Improving TMS EEG Signal Quality for Closed-Loop Neuro Stimulation via Source-Domain Denoising

기술적 요약: 소스 영역 노이즈 제거를 통한 폐루프 신경자극을 위한 TMS–EEG 신호 품질 향상

문제 제기
경두개 자기자극과 뇌전도 (TMS–EEG) 의 결합은 피질 역학을 탐구하고 폐루프 뇌 - 컴퓨터 인터페이스 (BCI) 시스템을 개발하기 위한 강력한 방법을 제공합니다. 그러나 TMS–EEG 의 유용성은 근본적인 신경 신호를 가리는 거대한 아티팩트의 존재로 인해 심각하게 제한됩니다. 이러한 아티팩트에는 TMS 유발 근육 활동 (EMG), 자극기 충전 과도 현상, 체감각 유발 전위, 그리고 환경적 노이즈가 포함됩니다. '차원의 저주'로 인해 노이즈가 있는 TMS–EEG 데이터를 특정 뇌 회로 상태에 매핑하는 것이 어려워짐에 따라 이러한 도전은 더욱 복잡해집니다. 또한, 다양한 아티팩트 제거 방법이 존재하지만, 특히 진정한 생리학적 기준치 (ground truth) 가 부재한 상황에서 자동화된 정제 전략을 체계적으로 비교하고 검증할 수 있는 표준화되고 신중하게 전처리된 참조 데이터셋이 부족합니다.

방법론
본 연구는 벤치마크 데이터셋을 생성하기 위한 견고한 전처리 파이프라인을 수립하고, 신호 공간 투사 (SSP) 와 소스 추정치 활용 노이즈 폐기 (SOUND) 알고리즘이라는 두 가지 주요 소스 기반 아티팩트 제거 접근법을 평가했습니다.

1. 데이터 수집 및 초기 전처리:

   • 설정: EEG 데이터는 좌측 일차 운동 피질 (M1) 에 휴식 시 운동 역치 (resting motor threshold) 의 100% 로 TMS 를 적용한 32 채널 EasyCap 시스템을 사용하여 기록되었습니다.
   • 초기 정제: 원시 데이터는 필터링 (1–40 Hz), 250 Hz 로의 다운샘플링, 그리고 아티팩트 플래그 지정 (±500 µV 초과 지점 제거) 을 거쳤습니다.
   • ICA 및 성분 제거: 데이터를 의사 에포크 (pseudo-epochs) 로 분할한 후 Infomax 독립 성분 분석 (ICA) 을 적용했습니다. 성분은 ICLabel 과 시각적 검사를 통해 분류되었습니다. 안구, 근육, 심장, 선 노이즈, 또는 채널 노이즈로 식별된 성분은 제외되었습니다. 본 연구는 중첩된 신경 신호의 왜곡을 최소화하기 위해 거의 100% 아티팩트인 성분만 제거하는 것을 강조합니다.

2. 아티팩트 제거 파이프라인:

   • 신호 공간 투사 (SSP): 고진폭 과도 아티팩트를 억제하기 위해 적용되었습니다. 저자들은 SSP 가 일반적으로 공간 패턴을 복원하기 위해 소스 정보 재구성 (SIR) 과 짝을 이룬다고 언급했으나, 전방향 모델 (forward model) 구축에 필요한 구조적 MRI 데이터의 부재로 인해 본 연구에서는 SIR 을 생략했습니다.
   • SOUND 알고리즘: 오픈 소스 MATLAB TESA 툴박스를 기반으로 파이썬으로 구현되었습니다. 이 소스 영역 방법은 EEG 전방향 모델을 사용하여 EEG 신호를 교차 검증하여 노이즈 성분을 식별하고 폐기하면서 진정한 신경 활동을 보존합니다. 구현 시 리드 필드 행렬을 압축하여 계산 효율성을 높이기 위해 특이값 분해 (SVD) 를 활용했습니다.

주요 결과

• 아티팩트 특성화: 본 연구는 펄스 아티팩트 (1ms), 스텝 응답 (5–7ms), 두개골 근육 아티팩트 (5–10ms), 감쇠 아티팩트 (10–100ms), 그리고 충전 아티팩트를 포함한 특정 아티팩트 소스를 식별했습니다.
• SSP 의 성능: SSP 는 TMS 펄스 직후의 대진폭 과도 현상을 효과적으로 감소시켰으나, SIR 이 부재함에 따라 잔류 아티팩트와 잠재적인 신호 왜곡이 발생하여 일부 채널이 전형적인 생리학적 진폭 범위 (5–8 µV) 를 초과했습니다.
• SOUND 의 성능: SOUND 알고리즘은 소스 영역 정제에서 우수한 효과를 입증했습니다.
  • 진폭 감소: SOUND 처리 후 트레이스는 ±5 µV 범위 내에 제한되었으며, 이는 원시 신호보다 한 자릿수 낮은 수준입니다.
  • 신호 일관성: 채널 간 분산이 균등화되어 최소한의 비상관 센서 노이즈와 함께 공유된 피질 활동을 나타내는 고도로 중첩된 트레이스가 드러났습니다.
  • 시간 - 주파수 분석: SOUND 정제 전, 시간 - 주파수 표현 (TFR) 은 광대역 노이즈와 코일 링잉이 지배하여 신경 진동을 가렸습니다. SOUND 정제 후에는 뚜렷한 자극 후 베타 반동 (15–30 Hz) 이 명확하게 관찰되어 진정한 진동 활동의 성공적인 복원을 나타냈습니다.
• 신경 역학 보존: 공간 패턴을 왜곡하거나 중첩된 신경 신호를 제거할 위험이 있는 ICA 나 SSP 단독과 달리, SOUND 의 소스 영역 접근법은 빠른 시간적 변동과 피질 반응의 주요 구조를 보존했습니다.

주요 기여

1. 벤치마크 데이터셋 생성: 본 연구는 향후 아티팩트 제거 알고리즘 검증을 위한 참조 자료로 기능하는 신중하게 전처리된 TMS–EEG 데이터셋을 제작했습니다. 저자들은 진정한 생리학적 기준치가 부재하므로, 이 데이터셋을 깨끗한 활동의 절대적 표현이 아닌 '신중하게 전처리된 참조'로 간주해야 한다고 명시적으로 밝혔습니다.
2. SOUND 의 파이썬 구현: 본 연구는 SOUND 알고리즘을 MATLAB TESA 툴박스에서 파이썬으로 성공적으로 이식하여 향후 실시간 시스템 통합을 위한 접근성과 재현성을 향상시켰습니다.
3. 파이프라인 검증: 이 작업은 SIR 없이 SSP 와 SOUND 를 체계적으로 평가하여, 소스 영역 노이즈 제거가 연구 및 임상 맥락 모두에서 데이터 신뢰성 향상을 위한 필수 단계임을 입증했습니다.

의의 및 주장
본 논문은 제안된 워크플로우가 TMS–EEG 를 폐루프 BCI 프레임워크에 통합하기 위한 전제 조건인 데이터 신뢰성을 크게 향상시킨다고 주장합니다. 아티팩트를 효과적으로 억제하면서도 피질 역학을 보존함으로써, 본 연구는 기존 오픈루프 시스템이 종종 실패하는 만성 통증과 같은 질환을 위한 맞춤형 폐루프 중재 개발을 지원합니다.

저자들은 자신의 주장에 대해 겸손한 입장을 유지합니다: 그들은 정제된 데이터가 뇌 활동의 절대적인 '진실'을 대표한다고 주장하지 않습니다. 대신, 그들의 작업을 표준화된 벤치마크 확립을 위한 기초적인 단계로 위치시킵니다. 최종 목표는 이러한 정제된 TMS–EEG 신호를 더 큰 BCI 시스템에 통합하여 피질 역학에 대한 이해를 증진하고 임상적 응용을 확장하는 것입니다. 향후 연구는 SOUND 알고리즘의 실시간 변형 (FAST SOUND) 을 탐구하고 특정 증상 유발 패러다임에 맞춘 시냅스 가소성 및 위상 추정 모델을 조사하는 것으로 제안됩니다.