다른 주제 검색…

EEG에서의 노치 필터 (Notch Filter)

유연한 현장 배포에 최적화된 빠른 설정 및 고밀도 무선 어레이를 통해 분석 EEG 타임라인을 단축하십시오.

유연한 현장 배포에 최적화된 빠른 설정 및 고밀도 무선 어레이를 통해 분석 EEG 타임라인을 단축하십시오.

낼파도(EEG)는 신경 인지 신호와 회로 주변의 50또는 60 Hz 전기적 노이즈를 모두 포함합니다. 이러한 간십은 신경 데이터를 왜갡시킬 수 있기 때문에, 연구자들은 다른 EEG 스펙트럼은 그대로 둔 채 이 특정 주파수만 억제하는 정밀한 대역 저지 필터인 노치 필터(notch filter)를 자주 적용합니다.

유연한 현장 배포에 최적화된 빠른 설정 및 고밀도 무선 어레이를 통해 분석 EEG 타임라인을 단축하십시오.

유연한 현장 배포에 최적화된 빠른 설정 및 고밀도 무선 어레이를 통해 분석 EEG 타임라인을 단축하십시오.

노치 필터(Notch Filter)란 무엇인가요?

노치 필터는 특정 좁은 범위의 주파수를 강력하게 감쇄하면서, 그 범위의 위아래 주파수는 비교적 거의 변화 없이 통과시키는 신호 처리(signal-processing) 필터입니다. 제거되는 영역을 저지대역(stopband)이라고 하며, 그 중심을 흔히 노치 주파수(notch frequency)라고 부릅니다. 저지대역이 좁기 때문에, 이 필터는 광범위한 스펙트럼의 노이즈가 아닌 이미 알고 있는 집중된 간섭을 처리하기 위한 용도로 설계되었습니다.

EEG에서 이러한 간섭 성분은 대개 기록 환경, 케이블, 증폭기 또는 전극 임피던스 차이를 통해 유입되는 전력선 오염인 경우가 많습니다. 노치 필터는 지역 전력 표준 및 기록 조건에 따라 두드러진 50 Hz 또는 60 Hz 성분을 줄일 수 있습니다. 다만, 모든 아티팩트 소스를 제거하는 것은 아니며, 의미론적으로 뇌 활동과 전기 노이즈를 구별하지도 못합니다. 단지 주파수 성분에 작용할 뿐입니다.

노치 필터의 작동 방식 (그리고 하지 않는 것)

노치 필터는 엔지니어들이 필터의 크기 응답(magnitude response, 필터가 각 주파수를 얼마나 통과시키는지 보여주는 그래프)이라 부르는 곡선에 날카로운 골짜기(dip)를 만들어 작동합니다.

대부분의 주파수에서 응답은 최대 강도에 가깝게 유지되므로 신호가 손상 없이 통과합니다. 대상 주파수(보통 50 또는 60 Hz)에서는 응답이 급격히 떨어져 해당 주파수 대역을 감쇄하고, 주변 주파수는 거의 그대로 유지합니다. 이론적으로 그 결과는 전력선 험(hum)은 사라지고 뇌 고유의 진동은 유지되는 정제된 신호가 됩니다.

노치 필터가 하지 않는 일도 그만큼 중요합니다. 노치 필터는 범용 아티팩트 제거기가 아닙니다.

턱을 깨물 때 넓은 주파수 범위에 걸쳐 발생하는 근육 활동이나 눈 깜빡임으로 인한 큰 편향과 같은 광대역 오염은 좁은 대역에 국한되지 않기 때문에 노치 필터를 그대로 통과합니다.

또한 노치 필터는 스펙트럼 분해를 수행하지 않습니다. 연구자들이 시간 경과에 따라 세타, 알파, 베타 대역의 전력이 어떻게 변하는지 확인하고자 할 때 사용하는 시계열-주파수 분석(time-frequency analysis)처럼 신호를 구성 리듬으로 쪼개지 않습니다. 노치 필터는 단순히 주파수 콘텐츠의 좁은 단면 하나만 제거하고 나머지 스펙트럼 구조는 원래 있던 자리에 그대로 둡니다.

대역 저지 노치 필터 설계 기본 사항

대역 저지 설계는 원치 않는 주파수와 희생할 수 있는 주변 스펙트럼의 범위를 명확히 정의하는 것부터 시작합니다. 매우 좁은 대역폭을 가진 60 Hz 중심의 노치는 55~65 Hz를 감쇄하는 노치와는 다르게 작동합니다. 적절한 선택은 간섭의 안정성, 신호 대역폭, 샘플링 주파수, 그리고 과학적 또는 임상적 질문에 따라 달라집니다.

일반적으로 Q로 표기되는 품질 계수(Quality factor)는 중심 주파수와 대역폭의 관계를 나타냅니다. Q가 높은 필터는 중심 주파수에 비해 좁은 저지대역을 가지며, Q가 낮은 설계는 더 넓은 영역에 영향을 미칩니다. 감쇄를 더 크게 하고 천이를 더 날카롭게 하려면 더 높은 필터 차수(filter order)가 필요할 수 있지만, 차수가 높아지면 링잉(ringing), 연산 비용, 구현 세부 사항에 대한 민감도 역시 증가할 수 있습니다.

설계 사양은 주파수 영역과 시간 영역 동작 모두를 통해 평가하는 것이 가장 좋습니다. 주파수 플롯은 감쇄, 대역폭, 패스밴드 리플을 보여주는 반면, 임펄스나 스텝 응답은 링잉 및 과도 동작을 보여줍니다. EEG의 경우, 스펙트럼에서의 가시적인 개선 효과는 파형 형태(morphology), 이벤트 타이밍 및 후속 특징 추출(feature extraction)과 함께 고려되어야 합니다.

노치 필터 vs 대역 저지 필터: 차이점은 무엇인가요?

노치 필터는 일반적으로 대역 저지 필터(band-stop filter)의 좁은 형태로 이해됩니다. 둘 다 저지대역 내부의 주파수를 감쇄하고 외부의 주파수를 통과시키지만, 노치는 대개 특정 고립된 주파수나 매우 좁은 구간을 대상으로 합니다.

넓은 대역 저지 필터는 간섭이 더 넓고 명확하게 정의된 영역을 차지할 때 적합할 수 있습니다. 노치는 주변 활동을 유지하면서 단일 라인 성분만 제거하는 것을 목표로 할 때 더 보수적인 선택입니다. EEG에서는 이러한 보수적인 성격이 검토의 필요성을 없애주지는 않는데, 좁은 필터라 할지라도 대상 주변의 고조파, 위상 또는 스펙트럼 추정치에 여전히 영향을 미칠 수 있기 때문입니다.

다음 비교는 일반적인 차이점을 요약한 것입니다. 실제 동작은 필터 사양과 구현에 따라 달라지므로, 명칭에만 의존하기보다는 응답 곡선을 직접 확인해야 합니다.

특징

노치 필터

광대역 대역 저지 필터

일반적인 EEG 영향

저지대역 폭

좁음

넓음

노치는 대개 인접 주파수를 더 많이 보존합니다.

주요 대상

단일 전력선 주파수 또는 작은 구간

정의된 주파수 범위

대상이 관찰된 간섭과 일치해야 합니다.

품질 계수 (Q)

대체로 높음

대체로 낮음

Q가 높을수록 인접 대역의 왜곡을 줄일 수 있습니다.

흔한 용도

전력선 험 또는 공진음

광범위한 간섭 또는 원치 않는 대역

선택은 아티팩트의 종류와 연구 질문에 따라 달라집니다.

따라서 실질적인 차이는 선택성(selectivity)에 있습니다. 노치 필터라고 해서 자동으로 더 안전한 것은 아니며, 광대역 대역 저지 필터라고 해서 자동으로 과도한 것은 아닙니다. 기록에서 중요하게 다뤄지는 신호 특성에 맞추어 각각을 판단해야 합니다.

EEG 신호 처리에서 노치 필터 사용하기

EEG 신호는 분포된 신경 활동에 의해 생성되는 낮은 진폭의 전압 변동과 함께 생리적 및 환경적 아티팩트를 포함합니다. 노치 필터는 전처리 과정 중 좁은 스펙트럼 피크가 전력선 간섭과 일치할 때 사용될 수 있습니다.

이는 다음과 같은 작업을 포함할 수 있는 더 큰 워크플로 내의 한 단계입니다.

  • 재참조(Rereferencing)

  • 불량 채널 평가

  • 아티팩트 보정

  • 세그먼트화(Segmentation)

  • 베이스라인 처리

필터링의 타이밍은 중요합니다. 에포크(epoching)를 나누기 전에 필터를 적용하면 연속 기록의 경계에서 에지 효과(edge effects)가 발생할 수 있는 반면, 짧은 에포크에 개별적으로 필터를 적용하면 서로 다른 과도 응답 및 주파수 응답이 생성될 수 있습니다.

또한 연구자들은 오프라인 처리와 실시간 처리를 구분합니다. 비인과적(noncausal) 또는 제로 위상(zero-phase) 방식은 저장된 데이터에는 실용적일 수 있지만, 즉각적인 의사결정이 필요한 경우에는 동일한 방식으로 사용할 수 없습니다.

노치는 분석 목적에 맞게 평가되어야 합니다. 안정적인 전력 주파수 피크를 줄이는 데는 적절할 수 있지만, 전극 움직임, 근육 활동, 안구 운동, 접촉 불량 또는 광대역 증폭기 노이즈를 해결할 수는 없습니다. EEG 기록 컨텍스트, 몽타주, 참조(reference), 샘플링 레이트, 아티팩트 프로필 모두가 이 좁은 주파수 필터가 유용한 정보를 주는지 아니면 왜곡된 결과를 낳는지에 영향을 미칩니다.

흔히 사용되는 노치 필터 주파수 (50Hz 및 60Hz)

EEG에서 가장 친숙한 노치 주파수는 지역 전력 시스템에 대응하는 50 Hz 및 60 Hz입니다. 올바른 대상은 보편적인 선호도가 아니라 기록이 이루어진 환경에 의해 결정됩니다. 스펙트럼을 통해 어떤 전력선 성분이 존재하는지 확인할 수 있지만, 고조파(harmonics)와 장비 고유의 간섭으로 인해 분석이 복잡해질 수 있습니다.

50 Hz 또는 60 Hz 설정은 필터나 획득 시스템에 따라 기본 주파수의 배수인 고조파에도 영향을 미칠 수 있습니다. 기본 주파수에 중심을 둔 필터가 해당 주파수들을 별도로 처리하거나 시스템이 고조파 제거 동작을 명시하지 않는 한, 모든 고조파를 반드시 제거하는 것은 아닙니다. 고조파 제거는 신호 콘텐츠를 추가로 변화시킬 수 있으므로 명시적인 처리 선택으로 다루어져야 합니다.

아래 주파수들은 절대적인 처방이라기보다는 일반적인 참조 사항입니다. 각 대상을 선택하는 일반적인 이유와 이와 관련된 주요 주의 사항을 설명합니다.

대상 주파수

일반적인 원인

주요 주의 사항

50 Hz

약 50 Hz 전력을 사용하는 지역의 전력선 간섭

고주파 신경 신호 또는 기술적 신호 성분과 겹칠 수 있음

60 Hz

약 60 Hz 전력을 사용하는 지역의 전력선 간섭

지역 설정을 잘못 선택하면 아티팩트가 그대로 남을 수 있음

100 Hz

50 Hz의 2차 고조파 또는 별도로 관찰되는 라인 성분

이를 제거하면 고주파수 활동 분석에 영향을 미칠 수 있음

120 Hz

60 Hz의 2차 고조파 또는 관련 장비 간섭

필터링 전에 스펙트럼 피크를 먼저 확인해야 함

이 값들은 데이터 획득 위치, 필터 대역폭, 감쇄 정도, 고조파 포함 여부와 함께 문서화되어야 합니다. 단지

유연한 현장 배포에 최적화된 빠른 설정 및 고밀도 무선 어레이를 통해 분석 EEG 타임라인을 단축하십시오.

유연한 현장 배포에 최적화된 빠른 설정 및 고밀도 무선 어레이를 통해 분석 EEG 타임라인을 단축하십시오.

Emotiv는 접근 가능한 EEG 및 뇌 데이터 도구를 통해 신경과학 연구 발전을 돕는 선도적인 신경기술 기업입니다.

크리스티안 부르고스

최신 소식

EEG의 파워 스펙트럼 밀도

전력 스펙트럼 밀도(Power spectral density, PSD)는 EEG 신호를 분리하여 각 속도 또는 주파수가 전체 기록에 얼마나 많은 에너지를 기여하는지 알려주는 도구입니다. PSD 플롯을 읽을 수 있게 되면, 뇌의 일종의 리듬 악보를 읽는 것과 같습니다. 이는 어떤 템포가 지배적이고 어떤 템포가 배경으로 사라지는지 보여주는 차트입니다.

기사 읽기

이산 코사인 변환

뇌전도(EEG)는 오랜 기간에 걸쳐 수십 개의 채널에서 방대한 양의 연속 데이터를 생성합니다. 이 데이터 양은 휴대용 헤드셋의 제한된 메모리에 부담을 주고, 원격 의료 네트워크를 제약하며, 실시간 뇌-컴퓨터 인터페이스(BCI)를 느리게 만듭니다. 따라서 Raw EEG 데이터는 효율적으로 처리하기 위해 압축이 필요합니다.

JPEG 압축의 수학적 기반 역할을 하는 이산 코사인 변환(DCT)이 이 문제를 해결합니다. 이미지를 압축하면서도 인식 가능성을 유지하는 것과 마찬가지로, DCT는 EEG 신호의 전체적인 형태를 보존하면서 크기를 줄입니다. DCT의 메커니즘과 한계를 인식하면 DCT가 적합한 시기 또는 대체 변환이 더 바람직한 시기를 결정하는 데 도움이 됩니다.

기사 읽기

황성 모드 분해

경험적 모드 분해법(EMD)은 EEG 처리 도구와 해석해야 할 데이터 간의 불일치에 대응하기 위해 개발되었습니다. 사전에 선택된 고정된 일련의 사인파 또는 웨이브릿에 신호를 강제로 맞추는 대신, EMD는 데이터가 자체적인 구성 요소를 정의하도록 합니다. 이러한 구성 요소를 고유 모드 함수(IMF)라고 하며, 이를 생성하는 과정에서는 신호가 정상성(stationary)을 갖거나 선형적이라는 가정을 필요로 하지 않습니다.

이러한 특징은 연구자가 감지하고자 하는 전형적인 특징이 일시적이고 불규칙한 이벤트인 경우가 많은 EEG 분야에서 EMD를 개념적으로 매우 매력적인 도구로 만듭니다. 이러한 매력 덕분에 발작 감지, 감정 분류, 노이즈(아티팩트) 제거, 뇌-컴퓨터 인터페이스(BCI) 등의 분야에서 다양한 응용 연구가 추진되어 왔습니다.

기사 읽기

EEG를 위한 단시간 푸리에 변환(STFT) 안내서

신호를 구성 주파수로 분해하는 고전적인 수학적 도구인 기본적인 푸리에 변환(Fourier Transform)은 전체 기록 중 어딘가에서 어떤 뇌파 리듬이 존재했는지는 알려줄 수 있습니다. 하지만 그것이 언제 발생했는지는 알려주지 못합니다. 누군가가 눈을 감는 순간 나타나는 짧은 알파파 활동의 분출은 시간과 연계된 의미 있는 사건입니다.

10분 동안의 기록에 걸친 단일 주파수 요약으로 평균화되면, 그러한 분출은 하나의 통계치가 되어 배경 잡음과 구별할 수 없게 됩니다. 이러한 사건들의 타이밍을 복원하는 것은 진지한 EEG 연구의 출발점이며, 단시간 푸리에 변환(STFT)이 해결하기 위해 만들어진 바로 그 문제입니다.

기사 읽기