Artifact Removal Quality Assessment (ARQA): A Recording-Level Audit of EEG Artifact Removal Using Internal Preservation Controls

인간의 뇌는 끊임없이 전기 신호를 생성하는 존재로, 두피에 작은 센서를 부착함으로써 연구자들이 포착할 수 있는 희미하지만 리드미컬한 웅성거림을 만들어낸다. 뇌파(EEG)라고 알려진 이 기록은 마음의 활동을 들여다보는 직접적인 창을 제공하며, 사고, 수면 또는 질병에 따라 변화하는 패턴을 드러낸다. 그러나 이 섬세한 신호는 신체의 움직임에 의해 쉽게 묻혀버린다. 눈 깜빡임, 찡그림, 자세 변화, 또는 턱 근육의 미세한 긴장조차도 뇌 활동처럼 보이지만 실제로는 노이즈인 전기적 스파이크를 만들어낼 수 있다. 수십 년 동안 과학자들은 이러한 오류들을 걷어내어 뇌의 순수하고 깨끗한 기록만을 남기기를 희망하며 컴퓨터 프로그램을 개발해 왔다. 핵심적인 과제는 이러한 프로그램들이 노이즈를 제거할 수 있느냐의 여부가 아니라, 노이즈와 함께 뇌 고유의 목소리까지 실수로 버려버리는 것 아니냐는 점이었다. 어떤 도구는 그래프의 선을 매끄럽게 만들어 완벽해 보이게 만들 수도 있지만, 동시에 의사들이 연구해야 할 바로 그 생물학적 리듬을 지워버릴 수도 있다.

새로운 연구에서 전 세계 여러 기관의 연구진은 이러한 세척 도구들이 제대로 작동하고 있는지 확인하는 새로운 방법을 소개한다. 그들은 이 방법을 '감사(audit)'라고 부르는데, 이는 원래의 기록을 대조군처럼 취급하는 체계적인 검토 과정이다. 연구진은 컴퓨터의 내부 보고서가 데이터를 얼마나 잘 정제했는지에 의존하는 대신, 먼저 전문가에게 원래 기록 중 이미 깨끗하고 움직임이 없는 부분을 표시하도록 요청한다. 그런 다음 기록을 세정 소프트웨어에 통과시킨 뒤, 원본의 '깨끗한' 부분과 처리된 버전의 '깨끗한' 부분을 비교한다. 만약 소프트웨어가 제대로 역할을 수행했다면, 손대지 않은 이 섹션들은 거의 동일하게 보여야 한다. 만약 소프트웨어가 너무 공격적이었다면, 이 섹션들은 손상의 흔적을 보이며 도구가 필요하지 않은 상황에서도 뇌의 실제 신호를 변형시키고 있음을 드러낼 것이다.

연구진은 이 감사를 두 가지 서로 다른 도전 과제를 가진 실제 환자 기록에 적용하여 테스트했다. 첫 번째 기록은 움직임으로 심하게 오염되어 뇌 활동을 가리는 크고 혼란스러운 스파이크로 가득 차 있었다. 두 번째 기록은 매우 조용했으며, 아주 짧은 순간의 방해 요소만 포함하고 있었다. 두 기록 모두 인간이 수동으로 오류를 골라낼 필요 없이 뇌 신호와 노이즈를 분리하도록 설계된 고급 세정 소프트웨어를 사용하여 처리되었다. 연구팀이 이 감사를 적용했을 때, 결과는 두 사례에서 극명하게 달랐다. 노이즈가 많은 기록의 경우, 소프트웨어는 큰 움직임 스파이크를 성공적으로 줄였으나, 동시에 깨끗해야 할 부분들까지 크게 변형시켰다. '깨끗한' 섹션의 파형은 형태가 변하고 강도가 크게 약해졌으며, 특히 이완된 각성 상태와 관련된 주파수 대역에서 그러했다. 소프트웨어는 노이즈를 매끄럽게 만들었지만, 그 과정에서 뇌의 자연스러운 리듬을 평탄화하여 일부 영역에서 이러한 중요한 신호의 진폭을 거의 90%까지 감소시켰다.

반면, 조용한 기록은 다른 이야기를 들려주었다. 노이즈가 거의 없었기 때문에 소프트웨어가 제거할 것도 거의 없었다. 감사는 이 기록의 '깨끗한' 섹션이 거의 완벽하게 보존되었음을 보여주었다. 처리된 신호는 원본과 거의 완벽하게 일치했다. 심한 오염이 없었기에 소프트웨어는 뇌 활동을 왜곡하지 않았다. 그러나 이러한 성공에는 주의점이 따랐다. 기록이 너무 깨끗했기 때문에, 감사는 소프트웨어가 어려운 노이즈를 얼마나 잘 처리하는지를 완전히 테스트할 수는 없었다. 이는 도구가 부드러울 수 있다는 것은 증명했지만, 해를 끼치지 않고 강력하게 작동할 수 있는지는 증명하지 못했다.

연구는 또한 동일한 세정 소프트웨어의 두 가지 다른 버전을 비교했다. 최신 버전은 노이즈가 많은 기록을 처리하는 데 있어 뚜렷한 개선을 보였다. 최신 버전은 움직임 아티팩트를 줄이면서도 깨끗한 뇌 신호에 가하는 손상을 훨씬 적게 입혔으며, 이전 버전보다 자연스러운 리듬을 훨씬 더 잘 보존했다. 그러나 조용한 기록에 적용했을 때, 최신 버전은 이전 버전이 피했던 뇌 앞부분에서 아주 미세하고 거의 인지하기 어려운 변화를 일으켰다. 이러한 미묘한 절충안—혼란스러운 상황에서는 더 나은 보호를 제공하지만, 깨끗한 상황에서는 약간 더 많은 변형을 일으키는 것—은 두 버전 모두에 높은 점수를 준 소프트웨어의 자체 내부 점수 시스템에는 보이지 않았다. 감사는 내부 점수가 놓친 것, 즉 도구의 성능은 그것이 정제하는 특정 기록에 전적으로 달려 있으며 단일 점수로는 이러한 뉘앙스를 포착할 수 없다는 사실을 밝혀냈다.

연구진은 자신들의 목표가 어느 한 소프트웨어가 다른 것보다 낫다고 선언하는 것이 아니라, 모든 개별 기록에 대해 투명한 성적표를 제공하는 것이라고 강조한다. 그들은 세정 방법이 보편적으로 좋다거나 나쁘다고 판단될 수 없으며, 그 영향은 존재하는 노이즈의 양과 종류에 따라 달라진다고 주장한다. 조용한 기록에는 완벽하게 작동하는 도구가 노이즈가 많은 기록에서는 파괴적일 수 있고, 그 반대도 마찬가지다. 노이즈가 얼마나 제거되었는지와 원래의 신호가 얼마나 잘 유지되었는지를 분리함으로써, 이 감사는 실제로 데이터에 어떤 일이 일나 일어났는지에 대한 더 명확한 그림을 제공한다. 이 접근 방식은 과학자들이나 의사들이 정제된 EEG를 볼 때, 컴퓨터의 '데이터가 깨끗하다'는 약속에 의존하는 대신, 원래의 뇌 활동이 얼마나 남아 있고 노이즈가 실제로 얼마나 제거되었는지를 정확히 알 수 있게 해준다.

궁극적으로, 이 연구는 뇌 신호 분석의 미래가 이러한 상세한 기록 수준의 정밀 검토에 달려 있음을 시사한다. 연구팀은 전문가의 도움 없이도 기록의 깨끗한 부분과 노이즈가 있는 부분을 자동으로 식별할 수 있도록 이 방법을 개선할 계획이다. 그때까지 그들의 작업은 데이터를 깨끗하게 만들려는 노력 속에서 우리가 보고자 하는 바로 그 대상을 지워버리지 않았는지 확인하는 것이 가장 중요하다는 점을 상기시켜 주는 역할을 한다. 이 감사는 인간의 판단을 대체하는 것이 아니라, 이를 뒷받침하는 엄격하고 증거 기반의 프레임워크를 제공하여, 노이즈를 침묵시키려는 노력 속에서 뇌가 들려주는 이야기가 사라지지 않도록 보장한다.