç da EEG temizliğinin manuel yükünü azaltmaya yönelik gerçek bir ilerlemeyi temsil ediyor, ancak bildirilen performansları belirli veri kümelerinden ve paradigmalardan geliyor ve yeni koşullara genelleme garanti edilmiyor.

ICA ile EEG Verilerini Temizleme Konusunda Pratik Çıkarımlar

Bağımsız Bileşen Analizi çalışır çünkü PCA gibi yöntemlerin dayandığı daha zayıf dekorelasyon özelliği yerine gerçek istatistiksel bağımsızlığı hedefler. Bu ayrım, frekans içerikleri örtüştüğünde bile beyin sinyallerini ve artifaktları birbirinden ayırmasını sağlar; bu, frekans alanı filtrelemesinin yapamadığı ve regresyon tabanlı EOG düzeltmesinin doğrudan testlerde başaramadığı bir şeydir.

Ancak bu başarı koşulludur. Sabit ERP araştırmalarında 1 ila 2 Hz aralığında yüksek geçişli filtrelemenin tutarlı bir şekilde iyi ayrıştırmalar ürettiği gösterilirken, mobil kayıtlarda 2 Hz'e kadar olan filtrelerden yararlanılmış ve kanal sayısı da rol oynamıştır. Serbest izleme sırasındaki sakkadik sıçrama potansiyelleri gibi özellikle zor artifaktlar için, antrenman sırasında varsayılan ayarları kullanmak yerine artifaktı kasıtlı olarak aşırı ağırlıklandırmak, yetersiz bir düzeltmeyi beyin aktivitesini minimum bozulmayla neredeyse tüm kirlilikten arındıran bir düzeltmeye dönüştürebilir.

Ayrıca, önceki çalışmalardan elde edilen altı özellikli doğrusal model ve ADJUST algoritması dahil olmak üzere otomatik bileşen sınıflandırıcılar, manuel etiketlemede harcanan süreyi ve öznelliği anlamlı ölçüde azaltabilir. Her ikisi de doğrulama verilerinde uzman görüşüyle güçlü bir uyum gösterdi. Ancak, farklı kayıt paradigmaları ve ekipmanları arasında performansın nasıl değişebileceğinin farkında olunmadan hiçbiri evrensel bir çözüm olarak görülmemelidir.

ICA tabanlı artifakt giderme, EEG verilerini temizlemek için mevcut olan en iyi desteklenen yaklaşımlardan biri olmaya devam etmektedir ve arkasındaki nörobilim tutarlı bir istatistiksel mantığa dayanmaktadır. Ancak gerçek performansı, algoritma çalıştırılmadan çok önce yapılan seçimlere bağlıdır: filtre ayarları, eğitim verisi bileşimi ve hedeflenen spesifik artifakt. Bunu uygulayan herkes, tek bir yapılandırmanın her yerde çalışacağını varsaymak yerine sonuçları objektif metriklerle doğrulamalıdır.

EEG'de ICA'nın Başarısını Neden Ön İşleme Seçimleri Belirler?

Temiz beyin verileri, düşünceyle kontrol edilen cihazlardan titiz bellek araştırmalarına kadar her şeyin temelidir. Bağımsız Bileşen Analizi, basit filtreleme gibi daha basit yöntemlerin yetersiz kaldığı durumlarda bile karmaşık sinirsel aktiviteyi ve vücut gürültüsünü ayırmak için matematiksel olarak sağlam bir yol sağlar. Gerçek istatistiksel bağımsızlığı hedefleyerek, aynı frekans bandında meydana gelen gerçek bir beyin ritmi ile bir göz kırpmasının ayrı elektriksel parmak izlerini ortaya çıkarabilir.

Ancak gerçek güç, yalnızca araştırmacılar tak-çalıştır varsayılanlarının ötesine geçtiğinde ortaya çıkar. Çalışmalar, yüksek geçişli filtreyi özel kayıt durumuna göre ayarlamanın ve artifakt dedektörleri için eğitim örneklerini dikkatlice hazırlamanın, ICA'yı ümit verici bir deneyden tutarlı bir şekilde güvenilir bir araca dönüştüren şey olduğunu göstermektedir. Bu tür kişiselleştirilmiş bir özen göstermek, bilim insanlarının beynin mesajlarını gürültülü bir kaydın içinde karmakarışık bırakmak yerine güvenle kurtarmalarını sağlar.

Referanslar

1. 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

2. 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

3. 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

4. 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

5. 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

Sıkça Sorulan Sorular

Basit frekans filtreleme neden göz kırpma ve kas aktivitesi gibi EEG artifaktlarını gideremez?

Frekans filtreleme başarısız olur çünkü artifaktlar ve beyin sinyalleri genellikle kas aktivitesi ve frontal teta ritimleri gibi aynı frekans bantlarını paylaşır, bu nedenle birini kaldırmak diğerini de kaldırır. Salınımları çakıştığında bir filtre onları ayıramaz.

Beyin sinyallerini gürültüden ayırmada PCA ile ICA arasındaki temel fark nedir?

PCA yalnızca sinyalleri dekorele eder (aralarındaki doğrusal ilişkiyi keser) ancak istatistiksel bağımsızlık gerektirmez. ICA ise tamamen istatistiksel olarak bağımsız bileşenler arayarak daha ileri gider; bu da birini bilmenin diğeri hakkında hiçbir şey ortaya koymadığı anlamına gelir ve karışık beyin ile artifakt kaynaklarının daha iyi ayrılmasını sağlar.

ICA, beyin sinyallerini artifaktlardan gerçekte nasıl ayırır?

ICA, karışık elektrot sinyallerinin bağımsız, Gauss dışı kaynak sinyallerinin doğrusal kombinasyonları olduğunu varsayar. Elde edilen bileşenlerin bağımsızlığını en üst düzeye çıkaran bir dönüşüm bularak, frekansları örtüşse bile bir göz kırpma gibi belirgin fiziksel kaynakları bir beyin ritminden etkili bir şekilde izole eder.

ICA'nın çalışması için Gauss dışılık neden önemlidir?

Real EEG kaynakları Gauss dışı genlik dağılımlarına sahip olma eğilimindeyken, bağımsız sinyallerin karışımları daha fazla Gauss dağılımına benzer hale gelir. ICA algoritmaları, orijinal kaynakları birbirinden ayırmak için bu Gauss dışı yapıyı arar ve en üst düzeye çıkarır, çünkü en az Gauss olan izdüşümleri bulmak bağımsız bileşenleri kurtarır.

EEG verilerinin ICA öncesi yüksek geçişli filtrelenmesi neden bu kadar önemlidir?

Yüksek geçişli filtre, ICA ayrıştırmasını bozabilecek çok yavaş kaymaları ortadan kaldırır. Çalışmalar, özellikle mobil kayıtlarda veya belirli artifaktları hedeflerken, 1–2 Hz civarındaki filtre kesme değerlerinin, 0.5 Hz gibi daha düşük varsayılan ayarlara kıyasla daha temiz ve beyne daha çok benzeyen bağımsız bileşenler ürettiğini tutarlı bir şekilde bulmuştur.

Makine öğrenimi, ICA bileşenlerinin beyin veya artifakt olarak sınıflandırılmasını otomatikleştirmeye nasıl yardımcı olabilir?

Otomatik sınıflandırıcılar, her bir bileşenin frekans, uzaysal ve zamansal kalıplarından birkaç özellik kullanarak bunları uzman görüşüne yakın bir doğrulukla etiketler. Bu, hangi bileşenlerin kaldırılacağını seçmenin manuel ve öznel iş yükünü azaltır, ancak yeni deneysel paradigmalara uygulandığında performans düşebilir.

Katılımcıların hareket ettiği mobil EEG kayıtları sırasında ICA performansına ne olur?

Hareket, doğrusal karışma varsayımını tamamen bozmaz, bu nedenle ICA hala çalışır, ancak kurtarılabilecek temiz, yorumlanabilir beyin bileşenlerinin sayısını azaltır. Mobil kurulumlar, sabit kayıtlara kıyasla optimal ayrıştırmayı sürdürmek için genellikle daha yüksek bir yüksek geçişli filtre kesme frekansı gerektirir.

ICA doğrusal olmayan karışımlara uygulanabilir mi?

Standart algoritma doğrusal bir karışım varsayar, bu nedenle bunu doğrusal olmayan karmaşık kombinasyonlara uygulamak genellikle modelde özel değişiklikler veya uzantılar gerektirir.