Semi-Automated Identification of EKG and Trigger Artifacts in EEG Using ICA and Spectral Characteristics

이 논문은 ICA 후 EEG 전처리 과정에서 심전도 및 트리거 아티팩트를 자동적으로 선별하고 사용자가 최종 판단을 내릴 수 있도록 돕는 반자동 MATLAB 모듈 'SENSI-EEG-Preproc-ICA-EKG-Trigger'를 제안하여 수동 식별의 비효율성과 주관성을 해결하는 방법론 및 소프트웨어를 소개합니다.

핵심

이 논문은 뇌파 (EEG) 데이터를 분석할 때 발생하는 **'지저분한 잡음'**을 찾아내는 새로운 도구에 대해 설명합니다.

마치 거울을 닦을 때를 상상해 보세요. 뇌파 데이터는 거울처럼 우리의 뇌 활동을 비춰주지만, 때로는 거울에 **심장 박동 (EKG)**이나 컴퓨터 신호 (DIN) 같은 불필요한 얼룩이 생깁니다. 이 얼룩들을 지우지 않으면 뇌의 진짜 목소리를 듣기 어렵습니다.

기존에는 이 얼룩들을 사람이 눈으로 일일이 찾아서 지워야 했는데, 이 과정은 매우 지루하고, 사람마다 기준이 달라서 일관성이 없었습니다.

이 논문은 **"SENSI-EEG"**라는 새로운 반자동 청소 로봇을 소개합니다. 이 로봇은 사람이 모든 걸 다 하지 않아도 되지만, 최종 결정은 여전히 사람이 내리게 해줍니다.

🧩 핵심 비유: '소음 찾기'와 '심판'

이 도구는 크게 두 가지 종류의 '소음'을 찾아냅니다.

1. 심장 박동 잡음 (EKG) 찾기

• 상황: 뇌파를 측정할 때 심장이 뛰는 소리가 섞여 들어옵니다. 마치 조용한 도서관에서 누군가 규칙적으로 발을 구르는 소리처럼요.
• 기존 방식: 사람이 모든 녹음 파일을 들어보고 "아, 이거 심장 소리네?"라고 추측해야 했습니다.
• 새로운 방식 (이 도구):
  • 이 도구는 **"심장 박동의 리듬"**을 알고 있습니다. 심장은 일정한 리듬으로 뛰고, 그 리듬에는 고조파 (하모니) 가 생깁니다.
  • 도구는 모든 데이터 조각을 빠르게 훑어보며, **"이 리듬이 심장과 비슷하게 들리는가?"**를 수학적으로 계산합니다.
  • 심장이 뛰는 리듬과 비슷한 '후보'들을 빨간색으로 표시해 줍니다.
  • 사람의 역할: 도구가 "이거 심장 소리 같아요!"라고 알려주면, 사람은 그 데이터의 모양 (머리 지도, 시간 흐름, 소리 파형) 을 한 번 더 보고 "네, 맞습니다. 지우세요"라고 최종 확인합니다.

2. 디지털 신호 잡음 (DIN) 찾기

• 상황: 실험 중 컴퓨터가 "이제 시작!"이라고 신호를 보낼 때, 그 전기 신호가 뇌파 기계에 섞여 들어오는 경우입니다. 마치 라디오를 틀었는데, 특정 주파수에서 '찌익-' 하는 기계음이 반복되는 것과 같습니다.
• 새로운 방식 (이 도구):
  • 도구는 컴퓨터 신호가 얼마나 규칙적으로 반복되는지를 알고 있습니다.
  • 데이터 속에서 그 규칙적인 반복 주파수 (예: 1 초마다 한 번씩) 에 해당하는 '고조파'가 있는지 찾아냅니다.
  • 마치 **빗살 (Comb)**처럼 규칙적인 이빨 모양의 소리가 나면, "아, 이건 컴퓨터 신호가 섞인 거야!"라고 판단합니다.
  • 역시 후보들을 빨간색으로 표시하고, 사람이 최종 확인을 합니다.

🛠️ 이 도구가 어떻게 작동하나요? (3 단계 프로세스)

1. 자동 스캔 (로봇이 청소):
   도구는 수백 개의 데이터 조각 (컴포넌트) 을 순식간에 스캔합니다. "심장 소리나 컴퓨터 신호가 섞인 것 같은" 조각들을 찾아내어 순위를 매깁니다.

   • 비유: 도서관에서 소음 나는 책들을 자동으로 찾아서 책장 앞에 쌓아두는 일입니다.

2. 인터랙티브 검토 (사람이 확인):
   도구가 찾아낸 '후보'들만 화면에 띄워줍니다. 화면에는 세 가지 정보가 나옵니다.

   • 머리 지도: 소리가 머리 어디에서 나는지 (예: 심장 소리는 전체적으로 퍼져 있고, 컴퓨터 소리는 특정 점에 집중됨).
   • 시간 흐름: 소리가 어떻게 변하는지 (예: 규칙적인 박동인지).
   • 주파수 그래프: 소리의 주파수 성분이 어떤지 (예: 빗살 모양인지).
   • 비유: 로봇이 찾아온 소음 나는 책들을 책상 위에 올려놓고, 사서가 "이게 정말 소음인가?"를 눈으로 확인하는 것입니다.

3. 최종 결정 (청소 완료):
   사람이 "이건 지워라 (Remove)", "이건 남겨라 (Keep)"라고 클릭하면, 도구는 그 데이터를 깨끗하게 정리해 줍니다.

💡 왜 이 도구가 중요한가요?

• 시간 절약: 사람이 모든 데이터를 다 볼 필요 없이, 가장 의심스러운 것들만 보면 됩니다.
• 일관성: 사람마다 기준이 달라서 생기는 실수를 줄여줍니다. (누군가는 심장 소리를 지우고, 누군가는 남겨둘 수 있는데, 도구는 항상 같은 기준으로 먼저 찾아냅니다.)
• 투명성: "로봇이 지우라고 했으니까 무조건 지운다"가 아니라, 사람이 최종 확인을 하므로 책임 소재가 명확합니다.

⚠️ 주의할 점 (한계)

이 도구는 완벽한 자동 청소기가 아닙니다.

• 만약 처음부터 데이터가 너무 엉망이거나, 뇌파 분석 (ICA) 이 잘못되었다면 도구가 제대로 작동하지 않을 수 있습니다. (거울 자체가 깨져 있으면 닦아도 소용없습니다.)
• 또한, 이 도구는 심장 소리와 컴퓨터 신호만 찾습니다. 눈동자 움직임이나 근육 운동 같은 다른 잡음은 찾지 못합니다.

📝 결론

이 논문은 **"인간의 직관"**과 **"컴퓨터의 빠른 계산 능력"**을 결합한 훌륭한 도구입니다. 복잡한 뇌파 데이터를 정리할 때, 연구자들이 지루한 잡음 찾기에서 해방되어 진짜 뇌 과학 연구에 더 집중할 수 있도록 도와주는 '지능형 청소 로봇'이라고 볼 수 있습니다.

기술 요약

제공된 프리프린트 논문 "Semi-Automated Identification of EKG and Trigger Artifacts in EEG Using ICA and Spectral Characteristics"에 대한 상세한 기술적 요약은 다음과 같습니다.

1. 문제 정의 (Problem)

전뇌파 (EEG) 전처리 과정에서 독립 성분 분석 (ICA) 은 필수적인 단계이나, ICA 로 분리된 성분 (Independent Components, ICs) 중 인공 신호 (Artifact) 를 식별하고 제거하는 과정은 여전히 수동적, 주관적, 비표준화된 병목 현상으로 남아 있습니다.

• 주요 과제: 심전도 (EKG) 간섭과 디지털 입력 (DIN, Trigger) 신호 누출과 같은 특정 인공 신호는 단일 성분이 아닌 여러 성분에 분산되어 나타나거나, 분산이 높은 상위 성분이 아닌 하위 성분에 숨어 있을 수 있어 식별이 어렵습니다.
• 기존 한계: 기존 도구들 (ICLabel, SASICA 등) 이 존재하지만, 특정 유형의 인공 신호에 대해 최적화된 자동화 및 사용자 친화적인 검토 워크플로우가 부족했습니다.

2. 방법론 (Methodology)

저자들은 SENSI-EEG-Preproc-ICA-EKG-Trigger Module을 개발하여 ICA 후 단계에서 심전도 (EKG) 및 디지털 입력 (DIN) 인공 신호를 반자동 (Semi-automated) 으로 식별하는 MATLAB 프레임워크를 제시합니다. 이 모듈은 **주파수 영역 특성 (Spectral Characteristics)**을 기반으로 후보 성분을 선별한 후, 사용자가 최종 결정을 내릴 수 있도록 인터페이스를 제공합니다.

A. 핵심 알고리즘

1. EKG (심전도) 인공 신호 탐지 (autoDetectEkg):

   • 원리: 심박수 대역 (0.8~2.0 Hz) 에서 생리적으로 타당한 기본 주파수 ($f_0$) 를 찾고, 이에 대응하는 고조파 (Harmonics) 구조를 분석합니다.
   • 점수 산정: 각 고조파에서 피크 전력 ($S_{peak}$) 과 주변 기저선 전력 ($S_{neighbor}$) 의 비율인 **국소 고조파 신호대잡음비 (Local Harmonic SNR)**를 계산합니다.
   • 집계: 모든 고조파에 대한 SNR 을 합산하여 복합 점수를 산출하고, 이를 robust median/MAD 변환을 통해 표준화하여 이상치 (Outlier) 를 후보로 선정합니다.

2. DIN (디지털 입력/Trigger) 인공 신호 탐지 (autoDetectDIN):

   • 원리: 알려진 트리거 반복 주기 ($T_{DIN}$) 를 기반으로 기대되는 고조파 주파수 ($f_h = h/T_{DIN}$) 를 정의합니다.
   • 점수 산정: 기대되는 고조파 주파수 대역의 총 에너지 ($E_{harm}$) 와 주변 기저선 에너지 ($E_{base}$) 의 비율인 **고조파 에너지 비율 (Harmonic Energy Ratio)**을 계산합니다.
   • 선별: 이 비율이 높은 성분을 후보로 선정하며, Z-score 를 사용하여 상대적 순위 매깅을 수행합니다.

B. 반자동 검토 인터페이스 (Interactive Review)

• 자동 탐지 알고리즘은 전체 성분을 스캔하여 상위 3 개 이내의 후보 성분을 선별합니다.
• reviewEkgArtifactUI 및 reviewDINArtifactUI: 사용자가 최종 제거 여부를 결정할 수 있는 인터페이스를 제공합니다.
  • 제공 정보: 각 후보 성분에 대해 두피 토포그래피 (Scalp Topography), 시간 영역 파형 (Time-domain activity), **주파수 영역 스펙트럼 (Frequency-domain structure)**을 동시에 시각화합니다.
  • 사용자 제어: 사용자는 알고리즘이 제안한 '제거 (Red)' 또는 '유지 (Green)' 라벨을 확인하고 필요 시 수정할 수 있습니다.

3. 주요 기여 (Key Contributions)

1. 구체적인 알고리즘 개발: EKG 와 DIN 인공 신호에 특화된 주파수 기반 자동 점수화 알고리즘을 개발하여, 기존 수동 검토의 효율성을 극대화했습니다.
2. 반자동 워크플로우 제안: 완전 자동화가 아닌, 알고리즘이 후보를 좁혀주고 인간이 최종 판단을 내리는 '의사결정 지원 도구 (Decision-support tool)'로서 투명성과 재현성을 보장합니다.
3. 오픈 소스 및 리소스 제공:
   • 전체 소스 코드, 사용자 매뉴얼, 예제 워크플로우가 포함된 공개 GitHub 저장소.
   • 예시 데이터셋 및 자동 다운로드 스크립트 제공.
   • MATLAB (Signal Processing 및 Statistics Toolbox 필요) 기반의 즉시 실행 가능한 모듈.

4. 결과 및 사례 (Results & Illustrative Analysis)

• 시뮬레이션 결과: 예시 데이터셋을 통해 모듈이 EKG 및 DIN 인공 신호를 성공적으로 식별하고, 사용자가 이를 시각적으로 확인하여 제거할 수 있음을 입증했습니다.
  • EKG 사례: 시간 영역에서 규칙적인 박동 파형과 주파수 영역에서 심박수 기본 주파수 및 고조파가 명확히 관찰되는 성분을 성공적으로 탐지했습니다.
  • DIN 사례: 시간 영역에서 고정 간격의 날카로운 과도 현상 (Transient) 과 주파수 영역에서 빗살 모양 (Comb-like) 의 고조파 구조를 가진 성분을 정확히 식별했습니다.
• 인터페이스 효과: 수백 개의 ICA 성분을 일일이 검토하는 대신, 알고리즘이 선별한 소수의 후보만 검토함으로써 전처리 시간을 단축하면서도 중요한 인공 신호를 놓치지 않도록 설계되었습니다.

5. 의의 및 의의 (Significance)

• 표준화 및 재현성 향상: 주관적인 수동 검토를 보완하여, 연구 간 일관된 전처리 프로세스를 가능하게 합니다.
• 복잡한 인공 신호 해결: 단순한 고주파 노이즈가 아닌, EKG 나 트리거 신호처럼 구조화되어 있고 여러 성분에 분산될 수 있는 인공 신호를 효과적으로 처리합니다.
• 미래 연구 방향: 현재 버전은 특정 파라미터에 최적화되어 있으나, 다양한 데이터셋과 하드웨어에서의 검증과 적응형 파라미터 선택을 통해 확장 가능성이 있습니다.

결론적으로, 이 논문은 EEG 전처리 파이프라인에서 ICA 후 단계의 인공 신호 제거 과정을 가속화하고 투명하게 만드는 실용적인 소프트웨어 및 방법론적 기여를 제시합니다.