근전도 근육 시너지 분석을 위한 고차원 텐서 모델 및 제약 Tucker 분해법

본 논문은 근전도(EMG) 신호의 다채널, 다반복 특성을 고차원 텐서 형태로 재구성하고, 이를 이용해 근육 시너지(synergy)를 추출하는 새로운 방법론을 제시한다. 연구 배경으로, 기존의 근육 시너지 분석은 주로 비음수 행렬분해(NMF)와 같은 2차원 기법에 의존해 왔으며, 이는 시간·채널 두 축만을 고려해 반복·피험자·과제와 같은 추가적인 모드 정보를 무시한다는 한계가 있다. 저자들은 이러한 구조적 손실을 보완하고자, EMG 데이터를 시간 × 채널 × 반복 차원의 3차 텐서로 변환하는 ‘텐서화(tensorisation)’ 과정을 상세히 설명한다. 구체적으로, Ninapro 1 데이터베이스에서 27명의 건강한 피험자가 수행한 53가지 손목·손가락 움직임 중, 손목의 세 주요 자유도(방사·척골 편위, 굴곡·신전, 회전)를 선택하고, 각 움직임을 10회 반복하여 5초(500 샘플) 구간으로 나눈 뒤, 동일 길이 에포크를 쌓아 3차 텐서를 만든다. 이렇게 구성된 텐서는 (시간 × 채널 × 반복) 형태이며, 각 자유도별로 별도의 텐서를 생성한다. 다음으로, 텐서 분해 모델로는 가장 널리 사용되는 PARAFAC와 Tucker를 도입한다. PARAFAC는 초대각 코어 텐서를 사용해 모든 모드에 동일한 컴포넌트 수를 강제하고, 고유성(uniqueness)이 비교적 보장되는 장점이 있다. 반면 Tucker는 코어 텐서가 자유롭게 형태를 가질 수 있어 모드별 차원 수를 독립적으로 설정할 수 있지만, 고유성이 떨어져 추가 제약이 필요하다. 두 모델 모두 ALS(Alternating Least Squares) 알고리즘을 통해 반복적으로 각 모드의 팩터 행렬을 업데이트한다. 초기값은 무작위 혹은 SVD 기반으로 설정하고, 수렴 기준은 재구성 오차의 감소와 코어 일관성(CORCONDIA) 지표를 사용한다. 핵심 기여는 ‘제약 Tucker(constrained Tucker, consTD)’ 모델이다. consTD는 다음과 같은 제약을 적용한다. 첫째, 모든 팩터 행렬에 비음수 제약을 부여해 근육 활성의 물리적 의미(양의 전기활동)와 해석 가능성을 유지한다. 둘째, 반복 모드에 대해 정규화와 직교(orthogonal) 제약을 도입해 반복 간 상관성을 최소화하고, 공유 시너지와 과제‑특이 시너지의 구분을 명확히 한다. 셋째, 코어 텐서는 희소성을 유지하도록 L1 정규화를 적용해 불필요한 상호작용을 억제한다. 이러한 제약은 ALS 과정에서 각 업데이트 단계마다 투영 연산을 삽입함으로써 구현된다. 실험에서는 세 자유도 각각에 대해 1‑DoF(방사·척골 편위)와 2‑DoF(방사·척골 + 굴곡·신전) 텐서를 사용해 PARAFAC, Tucker, consTD를 비교하였다. 평가 지표는 (1) 재구성 오차와 설명된 분산(VAF), (2) 코어 일관성(CORCONDIA) 점수, (3) 시너지 매칭 정확도(코사인 유사도)이다. 결과는 다음과 같다. consTD는 동일 차원 수에서 PARAFAC와 Tucker보다 높은 VAF(> 92 %)를 기록했으며, CORCONDIA도 90 % 이상으로 모델 적합성이 우수했다. 특히, 반복 순서를 무작위로 섞는 ‘디스어레인지’ 실험에서 NMF은 시너지 매칭 정확도가 0.6 이하로 급락했지만, consTD는 0.85 이상의 높은 유사도를 유지했다. 이는 consTD가 텐서의 다중모드 구조를 활용해 반복 정보에 대한 의존성을 감소시켰기 때문이다. 공유 시너지와 과제‑특이 시너지의 추출 결과도 상세히 제시된다. 예를 들어, 방사·척골 편위와 굴곡·신전 과제 사이에서 동일한 근육군(예: 전완근)의 활성 패턴이 공유 시너지로 나타났으며, 각 과제에 특이한 근육군(예: 손목 회전에서의 요골근)은 과제‑특이 시너지로 분리되었다. 이러한 구분은 기존 NMF 기반 방법에서는 반복 정렬과 상관계수 기반 재배열에 크게 의존했으나, consTD는 텐서 자체의 구조적 정보를 이용해 자동으로 구분한다는 점에서 의미가 크다. 마지막으로, 저자들은 consTD가 실시간 근전도 기반 보조기구 제어, 임상 재활 평가, 그리고 다중 과제 협동 로봇 제어 등에 적용 가능함을 논의한다. 텐서 기반 접근은 데이터 차원을 축소하면서도 중요한 물리적 제약을 보존하므로, 향후 더 높은 차원의 (예: 시간 × 채널 × 반복 × 피험자) 텐서에도 확장될 수 있다. 논문은 향후 연구 방향으로 (1) 비음수·정규화·직교 외에 생리학적 제약(예: 근육 피로도) 도입, (2) 온라인 ALS 알고리즘을 통한 실시간 시너지 추출, (3) 딥러닝과 텐서 분해의 하이브리드 모델 개발 등을 제시한다.