전기자극 아티팩트 제거를 위한 확산 기하학 기반 SANAR 알고리즘

초록

**
본 논문은 뇌내 전기자극(Direct Cortical Stimulation) 중 발생하는 고폭 아티팩트를, 비정상성(non‑stationarity)을 고려한 비국소적 매니폴드 모델링으로 추정한 후 유클리드 중앙값을 이용해 제거하는 SANAR(Shape Adaptive Nonlocal Artifact Removal) 방법을 제안한다. 시뮬레이션 및 인간 iEEG 데이터에서 ICA 기반 방법보다 시간·주파수 영역 모두에서 신호 보존 성능이 우수함을 정량적으로 입증한다.

**

상세 분석

**
이 연구는 전기자극에 의해 발생하는 아티팩트가 시간에 따라 형태가 변하는 비정상성을 갖는다는 점에 주목한다. 기존의 템플릿 서브트랙션(TS), ICA, PCA, 칼만 필터 등은 모두 일정한 아티팩트 형태 혹은 선형적 변형을 전제로 하기 때문에 장시간 기록이나 다채널 데이터에서 성능이 급격히 저하된다. SANAR은 이러한 한계를 극복하기 위해 두 가지 핵심 아이디어를 결합한다. 첫째, 각 아티팩트를 고차원 공간의 점으로 보고, 인접한 k개의 유사 아티팩트를 찾는 ‘비국소적’ 접근법을 사용한다. 여기서 유사성 판단은 확산 거리(diffusion distance)를 기반으로 한 메트릭을 통해 이루어지며, 이는 잡음과 신경신호가 섞여 있는 상황에서도 아티팩트 자체의 저차원 매니폴드 구조를 보존한다. 둘째, 선택된 k개의 이웃에 대해 유클리드 중앙값(Euclidean median)을 계산함으로써 평균보다 외란에 강인한 대표 템플릿을 만든다. 중앙값은 아티팩트 형태의 비선형 변동을 자연스럽게 반영한다.

알고리즘 구현 단계는 다음과 같다. (1) 1 kHz 샘플링된 iEEG를 8 kHz로 업샘플링해 스파이크형 아티팩트 정렬을 정밀화하고, 200 ms 중위값 필터와 10 ms 스무딩으로 트렌드를 제거한다. (2) 자극 시점에 따라 신호를 비중첩 구간으로 분할하고, 각 구간을 열벡터로 모아 데이터 행렬 N을 만든다. (3) Gavish‑Donoho 최적 축소(optimal shrinkage) 기법을 적용해 N의 잡음 성분을 억제하고, 차원 축소된 행렬에서 확산 맵을 계산한다. (4) 확산 거리 기반 k‑최근접 이웃을 찾고, 해당 이웃들의 중앙값을 구해 각 구간의 아티팩트 템플릿을 만든다. (5) 원 신호에서 템플릿을 빼고, 60 Hz 라인노이즈는 사전 피팅된 사인파를 빼는 방식으로 제거한다.

성능 평가는 (i) 아티팩트 억제 비율(Artifact Suppression Ratio, ASR)과 (ii) 신경신호 보존 지표(Signal Preservation Index, SPI)를 사용한다. 시뮬레이션에서는 실제 신경신호가 알려진 ‘phantom’ 설정을 이용해 SANAR이 ICA 대비 ASR을 평균 12 dB, SPI를 0.93(ICA 0.81)으로 크게 앞섰다. 인간 iEEG 데이터에서도 9 Hz와 10 Hz 주파수 대역에서 SANAR이 스펙트럼 왜곡을 최소화하면서 자극 중에도 뇌 진동을 추적할 수 있음을 보였다.

이 방법의 강점은 (1) 단일 채널에서도 적용 가능하다는 점, (2) 비정상적인 아티팩트 변동을 매니폴드로 모델링함으로써 장시간 기록에서도 안정적인 템플릿을 생성한다는 점, (3) 기존 ICA와 달리 다채널 동시 기록이 필수적이지 않다. 한계로는 (a) k와 거리 메트릭 선택에 대한 파라미터 튜닝이 필요하고, (b) 매우 높은 자극 빈도(>100 Hz)에서는 아티팩트 간 간격이 짧아 구간 분할이 어려워질 수 있다. 향후 연구에서는 자동 파라미터 최적화와 실시간 구현을 목표로 할 수 있다.

**