Improving the clinical utility of lower-limb surface electromyography (sEMG) by quantifying and correcting for location changes in inter-session recordings

기술 요약: 위치 정량화를 통한 하지 sEMG의 임상적 유용성 개선

문제 제기
표면 근전도(sEMG)는 근육 활동을 보여주는 비침습적인 창 역할을 하며, 특히 뇌졸중 재활과 같은 신경 및 근골격계 회복을 평가하는 데 있어 큰 가능성을 지니고 있다. 그러나 센서 배치에 대한 높은 민감도는 임상적 도입을 저해하는 요소이다. 일관된 센서 배치는 신호의 변화가 센서의 움직임에 의한 아티팩트가 아니라 생리학적 회복을 반영하도록 보장하는 데 매우 중요하다. SENIAM과 같은 가이드라인이 존재하지만, 이는 촉진(palpation)과 해부학적 랜드마크에 의존하며, 이는 근긴장도가 부족할 수 있는 환자군이나 비전문가 사용자(예: 원격 텔레-재활 환경에서의 사용자)에게는 어려운 과정이다. 이를 완화하기 위해 고밀도 sEMG(HDsEMG)와 독립 성분 분석(ICA)을 사용하려는 이전의 시도들은 특정 방향의 작은 평행 이동에만 국한되었으며, 임상 현장에서 흔히 발생하는 회전 변동이나 더 큰 배치 오류를 고려하지 못했다.

방법론
본 연구는 11명의 건강한 참가자의 HDsEMG 데이터를 사용하여 전극 위치의 세션 간 변화를 정량화하고 교정하는 새로운 알고리즘을 개발하였다.

• 데이터 수집: 참가자들은 64채널 HDsEMG 어레이(8x8, 1cm 간격)를 사용하여 네 개의 하지 근육(내측 비복근(GM), 전경골근(TA), 반건양근(ST), 대퇴근막장근(TFL))에 대해 등척성(최대 수축) 및 동적 운동(앉았다 일어나기, timed-up-and-go)을 수행하였다.
• 그라운드 트루스(Ground Truth) 생성: 임상적 부정확성을 시뮬레이션하기 위해, 어레이를 네 개의 분절에 걸쳐 이동된 위치(최대 4.25cm 평행 이동 및 ±30° 회전)로 재부착하였다. 3D 스캐너를 사용하여 피부 마커에 대한 어레이의 위치를 캡처함으로써 "그라운드 트루스" 이동값($x, y, \theta$)을 설정하였다.
• 알고리즘 개발: 세션 간의 이동을 추정하기 위해 경사 하강법 기반의 전역 최적화 도구가 설계되었다. 이 알고리즘은 HDsEMG 신호에서 추출된 세 가지 공간 매핑 메트릭의 평균 제곱 오차(RMSE)를 기반으로 가중치 적용된 목적 함수를 최소화한다:
  1. 평균 절대 쌍별 상관관계 (근활동의 공간적 패턴).
  2. 평균 주파수 (스펙트럼 콘텐츠).
  3. 최대 포락선 진폭 (시간 영역의 크기).
     메트릭들은 정규화되었으며, 기여도를 균형 있게 조절하기 위해 가중치(상관관계 2.72, 평균 주파수 1.24, 진폭 1.00)가 결정되었다.
• 검증: 알고리즘에 의해 추정된 이동값은 3D 스캔 그라운드 트루스와 평균 유클리드 거리(μED)를 통해 비교되었다. 또한, 본 연구는 알고즘을 사용하여 세션 간 "가장 가까운" 전극을 식-별하는 것이 현재의 표준 방식인 "동일한" 전극을 사용하는 것보다 특징 변동성을 줄이는지 분석하였다.

주요 기여

1. 강력한 이동 추정: 본 논문은 실제 기록 세션 중에 외부 이미징을 필요로 하지 않고 오직 sEMG 신호 특징만을 사용하여 전극의 평행 이동과 회전 이동을 모두 추정할 수 있는 알고리즘을 제시한다.
2. 특징 완화 전략: 알고리즘을 통해 식별된 가장 가까운 전극으로 특징을 매핑함으로써 세션 간 변동성을 완화하는 방법을 입증한다. 이는 고정된 전극 인덱스에 의존하는 대신 이 방식을 사용한다.
3. 포괄적 검증: 본 접근 방식은 여러 근육과 등척성 및 동적 운동 조건 모두에서 3D 스캔 그 ground truth를 통해 검증되었으며, 임상적으로 유의미한 배치 오류 하에서의 성능을 현실적으로 평가하였다.

결과

• 위치 추정: 알고리즘은 등척성 사례의 **81.7%**에서 (원점 가정 시보다) 위치 추정 성능을 개선하였다. 중앙값 μED는 원점 가정 시 3.00 cm에서 알고리즘 적용 시 1.22 cm로 감소하였다. 구체적으로, 모든 이동 중 **37.6%**가 1 cm 이내(전극 간 거리)로 식별되었는데, 이는 원점 가정 시 5% 미만인 것과 대조적이다. 성능은 근육마다 달랐으며, 전경골근(TA)이 1 cm 이내에서 50.0%의 정확도를 보이며 가장 높은 정확도를 나타냈다.
• 특징 변동성: 등척성 운동의 경우, "가장 가까운" 전극(알고리즘 또는 그 ground truth를 통해 식별된) 사이의 특징 차이(상대적 백분율 차이 및 평균 정규화 표준 편차)는 서로 통계적으로 유사했으나, 이동 발생 시 "동일한" 전극을 사용하는 것보다는 유의미하게 낮았다. 예를 들어, 등척성 최대 포락선 진폭의 평균 차이는 교정 없이 사용할 때 21.1%에서 알고리즘 교정 시 15.9%로 증가했다.
• 동적 운동: 알고리즘은 동적 운동에서 다소 낮은 성공률을 보였으나(약 5663%의 사례에서 개선 및 1517%의 사례에서 1 cm 이내 이동 식별), "가장 가까운" 전극 접근법을 통한 특징 변동성 감소 경향은 대부분의 특징에서 일관되게 나타났다. 다만, 통계적 유의성은 등척성 데이터에 비해 덜 뚜렷했다.

의의 및 주장
저자들은 이 연구가 근골격계 및 신경계 회복을 추적하기 위한 "강력한 sEMG 측정의 유망한 단계"라고 주장한다. 전극 위치 변화로 인한 세션 간 특징 차이를 효과적으로 줄임으로써, 제안된 접근 방식은 보다 직접적인 세션 간 특징 비교를 용이하게 한다. 본 논문은 이 알고리즘이 센서 배치 오류가 아닌 생리학적 회복에 기인한 신호 변화를 추적할 수 있는 종단적 sEMG 평가를 가능하게 할 수 있음을 시사한다.

저자들은 다음과 같은 한계점을 언급하며 신중한 태도를 유지한다:

• 본 연구는 단일 3시간 세션 내에서 수행되었으므로, (뇌졸중 회복 추적에 필수적인) 다주간의 일반화 가능성에 대해서는 추가 검증이 필요하다.
• 대상자가 뇌졸중 환자가 아닌 건강한 사람이며, 동적 운동 중 TA 결과가 특히 '족하수(drop-foot)' 평가와 관련하여 유의미하다는 점을 명시했다.
• 알고리즘은 전역 최적화에 의존하므로 로컬 미니마(local minima)에 빠질 수 있으며, 어레이 위치 간의 물리적 중첩이 필요하다는 제약이 있다.

궁극적으로, 이 논문은 이 기술을 sEMG 설정의 "전문 지식" 장벽에 대한 해결책으로 자리매김하며, 원격 또는 비전문가 환경에서 객관적인 회복 정량화를 가능하게 할 잠재력을 가진 것으로 보고 있다.