EEG 아티팩트

EEG 아티팩트의 두 가지 기본 범주

녹음된 EEG에서 원치 않는 모든 변동은 두 가지 원인 중 하나에서 발생합니다. 피험자 관련(또는 생리적) 아티팩트는 참가자의 신체 자체에서 생성됩니다. 여기에는 눈 깜박임, 근육 긴장, 심장 박동, 땀샘 활동 등이 포함되며, 이들 모두는 두피 전극이 실제 뇌 활동과 함께 감지하는 전기장을 생성합니다.

기술적(또는 비생리적) 아티팩트는 기록 장비와 환경에서 기인합니다. 느슨한 전극, 케이블 흔들림, 증폭기 포화, 주전원 전기 간섭 등이 이 두 번째 그룹에 속합니다.

이 두 범주를 구별하는 것이 가장 먼저 마스터해야 할 기술입니다. 예방 및 제거 전략이 근본적으로 다르기 때문입니다. 꽉 다문 턱에서 발생하는 근육의 일시적인 수축은 제대로 차폐되지 않은 케이블을 통해 들어오는 주기적인 60Hz 윙윙거리는 소음과는 다른 개입이 필요합니다.

피험자 관련 아티팩트 인식 방법

눈 깜박임

눈은 작은 전기 배터리처럼 작동합니다. 각막은 망막에 대해 양전하를 띠어 각막-망막 쌍극자(corneo‑retinal dipole)를 형성합니다. 참가자가 눈을 깜박이면 눈꺼풀이 이 쌍극자를 쓸고 지나가며 양 전하를 위쪽으로 끌어당겨, 눈과 가장 가까운 전두엽 전극에서 크고 양 전하를 띠는 전압 편향을 생성합니다.

시간 영역 트레이스에서 눈 깜박임은 Fp1 및 Fp2와 같은 전두극 채널에서 최대치에 도달한 후, 중심부나 후두부 유도로 갈수록 급격히 감쇠하는 높은 진폭의 완만한 파형(slow wave)으로 나타납니다. 이 파형은 매우 정형화되어 있어 숙련된 눈으로 거의 즉시 포착할 수 있습니다.

안구 운동 및 안구 신속 운동 스파이크 (Saccadic Spikes)

눈을 깜박이지 않고 양옆으로 움직일 때, 각막-망막 쌍극자는 가려지기보다 회전하게 됩니다. 이는 전기안구도(EOG) 신호에서 계단 모양의 변화를 생성하며, 이는 인접한 EEG 채널로 흘러 들어갈 수 있습니다.

또한 안구 신속 운동(saccade) 중 외안근의 급격한 수축은 안구 신속 운동 스파이크 전위로 알려진 짧고 날카로운 전기적 과도 현상을 생성합니다. 가공되지 않은 트레이스에서 이 스파이크는 간질형 활동과 혼동을 줄 정도로 매우 유사하게 보일 수 있습니다. 이들은 일반적으로 전두엽 및 측두엽 전극에 국한되며 시선 변화와 동시에 발생합니다.

이를 인식하면 잘못된 임상적 오판을 방지하고 다른 깨끗한 신경 데이터를 불필요하게 거부하는 일을 피할 수 있습니다. 스파이크의 짧은 지속 시간, 수평 또는 수직 안구 운동과의 상관관계, 그리고 뒤따르는 완만한 파형의 부재는 이를 실제 피질 방전과 구별하는 데 도움이 됩니다.

근육 활동

두피, 얼굴, 목 근육은 고주파 전기 노이즈를 다량으로 생성하는 주범입니다. 참가자가 턱을 깨물거나 이마를 찌푸리거나 목에 힘을 주고 있을 때에도 운동 단위 액션 포텐셜(action potentials)이 비동기식으로 발화하여 뾰족하고 불규칙한 간섭 패턴으로 합산됩니다.

시간 영역에서 근육 아티팩트는 EEG 위에 얹혀진 날카롭고 낮은 진폭의 급격한 버스트처럼 보이며, 측두엽 또는 전두엽 전극에서 가장 두드러지는 경우가 많습니다. 주파수 성분은 주로 20 Hz 이상에 위치하여 인지 측정과 정신 상태 모니터링이 수행되는 베타 및 감마 대역에 걸쳐 있어, 뇌-컴퓨터 인터페이스 응용 분야에서 특히 골칫거리가 됩니다.

전극 간격이 좁은 고밀도 EEG 설정은 근육 소스를 국소화하는 데 도움이 될 수 있지만, 가장 우선적인 대처법은 참가자에게 힘을 빼도록 안내하고 머리를 편안하게 받쳐주는 것입니다.

땀 및 피부 전기 변화

땀샘 활동으로 인한 피부 전도도의 변화는 전극과 피부 사이의 접촉 상태를 변화시킵니다. 이로 인해 보통 1 Hz 미만의 매우 느리고 완만한 기선 전압의 드리프트가 도입되며, 이는 수초에 걸쳐 서서히 움직일 수 있습니다.

이 아티팩트는 스파이크나 주기적인 소음이 아니라 트레이스 전체가 완만한 파도처럼 출렁이는 형태로 나타납니다. 긴 기록 시간 동안, 따뜻한 환경에서 또는 불안해하는 참가자에게서 가장 흔하게 발생합니다. 이 저주파 노이즈는 안정적인 실내 온도를 유지하고 전극 접촉을 양호하게 유지함으로써 관리할 수 있습니다.

심장 신호

심장의 전기장은 두피까지 도달할 정도로 강력하며, 특히 전극 임피던스가 높거나 유돌기나 귓볼 위 혈관 근처에 참조 전극이 위치할 때 더욱 그렇습니다.

그 결과 발생하는 심전도 아티팩트는 심장 박동 수(대략 초당 1회)로 반복되는 규칙적이고 날카로운 QRS 복합파로 나타납니다. 이는 종종 일정한 시간 차를 두고 여러 채널로 동시에 흘러 들어가며, 광범위한 아티팩트 특징을 학습한 분류기는 이를 다른 오염 물질과 함께 감지할 수 있습니다.

심장 파형이 보이지만 압도적이지 않은 경우, 전용 ECG 채널을 기록하여 이를 감산할 수 있습니다. 그렇지 않으면 해당 구간을 수동으로 제거해야 할 수 있습니다.

트레이스에서 기술적 아티팩트 인식하기

전극 팝 및 운동 관련 스파이크

건조된 겔 브리지, 잡아당겨진 케이블 또는 전극의 움직임으로 인한 임피던스의 갑작스러운 변화는 종종 '팝(pop)'이라고 불리는 급격하고 가파른 과도 현상을 생성합니다. 이는 ADJUST와 같은 자동 알고리즘이 플래그를 지정하도록 설계된 '일반적인 불연속성' 범주에 속합니다.

시간 영역에서 전극 팝은 일반적으로 증폭기를 포화시킬 수 있는 극도로 높은 진폭의 고립된 스파이크처럼 보이며, 서서히 회복되기 전에 일시적으로 신호를 평평하게 만듭니다. 생물학적 스파이크와 달리, 이는 진행 중인 생리적 활동에 둘러싸여 있지 않고 대개 단일 채널에서만 나타나므로 육안 검사 중에 쉽게 식별할 수 있습니다.

Hagmann 등의 신생아 EEG 연구에서도 이와 유사하게 진폭 통합 트레이스를 변화시키는 빈번한 움직임 간섭을 기록하였으며, 이는 짧은 물리적 장애조차도 측정 가능한 오염을 유발한다는 점을 강조합니다.

주전원 간섭

녹음 설정으로 전원 공급 장치가 용량 결합되면 주전원 주파수(유럽 및 전 세계 대부분 지역은 50 Hz, 북미는 60 Hz)에서 지속적이고 주기적인 '윙윙'거리는 노이즈가 발생합니다.

가공되지 않은 EEG 트레이스에서 이 간섭은 모든 채널에 중첩되어 나타나는 굵은 사인파처럼 보이며, 종종 일정한 진폭을 가집니다. 소량의 라인 노이즈라도 낮은 전압의 대뇌 리듬을 가릴 수 있으며, 이의 존재는 전극 임피던스, 차폐 또는 접지 문제를 나타냅니다.

이것은 변함없이 기술적 아티팩트이지 신경 진동이 아니며, 고정된 주파수 덕분에 육안으로 또는 간단한 스펙트럼 플롯으로 쉽게 식별할 수 있습니다.

느슨한 전극 및 케이블 움직임

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

이러한 산발적인 특성과 단일 전극에 국한된 양상은 눈 깜박임이나 근육 긴장과 같은 광범위한 생리적 현상과 즉각적으로 구별됩니다. 실시간으로 이러한 순간들을 기록해 두면 나중에 불량 데이터 세그먼트의 검색 범위를 좁혀 상당한 노력을 줄일 수 있습니다.

기록 중 아티팩트 예방 및 문서화

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

편안하게 이완된 참가자는 근육 및 안구 운동 아티팩트를 극적으로 적게 생성합니다. 따라서 세션을 설명하는 데 시간을 할애하고, 머리 받침대가 있는 편안한 의자를 제공하고, 자발적인 눈 깜박임과 신속 운동을 줄이기 위해 눈을 고정할 수 있는 안정적인 주시점을 제공하십시오. 이 단계들은 연구 논문에서 거의 언급되지 않을 정도로 매우 기초적이지만, 깨끗한 데이터를 보고하는 모든 연구는 암묵적으로 이 단계들에 의존하고 있습니다.

전극 부착은 그 다음 방어선입니다. 세심한 피부 준비, 충분한 전도성 겔, 신중한 케이블 배선은 환경적 노이즈 유입과 운동 관련 팝을 최소화합니다.

앞서 언급한 영아 EEG 연구에 따르면 전기적 간섭과 움직임 간섭이 유사한 빈도로 발생한 것으로 나타나, 어떤 기록 환경도 기술적 문제로부터 근본적으로 자유로울 수 없음을 확인시켜 줍니다. 세션 전후로 임피던스를 확인하고 케이블을 옷이나 의자에 고정하면 예방 가능한 아티팩트의 상당 부분을 제거할 수 있습니다.

마지막으로, 기록 중에 관찰되는 아티팩트의 실행 로그를 지속적으로 작성하십시오. 큰 움직임, 기침 또는 전극 조정이 발생한 시간을 기록하십시오. 이러한 수동 주석(annotation)은 자동 분류기를 훈련하는 데 사용되는 전문가 레이블링을 반영하며, 인간 평가자가 마킹한 구간은 머신러닝 알고리즘의 기준 데이터(ground truth) 역할을 합니다.

단순히 수기로 작성한 타임스탬프나 획득 소프트웨어의 이벤트 마커는 모호한 추측을 재현 가능한 문서로 변환해 줍니다.

수동 거부 및 보간: 계산 전 정제

연속 트레이스의 육안 검사

아티팩트 제거를 신호 처리 알고리즘에 위임하기 전에, 먼저 가공되지 않은 데이터를 스크롤하면서 위에서 설명한 파형 특징을 사용해 오염된 구간을 식별하십시오.

눈 깜박임의 특징적인 전두엽 완만한 파형, 근육 활동의 고주파 소음, 팝의 분리된 스파이크, 또는 주전원 노이즈의 지속적인 사인파를 찾는 것이 권장됩니다. 이 단계는 실제 뇌 활동과 아티팩트를 구별할 수 있도록 눈을 훈련시키며, 표면적으로 아티팩트와 유사할 수 있는 드물고 진폭이 큰 신경 이벤트를 자동으로 거부하는 실수를 방지합니다.

• 전두엽 완만한 파형(slow wave): 눈 깜박임을 나타냄

• 고주파 소음(fizz): 근육 활동을 나타냄

• 극도로 높은 진폭의 고립된 스파이크: 전극 팝을 나타냄

• 지속적인 사인파: 주전원 간섭을 나타냄

불량 시간 세그먼트 마킹 및 제외

아티팩트가 가득한 데이터 구간을 식별했다면 이를 제외하도록 마킹하십시오. 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 삼는 표준 방식입니다. 예를 들어 ADJUST 알고리즘을 탄생시킨 연구에서 전문가들은 640개의 구성 요소를 수동으로 레이블링하여 훈련 세트를 만들었고, 분류기의 성능은 이 수동으로 정의된 기준 데이터(ground truth)와 비교하여 측정되었습니다.

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

지속적으로 노이즈가 발생하는 채널의 보간

느슨한 접촉, 건조된 겔 또는 기계적 불안정성으로 인해 기록 내내 단일 전극을 신뢰할 수 없는 경우, 해당 채널을 제거하고 주변의 깨끗한 전극들로부터 데이터를 재구성하면 전체 데이터 차원을 보존할 수 있습니다.

보간(Interpolation)은 두피 전체의 공간적 전압 분포를 사용하여 불량 채널이 기록했을 값을 추정하며, 결과적으로 아티팩트를 그럴듯하고 중립적인 신호로 대체합니다. 이 단계는 지형 분석(topographical analyses)을 위해 데이터셋을 온전히 유지하며, 채널을 완전히 폐기할 때 발생하는 데이터 손실을 방지합니다.

수동 정제가 여전히 필수적인 이유

가장 정교한 자동 분류기라도 대략적인 아티팩트가 사전 정제된 데이터셋에서 가장 효율적으로 작동합니다. 아티팩트가 기록 시간의 12%를 차지하고 임상적 해석에 영향을 미쳤다는 신생아 연구의 결과는 제거되지 않은 오염이 결론을 얼마나 쉽게 왜곡할 수 있는지를 보여줍니다.

따라서 수동 검사는 데이터가 효과적인 계산 파이프라인에 진입하기 전에 가장 크고 명백한 아티팩트가 제거되었는지 확인하며, 그렇지 않으면 아티팩트가 분산을 지배하여 분해 과정을 오도할 수 있습니다. 또한 이는 어떤 알고리즘도 모방할 수 없는 데이터셋과의 긴밀한 친밀감을 형성해 줍니다.

자동화된 제거가 수동 작업을 지원하는 방법

해부 도구로서의 독립 성분 분석 (ICA)

가장 불량한 세그먼트가 수동으로 제거되면, ICA를 통해 나머지 EEG를 통계적으로 독립적인 소스 성분으로 분해할 수 있습니다. 이 기술은 두피 전극에 감지된 뇌 신호와 아티팩트 신호의 혼합을 분리하여 안구 운동, 깜박임, 근육 활동을 독특한 공간적 및 시간적 패턴에 기반한 개별 성분으로 분리합니다.

전두엽 돌출과 깜박임 신호에 밀접하게 일치하는 파형을 가진 성분을 식별하고 차감하여, 나머지 데이터를 신경생리학적으로 손상되지 않은 상태로 유지할 수 있습니다. ICA의 강점은 동시에 발생하는 여러 아티팩트 소스를 처리하는 능력에 있으며, 이는 더 단순한 회귀 기반 보정이 빈번하게 과도하게 또는 불충분하게 보정하는 작업입니다.

현대 분류기의 신뢰성

자동화된 방법은 이제 전문가의 인간적 판단과 밀접하게 일치하는 성능 수준에 도달했습니다.

주파수, 공간 및 시간 영역에서 도출된 6가지 특징을 학습한 한 피험자 독립형 선형 분류기는 반응 시간 데이터셋에서 평균 제곱 오차가 10% 미만을 기록했으며, 이는 두 명의 인간 전문가 간의 의견 불일치 범위 내에 있는 수치입니다.

또한 공간 및 시간 아티팩트 특정 기능을 결합한 ADJUST 알고리즘은 완전히 독립적인 데이터셋에서 테스트했을 때 데이터 분산의 95.2%에서 수동 전문가 레이블링과 일치했으며, 아티팩트 성분의 제거는 이벤트 관련 전위의 깨끗한 재구성으로 이어졌습니다.

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

특히 안구 아티팩트의 경우, 관련 성분을 객관적으로 식별하기 위해 아이트래커 정보를 통합한 알고리즘은 성분 토포그래피에만 의존해야 했던 인간 전문가보다 거의 두 배나 효과적으로 수행되어 수신기 작동 특성 곡선 아래 영역(AUC) 0.99 이상을 달성했습니다.

이러한 수치들이 수동 정제를 완전히 대체하는 것은 아니지만, 과거에 전적으로 수작업으로 수행되던 반복적이고 방대한 양의 식별 작업을 처리할 수 있는 신뢰할 수 있는 계산 보조 도구가 이제 현장에 존재함을 입증합니다.

아티팩트 제거와 신호 보존의 균형 맞추기

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

이 발견은 일부 아티팩트 분산을 가진 모든 성분에 신경 신호가 전혀 없는 것은 아니라는 중요한 원칙을 강조합니다. 자동 분류기에 의해 선택된 성분에 대한 수동 검토는 거부 임계값이 유용한 뇌 활동 영역을 침범하지 않도록 확인하는 데 여전히 권장됩니다.

아티팩트 인식이 데이터 품질을 결정하는 이유

아티팩트는 시각적 해석과 정량적 측정 모두에 직접적인 영향을 미칩니다. 목표가 임상 진단이든, 신경과학적 발견이든, 아니면 소비자 웰빙 애플리케이션이든, 신뢰할 수 있는 결과에 도달하는 경로는 아티팩트의 출처, 가공되지 않은 트레이스에서의 모습, 그리고 이를 예방, 문서화 및 수동으로 정제하는 통제된 프로세스에 대한 명확한 이해를 통해 이루어집니다.

ICA 기반 자동화는 정제 워크플로우를 가속화할 수 있지만, 숙련된 사람의 눈으로 이미 검사된 데이터에서 가장 효과적으로 작동합니다. 12%의 오염률이 높게 들리지 않을 수 있지만, 그 작은 비율이 의학적 결정을 바꾸거나 미묘한 인지 바이오마커를 가릴 수 있을 때 아티팩트 관리에 대한 투자는 기록의 과학적 진실성과 분리될 수 없습니다.

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 피험자의 신체에서 생성되는 피험자 관련(생리적) 아티팩트(눈 깜박임, 근육 긴장, 심장 박동, 땀 등)와 장비나 환경에서 기인하는 기술적(비생리적) 아티팩트(느슨한 전극, 케이블 흔들림, 주전원 간섭 등)의 두 가지 범주로 나뉩니다. 이러한 구분이 중요한 이유는 각 범주마다 서로 다른 예방 및 제거 전략이 필요하기 때문입니다. 예를 들어, 근육 수축은 60Hz 라인 노이즈와 다른 개입이 필요합니다.

EEG 트레이스에서 눈 깜박임 아티팩트를 어떻게 인식할 수 있습니까?

눈 깜박임은 Fp1 및 Fp2와 같은 전두엽 전극에서 가장 강하게 나타나는 크고 양의 값을 가지는 완만한 파형으로 나타나며, 중심부 또는 후두부 채널로 갈수록 빠르게 사라집니다. 각막은 망막에 대해 양전하를 띠기 때문에 눈꺼풀이 이 쌍극자를 쓸고 지나갈 때 정형화된 고진폭의 편향이 발생하여 훈련을 통해 쉽게 알아볼 수 있습니다.

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

턱 물기, 이마 찌푸리기, 목 긴장으로 인한 근육 아티팩트는 고주파수의 뾰족한 간섭을 유발하며, 이는 종종 인지 측정 및 정신 상태 모니터링이 작동하는 베타 및 감마 뇌파 대역과 겹칩니다. 이러한 오염은 알고리즘 분석을 손상시키고 뇌-컴퓨터 인터페이스 모델의 성능을 저하시킬 수 있으므로 관리하기 가장 까다로운 생리적 아티팩트 중 하나입니다.

주전원 간섭 아티팩트는 어떻게 보이며 원인은 무엇입니까?

주전원 간섭은 모든 EEG 채널에 중첩되어 나타나는 지속적이고 주기적인 사인파 '윙윙' 노이즈로 보이며, 일반적으로 지역 전력 공급에 따라 50 또는 60 Hz로 나타납니다. 이는 불량한 전극 임피던스, 불충분한 차폐 또는 접지 문제로 인해 전원 소스가 녹음 설정으로 용량 결합되어 발생하며, 신경 신호가 아닌 명백한 기술적 아티팩트입니다.

녹음 중 아티팩트의 수동 주석(annotation)이 중요한 이유는 무엇입니까?

세션 중 큰 움직임, 기침 또는 전극 조정에 대한 실행 로그를 작성하면 나중에 불량 데이터 세그먼트를 좁히는 데 도움이 되며, 짐작을 재현 가능한 문서로 변환해 줍니다. 이러한 수동 주석은 자동 분류기를 훈련하는 데 사용되는 전문가 레이블링을 반영하여 수동 및 계산 정제의 신뢰성을 모두 향상시키는 기준 데이터(ground truth)를 제공합니다.

지속적으로 노이즈가 발생하는 EEG 채널을 보간하는 목적은 무엇입니까?

접촉 불량이나 건조된 겔로 인해 기록 전반에 걸쳐 단일 전극을 신뢰할 수 없는 경우, 보간법은 두피 전체의 공간적 전압 분포를 사용하여 인접한 깨끗한 전극들로부터 해당 채널의 데이터를 재구성합니다. 이는 지형 분석을 위해 데이터셋의 전체 차원을 보존하고, 채널 전체를 버릴 경우 발생할 수 있는 데이터 손실을 방지합니다.

독립 성분 분석(ICA)이 아티팩트 제거에 어떤 도움을 줍니까?

ICA는 혼합된 EEG 신호를 통계적으로 독립적인 소스 성분으로 분해하여 눈 깜박임, 근육 활동 및 기타 아티팩트를 고유한 공간적 및 시간적 패턴에 따라 분리합니다. 식별되면 눈 깜박임과 일치하는 전두엽 투영 성분과 같은 아티팩트 성분을 제거하여 기저의 신경 신호를 온전히 보존하며, 단순한 회귀 방법보다 동시에 발생하는 여러 아티팩트 소스를 더 효과적으로 처리할 수 있습니다.

자동 아티팩트 제거를 너무 공격적으로 적용할 때의 위험은 무엇입니까?

일부 성분은 아티팩트 분산과 유용한 뇌 활동을 모두 포함하고 있으므로, 공격적인 거부는 의도치 않게 실제 신경 정보를 없앨 수 있습니다. 자동 분류기가 많은 성분을 표시하더라도 제거할 성분을 수동으로 검토하는 것이 바람직하며, 거부 임계값이 사용자 의도 해독이나 인지 바이오마커 감지에 필수적인 신호를 제거하지 않도록 해야 합니다.

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

아티팩트는 병리적 파형으로 가장하거나 시각적 해석과 정량적 분석을 모두 왜곡하는 변동을 유발하여 잠재적으로 임상 분류를 변경하거나 미묘한 인지 신호를 가릴 수 있습니다. 컴퓨터 처리 전에 아티팩트를 예방, 문서화 및 수동으로 정제하는 엄격한 과정이 필수적이며, 이를 통해 데이터로부터 도출된 결론이 오염에 의해 손상되지 않고 신뢰할 수 있도록 보장해야 합니다.