다른 주제 검색…

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.

뇌전도(EEG)는 두피에 부착된 전극을 통해 뉴런에서 생성되는 전기적 활동을 포착합니다. 하지만 실제로 이러한 전극에 도달하는 신호가 깨끗한 경우는 드뭅니다.

그 모든 노이즈 아래에서 연구자들이 관심을 갖는 실제 신경 신호는 흔히 미미하여 쉽게 묻혀버립니다. 신호 처리는 물리적 데이터를 현대적 분석 및 기술을 위해 해석 가능한 형식으로 변환할 수 있게 해주는 필수적인 과학 분야입니다.

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.

신호 처리란 무엇인가?

신호 처리 분야는 물리적 현상을 측정 가능한 데이터로 변환, 분석 및 해석하는 과정을 포괄합니다. 데이터 스트링을 포착하기 위해 수학적 프레임워크를 적용함으로써, 연구자들은 주변 간섭을 효과적으로 걸러내고 주요 관심 파라미터에 집중할 수 있습니다.

이러한 방법론은 복잡한 인간 생물학적 기능 연구를 포함하여 다양한 분야 전반의 현대 과학적 탐구에서 핵심적인 역할을 합니다.

디지털 신호 처리를 정의하는 방법

디지털 신호 처리는 원래의 아날로그 상태에서 변환된 신호에 이산 시간 계산을 적용하는 것을 의미합니다.

이러한 정제 과정은 계산 부하를 효율적으로 관리하도록 설계된 특정 알고리즘과 프로세서를 사용하여 이루어집니다. 과학자들은 생물학적 신호를 분리하기 위해 이 접근 방식을 활용하며, 이는 연구 정확도를 위해 데이터 무결성이 가장 중요한 신경과학과 관련된 분야에 필수적입니다.

신호 처리의 핵심 목표

신호 처리는 그 유용성이 극대화되는 지점에서 노이즈의 영향을 최소화하면서 측정된 데이터로부터 의미 있는 정보를 최대한 추출하는 것을 목표로 합니다. 신호 대 잡음비(SNR)를 최적화함으로써, 연구자들은 그렇지 않았으면 노이즈에 가려졌을 신뢰할 수 있는 데이터 포인트를 복원합니다.

이러한 목표는 현대 EEG 실무에서 사용되는 정교한 진단 도구의 개발을 이끌고 있습니다.

신호 처리의 유형

신호 처리는 입력 신호의 특성과 신호 처리를 위해 적용되는 방법론에 따라 크게 분류됩니다. 물리적 세계는 연속적인 상태로 존재하는 반면, 전자 장치는 연산을 수행하기 위해 양자화된 데이터 덩어리에 의존하는 경우가 많습니다.

이러한 범주를 구분하는 것은 주어진 실험 설정에 적합한 수학적 관점을 선택하는 데 기본이 됩니다.

아날로그 vs. 디지털 신호 처리

아날로그 시스템은 회로 부품을 통해 연속적인 전기 파형을 직접 조작하여 양자화에 따른 오버헤드 없이 높은 충실도를 유지합니다. 아날로그 시스템은 즉각적인 응답을 제공하지만, 디지털 아키텍처의 특징인 유연성과 프로그래밍 가능성이 부족합니다.

표준 10-20 시스템 프로토콜이 발전함에 따라, 디지털 처리는 다양한 연구 환경에서 비교 가능한 데이터를 유지하기 위한 주요 표준이 되었습니다.

디지털 신호 처리란 무엇인가? 선형 vs. 비선형 시스템

디지털 신호 처리는 알고리즘을 활용하여 계산 모델링에 적합한 형식으로 데이터를 정제함으로써 신호 조정을 위한 제어된 환경을 제공합니다.

시스템이 선형적으로 작동하는지 여부를 이해하는 것은 다양한 입력에 대해 출력이 어떻게 반응할지 예측하는 데 매우 중요합니다. 중첩의 원리는 선형 연산에만 적용되기 때문입니다. 반대로 비선형 시스템은 단순한 모델에서는 종종 무시되는 미묘한 역학을 포착할 수 있는 복잡한 변환을 도입합니다.

시스템 유형

입출력 관계

주요 특성

선형

일정한 비례 관계

중첩의 원리 적용

비선형

가변적 역학

고차 고조파 발생

시불변

고정된 구조적 응답

파라미터의 시간적 안정성

이러한 동작을 특성화함으로써, 엔지니어는 진단 필터를 적용하기 전에 수학적 모델이 입력 신호의 실제 역학을 정확하게 반영하도록 보장합니다.

신호 처리의 핵심 개념 및 기법

이 분야에서 기술적 숙련도를 갖추려면 데이터 준비와 수학적 변환에 대한 깊은 이해가 필요합니다. 처리 파이프라인의 각 단계는 사람이 해석하거나 머신러닝 알고리즘에 활용할 수 있도록 최종 출력을 준비하기 위해 특정 신호 구성 요소를 목적에 맞게 저하시키거나 향상시킵니다.

샘플링 및 양자화

샘플링은 특정 간격으로 데이터 포인트를 캡처하여 이산 표현의 기초를 형성하는 작업을 포함합니다. 양자화는 이 단계에 이어 이산 시점의 값들을 신호의 진폭을 나타내는 특정 수치 값에 매핑합니다.

이러한 단계들이 정밀하게 보정되지 않으면 에일리어싱이 발생하여 분석된 파형에 심각한 왜곡이 발생할 수 있습니다.

필터링

필터링은 목적하는 신호에 속하지 않는 불필요한 주파수 성분을 제거하는 중요한 역할을 합니다. 대역 통과 요건에 따라, 필터는 고주파 근육 노이즈나 저주파 드리프트를 정밀하게 제거할 수 있습니다.

이 과정은 본질적으로 더 광범위한 환경적 배경 간섭으로부터 관심 신경 활동을 분리하여 보다 깨끗한 시각적 트레이스를 생성합니다.

변환 (예: 푸리에 변환)

변환은 데이터를 서로 다른 도메인 간에 이동시켜 시간적 노이즈 내에 숨겨진 주기적 구조를 드러냅니다. 이 과정에서 사용되는 일반적인 방법은 다음과 같습니다.

  • 신호를 구성 주파수 성분으로 분해하기 위한 푸리에 변환.

  • 시간과 주파수 모두에서 일시적인 이벤트를 동시에 국소화하기 위한 웨이블릿 분석.

  • 복합 신호의 순시 포락선 및 주파수를 결정하기 위한 힐베르트 변환.

  • 이산 시간 시스템 및 안정성을 연구하기 위한 Z-변환.

이러한 수학적 맵을 통해 엔지니어는 표준 시간 영역 표현에서는 전혀 보이지 않는 특정 병리나 패턴을 식별할 수 있는 관점에서 데이터를 시각화할 수 있습니다.

EEG 전처리 파이프라인이란 무엇인가?

전처리 파이프라인은 분석이 시작되기 전에 연속적인 원시 EEG 데이터에 적용되는 표준화된 일련의 작업 순서입니다. 정확한 순서와 특정 방법은 연구실 및 소프트웨어 패키지마다 다르지만, 대부분의 파이프라인은 공통된 골격을 공유합니다.

  1. 불필요한 주파수 필터링

  2. 신호를 중립적인 전기 기준선으로 재참조

  3. 아티팩트 식별 및 처리

  4. 연속적인 기록을 특정 이벤트와 관련된 짧은 세그먼트로 분할(에포킹(epoching)이라고 하는 프로세스)

순서 자체보다는 이 체인의 모든 단일 결정이 최종 결과를 바꿀 수 있다는 사실이 더 중요합니다. Robbins 등이 이끈 2020년 벤치마크 연구에 따르면 확립된 모범 사례 지침을 따른다고 주장하는 연구들 사이에서도 해당 지침이 실제로 코드에 구현되는 방식에서 상당한 차이가 나타났습니다.

마찬가지로, Bertazzoli 등의 2021년 연구에서는 경두개 자기 자극과 EEG를 결합한(TMS-EEG) 연구에서 전처리 파이프라인의 선택이 결과로 나타나는 뇌 반응 파형에 현저한 영향을 미쳤으며, 심지어 동일한 피험자를 두 번 테스트했을 때 해당 결과의 신뢰도까지 변화시키는 것으로 나타났습니다.

필터링: 실제 뇌 신호를 분리하는 방법

원시 EEG에는 원치 않는 주파수 성분이 크게 두 가지 범주로 포함되어 있습니다.

느린 주파수 대역에서는 전극 아래에 땀이 차거나 두피에서 전극 자체가 미세하게 움직이면서 전압 드리프트가 신호에 스며듭니다. 빠른 주파수 대역에서는 근육 긴장과 주변 장비의 전기적 간섭으로 인해 뉴런의 발화와는 아무런 관련이 없는 고주파 노이즈가 유입됩니다.

필터링은 이러한 주파수 범위를 제거하여 실제 뇌에서 생성된 신호가 가장 강한 대역만 유지하는 방식으로 작동합니다.

가장 기본적이고 널리 적용되는 단계는 대략 0.5~1Hz 미만의 느린 드리프트를 제거하는 고역 통과 필터링입니다. 분석 유형에 따라 연구자들은 저역 통과 필터를 적용하거나 둘을 결합하여 대역 통과 필터로 만들 수도 있으며, 특정 자극에 대한 뇌의 특징적인 전압 반응인 사건 관련 전위(ERP)를 연구할 때는 일반적으로 데이터를 1~40Hz 범위로 제한합니다.

필터링이 특히 주목할 만한 이유는 그것이 얼마나 일관되게 도움이 되는지 때문입니다. 2023년에 Arnoud Delorme은 다양한 자동 전처리 보정 기법을 테스트한 결과, 대부분이 측정 가능한 효과가 없거나 오히려 데이터 품질을 저하시킨다는 것을 발견했습니다. 고역 통과 필터링은 전반적으로 결과를 안정적으로 개선한 단 두 가지 단계 중 하나였습니다.

하버드 연구진 역시 아티팩트가 많은 발달 데이터용 HAPPE 파이프라인에서 필터링을 기본적이고 타협할 수 없는 구성 요소로 취급합니다. 한마디로 필터링은 안전한 기본 설정에 가깝습니다. 하지만 그 뒤에 따르는 모든 단계에 대해서도 동일하게 말할 수는 없습니다.

재참조: 전기적 영점 설정

EEG는 결코 절대 전압을 측정하지 않습니다. 활성 전극과 참조 지점이라는 두 지점 사이의 전위차를 측정합니다.

원시 기록은 일반적으로 수집 중에 물리적으로 사용된 참조 전극(종종 귀 뒤의 유양돌기나 머리 꼭대기의 Cz 전극과 같은 단일 위치, 전극 배치를 표준화하는 데 사용되는 10-20 시스템에 의해 정의된 위치)을 기준으로 저장됩니다. 해당 원래 참조 지점은 다소 임의적이기 때문에, 재참조는 모든 전극의 평균 또는 양쪽 유양돌기의 결합 신호와 같이 이론적으로 더 중립적인 새로운 지점을 기준으로 모든 채널의 전압을 수학적으로 재계산합니다.

재참조의 중요성은 용적 전도(volume conduction)에서 비롯되는데, 용적 전도는 뇌의 전기적 활동이 주변 조직과 체액을 통해 확산되도록 하여 단일 신경 사건이 거의 모든 두피 전극에 걸쳐 감지되도록 만듭니다. 이러한 확산 때문에 근본적인 뇌 활동은 전혀 변하지 않았음에도 불구하고 참조 지점을 변경하면 기록된 활동의 겉보기 모양, 진폭, 심지어 통계적 유의성까지 달라질 수 있습니다.

이것은 동일한 기본 뇌 신호를 각각 다르게 구성하는 공통 평균 참조(Common Average Reference)나 참조 몽타주(Referential Montage)와 같은 접근 방식을 포함하여, EEG 몽타주 이면의 설계 선택을 뒷받침하는 핵심 개념입니다.

불량 채널 감지 및 보간

다중 전극 기록 전체에서 몇몇 채널은 필연적으로 불량한 신호를 생성하게 됩니다. 연결이 느슨해져 채널 신호가 평평해지거나 두피 접촉 불량으로 인해 과도한 노이즈가 발생할 수 있습니다. 이를 수정하지 않고 그대로 두면 전체 두피의 신호 패턴 비교에 의존하는 분석이 왜곡될 수 있습니다.

표준적인 해결책은 이러한 문제가 있는 채널을 식별하여 데이터 세트에서 일시적으로 제거한 다음, 보간법을 통해 누락된 데이터를 재구성하는 것입니다. 즉, 상태가 양호한 인접 전극들의 활동을 기반으로 해당 전극이 기록했을 가능성이 높은 신호를 추정하는 것입니다. 이를 통해 오염된 채널이 결과를 왜곡하지 않도록 하면서 이후의 분석 단계를 위한 완전한 두피 맵을 복원합니다.

이것이 바로 연구자 Arnaud Delorme이 지속적으로 유익하다고 확인한 두 번째 단계입니다. 고역 통과 필터링과 함께 불량 채널 보간은 테스트된 보정 중 데이터 품질을 저하시키지 않은 몇 안 되는 기법 중 하나였습니다.

필터링과 결합했을 때, 이는 해당 연구에서 단순 필터링 단독 적용보다 우수한 성능을 보인 유일한 파이프라인 구성을 형성했습니다. 평가된 많은 자동 보정 중에서 이 조합은 비교적 안전하고 유용한 절차로 두드러집니다.

원시 EEG의 아티팩트 문제

전극 수준의 문제를 넘어, EEG 기록은 참가자 자신의 신체에서 생성되는 생물학적 아티팩트에 의해 오염됩니다.

  • 눈 깜빡임은 전두엽 전극에서 큰 편향을 발생시킵니다

  • 안구 움직임은 계단식 전압 변화를 만듭니다

  • 턱과 이마 근육 활동은 고주파 노이즈를 유입시킵니다

  • 갑작스러운 움직임은 급격한 다채널 전압 오프셋을 유발합니다

오염된 세그먼트에 대한 전통적인 대응은 아티팩트가 나타나는 모든 시행이나 시간 윈도우를 기각하고 단순히 버리는 것이었습니다. 이는 참가자가 가만히 앉아 있고 아티팩트가 드물게 발생할 때는 상당히 잘 작동합니다. 하지만 아티팩트가 예외가 아닌 일상인 대상군에서는 훨씬 덜 실용적입니다.

HAPPE는 EEG 연구가 고밀도 전극 어레이 및 더 긴 기록 시간으로 나아감에 따라 수작업으로 불량 세그먼트를 검사하고 배제하는 것이 지속 불가능해지며, 수동적인 판단은 그 자체로 주관성을 유입시킨다고 강조합니다.

Leach 등은 관련된 위험성을 구체적으로 보여줍니다. 소아 EEG 기록에서는 어린아이들에게서 움직임과 깜빡임 아티팩트가 너무 빈번하게 발생하기 때문에 일상적으로 사용 가능한 많은 양의 데이터가 손실됩니다. 데이터가 이토록 귀중할 때 단 한 번의 깜빡임 때문에 전체 시행을 버리는 것은 값비싼 해결책입니다.

아티팩트 제거를 위한 독립 성분 분석(ICA)

독립 성분 분석(ICA)은 무조건적인 기각에 비해 보다 정밀한 대안을 제공합니다.

개념적으로 ICA는 블라인드 소스 분리(blind source separation) 기술입니다. 각 두피 전극에서 기록된 혼합 신호를 취해 통계적으로 독립적인 구성 요소 집합으로 수학적으로 분해합니다.

이러한 구성 요소 중 일부는 눈 깜빡임이나 근육 긴장의 특징과 같이 인식 가능한 아티팩트 패턴에 해당합니다. 다른 구성 요소는 뇌 활동 패턴에 해당합니다. 아티팩트 관련 구성 요소가 식별되면 이를 제거하고 나머지 깨끗한 구성 요소를 채널 데이터에 다시 투영하여 오염 물질을 폐기하면서 이상적으로 진짜 뇌 신호를 보존할 수 있습니다.

걸림돌은 각 구성 요소를 수동으로 검사하여 눈 깜빡임을 반영하는지 아니면 대뇌 피질의 활동을 반영하는지 결정하는 작업이 느리고 본질적으로 주관적이라는 점입니다. 이로 인해 해당 판단을 알고리즘에 따라 일관되게 내리도록 설계된 ADJUST, ICLabel, MARA와 같은 자동 분류기가 등장했습니다.

이 방법이 얼마나 잘 작동하는지에 대한 증거는 전적으로 긍정적이기보다는 엇갈립니다.

Arnaud Delorme은 눈 및 근육 구성 요소를 자동으로 배제하는 ICA 기반 방식이 ERP 데이터에서 통계적으로 유의미한 채널의 비율을 안정적으로 증가시키지 못한다는 것을 발견했습니다. 즉, 명확하고 신뢰할 수 있는 개선을 가져오지 못했다는 뜻입니다.

Robbins 등은 17개 연구에 걸쳐 두 가지 ICA 기반 접근 방식인 LARG와 MARA를 비교한 결과, 결과의 전반적인 구조는 비슷해 보였지만 특히 저주파 스펙트럼 특징과 정제된 데이터에 깜빡임 관련 잔여물이 얼마나 남아 있는지에서 상당한 차이가 여전히 나타남을 발견했습니다.

반면 보다 고무적인 측면에서는, Leach 연구팀이 소아용 지오데식 넷 기록에 맞게 특별히 조정된 수정된 버전의 ADJUST 알고리즘이 원래의 ADJUST 알고리즘이나 ICA 보정을 전혀 사용하지 않은 경우에 비해 분류 정확도를 향상시키고 사용 가능한 시행을 더 많이 보존했으며, 특히 소아 데이터에 대해서는 일부 측정 항목에서 ICLabel보다 우수한 성능을 보였다는 점을 입증했습니다.

종합해 보면, ICA는 아티팩트를 분리하고 제거하는 데 진정으로 유용한 도구가 될 수 있지만 그 성능이 보장되는 것은 아닙니다. 성능은 분류 알고리즘이 어떻게 튜닝되었는지와 연구 대상 집단에 크게 좌우됩니다.

대안으로서의 아티팩트 부분공간 재구성(ASR)

아티팩트 부분공간 재구성(ASR)은 완전히 다른 경로를 취합니다. 신호를 독립 성분으로 분해하는 대신, ASR은 깨끗한 기준 기간에서 도출된 통계치와 유입되는 데이터를 비교하여 해당 깨끗한 기준선에서 너무 멀리 벗어나는 신호 부분을 자동으로 플래그 지정하고 재구성하는 방식으로 작동합니다.

Robbins 팀은 동일한 17개 연구 세트에서 ASR의 두 가지 변형을 ICA 기반 파이프라인과 직접 비교했습니다. 대략적인 결론은 ICA 비교와 일치했습니다. 즉, 전반적인 결과 구조는 방법 전반에 걸쳐 유사해 보였지만, 다시 한번 저주파 스펙트럼 특징에 집중되어 의미 있는 차이가 여전히 나타났습니다.

따라서 ASR은 완전히 우월한 대체재라기보다는 ICA의 합리적인 대안이며, 이 파이프라인의 다른 모든 단계와 마찬가지로 동일한 원칙이 적용됩니다. 즉, 선택한 특정 방법이 얻어지는 특정 결과를 결정합니다.

불량 EEG 세그먼트를 제거해야 할까요?

전체 세그먼트를 제거하는 것은 피해야 합니다. 그로 인한 통계적 검정력 손실이 노이즈 제거의 이점보다 큰 경우가 많다는 증거가 있기 때문입니다.

단순 임계값 설정은 사용 가능한 데이터를 불균형적으로 버리는 투박한 도구입니다. 따라서 전문가들은 보간법 및 성분 기반 보정과 같은 보다 정밀한 방법을 선호합니다.

에포킹: 관심 이벤트에 집중하기

ERP를 측정하든 시간-주파수 패턴을 측정하든 대부분의 EEG 분석은 자극 제시나 이에 대한 참가자의 반응과 같은 시간상의 특정 순간에 고정됩니다. 에포킹은 길고 연속적인 기록을 이러한 각 이벤트를 둘러싼 짧고 동일한 길이의 윈도우로 자르는 단계로, 일반적으로 기준선(baseline)으로 알려진 이벤트 직전의 짧은 기간을 포함합니다.

이벤트 전 기준선 기간은 보정 역할을 하여, 자극에 대한 실제 반응으로 오인될 수 있는 느린 전압 변이를 설명하는 데 도움을 줍니다. 그러나 이 보정 단계 역시 재참조에 적용되는 동일한 주의점으로부터 자유롭지 않습니다.

앞서 언급한 Arnaud Delorme의 연구에 따르면 고급 기준선 제거 방법은 ERP 유의성 측면에서 성능을 크게 저하시키는 것으로 나타났습니다. 이러한 증거를 바탕으로 볼 때 더 안전한 접근 방식은 더 정교한 보정 체계를 도입하기보다는 일반적으로 자극 전 윈도우 동안 측정된 평균 전압을 차감하는 방식인 단순 기준선 보정입니다.

웨어러블 EEG 장치를 활용한 신호 처리 연구

신호 처리의 계산 요구 사항은 소비자용 및 웨어러블 EEG 시스템을 다룰 때 특히 두드러집니다. 이러한 장치는 휴대성과 사용 편의성을 우선시하므로 실시간 분석에 사용할 수 있는 처리 능력에 제약이 따릅니다. 동료 심사를 거친 여러 연구에서 다양한 신호 처리 선택이 이러한 맥락에서 정확도와 실용적 사용성 모두에 어떤 영향을 미치는지 조사했습니다.

BCI 신호 처리에서의 계산 비용 vs. 정확도

BCI 신호 처리에 관한 연구에서는 웨어러블 뇌-컴퓨터 인터페이스를 위한 계산 복잡성과 분류 정확도 간의 상충 관계를 조사했습니다. 저자들은 몇 가지 일반적인 특징 추출 기술을 프로파일링하고 각 특징 차원에 대한 계산 복잡성을 기반으로 비용 함수를 정의했습니다. 그들의 순차적 특징 선택 접근 방식은 처리 요구량을 줄이는 것이 시스템 성능에 어떤 영향을 미치는지 탐구했습니다.

연구진은 가용 에너지를 기반으로 처리를 조절하는 적응형 알고리즘을 사용할 때 계산 복잡성이 60% 이상 감소한 반면 분류 정확도는 2%만 떨어졌다고 보고했습니다. 그들은 또한 Push/No Push 작업 중 Emotiv 장치에서 나오는 실시간 EEG 신호에 대해 이 기술을 조사했습니다.

아티팩트 제거 기술 및 분류 성능

아티팩트 제거 방법의 선택은 다운스트림 결과를 유의미하게 변화시킬 수 있습니다. 아티팩트 제거 기술을 비교한 연구진은 Emotiv Epoc X와 Muse 헤드밴드를 사용하는 38명의 젊은 성인으로부터 수집한 데이터에 대해 고정 웨이블릿 변환(SWT) 잡음 제거 기술을 확장된 SWT 기술(SWTSD)과 비교 테스트했습니다. 저자들은 SWTSD가 평균 분류 정확도를 최대 7.2%까지 향상시켰으며 비디오 카테고리 분류 작업에서 표준 SWT보다 우수한 성능을 보였다고 관찰했습니다.

그러나 그들은 이 결과가 SWTSD가 다른 BCI 패러다임이나 EEG 애플리케이션에서 SWT보다 뛰어난 성능을 보일 것임을 의미하지는 않는다고 경고했습니다. 달성된 가장 높은 평균 정확도는 Muse 헤드밴드의 경우 77.7%, Emotiv Epoc X의 경우 66.7%였으며, 저자들은 전반적인 성능이 아티팩트 제거, 필터링, 특징 추출 및 분류기 선택을 포함한 여러 상호 작용 요인에 따라 달라진다고 결론지었습니다.

뇌파 식별을 위한 디지털 필터, 웨이블릿 변환 및 ICA

뇌파 식별에 관한 연구에서는 Emotiv Epoc X로 수집한 EEG 데이터에 세 가지 고유한 신호 처리 방법을 적용했습니다. 연구진은 눈을 감은 상태와 눈을 뜬 상태와 관련된 특성을 식별하기 위해 MATLAB 신호 처리 도구 내에서 디지털 필터, 웨이블릿 변환 및 독립 성분 분석(ICA)을 사용했습니다.

저자들은 또한 LabVIEW 소프트웨어를 사용하여 EEG 신호로 지능형 가전제품을 제어하기 위한 모델 구축을 설명하여 이러한 처리 기술이 실제 BCI 애플리케이션에 어떻게 적용될 수 있는지 보여주었습니다.

종합적으로, 이러한 연구 결과는 웨어러블 EEG 신호 처리에 내재된 실질적인 상충 관계를 시사합니다. 연구에 따르면 아티팩트 제거 및 특징 추출 방법을 신중하게 선택하면 계산 부하를 줄이면서 정확도를 유지할 수 있지만 단일한 최적의 파이프라인을 확립하지는 못합니다. 각 조사는 특정 실험 맥락 내에서 수행되었으며, 저자들 스스로도 결과가 서로 다른 BCI 패러다임, 장치 또는 응용 분야에 걸쳐 일반화되지 않을 수 있음을 지적합니다.

파이프라인 선택이 결과를 바꾸는 이유

여기서 검토된 비교 연구들을 나란히 놓고 보면 한 가지 점이 명백해집니다. 동일한 일반적인 방법 툴킷에서 도출되었더라도 전처리 파이프라인은 상호 호환되지 않는다는 것입니다.

예를 들어 Delorme의 연구에서는 주요 EEG 소프트웨어 플랫폼인 EEGLAB, FieldTrip, MNE 및 Brainstorm 전반에 걸쳐 테스트된 모든 파이프라인 변형 중 고역 통과 필터링과 불량 채널 보간을 결합한 단 하나의 구성만이 단순 고역 통과 필터링 자체보다 유의미하게 우수한 성능을 보였습니다. 일반적으로 사용되는 다른 많은 단계들은 데이터 품질을 개선하기보다는 오히려 저하시켰습니다.

한편, Bertazzoli 연구팀은 TMS-EEG 연구에서 동일한 데이터 세트에 적용된 4개의 서로 다른 파이프라인에 걸쳐 파형 진폭과 전역 평균 필드 파워가 상당히 다양하다는 것을 발견했습니다. 지형적 패턴은 자극 후 100밀리초 이상의 대기 시간에서만 파이프라인 간에 강한 상관관계를 보였습니다. 더 이른 대기 시간에서는 사용된 파이프라인에 따라 상관관계 값이 0.2에서 0.9까지 다양하게 나타났습니다. 검사-재검사 신뢰도 자체도 어떤 전처리 접근 방식을 선택하느냐에 따라 달라졌습니다.

마지막으로, 하버드 연구는 특정 사례에 대해 보다 고무적인 패턴을 보여주었습니다. HAPPE와 같이 아티팩트가 많은 발달 데이터를 위해 구축된 자동화 파이프라인은 널리 사용되는 7가지 대체 처리 접근 방식보다 우수한 성능을 보여 거의 모든 비교에서 동등하거나 더 많은 양의 실제 EEG 신호를 보존하면서 더 많은 아티팩트 콘텐츠를 제거했습니다.

이러한 연구들을 관통하는 일관된 맥락은 모든 데이터 세트, 인구 집단 또는 연구 질문에 걸쳐 보편적으로 최적화된 단일 파이프라인 구성은 없다는 것입니다. 고정된 레시피를 암기하기보다 각 단계 이면의 근거를 이해하는 것이 연구자로 하여금 신중하고 타당한 선택을 내리고 주어진 파이프라인이 특정 데이터에 적합하지 않을 수 있는 시점을 인식할 수 있게 해줍니다.

전처리 결정이 EEG 데이터에서 보는 것을 형성하는 이유

원시 뇌 기록은 연구자들이 연구하고자 하는 미세한 신호를 쉽게 묻어버릴 수 있는 깜빡임, 근육 노이즈 및 전기적 윙윙거림으로 어수선하게 도착합니다. 이 데이터를 정제하는 것은 단순한 중립적 청소 단계가 아닙니다. 필터링부터 아티팩트 보정까지 따르는 정확한 경로는 뇌 활동의 최종 그림을 유의미하게 바꿀 수 있습니다. 증거에 따르면 고역 통과 필터링 및 불량 채널 패칭과 같은 소수의 조치만이 더 명확한 신경 패턴을 안정적으로 드러내는 반면, 흔히 쓰이는 많은 단계들은 추구하는 결과를 예상치 못하게 약화시킬 수 있습니다.

따라서 각 전처리 선택이 무엇을 하는지 관찰하는 것이 모든 경우에 적용되는 일률적인 레시피를 따르는 것보다 훨씬 강력합니다. 타당한 서로 다른 방법들이 연구를 서로 다른 방향으로 이끌 수 있으므로, 프로세스를 투명하게 보고하는 것은 데이터 자체만큼이나 중요해집니다.

앉아 있는 성인이든 움직이는 어린이든 연구 대상 특정 그룹에 맞게 접근 방식을 조정하는 것이 조정 없이 범용 도구를 사용하는 것보다 성능이 뛰어난 경우가 많습니다. 이러한 사려 깊고 투명한 파이프라인을 구축하면 소프트웨어 기본 설정을 신뢰하는 수준에서 벗어나 신호가 실제로 무엇을 말하려 하는지 진정으로 이해할 수 있게 됩니다.

참고문헌

  1. Robbins, K. A., Touryan, J., Mullen, T., Kothe, C., & Bigdely-Shamlo, N. (2020). How sensitive are EEG results to preprocessing methods: a benchmarking study. IEEE transactions on neural systems and rehabilitation engineering, 28(5), 1081-1090. https://doi.org/10.1109/TNSRE.2020.2980223

  2. Bertazzoli, G., Esposito, R., Mutanen, T. P., Ferrari, C., Ilmoniemi, R. J., Miniussi, C., & Bortoletto, M. (2021). The impact of artifact removal approaches on TMS–EEG signal. NeuroImage, 239, 118272. https://doi.org/10.1016/j.neuroimage.2021.118272

  3. Delorme A. (2023). EEG is better left alone. Scientific reports, 13(1), 2372. https://doi.org/10.1038/s41598-023-27528-0

  4. Gabard-Durnam, L. J., Mendez Leal, A. S., Wilkinson, C. L., & Levin, A. R. (2018). The Harvard Automated Processing Pipeline for Electroencephalography (HAPPE): standardized processing software for developmental and high-artifact data. Frontiers in neuroscience, 12, 97. https://doi.org/10.3389/fnins.2018.00097

  5. Leach, S. C., Morales, S., Bowers, M. E., Buzzell, G. A., Debnath, R., Beall, D., & Fox, N. A. (2020). Adjusting ADJUST: Optimizing the ADJUST algorithm for pediatric data using geodesic nets. Psychophysiology, 57(8), e13566. https://doi.org/10.1111/psyp.13566

자주 묻는 질문

신호 처리는 일반적인 데이터 분석과 어떻게 다른가요?

신호 처리는 연속 입력의 시간 및 주파수 역학에 구체적으로 초점을 맞추는 반면, 일반적인 데이터 분석은 정적 변수나 독립 변수를 다루는 경우가 많습니다.

신호 처리가 신호에서 모든 형태의 노이즈를 제거할 수 있나요?

필터링을 통해 신호 선명도를 크게 향상시킬 수 있지만 신호와 주변 간섭 간의 예측할 수 없는 중첩으로 인해 완벽한 노이즈 제거는 일반적으로 불가능합니다.

디지털 시스템에서 샘플링 속도가 중요한 이유는 무엇인가요?

샘플링 속도는 시스템이 정확하게 나타낼 수 있는 최대 주파수를 결정하며, 이는 왜곡 없이 고주파 신경 지표를 캡처하는 데 필수적입니다.

푸리에 변환과 같은 변환의 목적은 무엇인가요?

변환은 순서가 중요한 시간 영역에서 개별 구성 요소 주파수가 강조되는 주파수 영역으로 데이터를 변환하는 데 사용됩니다.

선형 및 비선형 시스템은 출력 정밀도에 어떤 영향을 미치나요?

선형 시스템은 예측 가능하고 비례적인 응답을 제공하는 반면, 비선형 시스템은 단순한 예측 가능성을 대가로 숨겨진 역학을 드러내는 복잡한 기능을 제공합니다.

분석 전에 원시 EEG 데이터에 전처리가 필요한 이유는 무엇인가요?

원시 EEG 기록에는 뇌 활동뿐만 아니라 눈 깜빡임, 근육 긴장, 전기 노이즈 및 전극 드리프트로 인한 간섭도 포함되어 있습니다. 전처리는 이러한 아티팩트를 제거하여 실제 신경 신호를 분리함으로써 데이터를 과학적 연구에 해석 가능하고 사용 가능하게 만듭니다.

거의 항상 도움이 되는 단 하나의 전처리 단계는 무엇인가요?

땀이나 전극 움직임으로 인한 느린 전압 드리프트를 제거하는 고역 통과 필터링은 일관되게 유익합니다. 여러 연구에서 이는 파이프라인 초기에 적용되었을 때 데이터 품질을 안정적으로 향상시킨 몇 안 되는 단계 중 하나였습니다.

재참조는 EEG 신호에 어떤 영향을 미치나요?

재참조는 원래 기록 참조 대신 모든 전극의 평균과 같은 새로운 중립 지점을 기준으로 모든 채널의 전압을 수학적으로 재계산합니다. EEG는 전압 차이를 측정하므로 이 선택에 따라 뇌 반응의 겉보기 진폭과 통계적 유의성까지 달라질 수 있습니다.

불량 채널을 감지하는 이유와 이를 수정하는 방법은 무엇인가요?

일부 전극은 필연적으로 접촉 상태가 불량해지거나 과도한 노이즈가 발생하여 두피 전체 분석을 왜곡합니다. 이러한 불량 채널을 식별한 후, 보간법을 통해 주변 정상 전극의 활동을 기반으로 해당 전극이 기록했을 신호를 추정하여 재구성합니다.

EEG에서 독립 성분 분석(ICA)은 무엇에 사용되나요?

ICA는 혼합 신호를 수학적으로 독립 성분으로 분류하는 기술로, 그 중 일부는 눈 깜빡임이나 근육 노이즈와 같은 아티팩트에 해당합니다. 아티팩트 관련 성분을 식별하여 제거한 후 나머지 깨끗한 성분을 채널 데이터에 다시 투영하여 실제 뇌 활동을 보존할 수 있습니다.

아티팩트 부분공간 재구성(ASR)은 ICA와 어떻게 다른가요?

ASR은 들어오는 데이터를 깨끗한 기준 기간과 비교하여 해당 기준선에서 너무 멀리 벗어나는 부분을 자동으로 플래그 지정함으로써 노이즈가 있는 세그먼트를 식별하고 수정합니다. ICA와 달리 신호를 성분으로 분해하지 않고 깨끗한 데이터의 통계치를 기반으로 오염된 섹션을 재구축합니다.

노이즈가 포함된 모든 세그먼트를 단순히 버리면 안 되는 이유는 무엇인가요?

노이즈가 있는 시행을 무조건 배제하면 사용 가능한 많은 양의 데이터가 손실되어 통계적 검정력이 감소하고 잠재적으로 결과가 약화되는 경우가 많습니다. 귀중한 데이터가 손실되기 때문에 특히 기록 시간이 제한된 경우 보간법이나 성분 기반 보정과 같은 방법이 일반적으로 선호됩니다.

에포킹이란 무엇이며 왜 이벤트 전 기준선을 포함하나요?

에포킹은 뇌 반응을 분석하기 위해 자극과 같은 특정 이벤트에 맞춰 연속적인 기록을 짧은 시간 윈도우로 분할하는 작업입니다. 이벤트 전 기준선 기간은 기준 전압 레벨을 제공하여 느린 드리프트가 자극에 대한 반응으로 오인되지 않도록 합니다.

특정 전처리 파이프라인이 실제로 최종 결과를 바꾸나요?

예, 필터링, 참조 체계 또는 아티팩트 보정 방법과 같은 서로 다른 파이프라인 선택은 파형 모양, 유의성, 심지어 검사-재검사 신뢰도까지 변경할 수 있습니다. 모든 상황에 가장 적합한 단일 파이프라인은 없으므로 연구자는 기본 레시피를 맹목적으로 따르기보다 각 단계의 영향을 이해해야 합니다.

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