Temel Bileşenler Analizi

EEG'de Temel Bileşen Analizi Nedir?

PCA'yı daha iyi anlamak için, herhangi bir sinyal işleme gerçekleşmeden önce ham EEG verilerinin nasıl göründüğünü göz önüne getirmek faydalı olacaktır.

Tipik bir kayıt, her biri zaman içinde kendi sürekli voltaj ölçümleri akışını üreten birçok elektrot içerir. Bu kanallar birbirinden bağımsız değildir. Hepsi ortak, iletken bir ortamdan (baş) elektriksel aktivite topladığından, sinyalleri karmaşık şekillerde örtüşür ve birbiriyle ilişkilidir (korelasyon gösterir).

PCA, bu birbiriyle ilişkili kanal karmaşasını alır ve bileşen adı verilen yeni bir sinyal kümesi halinde yeniden düzenler. Her bileşen, orijinal kanalların ağırlıklı bir kombinasyonudur, ancak çok önemli bir matematiksel özelliğe sahiptir: bileşenler ortogonaldir, yani birbiriyle ilişkisizdir (aralarında korelasyon yoktur).

PCA ayrıca bu bileşenleri, her birinin açıkladığı varyans veya genel sinyal değişimi miktarına göre sıralar. İlk bileşen verideki varyansın en büyük payını yakalar, ikinci bileşen kalanlar arasındaki en büyük payı yakalar ve liste bu şekilde devam eder.

Bu sıralama, yapaylıkların (artifaktların) genel davranışı nedeniyle çok önemlidir. Örneğin göz kırpmaları, aynı anda birçok elektroda geniş bir şekilde yayılan büyük ve yavaş voltaj dalgalanmaları üretir. Bu durum büyük ve ortak bir değişim paterni yarattığı için göz kırpma aktivitesi en yüksek varyanslı bileşenlerde yoğunlaşma eğilimindedir. Daha zayıf, daha yerel beyin sinyalleri ise genellikle listenin alt sıralarında, daha düşük varyanslı bileşenlerde yer alır.

PCA'yı bağımsız bileşen analizi (ICA) gibi daha iyi bilinen bazı benzerlerinden ayıran bir ayrıntı, altta yatan kaynakların istatistiksel olarak bağımsız olduğunu varsaymamasıdır. Yalnızca elde edilen bileşenlerin ilişkisiz olmasını gerektirir ki bu çok daha esnek bir koşuldur.

Temel Bileşen Analizi (PCA) Nasıl Çalışır? Adım Adım Açıklama

1. Adım: Verileri Standartlaştırın

Karmaşık bir hesaplamaya başlamadan önce, değişkenler arasında denkliği sağlamak için girdiler normalize edilmelidir. Bir değişken mikrovolt, diğeri milisaniye cinsinden ölçülüyorsa, ölçekteki ham farklılıklar sonuçları saptırır. Her değişkenin ortalamasını sıfıra ve standart sapmasını bire ölçeklendirmek, matematiğin tüm girdi özelliklerine eşit ağırlıkla yaklaşmasını sağlar.

2. Adım: Kovaryans Matrisini Hesaplayın

Veriler standartlaştırıldıktan sonraki aşama, her bir özellik çifti arasındaki ilişkilerin haritasını çıkarmaktır. Bir kovaryans matrisi bu etkileşimleri özetleyerek hangi değişkenlerin birlikte hareket ettiğini ve hangilerinin bağımsız olduğunu gösterir. Bu tablo, veri setinin en belirgin yayılımı gösterdiği yönleri belirlemek için temel işlevi görür.

3. Adım: Özvektörleri ve Özdeğerleri Hesaplayın

Bu aşama, veri dağılımının şeklini karakterize eden belirli vektörleri çözmeyi içerir. Özvektörler yeni eksenlerin yönünü belirlerken, özdeğerler bu belirli yönler boyunca yakalanan varyansın büyüklüğünü temsil eder. Bu matematiksel göstergeler, orijinal veri uzayını birincil hareket paternleriyle tanımlanan yeni bir koordinat sistemine döndürmemizi sağlar.

4. Adım: Temel Bileşenleri Seçin

Bileşenler tanımlandıktan sonra analiz, modeli yalnızca toplam varyansın önemli bir bölümünü açıklayanlarla sınırlandırır. Bu filtreleme süreci gürültülü değişkenleri eler ve belirli nicel eşiklere göre yalnızca en bilgilendirici paternleri tutar.

Araştırmacılar, yalnızca baskın bileşenlere odaklanarak sonraki işlem adımlarındaki hesaplama yükünü azaltır. Bu da nihai modelin gerçek zamanlı analiz için hem duyarlı hem de verimli olmasını sağlar.

5. Adım: Orijinal Verileri Dönüştürün

Nihai seçim tamamlandıktan sonra son adım, orijinal gözlem noktalarını bu yeni eksenlere yansıtmaktır (izdüşümünü almaktır). Bu dönüşüm, orijinal ölçümlerin temel topografyasını koruyan yeni ve boyutları azaltılmış bir veri seti oluşturur.

Uzmanlar daha sonra bu dönüştürülmüş değişkenleri sınıflandırma veya kaynak lokalizasyonu gibi sonraki işlemler için kullanarak daha temiz bir sinyal temsilinden yararlanır.

PCA'nın EEG Ön İşleme Sürecindeki Yeri

Pratikte PCA nadiren tek başına çalışır. Genellikle daha büyük bir temizleme sürecinin içinde bir adım olarak yer alır ve şu iki görevden birini yerine getirir:

1. Veri boyutunu küçültmek

2. Artifaktların nerede saklandığını tespit etmeye yardımcı olmak

İlk rol boyut indirgemedir. PCA'yı yoğunluk kestirimi kör kaynak ayrımı (DEBSS) adı verilen bir teknikle birleştiren bir çalışma, daha ileri bir ayrım gerçekleşmeden önce EEG veri setinin boyutunu küçültmek için özellikle PCA'dan yararlanmıştır.

Bu süreçte, yüksek frekanslı gürültü önce dalgacık analizi kullanılarak filtrelenmiş ve ardından DEBSS kalan bileşenleri ayırma görevini devralmadan önce “EEG sinyallerini işleyip veri boyutunu azaltmak için PCA algoritması kullanılmıştır”. Çapraz korelasyon katsayıları ve ilgili doğrusal olmayan parametreler kullanılarak girişim taşıyan bileşenler tanımlandıktan sonra araştırmacılar, kalan daha temiz bileşenlerden sinyali yeniden oluşturmuştur.

İkinci rol ise doğrudan artifakt tespitidir ve bu, Artifakt Altuzay Rekonstrüksiyonu (ASR) adı verilen yaygın bir yöntemin içinde karşımıza çıkar. ASR, kısa EEG veri pencerelerini sürekli olarak analiz edip bunları "temiz" bir referans aktiviteyle karşılaştırarak çalışır.

Bu yöntemin Riemann versiyonunu tanıtan 2019 tarihli bir çalışmaya göre ASR, “bileşen altuzayındaki istatistiksel özelliklerine dayanarak artifaktları tespit etmek amacıyla kovaryans matrisleri üzerinde tekrar tekrar PCA hesaplar”. Burada PCA, kanalların sayısını sadece pratiklik olsun diye azaltmaz. Bir veri kesitinin istatistiksel olarak normal mi yoksa bir artifakt gibi mi göründüğüne anbean karar veren bir motor görevi görür.

Birlikte değerlendirildiğinde bu iki örnek, PCA'nın tek başına eksiksiz bir temizleme stratejisi değil, bir temizleme stratejisinin bileşeni olduğu sonucunu ortaya koyar. İster DEBSS, ister Riemann geometrisi uyarlaması, ister hangi bileşenlerin fiilen kaldırılacağını belirleyen başka bir karar verme süreci olsun, çıktısını genellikle başka bir algoritmaya devreder.

PCA EEG Artifaktlarını İzole Edebilir mi? Kanıtlar Ne Gösteriyor?

PCA'nın artifakt izolasyonunda tercih edilmesinin ardındaki mantık basittir. PCA bileşenleri varyansa göre sıraladığından ve göz kırpmaları ile kas aktiviteleri olağandışı büyük voltaj dalgalanmaları üretme eğiliminde olduğundan, nörobilim teorisi bu artifaktların doğal olarak en üstteki birkaç bileşene ayrılması gerektiğini savunur. Bu doğruysa bir araştırmacı, her bir beyin kaynağının kesin istatistiksel bağımsızlığını modellemeye gerek kalmadan prensipte en kötü parazitleri hızla izole edip atabilir.

Daha önce açıklanan PCA ve DEBSS sürecini test eden çalışma, birleşik yöntemin “çok kanallı EEG sinyallerinin ana parazitlerini hızlı ve etkili bir şekilde ortadan kaldırabildiğini” ve aynı zamanda yaklaşımın “kararlı olup güçlü bir ölçeklenebilirliğe sahip olduğunu” bildirmiştir. Bu olumlu bir sonuçtur ancak tam olarak neyin test edildiğini belirtmek gerekir: tek başına çalışan PCA değil, belirli bir iki adımlı süreç.

Yukarıda bahsedilen 2019 tarihli çalışma ise daha yapılandırılmış bir karşılaştırmalı yaklaşım benimsemiştir. Araştırmacılar, ASR'nin rASR adı verilen Riemann geometrisi tabanlı bir versiyonunu geliştirmiş ve bunu 27 katılımcıyla hem iç hem de dış mekan koşullarında akıllı telefonlara kaydedilen EEG'yi kullanarak standart PCA tabanlı ASR yöntemiyle karşılaştırmıştır.

Performansı üç ayrı ölçüte göre değerlendirmişlerdir:

1. Her yöntemin göz kırpma artifaktlarını ne kadar iyi azalttığı (duyarlılık)

2. Her yöntemin, görsel uyaranlara verilen beyin yanıtları olan görsel uyarılmış potansiyelleri ne kadar iyi koruduğu (özgüllük)

3. Her yöntemin ne kadar hızlı çalıştığı (verimlilik)

Yazarların çıkardığı sonuca göre rASR, standart ASR ile karşılaştırıldığında “her üç ölçütte de üstün performans göstermiştir”.

Bu sonuçlar PCA tabanlı artifakt yönetimi için umut vericidir, ancak bunların arkasındaki kanıt temeli dardır. Bunlar anlamlı ve faydalı ilk bulgulardır, ancak PCA'nın tüm EEG bağlamlarında artifaktları güvenilir bir şekilde izole ettiğine dair genel olarak doğrulanmış bir iddia ortaya koymak için henüz yeterli değildir.

PCA, ICA ve Filtreleme Karşılaştırması: Doğru Aracı Seçmek

EEG araştırmacılarının verileri temizlemek için kullanabileceği çeşitli araçlar vardır ve PCA bunların arasında belirli bir yere sahiptir.

Yüksek geçiren, alçak geçiren ve çentik filtreleri içeren filtreleme, tüm frekans bantlarını kaldırarak veya sönümleyerek çalışır. Bu, elektrik hattı gürültüsü gibi sabit parazitleri gidermek için kullanışlıdır, ancak bir artifakt ile bir beyin sinyali aynı frekans aralığını paylaştığında kesin bir sınıra toslar.

Örneğin bir göz kırpması, frekans açısından yavaş beyin dalgalarıyla örtüşebilir ve bir filtre bunları birbirinden ayıramaz; çünkü kanallar arasındaki varyans paternini değil, yalnızca frekansı görür. PCA ise sinyal varyasyonunun frekans içeriğine değil, elektrotların bütününe nasıl dağıldığına baktığı için tamamen farklı bir eksende çalışır. Bu durum onu filtrelemenin doğrudan bir alternatifi değil, tamamlayıcı bir yaklaşımı haline getirir.

Öte yandan ICA, genellikle PCA ile birlikte anılır; ancak bu iki yöntem farklı varsayımlara dayanır. ICA, birbirinden istatistiksel olarak bağımsız olan bileşenleri arar; bu, PCA'nın basit korelasyonsuzluk şeklindeki daha esnek koşulundan çok daha güçlü ve hesaplama açısından daha zorlu bir gereksinimdir.

ICA bu daha katı ayrım türü için daha derin bir arama yapmak zorunda olduğundan, genellikle daha fazla bilgi işlem süresi ve daha fazla veri gerektirir. Matematiksel olarak daha basit olan PCA ise daha hızlıdır ve bağımsızlığa hiç ihtiyaç duymaz; yalnızca ortaya çıkan bileşenlerin birbiriyle ilişkisiz (korelasyonsuz) olmasını gerektirir.

Hesaplama maliyetindeki bu fark, PCA'nın neden ICA'nın yerine geçmekten ziyade sıklıkla ICA'dan önceki bir hazırlık adımı olarak karşımıza çıktığını açıklar. Boyut sayısını öncelikle PCA ile azaltmak, bir ICA işlemini hızlandırabilir ve verilerin sınırlı olduğu durumlarda aşırı öğrenme (overfitting) riskini azaltabilir. Alternatif olarak PCA, daha hassas bir yöntem geri kalan kısımlara ince ayar yapmadan önce en baskın ve bariz artifaktları ortadan kaldıran kaba bir ilk aşama işlevi görebilir.

PCA Tabanlı Artifakt Temizlemenin Kısıtlamaları

PCA'nın basitliği aynı zamanda zayıf noktalarının da kaynağıdır. Genellikle kendisine atanan artifakt izolasyonu görevini gerçekte ne kadar iyi yerine getirdiğine dair yanıtlanmamış birkaç soru bulunmaktadır.

Varyans, "artifakt" için kusursuz bir gösterge değildir. Posterior alfa aktivitesi (rahatlamış, gözleri kapalı durumlarla ilişkili iyi bilinen bir EEG ritmi) gibi belirli beyin ritimleri, kendi başlarına yüksek genlikli sinyaller üretebilir. Yüksek varyansın her zaman artifakt anlamına geldiğini varsayan bir yöntem, ortadan kaldırması hedeflenen gürültüyle birlikte gerçek beyin aktivitesini de çöpe atma riski taşır.

Diğer taraftan, göz kırpma artifaktları da kendilerini her zaman düzgün bir şekilde tek bir bileşenle sınırlamaz; etkileri aynı anda birkaç bileşene yayılabilir ve bu da basit bir "en üstteki bileşeni çıkar" stratejisini karmaşıklaştırır.

Dikkate alınması gereken yapısal bir uyumsuzluk da vardır. PCA, matematiksel tanımı gereği bileşenlerini birbirine ortogonal olmaya zorlar. Ancak EEG sinyallerini üreten gerçek fiziksel kaynakların—ister sinirsel devreler ister kafa derisine yakın kas grupları olsun—bu ortogonal geometriye uyacak şekilde düzenlendiğinin hiçbir garantisi yoktur.

Varsayım altta yatan gerçeklikle örtüşmediğinde, PCA'nın ürettiği ayrım, dokuda gerçekte ne olup bittiğinin doğru bir yansımasından ziyade matematiksel bir kolaylıktan ibaret kalabilir.

EEG Analizinde PCA Kullanımına Dair Pratik Tavsiyeler

Bir EEG veri setini ilk kez inceleyen biri için PCA, özellikle belirli bir kayıtta hangi varyasyon modellerinin baskın olduğunu görmek açısından makul bir başlangıç noktası olmaya devam etmektedir. İşte sıklıkla önerilen bazı ipuçları:

• PCA'yı nihai bir temizleme adımı olarak değil, boyut indirgemek veya baskın artifakt modellerini işaretlemek için bir ön adım olarak kullanın.

• PCA'yı, hangi bileşenlerin çıkarılacağına karar verebilecek sonraki bir yöntemle (örn. ICA, DEBSS, ASR) birleştirin.

• Artifaktları temsil ettiklerini doğrulamak için elenen bileşenlerin kafa derisi topografyasını ve zaman seyrini her zaman görsel olarak inceleyin.

• Kayıt ortamları arasındaki (laboratuvar ve mobil) sonuç değişkenliğine dikkatle yaklaşın ve kendi verileriniz üzerinde doğrulama yapın.

Emotiv Tabanlı EEG Araştırmalarında Temel Bileşen Analizi

Emotiv headset cihazları, temel bileşen analizinin temel bir hesaplama yöntemi olarak hizmet ettiği ve tekniğin sınıflandırma, sensör seçimi, ön işleme ve sinyal kalitesi iyileştirme alanlarındaki çok yönlülüğünü gösteren bir dizi hakemli çalışmada kullanılmıştır.

P300 Speller Doğruluğu için PCA Topluluk Sınıflandırıcısı

Giyilebilir BCI gelişimi verimli sinyal işlemeyi gerektirir ve bir çalışma, Emotiv neuroheadset ile kaydedilen P300 tabanlı harf dökücüler (speller) için bir PCA topluluk sınıflandırıcısını değerlendirmiştir. Klasik bir oddball paradigması kullanan yazarlar, topluluk yaklaşımlarını geleneksel özellik çıkarma ve sınıflandırma yöntemleriyle karşılaştırmıştır.

Çapraz doğrulama verilerinde PCA topluluğu ortalama %86,29 doğruluk elde ederken, çevrimdışı testler geleneksel yöntemlere kıyasla %73,3 ile anlamlı derecede daha yüksek bir ortalama sınıflandırma doğruluğu sağlamıştır. Sonuçlar, PCA tabanlı topluluk sınıflandırmasının, mobil ve tüketici sınıfı bir EEG cihazından gelen P300 verilerini işlemek için uygulanabilir bir strateji olduğuna işaret etmektedir.

PCA ile Biyometrik Tanımlama için Minimum EEG Sensörlerinin Seçilmesi

Ayırt edici bilgilerden ödün vermeden elektrot sayısını azaltmak, biyometrik sistemler için pratik bir zorluktur. Araştırmacılar, Emotiv EPOC+ headset ve daha büyük bir halka açık veri setini kullanarak kişi tanımlaması için minimum EEG sensörü seçimini incelemiştir. İki azaltma metodolojisi uygulanmıştır: biri temel bileşen analizine, diğeri ise Wilcoxon işaretli sıra testine dayalıdır.

Çalışma, her iki yaklaşımın da güvenilir bireysel tanımlama için gerekli minimum elektrot setinin belirlenmesini sağladığını ve PCA'nın hangi kortikal alanların ayrılabilir paternlerle en çok katkıda bulunduğunu saptamaya yardımcı olduğunu bildirmektedir. Bu durum, PCA'nın laboratuvar konfigürasyonlarını daha basit ve daha pratik sensör dizilimlerine dönüştürmedeki boyut indirgeme rolünü ortaya koymaktadır.

Artifakt Temizleme için PCA'nın CSP ve CAR ile Karşılaştırılması

Bir ön işleme boru hattı karşılaştırmasında, farklı algoritmaların sınıflandırma öncesinde sinyalleri ne kadar iyi temizlediğini değerlendirmek amacıyla Emotiv EPOC ile EEG kaydedilmiştir. Ön işleme algoritmalarının karşılaştırıldığı bir çalışmada, temel bileşen analizi artifakt temizleme açısından Ortak Uzamsal Patern (CSP) ve Ortak Ortalama Referans (CAR) ile birlikte test edilmiş, ardından Güç Spektral Yoğunluğu özellikleri bir Destek Vektör Makinesi sınıflandırıcısına beslenmiştir.

Yazarlar, PCA'nın %94,28'lik bir performans sunarak kendi düzeneklerindeki diğer algoritmaları geride bıraktığını gözlemlemiştir. Bu, tüketici sınıfı EEG donanımlarıyla çalışırken PCA'nın bir ön işleme zincirinin etkili bir bileşeni olarak hareket edebileceğini göstermektedir.

Kolektif Ritim Çıkarımını Geliştirme: PCA ve Kosambi-Hilbert Burulması Karşılaştırması

Birden fazla EEG sensörü salınımsal aktivite yakaladığında, genellikle yüksek sinyal-gürültü oranına sahip ortak bir ritmin çıkarılması istenir. Emotiv EPOC+ ile kolektif ritim kalitesini artırma üzerine yapılan bir çalışmada, geleneksel temel bileşen analizi ile Kosambi-Hilbert burulması (KHT) yöntemi karşılaştırılmıştır. Veriler, gözler kapalı dinlenme sırasında ve 15 Hz'de titreyen bir ekrana bakılırken kaydedilmiştir.

Araştırmacılar, özellikle kanallar arasında rastgele zamansal kaymalar uygulandığında, KHT'nin kolektif sinyal için PCA'dan daha iyi bir sinyal-gürültü oranı elde ettiğini bildirmektedir. Bu çalışma, PCA'nın ortak ritim çıkarımı için basit bir temel çizgi sunmasına karşın, faz duyarlı yöntemlerin ilgilenilen sinyali daha da güçlendirebileceğini göstermektedir.

Birlikte ele alındığında bu çalışmalar; sınıflandırma ve biyometrik tanımlamadan ön işleme ve ritim çıkarımına kadar oldukça farklı EEG görevlerinde, Emotiv donanımı kullanılarak temel bileşen analizinin nasıl çalıştığını vurgulamaktadır. Sonuçlar kendi özel koşulları dahilinde umut verici olmakla birlikte, belirli paradigmalar, nispeten küçük örneklem boyutları ve çevrimdışı analizlerle sınırlı kalmaktadır. Bulgular, PCA'yı EEG araştırma süreçlerinde çok yönlü bir araç olarak desteklemekte, ancak gerçek zamanlı, düşük maliyetli BCI uygulamaları için henüz herkese uyacak tek tip bir reçete oluşturmamaktadır.

Sonuç: PCA Güvenilir Bir EEG Temizleme Yöntemi midir?

PCA, karmaşık beyin dalgası verilerini sıralı bileşenlere dönüştürerek araştırmacılara bir kaydın en gürültülü kısımlarına hızla odaklanma imkanı tanır. Bu yaklaşım, özellikle göz kırpmaları veya kas hareketleri sinyale hakim olduğunda oldukça yararlıdır; zira bunlar genellikle en yüksek varyanslı basamaklara yükselir.

Ancak gerçek beyin ritimleri de güçlü sinyaller üretebildiğinden, neyin artifakt ve neyin değerli nöral veri olduğuna karar verme konusunda bu yönteme tek başına güvenilemez.

Referanslar

1. Kang, D., & Zhizeng, L. (2012, Mart). A method of denoising multi-channel EEG signals fast based on PCA and DEBSS algorithm. 2012 International Conference on Computer Science and Electronics Engineering içinde (Cilt 3, ss. 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

Sıkça Sorulan Sorular

EEG bağlamında temel bileşen analizi (PCA) nedir?

PCA, çok kanallı EEG verilerini birbiriyle ilişkisiz (korelasyonsuz) bileşenler adı verilen yeni bir sinyal kümesi halinde yeniden düzenleyen matematiksel bir yöntemdir. Bu bileşenleri yakaladıkları varyans miktarına göre sıralar; ilk bileşen genel sinyal değişiminin en büyük kısmını açıklar.

PCA, EEG verilerinden artifaktların temizlenmesine nasıl yardımcı olur?

Göz kırpmaları gibi artifaktlar büyük ve yaygın voltaj dalgalanmaları ürettiğinden, en yüksek varyanslı bileşenlerde yoğunlaşma eğilimindedir. PCA'nın varyansa göre yaptığı sıralama, araştırmacıların sıklıkla en yıkıcı gürültüyü barındıran bu üst bileşenleri belirlemesine ve potansiyel olarak elemesine olanak tanır.

PCA, EEG sinyallerini temizlemek için tek başına çalışır mı?

Hayır, PCA nadiren tek başına bir temizleme çözümü olarak kullanılır. Genellikle DEBSS gibi başka bir yöntemi uygulamadan önce veri boyutlarını azaltarak veya Artifakt Altuzay Rekonstrüksiyonu (ASR) gibi bir çerçevenin içindeki tespit motoru olarak hizmet ederek daha büyük bir sürecin adımı olarak görev yapar.

Artifakt temizlemede PCA ile ICA arasındaki fark nedir?

PCA, ortaya çıkan bileşenlerin yalnızca ilişkisiz olmasını gerektirir ki bu daha esnek bir matematiksel koşuldur; ICA ise istatistiksel olarak bağımsız bileşenler arar ki bu daha katı ve hesaplama açısından daha zorlu bir gereksinimdir. PCA daha hızlıdır ve genellikle ICA'nın alternatifi olmaktan ziyade ondan önceki bir hazırlık adımı olarak kullanılır.

PCA, artifaktlarla birlikte gerçek beyin aktivitesini yanlışlıkla silebilir mi?

Evet, PCA artifaktları belirlemek için varyansa güvendiğinden, posterior alfa aktivitesi gibi yüksek genlikli beyin ritimleri gürültü zannedilebilir. Ayrıca artifaktlar birden fazla bileşene yayılabilir, bu nedenle yalnızca en üstteki bileşeni çıkarmak gerçek nöral sinyallerin elenmesine yol açabilir.

EEG temizliğinde PCA, frekans filtreleme ile nasıl karşılaştırılır?

Frekans filtreleme, belirli frekans bantlarındaki sinyal enerjisini kaldırır veya zayıflatır; ancak aynı frekansları paylaşan bir artifakt ile beyin sinyalini ayıramaz. PCA ise bunun yerine tüm elektrotlar genelindeki varyans modellerine bakar, bu da onu verilerin farklı bir boyutunu ele alan tamamlayıcı bir yaklaşım haline getirir.

Bir araştırmacı EEG ön işleme akışında PCA'yı güvenli bir şekilde nasıl kullanmalıdır?

PCA, diğer yöntemleri uygulamadan önce bir boyut indirgeme adımı olarak veya bir kayıtta hangi paternlerin baskın olduğunu incelemeye yardımcı bir araç olarak kullanılabilir. Araştırmacılar, yalnızca varyans sıralamasına körü körüne güvenmek yerine, elemeyi planladıkları bileşenlerin kafa derisi topografyasını ve zaman seyrini kontrol ederek bunları görsel olarak incelemelidir.