Phân tích thành phần độc lập

Phân tích thành phần độc lập (ICA) là gì?

Phân tích thành phần độc lập là một kỹ thuật tính toán và thống kê tinh vi tập trung vào việc trích xuất các yếu tố hoặc thành phần ẩn từ một tập hợp các quan sát hỗn hợp.

Trong nhiều tình huống thực tế, dữ liệu ghi lại được là kết quả của nhiều tín hiệu nguồn hoạt động đồng thời thông qua một môi trường, tạo ra một sự chồng lấp phức tạp thường không thể hiểu được ở dạng thô của nó. Bằng cách thực hiện các phép biến đổi đại số cụ thể, phương pháp này hoạt động như một bộ lọc để đảo ngược quá trình trộn.

Khái niệm cốt lõi: Tách biệt các tín hiệu hỗn hợp

Giả thuyết cơ bản của lĩnh vực này xoay quanh "vấn đề bữa tiệc cocktail", nơi nhiều người nói chuyện cùng một lúc trong một căn phòng trong khi một số micrô ghi lại sự hỗn độn thính giác kết quả.

Một người quan sát vô tình chỉ nghe thấy một sự pha trộn hỗn loạn của các giọng nói, nhưng về mặt lý thuyết, ICA có thể xác định tín hiệu được đóng góp bởi mỗi người nói riêng lẻ. Khả năng này cho phép các nhà nghiên cứu cô lập các dạng sóng cụ thể từ một luồng toàn cầu, cung cấp một cửa sổ rõ ràng vào các kênh dữ liệu riêng lẻ mà nếu không sẽ bị che khuất.

Nền tảng toán học của ICA

Về mặt toán học, mục tiêu là thực hiện một sự tách nguồn mù, tìm kiếm một phép biến đổi tuyến tính giúp làm cho các biến quan sát được độc lập nhất có thể. Với một vectơ dữ liệu quan sát được, thuật toán tìm kiếm một ma trận tách hỗn hợp mà khi nhân với các quan sát, sẽ mang lại các tín hiệu nguồn ước tính có phân phối thống kê độc lập.

Để đạt được điều này đòi hỏi các tín hiệu này phải phi Gauss, vì các thuộc tính toán học của phân phối Gauss khiến chúng không thể tách biệt một cách duy nhất. Trong bối cảnh của khoa học thần kinh hiện đại, sự nghiêm ngặt này đảm bảo rằng các dao động điện tinh vi không bị mất vào nhiễu nền của sự can thiệp xung quanh.

Phân tích thành phần độc lập hoạt động như thế nào?

Hoạt động thành công với dữ liệu nhiều chiều, quá trình này dựa vào việc biến đổi một hỗn hợp thành các phần cấu thành của nó bằng cách đo lường tính phi Gauss. Bởi vì các tín hiệu hỗn hợp thường có xu hướng hướng tới phân phối Gauss do định lý giới hạn trung tâm, thuật toán hoạt động bằng cách tích cực tìm kiếm các hướng trong dữ liệu càng xa phân phối Gauss càng tốt.

Các thành phần kết quả thực sự là các tín hiệu "thuần khiết" tái thiết lập nguồn ban đầu độc lập với quá trình trộn.

Các giả định của ICA

Việc thực hiện thành công thuật toán này dựa trên một số yêu cầu quan trọng. Giả định quan trọng nhất là các tín hiệu nguồn độc lập về mặt thống kê với nhau; nếu việc biết giá trị của một nguồn không cung cấp thông tin về nguồn khác, chúng đủ điều kiện để tách biệt.

Ngoài ra, thuật toán giả định số lượng tín hiệu hỗn hợp quan sát được ít nhất phải lớn bằng số lượng các nguồn độc lập. Cuối cùng, như đã lưu ý, các nguồn phải thể hiện phân phối phi Gauss, vì cấu trúc khác biệt này tạo ra các mốc dấu mà thuật toán cần để neo giữ các nỗ lực tách biệt của nó.

Thuật toán phân tích thành phần độc lập: Các kỹ thuật chính

Một vài cách tiếp cận thuật toán tồn tại để đạt được sự tách biệt này, trong đó FastICA và Infomax là một trong những ví dụ nổi bật nhất. Các phương pháp này điều chỉnh lặp đi lặp lại ma trận tách hỗn hợp để giảm thiểu thông tin tương hỗ hoặc tối đa hóa tính phi Gauss của các đầu ra.

Quá trình tối ưu hóa đòi hỏi nhiều tài nguyên tính toán, cần triển khai cẩn thận để đảm bảo sự hội tụ nhất quán trên các tập dữ liệu khác nhau. Bằng cách tinh chỉnh các trọng số này, hệ thống sẽ tiến triển bóc tách các lớp can thiệp cho đến khi từng tín hiệu riêng biệt xuất hiện rõ ràng.

Phân tích thành phần độc lập so với Phân tích thành phần chính (ICA so với PCA)

Mặc dù cả hai kỹ thuật đều được sử dụng để giảm chiều hoặc phân tích tín hiệu, các mục tiêu chức năng của chúng khác nhau đáng kể. Các nhà nghiên cứu phải lựa chọn giữa chúng dựa trên việc họ tìm kiếm nắm bắt phương sai hay tính độc lập trong tập dữ liệu của họ.

Việc chọn đúng công cụ phụ thuộc vào các mục tiêu cụ thể của phân tích cơ bản. Trong khi PCA rất tốt cho việc nén dữ liệu trong đó việc duy trì các xu hướng chính là mấu chốt, ICA lại vượt trội khi mục tiêu là xác định các quy trình độc lập, duy nhất đóng góp vào tổng quan sát.

Cách phân tích thành phần độc lập tách biệt tín hiệu não khỏi nhiễu

Phân tích thành phần độc lập áp dụng một cách tiếp cận nghiêm ngặt hơn PCA. Thay vì chỉ loại bỏ mối tương quan giữa các tín hiệu, ICA tìm kiếm các thành phần độc lập về mặt thống kê, nghĩa là việc biết giá trị của một thành phần không cung cấp bất kỳ thông tin nào về bất kỳ thành phần nào khác.

Đây là một tiêu chuẩn cao hơn nhiều so với việc loại bỏ tương quan, và đó là điều cho phép ICA tách rời các tín hiệu có chung nội dung tần số nhưng bắt nguồn từ các nguồn vật lý thực sự riêng biệt: một cái nháy mắt ở đây, một cái nghiến quai hàm ở kia, một vùng vỏ não thị giác phản ứng với một kích thích ở một nơi khác.

• Nghiên cứu của Winkler và các cộng sự áp dụng TDSEP, một phiên bản của ICA có yếu tố tương quan tạm thời theo thời gian, chứ không chỉ là các thống kê tức thời của tín hiệu.

• Nghiên cứu của Olaf Dimigen sử dụng Infomax, một thuật toán ICA được sử dụng rộng rãi.

• Nghiên cứu của Mognon xây dựng công cụ phát hiện tự động của nó dựa trên một quy trình chung dựa trên ICA.

Bất chấp những khác biệt trong việc triển khai, tất cả các phương pháp này đều dựa trên cùng một nguyên lý cơ bản: phân rã tín hiệu điện cực hỗn hợp thành một tập hợp các thành phần hoạt động độc lập với nhau, sau đó tìm ra thành phần nào trong số đó trông giống như hoạt động của não và thành phần nào trông giống như một nhiễu tác.

Các giả định cốt lõi đằng sau ICA: Tính phi Gauss và Trộn tuyến tính

ICA hoạt động nhờ hai giả định cụ thể về dữ liệu, và việc hiểu chúng giải thích cả điểm mạnh và điểm thất bại của nó.

1. Giả định thứ nhất là tính phi Gauss. Các nguồn EEG thực sự, cho dù chúng là nhịp não, nháy mắt hay bùng nổ cơ bắp, có xu hướng có các phân phối biên độ lệch khỏi hình dạng đường cong hình chuông của phân phối Gauss (chuẩn). Các thuật toán ICA được xây dựng để tìm kiếm và tối đa hóa cấu trúc phi Gauss này, bởi vì một hỗn hợp các tín hiệu độc lập có xu hướng trông giống Gauss hơn bất kỳ thành phần riêng lẻ nào của nó (một hệ quả của định lý giới hạn trung tâm).

2. Giả định thứ hai là trộn tuyến tính. ICA giả định rằng những gì một điện cực ghi lại là một sự kết hợp tuyến tính, tức thời của các tín hiệu nguồn tiềm ẩn, một giả định tương đối tốt đối với cách hoạt động điện lan truyền qua mô và hộp sọ (một quá trình được gọi là dẫn truyền thể tích) trong các điều kiện ghi ổn định. Giả định này dễ đáp ứng nhất khi một người ngồi yên.

Tại sao lọc thông cao trước khi chạy ICA lại thay đổi mọi thứ

Chất lượng của một phân rã ICA phụ thuộc rất nhiều vào cách tín hiệu được xử lý trước khi thuật toán chạy, và việc lựa chọn tần số cắt lọc thông cao (bộ lọc loại bỏ các độ lệch rất chậm dưới một tần số đã thiết lập) hóa ra là một trong những quyết định có ảnh hưởng lớn nhất trong toàn bộ quy trình.

Một nghiên cứu năm 2015 do Winkler và các cộng sự dẫn đầu đã thử nghiệm điều này trực tiếp bằng cách sử dụng dữ liệu điện thế liên quan đến sự kiện (ERP), các mô hình sóng não được đồng bộ hóa thời gian với một kích thích cụ thể, từ 21 người tham gia thực hiện một nhiệm vụ oddball thính giác. Lọc thông cao trong khoảng từ 1 đến 2 Hz liên tục tạo ra kết quả tốt trên ba phép đo riêng biệt: tỷ lệ tín hiệu trên nhiễu, độ chính xác của phân loại thử nghiệm đơn lẻ (single-trial), và tỷ lệ phần trăm các thành phần trông có vẻ "gần lưỡng cực" (near-dipolar), nghĩa là chúng có một mô hình không gian nhất quán với một nguồn não duy nhất, cục bộ thay vì một sự pha trộn mờ nhạt của nhiều nguồn.

Hơn nữa, trong một nghiên cứu năm 2020, Klug và các cộng sự đã kiểm tra cùng một câu hỏi trên các thiết lập ghi điện não tĩnh và di động. Đối với một thử nghiệm tĩnh tiêu chuẩn với 64 kênh và bộ lọc 0,5 Hz, kết quả là chấp nhận được. Nhưng các thử nghiệm di động đòi hỏi tần số cắt cao hơn, lên đến 2 Hz, để đạt được sự phân rã tối ưu, và các thiết lập có nhiều kênh hơn cần các bộ lọc tương ứng cao hơn.

Nghiên cứu của Olaf Dimigen đã đẩy ý tưởng này đi xa hơn trong bối cảnh cụ thể của các nhiễu tác chuyển động mắt. Thay đổi một cách có hệ thống bộ lọc thông cao, bộ lọc thông thấp, và tỷ lệ dữ liệu huấn luyện chứa các điện thế gai chuyển động mắt nhanh (saccadic spike potentials), nhà nghiên cứu nhận thấy rằng việc huấn luyện ICA trên dữ liệu nơi các điện thế gai này được tăng trọng số một cách ồ ạt đã cải thiện mạnh mẽ chất lượng hiệu chỉnh.

Cùng nhau, ba nghiên cứu này đều chỉ ra cùng một kết luận: các thiết lập bộ lọc mặc định, đặc biệt là tần số cắt phổ biến 0,5 Hz, có thể quá lỏng lẻo đối với nhiều trường hợp sử dụng, và sự lựa chọn chính xác phụ thuộc vào các điều kiện ghi và nhiễu tác cụ thể.

Tự động hóa việc lựa chọn thành phần nhiễu tác bằng học máy

Một khi ICA tạo ra một tập hợp các thành phần độc lập, ai đó hoặc cái gì đó vẫn phải quyết định thành phần nào đại diện cho hoạt động của não và thành phần nào đại diện cho nhiễu tác. Việc dán nhãn thủ công bởi các chuyên gia được đào tạo là rất chậm và mang tính chủ quan, vì các chuyên gia khác nhau không phải lúc nào cũng đồng ý về các trường hợp ranh giới.

Để giải quyết vấn đề này, nhóm của Winkler đã xây dựng một bộ phân loại tuyến tính độc lập với đối tượng bằng cách chỉ sử dụng sáu tính năng được rút ra từ các đặc điểm tần số, không gian và thời gian của mỗi thành phần. Được huấn luyện trên 640 thành phần TDSEP được dán nhãn thủ công từ 12 người tham gia trong một nghiên cứu về thời gian phản ứng, bộ phân loại đã đạt được Sai số Bình phương Trung bình (MSE) dưới 10% khi thử nghiệm trên dữ liệu mới, một mức hiệu suất ngang bằng với tỷ lệ bất đồng tự nhiên giữa các chuyên gia con người.

Khi áp dụng mà không cần huấn luyện lại cho một mô hình ERP thính giác hoàn toàn khác, cùng một bộ phân loại đó đạt được MSE là 15%, một kết quả hợp lý nhưng rõ ràng là yếu hơn, phản ánh khó khăn của việc khái quát hóa giữa các mô hình thử nghiệm. Trong một nhiệm vụ giao diện não-máy tính (BCI) hình ảnh vận động, các nhà nghiên cứu đã chứng minh rằng việc loại bỏ tới 60% các thành phần mang tính nhiễu tác nhất vẫn bảo toàn được thông tin phân biệt cần thiết để BCI hoạt động.

Hơn nữa, nhóm của Mognon đã giới thiệu ADJUST, một thuật toán hoàn toàn tự động kết hợp các đặc điểm không gian và thời gian được điều chỉnh đặc biệt để phát hiện nháy mắt, chuyển động mắt, và các điểm không liên tục chung. Được xác thực trên một tập dữ liệu độc lập, phân loại các thành phần của ADJUST đã thống nhất với việc dán nhãn thủ công của chuyên gia trên 95,2% phương sai dữ liệu. Việc loại bỏ các thành phần mà ADJUST đánh dấu là nhiễu tác đã tạo ra những gì mà nghiên cứu mô tả là sự tái thiết tinh gọn của các điện thế liên quan đến sự kiện thị giác và thính giác từ dữ liệu bị nhiễu nặng.

Cả hai công cụ đều đại diện cho tiến trình thực sự hướng tới việc giảm bớt gánh nặng thủ công của việc làm sạch EEG, nhưng hiệu suất được báo cáo của chúng đến từ các tập dữ liệu và mô hình thử nghiệm cụ thể, và khả năng khái quát hóa cho các điều kiện mới không được đảm bảo.

Những lưu ý thực tế để làm sạch dữ liệu EEG với ICA

Phân tích thành phần độc lập hoạt động vì nó nhắm vào tính độc lập thống kê thực sự thay vì thuộc tính yếu hơn là loại bỏ tương quan mà các phương pháp như PCA dựa vào. Sự khác biệt này là điều cho phép nó tách rời các tín hiệu não và các nhiễu tác ngay cả khi nội dung tần số của chúng chồng chéo lên nhau, điều mà việc lọc miền tần số không thể làm được và điều mà hiệu chỉnh EOG dựa trên hồi quy đã thất bại trong các thử nghiệm trực tiếp.

Tuy nhiên, thành công đó là có điều kiện. Lọc thông cao trong phạm vi từ 1 đến 2 Hz đã được chứng minh là tạo ra các phân rã tốt nhất quán trong nghiên cứu ERP tĩnh, trong khi các bản ghi di động được hưởng lợi từ các bộ lọc lên đến 2 Hz, với số lượng kênh cũng đóng một vai trò quan trọng. Đối với các nhiễu tác đặc biệt khó khăn như điện thế gai chuyển động mắt nhanh trong quá trình quan sát tự do, việc cố tình tăng trọng số cho nhiễu tác trong quá trình huấn luyện, thay vì sử dụng các cài đặt mặc định, có thể biến một hiệu chỉnh không đạt yêu cầu thành một hiệu chỉnh loại bỏ gần như tất cả sự nhiễm tạp với sự biến dạng tối thiểu đối với hoạt động của não.

Hơn nữa, các bộ phân loại thành phần tự động, bao gồm mô hình tuyến tính sáu tính năng từ các nghiên cứu nói trên và thuật toán ADJUST, có thể cắt giảm đáng kể thời gian và tính chủ quan liên quan đến việc dán nhãn thủ công. Cả hai đều cho thấy sự đồng thuận mạnh mẽ với đánh giá của chuyên gia trên dữ liệu xác thực của họ. Tuy nhiên, cả hai đều không nên được coi là một giải pháp vạn năng mà không có một số nhận thức về cách hiệu suất có thể thay đổi trên các mô hình thử nghiệm và thiết bị ghi nhận dữ liệu khác nhau.

Loại bỏ nhiễu tác dựa trên ICA vẫn là một trong những phương pháp được hỗ trợ tốt hơn hiện có để làm sạch dữ liệu EEG, và khoa học thần kinh đằng sau nó được dựa trên một logic thống kê chặt chẽ. Nhưng hiệu suất thực tế của nó phụ thuộc vào các quyết định được đưa ra từ lâu trước khi thuật toán chạy: cài đặt bộ lọc, cấu trúc dữ liệu huấn luyện, và nhiễu tác cụ thể được nhắm mục tiêu. Bất kỳ ai áp dụng nó nên xác thực kết quả bằng các số liệu khách quan thay vì giả định rằng một cấu hình duy nhất sẽ hoạt động ở mọi nơi.

Tại sao các lựa chọn tiền xử lý quyết định sự thành công của ICA trong EEG

Dữ liệu não sạch là nền tảng cho mọi thứ, từ các thiết bị điều khiển bằng suy nghĩ đến nghiên cứu trí nhớ cẩn thận. Phân tích thành phần độc lập cung cấp một cách toán học hợp lý để tách biệt hoạt động thần kinh hỗn hợp và tiếng ồn cơ thể, ngay cả khi các phương pháp đơn giản hơn như lọc đơn giản không đạt yêu cầu. Bằng cách nhắm vào tính độc lập thống kê thực sự, nó có thể tiết lộ các dấu vân tay điện riêng biệt của một nhịp não thực sự và một cái nháy mắt xảy ra trong cùng một băng tần số.

Tuy nhiên, sức mạnh thực sự chỉ xuất hiện khi các nhà nghiên cứu vượt qua các giá định mặc định cắm-và-chạy. Các nghiên cứu cho thấy rằng việc điều chỉnh bộ lọc thông cao cho phù hợp với tình huống ghi cụ thể và chuẩn bị cẩn thận các ví dụ huấn luyện cho các bộ phát hiện nhiễu tác là những gì biến ICA từ một thử nghiệm đầy hy vọng thành một công cụ đáng tin cậy nhất quán. Việc dành sự chú ý cá nhân hóa này cho phép các nhà khoa học tự tin khôi phục các thông điệp của não thay vì để chúng bị xáo trộn bên trong một bản ghi đầy nhiễu.

Tài liệu tham khảo

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

Các câu hỏi thường gặp

Tại sao việc lọc tần số đơn giản không thể loại bỏ các nhiễu tác EEG như nháy mắt và hoạt động cơ bắp?

Lọc tần số thất bại vì các nhiễu tác và tín hiệu não thường có chung các băng tần số, chẳng hạn như hoạt động cơ bắp và nhịp theta trán, vì vậy việc loại bỏ một thành phần cũng đồng thời loại bỏ thành phần kia. Bộ lọc không thể tách chúng ra khi dao động của chúng chồng chéo lên nhau.

Sự khác biệt chính giữa PCA và ICA trong việc tách tín hiệu não khỏi nhiễu là gì?

PCA chỉ loại bỏ mối tương quan giữa các tín hiệu—nó làm cho chúng không tương quan tuyến tính—nhưng không yêu cầu tính độc lập thống kê. ICA tiến xa hơn bằng cách tìm kiếm các thành phần hoàn toàn độc lập về mặt thống kê, nghĩa là biết một thành phần không tiết lộ điều gì về thành phần kia, điều này cho phép tách tốt hơn các nguồn hỗn hợp của não và nhiễu tác.

ICA thực sự tách tín hiệu não khỏi nhiễu tác như thế nào?

ICA giả định rằng các tín hiệu điện cực hỗn hợp là các kết hợp tuyến tính của các tín hiệu nguồn phi Gauss, độc lập. Nó tìm thấy một phép biến đổi tối đa hóa tính độc lập của các thành phần kết quả, cách ly hiệu quả các nguồn vật lý riêng biệt như nháy mắt khỏi nhịp não ngay cả khi tần số của chúng trùng nhau.

Tại sao tính phi Gauss lại quan trọng để ICA hoạt động?

Các nguồn EEG thực tế thường có phân phối biên độ phi Gauss, trong khi các hỗn hợp tín hiệu độc lập có xu hướng trở nên Gauss hơn. Các thuật toán ICA tìm kiếm và tối đa hóa cấu trúc phi Gauss này để bóc tách các nguồn ban đầu, bởi vì việc tìm kiếm các hình chiếu ít Gauss nhất sẽ phục hồi các thành phần độc lập.

Tại sao lọc thông cao dữ liệu EEG trước khi chạy ICA lại cực kỳ quan trọng?

Bộ lọc thông cao loại bỏ các dải trôi chậm có thể làm hỏng quá trình phân rã ICA. Các nghiên cứu liên tục phát hiện ra rằng các tần số cắt của bộ lọc khoảng 1–2 Hz tạo ra các thành phần độc lập sạch hơn, giống não hơn so với các cài đặt mặc định thấp hơn như 0,5 Hz, đặc biệt là trong các bản ghi di động hoặc khi nhắm tới các nhiễu tác cụ thể.

Học máy có thể giúp tự động hóa việc phân loại các thành phần ICA là não hay nhiễu tác như thế nào?

Các bộ phân loại tự động sử dụng một vài tính năng từ biểu đồ tần số, không gian và thời gian của từng thành phần để dán nhãn chúng với độ chính xác gần với sự đồng thuận của chuyên gia. Điều này làm giảm khối lượng công việc thủ công, mang tính chủ quan trong việc chọn thành phần nào cần loại bỏ, mặc dù hiệu suất có thể giảm khi áp dụng cho các mô hình thử nghiệm mới.

Điều gì xảy ra với hiệu suất ICA trong quá trình ghi EEG di động khi đối tượng di chuyển xung quanh?

Chuyển động không phá vỡ hoàn toàn giả định trộn tuyến tính, vì vậy ICA vẫn hoạt động, nhưng nó làm giảm số lượng các thành phần não sạch, có thể diễn giải được có thể thu hồi được. Các thiết lập di động thường yêu cầu một tần số cắt bộ lọc thông cao cao hơn để duy trì sự phân rã tối ưu so với các bản ghi cố định.

ICA có thể được áp dụng cho các hỗn hợp phi tuyến tính không?

Thuật toán tiêu chuẩn giả định một hỗn hợp tuyến tính, do đó việc áp dụng nó vào các tổ hợp phi tuyến tính phức tạp thường đòi hỏi các sửa đổi chuyên biệt hoặc mở rộng cho mô hình.