Phân tích thành phần chính (PCA)

Phân tích thành phần chính (PCA) trong EEG là gì?

Để hiểu sâu hơn về PCA, việc hình dung dữ liệu EEG thô trông như thế nào trước khi bất kỳ quá trình xử lý tín hiệu nào diễn ra sẽ rất hữu ích.

Một bản ghi thông thường bao gồm nhiều điện cực, mỗi điện cực tạo ra một chuỗi chỉ số điện áp liên tục theo thời gian riêng biệt. Các kênh này không độc lập với nhau. Do tất cả đều thu nhận hoạt động điện từ một môi trường dẫn điện chung (phần đầu), tín hiệu của chúng chồng chéo và tương quan với nhau theo những cách phức tạp.

PCA tiếp nhận mạng lưới các kênh tương quan chằng chịt này và sắp xếp lại nó thành một tập hợp tín hiệu mới gọi là các thành phần (components). Mỗi thành phần là một tổ hợp có trọng số của các kênh ban đầu, nhưng có một đặc tính toán học then chốt: các thành phần này trực giao, nghĩa là chúng không tương quan với nhau.

PCA cũng xếp hạng các thành phần này dựa trên mức độ phương sai, hay sự biến thiên tổng thể của tín hiệu, mà mỗi thành phần giải thích được. Thành phần đầu tiên nắm giữ phần lớn phương sai nhất trong dữ liệu, thành phần thứ hai nắm giữ phần lớn tiếp theo trong số còn lại, và cứ tiếp tục như vậy cho đến hết danh sách.

Xếp hạng này rất quan trọng do đặc tính thường gặp của các nhiễu ảnh (artifacts). Ví dụ, việc chớp mắt tạo ra các dao động điện áp lớn, chậm và lan rộng trên nhiều điện cực cùng một lúc. Vì điều này tạo ra một mô hình biến thiên lớn và có tính chia sẻ chung, nên hoạt động chớp mắt có xu hướng tập trung ở các thành phần có phương sai cao nhất. Các tín hiệu não yếu hơn, có tính khu trú hơn thường nằm ở vị trí thấp hơn trong danh sách, thuộc các thành phần có phương sai thấp hơn.

Một chi tiết phân biệt PCA với một số phương pháp phổ biến khác cùng họ như phân tích thành phần độc lập (ICA) là nó không giả định rằng các nguồn cơ bản độc lập về mặt thống kê. Nó chỉ yêu cầu các thành phần kết quả không tương quan với nhau, một điều kiện lỏng lẻo hơn nhiều.

Phân tích thành phần chính (PCA) hoạt động như thế nào? Giải thích từng bước

Bước 1: Chuẩn hóa dữ liệu

Trước khi bắt đầu một phép tính phức tạp, người ta phải chuẩn hóa đầu vào để đảm bảo tính đồng nhất giữa các biến. Nếu một biến được đo bằng microvolt và một biến khác bằng mili giây, sự khác biệt thô về thang đo sẽ làm sai lệch kết quả. Việc chuẩn hóa từng biến về giá trị trung bình bằng 0 và độ lệch chuẩn bằng 1 cho phép thuật toán đối xử với tất cả các đặc trưng đầu vào bằng trọng số như nhau.

Bước 2: Tính toán ma trận hiệp phương sai

Sau khi dữ liệu được chuẩn hóa, trở ngại tiếp theo là lập bản đồ mối quan hệ giữa từng cặp đặc trưng. Ma trận hiệp phương sai tóm tắt các tương tác này, cho thấy những biến nào biến thiên cùng nhau và những biến nào độc lập. Ma trận này đóng vai trò là nền tảng để xác định các hướng mà tập dữ liệu thể hiện độ phân tán lớn nhất.

Bước 3: Tính toán các vectơ riêng và giá trị riêng

Giai đoạn này bao gồm việc tìm các vectơ cụ thể đặc trưng cho hình dạng phân phối của dữ liệu. Các vectơ riêng xác định hướng của các trục mới, trong khi các giá trị riêng thể hiện mức độ phương sai được nắm bắt dọc theo các hướng cụ thể đó. Các mốc toán học này cho phép chúng ta xoay không gian dữ liệu ban đầu sang một hệ tọa độ mới được xác định bởi các mô hình chuyển động chính.

Bước 4: Chọn các thành phần chính

Sau khi xác định các thành phần, phân tích sẽ giới hạn mô hình chỉ ở những thành phần giải thích một phần đáng kể tổng phương sai. Quá trình lọc này loại bỏ các biến chứa nhiều nhiễu và chỉ giữ lại các mô hình chứa nhiều thông tin nhất theo các ngưỡng định lượng cụ thể.

Bằng cách tập trung chặt chẽ vào các thành phần chi phối, các nhà nghiên cứu giảm bớt gánh nặng tính toán cho các tác vụ xử lý tiếp theo. Điều này đảm bảo rằng mô hình cuối cùng vừa nhạy bén vừa hiệu quả cho việc phân tích theo thời gian thực.

Bước 5: Biến đổi dữ liệu gốc

Khi quá trình lựa chọn cuối cùng hoàn tất, bước cuối cùng là chiếu các điểm quan sát ban đầu lên các trục mới này. Phép biến đổi này tạo ra một tập dữ liệu mới với số chiều đã giảm, vẫn giữ được địa hình thiết yếu của các phép đo ban đầu.

Sau đó, các chuyên gia sử dụng các biến đã biến đổi này cho các tác vụ tiếp theo như phân loại hoặc định vị nguồn, hưởng lợi từ biểu diễn tín hiệu sạch hơn.

Vị trí của PCA trong quy trình tiền xử lý EEG

Trên thực tế, PCA hiếm khi hoạt động đơn lẻ. Nó thường xuất hiện như một bước bên trong một quy trình làm sạch lớn hơn, thực hiện một trong hai nhiệm vụ:

1. Thu nhỏ kích thước dữ liệu

2. Hỗ trợ phát hiện vị trí ẩn nấp của các nhiễu ảnh

Vai trò đầu tiên là giảm chiều dữ liệu. Một nghiên cứu kết hợp PCA với một kỹ thuật gọi là phân tách nguồn mù dựa trên ước lượng mật độ (DEBSS), đã sử dụng PCA nhằm mục đích giảm kích thước của tập dữ liệu EEG trước khi quá trình phân tách tiếp theo có thể diễn ra.

Trong quy trình này, nhiễu tần số cao trước tiên được lọc bỏ bằng phân tích wavelet, và sau đó “thuật toán PCA được sử dụng để xử lý các tín hiệu EEG nhằm giảm chiều dữ liệu” trước khi DEBSS tiếp quản để phân tách các thành phần còn lại. Khi các thành phần mang nhiễu được xác định bằng các hệ số tương quan chéo và các tham số phi tuyến liên quan, các nhà nghiên cứu đã tái cấu trúc tín hiệu từ các thành phần sạch hơn còn lại.

Vai trò thứ hai là tự phát hiện nhiễu ảnh, và nó xuất hiện bên trong một phương pháp được sử dụng rộng rãi có tên là Tái tạo không gian con nhiễu ảnh (ASR). ASR hoạt động bằng cách liên tục phân tích các cửa sổ dữ liệu EEG ngắn và so sánh chúng với đường cơ sở của hoạt động “sạch”.

Theo một nghiên cứu năm 2019 giới thiệu phiên bản Riemannian của phương pháp này, ASR “tính toán lặp đi lặp lại một PCA trên các ma trận hiệp phương sai để phát hiện nhiễu ảnh dựa trên các đặc tính thống kê của chúng trong không gian con thành phần”. Ở đây, PCA không làm giảm số lượng kênh để cho thuận tiện. Nó đang hoạt động như một công cụ quyết định, qua từng thời điểm, liệu một đoạn dữ liệu trông bình thường về mặt thống kê hay trông giống một nhiễu ảnh.

Tổng hợp lại, hai ví dụ này kết luận rằng PCA là một thành phần của một chiến lược làm sạch, chứ bản thân nó không phải là một chiến lược làm sạch hoàn chỉnh. Nó thường bàn giao đầu ra của mình cho một thuật toán khác, cho dù đó là DEBSS, một biến thể hình học Riemannian hay một quy trình ra quyết định khác xác định thành phần nào thực sự bị loại bỏ.

PCA có thể cô lập các nhiễu ảnh EEG không? Những bằng chứng cho thấy điều gì

Lý do đằng sau sức hấp dẫn của PCA đối với việc cô lập nhiễu ảnh rất dễ hiểu. Vì PCA sắp xếp các thành phần theo phương sai, và vì việc chớp mắt cũng như hoạt động của cơ có xu hướng tạo ra các dao động điện áp quá mức, nên lý thuyết khoa học thần kinh cho rằng các nhiễu ảnh này sẽ tự nhiên phân loại vào một vài thành phần đứng đầu. Nếu điều đó đúng, về nguyên tắc, một nhà nghiên cứu có thể nhanh chóng cô lập và loại bỏ nhiễu nặng nhất mà không cần lập mô hình tính độc lập thống kê chính xác của từng nguồn não.

Nghiên cứu thử nghiệm quy trình kết hợp PCA và DEBSS được mô tả trước đó đã báo cáo rằng phương pháp kết hợp “có thể loại bỏ nhiễu chính của các tín hiệu EEG đa kênh một cách nhanh chóng và hiệu quả,” đồng thời lưu ý rằng phương pháp tiếp cận này “ổn định và có khả năng mở rộng mạnh mẽ.” Đây là một kết quả tích cực, nhưng điều đáng chú ý chính xác là những gì đã được thử nghiệm: một quy trình gồm hai bước cụ thể, chứ không phải PCA hoạt động độc lập.

Nghiên cứu năm 2019 nói trên đã áp dụng một phương pháp tiếp cận so sánh có cấu trúc hơn. Các nhà nghiên cứu đã xây dựng một phiên bản ASR dựa trên hình học Riemannian, gọi là rASR, và thử nghiệm nó so với phương pháp ASR dựa trên PCA tiêu chuẩn bằng cách sử dụng EEG được ghi trên điện thoại thông minh ở cả điều kiện trong nhà và ngoài trời, với 27 người tham gia.

Họ đánh giá hiệu suất qua ba thước đo riêng biệt:

1. Mức độ hiệu quả của từng phương pháp trong việc giảm nhiễu chớp mắt (độ nhạy)

2. Mức độ hiệu quả của từng phương pháp trong việc bảo tồn điện thế gợi thị giác, vốn là các phản ứng của não đối với kích thích thị giác (độ đặc hiệu)

3. Tốc độ thực thi của từng phương pháp (hiệu quả)

Theo kết luận của tác giả, rASR “đã hoạt động vượt trội ở cả ba thước đo” khi so sánh với ASR tiêu chuẩn.

Những kết quả này rất đáng khích lệ đối với việc xử lý nhiễu ảnh dựa trên PCA, nhưng cơ sở bằng chứng đằng sau chúng còn hẹp. Đây là những phát hiện ban đầu có ý nghĩa và hữu ích, nhưng chúng chưa tạo thành một khẳng định được xác thực rộng rãi rằng PCA cô lập nhiễu ảnh một cách đáng tin cậy trong mọi bối cảnh EEG.

PCA so với ICA so với Lọc tín hiệu: Chọn công cụ phù hợp

Các nhà nghiên cứu EEG có sẵn một số công cụ để làm sạch dữ liệu, và PCA chiếm một vị trí thích hợp cụ thể trong số đó.

Lọc tín hiệu, bao gồm bộ lọc thông cao, thông thấp và lọc dải (notch filter), hoạt động bằng cách loại bỏ hoặc làm suy giảm toàn bộ các dải tần số. Điều này rất hữu ích để loại bỏ các nguồn nhiễu ổn định như nhiễu đường dây điện, nhưng nó gặp phải giới hạn khó khăn khi nhiễu ảnh và tín hiệu não có cùng dải tần số.

Chẳng hạn, một lần chớp mắt có thể trùng tần số với các sóng não chậm, và bộ lọc không thể phân biệt được chúng vì nó chỉ thấy tần số chứ không thấy mô hình phương sai trên các kênh. PCA hoạt động trên một trục hoàn toàn khác vì nó xem xét cách thức biến thiên tín hiệu được phân bổ trên toàn bộ tập hợp các điện cực, chứ không nhìn vào nội dung tần số. Điều này làm cho nó trở thành một phương pháp bổ sung hơn là một sự thay thế trực tiếp cho việc lọc tín hiệu.

Mặt khác, ICA thường được nhắc đến cùng lúc với PCA, nhưng hai phương pháp này dựa trên các giả định khác nhau. ICA tìm kiếm các thành phần độc lập về mặt thống kê với nhau, một yêu cầu chặt chẽ hơn nhiều và đòi hỏi tính toán cao hơn so với điều kiện không tương quan đơn giản, lỏng lẻo hơn của PCA.

Bởi vì ICA phải tìm kiếm khó khăn hơn cho kiểu phân tách nghiêm ngặt này, nó có xu hướng đòi hỏi nhiều thời gian tính toán hơn và nhiều dữ liệu hơn. PCA, do đơn giản hơn về mặt toán học, nhanh hơn và hoàn toàn không cần tính độc lập, mà chỉ cần các thành phần kết quả không tương quan với nhau.

Sự khác biệt về chi phí tính toán này là lý do tại sao PCA thường xuyên xuất hiện như một bước chuẩn bị trước ICA hơn là sự thay thế cho nó. Việc giảm số chiều bằng PCA trước có thể tăng tốc độ chạy ICA và giảm nguy cơ khớp quá mức (overfitting) khi dữ liệu bị hạn chế. Ngoài ra, PCA có thể đóng vai trò như một lượt xử lý thô đầu tiên, loại bỏ các nhiễu ảnh rõ ràng, chiếm ưu thế nhất trước khi một phương pháp cẩn thận hơn tinh chỉnh phần còn lại.

Hạn chế của việc loại bỏ nhiễu ảnh dựa trên PCA

Sự đơn giản của PCA cũng chính là nguồn gốc của những điểm yếu của nó. Vẫn còn một số câu hỏi mở về mức độ hiệu quả thực sự của nó khi thực hiện nhiệm vụ cô lập nhiễu ảnh mà nó thường được giao phó.

Phương sai là một đại diện không hoàn hảo cho “nhiễu ảnh”. Một số nhịp não nhất định, chẳng hạn như hoạt động alpha vùng sau (một nhịp EEG nổi tiếng liên quan đến trạng thái thư giãn, nhắm mắt), có thể tự tạo ra các tín hiệu biên độ cao. Một phương pháp giả định phương sai cao luôn đồng nghĩa với nhiễu ảnh có nguy cơ loại bỏ hoạt động thực sự của não cùng với nhiễu mà nó cần loại bỏ.

Ở hướng ngược lại, nhiễu do chớp mắt không phải lúc nào cũng giới hạn gọn gàng trong một thành phần duy nhất; ảnh hưởng của chúng có thể lan rộng trên nhiều thành phần cùng một lúc, làm phức tạp bất kỳ chiến lược đơn giản nào theo kiểu “loại bỏ thành phần đứng đầu”.

Cũng cần xem xét đến sự không phù hợp về mặt cấu trúc. PCA buộc các thành phần của nó phải trực giao với nhau theo định nghĩa toán học. Nhưng không có gì đảm bảo rằng các nguồn vật lý thực tế tạo ra tín hiệu EEG, cho dù chúng là các mạch thần kinh hay các nhóm cơ gần da đầu, được sắp xếp theo cách phù hợp với hình học trực giao này.

Khi giả định không khớp với thực tế cơ bản, sự phân tách mà PCA tạo ra có thể chỉ là một sự tiện lợi về mặt toán học chứ không phải là sự phản ánh chính xác những gì đang thực sự diễn ra trong các mô.

Lời khuyên thực tế khi sử dụng PCA trong phân tích EEG

Đối với người lần đầu khám phá tập dữ liệu EEG, PCA vẫn là một điểm khởi đầu hợp lý, đặc biệt là cách để xem mô hình biến thiên nào chiếm ưu thế trong một bản ghi nhất định. Dưới đây là một số mẹo thường được khuyến nghị:

• Sử dụng PCA như một bước sơ bộ để giảm chiều dữ liệu hoặc gắn cờ các mô hình nhiễu ảnh chiếm ưu thế, chứ không phải là bước làm sạch cuối cùng.

• Kết hợp PCA với một phương pháp tiếp theo (ví dụ: ICA, DEBSS, ASR) có thể quyết định thành phần nào cần loại bỏ.

• Luôn kiểm tra trực quan địa hình da đầu và diễn biến thời gian của các thành phần bị loại bỏ để xác minh chúng đại diện cho các nhiễu ảnh.

• Hãy thận trọng với sự biến thiên của các kết quả qua các môi trường ghi khác nhau (phòng thí nghiệm so với di động) và xác thực trên chính dữ liệu của bạn.

Phân tích thành phần chính trong nghiên cứu EEG dựa trên Emotiv

Emotiv headset đã được sử dụng trong một số nghiên cứu được bình duyệt, nơi phân tích thành phần chính đóng vai trò là phương pháp tính toán cốt lõi, minh họa cho tính linh hoạt của kỹ thuật này trong phân loại, lựa chọn cảm biến, tiền xử lý và nâng cao chất lượng tín hiệu.

Bộ phân loại kết hợp PCA cho độ chính xác của bộ gõ P300

Việc phát triển BCI đeo được đòi hỏi quá trình xử lý tín hiệu hiệu quả, và một nghiên cứu đã đánh giá một bộ phân loại kết hợp PCA cho các bộ gõ chữ dựa trên P300 được ghi lại bằng neuroheadset Emotiv. Bằng cách sử dụng mô hình oddball cổ điển, các tác giả đã so sánh phương pháp kết hợp của họ với các phương pháp trích xuất đặc trưng và phân loại truyền thống.

Trên dữ liệu kiểm thực chéo, mô hình kết hợp PCA đạt độ chính xác trung bình là 86,29%, trong khi thử nghiệm ngoại tuyến mang lại độ chính xác phân loại trung bình cao hơn đáng kể là 73,3% so với các phương pháp thông thường. Các kết quả chỉ ra rằng phân loại kết hợp dựa trên PCA là một chiến lược khả thi để xử lý dữ liệu P300 từ một thiết bị EEG di động cấp độ người tiêu dùng.

Lựa chọn cảm biến EEG tối thiểu cho nhận dạng sinh trắc học bằng PCA

Giảm số lượng điện cực mà không làm mất thông tin phân biệt là một thách thức thực tế đối với các hệ thống sinh trắc học. Các nhà nghiên cứu đã xem xét việc lựa chọn cảm biến EEG tối thiểu để nhận dạng người bằng cách sử dụng headset Emotiv EPOC+ và một tập dữ liệu công khai lớn hơn. Hai phương pháp giảm số chiều đã được áp dụng: một dựa trên phân tích thành phần chính và một dựa trên kiểm định tổng hạng Wilcoxon.

Nghiên cứu báo cáo rằng cả hai phương pháp đều cho phép xác định tập hợp điện cực tối thiểu cần thiết để nhận dạng cá nhân một cách đáng tin cậy, với PCA giúp xác định chính xác vùng vỏ não nào đóng góp nhiều nhất vào các mô hình có thể phân tách. Điều này chứng minh vai trò giảm số chiều của PCA trong việc chuyển đổi các cấu hình phòng thí nghiệm thành các sơ đồ lắp ráp cảm biến đơn giản hơn, thiết thực hơn.

So sánh PCA với CSP và CAR trong việc loại bỏ nhiễu ảnh

Một so sánh quy trình tiền xử lý đã ghi lại EEG bằng Emotiv EPOC để đánh giá mức độ làm sạch tín hiệu của các thuật toán khác nhau trước khi phân loại. Trong một nghiên cứu so sánh các thuật toán tiền xử lý, phân tích thành phần chính đã được thử nghiệm cùng với Mô hình không gian chung (CSP) và Tham chiếu trung bình chung (CAR) để loại bỏ nhiễu ảnh, sau đó các đặc trưng Mật độ phổ công suất được đưa vào bộ phân loại Máy vectơ hỗ trợ (SVM).

Các tác giả quan sát thấy rằng PCA mang lại hiệu suất 94,28%, vượt trội hơn các thuật toán khác trong thiết lập của họ. Điều này cho thấy PCA có thể đóng vai trò là một thành phần hiệu quả của chuỗi tiền xử lý khi làm việc với phần cứng EEG cấp người tiêu dùng.

Tăng cường trích xuất nhịp tập thể: PCA so với Độ xoắn Kosambi-Hilbert

Khi nhiều cảm biến EEG thu nhận hoạt động dao động, việc trích xuất một nhịp chung có tỷ lệ tín hiệu trên nhiễu cao thường là điều mong muốn. Một nghiên cứu về việc cải thiện chất lượng nhịp tập thể với Emotiv EPOC+ đã so sánh phân tích thành phần chính truyền thống với phương pháp độ xoắn Kosambi-Hilbert (KHT). Dữ liệu được ghi lại trong lúc nghỉ ngơi nhắm mắt và trong khi xem màn hình nhấp nháy ở tần số 15 Hz.

Các nhà nghiên cứu báo cáo rằng KHT đạt được tỷ lệ tín hiệu trên nhiễu cho tín hiệu tập thể tốt hơn so với PCA, đặc biệt là khi các dịch chuyển thời gian ngẫu nhiên được đưa vào giữa các kênh. Công trình chứng minh rằng trong khi PCA cung cấp một đường cơ sở đơn giản để trích xuất nhịp thông thường, thì các phương pháp nhận biết pha có thể khuếch đại hơn nữa tín hiệu cần quan tâm.

Tổng hợp lại, các nghiên cứu này nêu bật cách thức phân tích thành phần chính hoạt động trên các tác vụ EEG rất khác nhau—từ phân loại và nhận dạng sinh trắc học đến tiền xử lý và trích xuất nhịp—bằng cách sử dụng phần cứng Emotiv. Các kết quả rất hứa hẹn trong các điều kiện cụ thể của chúng, nhưng vẫn chỉ giới hạn ở các mô hình cụ thể, kích thước mẫu tương đối nhỏ và các phân tích ngoại tuyến. Các phát hiện ủng hộ PCA như một công cụ đa năng trong các quy trình nghiên cứu EEG, nhưng chúng vẫn chưa tạo ra một công thức chung áp dụng cho mọi ứng dụng BCI chi phí thấp, thời gian thực.

Kết luận: PCA có phải là một phương pháp làm sạch EEG đáng tin cậy?

PCA biến đổi dữ liệu sóng não hỗn độn thành các thành phần được xếp hạng, mang lại cho các nhà nghiên cứu một cách nhanh chóng để tập trung vào những phần nhiều tạp âm nhất của bản ghi. Phương pháp tiếp cận này đặc biệt hữu ích khi việc chớp mắt hoặc cử động cơ chiếm ưu thế trong tín hiệu, vì chúng thường nổi lên ở các vị trí có phương sai cao nhất.

Tuy nhiên, vì các nhịp não thực sự cũng có thể tạo ra các tín hiệu mạnh, nên phương pháp này không thể tự mình quyết định điều gì là nhiễu ảnh và điều gì là dữ liệu thần kinh quý giá.

Tài liệu tham khảo

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

Các câu hỏi thường gặp

Phân tích thành phần chính (PCA) trong bối cảnh EEG là gì?

PCA là một phương pháp toán học sắp xếp lại dữ liệu EEG đa kênh thành một tập hợp tín hiệu mới gọi là các thành phần, không tương quan với nhau. Nó xếp hạng các thành phần này theo mức độ phương sai mà chúng nắm bắt, với thành phần đầu tiên giải thích phần lớn nhất sự biến thiên tổng thể của tín hiệu.

PCA giúp loại bỏ nhiễu ảnh khỏi dữ liệu EEG như thế nào?

Bởi vì các nhiễu ảnh như chớp mắt tạo ra các dao động điện áp lớn và lan rộng, chúng có xu hướng tập trung ở các thành phần có phương sai cao nhất. Việc PCA xếp hạng theo phương sai cho phép các nhà nghiên cứu xác định và có khả năng loại bỏ các thành phần đứng đầu đó, vốn thường chứa các nhiễu gây rối loạn nhiều nhất.

PCA có hoạt động độc lập để làm sạch các tín hiệu EEG không?

Không, PCA hiếm khi được sử dụng như một giải pháp làm sạch độc lập. Nó thường đóng vai trò là một bước trong một quy trình lớn hơn, hoặc giảm các chiều dữ liệu trước khi áp dụng một phương pháp khác như DEBSS, hoặc đóng vai trò là công cụ phát hiện bên trong một khung như Tái tạo không gian con nhiễu ảnh (ASR).

Sự khác biệt giữa PCA và ICA trong việc loại bỏ nhiễu ảnh là gì?

PCA chỉ yêu cầu các thành phần kết quả không tương quan với nhau, một điều kiện toán học lỏng lẻo hơn, trong khi ICA tìm kiếm các thành phần độc lập về mặt thống kê, một yêu cầu nghiêm ngặt hơn và đòi hỏi tính toán cao hơn. PCA nhanh hơn và thường được sử dụng làm bước chuẩn bị trước ICA hơn là sự thay thế cho nó.

PCA có thể vô tình loại bỏ hoạt động thực sự của não cùng với các nhiễu ảnh không?

Có, vì PCA dựa vào phương sai để xác định nhiễu ảnh, nên các nhịp não có biên độ cao như hoạt động alpha vùng sau có thể bị nhầm lẫn với nhiễu. Ngoài ra, các nhiễu ảnh có thể lan rộng trên nhiều thành phần, vì vậy việc chỉ loại bỏ thành phần đứng đầu có thể làm mất các tín hiệu thần kinh thực sự.

PCA so với việc lọc tần số để làm sạch EEG như thế nào?

Lọc tần số giúp loại bỏ hoặc làm suy giảm năng lượng tín hiệu ở các dải tần số cụ thể, nhưng nó không thể phân tách một nhiễu ảnh và một tín hiệu não có cùng tần số. Thay vào đó, PCA xem xét các mô hình phương sai trên tất cả các điện cực, biến nó thành một phương pháp bổ sung giải quyết một chiều hướng khác của dữ liệu.

Nhà nghiên cứu nên sử dụng PCA một cách an toàn như thế nào trong quy trình tiền xử lý EEG?

PCA có thể được sử dụng như một bước giảm chiều trước khi áp dụng các phương pháp khác, hoặc như một công cụ hỗ trợ để kiểm tra xem mô hình nào chiếm ưu thế trong một bản ghi. Các nhà nghiên cứu nên kiểm tra trực quan các thành phần mà họ dự định loại bỏ bằng cách xem xét địa hình da đầu và diễn biến theo thời gian của chúng, thay vì tin tưởng một cách mù quáng vào thứ hạng phương sai.