주성분 분석

EEG에서 주성분 분석(PCA)이란 무엇인가요?

PCA를 더 깊이 이해하려면, 어떠한 신호 처리도 거치기 전의 원래 EEG 데이터가 어떤 모습인지 시각화해 보는 것이 도움이 됩니다.

전형적인 기록 과정에는 많은 전극이 사용되며, 각 전극은 시간에 따라 자체적인 연속 전압 측정값을 생성합니다. 이 채널들은 서로 독립적이지 않습니다. 머리라는 공유된 전도성 매체로부터 전기적 활동을 모두 감지하기 때문에, 이들의 신호는 복잡한 방식으로 겹치고 상관관계를 가집니다.

PCA는 이처럼 서로 얽혀 있고 상관관계가 있는 채널들을 성분(component)이라고 불리는 새로운 신호 세트로 재구성합니다. 각 성분은 원래 채널들의 가중치 조합이지만, 중요한 수학적 특성을 가집니다. 즉, 성분들이 서로 직교(orthogonal)하므로 상호 연관성이 없다는 것입니다.

또한 PCA는 각 성분이 설명하는 분산(variance, 전체 신호 변동량)의 크기에 따라 이 성분들의 순위를 매깁니다. 첫 번째 성분은 데이터에서 가장 큰 분산 비율을 차지하고, 두 번째 성분은 남아있는 분산 중에서 그다음으로 큰 비율을 차지하는 식으로 순서가 내려갑니다.

이러한 순위 지정은 노이즈(잡음)가 주로 어떻게 발생하는지 이해하는 데 결정적입니다. 예를 들어, 눈 깜박임은 크고 느린 전압 변화를 일으켜 여러 전극에 동시에 널리 퍼집니다. 이는 크고 공유된 변동 패턴을 만들기 때문에, 눈 깜박임 활동은 분산이 가장 높은 성분에 집중되는 경향이 있습니다. 더 약하고 더 국소적인 뇌 신호는 종종 분산이 낮은 성분 쪽으로 밀려나 순위표 아래쪽에 위치하게 됩니다.

PCA를 독립 성분 분석(ICA)과 같은 더 잘 알려진 동류의 분석법과 구분하는 한 가지 세부 사항은, PCA는 기본 소스들이 통계적으로 독립적이라고 가정하지 않는다는 점입니다. PCA는 단지 결과 성분들이 서로 상관관계가 없을 것만을 요구하며, 이는 훨씬 더 느슨한 조건입니다.

주성분 분석(PCA)은 어떻게 작동하나요? 단계별 설명

단계 1: 데이터 표준화

복잡한 계산을 시작하기 전에, 변수 간의 동등성을 보장하기 위해 입력을 정규화해야 합니다. 한 변수는 마이크로볼트 단위로 측정되고 다른 변수는 밀리초 단위로 측정된다면, 원시 스케일의 차이가 결과에 편향을 줄 수 있습니다. 각 변수를 평균이 0이고 표준편차가 1이 되도록 스케일링하면, 수학적 공식이 모든 입력 특징을 동일한 가중치로 처리할 수 있게 됩니다.

단계 2: 공분산 행렬 계산

데이터가 표준화되면, 다음 과제는 모든 특징 쌍 간의 관계를 매핑하는 것입니다. 공분산 행렬은 이러한 상호작용을 요약하여, 어떤 변수가 함께 움직이고 어떤 변수가 독립적인지 보여줍니다. 이 격자 구조는 데이터 세트가 가장 크게 퍼져 있는 방향을 식별하는 기초 역할을 합니다.

단계 3: 고유벡터 및 고유값 계산

이 단계에서는 데이터 분포의 형태를 특징짓는 특정 벡터를 구합니다. 고유벡터는 새로운 축의 방향을 결정하고, 고유값은 해당 방향을 따라 캡처된 분산의 크기를 나타냅니다. 이러한 수학적 표식을 통해 원래의 데이터 공간을 주요 움직임 패턴으로 정의된 새로운 좌표계로 회전할 수 있습니다.

단계 4: 주성분 선택

성분을 식별한 후, 분석에서는 전체 분산의 상당 부분을 설명하는 성분들로만 모델을 제한합니다. 이 필터링 과정은 노이즈가 많은 변수를 폐기하고 특정 정량적 임계값에 따라 가장 정보가 많은 패턴만 보존합니다.

지배적인 성분에만 엄격히 집중함으로써 연구자들은 후속 처리 작업의 계산 부담을 줄일 수 있습니다. 이를 통해 최종 모델이 실시간 분석에 신속하게 반응하고 효율적으로 작동하도록 보장합니다.

단계 5: 원본 데이터 변환

최종 선택이 완료되면, 마지막 단계인 새로운 축에 원래의 관측점들을 투영하는 작업을 수행합니다. 이 변환은 원래 측정값의 필수적인 지형적 특성을 보존하는 차원이 축소된 새로운 데이터 세트를 생성합니다.

그 후 전문가들은 정화된 신호 표현의 이점을 활용하여 분류나 소스 로컬라이제이션(원인 국소화)과 같은 다운스트림 작업에 이 변환된 변수들을 사용합니다.

PCA가 EEG 전처리 파이프라인에 통합되는 방식

실제 적용 시 PCA가 단독으로 작동하는 경우는 드뭅니다. PCA는 대개 더 큰 정제 파이프라인 내부의 한 단계로 나타나며, 다음 두 가지 작업 중 하나를 수행합니다.

1. 데이터 크기 축소

2. 잡음이 숨어 있는 위치의 탐색 지원

첫 번째 역할은 차원 축소입니다. PCA와 밀도 추정 블라인드 소스 분리(DEBSS) 기술을 결합한 연구에서는 추가적인 분리가 일어나기 전에 EEG 데이터 세트의 크기를 줄이기 위해 구체적으로 PCA를 사용했습니다.

이 파이프라인에서는 먼저 웨이블릿 분석을 사용하여 고주파 노이즈를 필터링한 다음, DEBSS가 나머지 성분을 분리하기 전에 “PCA 알고리즘을 사용하여 EEG 신호를 처리하고 데이터 차원을 축소”했습니다. 교차 상관 계수 및 관련 비선형 매개변수를 사용하여 간섭을 전달하는 성분을 식별한 후, 연구자들은 깨끗해진 나머지 성분들로부터 신호를 재구성했습니다.

두 번째 역할은 잡음 탐지 자체이며, 이는 아티팩트 서브스페이스 재구성(ASR)이라고 불리는 널리 사용되는 방법 내에서 나타납니다. ASR은 EEG 데이터의 짧은 창을 지속적으로 분석하고 이를 ‘깨끗한’ 활동의 기준선과 비교함으로써 작동합니다.

이 방법의 리만(Riemannian) 버전을 소개하는 2019년 연구에 따르면, ASR은 “성분 서브스페이스에서의 통계적 특성에 기반하여 잡음을 탐지하기 위해 공분산 행렬에서 PCA를 반복적으로 계산”합니다. 여기서 PCA는 편의를 위해 채널 수를 줄이는 것이 아니라, 매 순간 데이터의 한 세그먼트가 통계적으로 정상인지 아니면 잡음처럼 보이는지 결정하는 엔진 역할을 하고 있습니다.

이 두 가지 사례를 종합해 볼 때, PCA는 정제 전략의 구성 요소일 뿐 그 자체로 완전한 정제 전략이 아니라는 결론을 내릴 수 있습니다. 일반적으로 PCA의 출력은 DEBSS, 리만 기하학 어댑터 또는 어떤 성분을 실제로 제거할지 결정하는 기타 의사 결정 프로세스와 같은 다른 알고리즘으로 전달됩니다.

PCA는 EEG 잡음을 격리할 수 있는가? 증거가 보여주는 것

잡음 격리를 위해 PCA가 매력적인 주장을 펼치는 논리는 간단합니다. PCA는 분산에 따라 성분을 분류하고, 눈 깜박임과 근육 활동은 유독 큰 전압 변화를 일으키는 경향이 있기 때문에, 이러한 잡음이 자연스럽게 상위 몇 개의 성분으로 분류되어야 한다는 것이 신경과학의 이론입니다. 이것이 사실이라면 연구자는 모든 뇌 소스의 정확한 통계적 독립성을 모델링할 필요 없이 기본적으로 최악의 간섭을 신속하게 격리하고 버릴 수 있습니다.

앞서 설명한 PCA-DEBSS 결합 파이프라인을 테스트한 연구에서는 이 결합된 방법이 “다채널 EEG 신호의 주요 간섭을 신속하고 효과적으로 제거할 수 있다”고 보고하는 동시에, 이 접근 방식이 “안정적이고 강력한 확장성을 가지고 있다”고 언급했습니다. 이는 긍정적인 결과이지만, 격리되어 작동하는 PCA가 아니라 구체적인 2단계 파이프라인이 정밀하게 테스트되었다는 점을 유념할 필요가 있습니다.

앞서 언급한 2019년 연구는 좀 더 체계적인 비교 접근 방식을 취했습니다. 연구원들은 rASR이라고 불리는 ASR의 리만 기하학 기반 버전을 만들고, 실내외 조건 모두에서 스마트폰으로 기록된 27명의 참가자의 EEG 데이터를 사용하여 표준 PCA 기반 ASR 방법과 비교 테스트했습니다.

이들은 다음 세 가지 개별 측정 기준에서 성능을 평가했습니다.

1. 각 방법이 눈 깜박임 잡음을 얼마나 잘 줄였는지 (민감도)

2. 각 방법이 시각 자극에 대한 뇌의 반응인 시각 유발 전위를 얼마나 잘 보존했는지 (특이도)

3. 각 방법이 얼마나 빨리 실행되었는지 (효율성)

저자의 결론에 따르면 rASR은 표준 ASR과 비교했을 때 “세 가지 측정 기준 모두에서 우수한 성능을 보였습니다.”

이러한 결과는 PCA 기반 잡음 처리에 고무적이지만, 이를 뒷받침하는 증거 기반은 좁은 편입니다. 이는 의미 있고 유용한 초기 연구 결과이지만, 아직 PCA가 모든 EEG 분석 맥락에서 잡음을 확실하게 격리한다는 광범위하게 검증된 주장으로 연결되지는 않습니다.

PCA vs. ICA vs. 필터링: 올바른 도구 선택하기

EEG 연구자들은 데이터를 정제하는 데 사용할 수 있는 여러 도구를 가지고 있으며, PCA는 그중에서 구체적인 틈새 영역을 차지하고 있습니다.

하이패스, 로우패스 및 노치 필터를 포함하는 필터링은 특정 주파수 대역 전체를 제거하거나 약화시키는 방식으로 작동합니다. 이는 전기선 노이즈 같은 지속적인 간섭을 제거하는 데 유용하지만, 잡음과 뇌 신호가 동일한 주파수 범위를 공유할 때는 한계에 부딪힙니다.

예를 들어 눈 깜박임은 느린 뇌파와 주파수가 겹칠 수 있는데, 필터는 주파수만 볼 뿐 채널 전반의 분산 패턴을 보지 못하기 때문에 이를 구분하지 못합니다. PCA는 주파수 함량이 아니라 전극 세트 전체에 신호 변동이 어떻게 분포하는지를 보기 때문에 완전히 다른 축에서 작동합니다. 따라서 PCA는 필터링을 직접 대체하기보다는 이를 보완하는 접근 방식이 됩니다.

반면 ICA는 종종 PCA와 동시에 언급되지만, 두 방법은 서로 다른 가설에 기초합니다. ICA는 성분들이 서로 통계적으로 독립적인 상황을 탐색하는데, 이는 PCA의 단순한 무상관이라는 더 느슨한 조건보다 훨씬 더 강력하고 계산이 많이 필요한 요구 사항입니다.

ICA는 이러한 엄격한 분리를 위해 더 열심히 탐색해야 하므로 더 많은 컴퓨팅 시간과 더 많은 데이터를 요구하는 경향이 있습니다. 수학적으로 더 간단한 PCA는 더 빠르고 독립성을 전혀 필요로 하지 않으며, 단지 결과 성분들이 서로 상관관계가 없을 것만을 요구합니다.

경험적인 계산 비용의 차이로 인해 PCA는 종종 ICA의 대체재라기보다 ICA를 수행하기 전의 준비 단계로 자주 나타납니다. 먼저 PCA로 차원 수를 줄이면 ICA 실행 속도를 높이고 데이터가 제한적일 때의 오버피팅 위험을 줄일 수 있습니다. 또는 PCA가 대략적인 1차 패스로서 가장 지배적이고 명백한 잡음을 제거하고, 그 후 더 정밀한 방법이 나머지를 미세 조정하도록 할 수 있습니다.

PCA 기반 잡음 제거의 한계

PCA의 단순함은 동시에 약점의 근원이기도 합니다. PCA가 흔히 할당받는 잡음 격리 작업을 실제로 얼마나 잘 수행하는지에 대해서는 몇 가지 의문이 영구적으로 남아 있습니다.

분산은 '잡음'을 대변하기에 불완전한 척도입니다. 후두부 알파 활동(편안하게 눈을 감은 상태와 관련된 잘 알려진 EEG 리듬)과 같은 특정 뇌 리듬은 그 자체로 높은 진폭의 신호를 생성할 수 있습니다. 높은 분산이 항상 잡음을 의미한다고 가정하는 방법은 제거하려는 노이즈와 함께 실제 뇌 활동을 폐기할 위험이 있습니다.

반대 관점에서도 눈 깜박임 잡음이 항상 단일 성분에 깔끔하게 국한되는 것은 아닙니다. 이들의 영향력은 한 번에 여러 성분으로 퍼질 수 있어, 단순히 '상위 성분을 제거하는' 전략을 복잡하게 만듭니다.

고려해야 할 구조적 불일치도 있습니다. PCA는 수학적 정의에 따라 성분들이 서로 직교하도록 강제합니다. 그러나 EEG 신호를 생성하는 실제 물리적 소스(두피 근처의 신경 회로든 근육 군이든)가 이 직교 기하학에 부합하는 방식으로 배열되어 있다는 보장은 없습니다.

이 가정이 기저의 현실과 일치하지 않을 때, PCA가 만들어내는 분리는 실제 조직에서 일어나고 있는 일을 정확하게 반영하기보다는 수학적 편의에 불과할 수 있습니다.

EEG 분석에서 PCA의 실용적 활용 조언

EEG 데이터 세트를 처음 탐색하는 연구자에게 PCA는 특정 기록에서 어떤 변동 패턴이 지배적인지 확인하는 유용한 출발점으로 남아 있습니다. 다음은 흔히 권장되는 몇 가지 팁입니다.

• PCA를 최종 정제 패스가 아니라 차원을 축소하거나 지배적인 잡음 패턴을 표시하기 위한 예비 단계로 사용하십시오.

• 어떤 성분을 제거할지 결정할 수 있는 후속 방법(예: ICA, DEBSS, ASR)과 PCA를 결합하십시오.

• 버려진 성분이 실제 잡음을 나타내는지 확인하기 위해 항상 두피 토포그래피와 시간 경과를 시각적으로 검사하십시오.

• 기록 환경(실험실 vs. 모바일)에 따른 결과의 가변성에 주의하고 자체 데이터로 검증하십시오.

결론: PCA는 신뢰할 수 있는 EEG 정제 방법인가?

PCA는 복잡한 뇌파 데이터를 순위가 매겨진 성분으로 변환하여, 연구자가 기록에서 가장 노이즈가 많은 부분에 빠르게 집중할 수 있는 방법을 제공합니다. 이 접근 방식은 눈 깜박임이나 근육 움직임이 신호를 지배할 때 특히 유용하며, 이러한 활동들은 분산이 가장 높은 슬롯으로 부상하는 경우가 많습니다.

그러나 진정한 뇌 리듬 또한 강한 신호를 생성할 수 있기 때문에, 무엇이 잡음이고 무엇이 귀중한 신경 데이터인지 결정하는 파트에서 이 방법만을 단독으로 신뢰해서는 안 됩니다.

참고 문헌

1. Kang, D., & Zhizeng, L. (2012, March). A method of denoising multi-channel EEG signals fast based on PCA and DEBSS algorithm. In 2012 International Conference on Computer Science and Electronics Engineering (Vol. 3, pp. 322-326). IEEE. https://doi.org/10.1109/ICCSEE.2012.105

2. Blum, S., Jacobsen, N. S. J., Bleichner, M. G., & Debener, S. (2019). A Riemannian Modification of Artifact Subspace Reconstruction for EEG Artifact Handling. Frontiers in human neuroscience, 13, 141. https://doi.org/10.3389/fnhum.2019.00141

자주 묻는 질문(FAQ)

EEG의 맥락에서 주성분 분석(PCA)이란 무엇인가요?

PCA는 다채널 EEG 데이터를 서로 상관관계가 없는 '성분'이라는 새로운 신호 세트로 재구성하는 수학적 방법입니다. 이 방법은 각 성분이 캡처하는 분산의 크기에 따라 순위를 매기며, 첫 번째 성분이 전체 신호 변동을 가장 많이 설명합니다.

PCA는 EEG 데이터에서 잡음을 제거하는 데 어떻게 도움이 되나요?

눈 깜박임과 같은 잡음은 크고 광범위한 전압 변화를 일으키기 때문에 분산이 가장 높은 성분에 집중되는 경향이 있습니다. PCA의 분산 기반 순위 지정을 통해 연구자들은 흔히 가장 파괴적인 노이즈를 포함하는 상위 성분들을 식별하고 제거할 수 있습니다.

PCA는 단독으로 EEG 신호를 정제할 수 있나요?

아니요, PCA가 독립적인 정제 솔루션으로 단독 사용되는 경우는 드뭅니다. PCA는 대개 더 큰 파이프라인 내의 한 단계로 작동하며, DEBSS 같은 다른 방법을 적용하기 전에 데이터 차원을 축소하거나, 아티팩트 서브스페이스 재구성(ASR)과 같은 프레임워크 내에서 탐지 엔진 역할을 수행합니다.

잡음 제거 측면에서 PCA와 ICA의 차이점은 무엇인가요?

PCA는 결과 성분들이 단지 서로 상관관계가 없을 것만 요구하는 더 느슨한 수학적 조건인 반면, ICA는 성분들이 통계적으로 유니크하게 독립적일 것을 찾는 더 엄격하고 많은 연산을 필요로 하는 요구사항입니다. PCA는 더 빠르며, 종종 ICA를 완전히 대체하기보다 준비 단계로 사용됩니다.

PCA가 아티팩트와 함께 실제 뇌 활동을 우발적으로 제거할 수도 있나요?

네, PCA는 분산에 의존하여 잡음을 식별하므로 후두부 알파 활동 같이 진폭이 큰 뇌 리듬을 노이즈로 잘못 판단할 수 있습니다. 또한 잡음이 여러 성분에 조각나 분포할 수 있어, 단순히 상위 성분만 제거하면 실제 신경 신호가 소실될 수 있습니다.

EEG 정제에서 PCA와 주파수 필터링은 어떻게 다릅니까?

주파수 필터링은 특정 주파수 대역의 신호 에너지를 제거하거나 감쇄하지만, 동일한 주파수를 공유하는 뇌 신호와 잡음을 분리하지는 못합니다. 반면 PCA는 모든 전극에 걸친 분산 패턴을 분석하므로 데이터의 다른 차원을 다루는 상호 보완적인 접근 방식이 됩니다.

연구자가 EEG 전처리 워크플로에서 PCA를 안전하게 사용하려면 어떻게 해야 하나요?

다른 방법을 적용하기 전에 차원 축소 단계로 사용하거나, 기록을 지배하는 패턴이 무엇인지 확인하는 일종의 도움 도구로 사용할 수 있습니다. 연구자는 단순히 분산 순위만 믿기보다, 폐기하려는 성분의 두피 토포그래피와 시간 경과 패턴을 시각적으로 점검해야 합니다.