EEG Bad-Channel Detection Using Multi-Feature Thresholding and Co-Occurrence of High-Amplitude Transients

이 논문은 고밀도 EEG 데이터의 하위 분석 품질을 보장하기 위해 다중 특징 임계값과 고진폭 과도현상의 공발생을 기반으로 채널을 점수화하고 군집화하여, 최종 판단을 인간이 개입하는 인터랙티브 검토를 통해 수행하는 해석 가능한 MATLAB 기반 불량 채널 탐지 모듈을 제안합니다.

핵심

이 논문은 뇌파 (EEG) 데이터를 분석할 때 발생하는 '고장 난 센서 (나쁜 채널)'를 찾아내는 새로운 도구에 대해 설명합니다.

기존의 자동화된 프로그램들은 "이 데이터가 너무 이상하니까 다 지워버려!"라고 강하게 판단하는 경우가 많았습니다. 하지만 이 논문은 **"잠깐만, 그 이상한 신호가 고장 난 센서 때문인지, 아니면 우리 모두에게 동시에 일어난 공통된 현상 (예: 깜빡임, 근육 떨림) 인지를 사람이 직접 확인하자"**는 철학을 담고 있습니다.

이 복잡한 내용을 일상적인 비유로 쉽게 풀어보겠습니다.

---

🎤 비유: "콘서트 홀의 마이크 점검"

뇌파 실험은 마치 수백 개의 마이크가 설치된 콘서트 홀에서 청중의 소리를 녹음하는 것과 같습니다.

1. 문제 상황 (나쁜 채널):
   어떤 마이크는 전선이 끊겨서 '치이익' 소리가 나고, 어떤 마이크는 바닥에 떨어져서 큰 소음을 냅니다. 이런 마이크들은 녹음된 음악을 망쳐버리죠.
2. 기존 방식의 한계:
   예전에는 컴퓨터가 "소리가 너무 크거나 이상하면 그 마이크를 아예 끄자"라고 자동으로 결정했습니다. 하지만 문제는, 모든 마이크가 동시에 '치이익' 소리를 낼 때가 있다는 점입니다. 예를 들어, 무대 위 스피커가 고장 나면 모든 마이크에서 소음이 들립니다. 이때 컴퓨터가 "모든 마이크가 고장 났다"고 판단해 버리면, 정작 중요한 청중의 환호성까지 잃어버리게 됩니다.
3. 이 논문의 새로운 도구 (SENSI 모듈):
   이 연구팀은 **"고장 난 마이크를 찾아내는 스마트한 검사관"**을 만들었습니다. 이 검사관은 두 가지 일을 합니다.

---

🔍 이 도구가 어떻게 작동할까요? (3 단계)

1 단계: "이상한 신호 감지기" (다양한 특징으로 체크)

검사관은 각 마이크의 소리를 들어보며 몇 가지 질문을 던집니다.

• 이웃 마이크와 비교: "네 옆에 있는 마이크는 조용한데, 너만 시끄러워? (이웃과 다름)"
• 소리의 크기: "너는 너무 큰 소리를 내고 있네? (극단적인 진폭)"
• 소리의 안정성: "너는 너무 조용하거나, 아니면 너무 들쑥날쑥해? (변동성)"

이런 질문들을 통해 컴퓨터가 "이 마이크는 의심스러워 (Suspicious)"라고 미리 표시해 둡니다.

2 단계: "동시 발생 패턴 찾기" (공유된 고장 찾기)

여기가 이 도구의 가장 창의적인 부분입니다.

• 만약 마이크 A, B, C 가 동시에 큰 소음을 냈다면?
  • 이는 "세 마이크가 모두 고장 났다"기보다, **"무대 위의 스피커가 고장 났거나, 누군가 마이크를 건드렸다"**는 뜻일 수 있습니다.
• 이 도구는 어떤 마이크들이 같은 시간에 같은 소리를 냈는지를 연결해 묶어줍니다 (클러스터링).
• 마치 **"한 번에 모두 울린 마이크들은 같은 그룹으로 묶어서, 사람이 한 번에 확인하게 한다"**는 것입니다.

3 단계: "사람의 최종 확인" (인터랙티브 검토)

컴퓨터가 "이 마이크들은 의심스럽고, 저 마이크들은 그룹으로 묶여있어"라고 제안하면, 실제 연구자가 화면을 보며 최종 결정을 내립니다.

• "아, 이 마이크는 고장 난 게 맞네. 지우자." (Bad)
• "이건 고장 난 게 아니라, 사람이 깜빡일 때 생기는 신호네. 그냥 두자." (Good)
• "이건 좀 의심스러운데... 나중에 다시 확인하자." (Suspicious)

이 과정을 통해 실수 없이, 하지만 불필요한 데이터까지 버리지 않고 깨끗한 뇌파 데이터를 얻을 수 있습니다.

---

💡 왜 이 방식이 중요할까요?

• 과잉 제거 방지: "다 같이 소리가 난다"는 이유만으로 좋은 데이터를 모두 삭제하는 실수를 막아줍니다.
• 투명성: 컴퓨터가 "왜 이 마이크를 지웠는지"를 사람이 직접 볼 수 있게 해주므로, 연구 결과를 믿을 수 있게 됩니다.
• 유연성: 연구 목적에 따라 "조금만 의심스러워도 지우자"거나 "더 확실해야 지우자"는 식으로 기준을 조절할 수 있습니다.

🚀 결론

이 논문은 **"완벽한 자동화"를 추구하기보다, "컴퓨터의 도움과 인간의 판단이 함께 하는 협력"**을 강조합니다. 마치 숙련된 음악 감독이 자동 편집기를 쓰되, 마지막에 귀를 기울여 중요한 순간을 놓치지 않도록 하는 것과 같습니다.

이 도구는 MATLAB이라는 프로그램으로 만들어져 있으며, 누구나 무료로 사용할 수 있도록 공개되었습니다. 뇌파 데이터를 다루는 연구자들에게 더 정확하고 신뢰할 수 있는 분석을 가능하게 해주는 '스마트한 품질 관리 도구'라고 할 수 있습니다.

기술 요약

논문 요약: EEG 불량 채널 탐지를 위한 다중 특징 임계값 및 고진폭 과도 현상의 공발생 기반 방법론

1. 문제 제기 (Problem)

전뇌전도 (EEG) 기록에서 불량 채널 (Bad Channels) 은 하위 분석 (Downstream Analysis) 의 품질을 심각하게 저하시킵니다. 특히 고밀도 (High-density) 데이터셋의 경우, 국소적인 하드웨어 결함이나 운동 관련 아티팩트가 여러 전극에 구조화된 방식으로 영향을 미칠 수 있습니다.
기존의 자동화된 채널 제거 방법 (FASTER, PREP, EEGLAB 등) 은 다음과 같은 한계를 가집니다:

• 시간적 변동성 및 구조적 복잡성: 채널 고장은 시간에 따라 변하고 센서 간 구조화된 패턴을 보일 수 있어, 단일 임계값 기반의 자동 결정이 특정 채널이 왜 플래그되었는지 설명하기 어렵게 만듭니다.
• 공유 아티팩트와 채널 고장의 혼동: 여러 전극에서 동시에 발생하는 고진폭 과도 현상 (Transient) 은 특정 채널의 고장보다는 안구 운동, 근육 활동, 운동 등 공간적으로 분산된 아티팩트나 생리학적 과정을 반영할 가능성이 높습니다. 이러한 공유 구조를 가진 채널을 무조건 제거하면 ICA(독립성분분석) 와 같은 후속 처리 단계에서 중요한 공분산 정보를 잃게 되어 아티팩트 제거 성능이 떨어질 수 있습니다.
• 자동화의 한계: 완전 자동화는 연구별 허용 기준 결정과 재현성을 어렵게 만들며, 경계선 사례 (Borderline cases) 에 대한 인간의 검증이 여전히 필요합니다.

2. 방법론 (Methodology)

이 논문은 MATLAB 기반의 모듈을 제안하며, 이는 완전 자동화가 아닌 **해석 가능성 (Interpretability), 관계적 구조, 인간 - 루프 검증 (Human-in-the-loop)**을 강조합니다. 주요 처리 단계는 다음과 같습니다:

A. 다중 특징 기반 의심 점수 산출 (Multi-feature Suspiciousness Scoring)
각 채널을 '양호 (Good)', '의심 (Suspicious)', '불량 (Bad)'으로 사전 라벨링하기 위해 상호 보완적인 특징들을 계산합니다.

1. 강건한 정규화 (Robust Standardization): 중앙값과 MAD(중앙값 절대 편차) 를 사용하여 각 채널의 신호를 정규화합니다. 이는 고진폭 과도 현상이 표준 편차를 왜곡하는 것을 방지합니다.
2. 이웃 불일치도 (Neighbor Dissimilarity): 시간 윈도우별로 채널과 그 이웃 전극 간의 피어슨 상관계수를 계산합니다. 이웃과의 상관관계가 낮을수록 (불일치도가 높을수록) 채널이 의심스러운 것으로 간주됩니다.
3. 진폭 기반 스크리닝:
   • 하드 컷오프: 특정 임계값 (예: 1000 µV) 을 초과하는 절대 진폭이 있는 채널은 즉시 '불량'으로 사전 라벨링합니다.
   • 표준화 점수: 로그 변환 및 Z-스코어를 통해 일반적인 범위를 벗어난 진폭을 가진 채널을 '의심'으로 표시합니다.
4. 변동성 (Variability): 전역 분산과 시간적 변동성 (Windowed variance range) 을 분석하여 너무 노이즈가 많거나 평탄한 (Flat) 채널을 식별합니다.

B. 고진폭 과도 현상 공발생 기반 클러스터링 (Co-Occurrence Clustering)
단순히 채널을 개별적으로 평가하는 대신, 공유 아티팩트 구조를 드러내기 위해 클러스터링을 수행합니다.

1. 이벤트 타이밍 벡터 생성: 강건한 Z-스코어 임계값 (예: $|Z| \ge 14$) 을 사용하여 고진폭 과도 현상을 이진 마스크로 변환합니다. 이를 짧은 시간 블록 (예: 200ms) 에서 최대 풀링 (Max-pooling) 하여 희소 이벤트 벡터를 생성합니다.
2. Jaccard 유사도 기반 거리 계산: 채널 간의 유사도를 계산할 때, 두 채널이 모두 조용한 구간은 무시하고 공통적으로 고진폭 과도 현상이 발생한 시간 블록의 교집합에 초점을 맞춥니다. 이를 통해 공유된 아티팩트 소원 (예: 케이블 문제, 국소적 운동) 으로 인해 동시에 고장 난 채널들을 그룹화합니다.
3. 거리 임계값 기반 클러스터링: 거리 행렬을 임계값 ($\epsilon$) 으로 이진화하여 연결 요소를 찾음으로써 채널 클러스터를 형성합니다.
   • 중요: 이 클러스터링은 자동 분류가 아닌 검토 (Review) 를 위한 조직화 도구로 사용됩니다. 작은 클러스터 (소수 채널) 는 채널 고장일 가능성이 높으므로 우선적으로 검토 대상이 됩니다.

C. 인터랙티브 검토 및 최종 결정 (Interactive Review)

• GUI 기반 검토: markSusChs() 함수는 자동화된 점수와 클러스터링 결과를 바탕으로 시각화 (클러스터 그래프, 특징 점수 플롯) 를 제공하고, 사용자가 직접 시간 영역 파형을 확인하며 채널 상태를 최종 결정할 수 있는 인터랙티브 인터페이스를 실행합니다.
• 3 단계 라벨링: 사용자는 채널을 '양호 (0)', '의심 (1)', '불량 (2)'으로 직접 전환할 수 있습니다. 최종 불량 채널 목록은 사용자가 명시적으로 '불량'으로 표시한 채널만 포함됩니다.
• EOG 처리: 안구 관련 채널 (EOG) 은 생리학적 구조이므로 자동 제거되지 않도록 특별히 처리됩니다.

3. 주요 기여 (Key Contributions)

1. 해석 가능한 인간 - 루프 워크플로우: 완전 자동화의 불확실성을 줄이고, 연구자가 채널 제거 결정을 내릴 때 그 근거 (특징 점수, 클러스터 패턴) 를 명확히 볼 수 있도록 설계되었습니다.
2. 공유 아티팩트 구조의 식별: 기존 방법들이 채널을 고립적으로 평가하는 것과 달리, 고진폭 과도 현상의 **공발생 (Co-occurrence)**을 기반으로 채널을 클러스터링하여, 공유된 아티팩트 소원으로 인한 그룹 고장을 효과적으로 식별합니다. 이는 ICA 와 같은 성분 기반 방법의 성능을 보존하는 데 기여합니다.
3. 오픈 소스 및 재현성: GitHub 에 전체 코드베이스, 문서, 예제 데이터셋, 그리고 사용자 매뉴얼을 공개하여 투명성과 재현성을 보장합니다.
4. 실용적인 도구: markSusChs()라는 단일 진입점을 제공하며, 다양한 EGI, BioSemi, Easycap 모자이크 (Montage) 를 지원합니다.

4. 결과 및 시연 (Results & Illustrative Analysis)

• 시각화: 클러스터링 결과 (거리 행렬 및 그래프) 를 통해 어떤 채널들이 유사한 아티팩트 패턴을 공유하는지 직관적으로 확인할 수 있습니다.
• 검토 효율성: 자동화된 스크리닝으로 의심 채널을 선별하고, 클러스터 단위로 그룹화함으로써 사용자가 전체 채널을 일일이 스캔할 필요 없이 중요한 채널에 집중할 수 있게 합니다.
• 전후 비교: 불량 채널 제거 전후의 신호 대역폭 (Amplitude Scale) 을 비교하는 시각화를 통해, 제거된 채널이 기록의 전체적인 스케일을 왜곡하고 있었음을 정성적으로 확인할 수 있습니다 (예: 제거 전 ±20,000 µV 에서 제거 후 ±1,000 µV 로 감소).

5. 의의 및 의의 (Significance)

이 모듈은 EEG 전처리 파이프라인에서 ICA 이전의 품질 관리 (QC) 단계로 설계되었습니다.

• 결정론적 접근의 대안: 자동화된 알고리즘이 "무조건 제거"하는 대신, "왜 의심스러운지"를 보여주고 인간이 최종 판단을 내리게 함으로써, 생리학적 신호와 아티팩트, 그리고 실제 하드웨어 고장을 구분하는 데 있어 더 정교하고 신뢰할 수 있는 접근법을 제공합니다.
• 데이터 손실 최소화: 공유 아티팩트를 가진 채널을 무작위 제거하지 않고, ICA 를 통해 아티팩트 성분을 분리할 수 있도록 보존함으로써, 사용 가능한 데이터의 양과 질을 극대화합니다.
• 연구 투명성: 모든 검토 과정과 결정 내역이 기록되어 연구의 재현성과 보고 가능성을 높입니다.

결론적으로, 이 논문은 EEG 데이터의 품질 관리에 있어 자동화와 인간 전문가의 판단을 균형 있게 결합한 새로운 표준을 제시하며, 특히 고밀도 EEG 데이터에서 발생하는 복잡한 아티팩트와 채널 고장을 효과적으로 처리할 수 있는 실용적인 도구를 제공합니다.