How does downsampling affect needle electromyography signals? A generalisable workflow for understanding downsampling effects on high-frequency time series

탐정의 딜레마: 근육의 음악을 듣다

이 연구진이 무엇을 했는지 이해하려면, 먼저 그들이 듣고 있는 이 "음악"이 무엇인지 이해해야 합니다. 당신이 근육을 움직일 때, 신경은 근육에 수축하라는 명령을 내리기 위해 전기 스파크를 보냅니다. 침 근전도(nEMG) 검사는 바로 이 스파크를 듣는 것입니다. 이것은 마치 근육 안에 마이크를 넣어 단일 운동 단위(하나의 신경과 그것이 제어하는 근섬유)의 미세한 전기적 "톡" 소리를 듣는 것과 같습니다. 이 소리들은 매우 빠르고 상세하며, 초당 약 23,437.5회의 측정값으로 기록됩니다.

문제는 이 데이터 양이 컴퓨터에게 큰 부담이라는 점입니다. 만약 의사가 실시간으로 질병을 진단하기 위해 컴퓨터 프로그램을 사용하고 싶다면, 컴퓨터는 수백만 개의 이러한 데이터 포인트를 처리해야 합니다. 이는 마치 단 1초 만에 도서관의 책들을 모두 읽으려는 것과 같습니다. 이를 가능하게 하기 위해 과학자들은 **다운샘플링(downsampling)**을 사용합니다. 다운샘플링을 고해상도 사진을 작은 휴대폰 화면에 맞게 크기를 조절하는 것에 비유해 보세요. 파일 크기를 줄이고 로딩을 쉽게 만들기 위해 일부 픽셀을 버리는 것입니다. 신호의 세계에서 이는 몇 번째($k$번째) 측정값만을 남기고 나머지는 버리는 것을 의미합니다.

하지만 위험 요소가 있습니다. 너무 많이 버리면, 의사가 근육이 건강한지 혹은 질병이 있는지 알려주는 특정 "음표"를 놓칠 수 있습니다. 어떤 질병은 전기 신호를 짧고 뾰족하게 만드는 반면, 다른 질병은 길고 물결치듯 만듭니다. 만약 당신의 다운샘플링 방식이 그 뾰족한 부분들을 매끄럽게 만들거나 파동을 늘려버린다면, 컴퓨터는 혼란에 빠져 잘못된 진단을 내릴 수 있습니다. 연구진은 "스위트 스팟(최적의 지점)", 즉 파일은 작아서 빠르면서도 진단에는 충분히 큰 상태를 찾고자 했습니다.

실험: 축소 광선을 테스트하다

연구진은 단순히 추측한 것이 아니라, 22명의 환자로부터 얻은 실제 근육 기록 데이터셋을 대상으로 다섯 가지 서로 다른 "축소 광선"(다운샘플링 알고리즘)을 테스트하기 위해 체계적인 워크플로우를 구축했습니다. 이 환자들은 세 그룹(건강한 대조군, 근병증 환자, ALS 환자)으로 나뉘었습니다.

그들은 데이터를 축소하는 다섯 가지 방법을 테스트했습니다:

1. 데시메이트(Decimate): 표준 방식입니다. $k$번째 점을 선택하되, 고주파 노이즈가 가짜 저주파 노이즈로 변하는 것을 막기 위해 먼저 필터를 사용합니다(마치 모래를 붓기 전에 체를 사용하여 큰 돌을 걸러내는 것과 비슷합니다).
2. MinMax: 데이터 덩어리를 살펴보고 가장 높은 점과 낮은 점만을 유지하여 파동의 "높이"를 보존하려고 시도합니다.
3. M4: 점들을 더 잘 연결하여 모양이 울퉁불퉁해지지 않도록 하는 더 똑똑한 MinMax 버전입니다.
4. LTTB (Largest Triangle Three Buckets): 신호의 전체적인 "면적"이나 모양을 유지하기 위해 가장 큰 삼각형을 형성하는 점들을 선택하는 방식입니다.
5. MinMaxLTTB: 가장 높은 점과 낮은 점을 먼저 뽑은 다음, 나머지 부분에 LTTB 방식을 사용하는 하이브리드 방식입니다.

각 방법별로, 그들은 데이터를 다양한 비율(2배, 5배, 10배에서 최대 1000배까지)로 축소해 보았습니다. 그런 다음, 축소된 데이터 상태에서도 컴퓨터 프로그램(Random Forest 분류기)이 건강한 상태, 근병증, ALS 신호를 여전히 구분할 수 있는지 확인했습니다.

결과: 속도 대 형태

결과는 놀라웠고 매우 실용적이었습니다. 연구진은 데시메이트(Decimate) 방식이 명백한 승자라는 것을 발견했습니다. 이 방식은 데이터를 30배로 축소해도(30개 중 1개만 남겨도) 원래의 전체 크기 데이터와 동일한 수준의 진단 정확도를 유지할 수 있었습니다. 이는 특징 추출 시간을 60배나 단축하는 결과를 가져왔습니다. 쉬운 말로, 컴퓨터는 진단 능력을 전혀 잃지 않으면서도 근육 신호를 60배 더 빠르게 분석할 수 있게 된 것입니다.

그러나 신호의 시각적 형태를 보존하거나 더 "예쁘게" 보이도록 설계된 다른 방식들은 성과가 좋지 않았습니다.

• LTTB와 MinMaxLTTB 방식은 정확도가 떨어지기 시작하기 전까지 25배까지만 데이터를 축소할 수 있었습니다.
• M4 방식은 훨씬 더 빨리, 즉 20배에서 한계에 부딪혔습니다.
• MinMax 방식 역시 25배에서 벽에 부딪혔습니다.

왜 "못생긴" 표준 방식인 데시메이트가 승리했을까요? 연구진은 SHAP 분석이라는 특별한 도구를 사용하여 컴퓨터의 뇌 내부를 들여다보았습니다. 그들은 컴퓨터가 파형의 정확한 "높이"나 "모양"(화려한 방식들이 보존하려 했던 것들)에는 크게 신경 쓰지 않는다는 것을 발견했습니다. 대신, 컴퓨터는 신호의 주파수(파동이 얼마나 빨리 진동하는지)와 신호가 제로(0) 선을 얼마나 자주 통과하는지에 크게 의존했습니다. 안티-앨리어싱 필터를 갖춘 표준 데시메이트 방식은 이러한 주파수 세부 사항을 완벽하게 보존했습니다. 반면, 형태를 보존하려는 화려한 방식들은 실수로 이러한 주파수를 왜곡하여 컴퓨터를 혼란스럽게 만들었습니다.

"근병증"이라는 병목 현상

이 연구가 찾아낸 한 가지 흥미로운 세부 사항은 "근병증(Myopathic)" 그룹이 축소에 가장 민감했다는 점입니다. 컴퓨터는 건강한 신호와 ALS 신호는 꽤 많이 축소해도 잘 처리했지만, 근병증 신호는 30배 축소 단계에서 혼란을 일으키기 시작했습니다. 이는 근병증 신호가 흔히 매우 짧고 뾰족하기 때문에 발생하는 합리적인 결과입니다. 데이터를 너무 많이 축소하면 그 작은 스파이크들이 사라지거나 하나로 합쳐질 수 있습니다. 이는 근육 질환 환자의 경우, 의사들이 데이터를 너무 공격적으로 축소하지 않도록 각별히 주의해야 함을 시사합니다.

이것이 미래에 갖는 의미

이 연구는 우리가 이러한 질병을 진단하기 위해 모든 데이터 포인트를 유지할 필요는 없다는 결론을 내립니다. 데시메이트 방식을 사용하여 데이터를 30배로 축소함으로써, 우리는 자동 분석을 60배 더 빠르게 만들 수 있습니다. 이는 "근접 실시간(near real-time)" 분석, 즉 의사가 아직 바늘을 잡고 있는 동안 컴퓨터가 즉각적으로 도움을 줄 수 있는 단계로 가는 거대한 진전입니다.

하지만 저자들은 이 결과가 하나의 특정 데이터셋(EMGLAB)과 특정 유형의 근육 수축(낮은 수준의 자발적 움직임)에 기반하고 있다는 점을 유념해야 한다고 강조합니다. 그들은 자신들의 워크플로우가 다른 신호들을 테스트하는 데 훌륭한 도구가 되겠지만, 특정 "30배" 규칙은 휴식 중인 근육이나 최대 노력과 같이 다른 종류의 근육 활동을 테스트할 경우 달라질 수 있다고 제안합니다. 이러한 활동들은 서로 다른 고주파 단서를 가질 수 있기 때문입니다. 또한, 컴퓨터가 빨라지더라도 최종 결정은 신호를 보고 "그래, 이것은 여전히 근육 질환처럼 보인다"라고 말할 수 있는 인간 의사의 판단이 반드시 동반되어야 함을 강조합니다.

요약하자면, 이 논문은 때때로 '적은 것이 더 많은 것(less is more)'이 될 수 있음을 보여줍니다. 스마트한 방식으로 데이터 포인트의 97%를 버림으로써, 우리는 의료용 AI를 더 빠르고 정확하게 만들 수 있으며, 이를 통해 즉각적인 자동 근육 진단에 한 걸음 더 다가갈 수 있습니다.