1. 소개

환영합니다! 이 튜토리얼에서는 뇌파에 대해 배우고, 이를 통해 뇌와 행동을 이해하는 방법을 알아봅니다.

한스 베르거(Hans Berger)는 1929년 사람의 머리에 놓인 센서를 통해 기록된 전위의 변화를 설명하면서 뇌전도(electroencephalogram)라는 용어를 만들었습니다. 그는 두 가지 유형의 뇌파를 식별했으며, 단지 자신이 기록한 순서에 따라 알파파와 베타파라고 명명했습니다. 이러한 뇌파는 다른 포유류에서도 기록된 적이 있었지만, 베르거가 인간에게서 최초로 이를 설명한 것입니다!

그 이후로 뇌전도(EEG) 방법은 신경과학의 핵심 도구가 되어 뇌파(연구자들은 이를 신경 진동이라 부름)에 대한 우리의 이해를 발전시키는 데 기여했으며, 피로 및 각성과 같은 뇌의 상태를 특징짓는 데 도움을 주었습니다.

이 짧은 튜토리얼에서는 다음 내용을 다룹니다:

• 신경 진동이란 무엇인가?

• 신경 진동을 어떻게 측정할 수 있는가?

• 신경 진동으로 무엇을 할 수 있는가?

• Emotiv 기기 및 소프트웨어를 사용한 실제 응용.

2. EEG란 무엇인가?

뇌전도(EEG)는 우리 뇌의 전기적 활동을 측정하는 비침습적이고 수동적인 방법입니다. 전극/센서/채널을 두피에 배치하여 뉴런이라고 불리는 뇌 세포 집단에 의해 생성되는 전기적 활동을 기록합니다.

그림 1 – 뉴런은 EEG 기기로 감지할 수 있는 전기적 활동을 생성합니다 [Siuly, et al. (2016)].

2.1. EEG 시스템

EEG를 기록하는 데 사용할 수 있는 많은 EEG 기기가 시장에 나와 있습니다. EEG 기기는 다음과 같이 다양할 수 있습니다:

• 단일 센서부터 최대 256개의 전극까지 – 전극이 많을수록 두피 전체에서 더 높은 공간해상도의 정보를 얻을 수 있습니다.

• 습식 또는 건식 전극 – 습식 전극은 전해질 겔 또는 식염수를 사용하여 두피와 센서 간의 전도성을 향상시킵니다. 건식 전극은 두피와 직접 접촉해야 하는 금속 또는 전도성 고분자일 수 있습니다.

• 능동 또는 수동 전극 – 수동 전극 시스템은 신호를 기기로 전송한 다음 그 기기에서 신호를 증폭합니다. 능동 전극 시스템은 신호가 증폭을 위해 기기에 도달하기 전에 각 전극에서 먼저 신호를 증폭합니다. 이는 신호의 환경 전자기적 노이즈를 줄여줍니다.

• 블루투스를 통해 데이터를 전송하는 유선 또는 무선 기기.

그림 2 – 무선 저밀도 EEG 시스템.

그림 3 – 유선 고밀도 전극 EEG 시스템.

2.2. 언제 EEG를 사용해야 할까?

각 신경영상 기법은 서로 다른 연구 질문에 답하는 데 도움이 될 수 있습니다.

EEG의 가장 큰 장점은 밀리초 단위로 신경 활동을 측정할 수 있어 전의식 전 과정을 측정할 수 있다는 점입니다.

그림 4 – 다양한 신경영상 도구의 공간 해상도 대 시간 해상도 비교.

"내가 보여준 비디오의 어느 부분에 참가자들이 가장 집중했는가?"와 같은 질문에 가장 적합합니다.

EEG는 주로 뇌의 바깥층(즉, 공간 해상도가 낮음)에서 발생하는 활동을 기록합니다. 단일 센서만으로는 활동의 원원을 파악하는 것이 불가능합니다. 많은 수의 채널을 사용하여 기록하면 수학적으로 원원을 재구성할 수 있지만 심부 원원을 파악하는 데는 여전히 한계가 있습니다. 기능적 자기공명영상(fMRI)은 "뇌의 어느 부분이 주의력의 변화와 관련이 있는가?"와 같은 질문에 답하는 데 더 적합합니다.

2.3. 센서에서 raw EEG까지

EEG 기기가 머리에 장착되면 단일 센서에서의 뇌 활동은 해당 센서와 기준 센서 간의 진폭 차이로 측정됩니다. 대부분의 EEG 시스템에서 이를 CMS(common mode sense) 전극이라고 부릅니다. 추가 센서인 DRL(driven right leg)은 CMS에서의 간섭을 줄여줍니다.

그림 5 – EEG 신호 전송의 단순화된 블록 다이어그램.

능동 전극과 수동 전극을 모두 갖춘 시스템에서는 신호가 증폭되고 저역 통과 필터링(low-pass filtered)됩니다. 저역 통과 필터링은 전원 콘센트 등 환경에서 발생하는 전기적 노이즈를 신호에서 제거하는 단계입니다.

이러한 단계는 raw EEG 신호가 컴퓨터 화면에 표시되기 전에 하드웨어 자체에서 진행됩니다.

2.4. 몇 가지 기본 용어

10-20 표준 명명법

왼쪽 센서는 보통 홀수로 번호가 지정되고 오른쪽 센서는 보통 짝수로 번호가 지정됩니다.

참고 1: 이는 명명 규칙일 뿐이며, EEG 센서의 위치가 활동의 실질적인 유래지를 나타내는 것은 아닙니다.

참고 2: 단일 채널에서 활동의 진짜 유래지를 알아내기 위해서는 원원에 대한 수학적 재구성과 같은 추가 단계가 필요합니다.

3. 신경 진동이란 무엇인가?

뇌파(종종 신경 진동이라고 함)는 단일 뉴런 또는 뉴런 집단에 의해 생성되는 주기적인 패턴입니다.

뇌가 왜 이러한 다양한 유형의 진동을 생성하는지는 아직 명확하지 않지만, 많은 이론이 존재합니다. 연구자들은 이러한 진동 활동의 특성을 파악하기 위해 다양한 과제를 사용하며, 이러한 주기적 패턴을 사용하여 뇌의 신비를 이해하는 것을 목표로 합니다.

3.1. 진동의 몇 가지 특징

이 그림은 규칙적인 전기 신호의 측정을 보여줍니다:

그림 6 – 다양한 신경영상 도구의 공간 해상도 대 시간 해상도 비교.

왼쪽(y축)에는 전기 기록의 진폭을, 가로축(x축)에는 시간을 플롯할 수 있습니다. 신호의 진폭은 중심점을 기준으로 규칙적인 방식으로 그 크기가 변합니다. 1주기(one cycle)를 진동(oscillation)이라고도 합니다.

초당 주기 수를 파동의 주파수(frequency)라고 하며, 단위는 헤르츠(Hz)입니다. 따라서 초당 1주기 = 1 Hz입니다. 진폭은 일반적으로 마이크로볼트(µV) 단위로 측정됩니다.

뇌에서는 0.2 Hz(매우 느린 파동)에서 80 Hz 이상(매우 빠른 파동)까지의 주파수를 가진 파동이 관찰됩니다. 발작과 관련된 최대 500 Hz의 고주파 활동도 뇌에서 기록될 수 있습니다.

뇌의 서로 다른 유형의 진동은 주파수에 따라 구분됩니다. 이를 주파수 대역(frequency bands)이라고 하며 상이한 뇌 상태와 연관될 수 있습니다:

그림 7 – 일반적인 EEG에 나타나는 뇌파.

3.2. 왜 서로 다른 주파수 대역이 중요할까?

1. 정상적인 뇌 패턴과 비정상적인 뇌 패턴의 식별
   신경 진동은 신경학에서 발작을 감지하고 간질을 진단하는 데 중요합니다.

2. 뇌-컴퓨터 인터페이스 (BCI)
   베타, 감마, 뮤 진동의 양은 원격 장치를 훈련하는 데 자주 사용됩니다(예: 생각만으로 휠체어 움직이기).

3. 뉴로피드백
   이는 자신의 뇌파(예: 감마 진동)를 보면서 인지 과제에 참여하여 자신의 뇌에 있는 감마 진동의 양을 늘리는 뇌 훈련의 일종입니다.

4. 뉴로마케팅
   알파 및 베타 주파수 대역을 사용하여 광고의 어느 부분에 사람들이 더 몰입하거나 덜 몰입하는지 측정할 수 있습니다.

3.3. EEG 데이터 분석 유형

대부분의 연구자들은 시간 영역(time domain) 또는 주파수 영역(frequency domain)에서 분석을 수행합니다.

1. 시간 영역 분석

   자극이 제시된 후 관심 있는 특정 시점에서의 전압 진폭을 측정하는 것이 일반적입니다. 이를 사건 관련 전위(ERP)라고 합니다.

2. 주파수 영역 분석

   정의된 시간 창 내에서 또는 특정 사건의 발생 시점과 관련하여 서로 다른 주파수 대역에 있는 신경 진동의 양을 측정하는 것이 일반적입니다.

다음으로 주파수 영역 분석의 개요를 제공합니다.

3.4. 전처리 (Processing)

EEG를 기록한 후에는 보통 진동을 분석하기 전에 데이터를 정제(clean)합니다.

1. 필터링 (Filtering)
   데이터에 있는 고주파 및 저주파 환경 노이즈를 제거하기 위한 기술입니다.

2. 아티팩트 제거 (Artefact Removal)
   신체적인 움직임, 눈 깜박임 등은 큰 아티팩트(EEG에서 > 50 µV 피크)를 발생시킬 수 있습니다. 이러한 잡음들은 분석 결과에 영향을 미치지 않도록 제거될 수 있습니다. 일부 연구자들은 귀중한 데이터를 보존하기 위해 이러한 아티팩트를 보정하는 세련된 방법을 사용하기도 합니다.

데이터 처리가 완료되면, 신호를 주파수 영역으로 변환하여 각 유형의 뇌파가 얼마나 존재하는지 정량화할 수 있습니다.

그림 8 – raw EEG에 나타난 눈 깜박임 아티팩트.

3.5. 고속 푸리에 변환 (FFT)

푸리에 변환은 EEG 신호를 '시간 영역'(그림 A)에서 '주파수 영역'(그림 B)으로 수학적으로 변환하는 것입니다.

주파수 영역에서는 우리의 기록에 각 진동이 얼마나 포함되어 있는지 정량화할 수 있습니다. 이는 일반적으로 주파수 대역의 '파워(Power)'이며 파워 스펙트럼(그림 B)으로 표시될 수 있습니다.

그림 9A – 시간 영역의 raw EEG.

그림 9B – FFT(주파수 영역) 후의 파워 스펙트럼.

3.6. 대역 파워 (Band Power)

푸리에 변환을 통해 얻은 특정 주파수 대역(예: 알파 대역)의 파워는 각 주파수 대역이 얼마나 있는지 알려줍니다. 대역 파워의 단위는 일반적으로 µV2/Hz입니다. 무엇보다 FFT의 진폭 또는 파워 스펙트럼은 로그 단위인 데시벨(dB)로 표시되는 경우가 많습니다. 데시벨은 측정된 파워(P)와 기준 파워(Pr) 사이의 비율 단위를 다음과 같이 나타낸 것입니다:

관심 있는 사건에 대해 이 측정 단위를 획득하면, 대역 파워들을 비교하여 뇌파에 대한 실험적 효과를 이해할 수 있습니다.

4. 이론에서 실전으로

다음으로, 알파 억제 효과(alpha suppression effect)를 살펴보겠습니다.

이는 한스 베르거가 처음 발견한 현상으로, 눈을 감고 있을 때에 비해 눈을 뜨고 있을 때 알파 진동의 양(알파 파워)이 유의미하게 감소하는 것을 보여줍니다.

그림 10 – 눈을 뜨고 있을 때 알파 진동의 상승을 볼 수 있습니다.

우선, EmotivPRO Builder를 사용하여 간단한 실험을 설계했습니다. 이 실험에서 참가자는 화면에 집중하면서 2분 동안 눈을 뜨고 있은 다음, 다시 2분 동안 눈을 감고 있도록 안내를 받습니다. 참가자들은 2분이 끝나면 알람 소리를 듣고 눈을 뜨라는 신호를 받게 됩니다.

아래 비디오를 따라 직접 알파 억제 실험을 만들어 보거나, 여기 링크를 통해 당사의 실험을 바로 실행해 볼 수 있습니다:

4.1. 기기 착용 및 EEG 품질

당사의 EQ 측정 방식이 어떻게 작동하는지 여기에서 더 자세히 읽어보세요. 귀하의 헤드셋에 특화된 기기 착용 정보는 다음에서 확인할 수 있습니다:

• EPOC 유형

• Insight 유형

4.2. EEG 데이터 처리 및 변환

이제 데이터를 수집했으므로 Emotiv Analyzer를 사용하여 주파수 영역으로 변환할 수 있습니다. 비디오의 단계를 따르십시오.

4.3. 데이터 해석

Analyzer 작업이 완료되면 zip 파일을 다운로드하십시오. 각 기록마다 대역 파워가 포함된 csv 파일과 통계 분석에 활용할 수 있는 이미지 파일이 제공됩니다.

그림 11 – 대역 파워.

결과물에서 눈을 뜨고 있을 때(파란색)보다 눈을 감고 있을 때(주황색) 알파 파워가 증가한 것을 확인할 수 있습니다.

이것으로 튜토리얼을 마칩니다! 이제 기초적인 지식을 갖추게 되었습니다. 🙂

리소스 섹션에서 더 발전된 내용의 읽을거리를 확인하실 수 있습니다.

5. 리소스

심화 읽기 자료

Donoghue et al. 2022 신경 진동 연구에 대한 방법론적 고려사항

EEG 용어 사전

Kane et al. 2017 (여기)

오픈 소스 코드

파이썬 코딩에 익숙하신 분들을 위해, 눈을 뜬 구간과 눈을 감은 구간으로 레이블이 지정된 알파 파워 값을 추출할 수 있는 파이썬 스크립트를 제공합니다. 코드와 샘플 알파 억제 데이터 파일은 다음에서 확인하십시오: https://osf.io/9bvgh/

Emotiv 매뉴얼

EmotivPRO Builder 매뉴얼
EmotivPRO 매뉴얼
EmotivPRO Analyzer 매뉴얼

7. 참고문헌

Donoghue, T., Schaworonkow, N. and Voytek, B., 2022. Methodological considerations for studying neural oscillations. European journal of neuroscience, 55(11-12), pp.3502-3527. doi: https://doi.org/10.1111/ejn.15361

Kane, N., Acharya, J., Beniczky, S., Caboclo, L., Finnigan, S., Kaplan, P.W., Shibasaki, H., Pressler, R. and van Putten, M.J., 2017. A revised glossary of terms most commonly used by clinical electroencephalographers and updated proposal for the report format of the EEG findings. Revision 2017. Clinical neurophysiology practice, 2, p.170. doi: 10.1016/j.cnp.2017.07.002

Siuly, S., Li, Y., Zhang, Y. (2016). Electroencephalogram (EEG) and Its Background. In: EEG Signal Analysis and Classification. Health Information Science. Springer, Cham. doi: https://doi.org/10.1007/978-3-319-47653-7%5F1