주성분 분석

EEG에서 주성분 분석(PCA)이란 무엇인가요?

PCA를 더 자세히 이해하려면, 어떠한 신호 처리도 거치기 전의 원시 EEG 데이터가 어떤 형태인지 머릿속에 그려보는 것이 도움이 됩니다.

전형적인 측정 환경에서는 여러 개의 전극을 사용하며, 각 전극은 시간에 따라 연속적인 전압 측정값을 생성합니다. 이러한 채널들은 서로 독립적이지 않습니다. 모두 공통된 전도성 매체(머리)에서 전기적 활동을 감지하기 때문에, 이들의 신호는 복잡한 방식으로 중첩되고 상관관계를 갖게 됩니다.

PCA는 이처럼 서로 얽혀 있는 상관관계의 채널들을 컴포넌트(성분)라고 불리는 새로운 신호 집합으로 재구성합니다. 각 컴포넌트는 원래 채널들의 가중치 결합이지만, 한 가지 중요한 수학적 특성을 지닙니다. 즉, 컴포넌트들이 서로 직교(orthogonal)하여 상호 상관관계가 없다는 점입니다.

또한 PCA는 각 컴포넌트가 설명하는 분산, 즉 전체 신호 변동성의 크기에 따라 순위를 매깁니다. 첫 번째 컴포넌트는 데이터 내에서 가장 큰 비중의 분산을 포착하고, 두 번째 컴포넌트는 남아 있는 분산 중 가장 큰 비중을 포착하는 방식으로 순서가 정해집니다.

아티팩트가 나타나는 일반적인 양상을 고려할 때 이러한 순위 지정은 매우 중요합니다. 예를 들어 눈 깜빡임은 한 번에 여러 전극에 걸쳐 넓게 퍼지는 크고 느린 전압 변동을 일으킵니다. 이는 공유되는 거대한 변동 패턴을 생성하기 때문에, 눈 깜빡임 활동은 가장 분산이 큰 상위 컴포넌트들에 집중되는 경향이 있습니다. 반면 더 약하고 국소적인 뇌 신호는 분산이 낮은 하위 컴포넌트로 밀려나는 경우가 많습니다.

PCA와 널리 알려진 유사 기법인 독립 성분 분석(ICA)의 차이점 중 하나는, PCA는 기저의 신호원들이 통계적으로 독립적이라고 가정하지 않는다는 것입니다. PCA는 결과로 나오는 컴포넌트들이 서로 상관관계가 없기만을 요구하며, 이는 훨씬 덜 엄격한 조건입니다.

주성분 분석(PCA)은 어떻게 작동하나요? 단계별 설명

1단계: 데이터 표준화

복잡한 계산을 시작하기 전에, 변수 간의 동등성을 보장하기 위해 입력을 정규화해야 합니다. 한 변수는 마이크로볼트 단위로 측정되고 다른 변수는 밀리초 단위로 측정된다면, 이러한 원시 스케일 차이가 결과에 왜곡을 일으킬 수 있습니다. 각 변수를 평균 0, 표준편차 1로 스케일링함으로써 계산 과정에서 모든 입력 특징을 동등한 가중치로 다룰 수 있게 됩니다.

2단계: 공분산 행렬 계산

데이터가 표준화되면 다음 단계는 모든 특징 쌍 간의 관계를 파악하는 것입니다. 공분산 행렬은 이러한 상호작용을 요약하여 어떤 변수가 함께 움직이고 어떤 변수가 독립적인지 보여줍니다. 이 격자는 데이터셋이 가장 큰 변동을 보이는 방향을 식별하는 기반 역할을 합니다.

3단계: 고유벡터 및 고유값 계산

이 단계에서는 데이터 분포의 형태를 특징짓는 특정 벡터를 계산합니다. 고유벡터는 새로운 축의 방향을 결정하고, 고유값은 해당 특정 방향을 따라 포착된 분산의 크기를 나타냅니다. 이러한 수학적 지표를 통해 원래의 데이터 공간을 주된 변동 패턴에 의해 정의되는 새로운 좌표계로 회전할 수 있습니다.

4단계: 주성분 선택

컴포넌트를 식별한 후, 분석에서는 전체 분산의 상당 부분을 설명하는 컴포넌트만 모델에 포함하도록 제한합니다. 이러한 필터링 과정을 통해 노이즈가 많은 변수는 버리고 특정 정량적 기준에 따라 가장 유익한 정보를 담은 패턴만 유지합니다.

지배적인 컴포넌트에만 집중함으로써 연구자는 후속 처리 작업의 계산 부담을 줄일 수 있습니다. 이를 통해 최종 모델이 실시간 분석에 적합하도록 반응성과 효율성을 모두 확보할 수 있습니다.

5단계: 원본 데이터 변환

최종 선택이 완료되면 마지막 단계는 원래의 관측 지점들을 이러한 새로운 축에 투영하는 것입니다. 이 변환을 통해 원본 측정값의 필수적인 위상을 보존하면서도 차원이 축소된 새로운 데이터셋이 생성됩니다.

전문가들은 더 깨끗해진 신호 표현의 이점을 활용하여, 변환된 변수를 분류나 신호원 국지화와 같은 다운스트림 작업에 활용합니다.

EEG 전처리 파이프라인에서 PCA의 역할

실제 적용에서 PCA는 단독으로 쓰이는 경우가 드뭅니다. 보통 더 큰 정제 파이프라인 내부의 한 단계로 포함되어 다음 두 가지 작업 중 하나를 수행합니다.

1. 데이터 축소

2. 아티팩트가 숨어 있는 위치 탐지 지원

첫 번째 역할은 차원 축소입니다. PCA와 결합한 연구에서는 추가적인 분리가 이루어지기 전에 EEG 데이터셋의 크기를 줄이기 위해 밀도 추정 블라인드 소스 분리(DEBSS)라는 기법과 함께 PCA를 활용했습니다.

이 파이프라인에서는 먼저 웨이블릿 분석을 사용하여 고주파 노이즈를 필터링한 후, DEBSS를 통해 나머지 컴포넌트를 분리하기 전에 “EEG 신호를 처리하여 데이터 차원을 줄이기 위해 PCA 알고리즘을 사용”했습니다. 상호 상관 계수 및 관련 비선형 파라미터를 사용하여 간섭을 포함하는 컴포넌트를 식별한 후, 연구진은 정제된 나머지 컴포넌트로부터 신호를 재구성했습니다.

두 번째 역할은 아티팩트 탐지 자체이며, 널리 사용되는 Artifact Subspace Reconstruction(ASR)이라는 방법 내부에서 사용됩니다. ASR은 EEG 데이터의 짧은 윈도우를 지속적으로 분석하고 이를 ‘깨끗한’ 활동 기준선과 비교하는 방식으로 작동합니다.

이 방법의 리만(Riemannian) 버전을 소개한 2019년 연구에 따르면, ASR은 “컴포넌트 부분 공간에서의 통계적 특성을 기반으로 아티팩트를 탐지하기 위해 공분산 행렬에 대한 PCA를 반복적으로 계산”합니다. 여기서 PCA는 단순히 편의를 위해 채널 수를 줄이는 것이 아닙니다. 특정 시점의 데이터 세그먼트가 통계적으로 정상인지, 아니면 아티팩트처럼 보이는지 순간순간 판단하는 핵심 엔진으로 기능합니다.

이 두 가지 예를 종합해 보면, PCA는 그 자체로 완전한 정제 전략이라기보다는 정제 전략의 한 구성 요소라는 결론을 내릴 수 있습니다. PCA는 일반적으로 DEBSS, 리만 기하학 기반 변형, 또는 어떤 컴포넌트를 실제로 제거할지 결정하는 기타 의사결정 프로세스 등 다른 알고리즘에 출력을 전달하는 역할을 합니다.

PCA가 EEG 아티팩트를 분리할 수 있을까요? 입증된 연구 결과

아티팩트 분리에 PCA가 유용하게 쓰이는 논리는 명확합니다. PCA는 컴포넌트를 분산 순으로 정렬하고 눈 깜빡임과 근육 활동은 큰 전압 변동을 일으키는 경향이 있기 때문에, 뇌과학 이론상 이러한 아티팩트가 상위 몇 개 컴포넌트로 자연스럽게 분류된다는 것입니다. 이것이 유효하다면 연구자는 모든 뇌 신호원의 정확한 통계적 독립성을 모델링할 필요 없이 가장 심한 간섭을 원칙적으로 신속하게 분리하여 제거할 수 있습니다.

앞서 언급된 PCA-DEBSS 파이프라인을 테스트한 연구에서는 이 결합 방식이 “다채널 EEG 신호의 주요 간섭을 빠르고 효과적으로 제거할 수 있다”고 보고하는 동시에, 이 접근법이 “안정적이고 확장성이 뛰어나다”고 언급했습니다. 이는 긍정적인 결과이지만, 정확히 무엇이 테스트되었는지 주목할 필요가 있습니다. 이는 단독으로 작동하는 PCA가 아니라 구체적인 2단계 파이프라인이었습니다.

앞서 언급된 2019년 연구는 보다 구조화된 비교 접근법을 취했습니다. 연구진은 rASR이라는 리만 기하학 기반의 ASR 버전을 개발하고, 27명의 참가자를 대상으로 실내 및 실외 환경 모두에서 스마트폰으로 기록된 EEG를 사용하여 표준 PCA 기반 ASR 방법과 비교 테스트를 진행했습니다.

연구진은 세 가지 독립적인 척도를 통해 성능을 평가했습니다.

1. 각 방법이 눈 깜빡임 아티팩트를 얼마나 잘 줄였는가 (민감도)

2. 시각 자극에 대한 뇌 반응인 시각 유발 전위(VEP)를 각 방법이 얼마나 잘 보존했는가 (특이도)

3. 각 방법이 얼마나 빠르게 실행되었는가 (효율성)

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

이러한 결과는 PCA 기반 아티팩트 처리에 고무적이지만, 이를 뒷받침하는 근거 기반은 아직 좁은 편입니다. 이는 의미 있고 유용한 초기 발견이지만, 모든 EEG 환경에서 PCA가 아티팩트를 안정적으로 분리한다는 광범위하게 검증된 주장으로 보기에는 아직 부족합니다.

PCA vs. ICA vs. 필터링: 올바른 도구 선택하기

EEG 연구자들은 데이터를 정제하기 위해 여러 가지 도구를 사용할 수 있으며, PCA는 그중에서도 독자적인 영역을 차지하고 있습니다.

하이패스, 로우패스, 노치 필터를 포함하는 필터링은 특정 주파수 대역 전체를 제거하거나 감쇠하는 방식으로 작동합니다. 이는 전원선 노이즈와 같은 일정한 간섭을 제거하는 데 유용하지만, 아티팩트와 뇌 신호가 동일한 주파수 범위를 공유할 때는 명백한 한계에 부딪힙니다.

예를 들어 눈 깜빡임은 느린 뇌파와 주파수가 겹칠 수 있는데, 필터는 주파수만 확인할 뿐 채널 전반의 분산 패턴을 보지 못하므로 둘을 구별할 수 없습니다. PCA는 주파수 성분이 아니라 신호 변동이 전체 전극에 어떻게 분포되어 있는지를 보기 때문에 완전히 다른 축에서 작동합니다. 따라서 PCA는 필터링의 직접적인 대체재라기보다는 상호 보완적인 접근 방식입니다.

반면 ICA는 종종 PCA와 함께 거론되지만 두 방법은 서로 다른 가정을 기반으로 합니다. ICA는 서로 통계적으로 독립적인 컴포넌트를 찾는데, 이는 PCA의 단순 무상관이라는 느슨한 조건보다 훨씬 강력하고 계산 집약적인 요구 사항입니다.

ICA는 이러한 더 엄격한 분리를 찾아내기 위해 더 많은 탐색을 거쳐야 하므로 계산 시간과 데이터가 더 많이 필요한 경향이 있습니다. 수학적으로 더 단순한 PCA는 더 빠르며 독립성을 전혀 요구하지 않고, 결과 컴포넌트 간에 상관관계가 없기만 하면 됩니다.

이러한 계산 비용의 차이 때문에 PCA는 종종 ICA를 대체하기보다는 ICA 이전의 준비 단계로 적용됩니다. 먼저 PCA로 차원 수를 줄이면 ICA 실행 속도를 높이고 데이터가 제한적일 때의 과적합 위험을 줄일 수 있습니다. 또는 PCA가 더 정교한 방법으로 나머지 부분을 미세 조정하기 전에 가장 지배적이고 명백한 아티팩트를 제거하는 대략적인 1차 처리 역할을 할 수도 있습니다.

PCA 기반 아티팩트 제거의 한계

PCA의 단순성은 곧 약점의 원인이기도 합니다. 아티팩트를 분리하는 작업에 종종 사용되지만, 실제로 이를 얼마나 잘 수행하는지에 대해서는 여전히 몇 가지 의문이 남아 있습니다.

분산이 ‘아티팩트’를 완벽하게 대변하지는 못합니다. 후두엽 알파 활동(눈을 감고 휴식을 취할 때 나타나는 잘 알려진 EEG 뇌파)과 같은 특정 뇌 리듬은 그 자체로 높은 진폭의 신호를 생성할 수 있습니다. 높은 분산이 항상 아티팩트를 의미한다고 가정하는 방식은 제거 대상인 노이즈와 함께 실제 뇌 활동까지 버리게 될 위험이 있습니다.

반대로 눈 깜빡임 아티팩트가 항상 단일 컴포넌트에만 깔끔하게 국한되는 것은 아니며, 여러 컴포넌트에 동시에 영향이 분산될 수 있어 단순히 '최상위 컴포넌트를 제거'하는 방식이 복잡해질 수 있습니다.

또한 구조적 불일치도 고려해야 합니다. PCA는 수학적 정의에 따라 컴포넌트들이 서로 직교하도록 강제합니다. 그러나 실제 EEG 신호를 생성하는 물리적 소스(신경 회로든 두피 근처의 근육군이든)가 이러한 직교 기하학과 일치하는 방식으로 배치되어 있다는 보장은 없습니다.

이러한 가정이 기저의 현실과 일치하지 않을 경우, PCA가 생성하는 분리는 실제 조직에서 일어나는 현상을 정확하게 반영한 것이 아니라 수학적 편의에 불과할 수 있습니다.

EEG 분석에서 PCA 활용을 위한 실질적인 조언

EEG 데이터셋을 처음 탐색하는 경우, PCA는 특히 주어진 기록에서 어떤 변동 패턴이 지배적인지 확인하는 방법으로서 여전히 합리적인 출발점이 될 수 있습니다. 흔히 권장되는 몇 가지 팁은 다음과 같습니다.

• PCA는 최종 정제 단계가 아니라, 차원을 축소하거나 지배적인 아티팩트 패턴을 표시하는 예비 단계로 사용하세요.

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

• 제거하려는 컴포넌트가 실제로 아티팩트를 나타내는지 두피 토포그래피와 시간 경과를 항상 시각적으로 검사하세요.

• 측정 환경(실험실 vs 모바일)에 따른 결과의 가변성에 주의를 기울이고 자체 데이터를 통해 검증하세요.

Emotiv 기반 EEG 연구에서의 주성분 분석

Emotiv headset은 주성분 분석이 핵심 계산 방법으로 사용된 여러 피어 리뷰 연구에 활용되어 왔으며, 이는 분류, 센서 선택, 전처리 및 신호 품질 향상에 걸친 이 기법의 다재다능함을 보여줍니다.

P300 Speller 정확도 향상을 위한 PCA 앙상블 분류기

웨어러블 BCI 개발에는 효율적인 신호 처리가 필수적이며, 한 연구에서는 Emotiv neuroheadset으로 기록된 P300 기반 스펠러를 위한 PCA 앙상블 분류기를 평가했습니다. 연구진은 고전적인 오드볼(oddball) 패러다임을 사용하여 자신들의 앙상블 접근법을 기존의 특징 추출 및 분류 방법과 비교했습니다.

교차 검증 데이터에서 PCA 앙상블은 86.29%의 평균 정확도를 달성한 반면, 오프라인 테스트에서는 기존 방법 대비 현저히 높은 73.3%의 평균 분류 정확도를 보였습니다. 이러한 결과는 PCA 기반 앙상블 분류가 모바일 소비자용 EEG 기기에서 P300 데이터를 처리하기 위한 실용적인 전략이 될 수 있음을 시사합니다.

PCA를 활용한 생체 인식을 위한 최소 EEG 센서 선택

변별력 있는 정보를 희생하지 않으면서 전극 수를 줄이는 것은 생체 인식 시스템의 실질적인 과제입니다. 연구진은 Emotiv EPOC+ headset과 더 큰 공개 데이터셋을 사용하여 개인 식별을 위한 최소 EEG 센서 선택을 검토했습니다. 두 가지 축소 방법론이 적용되었는데, 하나는 주성분 분석에 기반한 방법이고 다른 하나는 윌콕슨 부호 순위 검정에 기반한 방법이었습니다.

해당 연구는 두 접근 방식 모두 신뢰할 수 있는 개인 식별에 필요한 최소한의 전극 세트를 식별할 수 있었으며, PCA는 어떤 대뇌 피질 영역이 분리 가능한 패턴에 가장 많이 기여하는지 정확히 찾아내는 데 도움이 되었다고 보고했습니다. 이는 실험실 설정을 보다 단순하고 실용적인 센서 몽타주로 전환하는 데 있어 PCA의 차원 축소 역할을 입증합니다.

아티팩트 제거를 위한 PCA, CSP, CAR 비교

한 전처리 파이프라인 비교 연구에서는 분류 전에 서로 다른 알고리즘이 신호를 얼마나 잘 정제하는지 평가하기 위해 Emotiv EPOC으로 EEG를 기록했습니다. 전처리 알고리즘 비교에서 주성분 분석은 아티팩트 제거를 위해 공통 공간 패턴(CSP) 및 공통 평균 참조(CAR)와 함께 테스트되었으며, 이후 파워 스펙트럼 밀도 특징이 서포트 벡터 머신 분류기에 입력되었습니다.

저자들은 PCA가 94.28%의 성능을 보여 해당 실험 환경에서 다른 알고리즘보다 우수한 성과를 냈음을 확인했습니다. 이는 소비자용 EEG 하드웨어를 다룰 때 PCA가 전처리 체인의 효과적인 구성 요소로 작동할 수 있음을 시사합니다.

집단 리듬 추출 향상: PCA vs. 코삼비-힐베르트 비틀림(KHT)

여러 EEG 센서가 진동 활동을 포착할 때 신호 대 잡음비가 높은 공유 리듬을 추출하는 것이 중요할 때가 많습니다. Emotiv EPOC+를 활용한 집단 리듬 품질 개선 연구에서는 기존의 주성분 분석과 코삼비-힐베르트 비틀림(KHT) 방법을 비교했습니다. 데이터는 눈을 감고 휴식을 취할 때와 15Hz로 깜빡이는 화면을 볼 때 기록되었습니다.

연구진은 특히 채널 간에 무작위 시간 지연이 발생했을 때 KHT가 PCA보다 집단 신호에 대해 더 우수한 신호 대 잡음비를 달성했다고 보고했습니다. 이 연구는 PCA가 공통 리듬 추출을 위한 단순한 기준선을 제공하지만, 위상을 고려한 방법이 관심 신호를 더욱 증폭할 수 있음을 보여줍니다.

종합해 볼 때, 이러한 연구들은 Emotiv 하드웨어를 사용하여 분류 및 생체 인식부터 전처리 및 리듬 추출에 이르기까지 매우 다양한 EEG 작업에서 주성분 분석이 어떻게 작동하는지를 잘 보여줍니다. 그 결과는 특정 조건 내에서 유망하지만, 여전히 특정 패러다임, 비교적 작은 표본 크기, 오프라인 분석에 국한되어 있습니다. 이러한 발견은 PCA가 EEG 연구 파이프라인에서 다재다능한 도구임을 뒷받침하지만, 실시간 저비용 BCI 애플리케이션을 위한 만능 솔루션으로 규정하기에는 아직 이릅니다.

결론: PCA는 신뢰할 수 있는 EEG 정제 방법인가요?

PCA는 복잡한 뇌파 데이터를 순위가 매겨진 컴포넌트로 변환하여 연구자가 기록에서 가장 노이즈가 심한 부분을 빠르게 집중적으로 파악할 수 있도록 해줍니다. 눈 깜빡임이나 근육 움직임은 대개 분산이 가장 큰 상위 영역으로 나타나기 때문에, 이러한 신호가 지배적일 때 이 접근법은 특히 유용합니다.

그러나 실제 뇌 리듬 역시 강한 신호를 생성할 수 있으므로, 무엇이 아티팩트이고 무엇이 귀중한 신경 데이터인지 결정하는 일을 이 방법 하나에만 전적으로 의존할 수는 없습니다.

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

EEG 맥락에서 주성분 분석(PCA)이란 무엇인가요?

PCA는 다채널 EEG 데이터를 서로 상관관계가 없는 컴포넌트라는 새로운 신호 집합으로 재구성하는 수학적 방법입니다. 각 컴포넌트가 포착하는 분산의 크기에 따라 순위를 매기며, 첫 번째 컴포넌트가 전체 신호 변동성을 가장 많이 설명합니다.

PCA는 EEG 데이터에서 아티팩트를 제거하는 데 어떻게 도움이 되나요?

눈 깜빡임과 같은 아티팩트는 광범위하게 퍼지는 큰 전압 변동을 일으키기 때문에 가장 높은 분산을 가진 컴포넌트에 집중되는 경향이 있습니다. 분산에 따른 PCA의 순위 지정을 통해 연구자는 가장 방해가 되는 노이즈를 포함하는 경우가 많은 이러한 상위 컴포넌트를 식별하고 잠재적으로 제거할 수 있습니다.

PCA 단독으로 EEG 신호를 정제할 수 있나요?

아닙니다. PCA는 단독 정제 솔루션으로 사용되는 경우가 거의 없습니다. 일반적으로 DEBSS와 같은 다른 방법을 적용하기 전에 데이터 차원을 축소하거나, Artifact Subspace Reconstruction(ASR)과 같은 프레임워크 내에서 탐지 엔진 역할을 하는 등 더 큰 파이프라인 내부의 한 단계로 작동합니다.

아티팩트 제거 시 PCA와 ICA의 차이점은 무엇인가요?

PCA는 결과 컴포넌트 간에 상관관계가 없기만을 요구하는 비교적 느슨한 수학적 조건을 갖는 반면, ICA는 컴포넌트들이 통계적으로 독립적이어야 하므로 더 엄격하고 계산 집약적인 요구 조건을 지닙니다. PCA가 더 빠르며, ICA를 대체하기보다는 ICA 이전의 준비 단계로 자주 사용됩니다.

PCA가 아티팩트와 함께 실제 뇌 활동까지 실수로 제거할 수도 있나요?

예, PCA는 아티팩트를 식별하기 위해 분산에 의존하므로 후두엽 알파 활동과 같은 고진폭 뇌 리듬이 노이즈로 오인될 수 있습니다. 또한 아티팩트가 여러 컴포넌트에 걸쳐 분산될 수 있으므로 최상위 컴포넌트를 단순히 제거할 경우 실제 신경 신호가 함께 유실될 수 있습니다.

EEG 정제에서 PCA는 주파수 필터링과 비교해 어떤가요?

주파수 필터링은 특정 주파수 대역의 신호 에너지를 제거하거나 감쇠하지만, 동일한 주파수를 공유하는 아티팩트와 뇌 신호를 분리할 수는 없습니다. 반면 PCA는 모든 전극에 걸친 분산 패턴을 살펴보므로 데이터의 다른 차원을 다루는 상호 보완적인 접근 방식입니다.

연구자가 EEG 전처리 워크플로우에서 PCA를 안전하게 사용하려면 어떻게 해야 하나요?

PCA는 다른 방법을 적용하기 전 차원 축소 단계로 사용하거나, 기록에서 어떤 패턴이 지배적인지 점검하는 보조 수단으로 사용할 수 있습니다. 연구자는 분산 순위를 맹신하지 말고 제거하려는 컴포넌트의 두피 토포그래피와 시간 경과를 시각적으로 직접 검사해야 합니다.