신호 처리

신호 처리란 무엇인가요?

신호 처리 학문은 물리적 이벤트를 측정 가능한 데이터로 변환, 분석 및 해석하는 것을 포괄합니다. 데이터 스트림을 포착하기 위해 수학적 프레임워크를 적용함으로써, 연구자들은 주변의 간섭 신호를 효과적으로 필터링하고 일차적 관심의 매개변수에 집중할 수 있습니다.

이 방법론은 복잡한 인간 생물학적 기능 연구를 포함하여 다양한 분야 전반의 현대 과학적 탐구에 핵심적입니다.

디지털 신호 처리를 정의하는 방법

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

이러한 정제는 계산 부하를 효율적으로 관리하도록 설계된 특정 알고리즘과 프로세서의 사용을 통해 이루어집니다. 과학자들은 이 접근법을 활용하여 생물학적 신호를 격리하는데, 이는 연구 정확성을 위해 데이터 무결성이 매우 중요한 신경과학을 수반하는 분야에 필수적입니다.

신호 처리의 핵심 목표

신호 처리는 그 효용성의 정점에서 노이즈의 영향을 최소화하면서 측정된 데이터로부터 의미 있는 정보를 최대한 추출하는 것을 목표로 합니다. 신호 대 잡음비를 최적화함으로써, 연구자들은 그렇지 않으면 가려졌을 신뢰할 수 있는 데이터 포인트를 복원합니다.

이 목표는 현대 EEG 실무에 사용되는 정교한 진단 도구의 개발을 주도하고 있습니다.

신호 처리의 종류

신호 처리는 입력 신호의 특성과 그 조작에 적용되는 방법론에 따라 광범위하게 분류됩니다. 물리적 세계는 연속적인 상태로 존재하는 반면, 전자 장치는 연산을 수행하기 위해 흔히 양자화된 데이터 청크에 의존합니다.

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

아날로그 대 디지털 신호 처리

아날로그 시스템은 회로 구성 요소를 통해 연속적인 전기 파형을 직접 조작하므로 양자화 오버헤드 없이 높은 수준의 충실도를 유지합니다. 아날로그 시스템은 즉각적인 반응을 제공하지만, 디지털 아키텍처의 특징인 유연성과 프로그래밍 가능성이 부족합니다.

표준 10-20 시스템 프로토콜이 변遷함에 따라, 디지털 처리는 다양한 연구 환경에서 비교 가능한 데이터를 유지하기 위한 일차적 표준이 되었습니다.

디지털 신호 처리란 무엇인가요? 선형 시스템 대 비선형 시스템

디지털 신호 처리는 알고리즘을 사용하여 계산 모델링에 적합한 형식으로 데이터를 정제함으로써 신호 조정에 제어된 환경을 제공합니다.

중첩 원리는 선형 연산에만 적용되므로, 출력이 변화하는 입력에 어떻게 반응할지 예측하기 위해서는 시스템이 선형적으로 작동하는지 여부를 이해하는 것이 매우 중요합니다. 반대로 비선형 시스템은 더 단순한 모델에서 종종 무시되는 미묘한 역학을 포착할 수 있는 복잡한 변환을 도입합니다.

이러한 동작의 특성을 파악함으로써 기술자는 진단 필터를 적용하기 전에 수학적 모델이 입력 신호의 실제 역학을 정확하게 반영하도록 보장합니다.

신호 처리의 핵심 개념 및 기술

이 분야에서 기술적 숙련도를 갖추려면 데이터 준비와 수학적 변환에 대한 깊은 이해가 필요합니다. 처리 파이프라인의 각 단계는 인간의 해석이나 머신 러닝 알고리즘에 맞게 최종 출력을 준비하기 위해 특정 신호 구성 요소를 의도적으로 저하시키거나 향상시킵니다.

샘플링 및 양자화

샘플링은 특정 간격으로 데이터 포인트를 캡처하여 이산 표현의 기초를 형성하는 과정을 의미합니다. 양자화는 이 단계를 따라 이산적인 시간 포인트들을 신호의 진폭을 나타내는 특정 수치 값에 매핑합니다.

이러한 단계가 정밀하게 보정되지 않으면 앨리어싱(aliasing)이 발생하여 분석된 파형에 심각한 왜곡이 발생할 수 있습니다.

필터링

필터링은 의도한 신호에 속하지 않는 원치 않는 주파수 구성 요소를 제거하는 중요한 역할을 수행합니다. 대역 통과 요구 사항에 따라 필터는 고주파 근육 노이즈나 저주파 드리프트를 기술적으로 제거할 수 있습니다.

이 프로세스는 기본적으로 더 넓은 환경 배경 간섭으로부터 관심 있는 신경 활동을 격리하여 보다 명확한 시각적 트레이스를 생성합니다.

변환 (예: 푸리에 변환)

변환은 도메인 간의 데이터를 이동시켜 시간적 노이즈 내에 숨겨진 주기적 구조를 드러냅니다. 이 프로세스에서 사용되는 일반적인 방법은 다음과 같습니다.

• 신호를 구성 주파수 성분으로 분해하는 푸리에 변환.

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

• 복잡한 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 도메인 표현에서는 완전히 보이지 않는 상태로 남아 있는 특정 병리나 패턴을 식별하는 관점에서 데이터를 시각화할 수 있습니다.

EEG 전처리 파이프라인이란 무엇인가요?

전처리 파이프라인은 분석을 시작하기 전에 연속적인 원시 EEG 데이터에 적용되는 간단하고 표준화된 연산 시퀀스입니다. 정확한 순서와 구체적인 방법은 실험실과 소프트웨어 패키지마다 다르지만, 대부분의 파이프라인은 다음과 같은 공통된 골격을 공유합니다.

1. 원치 않는 주파수 필터링

2. 중립적 전기 기준선으로 신호 재참조

3. 아티팩트 식별 및 처리

4. 에포킹(epoching)이라고 불리는 프로세스로, 연속적인 기록을 특정 이벤트와 연결된 짧은 세그먼트로 분할

이 체인의 모든 결정이 최종 결과를 바꿀 수 있다는 사실에 비하면 순서는 덜 중요합니다. Robbins 등이 주도한 2020년 벤치마크 연구에 따르면 수립된 최우수 실무 지침을 따른다고 주장하는 연구조차도 코드에서 해당 지침이 실제로 구현되는 방식에서 상당한 차이를 보이는 것으로 나타났습니다.

유사하게, Bertazzoli 등의 2021년 연구는 경두개 자기 자극과 EEG를 결합한 (TMS-EEG) 연구에서 전처리 파이프라인의 선택이 결과물인 뇌 반응 파형에 현저한 영향을 미쳤으며, 동일한 피험자를 두 번 테스트했을 때 그 결과가 얼마나 신뢰할 수 있는지조차 변화시켰음을 보여주었습니다.

필터링: 실제 뇌 신호를 격리하는 방법

원시 EEG에는 원치 않는 주파수 콘텐츠의 두 가지 광범위한 범주가 포함되어 있습니다.

느린 대역에서는 전극 아래에 땀이 차거나 전극 자체가 두피에서 미세하게 움직이면서 신호에 전압 드리프트가 서서히 스며듭니다. 빠른 대역에서는 근육의 긴장과 주변 장비의 전기적 간섭으로 인해 뉴런 발화와 전혀 무관한 고주파 노이즈가 유입됩니다.

필터링은 이러한 주파수 범위를 제거하고, 실제 뇌에서 생성된 신호가 가장 강력한 대역만 유지함으로써 작동합니다.

가장 기본적이고 널리 적용되는 단계는 고역 통과 필터링으로, 대략 0.5 ~ 1 Hz 미만의 느린 드리프트를 제거합니다. 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 ~ 40 Hz 범위로 제한합니다.

필터링을 특히 주목할 만하게 만드는 것은 이것이 일관되게 도움이 된다는 점입니다. 2023년 Arnoud Delorme는 광범위한 자동화 전처리 보정을 테스트한 결과, 대부분이 측정 가능한 효과가 없거나 활성적으로 데이터 품질을 저하시킨다는 것을 발견했습니다. 고역 통과 필터링은 전반적으로 신뢰할 수 있게 결과를 개선한 단 두 단계 중 하나였습니다.

Harvard 연구진 또한 고아티팩트 하에서 획득한 발달 데이터용 자사 HAPPE 파이프라인의 근본적이고 협상 불가능한 구성 요소로 필터링을 다룹니다. 요컨대, 필터링은 안전하게 기본 적용할 수 있는 단계에 가깝습니다. 뒤이어 나오는 모든 단계에 대해 동일하게 말할 수는 없습니다.

재참조: 전기적 제로 포인트 설정

EEG는 절대 전압을 측정하지 않습니다. 활성 전극과 참조점이라는 두 지점 사이의 전위차를 측정합니다.

원시 기록은 대개 수집 중에 물리적으로 사용된 참조 전극(종종 귀 뒤의 유양돌기 뼈와 같은 단일 위치나 머리 꼭대기의 Cz 전극 등, 전극 배치를 표준화하는 데 사용되는 10-20 시스템에 의해 정의된 위치)을 기준으로 저장됩니다. 그 본래의 참조점은 다소 임의적이기 때문에, 재참조는 모든 채널의 전압을 모든 전극의 평균이나 양쪽 유양돌기의 결합 신호와 같은 새롭고 이론적으로 더 중립적인 점을 기준으로 수학적으로 재계산합니다.

재참조의 중요성은 볼륨 전도(volume conduction)에서 비롯되는데, 이는 뇌의 전기적 활동이 주변 조직과 체액을 통해 확산되도록 하여 단일 신경 이벤트가 거의 모든 두피 전극에서 등록되도록 만듭니다. 이러한 확산 때문에 기저의 뇌 활동은 달라지지 않았음에도 불구하고 참조점을 변경하면 기록된 활동의 겉보기 형태, 진폭, 심지어 통계적 유의성까지 바뀔 수 있습니다.

이것은 공통 평균 참조 또는 참조 몽타주와 같은 접근 방식을 포함하여 EEG 몽타주 설계 결정의 바탕이 되는 핵심 개념이며, 이들 각각은 동일한 기저의 뇌 신호를 다르게 프레이밍합니다.

불량 채널 감지 및 보간

다중 전극 기록 전반에 걸쳐 소수의 채널에서는 필연적으로 불량한 신호가 발생합니다. 느슨한 연결로 인해 채널이 평탄해지거나 두피 접촉 불량으로 인해 노이즈가 과도하게 발생할 수 있습니다. 보정하지 않고 방치할 경우, 이러한 불량 채널은 전체 두피의 신호 패턴을 비교하는 데 의존하는 분석을 왜곡할 수 있습니다.

표준적인 해결 방법은 이러한 문제 채널을 식별하고, 데이터 세트에서 일시적으로 제거한 다음, 보간(interpolation)을 통해 누락된 데이터를 재구성하는 것입니다. 즉, 정상적인 주변 채널의 활동을 기반으로 해당 전극이 기록했을 법한 값을 대략 예측하는 것입니다. 이를 통해 오염된 채널이 결과에 영향을 미치지 않도록 하면서 이후 분석 단계를 위해 완전한 두피 지도를 복원합니다.

이것은 연구원 Arnaud Delorme이 일관되게 유익한 것으로 식별한 두 번째 단계입니다. 고역 통과 필터링과 더불어 불량 채널 보간은 데이터 품질을 저하시키지 않은 유일한 보정법 중 하나였습니다.

필터링과 결합하여, 이 파이프라인 구성은 해당 연구에서 단순 필터링 단독보다 뛰어난 성능을 보인 유일한 구성이었습니다. 평가된 많은 자동 보정법 중에서 이 조합은 비교적 안전하고 유용한 절차로 두드러집니다.

원시 EEG에서의 아티팩트 문제

전극 수준의 문제를 넘어, EEG 기록은 참가자의 신체 자체에서 발생하는 생물학적 아티팩트에 의해 오염됩니다.

• 눈을 깜박이면 전두엽 전극에서 큰 편차가 발생합니다

• 안구 운동은 계단 모양의 전압 변화를 만듭니다

• 턱과 이마 근육 활동은 고주파 노이즈를 유발합니다

• 갑작스러운 움직임은 갑작스러운 다채널 전압 오프셋을 유발합니다

오염된 세그먼트에 대한 전통적인 대응은 아티팩트가 나타나는 모든 트라이얼이나 시간 창을 간단히 기각하여 버리는 것이었습니다. 이는 참가자가 가만히 앉아 있고 아티팩트가 드물 때 합리적으로 잘 작동합니다. 그러나 아티팩트가 예외가 아닌 일상인 대개 대상군에서는 실행 가능성이 훨씬 떨어집니다.

HAPPE는 EEG 연구가 고밀도 전극 어레이 및 더 긴 기록을 향해 나아감에 따라 수동으로 불량 세그먼트를 검사하고 기각하는 것은 감당할 수 없게 되며, 수동 판단은 나름의 주관성을 도입하게 된다고 강조합니다.

Leach 등은 관련된 위험성에 대해 구체적인 예를 제시합니다. 소아 EEG 기록은 어린 아동에게서 움직임과 눈 깜박임 아티팩트가 매우 빈번하다는 이유만으로 사용 가능한 대량의 데이터를 정기적으로 잃게 됩니다. 데이터가 이처럼 소중할 때, 한 번의 깜박임 때문에 전체 트라이얼을 버리는 것은 비싼 대가를 치르는 솔루션입니다.

아티팩트 제거를 위한 독립 성분 분석 (ICA)

독립 성분 분석, 즉 ICA는 전면적인 기각 외에 더 정밀한 대안을 제공합니다.

개념적으로 ICA는 블라인드 신호원 분리 기법입니다. 각 두피 전극에 기록된 혼합 신호를 받아 통계적으로 독립적인 일련의 성분으로 수학적으로 풉니다.

이러한 성분 중 일부는 눈 깜박임이나 근육 긴장의 특징적인 신호와 같이 식별 가능한 아티팩트 패턴에 해당합니다. 다른 성분들은 뇌 활동 패턴에 해당합니다. 아티팩트 관련 성분이 식별되면 이를 제거하고 남은 깨끗한 성분을 채널 데이터로 다시 투영할 수 있으며, 이상적으로는 오염 물질을 폐기하는 와중에 실제 뇌 신호를 보존합니다.

걸림돌은 각 성분이 눈 깜박임을 반영하는지 아니면 대뇌 피질의 일부인지 결정하기 위해 수동으로 검사하는 속도가 느리고 본질적으로 주관적이라는 점입니다. 이로 인해 알고리즘에 기초하여 일관되게 판단을 내리도록 설계된 ADJUST, ICLabel, MARA와 같은 자동 분류기가 등장하게 되었습니다.

이것이 얼마나 잘 작동하는지에 대한 증거는 일률적으로 긍정적이기보다는 엇갈립니다.

Arnaud Delorme은 안구 및 근육 성분에 대한 자동화된 ICA 기반 기각이 ERP 데이터에서 통계적으로 유의미한 채널의 비율을 확실하게 증가시키지 못했으며, 이는 명확하고 의존할 만한 개선을 제공하지 못했음을 의미한다는 것을 발견했습니다.

Robbins 등은 17개 연구 전반에서 두 가지 ICA 기반 접근법인 LARG와 MARA를 비교하여, 결과의 전반적인 구조는 유사하게 보였지만 특히 저주파 스펙트럼 기능과 정제된 데이터에 남아 있는 눈 깜박임 관련 잔여물의 양에서 여전히 유의미한 차이가 나타남을 발견했습니다.

보다 고무적인 측면으로, Leach의 팀은 소아 측지 네트 기록을 위해 특별히 튜닝된 ADJUST 알고리즘의 수정 버전이 기존 ADJUST 알고리즘이나 ICA 보정을 전혀 수행하지 않은 경우에 비해 분류 정확도를 높이고 사용 가능한 트라이얼을 더 많이 보존했으며, 일부 척도에서는 소아 데이터의 경우 특히 ICLabel보다 우수한 성능을 보였음을 보여주었습니다.

종합해 보면, ICA는 아티팩트를 격리하고 제거하는 데 정말 유용한 도구가 될 수 있지만 그 성능이 보장되지는 않습니다. 이는 분류 알고리즘이 어떻게 조정되는지 및 연구 대상 인구 집단에 크게 좌우됩니다.

대안으로서의 아티팩트 서브스페이스 재구성 (ASR)

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

Robbins 팀은 동일한 17개 연구 데이터 세트에서 ASR의 두 가지 변형을 ICA 기반 파이프라인과 직접 비교했습니다. 대략적인 결론은 ICA 비교와 같았습니다. 전반적인 결과 구조는 분석 방법 전반에 걸쳐 유사해 보였으나 의미 있는 차이가 여전히 나타났으며, 특히 저주파 스펙트럼 특징에 집중되었습니다.

따라서 ASR은 엄격하게 더 우수한 대체물이라기보다는 ICA의 합리적인 대안이며, 이 파이프라인의 다른 모든 곳과 마찬가지로 동일한 원칙이 적용됩니다. 즉, 선택한 특정 방법이 얻어지는 특정 결과를 형성한다는 것입니다.

불량 EEG 세그먼트를 기각해야 하나요?

전체 세그먼트를 기각하는 것은 피해야 합니다. 통계적 검정력의 손실로 인한 결과가 종종 노이즈 제거의 이점보다 크다는 증거가 있기 때문입니다.

단순한 임계값 설정은 사용 가능한 데이터를 불균형적으로 버리는 둔감한 도구이므로, 전문가들은 보간 및 성분 기반 보정과 같은 보다 정밀한 방식을 선호합니다.

에포킹: 관심 이벤트에 집중하기

ERP나 시간-주파수 패턴을 측정하는 등의 대부분의 EEG 분석은 자극의 제시나 이에 대한 참가자의 반응 등 특정 시점에 닻을 내리고 있습니다. 에포킹은 길고 연속적인 기록을 이러한 각 이벤트를 둘러싼 짧고 동일한 길이의 창으로 자르는 단계이며, 일반적으로 기준선으로 알려진 이벤트 자체 이전의 짧은 기간을 포함합니다.

해당 이벤트 이전의 기준선 기간은 보정 역할을 하여 그렇지 않았다면 자극에 대한 실제 반응으로 오인될 수 있는 전압 드리프트를 설명하는 데 도움을 줍니다. 그러나 이 보정 단계 역시 재참조에 적용되는 것과 동일한 주의 사항에서 자유롭지 못합니다.

앞서 언급한 Arnaud Delorme의 연구에 따르면 고급 기준선 제거 방법은 ERP 유의성 측면에서 성능을 크게 감소시키는 것으로 나타났습니다. 이 증거에 기초할 때 더 안전한 접근법은 복잡한 보정 체계를 사용하는 대신, 일반적으로 사전 자극 창 동안 측정된 평균 전압을 단순히 차감하는 더 간결한 기준선 보정을 사용하는 것입니다.

파이프라인 선택이 결과를 바꾸는 이유

나란히 놓고 보았을 때, 여기서 검토한 비교 연구들은 다음과 같은 사실을 명백하게 보여줍니다. 전처리 파이프라인은 동일한 일반적인 도구 모음에서 제공되더라도 상호 대체가 불가능합니다.

예를 들어 Delorme의 연구에 따르면 주요 EEG 소프트웨어 플랫폼인 EEGLAB, FieldTrip, MNE 및 Brainstorm 전체에서 테스트된 모든 파이프라인 변형 중, 고역 통과 필터링과 불량 채널 보간을 결합한 단 하나의 구성만이 단순 고역 통과 필터링 자체에 비해 두드러지게 더 나은 성능을 보였습니다. 흔히 사용되는 다른 많은 단계들은 실제로는 데이터 품질을 개선하지 못하고 오히려 떨어뜨렸습니다.

한편, Bertazzoli의 팀은 특히 TMS-EEG 연구에서 동일한 데이터 세트에 네 가지 다른 파이프라인을 적용했을 때 파형 진폭과 전역 평균 전장 강도(global mean field power)가 상당히 달라짐을 발견했습니다. 지형도 패턴은 자극 후 100밀리초를 넘는 지연 시간 장치에서만 파이프라인 간에 강한 상관관계를 보였습니다. 그보다 이른 지연 시간 장치에서는 사용된 파이프라인에 따라 상관관계 값이 0.2에서 0.9까지 넓게 분포했습니다. 검사-재검사 신뢰도 자체는 선택한 전처리 접근 방식에 따라 달라졌습니다.

마지막으로, Harvard 연구는 특정 사례에 대한 고무적인 패턴을 보여주었습니다. HAPPE와 같이 아티팩트가 많고 발달 중인 데이터를 위해 구축된 자동화된 파이프라인은 널리 사용되는 7가지 대체 처리 접근 방식보다 우수한 성능을 보여, 거의 모든 비교에서 동일하거나 더 많은 양의 실제 EEG 신호를 보존하는 동시에 더 많은 아티팩트 콘텐츠를 제거했습니다.

이러한 연구들을 관통하는 일관된 주제는 모든 데이터 세트, 인구 집단 또는 연구 질문에 보편적으로 최적인 단일 파이프라인 구성이란 존재하지 않는다는 것입니다. 정해진 레시피를 암기하는 대신 각 단계의 배후에 있는 추론을 이해해야만 연구자가 신중하고 옹호 가능한 선택을 내리고, 주어진 파이프라인이 특정 데이터에 부적합할 때를 파악할 수 있습니다.

전처리 결정이 EEG 데이터에서 보는 것을 형성하는 이유

원시 뇌 기록은 눈 깜박임, 근육 노이즈, 연구자가 연구하고자 하는 조용한 신호를 묻어버릴 수 있는 전기적 험 등으로 가득 찬 채 도착합니다. 이 데이터를 청소하는 것은 중립적인 정화 단계를 넘어섭니다. 필터링에서 아티팩트 보정에 이르기까지 따르는 정확한 경로에 따라 뇌 활동의 최종 그림이 의미 있게 달라질 수 있습니다. 증거에 따르면 고역 통과 필터링 및 고장 난 채널 패치와 같은 소수의 작동 동작만이 더 명확한 신경 패턴을 확실하게 드러내며, 많은 일반적인 단계들은 예상치 못하게 추구하는 결과를 약화시킬 수 있습니다.

따라서 만능 레시피를 따르는 것보다 전처리의 각 선택이 수행하는 동작을 관찰하는 것이 훨씬 강력합니다. 합리적인 서로 다른 방법이 연구를 다양한 방향으로 이끌 수 있기 때문에, 프로세스를 투명하게 보고하는 것은 데이터 자체만큼이나 중요해집니다.

앉아 있는 성인이든 움직이는 어린이든 협업하는 특정 그룹에 맞게 접근 방식을 조정하는 것이 대개 조정 없이 범용 도구를 사용하는 것보다 우수합니다. 사려 깊고 투명한 파이프라인을 구축하면 소프트웨어의 기본 설정을 신뢰하는 수준에서 벗어나 신호가 정말로 말하려는 바를 진정으로 이해하는 방향으로 나아갈 수 있습니다.

참고 문헌

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

주요 질문 및 응답

신호 처리는 표준 데이터 분석과 어떻게 다른가요?

신호 처리는 시간 및 주파수의 역학 관계를 지닌 연속 입력 데이터에 전적으로 집중하는 반면, 일반적인 데이터 분석은 흔히 정적이거나 독립적인 변수들을 다룹니다.

신호 처리는 신호에서 모든 형태의 노이즈를 완전히 제거할 수 있나요?

필터링이 신호의 명료성을 현저하게 개선할 수 있으나, 신호와 주변 환경 간섭 사이에서 예기치 못하게 발생하는 겹침 현상으로 인해 완벽한 노이즈 제거는 사실상 불가능합니다.

디지털 시스템에서 샘플링 속도가 중요한 이유는 무엇인가요?

샘플링 속도는 시스템이 왜곡 없이 정확하게 표현할 수 있는 최대 주파수를 결정하므로, 왜곡 없이 고주파 신경 지표를 포착하는 데 필수적입니다.

푸리에 변환과 같은 변환의 목적은 무엇인가요?

변환은 순서가 중요한 시간 도메인의 데이터를 각 구성 주파수가 강조되는 주파수 도메인으로 변경하기 위해 사용됩니다.

선형 및 비선형 시스템은 출력 정밀도에 어떻게 영향을 미치나요?

선형 시스템은 예측 가능하고 비례하는 응답을 제공하는 반면, 비선형 시스템은 단순한 예측 가능성을 희생하는 대가로 숨겨진 역학을 밝히는 정교한 기능을 제공합니다.

원시 EEG 데이터가 분석 전에 전처리를 필요로 하는 이유는 무엇인가요?

원시 EEG 기록은 뇌 활동뿐만 아니라 눈 깜박임, 근육 긴장, 전기 노이즈 및 전극 드리프트로 인한 간섭도 포함합니다. 전처리는 이러한 아티팩트를 제거하여 실제 신경 신호를 격리하므로 과학적 연구를 위해 데이터를 해석하고 사용할 수 있게 만듭니다.

대개 항상 도움이 되는 한 가지 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 확실히 향상시키는 몇 안 되는 단계 중 하나였습니다.

재참조는 EEG 신호에 어떤 작용을 하나요?

재참조는 원래 기록의 참조 전극 대신 모든 전극의 평균과 같은 새로운 중립적인 지점을 기준으로 모든 채널의 전압을 수학적으로 다시 계산합니다. EEG는 전압의 차이를 측정하므로, 이 선택은 나타나는 뇌 반응의 진폭과 통계적 유의성조차 재형성할 수 있습니다.

불량 채널은 왜 감지되고 어떻게 처리되나요?

일부 전극은 불가피하게 좋은 접촉을 잃거나 과도하게 노이즈가 많아져 두피 전체 분석을 왜곡합니다. 이러한 불량 채널을 식별한 후, 보간법을 통해 주변에 위치한 정상적인 전극들의 활동에 기반해 기록되었을 추정치를 산출하고 해당 신호를 재구성합니다.

독립 성분 분석(ICA)은 EEG에서 무엇을 위해 사용되나요?

ICA는 혼합 신호를 수학적으로 분류하여 여러 개의 독립적인 성분으로 정렬하는 기법으로, 이 중 일부는 눈 깜박임이나 근육 노이즈와 같은 아티팩트에 매칭됩니다. 아티팩트 관련 성분을 식별하고 제거하면, 남은 깨끗한 성분을 채널 데이터에 다시 투영하여 실제 뇌 활동을 보존할 수 있습니다.

아티팩트 서브스페이스 재구성(ASR)은 ICA와 어떻게 다른가요?

ASR은 유입되는 데이터를 깨끗한 참조 기간과 비교해 기준선에서 대단히 많이 벗어나는 부분을 자동으로 감지하여 노이즈가 심한 세그먼트를 감지하고 교정합니다. ICA와 달리 신호를 별개의 성분들로 분해하지 않고 깨끗한 데이터의 통계에 기초하여 오염된 부분들을 재구성합니다.

노이즈가 포함된 모든 세그먼트를 단순히 버리면 안 되는 이유는 무엇인가요?

노이즈가 많은 트라이얼을 단순히 기각하는 것은 대량의 유용한 데이터를 폐기하게 되어 통계적 검정력을 낮추고 잠재적으로 결과를 약화시킬 수 있습니다. 귀중한 데이터가 소실되기 때문에 인터폴레이션이나 성분 기반의 교정과 같은 방법들이 일반적으로 선호되며, 특히 녹화 시간이 한정되어 있는 경우에 더욱 그렇습니다.

에포킹이란 무엇이며 왜 이벤트 이전의 기준선을 포함하나요?

에포킹은 뇌 반응을 분석하기 위해 연속적인 기록을 자극과 같은 특정 이벤트에 정렬된 짧은 시간 범위의 창들로 자르는 과정입니다. 이벤트 전 기준선 기간은 기준 전압 레벨을 제공하여 완만한 드리프트를 자극에 대한 반응으로 오해하지 않도록 해 줍니다.

특정 전처리 파이프라인이 실제로 최종 결과를 변경합니까?

예, 필터링, 참조 형태 또는 아티팩트 교정 방법과 같은 다양한 파이프라인의 선택에 따라 파형의 형태, 유의성 및 테스트-재테스트 신뢰성이 달라질 수 있습니다. 모든 상황에 최선인 단일 파이프라인은 없기 때문에 연구자들은 맹목적으로 기본 레시피를 따르기보다 각 단계별 영향을 올바르게 이해해야 합니다.