푸리에 변환

EEG 트레이스가 실제로 나타내는 것

뇌전도(EEG)는 매 순간 변화하는 전압을 기록합니다. 이를 도표로 나타내면 전극 아래의 전기 활동이 이동함에 따라 위아래로 움직이는 단일 연속선, 즉 시계열 데이터가 생성됩니다. 자체만 놓고 보면 이 선은 하나의 통합된 이벤트처럼 보입니다. 하지만 그러한 겉모습은 오해의 소지가 있습니다.

실제로는 어느 한 순간에 기록된 전압은 그 아래의 신경 조직 내에서 동시에 발생하는 여러 개별적인 진동 과정이 결합된 결과입니다. 이러한 과정 중 일부는 느리게 순환하고, 다른 일부는 빠르게 순환합니다. 이들이 함께 발생할 때, 서로 다른 음을 연주하는 여러 악기가 하나의 화음으로 어우러지는 것과 마찬가지로 각각의 개별 패턴이 더해져 하나의 합성 파형을 이룹니다. 청취자는 하나의 소리를 듣지만, 그 소리는 비밀리에 여러 개의 독특한 음이 겹쳐져 만들어진 것입니다.

EEG 트레이스도 같은 방식으로 작동합니다. 불규칙한 하나의 선처럼 보이는 것은 실제로는 여러 리듬이 하나의 신호로 겹쳐진 것입니다.

이로 인해 발생하는 문제는 간단합니다. 여러 리듬이 하나의 파형으로 섞여 있다면, 어떤 리듬이 존재하는지 또는 각 리듬이 얼마나 강한지 어떻게 식별할 수 있을까요?

푸리에 변환: 현미경이 아닌 렌즈

푸리에 변환은 그 질문에 답을 제시하지만, 새로운 데이터를 발견함으로써 답을 구하는 것은 아닙니다. 푸리에 변환은 서로 다른 좌표계를 사용하여 정확히 동일한 EEG 세그먼트를 재표현하는 방식으로 작동합니다. 시간 경과에 따른 전압의 관점에서 신호를 설명하는 대신, 신호 내에 각 진동률이 얼마나 존재하는지 즉, 주파수 성분의 관점에서 동일한 신호를 설명합니다.

이 변환은 수학적으로 가역적이므로 EEG 에포크(epoch)를 주파수 표현으로 변환한 다음 다시 되돌릴 수 있으며, 원래의 시간 기반 파형은 원래 상태 그대로 정확하게 다시 나타납니다.

시간과 주파수라는 두 가지 표현은 동일한 정보를 담고 있습니다. 단지 정보를 다르게 구성할 뿐이며, 이는 프리즘을 통과하는 햇빛이 색을 만들어내지 않는 것과 같은 방식입니다. 색은 이미 백색광에 존재하고 있었습니다. 프리즘은 이미 섞여 있던 파장을 분리하여 개별적으로 보일 수 있게 할 뿐입니다.

푸리에 변환은 EEG 신호에 대해 이와 동등한 분리를 수행하여, 근본적인 기록을 전혀 변경하지 않으면서 리듬 구성 요소를 시각화합니다.

푸리에 변환의 수학적 기초

원리적으로 이 변환은 복소 지수 함수를 곱한 신호의 적분 평가에 의존합니다. 이 연산은 원래 파형과 다양한 주파수의 사인파 사이의 상관관계를 계산합니다. 원래 신호 내에 특정 주파수가 존재하면, 적분은 주파수 영역의 해당 지점에서 높은 값을 생성하며, 이는 국부 에너지 강도를 나타냅니다.

공식적인 정의는 삼각 함수와 복소 지수 함수 사이의 간극을 메우기 위해 오일러 공식을 활용합니다. 순방향 변환은 연속 함수 f(t)를 F(ω)로 변환하는 반면, 역방향 연산은 합성을 통해 이러한 성분들을 합산하여 원래 신호를 재구성합니다. 이러한 대칭성은 변환 중에 정보가 손실되지 않도록 보장하여, 완벽하게 가역적인 수학적 전환을 가능하게 합니다.

실무자들은 이러한 적분을 물리적 데이터에 적용할 때 정규화 상수와 수렴 기준에 각별한 주의를 기울여야 합니다. 적분 범위나 신호 정의를 부적절하게 처리하면 부정확한 스펙트럼 추정치로 이어질 수 있습니다. 이러한 수학적 경계를 존중함으로써, 주파수 영역 표현이 원래의 시간 의존적 데이터 스트림을 충실히 반영하도록 보장할 수 있습니다.

푸리에 변환의 종류

연속 푸리에 변환 vs 이산 푸리에 변환

연속 변환은 무한한 시간 간격에 대해 정의된 함수에 적용되는 반면, 이산 변환은 샘플링된 유한한 데이터 시퀀스에서 작동합니다.

실제 적용에서 디지털 시스템은 항상 이산 처리를 사용하므로, 연속적인 현상을 정확하게 표현하기 위해 샘플링 한계를 신중하게 고려해야 합니다. 상당한 데이터 손실 없이 이러한 전환을 근사화하기 위해 다음과 같은 다양한 방법이 존재합니다.

• 입력 데이터 가장자리를 테이퍼링하여 스펙트럼 누설을 방지하는 윈도잉 함수.

• 결과 주파수 빈의 분해능을 높이기 위한 제로 패딩 기법.

• 디지털화 과정에서 신호 무결성을 보장하는 앨리어싱 완화 전략.

• 기록된 모든 관련 고주파 정보를 캡처하기 위한 샘플링 정리 준수.

• 입력 데이터 포인트 수에 따라 확장되는 효율적인 컴퓨터 매핑.

이러한 고려 사항은 이산 결과가 근본적인 연속 신호 구조를 얼마나 효과적으로 반영하는지 결정하는 데 도움이 됩니다.

고속 푸리에 변환: 속도가 중요한 이유

고속 푸리에 변환(FFT)과 같은 효율적인 알고리즘의 개발은 방대한 데이터 처리량을 가진 시스템에서 실시간 스펙트럼 분석을 가능하게 했습니다. 이러한 최적화가 없다면 표준 이산 변환의 컴퓨터 연산 복잡성으로 인해 현대 진단 기술을 사용할 수 없게 될 것입니다. 다음과 같이 대규모 데이터 세트의 계산 시간을 비교할 때 효율성 향상이 극명하게 드러납니다.

기하급수적으로 늘어나는 이차 연산을 로그적으로 확장되는 연산으로 변환함으로써, 이러한 도구는 신속한 신호 모니터링을 가능하게 합니다. 빠른 처리 속도는 실시간으로 변화를 관찰하는 것이 조사의 주된 목표인 환경에서 매우 중요한 즉각적인 피드백 루프를 가능하게 합니다.

모든 푸리에 계산의 이면에 있는 주기성 가정

푸리에 변환이 신호의 한 세그먼트를 처리할 때, 수학적으로는 그 세그먼트가 시간상 앞뒤 양방향으로 무한히 상호 반복되는 것처럼 처리합니다. 분석되는 EEG의 짧은 슬라이스는 끝없는 루프 속에서 하나의 반복 단위로 취급됩니다.

실제 EEG 활동은 이렇게 작용하지 않습니다. 뇌 신호는 완벽하게 주기적이지 않으며, 연속적인 기록에서 추출한 세그먼트가 자체 루프에 다시 연결될 때 부드럽게 이어지는 값으로 시작하고 끝나는 경우는 거의 없습니다.

세그먼트의 가장자리가 일치하지 않을 때, 무한 반복 가정은 경계에서 왜곡을 초래합니다. 이를 때로는 가장자리 아티팩트 또는 스펙트럼 누설이라고 부르며, 한 주파수의 에너지가 원래 신호에 실제로 존재하지 않았던 인접 주파수로 번져 나가는 것처럼 나타납니다.

이것은 분석 방법을 무효화하는 결함이 아닙니다. 이미 알려진 수학적 절충안이며, 분석 단위를 신중하게 선택하면 관리할 수 있습니다. 이것이 주파수 기반 EEG 분석이 일반적으로 길고 지속적으로 변화하는 기록 대신 짧고 비교적 안정적인 신호 구간을 사용하는 이유 중 하나입니다.

예를 들어, Jansen 등은 장시간의 기록 대신 짧은 EEG 구간에서 주파수 영역 특징을 비교했는데, 이는 분석된 각 세그먼트를 주기성 가정이 합리적인 근사치로 유지될 만큼 충분히 짧게 유지하는 방식과 일치합니다. Vidyaratne 등의 연구는 이와 관련이 있으면서도 더 전문적인 경로를 택하여, 시간에 따라 변화하는 뇌 신호를 분석할 때 발생하는 분해능의 한계를 해결하면서 동시에 주파수 정보를 추출하기 위해 푸리에 변환 자체를 기반으로 구축된 기술인 조화 웨이브릿 패킷 변환을 계산했습니다.

두 가지 접근 방식 모두 실제 EEG 작업이 도구 자체를 포기하지 않고 생물학적 실재와 완벽하게 일치하지 않는 수학적 편의를 어떻게 수용하는지 보여줍니다.

뇌 활동을 읽는 데 주파수 성분이 중요한 이유

EEG 에포크가 주파수 성분으로 변환되면, 이 성분은 뇌 활동에 대해 읽어본 사람이라면 누구나 접해보았을 범주인 델타, 세타, 알파, 베타, 감마 대역으로 매핑됩니다. 이러한 라벨은 진동 속도의 범위를 설명하며, 수면 연구, 인지 연구 및 임상 진단 전반에 사용되는 어휘를 형성합니다.

이러한 분해는 기본적으로 모든 주파수 기반 EEG 해석의 개념적 기초가 됩니다. 보고서에서 특정 대역의 활동이 상승했거나 대역 간의 균형이 이동했다고 언급할 때마다, 그러한 진술은 푸리에 변환이 제공하는 논리를 사용하여 신호가 먼저 분해되었기 때문에만 의미가 있습니다. 이러한 분해가 없다면, 뇌 리듬을 설명하는 어휘 자체가 존재하지 않고 끊어지지 않는 전압 트레이스만 존재하게 될 것입니다.

진동 주파수가 뇌 상태에 대한 의미 있는 정보를 전달한다는 주장은 신경과학의 많은 분야에서 널리 논의되고 있습니다.

푸리에 기반 분석이 발작 활동에 대해 밝혀낸 것

발작 상태 신호와 발작이 없는 상태 신호의 분리

연구자 Ram Bilas Pachori는 두개내 EEG 신호에 경험적 모드 분해(empirical mode decomposition)라는 기술을 적용하여 각 기록을 고유 모드 함수로 알려진 대역 제한 성분 세트로 분해했습니다. 그 후 그는 푸리에-베셀 확장을 사용하여 이러한 각 성분의 평균 주파수를 계산했습니다.

활동성 발작 중에 기록된 신호인 발작(ictal) 신호와 발작이 없는 신호를 비교했을 때, 평균 주파수 기능은 두 상태 간에 통계적으로 유의미한 차이를 보였습니다. 이 결과는 푸리에 기반 방법을 통해 추출된 주파수 정보가 발작 활동과 관련된 감지 가능한 특징을 지니고 있음을 증명합니다.

Vidyaratne 등은 이와 관련이 있지만 더 복잡한 목표, 즉 실시간으로 발작 시작을 감지하는 목표를 추구했습니다. 이 접근 방식은 푸리에 변환을 통해 계산된 조화 웨이브릿 패킷 변환의 에너지 특징과 신호 내에서 반복되는 자기 유사 패턴을 포착하는 프랙탈 차원이라는 별도의 측정값을 결합했습니다.

이러한 결합된 특징들은 전극 채널 전체에 걸쳐 공간적으로 구성되고 이동하는 분석 창 전체에 걸쳐 시간적으로 구성된 다음, 크고 희소한 특징 세트에서 효율적이라는 이유로 선택된 기법인 연관 벡터 머신(relevance vector machine)을 사용하여 분류되었습니다.

장기 두피 EEG 기록에서 테스트된 이 시스템은 발작 시작을 감지하는 과정에서 96퍼센트의 민감도에 도달했으며, 중앙 오탐지율은 시간당 단 0.1회에 불과했고 평균 감지 지연 시간은 1.89초였습니다. 두피 및 두개내 기록 모두에서 추출한 단기 데이터의 경우 분류 정확도가 99.8퍼센트에 달했습니다.

종합해 볼 때, 이 두 연구는 푸리에 관련 분해를 통해 추출된 진동 정보가 간질 감지라는 특정 맥락에서 진단적으로 유의미한 콘텐츠를 담고 있음을 보여줍니다.

대체 변환과 비교한 푸리에 특징

Jansen 등은 다른 각도에서 질문에 접근하여 두 가지 수학적 변환을 직접 비교했습니다.

연구진은 푸리에 분석을 단독으로 테스트하는 대신, 푸리에 변환에서 도출된 특징을 부드러운 사인파 대신 직사각형, 정사각형 모양의 함수를 사용하여 신호를 분해하는 방법인 월시(Walsh) 변환에서 도출된 특징과 비교했습니다. 짧은 EEG 구간에 적용했을 때, 푸리에 변환에서 도출된 특징은 월시 변환에서 도출된 특징보다 일관되게 더 나은 분류 결과를 나타냈습니다.

이러한 비교는 적어도 연구에서 조사한 특정 분류 작업의 경우, 사인파 빌딩 블록이 각지고 직사각형인 대안들보다 EEG 신호의 근본적인 구조와 더 자연스럽게 일치할 수 있음을 시사합니다.

이산 푸리에 변환(DFT)을 계산하는 방법

이산 변환을 계산하는 것은 안정적인 기간 동안의 신호를 대표하는 깨끗한 입력 데이터에서 시작됩니다. 먼저 신호 길이를 원하는 주파수 분해능과 일치시킨 다음, 유한한 데이터 잘림으로 인해 발생하는 스펙트럼 아티팩트를 최소화하기 위해 윈도잉 함수를 적용해야 합니다. 이러한 준비 작업은 계산 단계에서 심각한 오류가 발생하는 것을 방지하는 데 필수적입니다.

신호가 준비되면, 실제 계산에는 시계열 창 내의 모든 샘플 포인트에 걸쳐 변환 공식을 적용하는 과정이 포함됩니다. 디지털 소프트웨어 플랫폼이 대부분의 복잡한 연산을 처리하며, 일반적으로 고속 푸리에 변환(FFT) 알고리즘을 활용하여 초당 수백만 번의 계산을 실행하고 명확한 진폭 스펙트럼을 생성합니다. 그런 다음 이 출력을 입력 측정의 물리적 단위(예: EEG의 마이크로볼트 또는 $\mu V$)를 반영하도록 올바르게 조정하여, 이후 연구에서 결과를 해석할 수 있도록 보장해야 합니다.

결과로 나타나는 스펙트럼 크기를 해석하려면 뚜렷한 진동 패턴이 있는지 데이터를 조사해야 합니다. 기계적 시스템은 날카롭고 격리된 피크를 나타낼 수 있지만, EEG와 같은 생물학적 신호는 이산 피크에만 의존하기보다는 넓은 주파수 대역(예: 8-12 Hz 알파 대역) 내의 총 전력을 분석해야 하는 경우가 많습니다. 이러한 스펙트럼 특징의 물리적 중요성은 맥락에 크게 의존하며, 종종 근본적인 생리적 또는 기계적 거동을 나타냅니다. 이러한 단계를 일관되게 따름으로써 실무자는 아무리 복잡한 관측 파형에서도 의미 있고 실행 가능한 주파수 데이터를 추출할 수 있습니다.

푸리에 변환 vs 다른 주파수 영역 방법

푸리에 접근 방식은 매우 다재다능하지만, 측정 기간 동안 안정적인 고정 신호를 가정합니다. 갑작스러운 간질성 스파이크나 짧은 수면 방사(sleep spindle)의 폭발과 같이 급격하고 일시적인 변화가 수반되는 시나리오에서는, 웨이브릿 변환(Wavelet Transform)과 같은 다른 방법이 주파수 세부 정보와 함께 시간 정보를 유지함으로써 더 나은 국소화를 제공합니다. 올바른 도구를 선택하려면 신호가 일정한 리듬 구조를 유지하는지 아니면 급격하게 변화하는지 평가해야 합니다.

단일 스펙트럼 분석(SSA)과 같은 대체 방법은 표준 변환으로 해결하기 어려운 비선형적이고 예측 불가능한 신호를 분해하는 데 장점을 제공합니다. 이러한 방법은 복잡하고 실제적인 생리학적 데이터 세트에서 진동 노이즈와 대비되는 신호 트렌드를 추출하는 데 종종 탁월합니다. 선택은 특정 연구 설정에서 시간적 정확도 대 스펙트럼 정확도에 필요한 정밀도 수준에 따라 달라집니다.

궁극적으로, 어떤 단일 변환 방법도 신호 처리 딜레마에 대한 유니버설 솔루션 역할을 할 수 없습니다. 실무자는 데이터 특성에 맞춰 각 접근 방식의 계산 비용과 수학적 제약을 계량해야 합니다. 이러한 다양한 관점을 통합하면 최종 해석의 충실도를 극대화하는 강력하고 다각적인 진단 과정이 보장됩니다.

푸리에 변환 계산을 위한 도구 및 소프트웨어

현대의 오픈 소스 라이브러리는 이러한 고급 수학 연산에 대한 접근을 대중화하여, 연구자들이 단 몇 줄의 코드만으로 복잡한 분석을 수행할 수 있도록 지원합니다. 데이터 과학을 위해 특별히 제작된 플랫폼은 대규모 배열과 고차원 신호를 쉽게 처리할 수 있는 최적화된 루틴을 제공합니다. 이러한 도구는 스펙트럼 분석을 자동 신호 정제 및 분류 작업을 포함한 더 큰 파이프라인에 통합하는 것을 용이하게 합니다.

신경학적 또는 지진 데이터용으로 특별히 설계된 전문 소프트웨어에는 스펙트럼 분해 및 아티팩트 제거를 위한 사전 빌드 모듈이 포함되어 있는 경우가 많습니다. 이러한 패키지는 주파수 스케일링 및 윈도잉의 복잡한 과정을 자동으로 처리하여, 근본적인 알고리즘에 대한 전문 지식이 없는 연구자들의 오류 위험을 줄여줍니다. 이러한 표준화된 도구를 일관되게 사용하면 서로 다른 연구실 간에 연구 결과의 재현성을 높이는 데도 도움이 됩니다.

소프트웨어 제품군을 선택할 때는 기존 데이터 형식과의 호환성 및 고밀도 센서 어레이를 처리할 수 있는 기능이 여전히 최우선 과제입니다. 매개변수 조정 및 알고리즘 선택에 대한 명확한 예시를 제공하는 문서는 초보자에게 매우 유용합니다. 커뮤니티가 이러한 도구를 지속적으로 개선함에 따라, 매우 고용량인 데이터 세트에 대한 실시간 에지 프로세싱 및 클라우드 기반 확장성에 점점 더 초점이 맞춰지고 있습니다.

주파수 분석이 밝혀낸 뇌의 숨겨진 리듬

푸리에 변환은 뇌 신호를 위한 수학적 프리즘처럼 작동하여 겹쳐진 리듬을 뚜렷한 주파수 대역으로 풀어냅니다. 이 분석은 깊은 수면에서 주의 깊은 집중 상태에 이르기까지 뇌 상태를 설명하는 데 필수적인 어휘를 제공하며, 알파파 또는 델타파와 같은 용어를 이해할 수 있게 해줍니다. 이러한 재구성 작업이 없다면, EEG 트레이스는 해석할 수 없는 꼬불꼬불한 선으로 남아 그 안에 숨겨진 리듬을 볼 수 없을 것입니다.

실제적인 힘은 발작 감지에서 명확하게 나타나는데, 여기서 주파수 분석은 높은 정확도로 발작 활동과 정상적인 뇌 패턴을 구별합니다. 신호 세그먼트가 완벽하게 반복된다는 푸리에 변환의 가정은 생물학적 사실이 아닌 수학적 편의일 뿐이지만, 짧고 안정적인 구간을 신중하게 선택하면 왜곡을 관리 가능한 수준으로 유지할 수 있습니다. 관련 문헌들은 뇌 활동을 리듬의 합으로 나타내는 것이 비록 뉴런이 발화하는 방식을 글자 그대로 모델링한 것은 아닐지라도, 측정 가능하고 임상적으로 유용한 정보를 산출한다는 것을 보여줍니다.

참고 문헌

1. Jansen, B. H., Bourne, J. R., & Ward, J. W. (1981). Spectral decomposition of EEG intervals using walsh and fourier transforms. IEEE Transactions on Biomedical Engineering, (12), 836-838. https://doi.org/10.1109/TBME.1981.324686

2. Vidyaratne, L. S., & Iftekharuddin, K. M. (2017). Real-time epileptic seizure detection using EEG. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 25(11), 2146-2156. https://doi.org/10.1109/TNSRE.2017.2697920

3. Pachori, R. B. (2008). Discrimination between ictal and seizure‐free EEG signals using empirical mode decomposition. Journal of Electrical and Computer Engineering, 2008(1), 293056. https://doi.org/10.1155/2008/293056

자주 묻는 질문(FAQ)

원시 EEG 트레이스는 실제로 무엇을 나타내나요?

EEG 트레이스는 시간에 따른 전압 변화를 보여주는 단일 선이지만, 실제로는 뇌에서 동시에 일어나는 수많은 개별 진동 과정의 결합된 합입니다. 서로 다른 빠른 리듬과 느린 리듬이 더해져 하나의 합성 파형을 이루는데, 이는 마치 여러 악기가 어우러져 하나의 화음을 만드는 것과 같습니다.

푸리에 변환은 EEG 신호를 어떻게 분석하나요?

푸리에 변환은 시간 경과에 따른 전압이 아닌 주파수 성분의 관점에서 설명함으로써 정확히 동일한 EEG 데이터를 재구성합니다. 빛의 광선 내에서 개별 파장을 드러내는 프리즘처럼 작용하여, 이미 존재하고 있는 혼합된 리듬 성분들을 분리합니다.

푸리에 변환이 EEG 기록에 새로운 정보를 추가하나요?

아니요, 이 변환은 수학적으로 가역적이며 데이터를 임의로 지어내거나 버리지 않습니다. 단지 신호를 일련의 정현파 주파수로 변환하여 근본적인 리듬 성분들을 시각화함으로써 디스플레이를 변경할 뿐입니다.

EEG에 푸리에 변환을 적용할 때 핵심적인 수학적 가정은 무엇인가요?

이 계산은 수학적으로 선택된 EEG 세그먼트가 완벽한 루프 안에서 무한히 반복되는 것처럼 처리합니다. 이러한 주기성 가정은 분석을 단순화하지만, 신호의 시작과 끝이 부드럽게 일치하지 않을 경우 가장자리 아티팩트를 유발할 수 있습니다.

불규칙한 뇌파를 매끄러운 사인파로 분해하는 것이 왜 유효한가요?

푸리에 정리는 거의 모든 파형이 특정 주파수, 진폭 및 위상을 갖는 순수 사인파와 코사인파를 함께 더함으로써 재구성될 수 있음을 보여줍니다. 뉴런이 글자 그대로 독립되고 깨끗한 사인파를 생성하지 않더라도, 이러한 수학적 표현은 분석에 유용하게 작동합니다.

EEG 해석에서 알파나 델타와 같은 주파수 대역이 왜 중요합니까?

신호가 분해되면 그 성분들은 뇌 상태를 설명하는 기본 어휘를 형성하는 델타 또는 베타와 같은 표준 대역으로 매핑됩니다. 특정 대역의 전력 변화에 대한 모든 언급은 전적으로 이 초기 푸리에 기반 분해에 의존합니다.

발작 감지에 푸리에 분석을 사용하는 것을 뒷받침하는 어떤 증거가 있나요?

푸리에 도출 주파수 특징을 사용한 연구들은 발작 뇌 신호와 비발작 뇌 신호 사이에 통계적으로 유의미한 차이가 있음을 보여주었습니다. 한 실시간 감지 시스템은 높은 민감도를 달성하여 진동 정보가 간질에 대한 임상적으로 관련된 컨텐츠를 지니고 있음을 입증했습니다.

이 주파수 기반 접근 방식의 주된 한계는 무엇입니까?

무한 반복 가정은 구조적 단순화에 해당하며, 기록이 길어지고 변화할수록 정확도가 떨어집니다. 또한, 강력한 분류 결과는 특정 데이터 세트에서 나온 것이며 뇌가 생리적 구조로서 이산 정현파 발진기를 사용한다는 것을 증명하지는 않습니다.