근육 시너지 추출을 위한 행렬 분해 기법 비교 연구

** 본 논문은 근전도(EMG) 신호를 이용해 근육 시너지라는 저차원 구조를 추출하는 데 사용되는 네 가지 대표적인 행렬 분해 기법—주성분 분석(PCA), 독립 성분 분석(ICA), 비음성 행렬 분해(NMF), 그리고 2차 블라인드 식별(SOBI)—의 성능을 체계적으로 비교한다. 연구 배경으로는 근육 시너지 가설이 중추신경계가 복잡한 운동을 소수의 근육군 조합으로 단순화한다는 이론적 근거를 가지고 있지만, 실제 시너지의 ‘진실된’ 형태를 검증할 객관적 기준이 부재하다는 점을 들었다. 따라서 저자는 두 종류의 데이터를 활용해 기법별 장단점을 정량화하였다. **실제 데이터 실험**에서는 영국 대학에서 제공한 Ninapro 1 데이터베이스의 10채널 손목·손가락 움직임 기록을 사용했다. 각 피험자는 10가지 손목 동작(굴곡·신전, 요측·척측 편위, 회외·회내 회전)을 10회 반복했으며, 전처리 단계에서 RMS 정규화와 100 Hz 샘플링을 수행했다. 네 기법을 각각 2시너지 모델에 적용해 시너지 행렬과 가중치 함수를 추출한 뒤, 추출된 시너지 기반으로 다중 클래스 서포트 벡터 머신(SVM) 분류기를 학습시켜 분류 정확도를 비교하였다. 결과는 NMF가 가장 높은 평균 정확도(≈ 87 %)를 기록했으며, SOBI는 78 % 수준, PCA와 ICA는 각각 71 %와 68 %에 머물렀다. **합성 데이터 실험**은 시너지 추정 정확도를 직접 측정하기 위해 설계되었다. 시너지 행렬 S는 0~1 사이의 비음성 난수값으로 채우되, ‘희소’ 조건에서는 각 시너지당 활성화되는 채널을 40 %(4채널 중 최대 2채널)로 제한하였다. 가중치 행렬 W는 실제 Ninapro 데이터에서 무작위로 추출한 EMG 구간을 사용해 실제 신호의 통계적 특성을 보존하였다. 최종 EMG 데이터 M은 M = SW + g(E) 형태로 생성되었으며, 여기서 g는 가우시안 잡음 E에 Heaviside 함수를 적용해 비음성성을 유지한다. 실험 변수는 (1) 시너지 희소성(희소 vs. 비희소), (2) 채널 수(4, 8, 12), (3) 신호대잡음비(SNR = 10, 15, 20 dB)이며, 각 조합마다 1000개의 시뮬레이션을 수행했다. 평가 지표는 추정된 시너지와 원본 시너지 사이의 피어슨 상관계수이며, 평균 상관계수와 표준편차를 통해 기법별 안정성을 판단했다. 주요 결과는 다음과 같다. 1. **희소 시너지**가 비희소 시너지에 비해 모든 기법에서 평균 상관계수가 0.12~0.18 정도 상승하였다. 이는 실제 근육 활성화가 제한된 근육군에 집중될 때 시너지 추정이 더 명확해짐을 의미한다. 2. **채널 수**가 시너지 수와 동일하거나 초과할 경우(N ≥ R) NMF가 가장 높은 상관계수(0.92 ± 0.03)를 기록했다. 특히 12채널 상황에서는 NMF와 SOBI의 차이가 최소화되었으며, PCA와 ICA는 여전히 낮은 성능을 보였다. 3. **채널 수가 시너지 수와 동일(4채널)**인 경우 SOBI가 PCA와 ICA보다 우수했으며, NMF는 오히려 성능이 저하(0.71 ± 0.05)하였다. SOBI는 시간 지연 공분산을 이용해 비상관 성분을 효과적으로 분리하지만, 차원 축소가 없을 때만 그 장점이 발휘된다. 4. **SNR**이 15 dB 이상이면 모든 기법의 평균 상관계수가 0.85 이상으로 상승했으며, 특히 NMF와 SOBI는 저노이즈 환경에서 거의 동일한 성능을 보였다. 반면 SNR = 10 dB에서는 NMF가 가장 큰 강인성을 나타냈다. **논의**에서는 먼저 시너지 추출에 있어 ‘채널‑시너지 비율’이 핵심적인 설계 변수임을 강조한다. 임상 혹은 보조공학 적용 시 전극 수가 제한될 경우, SOBI가 차원 축소 없이도 비교적 안정적인 시너지 추정을 제공하므로 고려할 만하다. 그러나 전극을 충분히 배치할 수 있는 상황에서는 NMF가 비음성 제약을 통해 가장 정확하고 재현성 높은 시너지와 가중치를 제공한다. PCA와 ICA는 각각 직교성, 독립성 가정이 EMG 데이터의 실제 통계적 특성과 부합하지 않아 실용적 가치가 낮다. 또한, 희소 시너지 모델이 실제 근육 협동 패턴을 더 잘 반영한다는 점에서, 향후 연구에서는 희소성 제약을 포함한 NMF 변형(예: L1 정규화)이나 딥러닝 기반 비음성 분해 기법을 탐색할 필요가 있다. **결론**적으로, 본 연구는 근육 시너지 추출에 있어 NMF가 채널 수가 충분히 많을 때 최적의 선택이며, 제한된 전극 환경에서는 SOBI가 실용적인 대안이 될 수 있음을 실험적으로 입증하였다. 또한, 시너지의 희소성 및 신호 품질이 추정 정확도에 미치는 영향을 정량화함으로써, 향후 근전도 기반 제어 시스템 설계 시 중요한 설계 지침을 제공한다. **