시계열 데이터를 주파수로 분해하는 기법

시간 데이터 및 주파수의 이해

시간 데이터는 특정 타임스탬프별로 색인된 연속적인 관측 기록으로 존재하며, 지정된 기간 동안 시스템이 어떻게 진화하는지 백영합니다.

이러한 분석은 neuroscience 분야에서 보통 뇌 역학을 이해하기 위해 두피에서 전기적 전위를 기록하는 작업을 포함합니다. 이러한 데이터 세트는 거의 정적이지 않으며, 실질적인 Insight을 추출하기 위해 세심한 해석이 필요한 리드미컬한 신호와 확률적 변동의 혼합을 포함하고 있습니다.

시간 데이터란 무엇인가요?

시간 데이터 또는 시계열 데이터는 일관된 간격으로 순차적으로 측정된 값을 나타냅니다. 이 데이터의 유용성은 감지 가능한 변화의 해상도를 결정하는 샘플링 주파수와 관측 창의 길이에 따라 달라집니다.

연구자들은 시스템 안정성을 평가하고 오랜 기간 동안 지속되는 트렌드를 식별하기 위해 이러한 시퀀스를 분석합니다.

데이터 내 주파수의 개념

주파수는 시계열 내에서 주기적인 패턴이 반복되는 비율을 의미하며, 보통 초당 사이클 수(Hz)로 측정됩니다. 이러한 리듬을 평가함으로써 분석가는 데이터를 구동하는 기본 프로세스를 분류할 수 있습니다.

다음 목록은 인체 생체 모니터링 애플리케이션에서 자주 관찰되는 주요 주파수 대역을 개략적으로 보여줍니다.

• 델타파: 일반적으로 깊고 회복력 있는 수면 단계와 관련이 있습니다.

• 세타파: 가벼운 수면이나 명상 상태에서 자주 관찰됩니다.

• 알파파: 조용하고 깨어 있는 휴식 상태에서 특징적으로 우세합니다.

• 베타파: 종종 활발한 인지 집중 및 주의 집중 상태와 연결됩니다.

• 감마파: 고차원적 정보 처리 및 통합 작업과 관련이 있습니다.

이러한 분류를 통해 상태를 정밀하게 매핑할 수 있어, 연구자들이 physiological markers와 배경 변동성을 구분할 수 있도록 돕습니다.

왜 시간 데이터를 주파수로 분해해야 할까요?

분해는 가공되지 않은 노이즈 신호를 별도의 구성 성분으로 분리하는 분석 렌즈 역할을 합니다. 이러한 구조적 분석이 없다면 서로 다른 뇌 리듬 간의 복잡한 상호 작용은 종합적인 진폭 속에 묻혀 있게 됩니다. 이러한 구성 성분을 격리함으로써 연구자들은 특정 신경 진동을 독립적으로 분석할 수 있어 인지 상태의 진정한 복잡성을 밝혀낼 수 있습니다.

패턴 및 사이클 식별

시간 데이터 내의 패턴 인식은 특정 자극이나 작업 하에서 반복되는 일관된 신경 사이클을 식별할 수 있게 해줍니다. 이러한 사이클을 식별하는 것은 healthy brain activity와 비정상적인 패턴을 구분하는 기준 지표를 제공합니다.

분해를 통해 패턴이 격리되면 더 높은 통계적 신뢰도를 가지고 그 출현과 지속 시간을 추적할 수 있게 됩니다.

노이즈 감소 및 신호 강화

생리적 기록에서 60Hz 전력선 간섭과 같은 환경적 아티팩트를 제거하려면 효과적인 signal processing이 필수적입니다. 연구자들은 정당한 생물학적 데이터의 주파수 경계를 정의함으로써 원치 않는 신호 성분을 제거하기 위해 필터를 적용합니다.

이러한 신호 추출 프로세스는 복원력을 바탕으로 추가적인 진단 검토를 위한 기초 데이터의 명확성을 근본적으로 강화합니다.

예측 및 예측 모델링

예측 모델은 분해된 세그먼트를 활용하여 시스템 변화 또는 이벤트 트리거가 전체 진폭으로 나타나기 전에 이를 예상합니다. 이러한 모델은 시계열의 미래 진화를 투영하기 위해 식별된 주파수 성분의 안정성에 의존합니다.

이러한 기능은 선제적인 임상 모니터링과 장기적인 뇌 가소성에 대한 실험적 연구를 모두 지원합니다.

시간 데이터 분해를 위한 주요 기법

변환된 데이터가 원래의 신경 활동을 계속 대표하도록 보장하기 위해 분해에는 수학적 엄밀함이 요구됩니다.

캡처된 신호의 해상도와 안정성에 따라 여러 확립된 방법론이 고유한 이점을 제공합니다. 적절한 툴을 선택하려면 계산 요구 사항과 시간 및 스펙트럼 정밀도의 필요성 간에 균형을 맞춰야 합니다.

푸리에 변환 방법

푸리에 분석은 시간 도메인 신호를 그에 상응하는 주파수 도메인으로 매핑하기 위한 기초적인 접근 방식의 역할을 합니다. 이 방법은 고정 주파수 성분을 식별하는 데 탁월하지만, 시간이 지남에 따라 변하는 과도 신호를 분석할 때는 한계에 부딪힙니다.

다음 표는 현재 연구 환경에 적용되는 주요 분해 기법들을 비교하여 보여줍니다.

웨이브릿 변환

웨이브릿 변환은 마더 웨이브릿을 확장하고 이동시켜 신호를 스캔함으로써 다중 해상도 분석을 제공합니다.

푸리에 방법과 달리 이 접근 방식은 시간과 주파수 모두에서 국소화된 정보를 유지하므로 EEG 측정에서 흔히 발생하는 과도 전기 스파이크를 포착하는 데 적합합니다. 이러한 적응성은 전통적인 스펙트럼 방법이 급격한 데이터 전환 중에 간과할 수 있는 비정상 특성을 식별하는 데 필수적입니다.

특이 스펙트럼 분석 (SSA)

특이 스펙트럼 분석은 데이터 자체의 구조에 따라 시계열을 트렌드, 진동 및 노이즈 성분으로 분해하는 비모수적 접근 방식을 제공합니다. 시계열을 다차원 공간에 포함시키고 특이값 분해를 수행함으로써 SSA는 가장 중요한 구조적 패턴을 추출합니다.

이를 통해 기본 생성 프로세스를 알 수 없거나 고도의 비선형적인 경우에도 신호를 정제할 수 있습니다.

푸리에 변환이 이산화된 EEG 신호를 분석하는 방법

주파수 분석의 고전적인 출발점은 신호를 서로 다른 주파수의 사인파 합으로 분해하는 수학적 연산인 푸리에 변환입니다.

순수한 수학적 형태에서 푸리에 변환은 통계적 특성이 절대 변하지 않는 무한한 신호를 가정하지만, 이는 실제 EEG 기록이 결코 충족할 수 없는 조건입니다. 실제로 연구자들은 일반적으로 몇 초 길이의 짧고 윈도우 처리된 기록 세그먼트에 이산 푸리에 변환(DFT)을 적용하고, 그 결과를 사용하여 해당 윈도우 내의 각 주파수에서 신호 전력이 얼마나 존재하는지 정량화하는 파워 스펙트럼 밀도(PSD)를 추정함으로써 이 문제를 해결합니다.

이러한 해결 방법에는 두 가지 핵심 가정이 수반됩니다.

1. 첫째, 신호는 선택된 윈도우 기간 동안 고정된 것으로 취급됩니다. 즉, 해당 시간 슬라이스 내에서 주파수 성분이 변하지 않는다고 가정합니다.

2. 둘째, 신호는 고정된 사인파의 선형 합으로 모델링됩니다. 이는 부드럽고 주기적인 활동에는 잘 작동하지만 갑작스러운 변화나 비사인파 형태에는 어려움을 겪는 근사치입니다.

이러한 단순화에도 불구하고, PSD 기반 접근 방식은 실제 연구에서 반복적으로 유용함이 입증되었습니다.

예를 들어, 운동 상상 분류를 위한 스펙트럼 특징 추출 방법의 comparative analysis에 따르면, PSD 기법이 왼손과 오른손 움직임 상상을 구분하기 위한 고유한 스펙트럼 패턴을 추출하는 데 있어 가장 일관되게 강력하고 효과적임이 확인되었습니다(두 번의 기록 세션에 걸쳐 11명의 피험자를 대상으로 평가됨).

또한 졸음 감지에 초점을 맞춘 별도의 study focused on drowsiness detection 역시 이러한 패턴을 뒷받침합니다. 연구원들은 단일 EEG 채널을 사용하여 중심 주파수, 스펙트럼 전력의 4분의 1이 해당하는 주파수 아래의 주파수, 총 스펙트럼 에너지, 테타 및 알파 대역 내 전력을 포함한 PSD 측정값과 웨이브릿 기반 특징을 결합한 특징 세트를 구축했습니다.

이 결합된 접근 방식은 졸음 에피소드를 86.5%의 정확도로, 각성 세그먼트를 81.7%의 정확도로 감지했습니다. 이 특징 세트 중 PSD 성분은 밀리초 단위의 진동 이벤트가 아니라 멘탈 상태 간의 광범위한 전환과 같이 스펙트럼 내용의 대략적인 상태 의존적 변화를 추적하고 있었습니다.

종합하면 이 두 연구는 PSD 추정이 고정성 가정에도 불구하고 패턴을 생성하는 신호가 동적일 때조차 변화하는 뇌 상태와 연결된 의미 있는 스펙트럼 패턴을 성공적으로 포착할 수 있음을 보여줍니다.

경험적 모드 분해와 그 적응형 대안

경험적 모드 분해(EMD)는 완전히 다른 접근 방식을 취합니다. 정의된 사인파 베이스로 신호를 강제하는 대신, EMD는 신호 자체를 고유 모드 함수(IMF)라고 불리는 성분 세트로 적응형 정제를 수행합니다.

각 IMF는 데이터 자체의 진동 구조에서 직접 추출되며, 이는 원칙적으로 신호가 통계적으로 멈추어 있을 것을 요구하지 않고도 진폭과 주파수의 즉각적인 변화를 따라갈 수 있도록 해줍니다.

주목할 점은 EMD 역시 고유한 단점이 존재한다는 것입니다. 여기에는 단일 IMF가 둘 이상의 실제 주파수 대역에서 발생하는 진동을 포함하게 되는 모드 혼합 경향과 분해를 왜곡할 수 있는 노이즈 민감성이 포함됩니다.

관련 기술인 변분 모드 분해(VMD)는 이러한 불안정성 문제를 해결하기 위해 부분적으로 개발되었습니다. VMD는 표준 EMD보다 더 안정적인 결과를 생성하는 경향이 있는 더 제한된 수학적 공식을 사용하여 각각 특정 주파수에 중심을 둔 대역 제한 모드를 추출합니다.

한 2019 research study에서는 EEG 기록에서 간질 발작 이벤트를 감지하기 위해 VMD를 특정 주파수 모드의 불규칙성을 정량화하는 모드 스펙트럼 엔트로피라는 측정값과 함께 적용했습니다. 채널 선택을 위해 principal component analysis를 포함한 전처리 단계 조치 후, 이 방법은 Bonn EEG 데이터베이스에서 98%에서 100%의 정확도를 달성했습니다. 더 까다로운 CHB-MIT 데이터 세트에서는 평균 민감도 88.55%, 특이도 94.86%, 정확도 72.92%를 기록했습니다.

발작은 정의상 기본 뇌 활동에서 갑작스럽고 단기적으로 이탈하는 현상이므로, 이 결과는 모드 기반 분해가 고도로 비정상적이고 과도적인 신경 이벤트를 성공적으로 처리할 수 있음을 입증합니다.

공간-스펙트럼 분해로 소스 혼합 문제 해결

공간-스펙트럼 분해(SSD)는 전체 센서 어레이에서 작동하는 선형 분해 방법으로, 대상 피크 주파수에서의 신호 전력을 극대화하는 동시에 양쪽 인접 주파수 빈에서의 전력을 최소화하는 채널의 공간적 조합을 찾습니다. 출력은 단순히 더 깔끔해진 스펙트럼뿐만 아니라 어느 전극 위치가, 그리고 더 나아가 대략 어떤 기본 뇌 영역이 해당 특정 진동에 가장 많이 기여하는지 보여주는 패턴입니다.

이 방법을 소개한 Research에서는 신호 대 잡음비가 1:10만큼 낮은 상황에서도 SSD가 진동 신호를 안정적으로 추출할 수 있음을 보여주었습니다. 관심 신호보다 노이즈가 훨씬 강했다는 점을 감안하면 이는 매우 까다로운 테스트였습니다.

직접적인 비교에서 SSD는 independent component analysis (ICA) 기반의 기존 접근 방식보다 우수한 성능을 보였습니다. 실제 EEG 데이터에 적용되었을 때, SSD는 중심 및 감각 운동 위치와 일치하는 공간 패턴을 가진 성분들과 후두부-두정엽 및 후방 위치와 일치하는 별도의 성분들을 분리해 냈습니다.

시간 데이터 분해의 미래

컴퓨팅 파워와 머신 러닝 알고리즘의 발전으로 고전적인 스펙트럼 분해와 데이터 기반 예측 아키텍처가 통합되기 시작하고 있습니다. 이러한 통합 시스템은 바이오마커 추출을 자동화하여 이전에 긴 오프라인 처리가 필요했던 신경 역학의 실시간 분석을 가능하게 할 것으로 기대됩니다. 이러한 방법들의 융합은 데이터 수집과 임상 조치 사이의 대기 시간을 줄여 더욱 반응성이 뛰어난 brain-computer interfaces를 용이하게 할 것입니다.

연구는 점점 고전적인 윈도잉 함수 고유의 한계를 뛰어넘는 양자 강화 스펙트럼 추정기를 개발하는 데 집중되고 있습니다. 연구자들은 웨이브릿 세트의 대역폭 효율성을 최적화함으로써 밀리미터 단위에서 중첩되는 피질 소스를 구별할 수 있는 초고해상도를 달성하고자 합니다. 이러한 진화는 신호 모니터링이 훨씬 더 세분화되고 접근하기 쉬워지는 미래를 가리킵니다.

글로벌 연구 실험실 간의 표준화는 향후 10년 동안의 시간 데이터 과학 분야에서 중요한 목표로 남아 있습니다. 성능 평가를 위한 벤치마크를 수립하면 기술적 발전이 재현 가능하고 공공 보건 애플리케이션으로 전환될 수 있습니다. 이러한 방법론이 안정화됨에 따라 기초 신경과학 연구와 실제 진단적 활용 사이의 격차가 크게 좁혀질 것으로 예상됩니다.

결론

시간 데이터를 주파수로 분해하는 기법은 인체 생리에서 전기 신호의 복잡성을 분석하기 위한 필수적인 학문으로 남아 있습니다. 노이즈가 많은 데이터 세트에서 의미 있는 패턴을 추출하기 위해 강력한 수학적 방법을 적용함으로써 연구자들은 안정성을 모니터링하고 병리적 변화를 감지하는 능력을 향상시킵니다.

이러한 분석 프레임워크가 계속 진화함에 따라 신경학 연구의 정밀도와 향후 임상 결과의 효과가 더욱 향상될 것입니다.

참고 문헌

1. Herman, P., Prasad, G., McGinnity, T. M., & Coyle, D. (2008). Comparative analysis of spectral approaches to feature extraction for EEG-based motor imagery classification. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 16(4), 317-326. https://doi.org/10.1109/TNSRE.2008.926694

2. Garces Correa, A., & Laciar Leber, E. (2010). An automatic detector of drowsiness based on spectral analysis and wavelet decomposition of EEG records. Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference, 2010, 1405–1408. https://doi.org/10.1109/IEMBS.2010.5626721

3. Das, P., Manikandan, M. S., & Ramkumar, B. (2018, December). Detection of epileptic seizure event in EEG signals using variational mode decomposition and mode spectral entropy. In 2018 IEEE 13th International Conference on Industrial and Information Systems (ICIIS) (pp. 42-47). IEEE. https://doi.org/10.1109/ICIINFS.2018.8721426

4. Nikulin, V. V., Nolte, G., & Curio, G. (2011). A novel method for reliable and fast extraction of neuronal EEG/MEG oscillations on the basis of spatio-spectral decomposition. NeuroImage, 55(4), 1528-1535. https://doi.org/10.1016/j.neuroimage.2011.01.057

자주 묻는 질문

시간 도메인과 주파수 도메인의 차이점은 무엇인가요?

시간 도메인은 신호의 진폭이 시간에 따라 어떻게 변하는지 보여주는 반면, 주파수 도메인은 신호가 특정 주파수 대역 내에 얼마나 존재하는지 보여줍니다.

실시간으로 시간적 분해를 수행할 수 있나요?

네, 현대의 디지털 신호 처리 하드웨어를 통해 주파수 성분을 지속적으로 계산할 수 있어 실시간 모니터링 및 피드백 애플리케이션이 가능합니다.

노이즈는 실제 뇌 활동과 어떻게 분리되나요?

노이즈는 일반적으로 알려진 신경 활동 범위를 벗어난 주파수 대역을 식별하거나 환경 간섭과 관련된 특징적인 공간적 또는 스펙트럼 서명을 인식하여 격리됩니다.

푸리에 변환은 EEG에서 어떻게 주파수 정보를 추출하나요?

푸리에 변환은 신호가 짧은 시간 윈도우 내에서 고정되어 있다고 가정하고 신호를 사인파의 합으로 분해합니다. 그런 다음 파워 스펙트럼 밀도(PSD)가 각 주파수에서의 전력량을 측정하여 진동 성분의 스냅샷을 제공합니다.

경험적 모드 분해(EMD)는 푸리에 분석과 어떻게 다른가요?

EMD는 신호가 고정되어 있다고 가정하지 않고 신호를 고유 모드 함수로 적응형 정제를 수행하여 즉각적인 주파수 및 진폭 변화를 추적할 수 있도록 합니다. 이로 인해 이론적으로는 뮤(mu) 리듬과 같은 비정상 리듬에 더 적합하지만 모드 혼합 문제가 발생할 수 있습니다.

어떤 경우에 모드 분해 방법 대신 PSD를 선택하나요?

PSD는 운동 상상 작업 비교와 같이 조건 전체에서 광범위하고 반복 가능한 스펙트럼 패턴을 연구할 때 확실한 선택입니다. 계산이 간단하고 정신 상태 분류에 있어 신뢰성이 입증되어 있어 급격한 변화의 정밀한 타이밍이 중요하지 않을 때 효과적입니다.