Outline Artikel
Perbedaan peran antara ICA dan CNN dalam analisis EEG seringkali kabur dalam praktik dan publikasi ilmiah, padahal keduanya memiliki fungsi yang sangat berbeda. ICA merupakan metode matematis yang digunakan untuk memisahkan sinyal EEG menjadi komponen-komponen independen. Sementara itu, CNN (Convolutional Neural Network) dalam konteks EEG umumnya tidak digunakan untuk melakukan dekomposisi sinyal, melainkan untuk mengklasifikasi hasil ICA berdasarkan bentuk, spektrum, dan topografi komponen. Memahami batas dan wilayah kerja masing-masing pendekatan penting agar tidak terjadi kekeliruan metodologis dalam desain pipeline EEG.
ICA adalah teknik blind source separation yang bertujuan memisahkan sinyal campuran menjadi sumber-sumber independen secara statistik, tanpa bantuan machine learning. ICA bekerja berdasarkan prinsip non-Gaussianity dan asumsi bahwa sinyal EEG terekam adalah campuran linier dari berbagai sumber (otak, otot, mata, dll.). Algoritma seperti FastICA, Infomax, dan AMICA adalah contoh implementasi yang tidak melibatkan CNN atau jaringan saraf dalam bentuk apa pun. Dengan kata lain, hasil dekomposisi ICA adalah murni hasil estimasi statistik dan linear algebra, tanpa pembelajaran data historis.
CNN mulai terlibat ketika kita ingin mengklasifikasi komponen hasil ICA secara otomatis, bukan dalam proses dekomposisinya. Tools seperti ICLabel menggunakan CNN yang dilatih pada ribuan komponen ICA berlabel, untuk memprediksi apakah suatu komponen adalah “brain”, “eye”, “muscle”, atau jenis lainnya. CNN di sini menerima input seperti topoplot, power spectrum, dan aktivasi waktu dari IC untuk membuat prediksi label. Ini adalah proses post-ICA, bukan bagian dari ICA itu sendiri. Jadi, CNN tidak menggantikan ICA—ia hanya mempercepat tahap identifikasi hasil dekomposisi ICA.
ICA dan CNN bekerja pada domain proses yang berbeda: ICA berada dalam tahap preprocessing sinyal, sedangkan CNN beroperasi pada tahap klasifikasi fitur. Ini penting untuk menilai validitas metodologis dalam sebuah penelitian EEG. ICA digunakan untuk membersihkan sinyal—dengan asumsi bahwa kita dapat mengenali dan menghapus IC artefak—sementara CNN digunakan dalam tahap klasifikasi, baik untuk mengenali pola dalam IC (ICLabel), atau untuk mengenali kondisi kognitif atau stimulus pada sinyal yang telah dibersihkan. Pipeline yang sehat menjaga pemisahan fungsi ini secara jelas.
Menggabungkan istilah ICA dan CNN dalam satu entitas metodologis tanpa penjelasan yang memadai berpotensi menyesatkan. Beberapa publikasi atau proposal penelitian yang menyebut “ICA berbasis CNN” perlu dikritisi: apakah yang dimaksud adalah ICA yang dibantu klasifikasi CNN (seperti ICLabel)? Atau justru CNN yang menggantikan ICA dengan autoencoder denoising? Dalam kasus pertama, istilah tersebut bisa membingungkan; dalam kasus kedua, pendekatannya benar-benar berbeda. Oleh karena itu, penyusun metodologi harus menjelaskan secara eksplisit hubungan antara ICA dan CNN dalam pipeline mereka.
ICA dan CNN adalah dua teknik berbeda dengan peran yang saling melengkapi, bukan bertumpang tindih. ICA memisahkan sinyal; CNN mengklasifikasikan hasilnya. ICA bekerja secara matematis tanpa belajar dari data; CNN membutuhkan pelatihan dengan label. Dalam pipeline EEG yang modern, keduanya bisa digabungkan dengan sangat baik—selama pengguna menyadari batas dan kekuatan masing-masing, serta tidak mencampuradukkan wilayah kerjanya. Klarifikasi semacam ini penting untuk menjaga transparansi, reprodusibilitas, dan kredibilitas analisis EEG berbasis machine learning.