기후 지수, 생체 의학 기록, 의료 이미지 등 많은 실제 신호는 정지해 있지 않습니다. 운동하는 동안 심장 박동이 빨라졌다가 느려지고, 해수면 온도는 계절에 따라 진동하면서도 수십 년에 걸쳐 변화하는 것처럼 신호의 특성은 시간이 지남에 따라 변합니다. 이러한 신호들을 비정상성(non-stationary) 신호라고 합니다.
웨이블릿 변환(wavelet transform)은 이러한 신호들을 처리하기 위해 고안된 수학적 도구입니다. 이 변환은 신호를 시간과 척도(scale) 모두에서 국소화된 구성 요소로 분해하여, 특정 패턴이 정확히 언제 나타나고 어느 정도의 기간 또는 길이로 작용하는지 밝혀냅니다.
신호를 끝없는 사인파로 분해하는 기존의 푸리에 분석과 달리, 연속 웨이블릿 변환(CWT)은 단일 프로토타입 파형의 축소·확대 및 평행 이동된 복사본을 사용하여 시간-척도 표현을 구축합니다. 이 기사에서는 CWT의 논리, 마더 웨이블릿(mother wavelet)을 선택하는 방법, 그 결과로 나타나는 스케일로그램(scalogram)을 계산하고 해석하는 방법, 그리고 수십 년간의 적용을 통해 증명된 성과와 이 방법이 가진 고유한 한계에 대해 설명합니다.
웨이블릿 변환이란 무엇인가요?
웨이블릿 변환은 여러 스케일에서 신호를 분석하기 위한 수학적 방법입니다. 전체 신호를 전역적인 사인파 성분으로만 표현하는 대신, 웨이블릿이라고 불리는 짧은 함수와 신호를 비교합니다. 이 함수들은 신호를 따라 이동하며 확장되거나 압축되면서 국소적인 패턴을 보여줍니다.
그 결과는 계수들의 집합으로 나타납니다. 각 계수는 신호가 특정 위치와 스케일에서 특정 웨이블릿과 얼마나 유사한지를 나타냅니다. 일반적으로 작은 스케일은 급격한 변화와 미세한 세부 사항을 강조하는 반면, 큰 스케일은 더 완만한 변화와 전반적인 구조를 설명합니다.
이러한 국소적 거동은 웨이블릿 분석과 기존의 여러 주파수 분석 방법의 핵심적인 차이점입니다. 푸리에 변환은 어떤 주파수가 존재하는지 보여줄 수 있지만, 웨이블릿 변환은 그러한 특징들이 어디서 발생하는지도 함께 나타낼 수 있습니다. 이 때문에 과도 현상, 불연속성, 버스트, 에지 및 발생 타이밍이 중요한 기타 이벤트를 분석하는 데 적합합니다.
연속 웨이블릿 변환: 작동 원리
CWT의 핵심은 모웨이블릿(mother wavelet)이라고 불리는 하나의 국소화된 진동 함수 ψ(t)입니다. 신호를 고정된 사인파 세트로 분해할 필요가 없습니다. 대신, 이 하나의 프로토타입을 늘리고(스케일링) 슬라이딩(이동)하여 웨이블릿 패밀리를 생성합니다. 스케일 a와 위치 b에서의 CWT는 신호 x(t)와 a만큼 스케일링되고 b만큼 이동된 웨이블릿과의 내적입니다.
ψᵃᵇ(t) \= (1/√a) ψ((t‑b)/a)
인자 1/√a는 스케일 전반에 걸쳐 에너지를 정규화합니다. a가 작을 때 웨이블릿은 압축되어 짧고 급격한 변화를 포착합니다. a가 클 때 웨이블릿은 늘어나서 완만하고 넓은 기복을 포착합니다. 이동 b는 시간 축을 따라 웨이블릿을 이동시키므로, 분석은 처음부터 끝까지 미끄러지듯 진행됩니다.
출력은 시간과 스케일의 2차원 함수로, 스케일로그램(scalogram)으로 표시할 수 있습니다. 이미 1988년에 잉그리드 도비시(Ingrid Daubechies)와 같은 연구자들은 이산 웨이블릿을 위한 다중해상도 분석의 기초 개념을 공식화하여, 컴팩트 지지(compactly supported) 웨이블릿의 정규직교 기저(orthonormal bases)를 높은 규칙성으로 구축할 수 있음을 증명했습니다. CWT는 이러한 기본적인 스케일링 및 이동 원리를 상속받지만, 직교 기저의 요구 사항은 없습니다. 간단한 허용 조건(admissibility condition)을 만족하는 모웨이블릿이라면 무엇이든 사용할 수 있으므로 변환을 역변환할 수 있습니다.
이러한 구조는 웨이블릿에 특유의 강점을 부여합니다. 모웨이블릿은 짧고 파동 같은 펄스이기 때문에 자연스럽게 과도 현상에 집중합니다. 스케일링과 이동만으로 시간과 스케일을 동시에 볼 수 있게 해주는데, 이는 고정 창 푸리에 접근 방식이 시간과 주파수 해상도 사이에서 인위적인 타협을 강제하지 않고서는 따라올 수 없는 부분입니다.
이산 웨이블릿 변환이란 무엇인가요?
이산 웨이블릿 변환(DWT)은 가능한 모든 값을 평가하는 대신 구조화된 그리드에서 스케일 및 이동 매개변수를 샘플링합니다. 일반적인 구조에서는 스케일과 위치가 2의 거듭제곱과 같이 이진법(dyadically)으로 변경됩니다. 이를 통해 여러 해상도에서 정보를 유지하면서 압축된 계수 집합을 생성합니다.
DWT는 일반적으로 쌍을 이루는 저역통과 및 고역통과 필터로 구현됩니다. 저역통과 분기는 신호의 부드러운 근사화(approximation)를 유지하고, 고역통과 분기는 세부 사항(detail)을 포착합니다. 그런 다음 다운샘플링을 통해 각 레벨의 샘플 수를 줄이고, 근사화 분기를 다시 분해할 수 있습니다.
이러한 필터 뱅크 구조 덕분에 DWT는 유한한 디지털 데이터에 효율적입니다. 또한 분석 및 합성 필터가 올바르게 설계되었을 때 신호 복원을 지원합니다.
응용 분야에는 노이즈 제거, 압축, 이벤트 감지, 다중스케일 특징 추출 등이 포함되지만, 계수의 해석은 여전히 샘플링, 경계 처리 및 웨이블릿 선택에 따라 달라집니다.
이산 웨이블릿 변환 설명
DWT는 연속적인 레벨에서 근사 계수와 세부 계수를 통해 샘플링된 신호를 표현합니다. 첫 번째 레벨에서 신호는 완만하게 변하는 넓은 콘텐츠와 더 빠르게 변하는 세부 사항으로 분리됩니다. 근사화에서 이 작업을 반복하면 해상도의 계층 구조가 생성됩니다.
CWT와 달리 DWT는 일반적으로 모든 연속적인 위치와 스케일에 대해 계수를 생성하지 않습니다. 구조화된 샘플링을 통해 중복성과 계산 비용을 줄입니다. 이 덕분에 대규모 배열, 실시간 처리 및 압축 시스템에 실용적입니다.
분해 레벨은 분석이 얼마나 진행될지를 결정합니다. 레벨이 너무 적으면 넓은 구조를 놓칠 수 있고, 너무 많으면 해석하기 어렵거나 신호 길이 및 경계 조건에 강하게 영향을 받는 계수가 생성될 수 있습니다. 따라서 유용한 깊이는 데이터의 특성과 분석 목적에 따라 결정되는 것이지, 보편적인 상수가 아닙니다.
DWT 이산 웨이블릿 변환 알고리즘 단계
표준 DWT는 필터링과 다운샘플링의 반복을 통해 진행됩니다. 핵심 작업은 간단하지만 각 단계가 이후의 표현에 영향을 미칩니다.
웨이블릿 패밀리와 원하는 분해 레벨을 선택합니다.
저역통과 필터에 신호를 통과시켜 근사 샘플을 얻습니다.
동일한 신호를 고역통과 필터에 통과시켜 세부 샘플을 얻습니다.
두 출력을 다운샘플링하고 근사 분기에서 이 프로세스를 반복합니다.
계수를 저장하고 필요할 때 신호를 복원합니다.
결과물인 계수 트리는 거친 구조와 점진적으로 더 미세해지는 세부 사항을 분리합니다. 실제로, 선택한 계수가 분석과 관련된 신호 특징을 보존하는지 테스트하기 위해 복원 과정이 사용될 수 있습니다.
하르 웨이블릿 변환: 가장 간단한 웨이블릿
하르(Haar) 웨이블릿은 사용되는 가장 간단한 웨이블릿입니다. 이는 짧은 구간의 한 부분에서는 하나의 값을 갖고 다른 부분에서는 반대의 값을 가지며 평균이 0인 조각마다 일정한(piecewise constant) 함수입니다. 급격한 모양 덕분에 도약 및 계단 모양의 전이에 자연스럽게 반응합니다.
짧은 샘플 쌍에 대해 하르 변환은 평균과 차이를 계산하는 것으로 이해할 수 있습니다. 평균은 거친 근사치가 되고, 차이는 국소적인 변화를 기록합니다. 이 작업을 반복하면 특히 명확한 해석이 가능한 다중 레벨 표현이 생성됩니다.
하르 웨이블릿은 계산 비용이 적고 설명하기 쉽지만 부드럽지 않습니다. 점진적인 진동이 지배적인 신호는 부드러운 웨이블릿을 사용할 때보다 덜 효율적으로 표현될 수 있습니다. 이 웨이블릿의 가치는 부드러운 주파수 선택성보다 단순함, 빠른 계산 또는 불연속성에 대한 민감도가 더 중요할 때 가장 커집니다.
모웨이블릿 선택하기
모든 작은 요동이 모웨이블릿이 될 수 있는 것은 아닙니다. 이 함수는 허용 조건을 만족해야 합니다. 이는 본질적으로 평균이 0이고 유한한 에너지를 가짐을 의미하며, 즉 0의 위아래로 요동치다가 짧은 구간을 벗어나면 사라져야 함을 뜻합니다.
이러한 요구 사항 외에도 데이터에서 예상되는 특징의 종류와 일치하는 형태를 자유롭게 선택할 수 있습니다. 선택 공식이 따로 있는 것은 아니지만, 실제 경험을 통해 몇 가지 휴리스틱을 얻을 수 있습니다.
모양 유사성. 신호에 진동하는 버스트가 포함되어 있다면, 가우시안으로 감싸진 복소 사인파인 모를레(Morlet) 웨이블릿이 국소 진동과 유사하기 때문에 잘 작동하는 경우가 많습니다. 날카롭고 뾰족한 과도 현상의 경우, 멕시칸 햇(Mexican hat) 웨이블릿(가우시안의 2차 도함수) 또는 컴팩트 지지 웨이블릿과 같은 것이 에지와 피크를 더 깔끔하게 분리할 수 있습니다.
시간-스케일 해상도 균형. 더 긴 웨이블릿은 인접한 스케일 간의 미세한 식별을 가능하게 하지만, 특징이 발생하는 정확한 순간을 모호하게 만듭니다. 짧은 웨이블릿은 타이밍을 정확히 짚어내지만 스케일을 혼합합니다. 이는 국소 분석에서 불가피한 절충점이며 결함이 아닙니다.
실수 대 복소수 웨이블릿. 실수 값을 가지는 모웨이블릿(예: 멕시칸 햇)은 진폭 정보만 제공합니다. 복소수 웨이블릿(예: 모를레)은 진폭과 위상을 모두 산출하므로, 나중에 크로스 웨이블릿 일관성(cross-wavelet coherence)을 통해 두 신호 간의 타이밍 관계를 분석하고자 할 때 필수적일 수 있습니다.
도비시의 연구에서 구축된 컴팩트 지지 웨이블릿의 정규직교 기저는 이산적이고 완벽한 복원 작업을 위해 고안된 것입니다. CWT의 경우 정규직교성에 얽매이지 않으므로, 신호의 형태와 더 잘 맞는다면 비직교 웨이블릿을 자유롭게 선택할 수 있습니다.
그럼에도 불구하고 컴팩트 지지 및 규칙성은 에지 왜곡을 줄이고 깔끔한 변환을 제공할 수 있으므로 여전히 유용합니다.
연속 웨이블릿 변환 계산하기
실제로 CWT는 신호와 모웨이블릿의 스케일링 및 시간 반전된 사본을 컨볼루션하여 근사화합니다. 신호가 유한하기 때문에 웨이블릿이 데이터의 시작이나 끝에 도달함에 따라 필연적으로 경계를 벗어나게 됩니다. 이러한 경계 영역은 왜곡된 값을 생성합니다. 영향권(COI; cone of influence)은 경계 효과로 인해 분석을 신뢰할 수 없는 시간-스케일 영역을 표시합니다. COI에 들어오는 모든 특징은 의심해 보아야 합니다.
스케일로그램을 빌드하기 위해 스케일은 일반적으로 신호의 지속 시간과 일치하는 범위를 커버하도록 2의 분수 거듭제곱으로 샘플링됩니다. CWT 계수의 제곱 크기를 계산하면 웨이블릿 파워가 생성되며, 이를 시간은 한 축에, 스케일은 다른 축에 두고 컬러맵으로 표시합니다.
스케일로그램 해석하기
스케일로그램은 웨이블릿 분석의 주요 시각적 출력물입니다. 밝은 영역은 높은 웨이블릿 파워에 대응하며, 이는 신호가 특정 스케일과 시간에서 강한 성분을 가지고 있음을 나타냅니다.
하지만 모든 핫스팟이 의미 있는 것은 아닙니다. 실제 특징과 무작위 요동을 구별하기 위해 연구자들은 종종 이론적 배경인 백색 잡음(파워가 고르게 분포됨) 및 적색 잡음(많은 자연 과정처럼 파워가 저주파에 집중됨)에 대한 통계적 유의성 테스트를 도출합니다. 관측된 파워를 배경 스펙트럼의 95번째 백분위수와 비교함으로써, 우연히 발생했을 가능성이 낮은 기간과 스케일을 식별할 수 있습니다.
시간, 스케일, 또는 두 가지 모두에 대해 스무딩을 적용하면 이러한 특징의 신뢰도를 높일 수 있습니다.
CWT의 알려진 한계 및 주의 사항
약점이 없는 수학적 도구는 없으며 CWT도 예외는 아닙니다. 모웨이블릿 선택은 유연성을 주는 동시에 까다로운 부분입니다. 미지의 신호에 대해 최적의 웨이블릿을 보장하는 자동화된 절차는 없습니다.
부적절한 선택(예: 날카로운 스파이크가 가득한 신호에 긴 모를레 웨이블릿을 적용하는 것)은 특징을 흐리게 하거나 잘못된 스케일로그램 왜곡을 유발할 수 있습니다. 실험자가 눈으로 보고 좋은 일치 항목을 찾았더라도 분석에는 여전히 주관적인 부분이 남아있습니다.
경계 효과는 유한한 데이터의 물리적 한계입니다. 긴 스케일은 웨이블릿을 경계 너머로 멀리 밀어내기 때문에 COI가 가장 거친 스케일에서 스케일로그램의 많은 부분을 가릴 수 있습니다. 가장자리에서 추론된 모든 이벤트는 잠정적인 것으로 취급해야 합니다. 유의성 테스트는 원칙적이지만, 모든 데이터 세트에 부합하지 않을 수 있는 가정된 노이즈 모델에 의존합니다.
새로운 데이터 세트에 접근할 때 가장 명확한 경로는 신호의 예상 구조에 대한 물리적 추론과 보수적인 통계 검증을 결합하는 것이며, 스케일로그램은 제안을 담은 지도일 뿐 결정적인 해부학적 청사진이 아니라는 점을 분명히 받아들이는 것입니다.
EEG 분석을 위한 웨이블릿 변환 활용
뇌전도(EEG)는 시간에 따른 전압 변화를 기록하며, 이러한 변화에는 종종 겹치는 리듬, 일시적인 이벤트 및 비정상성(non-stationary) 거동이 포함되어 있습니다. 웨이블릿 변환은 시간과 스케일에 걸쳐 이러한 성분들을 표현할 수 있어 특정 패턴이 나타나는 시기를 분석하는 데 유용합니다. 따라서 이 방법은 신경과학 및 EEG 기록 분석과 관련이 깊습니다.
EEG 작업에서 계수는 스케일, 시간 간격, 채널 또는 이벤트 조건별로 요약될 수 있습니다. 이러한 요약은 리듬, 유발 전위, 발작 관련 과도 현상, 수면 패턴 또는 아티팩트 구조 연구를 지원할 수 있습니다. 변환 자체만으로 뇌 질환을 진단하는 것은 아니며, 적절한 수집, 전처리, 비교군 및 해당 분야의 전문 지식을 동반해야 해석할 수 있습니다.
전처리는 여전히 핵심적입니다. 전극 아티팩트, 안구 운동, 근육 활동, 참조 선택, 필터링, 누락된 데이터 및 경계 효과 모두 웨이블릿 계수를 변경할 수 있습니다. 결과는 또한 주파수-스케일 매핑 및 선택된 웨이블릿이 연구 중인 시간적 형태와 얼마나 유사한지에도 민감합니다.
웨이블릿 변환 계산을 위한 도구 및 소프트웨어
웨이블릿 변환은 수치 라이브러리, 과학적 프로그래밍 환경 및 전문 신호 처리 소프트웨어를 사용하여 계산할 수 있습니다. 적절한 선택은 목표가 교육, 탐색적 시각화, 배치 처리, 임베디드 계산 또는 재현 가능한 연구인지에 따라 달라집니다.
유용한 도구는 변환 매개변수를 단일 기본 명령 뒤에 숨기지 않고 명확하게 노출해야 합니다.
전형적인 워크플로는 샘플링된 데이터를 로드하고 유효성을 검사하며, 웨이블릿을 선택하고, CWT 또는 DWT를 계산하고, 계수를 검사한 뒤 복원 또는 하류 특징들을 평가합니다. 매개변수를 제어하여 변경하면서 워크플로를 반복하면 결과가 안정적인지 여부를 확인할 수 있습니다. 미세한 구현 차이가 계수 값에 영향을 미칠 수 있으므로 문서화 및 버전 기록이 중요합니다.
신뢰할 수 있는 작업을 위해 소프트웨어 평가는 수치적 정확도, 다차원 데이터 지원, 경계 옵션, 플로팅, 계산 비용 및 상호 운용성을 포함하는 경우가 많습니다. 또한 그러한 맥락이 없는 계수는 재현하거나 해석하기 어렵기 때문에 코드에는 샘플링 레이트와 전처리 이력이 보존되어야 합니다.
비정상 신호를 읽는 데 웨이블릿 분석이 중요한 이유
웨이블릿 변환의 결정적인 통찰은 신호의 정체성을 고정된 주파수 목록이 아니라 패턴이 언제 발생하고 얼마나 지속되는지를 보여주는 살아있는 지도로 파악할 때 가장 잘 이해된다는 점입니다. 이러한 시간-스케일 관점은 실제 환경에서 그 가치를 입증했습니다. 그러나 이러한 성공에는 수학이 시작되기 전에 이루어진 선택만큼만 분석을 신뢰할 수 있다는 주의 사항이 늘 따릅니다.
모웨이블릿을 선택하는 것은 과학적 판단의 영역이며, 경계 효과와 노이즈 가설은 스케일로그램이 주장할 수 있는 범위에 실질적인 제한을 둡니다. 정직한 결론은 웨이블릿 분석이 변화하는 신호에서 구조를 볼 수 있는 방법을 제공하지만, 모든 밝은 영역을 맹목적으로 받아들이기보다는 보수적인 해석을 요구한다는 것입니다.
물리적 추론과 통계적 검증을 병행하는 연구자들은 결론을 적절히 겸손하게 유지하면서 이 도구로부터 가장 큰 가치를 얻습니다.
참고 문헌
Daubechies, I. (1988). Orthonormal bases of compactly supported wavelets. Communications on pure and applied mathematics, 41(7), 909-996. https://doi.org/10.1002/cpa.3160410705
Torrence, C., & Compo, G. P. (1998). A practical guide to wavelet analysis. Bulletin of the American Meteorological society, 79(1), 61-78. https://doi.org/10.1175/1520-0477(1998)079%3C0061:APGTWA%3E2.0.CO;2
자주 묻는 질문(FAQ)
웨이블릿 변환이란 무엇이며 왜 비정상 신호에 사용되나요?
웨이블릿 변환은 시간과 스케일 모두에서 국소화된 성분으로 신호를 분해하여 패턴이 언제 나타나고 어떤 기간 동안 작동하는지 보여줍니다. 이는 일정한 동작을 가정하는 고정된 접근 방식과 달리, 시간에 따라 특성이 변하는 비정상 신호를 위해 고안되었습니다.
연속 웨이블릿 변환은 푸리에 분석과 어떻게 다른가요?
신호를 끝없는 사인파로 분해하는 대신, CWT는 단일 모웨이블릿의 스케일링 및 이동된 복사본을 사용합니다. 이 구조는 시간과 스케일을 동시에 보여주므로 푸리에 방법에서 나타나는 시간과 주파수 해상도 간의 고정 창 절충 관계를 피할 수 있습니다.
모웨이블릿이란 무엇이며 어떤 조건을 만족해야 하나요?
모웨이블릿은 신호를 분석하기 위해 늘어나고 이동되는 단일 국소 진동 함수입니다. 유효하려면 허용 조건을 충족해야 하는데, 이는 본질적으로 평균이 0이고 유한한 에너지를 가짐을 의미합니다. 즉, 0의 위아래로 요동치다가 짧은 구간을 벗어나면 사라집니다.
특정 신호에 적합한 모웨이블릿은 어떻게 선택하나요?
예상되는 특징과 모양이 일치하는 웨이블릿을 선택하십시오. 예를 들어, 모를레 웨이블릿은 진동하는 버스트에 적합하고, 멕시칸 햇 웨이블릿은 날카로운 스파이크를 분리합니다. 또한 시간 해상도와 스케일 해상도 간의 균형을 맞추고, 복소수 웨이블릿이 진폭과 위상을 모두 제공하는 것을 고려하여 위상 정보가 필요한지 결정합니다.
스케일로그램이란 무엇이며 어떻게 해석하나요?
스케일로그램은 웨이블릿 분석의 주요 시각적 출력물로, 한 축에는 시간을, 다른 축에는 스케일을 두고 웨이블릿 파워를 플로팅합니다. 밝은 영역은 특정 시간과 스케일에서 강한 신호 성분을 나타내지만, 백색 또는 적색 잡음 배경에 대한 유의성 테스트는 무작위 요동과 실제 특징을 구별하는 데 도움이 됩니다.
영향권(COI)이란 무엇이며 왜 중요한가요?
영향권은 웨이블릿이 유한한 데이터 경계를 벗어남에 따라 경계 효과로 인해 웨이블릿 분석을 신뢰할 수 없게 되는 시간-스케일 영역을 표시합니다. COI 내부로 떨어지는 특징은 신중하게 다루어야 합니다.
연속 웨이블릿 변환의 주요 한계는 무엇인가요?
모웨이블릿의 선택은 부분적으로 주관적이며, 부적절한 선택은 특징을 흐리게 하거나 잘못된 아티팩트를 생성할 수 있습니다. 경계 효과는 스케일로그램의 넓은 영역을 오염시킬 수 있으며, 유의성 테스트는 모든 데이터 세트에 부합하지 않을 수 있는 가정된 노이즈 모델에 의존합니다.
실수형 및 복소수형 모웨이블릿은 실제 적용에서 어떻게 다른가요?
멕시칸 햇과 같은 실수 값을 갖는 웨이블릿은 진폭 정보만 제공합니다. 모를레와 같은 복소수 웨이블릿은 진폭과 위상을 모두 제공하며, 이는 크로스 웨이블릿 일관성을 통해 신호 간의 타이밍 관계를 분석하는 데 필수적입니다.
CWT와 DWT의 차이점은 무엇인가요?
연속 웨이블릿 변환(CWT)은 밀접하게 간격을 둔 많은 스케일과 위치를 평가하여 상세하고 종종 중복된 표현을 생성합니다. 이산 웨이블릿 변환(DWT)은 구조화된 스케일과 위치 집합을 사용하여 더 조밀한 표현을 생성합니다.
하르 웨이블릿은 어디에 사용되나요?
하르 웨이블릿은 급격한 변화나 계단 모양의 동작을 보이는 신호에 대해 간단하고 신속한 분석을 수행하는 데 유용합니다. 또한 조각마다 일정한 형태 덕분에 기본적인 평균과 차이를 쉽게 해석할 수 있습니다.
Emotiv는 접근 가능한 EEG 및 뇌 데이터 도구를 통해 신경과학 연구 발전을 돕는 선도적인 신경기술 기업입니다.
크리스티안 부르고스
