Outline Artikel
Identifikasi komponen artefak adalah langkah krusial dalam pemanfaatan ICA, dan otomasi proses ini menjadi semakin penting seiring membesarnya dataset EEG. Komponen hasil dekomposisi ICA perlu dianalisis untuk menentukan mana yang merupakan sinyal otak murni dan mana yang merupakan gangguan seperti EOG atau EMG. Melakukan ini secara manual membutuhkan keahlian dan waktu, serta rentan terhadap subjektivitas. Oleh karena itu, pendekatan otomatis berbasis metrik dan machine learning menjadi solusi yang menjanjikan.
Identifikasi manual IC artefak dilakukan dengan mengevaluasi pola spasial, bentuk gelombang waktu, dan spektrum frekuensi—tetapi ini tidak selalu konsisten antar-peneliti. Komponen artefak seperti kedipan mata (EOG) biasanya menunjukkan distribusi dominan di frontal electrode dan memiliki sinyal rendah-frekuensi tinggi amplitudo. Sebaliknya, artefak otot (EMG) memperlihatkan spektrum tinggi-frekuensi dengan distribusi tidak beraturan. Namun, perbedaan halus atau tumpang tindih dengan aktivitas otak membuat klasifikasi visual menjadi tidak mudah, terutama pada skala besar.
Metode kuantitatif awal mencoba mendeteksi IC artefak dengan menghitung korelasi terhadap kanal referensi artefak (misalnya EOG) atau menggunakan statistik spektrum. Pendekatan seperti ini bersifat ‘threshold-based’: misalnya, jika IC memiliki korelasi >0.5 terhadap sinyal EOG, maka diasumsikan sebagai artefak. Alternatif lain melibatkan analisis spektrum daya dan kurtosis—komponen dengan nilai ekstrim dianggap sebagai non-neural. Meskipun sederhana dan cepat, metode ini tidak cukup akurat dan rentan terhadap kesalahan klasifikasi jika sinyal otak juga memiliki karakteristik serupa.
ICLabel adalah alat otomatis berbasis deep learning yang melabeli IC ke dalam tujuh kategori seperti ‘brain’, ‘muscle’, ‘eye’, dan lainnya dengan probabilitas. Dikembangkan oleh Pion-Tonachini et al., ICLabel dilatih menggunakan ribuan IC yang diberi label oleh para ahli. Inputnya meliputi data wavelet time series, topoplot, dan spektrum daya. Hasilnya, ICLabel dapat langsung memberikan prediksi label dengan confidence score untuk setiap kategori. IC dengan skor tinggi pada kategori ‘eye’ atau ‘muscle’ dapat dipilih untuk dihapus secara otomatis atau semi-otomatis, sehingga mempercepat proses tanpa menghilangkan kontrol manusia.
Beberapa pendekatan lain telah menggunakan SVM, Random Forest, atau bahkan arsitektur autoencoder untuk mendeteksi IC artefak, dengan performa yang bervariasi. Selain ICLabel, peneliti juga mencoba melatih model klasifikasi supervised dengan fitur yang diekstraksi dari IC: entropy, kurtosis, skewness, frekuensi dominan, dsb. Sistem hybrid juga bisa dikembangkan: ICA + deteksi artefak berbasis CNN/RNN + klasifikasi. Tantangan utamanya adalah keterbatasan ground truth dan generalisasi antar-subjek. Oleh karena itu, banyak sistem otomatis tetap membuka opsi revisi manual sebelum rekonstruksi sinyal dilakukan.
Identifikasi IC artefak secara otomatis adalah langkah penting untuk skalabilitas analisis EEG, namun tetap memerlukan kehati-hatian dan validasi. Tools seperti ICLabel sangat membantu dalam mempercepat dan menstandarkan proses ini, sementara metode threshold sederhana atau machine learning lainnya dapat digunakan sebagai alternatif atau pelengkap. Praktik terbaik saat ini adalah kombinasi antara klasifikasi otomatis dan verifikasi manual selektif—terutama pada studi kritikal atau data klinis. Ke depan, pipeline cerdas berbasis deep learning yang mampu belajar dari label dinamis mungkin menjadi arah evolusi berikutnya.