EEG 블라인드 소스 분리를 위한 2차 통계 근사 공동 대각화

초록

본 논문은 인간 뇌전도(EEG) 신호의 블라인드 소스 분리(BSS)를 2차 통계 기반 근사 공동 대각화(AJDC) 방법으로 구현한다. 2차 통계와 고차 통계(ICA)의 장단점을 비교하고, 시간‑주파수 영역에서 코스펙트럼 행렬을 공동 대각화함으로써 뇌내 신호와 외부 잡음을 효과적으로 분리한다. 또한 실험 변동성을 포착하기 위한 데이터 확장 방식을 제시한다.

상세 분석

이 논문은 EEG 신호를 선형 즉시 혼합 모델로 가정하고, 뇌 부피 전도 이론과 연결시켜 BSS의 물리적 의미를 명확히 한다. 기존 BSS 접근법은 크게 2차 통계(SOS) 기반과 고차 통계(HOS) 기반, 즉 ICA로 구분된다. SOS 기반 방법은 신호의 자기상관 구조를 이용해 공분산 또는 코스펙트럼 행렬을 대각화함으로써 독립적인 소스를 추정한다. 이때 중요한 가정은 소스가 시간적으로 서로 독립적이며, 적어도 하나의 소스가 비정상적(비정상성)이라는 점이다. 반면 ICA는 고차 통계(예: 꼬리 확률분포)를 활용해 비가우시안성을 전제로 독립성을 추정한다. 두 접근법은 각각 장점과 한계를 가지고 있다. SOS는 계산량이 적고 실시간 적용이 가능하지만, 비정상성에 크게 의존하므로 완전히 정적이거나 저주파 변동이 큰 신경현상에는 민감도가 떨어진다. ICA는 비가우시안성에 강건하지만, 고차 통계 추정에 필요한 샘플 수가 많아 데이터가 제한될 경우 과적합 위험이 있다.

논문은 이러한 차이를 바탕으로 시간‑주파수 영역에서 코스펙트럼 행렬을 사용한 SOS 기반 BSS를 제안한다. 구체적으로, 각 주파수 대역에 대해 실시간으로 계산된 코스펙트럼 행렬들을 집합으로 만든 뒤, 근사 공동 대각화(Approximate Joint Diagonalization, AJDC) 알고리즘을 적용한다. AJDC는 기존의 Joint Approximate Diagonalization of Eigen-matrices (JADE)와 달리 2차 통계만을 이용해 빠르게 수렴한다. 또한, 데이터 확장을 통해 실험 조건(예: 자극 종류, 피험자 그룹)별 변동성을 행렬에 포함시켜, 다변량 변동을 동시에 추정한다.

핵심 기술적 기여는 다음과 같다. 첫째, 코스펙트럼 행렬을 이용해 시간‑주파수 정보를 보존하면서도 차원 축소가 가능하도록 설계하였다. 둘째, AJDC는 대각화 오차를 최소화하는 비용함수를 직접 최적화함으로써, 기존의 고차 통계 기반 ICA보다 계산 효율성을 크게 향상시켰다. 셋째, 실험적으로는 자발적(Spontaneous) EEG와 유도(Induced) EEG, 그리고 눈 깜박임·근전도와 같은 외부 잡음의 분리에 성공했으며, 특히 저주파 대역에서 SOS 기반 방법이 ICA보다 우수한 분리 성능을 보였다. 넷째, 논문은 BSS 적용 시 가정(선형성, 순간성, 독립성)의 위배 가능성을 논의하고, 이러한 제한을 완화하기 위한 사전 전처리와 사후 검증 절차를 제시한다.

결과적으로, 이 연구는 EEG 분석에 있어 고차 통계에 의존하지 않고도 실시간, 저연산량으로 신경 신호와 잡음을 효과적으로 분리할 수 있는 실용적인 프레임워크를 제공한다. 이는 뇌-컴퓨터 인터페이스(BCI), 임상 진단, 인지 신경과학 등 다양한 응용 분야에서 실시간 처리와 높은 신뢰성을 동시에 요구하는 상황에 특히 유용하다.