전처리가 중요한 이유

EEG는 신경 및 비신경 전기 활동 모두에 매우 민감합니다. 신중한 실험 설계와 데이터 수집을 통해 많은 노이즈 소스를 최소화하더라도 어느 정도의 아티팩트 오염은 피할 수 없습니다. 전처리는 연구자가 무관한 신호와 의미 있는 뇌 활동을 구분하는 데 도움을 주는 동시에 이후 분석의 일관성을 향상시킵니다.[1]

중요한 점은 전처리를 품질이 낮은 기록을 복구하는 방법으로 여겨서는 안 된다는 것입니다. 그 대신, 전처리는 건전한 실험 관행을 통해 수집된 고품질 데이터를 정제하기 위한 체계적인 과정입니다. 전처리 과정에서 내린 결정은 이후의 모든 분석 단계에 영향을 미치므로 투명성과 일관성이 필수적입니다.

전처리 파이프라인 구축

전처리는 일반적으로 격리된 절차가 아니라 일련의 단계적 흐름으로 수행됩니다. 연구 질문과 분석 방법에 따라 개별 워크플로우는 다르지만, 일관된 파이프라인을 구축하면 모든 참가자의 데이터가 동일한 방식으로 처리되도록 하는 데 도움이 됩니다.

연구자는 가능하면 정식 분석을 시작하기 전에 전처리 전략을 결정해야 합니다. 워크플로우를 사전에 정의하면 결과를 확인한 후에 처리 결정을 내림으로써 발생할 수 있는 편향 도입의 위험을 줄일 수 있습니다.[1]

모든 연구에 적합한 단일 전처리 파이프라인은 없으므로, 워크플로우는 기존 문헌, 실험 설계, 기록 방법론 및 과학적 목표에 따라 가이드되어야 합니다.

EEG 신호 필터링

필터링은 종종 가장 초기 전처리 단계 중 하나입니다. 필터는 연구 질문과 관련된 신경 활동을 보존하면서 원치 않는 주파수 성분을 줄여줍니다.

고통과 필터(High-pass filter)는 느린 신호 드리프트를 줄일 수 있고, 저통과 필터(Low-pass filter)는 고주파 노이즈를 억제하는 데 도움이 됩니다. 일부 연구에서는 적절한 경우 전력 시스템의 전기적 간섭을 줄이기 위해 노치 필터(Notch filter)를 적용하기도 합니다.[1],[5]

필터 선택은 신중하게 접근해야 합니다. 과도한 필터링은 신경 신호를 왜곡하거나 사건 관련 반응의 타이밍과 진폭을 변화시킬 수 있습니다. 연구자는 불필요한 신호 수정을 피하면서 의도한 분석을 지원하는 필터 설정을 선택해야 합니다.

아티팩트 식별 및 관리

신중한 데이터 수집 후에도 일부 기록에는 전처리 중에 주의가 필요한 아티팩트가 포함되어 있습니다.

연구자들은 일반적으로 기록을 시각적으로 검사하여 과도한 노이즈, 불안정한 채널 또는 기록 중단 기간을 식별하는 것부터 시작합니다. 자동화된 품질 평가 도구가 아티팩트 감지에 도움을 줄 수 있지만, 수동 검토는 여전히 많은 전처리 워크플로우의 중요한 구성 요소로 남아 있습니다.[3]

오염의 특성에 따라 연구자는 개별 트라이얼을 제거하거나, 노이즈가 심한 채널을 거부하거나, 분리된 전극을 보간하거나, 아티팩트 보정 기술을 적용할 수 있습니다. 이러한 결정은 분석이 시작되기 전에 수립된 사전 정의된 품질 기준을 따라야 합니다.

독립 성분 분석

독립 성분 분석(ICA)은 혼합된 전기 신호를 통계적으로 독립적인 성분으로 분리하기 위해 가장 널리 사용되는 기술 중 하나입니다. 기록된 EEG를 기본 신호 소스로 분해함으로써, ICA는 연구자가 눈 깜박임, 안구 운동, 근육 활동 또는 기타 비신경 아티팩트와 관련된 성분을 식별하는 데 도움을 줄 수 있습니다.[4]

일단 식별되면, EEG 신호를 재구성하기 전에 아티팩트 관련 성분을 제거할 수 있습니다. ICA는 데이터 품질을 실질적으로 향상시킬 수 있지만, 성공적인 적용은 적절한 전처리, 충분한 데이터 품질 및 결과 성분에 대한 신중한 해석에 달려 있습니다.

연구자는 투명성과 재현성을 지원하기 위해 ICA가 어떻게 수행되었고 어떤 성분이 제거되었는지 문서화해야 합니다.

연속 데이터 에포킹

많은 EEG 분석은 특정 실험 사건 주변에서 발생하는 신경 반응에 초점을 맞춥니다. 이러한 분석을 용이하게 하기 위해 연속적인 EEG 기록은 흔히 에포크(epochs)라고 하는 더 짧은 시간 세그먼트로 나뉩니다.

각 에포크는 자극 제시, 참가자 반응 또는 실험 중 다른 의미 있는 사건을 나타내는 이벤트 마커에 맞춰 정렬됩니다. 이 세그먼트화를 통해 연구자는 반복되는 실험 조건 전반에 걸쳐 신경 활동을 비교할 수 있으며, 많은 사건 관련 전위(ERP) 분석의 기초를 형성합니다.[2],[6]

따라서 에포킹이 시작되기 전에 정확한 이벤트 타이밍이 필수적입니다.

기선 보정

신경 활동은 참가자가 휴식을 취하고 있을 때도 지속적으로 변화합니다. 기선 보정(Baseline correction)은 각 실험 에포크를 관심 사건 직전의 기준 기간과 비교함으로써 이러한 지속적인 변동을 고려하는 데 도움을 줍니다.

이 기선을 후속 신경 반응에서 차감하면 연구자는 무관한 배경 활동에 의해 유입되는 가변성을 줄이면서 실험 사건과 관련된 활동을 더 잘 분리할 수 있습니다.[2]

기선 선택은 연구 전반에 걸쳐 일관되게 유지되어야 하며, 선택한 실험 패러다임에 대해 확립된 관행을 반영해야 합니다.

품질 관리 및 문서화

데이터가 더 깨끗해 보인다고 해서 전처리가 끝나는 것은 아닙니다. 연구자는 필터링 매개변수, 아티팩트 거부 기준, 보간 절차, 소프트웨어 버전 및 분석 설정을 포함한 모든 처리 단계를 신중하게 문서화해야 합니다.

상세한 문서화는 다른 연구자가 전처리 워크플로우를 이해, 평가 및 복제할 수 있도록 함으로써 재현성을 지원합니다. 투명한 보고는 또한 향후 연구 간의 비교를 더욱 의미 있게 만듭니다.[1]

모든 참가자에게 일관된 전처리 프로토콜을 유지하면 가변성을 더욱 줄이고 결과 분석에 대한 신뢰도를 강화할 수 있습니다.

EEG 전처리용 소프트웨어 선택

여러 소프트웨어 플랫폼이 EEG 전처리 및 분석을 지원하며, 각 플랫폼은 서로 다른 워크플로우와 분석 기능을 제공합니다. 연구자는 자신의 실험 설계, 기술적 전문성 및 보고 요구 사항에 부합하는 도구를 선택해야 합니다.

일반적인 전처리 환경에는 이벤트 동기화, 데이터 시각화 및 공통 분석 형식으로의 내보내기를 지원하는 상용 획득 소프트웨어와 함께 EEGLAB, MNE-Python 및 FieldTrip이 포함됩니다.[4],[5] 상호 운용 가능한 도구를 선택하면 협업을 단순화하는 동시에 투명하고 재현 가능한 연구 관행을 지원할 수 있습니다.

핵심 요약

전처리는 노이즈를 줄이고 아티팩트를 관리하며 의미 있는 신경 신호를 보존하면서 데이터를 구성함으로써 과학적 분석을 위해 가공되지 않은 raw EEG 기록을 준비합니다.

필터링, 아티팩트 관리, 독립 성분 분석, 에포킹, 기선 보정 및 품질 관리는 모두 데이터 무결성을 유지하면서 신호 품질을 개선하는 데 기여합니다.

잘 설계된 전처리 파이프라인은 일관되고 투명하며 연구 질문에 적절합니다. 각 처리 단계를 문서화하고 참가자 전반에 걸쳐 표준화된 절차를 적용함으로써 연구자는 결과의 신뢰성과 재현성을 강화할 수 있습니다.

EEG 연구 지속적으로 구축하기

EEG 데이터가 분석을 위해 준비되면 연구자는 서로 다른 전극 위치가 뇌 활동을 이해하는 데 어떻게 기여하는지 탐색하기 시작할 수 있습니다.

다음 가이드인 EEG 전극 및 몽타주 선택에서는 전극 배치 시스템, 채널 선택, 기록 위치가 실험 설계 및 데이터 해석에 미치는 영향을 살펴보겠습니다.

참고 문헌

[1] M. X. Cohen, Analyzing Neural Time Series Data: Theory and Practice. Cambridge, MA, USA: MIT Press, 2014.

[2] S. J. Luck, An Introduction to the Event-Related Potential Technique, 2nd ed. Cambridge, MA, USA: MIT Press, 2014.

[3] S. J. Luck and E. S. Kappenman, Eds., The Oxford Handbook of Event-Related Potential Components. New York, NY, USA: Oxford University Press, 2012.

[4] A. Delorme and S. Makeig, "EEGLAB: An open source toolbox for analysis of single-trial EEG dynamics including independent component analysis," Journal of Neuroscience Methods, vol. 134, no. 1, pp. 9-21, 2004.

[5] R. Oostenveld, P. Fries, E. Maris, and J. M. Schoffelen, "FieldTrip: Open source software for advanced analysis of MEG, EEG, and invasive electrophysiological data," Computational Intelligence and Neuroscience, vol. 2011, Article ID 156869, 2011.

[6] S. R. Williams et al., "Validation of Emotiv EPOC Flex saline for event-related potential research," PeerJ, vol. 9, e10777, 2021.