신경과학자들이 시간을 주파수로 변환하는 이유

시간-주파수 변환이란 무엇인가요?

변환 프로세스에는 일반적으로 시간에 대한 진폭으로 측정되는 원시 데이터 시퀀스를 주파수 스펙트럼으로 변환하는 작업이 포함됩니다. 이러한 수학적 전환을 통해 연구자들은 단순한 원시 전압이나 압력 변화가 아니라 신호를 구성하는 리듬 성분을 관찰할 수 있게 됩니다. 이러한 관점을 통해 데이터를 바라봄으로써, 복잡한 데이터 세트 내의 미묘한 패턴을 분류하고 추가 분석을 위해 해석하기가 훨씬 쉬워집니다.

기본 이해하기: 시간 영역에서 주파수 영역으로

표준 신호 기록에서 시간적 측면은 이벤트가 발생하는 순서대로 시퀀스를 나타내며, 즉각적인 모니터링에 직관적인 시계열 순서를 유지합니다. 그러나 많은 동적 시스템은 뇌과학과 관련된 뉴런의 리듬감 있는 발화와 같이 반복적인 동작을 보이며, 이는 원시 신호만 관찰해서는 쉽게 분리해 내기 어렵습니다.

주파수 관점으로 전환하는 것은 분석 필터 역할을 효과적으로 수행하여, 개별 리듬과 전체 신호 구조에 대한 상대적 기여도를 분리해 낼 수 있게 해줍니다.

수학적 기초: 푸리에 변환

푸리에 변환은 모든 복잡한 진동 신호가 더 단순한 사인파와 코사인파의 가중치 합으로 표현될 수 있다는 원리에 기반하여 작동합니다. 이 수학적 연산은 본질적으로 분해를 수행하여, 초기 복잡성에 관계없이 신호의 잠재적인 주기적 구조를 추출합니다.

이 변환을 적용함으로써, 연구자는 가로축은 주파수를 나타내고 세로축은 각 특정 주파수 성분의 전력 또는 진폭을 나타내는 새로운 영역으로 시간적 데이터 포인트를 매핑합니다.

시간-주파수 분석이 중요한 이유는 무엇인가요?

주파수 영역에서 신호를 분석하는 것은 노이즈나 더 크고 혼합된 파형 내에 내재된 특정 현상을 격리하는 데 필수적입니다. 이 접근 방식은 센서 및 측정 장비로부터 실질적인 Insight를 추출하기 위해 정확한 신호 처리에 의존하는 다양한 분야에서 널리 채택되고 있습니다.

신호 처리 분야에서의 응용

엔지니어들은 종종 배경 간섭이나 주변 전자기적 노이즈에 의해 오염된 신호를 접하게 되며, 이는 관심 있는 주요 정보를 가릴 수 있습니다. 주파수 구성을 살펴보는 분석 기술을 사용하면 정밀한 필터링이 가능해져, 핵심 데이터를 방해하지 않으면서 원치 않는 특정 범위를 감쇄할 수 있습니다.

이러한 기능은 현대의 통신 시스템과 센서 기술의 기초가 되며, 다운스트림 처리를 위해 유효한 신호 피크가 뚜렷하고 해석 가능한 상태로 유지되도록 보장합니다.

오디오 및 음성 분석 분야의 Insight

인간의 음성과 자연음은 여러 개의 중첩된 주파수로 구성되어 있으며, 각각은 기저에 있는 음원의 음색과 톤을 특징짓습니다. 이러한 신호를 주파수 영역으로 변환하면 연구자들은 포먼트를 매핑하거나 시간에 따라 변하는 음성 특성을 감지할 수 있으며, 이는 음향학에서 자주 요구되는 사항입니다.

이러한 신호를 스펙트로그램으로 처리함으로써, 분석가들은 특정 음향 아티팩트나 한 음원을 다른 음원과 구별하는 패턴을 나타낼 수 있는 일시적인 변화를 모니터링할 수 있습니다.

의공학 분야의 활용 사례

의료 환경에서 생물학적 전기 출력의 정밀한 측정은 건강 상태를 관찰하고 신경학적 질환을 진단하는 데 매우 중요합니다. 의사는 뇌파(EEG)를 기본 도구로 사용하여 뇌파 패턴을 기록할 수 있으며, 연구자는 특정 주파수 분석을 사용하여 다양한 각성 상태와 관련된 리듬 동작을 연구합니다.

PCI 데이터 수집 하드웨어와 같은 전문 장비를 통합하면 고충실도 데이터가 캡처되며, 이는 주파수 영역 변환을 통해 처리되어 의미 있는 진단 Insight를 제공합니다.

시간-주파수 변환의 일반적인 방법

시간적 데이터를 변환하기 위한 다양한 알고리즘이 존재하며, 각 알고리즘은 서로 다른 수준의 신호 안정성 및 정밀도 요구 사항에 적합합니다. 적절한 방법의 선택은 신호의 특성과 최종 스펙트럼 출력의 요구되는 해상도에 따라 달라집니다.

단시간 푸리에 변환 (STFT)

이 방법은 긴 신호를 더 작고 중첩되는 창(window)으로 분할하고 각 창에 대해 푸리에 변환을 수행하여 주파수 콘텐츠가 어떻게 진화하는지 관찰합니다. 이는 완전히 정지되어 있지는 않지만 짧은 시간 동안 안정적으로 유지되는 신호에 특히 유용합니다.

수동으로 시간을 주파수로 변환하는 방법

소프트웨어가 대부분의 계산을 자동화하지만, 주기적 신호의 수동 변환을 이해하려면 주기 지속 시간을 식별해야 합니다. 주기의 역수를 계산하면 이벤트가 한 주기를 완료하는 속도가 결정되어 헤르츠(Hz) 단위로 측정되는 주파수 값이 도출됩니다.

이 표는 주기와 주파수 사이의 반비례 관계를 보여주며, 주기가 짧을수록 상당히 높은 주파수 출력이 발생함을 보여줍니다.

빠른 추정을 위해 주파수-시간 변환 계산기 사용하기

실무자들은 종종 복잡한 계산 없이 시간과 주파수 사이의 간극을 메우기 위해 추정 도구를 사용합니다. 이러한 도구는 일반적으로 데이터 분석 중에 빠른 구성을 위해 다음과 같은 기능을 제공합니다.

• 주기적 시간을 헤르츠로 자동 변환.

• 밀리초 및 마이크로초와 같은 다중 스케일 단위 지원.

• 변환을 역으로 수행하기 위한 기능의 즉각적인 전환.

• 신호 안정성의 시각적 비교를 위한 즉각적인 그래프 생성.

이러한 계산기는 연구 환경에서 더 복잡한 디지털 필터링 또는 스펙트럼 분해 기술을 적용하기 전에 초기 평가를 제공합니다.

웨이블릿 변환 (Wavelet Transform)

기존의 푸리에 접근 방식과 달리 웨이블릿 변환은 확장 가능한 창을 사용하여 저주파 성분과 고주파 성분을 동시에 분석합니다. 이를 통해 창을 사용하는 STFT 분석으로는 너무 빠르게 발생하는 일시적인 방전이나 스파이크와 같은 갑작스러운 신호 변화를 더 잘 국소화할 수 있습니다.

단일 패스에서 높은 시간 및 주파수 민감도를 요구하는 분야에서 높은 가치를 인정받고 있습니다.

보이지 않는 프리즘: 시간을 주파수로 바꾸기

뇌 활동의 단 한 순간도 단 하나의 깨끗한 파형으로 만들어지는 경우는 거의 없습니다. 이는 여러 음이 함께 울려 하나의 복잡한 톤을 만드는 음악의 화음과 비슷하게 작동합니다.

화음을 전체적으로만 듣는다면 개별 음이 아닌 혼합된 소리만 듣게 됩니다. 동일한 문제가 원시 EEG 트레이스에도 적용됩니다. 어떤 특정한 순간에도 느리고, 중간이고, 빠른 진동이 동시에 발화하고 있으며, 시간 영역 뷰는 이들을 하나의 구분하기 힘든 파형으로 쌓아 놓습니다.

해당 파형을 주파수 영역으로 변환한다고 해서 신호에 새로운 정보가 추가되는 것은 아닙니다. 서로 다른 진동을 별개의 성분으로 시각화할 수 있도록 기존 정보를 재구성하는 것입니다. 이러한 재구성은 연구자가 노이즈가 많은 데이터를 얼마나 잘 정제하고 의미 있는 패턴을 감지할 수 있는지에 대해 측정 가능하고 실질적인 결과를 가져옵니다.

EEG 기록에서 가장 지속적인 오염원 중 하나인 눈 깜박임 아티팩트를 고려해 보세요. 눈이 움직일 때 발생하는 전기 신호인 안전도(EOG)가 인근 EEG 채널로 누출되어 판독을 왜곡합니다. 초기 보정 시도에서는 눈에서 두피로의 누출이 모든 리듬에서 일관되게 작용한다고 가정했으므로, 단순한 시간 영역 빼기 방식이 어디서나 동일하게 효과적일 것이라고 보았습니다.

Kenemans 등은 이 가정을 직접 테스트했습니다. 연구원들은 모의 데이터와 실제 데이터를 모두 사용하여 세 가지 정제 전략을 비교했습니다.

1. 단순 시간 영역 회귀

2. 더 복잡한 다중 지연(multiple-lag) 시간 영역 회귀

3. 주파수 영역 회귀.

눈에서 두피로의 전기적 전달이 주파수에 독립적일 때, 즉 모든 리듬에서 동일하게 작용할 때 세 가지 방법 모두 똑같이 우수한 성능을 보였습니다. 그러나 전달이 주파수에 의존적일 때, 즉 어떤 리듬이 관여하느냐에 따라 오염이 달라질 때, 단순 시간 영역 방법은 원래의 EEG를 완전히 복원하는 데 실패했습니다.

주파수 영역 접근 방식과 더 정교한 다중 지연 시간 영역 방법만이 그러한 가변성을 설명할 수 있었습니다. 이는 뇌 신호 아티팩트가 시간에 따라 항상 균일하게 작용하는 것은 아니며, 때로는 주파수를 인지하는 렌즈만이 실제 뇌 활동과 오염 물질을 올바르게 분리할 수 있음을 시사합니다.

이러한 재구성의 이점은 발작 감지에서 훨씬 더 극적으로 나타납니다. 2018년 한 연구에 따르면 원시 시간 영역 EEG 신호를 분류 시스템에 입력했을 때 두피 기록에 대한 정확도가 일부 실험에서 60%까지 떨어졌는데, 이는 특정 분류 작업의 경우 동전 던지기보다 나을 것이 없는 결과였습니다. 동일한 데이터를 먼저 주파수 영역으로 변환했을 때, 동일한 작업에 대한 정확도는 약 96%로 급증했습니다.

발작 상태를 올바르게 식별하는 데 필요한 정보는 기록 전반에 걸쳐 항상 존재해 왔습니다. 다만 신호를 주파수 성분으로 보기 전까지는 보이지 않았을 뿐입니다.

주파수 뷰가 중요한 이유: 노이즈에서 삶을 바꾸는 응용 분야까지

시간에서 주파수로의 전환은 추상적인 기술적 선호가 아닙니다. 이는 매우 다른 네 가지 응용 분야에 걸쳐 구체적인 결과를 가져옵니다.

더 명확한 아티팩트 제거

눈의 움직임과 깜박임은 EEG 기록에서 만성적인 오염원입니다. 눈에서 생성된 전기 신호가 근처의 두피 전극으로 퍼질 수 있기 때문입니다.

Kenemans 등의 연구는 이러한 오염이 모든 주파수에서 항상 일정하게 전달되는 것은 아님을 보여주었습니다. 전달이 주파수에 의존적일 때 기본적인 시간 영역 보정은 성능이 저하된 반면, 주파수 영역 회귀 방법은 원래의 뇌 신호를 성공적으로 복원했습니다.

잘못된 정제 방법을 적용할 경우 수정되지 않은 눈 아티팩트가 실제 뇌 활동으로 오인될 수 있기 때문에, 이는 깨끗한 신호 품질이 필수적인 모든 응용 분야에서 매우 중요합니다.

당신의 뇌, 당신의 시그니처

Journal of Neural Engineering에 게재된 한 연구에 따르면, 사람의 전반적인 뇌 리듬 패턴은 서로 다른 기록 세션과 심지어 두피의 서로 다른 센서 위치에서도 매우 안정적으로 유지되는 것으로 나타났습니다. 일종의 EEG 지문으로 기술된 이 일관성은 알파 대역에서 가장 강력하게 나타났지만 1~40 Hz의 넓은 범위에서 감지 가능했습니다.

특히, 피험자들이 완전히 다른 인지 작업을 수행하고 있을 때도 이 식별 시그니처가 유지되었는데, 이는 이 패턴이 순간의 특정 정신 활동에 반응하는 것이 아니라 개인의 뇌에 대한 구조적으로 안정적인 무언가를 반영함을 시사합니다.

이러한 리듬의 판별력은 연구진이 주파수 범위에서 W자형 패턴으로 기술한 것을 따랐으며, 가장 강력한 식별 피크는 10 Hz 알파 리듬을 중심으로 나타났습니다. 이 발견은 언젠가 뇌 활동을 안전한 개인 인증의 형태로 사용할 수 있는 생체 인식 시스템에 직접적으로 적용될 수 있습니다.

감정 읽기

감정 상태는 뇌 리듬 패턴에 측정 가능한 흔적을 남기며, Petrantonakis와 그의 연구팀의 연구에 따르면 이러한 흔적은 원시 시간 영역 신호보다는 시간-주파수 영역에서 가장 잘 포착됩니다. 연구자들은 적응형 분할 접근 방식을 사용하고 전두엽 알파 비대칭을 측정함으로써 다양한 정서가(valence)와 각성(arousal)의 조합을 구별할 수 있는 분류 시스템을 구축했으며, 무작위 추정으로 예상되는 수준을 훨씬 뛰어넘는 수준으로 감정 상태를 올바르게 분류했습니다.

이러한 주파수 기반 감정 감정은 사용자의 기분이나 감정적 참여에 반응하도록 설계된 뇌-컴퓨터 인터페이스(BCI)에 대한 관심 증가와 관련이 있습니다. 다만 보고된 분류 정확도가 테스트된 특정 감정 범주에 따라 약 64~83% 범위에 이른다는 점은 이것이 결정적인 감정 판독이라기보다는 여전히 확률적인 도구임을 보여줍니다.

뇌전증 정복

주파수 영역의 실질적인 가치를 가장 인상적으로 보여주는 것은 인력 뇌전증 연구일 것입니다. 앞서 언급한 2018년 연구는 발작기(ictal), 발작 전(preictal), 발작 간(interictal) 뇌 상태를 구분하는 임무를 맡은 합성곱 신경망(CNN)의 입력값으로서 시간 영역 및 주파수 영역 신호를 직접 비교했습니다.

두개 내 Freiburg 데이터베이스에서 주파수 영역 입력은 세 가지 개별 분류 실험에 걸쳐 92~97% 사이의 평균 정확도를 기록한 반면, 동일한 데이터베이스에서 시간 영역 입력은 약 84~91% 범위의 정확도를 기록했습니다. 두피에 기록된 CHB-MIT 데이터베이스에서는 그 격차가 상당히 벌어졌는데, 주파수 영역 정확도는 약 93~98% 사이로 높게 유지된 반면, 시간 영역 정확도는 일부 실험에서 단 48~62% 범위로 무너졌습니다.

이는 특정 기록 조건, 특히 두피 EEG의 경우 원시 시간 영역 신호에는 신뢰할 수 있는 자동 발작 분류에 필요한 식별 가능한 구조가 단순히 결여되어 있을 수 있으며, 반면 동일한 신호의 주파수 영역 재구성은 머신 러닝 시스템이 기본 패턴을 접근할 수 있도록 해준다는 것을 시사합니다.

나아가 Madhavan 등은 2020년 연구에서 감지보다는 구체적인 위치 파악에 초점을 맞춤으로써 이 개념을 더 발전시켰습니다. 싱크로스퀴징 변환(synchrosqueezing transform)이라는 기술을 사용하여 상세한 시간-주파수 표현을 생성하고 이를 심층 합성곱 신경망과 결합함으로써, 이 연구는 발작을 유발하는 원인인 간질 유발 영역에서 발생하는 국소(focal) EEG 신호를 뇌의 다른 곳에서 발생하는 비국소(non-focal) 신호와 구별하는 데 있어 99% 이상의 정확도, 민감도 및 특이도 값을 달성했습니다.

이 정도 수준의 정밀도는 발작 활동을 담당하는 정확한 뇌 영역을 올바르게 식별하는 것이 안전하고 효과적인 수술 개입의 전제 조건인 뇌전증 수술과 직접적인 관련이 있습니다.

살아있는 뇌를 바라보는 새로운 렌즈

시간에 따라 헤매는 단일 전압 선을 서로 다른 리듬의 스펙트럼으로 변환하는 것이 애초에 EEG를 판독 가능하게 만드는 메커니즘입니다. 이것이 없다면 두피 데이터로 작동하는 발작 감지 알고리즘은 무작위 형태보다 거의 나을 것이 없는 성능을 보일 수 있습니다.

이 조치가 있다면, 동일한 알고리즘이 정확도 면에서 90% 중반까지 도달할 수 있습니다. 이것이 없다면 미묘한 눈 깜박임 오염이 진짜 뇌 활동으로 가장할 수 있습니다.

주파수를 인지하는 보정을 사용하면 해당 오염을 더 신뢰할 수 있게 분리할 수 있습니다. 이것이 없다면 알파 대역 주위에 가장 강력하게 집중된, 사람의 뇌 리듬 내에서 안정적이고 개인 고유한 패턴은 보이지 않는 상태로 남아있게 됩니다. 이 조치가 있다면, 그 패턴은 측정 가능한 시그니처가 됩니다.

이러한 응용 분야 중 대다수는 EEG 신호에 새로운 정보를 추가할 것을 요구하지 않았습니다. 기존 정보를 마침내 노이즈와 구별하여 의미 있는 패턴으로 식별할 수 있는 형태로 재구성할 필요가 있었던 것입니다.

시간에서 주파수로의 전환이라는 재구성은 혼란스러운 전압 트레이스를 델타, 세타, 알파, 베타, 감마 활동의 구조화된 기록으로 바꾸어 주며, 연구자와 임상의에게 살아있는 뇌에서 펼쳐지는 수면, 감정 상태, 개인의 정체성 및 신경학적 질환을 연구할 수 있는 더 명확하고 비침습적인 방법을 제공합니다.

참고 문헌

1. Kenemans, J. L., Molenaar, P. C., Verbaten, M. N., & Slangen, J. L. (1991). Removal of the ocular artifact from the EEG: a comparison of time and frequency domain methods with simulated and real data. Psychophysiology, 28(1), 114-121. https://doi.org/10.1111/j.1469-8986.1991.tb03397.x

2. Zhou, M., Tian, C., Cao, R., Wang, B., Niu, Y., Hu, T., ... & Xiang, J. (2018). Epileptic seizure detection based on EEG signals and CNN. Frontiers in neuroinformatics, 12, 95. https://doi.org/10.3389/fninf.2018.00095

3. DelPozo-Banos, M., Travieso, C. M., Weidemann, C. T., & Alonso, J. B. (2015). EEG biometric identification: a thorough exploration of the time-frequency domain. Journal of neural engineering, 12(5), 056019.

4. Petrantonakis, P. C., & Hadjileontiadis, L. J. (2012). Adaptive emotional information retrieval from EEG signals in the time-frequency domain. IEEE transactions on signal processing, 60(5), 2604-2616. https://doi.org/10.1109/TSP.2012.2187647

5. Madhavan, S., Tripathy, R. K., & Pachori, R. B. (2019). Time-frequency domain deep convolutional neural network for the classification of focal and non-focal EEG signals. IEEE Sensors Journal, 20(6), 3078-3086. https://doi.org/10.1109/JSEN.2019.2956072

자주 묻는 질문

신경과학자들이 EEG 신호를 시간에서 주파수로 변환하는 이유는 무엇인가요?

원시 EEG 트레이스는 서로 다른 속도의 여러 뇌 리듬을 하나의 복잡한 파형으로 쌓아 두므로 개별 패턴을 보기 어렵습니다. 주파수 영역으로 변환하면 흰색 빛을 색상들로 분리하는 프리즘처럼 해당 신호가 별개의 구성 주파수로 분할되므로 각 리듬을 개별적으로 연구할 수 있습니다.

주파수 뷰는 눈 깜박임 아티팩트 제거를 어떻게 개선하나요?

눈 깜박임 오염은 EEG 주파수 대역에 따라 다르게 전달될 수 있으므로, 단순한 시간 기반 빼기는 흔히 실패합니다. 주파수 영역 회귀는 이러한 주파수 의존적 차이를 반영하여 실제 뇌 신호를 더욱 정확하게 복원할 수 있게 해줍니다.

시간 영역 대신 주파수 영역을 사용할 때 발작 감지 정확도는 어떻게 변하나요?

발작 관련 패턴은 원시 신호에 존재하지만 시간 영역에서는 보이지 않습니다. 주파수 분석은 데이터를 재구성하여 분류기가 90% 이상의 정확도를 달성할 수 있도록 돕는 반면, 원시 시간 영역 입력은 때로 두피 기록에서 무작위 추정보다 나을 것이 없는 성능을 보입니다.

알파 리듬이 강력한 생체 인식 식별자로 간주되는 이유는 무엇인가요?

알파 활동은 서로 다른 작업과 기록 세션 전반에 걸쳐 일관되게 유지되는 10 Hz 주변의 독특하고 안정적인 피크를 보여줍니다. 이러한 안정성은 개인의 잠재적인 뇌 구조를 반영하므로, 개인 식별을 위한 신뢰할 수 있는 EEG 지문이 됩니다.

EEG 주파수 패턴은 어떻게 감정 상태를 나타낼 수 있나요?

좌우 전두엽 뇌 영역 간의 알파 강도를 비교하는 전두엽 알파 비대칭은 정서가 및 각성에 따라 다릅니다. 주파수 영역 분석은 이러한 비대칭 패턴을 포착하여 무작위 추정 수준을 훨씬 상회하여 감정 상태를 분류할 수 있게 해줍니다.

뇌전증 수술에서 발작 시작 영역을 국소화하는 데 주파수 분석이 필수적인 이유는 무엇인가요?

짧고 고주파수인 감마 버스트와 모든 대역에 걸친 에포크 변화가 간질 유발 부위를 나타냅니다. 싱크로스퀴징과 같은 시간-주파수 기술은 이러한 패턴을 상세한 표현으로 변환하여, 딥 러닝 모델이 매우 높은 정밀도로 국소 발작 신호를 비국소 신호와 구별할 수 있게 해줍니다. 이는 안전한 수술 계획을 위한 필수 조건입니다.

입니다.