Normalising electromyograms without maximal voluntary contractions

인간의 근육은 전기의 언어로 말합니다. 우리가 움직이기로 결정하면, 뇌는 척수를 통해 운동 신경으로 신호를 보내고, 이는 다시 근섬유로 전기적 충격을 발사합니다. 이러한 활동은 피부 표면에 미세한 전압 변화를 생성하는데, 이를 근전도(electromyography, EMG)라고 합니다. 과학자들은 오랫동안 이 신호를 사용하여 우리가 어떻게 몸을 조절하는지 이해하고, 신경 및 근육의 건강 상태를 평가하며, 사용자의 의도에 반응하는 생체 공학적 의수를 설계하는 데 활용해 왔습니다. 하지만 이 전기적 언어를 읽어내는 것은 까다로운 일입니다. 피부에 기록되는 신호의 크기는 피부의 두께, 전극과 근육 사이의 거리, 사람의 자세 등 많은 요소에 따라 달라집니다. 서로 다른 사람이나 서로 다른 날의 근육 활동을 비교하기 위해, 연구자들은 대개 공통된 기준점을 찾아야 합니다. 전통적으로 이는 사람에게 근육을 최대한 강하게 쥐어짜도록 요청하는 것을 의미했으며, 이 최대 노력은 측정의 '풀 스케일(full scale)' 역할을 합니다.

이러한 표준 관행은 유용하지만 상당한 장애물을 동반합니다. 사람에게 절대적인 최대 노력을 요구하는 것이 항상 가능한 것은 아니기 때문입니다. 부상을 입은 사람에게는 통증을 유발할 수 있고, 질병에서 회복 중인 환자에게는 기력을 소진시킬 수 있으며, 근육을 완전히 수축시키는 능력이 제한된 신경계 질환이 있는 사람에게는 단순히 너무 어려울 수 있습니다. 게다가 건강한 사람들조차도 동기 부여나 피로도에 따라 최대 노력의 결과가 매일 다를 수 있습니다. 수년간 과학자들은 그 어려운, 때로는 불가능한 최대 노력에 의존하지 않고 근육 신호를 정규화할 방법을 찾아왔습니다. 그리피스 대학교(Griffith University)의 연구팀은 이제 최대 노력을 요구하는 대신, 전기 신호 자체의 형태를 살펴서 그 강도를 결정하는 새로운 방법을 제안했습니다.

연구진은 근육 신호가 어떻게 행동하는지에 대한 간단한 관찰에서 시작했습니다. 근육이 거의 활성화되지 않았을 때, 전기 신호는 조용하며 중심점을 기준으로 집중되어 있습니다. 근육이 더 열심히 일하여 더 많은 섬유가 동원될수록, 신호는 더 커지고 넓게 퍼지며 강도의 다양성이 증가합니다. 연구팀은 이 퍼짐 현상, 즉 신호 분포의 '너비'가 내장된 자(ruler) 역할을 할 수 있다는 가설을 세웠습니다. 즉, 사람에게 최대치를 달성하라고 요구하는 대신, 과업 중에 신호가 얼마나 넓어지는지를 측정하여 그 너비를 통해 근육이 최대치에 비해 얼마나 열심히 일하고 있는지를 추정할 수 있다는 것입니다.

이 아이디어를 테스트하기 위해, 연구팀은 7명의 건강한 성인이 다양한 속도와 출력 수준(가벼운 워밍업부터 전력 질주까지)으로 고정식 자전거를 타는 동안의 근육 활동을 기록했습니다. 또한 근육 노력의 범위를 넓히기 위해 몇 가지 점프 과업도 포함했습니다. 각 세션에서 그들은 먼저 어떤 과업 중에도 가장 강한 신호를 낸 것을 기준으로 전통적인 '최대치'를 계산했습니다. 그다음, 동일한 데이터에 새로운 방법을 적용했습니다. 이 새로운 접근 방식은 가공되지 않은 전기 신호를 가져와 노이즈를 제거하고, 이를 아주 작은 시간 단위의 겹치는 조각들로 나누었습니다. 각 조각에서 연구진은 두 가지를 측정했습니다. 신호의 강도가 얼마나 변하는지와 그 강도 분포의 너비가 얼마나 넓은지였습니다. 그들은 이 두 가지 측정을 사용하여 최대 노력이 무엇이었을지를 예측함으로써, 최대 노력을 직접 요구하지 않고도 효과적으로 정규화된 척도를 만들어냈습니다.

결과는 놀라울 정도로 근접했습니다. 연구진이 새로운 추정치를 표준 최대 노력 측정값과 비교했을 때, 평균 차이는 겨우 6%를 조금 넘는 수준이었습니다. 즉, 새로운 방법은 전통적인 방식과 마찬가지로 활동의 정점과 골짜기를 포착하며 근육 노력의 강도를 매우 높은 정확도로 예측했습니다. 이 방법은 저출력 페달링부터 최대 전력 질주에 이르기까지 다양한 사이클링 조건에서 일관되게 작동했습니다. 이 접근 방식이 통제된 자전거 환경 밖에서도 작동할 수 있는지 확인하기 위해, 연구팀은 걷기, 달리기, 스쿼트, 점프 과업을 수행하는 한 명의 독립적인 참가자를 대상으로 테스트를 진행했습니다. 보다 복잡한 움직임에서는 오차율이 약 12% 정도로 약간 높아졌지만, 방법론은 여데 근육 활동의 상대적 강도를 성공적으로 포착했습니다.

이 연구는 분포 기반 기술이 최대 노력이 불가능한 상황에서 실용적인 대안이 될 수 있음을 시사합니다. 이는 복잡한 보정 과정을 설정하는 것이 비현実적인 현장용 웨어러블 기기나, 최대 수축을 안전하게 수행할 수 없는 환자를 대상으로 하는 임상 평가에서 특히 가치가 있을 수 있습니다. 연구진은 이 방법이 전극 배치 차이와 같은 모든 오차 원인을 제거하는 것은 아니지만, 매 측정 세션마다 완벽한 최대치 기준점을 찾아야 하는 부담을 없애준다고 언급했습니다. 근육 신호 자체의 자연스러운 통계적 특성에 의존함으로써, 연구팀은 최대치의 쥐어짜기를 요구하지 않고도 근육의 노력을 측정하는 것이 가능하다는 것을 입증했습니다.

결과가 유망하기는 하지만, 저자들은 이 연구를 기존의 모든 방법을 대체하는 것이 아니라 새로운 선택지로 제시하고자 주의를 기울였습니다. 검증은 주로 건강한 성인을 대상으로 수행되었으며, 연구팀은 이 접근 방식이 신경계 부상을 입은 사람들이나 다른 유형의 근육 수축에도 유효한지 확인하기 위해 더 많은 작업이 필요하다는 점을 인정했습니다. 또한 이 방법은 신호 품질을 일관되게 유지하기 위해 특정 기록 장비와 설정이 필요합니다. 그럼에도 불구하고, 이 연구는 더 단순하고 부담이 적은 근육 활동 측정법에 대한 명확한 경로를 제공합니다. 이는 "이 근육이 얼마나 열심히 일하고 있는가?"라는 질문에 대한 답이 마지막의 지친 압박 없이도 읽힐 수 있도록 신호 안에 숨겨져 있을지도 모른다는 점을 시사합니다.