다른 주제 검색…

EEG를 위한 단시간 푸리에 변환(STFT) 안내서

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.

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.

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.

표준 푸리에 변환의 문제점

표준 푸리에 변환은 복잡한 신호를 순수한 사인파의 합으로 효과적으로 분해하기 때문에 고전적인 신호 처리의 중요한 축을 담당합니다. 무한한 시간에 걸쳐 적분함으로써, 기록 내에 존재하는 전체 주파수 성분을 보여줍니다.

하지만 이 방법은 신호가 정상성(stationary)을 띤다고 가정합니다. 시간에 따라 주파수 구성이 변하면, 전형적인 결과물은 시간적 순서를 가려버립니다. 이러한 한계로 인해 짧고 급격한 이벤트와 지속적인 고조파를 구별하는 것이 불가능하며, 이는 신경과학과 같은 분야에서 매우 중요한 문제입니다.

뇌파(EEG) 분석에서 단시간 푸리에 변환이란 무엇인가

STFT는 타이밍 문제에 대해 상당히 직접적인 전략으로 접근합니다. 전체 EEG 기록에 푸리에 변환을 한 번에 실행하는 대신, 신호를 윈도우(window)라고 부르는 짧고 연속적인 세그먼트로 잘라낸 다음 각각에 푸리에 변환을 별도로 적용합니다. 각 윈도우는 자체적인 미세 주파수 스냅샷을 생성하며, 이러한 스냅샷들을 순서대로 이어 붙이면 시간에 따라 주파수 성분이 어떻게 변하는지 보여주는 동영상이 만들어집니다.

이 프로세스의 결과물은 일반적으로 한 축에는 시간, 다른 축에는 주파수가 표시되는 시각적 지도인 스펙트로그램으로 나타납니다. 이 지도 상의 특정 지점의 색상이나 강도는 해당 순간 해당 주파수의 파워(강도)를 나타냅니다. 이것이 바로 STFT 분석이 제공하도록 설계된 핵심 가치입니다.

Zabidi et al.이 언급했듯이, STFT 분석은 “각 시점에서 EEG 신호의 주파수 성분을 밝혀내는” 역할을 합니다.

윈도우 길이가 STFT에서 가장 중요한 설정인 이유

신호를 윈도우로 나누는 것은 단순해 보이지만, 각 윈도우에 선택된 길이는 생성되는 스펙트로그램의 품질과 신뢰성의 거의 모든 것을 결정합니다. 이 결정에는 피할 수 없고 단지 관리할 수만 있는 절충(trade-off) 관계가 수반됩니다.

이렇게 생각해 보십시오. 긴 윈도우는 정밀한 주파수 자 역할을 하지만 흐릿한 스톱워치 역할을 합니다. 더 많은 데이터 포인트를 포함하기 때문에, 긴 윈도우는 밀접하게 위치한 주파수들을 높은 정확도로 구별할 수 있습니다. 그러나 더 긴 시간에 걸쳐 펼쳐져 있기 때문에 해당 윈도우 내부에서 발생하는 모든 이벤트가 번지게(smeared out) 되며, 무언가가 변한 정확한 시점을 짚어내는 능력을 잃게 됩니다.

짧은 윈도우는 이 절충 관계를 뒤집습니다. 정밀한 스톱워치이지만 흐릿한 주파수 자 역할을 합니다. 어떤 일이 언제 일어났는지는 거의 정확하게 알려줄 수 있지만, 서로 가까이 있는 주파수들을 분리하는 데는 어려움을 겪습니다. 짧게 잘린 신호 조각에는 주파수를 세밀하게 측정할 만큼의 진동 주기가 충분히 포함되어 있지 않기 때문입니다.

이것은 모든 시간-주파수 분석을 지배하는 일종의 불확정성 원리입니다. 즉, 시간과 주파수 모두에서 동시에 완벽한 해상도를 얻을 수는 없습니다. 한쪽을 개선하면 항상 다른 한쪽에 일정한 대가가 따릅니다. 이 절충 관계를 없애려 하기보다 이를 인지하고 조율하는 것이 STFT를 다루는 핵심 기술입니다.

서로 다른 EEG 리듬은 매우 다른 속도로 진동하기 때문에, 모든 리듬에 완벽하게 맞는 단 하나의 윈도우 길이는 존재하지 않습니다. 다음 가이드라인은 이러한 리듬이 일반적으로 어떻게 작동하는지에 기반한 실질적인 휴리스틱의 출발점입니다.

  • 델타파(대략 0.5~4 Hz): 가장 느린 뇌 리듬이며, 측정 대상인 가장 느린 파동의 최소 1회 완전한 주기를 포착하기 위해 대개 1~2초 범위의 충분히 긴 윈도우가 필요합니다. 더 짧은 윈도우에는 파동을 특성화할 만큼의 파동 정보가 단순히 포함되지 않습니다.

  • 세타 및 알파 리듬(대략 4~13 Hz): 대개 약 500밀리초 정도의 중간 길이 윈도우가 적절한 균형을 이루는 경향이 있습니다. 이는 여러 진동 주기를 포착할 만큼 충분히 길어 리듬을 명확하게 정의하는 데 도움이 되는 동시에, 눈을 감을 때 알파 버스트가 시작되는 것과 같은 의미 있는 변화를 추적할 만큼 충분히 짧습니다.

  • 베타 및 감마 리듬(대략 13 Hz 이상): 이 더 빠른 리듬들은 빠르게 움직이므로, 급격한 역학을 추적하기 위해 대개 250밀리초 이하의 짧은 윈도우가 필요합니다. 여기서 치러야 할 대가는 더 높은 감마 범위 내에서 밀접하게 위치한 주파수들을 정밀하게 구별하는 능력이 감소한다는 점이며, 이는 위에서 설명한 동일한 절충 관계의 직접적인 결과입니다.

STFT가 실제 움직임과 상상한 움직임의 차이를 밝혀내는 방법

STFT의 실질적인 가치는 뇌 활동을 기기 제어 신호로 직접 변환하는 것을 목표로 하는 뇌-컴퓨터 인터페이스(BCI) 연구에서 가장 분명하게 드러납니다.

잘 연구된 사례로는 손을 움직이는 상상을 하는 동안 기록된 EEG와 발 움직임을 상상하는 동안 기록된 EEG를 비교하거나, 상상한 행동을 해당 행동의 실제 물리적 버전과 비교하는 연구가 있습니다.

이러한 운동 관련 패러다임에서 공통적인 분석 대상은 사건 관련 탈동기화(event-related desynchronization, ERD)라는 현상으로, 이는 움직임과 관련된 뇌 영역에서 뮤 및 베타 리듬 범위 내의 신호 파워가 감소하는 현상입니다. ERD는 일정한 배경 특징이 아니라 시간에 고정된(time-locked) 특정 파워 감소 현상이므로, 전체 기록 주파수 요약 방식으로는 지워져 버리고 시간 분해 스펙트로그램을 통해서만 포착할 수 있는 바로 그러한 종류의 이벤트입니다.

이 질문에 STFT를 직접 적용한 Zabidi et al.의 연구에서는 실제 글씨를 쓰는 동안과 글씨를 쓰는 상상을 하는 동안 수집된 EEG를 조사했습니다. 신호는 운동 활동과 가장 관련성이 높은 알파 및 베타 리듬을 포괄하는 8~30 Hz 범위로 분석을 제한하는 대역 통과 필터를 먼저 거친 후, 조정된 해밍 윈도우(Hamming window)를 사용하여 STFT를 계산했습니다.

그 결과는 직접적이고 구체적이었습니다: “글씨 쓰기에서 얻은 EEG 신호의 주파수 성분은 글씨 쓰기를 상상하는 동안 얻은 것과 동일합니다”.

실질적인 측면에서 볼 때, 상상한 동작 중 뇌의 전기적 리듬 패턴은 실제 물리적 동작 중의 패턴과 매우 유사했으며, 이러한 상관관계는 실제 물리적 움직임 없이도 의도된 움직임을 감지하는 것을 목표로 하는 BCI 시스템 논리의 상당 부분을 뒷받침합니다.

STFT를 사용하여 딥러닝 모델용 이미지 구축하기

시각적 검사를 넘어, STFT로 생성된 스펙트로그램은 딥러닝 시스템, 구체적으로는 원래 이미지의 패턴 인식을 위해 제작된 모델 유형인 합성곱 신경망(CNN)에 입력되는 전처리 단계로서 제2의 생명을 얻었습니다. 스펙트로그램은 본질적으로 시간과 주파수에 따른 파워를 보여주는 컬러 이미지이므로, 연구자들은 이를 이미지 기반 딥러닝 모델에 직접 전달할 수 있으며, 모델이 수작업으로는 지정하기 어려운 데이터 내의 숨겨진 구조를 감지할 수 있다고 봅니다.

한 2019년 연구에서는 오른손과 오른발 움직임을 구별하는 운동 심상 과제의 EEG 기록을 STFT와 대체 시간-주파수 접근법을 모두 사용하여 이미지로 변환한 다음, 두 이미지 세트를 사전 훈련된 CNN 아키텍처에 공급했습니다.

두 접근 방식 모두에서 성능이 우수하여 전체 파이프라인이 기존 유사 방법 중 최고 점수로 기술된 99.35%의 분류 정확도에 도달했습니다. 그러나 동일한 연구 내에서 두 이미지 생성 방식을 직접 비교했을 때 결과는 동일하지 않았습니다: “CWT 접근법이 STFT 접근법보다 더 나은 결과를 산출합니다”. 이는 각 방법이 기본 EEG 신호를 사용 가능한 이미지로 얼마나 충실하게 변환했는지에 있어 실제 측정 가능한 절충점이 존재함을 시사합니다.

이러한 절충점은 별도의 방법론적 개발을 촉발한 문제로 알려졌습니다. 연구진은 앵커드 STFT(anchored-STFT)라고 부르는 것을 구축했으며, 이는 “STFT가 나타내는 시간 및 스펙트럼 해상도 간의 절충점을 최소화하므로 STFT의 고급 버전”으로 설명되었습니다.

적대적 데이터 증강 기법과 결합된 이 향상된 파이프라인은 여러 BCI 데이터 세트에서 약 69%에서 90% 이상의 분류 정확도를 기록하여, 기본 STFT가 진정으로 유능한 특징 추출 도구 역할을 할 수 있지만, 알려진 해상도 한계로 인해 매개변수 튜닝, 기법 자체의 향상된 버전, 또는 완전히 다른 시간-주파수 접근 방식을 통한 개선의 여지가 있음을 다시 한번 확인해 주었습니다.

연구에서 운동 심상 분류에 단시간 푸리에 변환을 적용하는 방법

최근의 한 연구는 단시간 푸리에 변환을 시각화 단계를 넘어 실제 작동하는 분류 파이프라인으로 확장했습니다. 위에서 설명한 이전 작업과 마찬가지로 출발점은 사람이 실제로 손을 움직이는 대신 손을 움직이는 상상을 하는 운동 심상 과제입니다.

저자들은 최적화된 단시간 푸리에 변환(Optimized Short-Time Fourier Transform)을 기반으로 구축한 AMD-KT2D라는 프레임워크를 설명합니다. 단일 고정 윈도우 설정에 얽매이는 대신, 이 변형 기법은 고정된 구성에서 흐려지거나 손실될 수 있는 동적 시간 및 공간 특징을 보존한다는 명시된 목표를 가지고 윈도잉 함수와 시간-주파수 해상도를 함께 튜닝합니다.

이렇게 생성된 2D 시간-주파수 이미지는 가이드-러너(guide-learner) 아키텍처로 전달됩니다. 대규모 데이터 세트로 사전 훈련된 Improved ResNet50이 고급 시공간적 특징을 추출하고, 맞춤형 2D 합성곱 신경망이 다중 스케일 특징을 캡처합니다. 적응형 마진 차이 불일치(Adaptive Margin Disparity Discrepancy) 손실 함수를 사용하여 둘 사이의 격차를 줄이고 특징을 정렬합니다.

왼손 대 오른손 운동 심상 과제에 대한 EEG 기록은 Emotiv Flex 시스템으로 수집되었습니다. 해당 데이터 세트에서 하이브리드 운동 심상 분류기는 피험자 의존(subject-dependent) 환경에서 96.75%, 피험자 독립(subject-independent) 환경에서 92.17%의 정확도에 도달한 것으로 보고되었습니다. 이 두 수치 사이의 격차는 주목할 가치가 있습니다. 동일한 개인 내에서 측정된 성능이 모델이 학습되지 않은 사람에게 자동으로 그대로 적용되지는 않습니다.

이 기사에서 논의된 다른 연구와 종합해 볼 때, 이 연구는 단시간 푸리에 변환으로 생성된 스펙트로그램이 운동 심상 디코딩을 목표로 하는 딥러닝 모델에 실행 가능한 입력이 될 수 있음을 시사합니다. 하지만 해당 연구들이 아직 확립하지 못한 것은 일반화 가능성입니다. 이는 단일 과제 및 단일 참가자 그룹에 묶인 정확도 수치를 가진 단일 데이터 세트 기반의 단일 연구이며, 보고된 방법은 표준 형태가 아닌 조정된 버전의 변환에 의존하고 있습니다.

이러한 결과는 자체적인 설정 내에서 유망한 것으로 해석되어야 하며, 보다 광범위한 EEG 기반 인터페이스에 대해 확정된 성능으로 간주되어서는 안 됩니다.

STFT의 한계: 고정 해상도 문제

위에서 논의된 절충점은 STFT를 사용하는 모든 연구자가 스펙트로그램에서 결론을 도출하기 전에 비판적으로 따져보아야 할 핵심적인 한계입니다.

예를 들어 500밀리초와 같이 윈도우 길이가 한 번 선택되면, 연구자가 느린 2 Hz 델타 활동을 보든 빠른 100 Hz 감마 활동을 보든 관계없이 분석 대상인 전체 주파수 스펙트럼에 걸쳐 동일한 윈도우가 균일하게 적용됩니다. 윈도우는 스스로 조정되지 않습니다. 서로 다른 리듬은 이상적으로 서로 다른 설정의 혜택을 볼 수 있음에도 불구하고, 앞서 설명한 시간-주파수 절충점은 전체 분석에 대해 단 하나의 설정으로 고정됩니다.

이러한 고정된 특성이 바로 STFT와 웨이블릿(wavelet) 기반 방법과 같은 적응형 기법 범주를 구분 짓는 요소입니다. 모든 주파수에 대해 하나의 윈도우 크기를 고정하는 대신, 적응형 방법은 전체 신호에 대해 하나의 절충안에 얽매이지 않고 저주파에는 더 긴 윈도우를, 고주파에는 더 짧은 윈도우를 효과적으로 사용하여 단일 분석 내에서 필요에 따라 해상도를 조정합니다.

예를 들어, 적응형 시간-주파수 방법을 개발한 Wang et al.이 이끈 연구에서는 해당 접근 방식이 “STFT 및 CWT에 비해 최적의 시간-주파수 해상도를 제공할 수 있다”고 보고하며 능가 대상인 기준선으로 STFT를 명시적으로 언급했습니다.

연구진은 치료 전 EEG 데이터로부터 주요 우울 장애(Major Depressive Disorder)의 항우울제 치료 결과를 예측하는 별도의 임상 응용 연구에서, 웨이블릿 기반 접근법을 STFT 및 다른 분해 방법과 직접 비교했으며, “WT 분석이 비교 기법 중에서 가장 높은 분류 정확도를 보였다”고 보고하면서 대안 기술 대비 87.5%의 정확도에 도달했습니다.

EEG 스펙트로그램 생성 및 평가를 위한 단계별 워크플로

이러한 장점과 한계를 고려할 때, 체계적인 워크플로는 STFT가 적절하게 적용되고 그 결과가 올바르게 해석되도록 돕습니다.

1단계: 데이터에 손을 대기 전에 질문을 정의하십시오. 목표가 빠르고 짧은 감마 버스트를 감지하는 것인가요, 아니면 수분에 걸친 델타 파워의 느린 드리프트를 추적하는 것인가요? 답에 따라 윈도우 길이 절충점의 어느 쪽 끝이 가장 중요한지 결정됩니다.

2단계: 대상 리듬에 맞는 초기 윈도우 길이를 선택하십시오. 위의 실용적인 가이드라인을 출발점으로 사용하십시오. 델타파에는 더 긴 윈도우, 세타 및 알파파에는 중간 윈도우, 베타 및 감마파에는 더 짧은 윈도우를 사용합니다. 여기에 일반적으로 연속 윈도우 간 50%에서 90% 사이의 중첩 윈도우 방식을 결합하면 결과 스펙트로그램이 부드러워지고 시간 슬라이스 간의 인위적인 공백 현상이 줄어듭니다.

3단계: 스펙트로그램을 생성하고 비판적으로 검토하십시오. 선택한 윈도우 길이가 관심 있는 빠른 리듬에 대해 명확하고 선명한 시작점을 보여주는가, 아니면 이벤트가 마땅히 그래야 하는 것보다 더 넓은 시간에 걸쳐 번져 보이는가? 스펙트로그램이 알파 피크와 인접한 세타 피크를 명확하게 구분할 수 있는가, 아니면 두 리듬이 서로 번져 들어가는가? 이러한 시각적 점검은 선택한 윈도우 길이가 데이터에 적절했는지 여부를 직접적이고 실질적으로 테스트하는 방법입니다.

4단계: 결과를 최종 판결이 아닌 가능한 여러 관점 중 하나로 다루십시오. 두 실험군 간에 측정 가능한 감마 차이가 없다는 것과 같은 부정적인 결과는 효과가 실제로 없음을 반영할 수도 있고, 단순히 선택한 특정 STFT 윈도우의 해상도 한계를 반영한 것일 수도 있습니다. 모호하거나 중요한 결과를 확인하기 위한 합리적인 다음 단계는 교차 검증으로서 적응형 방법을 사용하여 동일한 데이터를 재분석하는 것입니다.

뇌 리듬의 발화 시점을 추적하는 것이 새로운 통찰력을 여는 이유

뇌 활동은 시간에 따른 일련의 사건이며, 그 타이밍을 복원하면 평면적인 기록이 변화하는 정신 상태에 대한 실시간 설명으로 바뀝니다. 단일 주파수 요약에서 순간순간의 지도로 전환함으로써, 연구자들은 특정한 생각, 의도 또는 감각을 그에 수반되는 뇌 리듬과 직접 연결할 수 있습니다. 이러한 전환은 EEG를 정적인 측정에서 뇌-컴퓨터 인터페이스를 지원하고 정신적 패턴을 인식하도록 학습하는 딥러닝 모델에 입력될 수 있는 도구로 탈바꿈시킵니다.

이 방법의 고정 해상도 절충점은 더 넓은 교훈을 줍니다. 모든 분석적 선택은 일부 진실을 강조하는 동시에 잠재적으로 다른 진실을 흐리게 할 수 있으므로, 어떤 단일 결과도 전체 이야기를 다 말해주지는 않는다는 점입니다. 이는 결과가 중요할 때 다른 접근법과의 교차 확인이 필요함을 시사하며, 상상한 움직임과 실제 움직임 사이에서 관찰되는 긴밀한 일치와 마찬가지로 뇌의 전기적 패턴이 깊은 층위를 이루고 있음을 강화해 줍니다. 이러한 근본적인 유사성은 뇌가 행동을 수행할 때 사용하는 것과 동일한 리듬 시그니처 중 상당수를 사용하여 행동을 시뮬레이션(rehearse)한다는 개념을 뒷받침합니다.

참고 문헌

  1. Zabidi, A., Mansor, W., Lee, Y. K., & Fadzal, C. C. W. (2012, September). Short-time Fourier Transform analysis of EEG signal generated during imagined writing. In 2012 international conference on system engineering and technology (ICSET) (pp. 1-4). IEEE. https://doi.org/10.1109/ICSEngT.2012.6339284

  2. Chaudhary, S., Taran, S., Bajaj, V., & Sengur, A. (2019). Convolutional neural network based approach towards motor imagery tasks EEG signals classification. IEEE Sensors Journal, 19(12), 4494-4500. https://doi.org/10.1109/JSEN.2019.2899645

  3. Ali, O., Saif-ur-Rehman, M., Dyck, S., Glasmachers, T., Iossifidis, I., & Klaes, C. (2022). Enhancing the decoding accuracy of EEG signals by the introduction of anchored-STFT and adversarial data augmentation method. Scientific reports, 12(1), 4245. https://doi.org/10.1038/s41598-022-07992-w

  4. Wang, Y., Veluvolu, K. C., & Lee, M. (2013). Time-frequency analysis of band-limited EEG with BMFLC and Kalman filter for BCI applications. Journal of neuroengineering and rehabilitation, 10, 109. https://doi.org/10.1186/1743-0003-10-109

  5. Mumtaz, W., Xia, L., Yasin, M. A. M., Ali, S. S. A., & Malik, A. S. (2017). A wavelet-based technique to predict treatment outcome for Major Depressive Disorder. PloS one, 12(2), e0171409-e0171409. https://doi.org/10.1371/journal.pone.0171409

자주 묻는 질문

뇌파(EEG) 분석에서 단시간 푸리에 변환이란 무엇인가요?

단시간 푸리에 변환(STFT)은 원시 EEG 신호를 짧고 연속적인 시간 윈도우로 분할하고 각각에 대해 주파수 스펙트럼을 계산합니다. 이러한 스냅샷을 순서대로 쌓으면 서로 다른 뇌 리듬의 파워가 매 순간 어떻게 변하는지 보여주는 스펙트로그램이라는 동적 영상이 생성됩니다.

뇌파 기록에 일반 푸리에 변환만 사용할 수는 없나요?

기본 푸리에 변환은 전체 기록을 구성 주파수로 분해하지만 모든 타이밍 정보를 지워버리므로, 전반적으로 어떤 리듬이 존재했는지는 알 수 있지만 언제 나타났는지는 알 수 없습니다. STFT는 짧은 세그먼트를 개별적으로 분석하여 해당 타이밍을 복원하므로 알파파 버스트나 베타파 파워의 감소가 실제로 언제 발생했는지 확인할 수 있게 해줍니다.

스펙트로그램은 무엇을 보여주나요?

스펙트로그램은 한 축에는 시간, 다른 축에는 주파수가 표시되고 색상이나 밝기로 해당 순간 각 주파수의 파워를 나타내는 시각적 지도입니다. 이는 EEG를 평면적인 요약에서 뇌의 전기적 활동을 나타내는 악보와 같은 형태로 변환합니다.

윈도우 길이가 왜 그렇게 중요한가요?

윈도우가 길수록 정밀한 주파수 정보를 제공하지만 이벤트의 정확한 타이밍이 흐려지며, 윈도우가 짧을수록 타이밍을 잘 잡아내지만 가까운 주파수들이 뭉개져 버립니다. 이러한 피할 수 없는 절충 관계는 윈도우 길이의 선택이 스펙트로그램이 드러낼 수 있는 것과 숨기게 될 것을 직접적으로 결정한다는 것을 의미합니다.

서로 다른 뇌 리듬에 적합한 출발점이 되는 윈도우 길이는 무엇인가요?

매우 느린 델타 리듬의 경우 완전한 주기를 포착하기 위해 약 1~2초의 더 긴 윈도우가 필요합니다. 세타 및 알파 리듬은 대개 약 0.5초의 윈도우가 적절하며, 더 빠른 베타 및 감마 리듬은 빠른 변화를 추적하기 위해 약 0.25초 이하의 더 짧은 윈도우가 필요합니다.

STFT는 실제 움직임과 상상한 움직임 간의 유사성을 어떻게 밝혀낼 수 있나요?

STFT는 사람이 실제로 움직일 때와 정신적으로 동일한 움직임을 상상할 때 모두 발생하는 뮤 및 베타 대역의 사건 관련 탈동기화(ERD)라는 시간에 고정된 파워 감소를 포착합니다. 실제 및 상상 운동 과제의 스펙트로그램은 거의 동일한 주파수 패턴을 보여줄 수 있어 뇌-컴퓨터 인터페이스의 논리를 뒷받침합니다.

STFT를 딥러닝 모델과 함께 사용할 수 있나요?

예, STFT로 생성된 스펙트로그램 이미지는 이미지 인식을 위해 설계된 합성곱 신경망(CNN)에 직접 입력될 수 있습니다. 이러한 모델은 시간-주파수 패턴으로부터 뇌 상태를 구별하는 법을 학습할 수 있으며, 종종 운동 심상 감지와 같은 과제에서 매우 높은 분류 정확도를 달성합니다.

다른 시간-주파수 방법에 비해 STFT의 주요 한계는 무엇인가요?

STFT는 모든 주파수에 대해 단일 윈도우 크기를 고정하므로, 빠른 버스트에 대한 선명한 시간 세부 정보와 느린 파동에 대한 미세한 주파수 세부 정보를 동시에 제공할 수 없습니다. 웨이블릿과 같은 적응형 기술은 주파수에 따라 유효 윈도우 길이를 변경하므로, 직접 비교 시 종종 더 나은 해상도와 더 높은 분류 성능으로 이어집니다.

EEG 데이터에 STFT를 사용할 때 좋은 단계별 접근법은 무엇인가요?

관심 있는 리듬에 초기 윈도우 길이를 맞추는 것으로 시작하고, 스펙트로그램을 부드럽게 하기 위해 중첩 윈도우를 사용하며, 결과물을 검사하여 이벤트의 타이밍이 선명하게 나타나는지 번져 보이는지 확인하십시오. 결과가 매우 중요한 경우, 단일 STFT 설정이 한 가지 유형의 해상도에만 유리할 수 있으므로 적응형 방법으로 데이터를 교차 검증하는 것을 고려하십시오.

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.

의학적 면책 조항: 본 웹사이트에서 제공하는 정보는 교육 및 정보 제공 목적으로만 제공되며 의학적 또는 건강에 관한 조언을 의도하지 않았습니다. 본 콘텐츠에는 오류가 포함되어 있을 수 있으므로, 인생을 바꿀 수 있는 건강, 의학 또는 라이프스타일 선택을 하는 데 의존해서는 안 됩니다. 질병이나 치료에 관해 궁금한 점이 있으면 항상 의사나 기타 자격을 갖춘 의료 제공자의 조언을 구하시기 바랍니다.

크리스티안 부르고스

최신 소식

건식 EEG 전극의 트레이드오프: 속도 및 편안함 vs. 신호 정확도

뇌전도(EEG)는 두피에 부착된 전극을 통해 뇌의 전기적 활동을 측정하며 수십 년 동안 신경과학의 초석 역할을 해왔습니다. 전통적인 "습식" 전극은 피부와 센서 사이의 간극을 메우고 이러한 미세한 전압을 차단할 수 있는 저항(임피던스)을 줄이기 위해 전도성 겔이 필요합니다. 이러한 겔을 바르는 과정은 지저분하고 시간이 많이 걸리며, 참가자들에게 불편함을 주는 경우가 많습니다.

EEG가 실험실을 벗어나 가정, 클리닉, 보행 환경 등으로 확장됨에 따라 더 빠르고 단순한 인터페이스에 대한 수요가 증가했습니다. 겔 없이 피부와 직접 접촉하는 건식 전극은 바로 이러한 점, 즉 빠른 준비 시간과 더 큰 편안함을 약속합니다.

하지만 이러한 편리함에는 물리적인 대가가 따릅니다. 겔이 없으면 임피던스가 높아지고 신호에 노이즈가 더 많이 발생하여 실용성과 데이터 정확도 사이에 지속적인 상충 관계가 생깁니다. 최근의 여러 독립적인 연구들은 이러한 상충 관계의 정확한 범위를 파악하여, 건식 전극이 우수한 성능을 발휘하는 영역과 여전히 차선책으로 남는 영역을 명확히 밝혀내고 있습니다.

기사 읽기

일상적인 뇌파 기록을 위한 가정용 EEG는 어떻게 작동하나요?

홈 EEG는 임상이나 실험실 환경 밖에서 개인이 직접 수행하는 뇌파 기록입니다. 이는 비전문가인 사용자에게 전극 겔, headset, 그리고 기록 소프트웨어를 제공하며, 안내를 위해 스마트폰 앱 외에는 아무것도 제공되지 않는 경우가 많습니다. 이 개념은 일상생활에 적합한 뇌 측정 기능을 갖추어, 병원 방문이라는 물리적 부담 없이 수면 구조, 인지 집중도 또는 발작 패턴을 잠재적으로 기록할 수 있도록 하는 것으로 구성됩니다.

기사 읽기

통합 시스템으로서의 뉴로피드백 장비

컨트롤러가 보이지 않는 비디오 게임을 플레이한다고 상상해 보세요. 오직 자신의 뇌파만으로 조종하는 게임입니다. 이러한 아이디어는 뇌의 활동을 실시간으로 들여다볼 수 있는 창을 제공하고 이를 변화시키도록 훈련하는 기술인 뉴로피드백의 핵심입니다.

장치는 두피의 전기적 패턴을 감지하는 뇌전도(EEG)를 가장 흔히 사용하거나, 때로는 혈류를 추적하는 기능적 근적외선 분광법(fNIRS) 센서를 사용하여 뇌에서 생성된 신호를 포착합니다. 이러한 미가공 신호는 처리되어 간단한 게임, 소리 또는 화면에서 움직이는 형상으로 변환됩니다. 시행착오를 거치며 뇌는 피드백이 원하는 방향으로 진행되도록 하는 패턴을 생성하는 방법을 학습합니다.

많은 안내서가 EEG 전극, 전선, 소프트웨어와 같은 개별 부품에 초점을 맞추지만, 장치는 이러한 요소들이 유기적인 전체를 이룰 때에만 성공할 수 있습니다. 이 소개글에서는 신호 처리, 피드백 디자인, 일상적 사용성이 결합되어 실제로 도움이 되는지를 결정짓는 통합 시스템으로서 뉴로피드백을 살펴봅니다.

기사 읽기

EEG 세팅 마스터하기: 측정 전 모범 실무 가이드

근육 아티팩트나 전력선 노이즈로 손상된 파형과 명확하고 해석 가능한 신경 신호를 구분 짓는 것은 정교한 사후 알고리즘이 아니라, 체계적이고 시간 순서에 따른 일련의 준비 단계입니다. 이러한 맥락에서 EEG 세팅은 단순히 참가자에게 전극 캡을 씌우는 행위가 아닙니다. 이는 뇌와 증폭기 사이에 안정적이고 노이즈가 적은 인터페이스를 총체적으로 구축하는 생물학적, 환경적, 전기적 보정 절차의 엄격한 연속 과정입니다.

이 기사에서는 기록 전 워크플로를 단계별로 살펴보며, 세심한 참가자 사전 안내, 두피 준비, 환경 차폐, 기준 몽타주(reference montage) 선택 및 기저 아티팩트 선별이 타협할 수 없는 필수적인 의존성 사슬을 형성한다는 점을 가용한 증거를 종합하여 보여줍니다.

기사 읽기