EEG 아티팩트

EEG 아티팩트의 두 가지 기본 범주

EEG 기록에서 나타나는 모든 원치 않는 변동은 두 가지 원인 중 하나에서 비롯됩니다. 피험자 관련(생리학적) 아티팩트는 참가자의 신체 자체에서 발생합니다. 여기에는 눈 깜빡임, 근육 긴장, 심장 박동, 땀샘 활동 등이 포함되며, 이들 모두 두피 전극이 실제 뇌 활동과 함께 포착하는 전기장을 생성합니다.

기술적(비생리학적) 아티팩트는 기록 장비 및 환경에서 발생합니다. 전극의 헐거움, 케이블 흔들림, 증폭기 포화, 전원선 전기적 간섭 등이 이 두 번째 그룹에 속합니다.

두 범주를 구별하는 것은 예방 및 제거 전략이 근본적으로 다르기 때문에 가장 먼저 숙달해야 할 기술입니다. 턱을 꽉 쥘 때 발생하는 근육 폭발은 차폐가 잘 되지 않은 케이블을 통해 유입되는 주기적인 60Hz 험 노이즈와는 다른 개입 방식이 필요합니다.

피험자 관련 아티팩트를 식별하는 방법

눈 깜빡임

눈은 작은 전기 배터리처럼 작동합니다. 각막은 망막에 비해 양전하를 띠고 있어 각막-망막 쌍극자(corneo-retinal dipole)를 형성합니다. 참가자가 눈을 깜빡이면 눈꺼풀이 이 쌍극자를 쓸어내리며 양전하 필드를 위쪽으로 끌어당겨 눈에서 가장 가까운 전두엽 전극에 크고 양의 전압 편향(deflection)을 생성합니다.

시간 영역 트레이스에서 눈 깜빡임은 Fp1 및 Fp2와 같은 전두극(frontopolar) 채널에서 최대치에 도달한 후 중심부 또는 후두부 유도로 갈수록 급격히 감쇠하는 고진폭의 서파로 나타납니다. 파형이 매우 정형화되어 있어 숙련된 눈이라면 거의 즉각적으로 알아볼 수 있습니다.

눈 움직임 및 단속 운동 스파이크

눈 깜빡임 없이 눈이 좌우로 움직일 때 각막-망막 쌍극자는 가려지는 대신 회전합니다. 이는 인접한 EEG 채널로 스며들 수 있는 계단형의 안구전도(EOG) 신호 편이를 생성합니다.

또한, 안구 단속 운동(saccade) 중 외안근의 빠른 수축은 단속 운동 스파이크 전위(saccadic spike potential)로 알려진 짧고 날카로운 전기적 과도 현상을 만들어냅니다. 원시 트레이스에서 이러한 스파이크는 간질형 활동과 매우 유사하게 보일 수 있습니다. 이는 일반적으로 전두엽 및 측두엽 전극에 국한되며 시선 변화와 일치하여 발생합니다.

이를 식별하면 잘못된 임상적 판단을 예방하고 다른 깨끗한 신경 데이터가 불필요하게 버려지는 것을 방지할 수 있습니다. 스파이크의 짧은 지속 시간, 수평 또는 수직 안구 운동과의 상관관계, 뒤따르는 서파의 부재는 이를 실제 피질 방출과 구별하는 데 도움이 됩니다.

근육 활동

두피, 얼굴, 목 근육은 고주파 전기 노이즈를 많이 생성합니다. 참가자가 턱을 꽉 다물거나 눈살을 찌푸리거나 목에 긴장을 유지하기만 해도 운동 단위 활동 전위가 비동기적으로 발화되어 스파이크 형태의 불규칙한 간섭 패턴으로 합산됩니다.

시간 영역에서 근육 아티팩트는 EEG 위에 겹쳐지는 날카롭고 낮은 진폭의 편향이 빠르게 폭발하는 형태로 보이며, 종종 측두엽이나 전두엽 전극에서 가장 두드러집니다. 주파수 성분은 주로 20Hz 이상에 위치하며, 많은 인지 측정이 이루어지는 베타 및 감마 대역에 깊숙이 들어가 있어 정신 상태 모니터링 및 뇌-컴퓨터 인터페이스 애플리케이션에 특히 골칫거리가 됩니다.

전극 간격이 좁은 고밀도 EEG 설정은 근육 소스를 국소화하는 데 도움이 될 수 있지만, 1차 방어선은 참가자에게 긴장을 풀도록 안내하고 머리를 물리적으로 지지해 주는 것입니다.

땀 및 피부 전기 변화

땀샘 활동으로 인한 피부 전도도 변화는 전극-피부 접촉면을 변화시킵니다. 이는 흔히 1Hz 미만에서 수 초에 걸쳐 변동될 수 있는 매우 느리고 매끄러운 기저선 전압의 드리프트를 유발합니다.

이 아티팩트는 스파이크나 리드미컬한 윙윙거림으로 나타나지 않고, 전체 트레이스가 완만한 파도처럼 출렁이는 형태로 나타납니다. 장시간 기록 중이거나 따뜻한 환경, 또는 긴장한 참가자에게서 가장 흔히 발생합니다. 이러한 저주파 혼란 변수는 실내 온도를 안정적으로 유지하고 전극 접촉 상태를 양호하게 유지함으로써 관리할 수 있습니다.

심장 신호

심장의 전기장은 특히 전극 임피던스가 높거나 유양돌기나 귓불 위의 혈관 근처에 기준 전극이 위치할 때 두피에 도달할 정도로 강력합니다.

그 결과로 나타나는 심전도 아티팩트는 심박수(대략 초당 1회)로 반복되는 규칙적이고 날카로운 QRS 복합파로 나타납니다. 이는 종종 일정한 타이밍 오프셋을 두고 여러 채널로 동시에 스며들며, 광범위한 스펙트럼의 아티팩트 특징에 대해 훈련된 분류기는 다른 오염원과 함께 이를 감지해 낼 수 있습니다.

심장 파형이 보이지만 압도적이지 않은 경우 전용 ECG 채널을 기록하여 이를 차감할 수 있는 경우가 많으며, 그렇지 않으면 영향을 받은 세그먼트를 수동으로 제거해야 할 수 있습니다.

트레이스에서 기술적 아티팩트 식별하기

전극 튐(Pop) 및 움직임 관련 스파이크

건조된 겔 브리지, 잡아당겨진 케이블, 전극의 움직임으로 인한 갑작스러운 임피던스 변화는 흔히 팝(pop)이라고 불리는 갑작스럽고 가파른 과도 현상을 생성합니다. 이는 ADJUST와 같은 자동 알고리즘이 플래그를 지정하도록 설계된 “일반적 불연속성(generic discontinuities)” 범주에 속합니다.

시간 영역에서 전극 팝은 일반적으로 증폭기를 포화시켜 신호가 서서히 회복되기 전 잠시 동안 평평한 선(flat-line)을 만들 수 있는 극단적인 진폭의 고립된 스파이크처럼 보입니다. 생물학적 스파이크와 달리 지속적인 생리학적 활동에 둘러싸여 있지 않으며 대개 단일 채널에 나타나므로 시각적 검사 중에 쉽게 식별할 수 있습니다.

Hagmann 등의 신생아 EEG 연구에서도 진폭 통합 트레이스를 변경하는 빈번한 움직임 간섭이 유사하게 기록되었으며, 이는 짧은 물리적 교란조차도 측정 가능한 오염을 생성한다는 점을 강조합니다.

전원 간섭

전원 공급 장치가 기록 장치에 용량성 결합(capacitive coupling)을 일으키면 전원 주파수(유럽 및 전 세계 대부분의 지역에서는 50Hz, 북미에서는 60Hz)에서 지속적이고 리드미컬한 “윙윙거림(buzz)”이 발생합니다.

원시 EEG 트레이스에서 이러한 간섭은 모든 채널에 겹쳐진 두꺼운 사인파로 나타나며 종종 일정한 진폭을 갖습니다. 적은 양의 라인 노이즈라도 저전압 뇌파 리듬을 가릴 수 있으며, 그 존재는 전극 임피던스, 차폐 또는 접지에 문제가 있음을 나타냅니다.

이는 신경 진동이 아니라 변함없이 기술적 아티팩트이며, 고정된 주파수를 가지므로 육안이나 간단한 스펙트럼 플롯으로 쉽게 식별할 수 있습니다.

헐거운 전극 및 케이블 움직임

전극이 두피에 단단히 부착되지 않았거나 기록 중에 케이블이 흔들리면 기계적 교란으로 인해 불규칙한 저주파 변동이 발생합니다. 이는 단일 채널에서 느리고 불규칙한 드리프트나 고진폭의 불규칙한 파동의 폭발처럼 보일 수 있습니다.

산발적인 특성과 하나의 전극에 국한된다는 점은 눈 깜빡임이나 근육 긴장과 같은 광범위한 생리학적 사건과 이 아티팩트를 즉시 구별해 줍니다. 실시간으로 이러한 순간을 기록해 두면 나중에 불량 데이터 세그먼트를 찾는 노력을 크게 줄일 수 있습니다.

기록 중 아티팩트 예방 및 문서화

가장 효과적인 아티팩트 관리 전략은 첫 번째 데이터 포인트가 저장되기 훨씬 전에 시작됩니다.

참가자가 편안한 상태에 있으면 근육 및 눈 움직임 아티팩트가 극적으로 줄어듭니다. 따라서 세션에 대해 설명하고, 머리 받침대가 있는 편안한 의자를 제공하며, 자발적인 눈 깜빡임과 단속 운동을 줄일 수 있도록 시선이 머물 수 있는 안정적인 고정점을 제공하는 데 시간을 할애하십시오. 이러한 단계는 너무나 기본적이어서 연구 논문에는 거의 자세히 언급되지 않지만, 깨끗한 데이터를 보고하는 모든 연구는 암묵적으로 이에 의존하고 있습니다.

전극 부착은 그 다음 방어선입니다. 세심한 피부 준비, 적절한 전도성 겔 사용, 신중한 케이블 배선은 환경 노이즈 수신과 움직임 관련 팝을 모두 최소화합니다.

앞서 언급한 영아 EEG 연구에 따르면 전기적 간섭과 움직임 간섭이 유사한 빈도로 발생하는 것으로 나타났으며, 이는 기술적 문제로부터 본질적으로 자유로운 기록 환경은 없음을 확인해 줍니다. 세션 전후로 임피던스를 확인하고 케이블을 옷이나 의자에 고정하면 예방 가능한 아티팩트의 상당 부분을 제거할 수 있습니다.

마지막으로, 기록 중 눈에 보이는 아티팩트에 대한 지속적인 로그를 유지하십시오. 큰 움직임, 기침 또는 전극 조정이 발생한 시간을 기록하십시오. 이러한 종류의 수동 주석 달기는 인간 평가자가 머신러닝 알고리즘의 정답(ground truth) 역할을 할 세그먼트를 표시하는 자동 분류기 훈련에 사용되는 전문가 라벨링과 일맥상통합니다.

단순한 손글씨 타임스탬프나 획득 소프트웨어의 이벤트 마커를 사용하면 어림짐작을 재현 가능한 문서로 바꿀 수 있습니다.

수동 배제 및 보간: 연산 전 클리닝

연속 트레이스의 육안 검사

아티팩트 제거를 신호 처리 알고리즘에 위임하기 전에 원시 데이터를 훑어보며 위에서 설명한 파형 특징을 사용해 오염된 구간을 식별하십시오.

눈 깜빡임의 특징적인 전두엽 서파, 근육 활동의 고주파 잡음, 팝의 고립된 스파이크 또는 전원 노이즈의 지속적인 사인파를 확인하는 것이 권장됩니다. 이 단계는 아티팩트와 실제 뇌 활동을 구별할 수 있도록 눈을 훈련시키며, 표면적으로 아티팩트와 닮았을 수 있는 드물고 진폭이 큰 신경 이벤트를 자동으로 거부하는 것을 방지합니다.

• 전두엽 서파: 눈 깜빡임을 나타냄

• 고주파 잡음: 근육 활동을 나타냄

• 극단적 진폭의 고립된 스파이크: 전극 팝을 나타냄

• 지속적인 사인파: 전원 간섭을 나타냄

불량 시간 세그먼트 표시 및 제외

아티팩트가 많은 데이터 구간을 식별했다면 제외 대상으로 표시하십시오. 여기에는 시작 및 종료 시간을 기록하거나 EEG 분석 소프트웨어에 내장된 마킹 도구를 사용하는 것이 포함될 수 있습니다.

가장 심하게 오염된 세그먼트를 수동으로 제거하는 것은 최첨단 자동화 방법들조차 기반으로 삼고 있는 표준입니다. 예를 들어 ADJUST 알고리즘을 개발한 연구에서는 전문가들이 640개의 구성 요소를 수동으로 라벨링하여 훈련 세트를 만들었으며, 분류기의 성능은 이렇게 수동으로 정의된 정답과 비교하여 측정되었습니다.

가장 두드러진 아티팩트를 수동으로 제거하면 후속 알고리즘의 부담을 줄이고 공간 필터링 단계에서 인접 채널로 노이즈가 확산되는 것을 방지할 수 있습니다.

지속적으로 노이즈가 많은 채널의 보간

접촉 불량, 건조된 겔 또는 기계적 불안정성으로 인해 전체 기록 동안 단일 전극을 신뢰할 수 없는 경우, 해당 채널을 제거하고 인접한 깨끗한 전극에서 해당 데이터를 재구성하면 전체 데이터 차원성을 보존할 수 있습니다.

보간법은 두피 전체의 공간적 전압 분포를 사용하여 불량 채널이 기록했을 값을 추정함으로써 아티팩트를 타당하고 중립적인 신호로 효과적으로 대체합니다. 이 단계는 지형적 분석을 위해 데이터세트를 온전하게 유지하고 채널을 완전히 폐기할 때 발생하는 데이터 손실을 방지합니다.

수동 클리닝이 여전히 필수적인 이유

가장 정교한 자동 분류기라도 심한 아티팩트가 사전에 정제된 데이터세트에서 더 나은 성능을 발휘합니다. 아티팩트가 기록 시간의 12%를 차지하고 임상적 해석에 영향을 미쳤다는 신생아 연구 결과는 제거되지 않은 오염이 결론을 얼마나 쉽게 왜곡할 수 있는지를 잘 보여줍니다.

따라서 육안 검사는 데이터가 효과적인 전산 파이프라인에 들어가기 전에 가장 크고 명백한 아티팩트를 제거하여, 이러한 아티팩트가 분산을 지배하고 분해를 왜곡하는 것을 방지합니다. 또한 어떤 알고리즘도 복제할 수 없는 데이터세트에 대한 깊은 이해를 형성해 줍니다.

자동 제거가 수동 작업을 지원하는 방법

분해 도구로서의 독립 성분 분석(ICA)

가장 불량한 세그먼트를 수동으로 제거한 후, ICA를 통해 나머지 EEG를 통계적으로 독립적인 소스 성분으로 분해할 수 있습니다. 이 기술은 두피 전극에서 포착된 뇌 신호와 아티팩트 신호의 혼합을 풀어주어, 고유한 공간적 및 시간적 패턴을 기반으로 안구 운동, 눈 깜빡임, 근육 활동을 별개의 성분으로 분리합니다.

그런 다음 전두엽 투사와 눈 깜빡임 신호와 밀접하게 일치하는 파형을 가진 구성 요소를 식별하고 차감하여 나머지 데이터를 신경생리학적으로 온전한 상태로 남겨둘 수 있습니다. ICA의 강점은 동시에 발생하는 여러 아티팩트 소스를 처리할 수 있다는 데 있으며, 이는 더 단순한 회귀 기반 보정이 빈번하게 과도하거나 불충분하게 보정하는 작업입니다.

현대 분류기의 신뢰성

자동화된 방법은 이제 인간 전문가의 판단과 밀접하게 일치하는 수준의 성능에 도달했습니다.

주파수, 공간 및 시간 영역에서 도출된 6가지 특징을 기반으로 훈련된 한 피험자 독립 선형 분류기는 반응 시간 데이터세트에서 평균 제곱 오차 10% 미만을 달성했으며, 이는 두 인간 전문가 간의 불일치 범위 내에 있습니다.

또한 공간 및 시간 아티팩트 특정 기능을 결합한 ADJUST 알고리즘은 완전히 독립적인 데이터세트에서 테스트했을 때 데이터 분산의 95.2%에서 전문가의 수동 라벨링과 일치했으며, 아티팩트 구성 요소를 제거하여 사건 관련 전위를 깨끗하게 재구성했습니다.

서포트 벡터 머신과 결합된 자기회귀 모델을 사용하는 또 다른 접근 방식은 여러 유형의 피험자 생성 아티팩트를 개인 간에 약 94%의 정확도로 분류했습니다.

특히 눈 아티팩트의 경우, 관련 구성 요소를 객관적으로 식별하기 위해 안구 추적기 정보를 통합한 알고리즘은 구성 요소 토포그래피에만 의존해야 했던 인간 전문가보다 거의 두 배나 효과적으로 작동하여 0.99를 초과하는 수신자 조작 특성 곡선하면적(ROC AUC)을 달성했습니다.

이러한 수치가 수동 클리닝을 대체하지는 않지만, 한때 완전히 수작업으로 수행되던 반복적이고 양이 많은 식별 작업을 처리할 수 있는 신뢰할 수 있는 전산 보조 도구가 이제 현장에 마련되었음을 보여줍니다.

아티팩트 제거와 신호 보존의 균형

공격적인 아티팩트 거부는 본의 아니게 실제 신경 정보를 제거할 수 있습니다. 운동 상상 뇌-컴퓨터 인터페이스 패러다임에서 연구자들은 가장 아티팩트가 많은 ICA 성분의 최대 60%를 안전하게 제거하면서도 사용자의 의도를 디코딩하는 데 BCI 시스템이 사용하는 판별 정보를 여전히 보존할 수 있음을 발견했습니다.

이 발견은 아티팩트 분산을 일부 포함하는 모든 성분에 신경 신호가 전혀 없는 것은 아니라는 중요한 원칙을 강조합니다. 거부 임계값이 유용한 뇌 활동의 영역으로 넘어가지 않는지 확인하기 위해 자동 분류기가 선택한 구성 요소를 수동으로 검토하는 것이 여전히 바람직합니다.

합성곱 신경망을 이용한 자동 EEG 아티팩트 식별

EEG 아티팩트 식별에 대한 자동화된 접근 방식은 상당한 진전을 이루어 위에서 설명한 수동 인식 기술을 보완하고 있습니다. 연구의 한 흐름은 원시 신호의 전문가 특징 추출이나 전처리 없이도 아티팩트를 감지하고 분류할 수 있는 합성곱 신경망에 초점을 맞추었습니다.

연속 다채널 EEG 데이터를 조사하는 연구진의 한 연구에서는 EEG 아티팩트의 이진 감지를 위한 CNN 아키텍처를 제안한 후, 이를 여러 아티팩트 유형을 분류하도록 확장했습니다. 저자들은 최적화된 네트워크가 17명의 환자와 9개의 아티팩트 클래스에 걸쳐 평균 94.17%의 분류 정확도를 달성했다고 보고합니다. 원래의 CNN 기반 아키텍처와 비교하여 최적화된 버전은 17.5% 더 높은 정확도와 함께 매개변수는 4.2배 적고 연산량은 2.7배 적었습니다. 연구진은 또한 14채널 Emotiv Epoc X headset을 사용하여 연구실에서 수집한 데이터세트에서 모델을 평가했으며, 눈 깜빡임 아티팩트 감지에서 93.5%의 정확도를 달성했습니다.

이 연구는 제안된 모델이 EEG 데이터의 특징 추출이나 전처리에 전문 지식을 필요로 하지 않으며, 아키텍처가 모바일 장치에 구현될 수 있을 정도로 효율적임을 보여주었습니다. 이는 실용적이고 리소스가 제한된 환경에서 실시간 아티팩트 감지가 가능함을 시사합니다.

이러한 일련의 연구가 아직 확립하지 못한 점은 실제 환경 기록에서 마주치는 모든 범위의 아티팩트 유형에 걸쳐 이러한 자동 분류기가 어떻게 작동하는지, 또는 다양한 인구 집단 및 기록 환경에서 수동 검사와 비교하여 어떠한지입니다. 이러한 연구 결과는 효율적인 자동 EEG 아티팩트 식별이 실현 가능함을 보여주지만, 더 광범위한 조건에서의 추가 검증은 여전히 열려 있는 연구 분야로 남아 있습니다.

아티팩트 인식이 데이터 품질을 결정하는 이유

아티팩트는 육안 해석과 정량적 측정 모두에 직접적인 영향을 미칩니다. 임상 진단, 신경과학적 발견, 또는 소비자 웰니스 애플리케이션 등 목표가 무엇이든 신뢰할 수 있는 결과로 가는 길은 아티팩트의 출처, 원시 트레이스에서 나타나는 형태, 그리고 이를 예방, 문서화 및 수동으로 제거하는 규율 있는 프로세스에 대한 명확한 이해를 통해 이루어집니다.

ICA 기반 자동화는 클리닝 워크플로를 가속화할 수 있지만, 훈련된 인간의 눈으로 이미 검사된 데이터에서 가장 효과적으로 작동합니다. 12%의 오염률이 높아 보이지 않을 수 있지만, 그 비율이 의학적 결정을 바꾸거나 미묘한 인지 바이오마커를 가릴 수 있을 때 아티팩트 관리에 대한 투자는 기록의 과학적 무결성과 뗄 수 없는 관계가 됩니다.

참고 문헌

1. Plöchl, M., Ossandón, J. P., & König, P. (2012). Combining EEG and eye tracking: identification, characterization, and correction of eye movement artifacts in electroencephalographic data. Frontiers in human neuroscience, 6, 278. https://doi.org/10.3389/fnhum.2012.00278

2. Mognon, A., Jovicich, J., Bruzzone, L., & Buiatti, M. (2011). ADJUST: An automatic EEG artifact detector based on the joint use of spatial and temporal features. Psychophysiology, 48(2), 229-240. https://doi.org/10.1111/j.1469-8986.2010.01061.x

3. Hagmann, C. F., Robertson, N. J., & Azzopardi, D. (2006). Artifacts on electroencephalograms may influence the amplitude-integrated EEG classification: a qualitative analysis in neonatal encephalopathy. Pediatrics, 118(6), 2552–2554. https://doi.org/10.1542/peds.2006-2519

4. Winkler, I., Haufe, S., & Tangermann, M. (2011). Automatic classification of artifactual ICA-components for artifact removal in EEG signals. Behavioral and brain functions, 7(1), 30. https://doi.org/10.1186/1744-9081-7-30

5. Lawhern, V., Hairston, W. D., McDowell, K., Westerfield, M., & Robbins, K. (2012). Detection and classification of subject-generated artifacts in EEG signals using autoregressive models. Journal of neuroscience methods, 208(2), 181-189. https://doi.org/10.1016/j.jneumeth.2012.05.017

자주 묻는 질문(FAQ)

EEG 아티팩트의 두 가지 주요 범주는 무엇이며 어떻게 다릅니까?

EEG 아티팩트는 참가자의 신체에서 생성되는 피험자 관련(생리학적) 아티팩트(눈 깜빡임, 근육 긴장, 심장 박동, 땀 등)와 장비 또는 환경에서 비롯되는 기술적(비생리학적) 아티팩트(헐거운 전극, 케이블 흔들림, 전원 간섭 등)의 두 가지 범주로 나뉩니다. 이 구분이 중요한 이유는 범주마다 서로 다른 예방 및 제거 전략이 필요하기 때문입니다. 예를 들어, 근육 폭발은 60Hz 라인 험 노이즈와는 다른 개입이 필요합니다.

EEG 트레이스에서 눈 깜빡임 아티팩트를 어떻게 인식할 수 있습니까?

눈 깜빡임은 Fp1 및 Fp2와 같은 전두엽 전극에서 가장 강하게 나타나고 중앙 또는 후두부 채널로 갈수록 빠르게 약해지는 크고 양의 서파로 나타납니다. 각막은 망막에 비해 양전하를 띠기 때문에 눈꺼풀이 이 쌍극자를 쓸어내리면서 정형화된 고진폭 편향을 생성하여 훈련을 통해 쉽게 알아볼 수 있습니다.

근육 활동이 뇌-컴퓨터 인터페이스에 특히 문제가 될 수 있는 이유는 무엇입니까?

턱을 악물거나 눈살을 찌푸리거나 목에 긴장이 생겨 발생하는 근육 아티팩트는 고주파수의 뾰족한 간섭을 생성하며, 이는 인지 측정 및 정신 상태 모니터링이 작동하는 베타 및 감마 뇌파 대역과 겹치는 경우가 많습니다. 이러한 오염은 알고리즘 분석을 훼손하고 뇌-컴퓨터 인터페이스 모델의 성능을 저하시킬 수 있으므로 관리하기 가장 까다로운 생리학적 아티팩트 중 하나입니다.

전원 간섭 아티팩트는 어떤 모습이며 원인은 무엇입니까?

전원 간섭은 해당 지역의 전력 공급에 따라 보통 50Hz 또는 60Hz에서 모든 EEG 채널에 중첩되어 나타나는 지속적이고 리드미컬한 사인파 형태의 "윙윙거림"으로 보입니다. 이는 불량한 전극 임피던스, 부적절한 차폐 또는 접지 문제로 인해 전원 공급 장치가 기록 장치에 용량성 결합되어 발생하며, 신경 신호가 아닌 명백한 기술적 아티팩트입니다.

기록 중에 아티팩트를 수동으로 주석 처리하는 것이 왜 중요합니까?

세션 중 큰 움직임, 기침, 전극 조정 등을 지속적으로 기록하면 나중에 불량 데이터 세그먼트의 범위를 좁히는 데 도움이 되며, 어림짐작을 재현 가능한 문서로 변환할 수 있습니다. 이러한 수동 주석 처리는 자동 분류기를 훈련하는 데 사용되는 전문가 라벨링을 반영하여 수동 및 계산 클리닝 모두의 신뢰성을 향상시키는 정답(ground truth)을 제공합니다.

지속적으로 노이즈가 발생하는 EEG 채널을 보간하는 목적은 무엇입니까?

접촉 불량이나 마른 겔 등으로 인해 전체 기록 동안 단일 전극을 신뢰할 수 없는 경우, 보간법은 두피 전체의 공간적 전압 분포를 사용하여 인접한 깨끗한 전극으로부터 해당 채널의 데이터를 재구성합니다. 이렇게 하면 지형적 분석을 위한 데이터세트의 전체 차원성이 유지되어 채널 전체를 폐기할 때 발생하는 데이터 손실을 방지할 수 있습니다.

독립 성분 분석(ICA)은 아티팩트 제거에 어떻게 도움이 됩니까?

ICA는 혼합된 EEG 신호를 통계적으로 독립적인 소스 성분으로 분해하여 고유한 공간적 및 시간적 패턴을 기반으로 눈 깜빡임, 근육 활동 및 기타 아티팩트를 분리합니다. 식별이 완료되면 눈 깜빡임과 일치하는 전두엽 투사를 갖는 성분과 같은 아티팩트 성분을 차감할 수 있어 기본 신경 신호는 온전히 남겨두고 단순 회귀 방법보다 더 효과적으로 여러 동시 발생 아티팩트 소스를 처리할 수 있습니다.

자동 아티팩트 제거를 너무 공격적으로 수행할 경우 어떤 위험이 있습니까?

공격적인 제거는 본의 아니게 실제 신경 정보를 제거할 수 있습니다. 일부 구성 요소는 아티팩트 분산과 유용한 뇌 활동을 모두 포함하고 있기 때문입니다. 자동 분류기가 많은 구성 요소를 플래그 지정하더라도, 제거할 임계값이 사용자의 의도를 디코딩하거나 인지 바이오마커를 감지하는 데 필수적인 신호를 제거하지 않도록 제거할 구성 요소를 수동으로 검토하는 것이 좋습니다.

아티팩트 인식이 EEG 기록의 과학적 무결성에 직접적인 영향을 미치는 이유는 무엇입니까?

아티팩트는 병리학적 파형으로 가장하거나 육안 해석과 정량적 분석 모두를 왜곡하는 분산을 도입하여 임상적 분류를 변경하거나 미묘한 인지 신호를 가릴 수 있습니다. 컴퓨터 연산 처리 전에 아티팩트를 방지하고, 문서화하고, 수동으로 정제하는 엄격한 프로세스를 거치는 것은 데이터에서 도출된 결론이 신뢰할 수 있고 오염으로 인해 왜곡되지 않도록 보장하는 데 필수적입니다.