선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 연구에서 소개되는 wavelet 뇌파 분석방법을 검증하기 위해, 특정된 성질을 가진 인공뇌파가 아래의 수식에 의해 만들어져 분석되었다.
- 본 연구의 핵심 주제는 wavelet 방법이 수면 뇌파 분석에 얼마나 유효한가를 검증하는 것이었다. Wavelet 방법은 널리 사용되는 Fourier 방법이 가지고 있는 단점인 비고정상태 (nonstationarity) 제약을 해결할 수 있고, 또 시간에 따른 스펙트럼 세기를 쉽게 추정할 수 있다는 장점이 있기에 뇌파 분석에 적합한 방법이라고 볼 수 있다.
- 본 연구에서는 새로운 wavelet 방법에 대한 간략한 소개와 더불어, 그것을 인공뇌파 및 임상뇌파에 적용한 결과들을 Fourier 방법을 응용해서 얻은 결과들과 비교 분석하였다. 이러한 분석결과들을 바탕으로 wavelet 방법을 이용한 수면뇌파 연구의 유용성 및 향후 발전 가능성을 논의하는 것이 본 연구의 주된 목적이다.
제안 방법
- 입면주기 뇌파는 multiple sleep latency tests(MSLT)를 통해 2시간 간격으로 총 5회 측정되었으며, C3, F4, O1, P4 네 개의 채널에서 200 Hz로 샘플링되었다. ERP 뇌파는 확장된 10/20 시스템을 사용하여 총 26 EEG 채널에서 500 Hz로 샘플링되었는데, 본 연구에서는 Cz 채널만 분석되었다. 그리고 GoNoGo 프레임에 의해, 피험자가 시각 자극에 반응하여 컴퓨터 버튼을 입력하게 실험이 시행되었으며, 피험자가 올바르게 반응한 상태에서 측정된 뇌파만을 추출하여 ERP를 구하였다.
- ERP 뇌파는 확장된 10/20 시스템을 사용하여 총 26 EEG 채널에서 500 Hz로 샘플링되었는데, 본 연구에서는 Cz 채널만 분석되었다. 그리고 GoNoGo 프레임에 의해, 피험자가 시각 자극에 반응하여 컴퓨터 버튼을 입력하게 실험이 시행되었으며, 피험자가 올바르게 반응한 상태에서 측정된 뇌파만을 추출하여 ERP를 구하였다. 표적(Target, 녹색) 및 배경(background, 적색) 자극은 무작위로, 4분간 150회 주어졌다.
- 그리고 다중채널 뇌파 시늉내기를 위하여 각 채널별 세기와 phase(A and Ø)를 적절히 조절하여 후두엽(occipital) 부근에서 coherence 가 커지도록 하였다(Figure 2).
- 이러한 Fourier 방법의 제한점을 보완하기 위해 moving windows 방법을 함께 사용하기도 한다(Kim 등 2009b). 본 연구에서, 인공뇌파의 경우에는 1초 크기의 window를 0.1초 씩 옮기면서(90% 중복사용), 입면주기 뇌파 샘플의 경우에는 10초 크기의 window를 1초씩 옮기면서, Fourier 방법을 적용하였고, 그 결과를 wavelet 방식에서 얻은 결과와 비교하였다.
- 이 방법론에 대한 자세한 이론적 소개는 Amara(1995)에서 찾을 수 있다. 본 연구에서는 새로운 wavelet 방법에 대한 간략한 소개와 더불어, 그것을 인공뇌파 및 임상뇌파에 적용한 결과들을 Fourier 방법을 응용해서 얻은 결과들과 비교 분석하였다. 이러한 분석결과들을 바탕으로 wavelet 방법을 이용한 수면뇌파 연구의 유용성 및 향후 발전 가능성을 논의하는 것이 본 연구의 주된 목적이다.
- 이를 위해서 Hamming window로 가중치를 주고, 자료 값 256개씩을 50% 중복사용하면서 계산하였다. 아울러, 앞에서 언급한 moving windows 방식을 적용하여 시간에 따른 coherence 변화를 구하였고, 그 결과를 wavelet 방법으로 구한 위상 동조화 정도와 비교하였다. 특정 채널 위치에서의 동조화 정도 혹은 coherence는 둘씩 묶어서 계산한 값들을 가중치를 적용한 평균 값으로 구할 수 있다.
- Coherence는 Fourier 방법을 응용하여 계산할 수 있다. 이를 위해서 Hamming window로 가중치를 주고, 자료 값 256개씩을 50% 중복사용하면서 계산하였다. 아울러, 앞에서 언급한 moving windows 방식을 적용하여 시간에 따른 coherence 변화를 구하였고, 그 결과를 wavelet 방법으로 구한 위상 동조화 정도와 비교하였다.
- 입면주기 전후로 측정된 뇌파와 GoNoGo 프레임 하에서 측정된 evoked-response potential(ERP) 뇌파 샘플이 각각 하나씩 분석되었다. 입면주기 뇌파는 multiple sleep latency tests(MSLT)를 통해 2시간 간격으로 총 5회 측정되었으며, C3, F4, O1, P4 네 개의 채널에서 200 Hz로 샘플링되었다. ERP 뇌파는 확장된 10/20 시스템을 사용하여 총 26 EEG 채널에서 500 Hz로 샘플링되었는데, 본 연구에서는 Cz 채널만 분석되었다.
- 입면주기 전후로 측정된 뇌파와 GoNoGo 프레임 하에서 측정된 evoked-response potential(ERP) 뇌파 샘플이 각각 하나씩 분석되었다. 입면주기 뇌파는 multiple sleep latency tests(MSLT)를 통해 2시간 간격으로 총 5회 측정되었으며, C3, F4, O1, P4 네 개의 채널에서 200 Hz로 샘플링되었다.
- 그리고 GoNoGo 프레임에 의해, 피험자가 시각 자극에 반응하여 컴퓨터 버튼을 입력하게 실험이 시행되었으며, 피험자가 올바르게 반응한 상태에서 측정된 뇌파만을 추출하여 ERP를 구하였다. 표적(Target, 녹색) 및 배경(background, 적색) 자극은 무작위로, 4분간 150회 주어졌다. 피험자 두 명은 모두 정상 대조군에서 선택되었다.
데이터처리
- 뇌파의 spectral power density는 스펙트럼 세기 절대값을 전체 주파수 영역 스펙트럼 세기 총합으로 나눈 것이며, 각 주파수 영역은 미국수면학회 매뉴얼을 기준으로 하여, 델타(1~4 Hz), 세타(4~8 Hz), 알파(8~13 Hz), 및 베타파(13~30 Hz) 등으로 나누었다(Iber 등 2007). 각 주파수 영역의 세기가 입면주기 전후로 자른 세 시간대별로 paired t-test로 통계검증하였다. 통계적 유의성은 p＜0.
이론/모형
- 하지만 이 Fourier 방법은 정상상태(stationary) 가설, 규칙성(periodic boundary) 조건 등 몇 가지 엄밀한 조건이 충족되는 상황에서 그 유용성이 높으나, 잡음이나 기타 artifact 들이 많은 뇌파 분석에는 어느 정도 제한이 따른다. 따라서 본 연구에서는, 앞에서 언급한 다양한 수학 및 의공학 방법론 중, 비고정상태(nonstationary) 신호 분석에 적합한 wavelet 방법을 채택하였다. 이 방법론에 대한 자세한 이론적 소개는 Amara(1995)에서 찾을 수 있다.
성능/효과
- 패널(a)와 (b)에서는 C3 채널에서 측정된 뇌파를 두 가지 방식으로 계산한 파워 스펙트럼을 시간과 주파수, 이차원에서 비교하였다. 두 방법 모두 입면 전(t＜-15s)에서 강한 알파파 활동을, 입면 후(t＞15s)에서는 세타파 및 델타파 활동이 상대적으로 커짐을 보여주었으나, 시간 분해능에서는 wavelet 방식이 더 우월함을 확인할 수 있었다. 이러한 스펙트럼 세기를 다섯 번 시행된 MSLT를 통해 통계적으로 비교 분석한 결과는 패널(c)와(d)에서 찾을 수 있는데, 두 방법 모두 델타파 활동이 입면과정에서 증가하고, 알파파 활동이 감소하는 패턴이 통계적으로 유의미함을 보여주었다.
- Figure 2A에서 볼 수 있듯이, 뇌파들은 강한 델타파 활동으로 동조화되어 있도록 만들어졌기 때문에 델타 주파수에 해당되는 위상각들은 대부분의 시점에서 일치함을 알 수 있었다. 뿐만 아니라 알파 주파수 위상각들도 동조화 정도가 세타 활동에 비해서 강하다는 것을 알 수 있었다. 패널(c)는 coherence 방법으로, (d)는 위상각으로 전체(global) 동조화 정도를 측정한 결과를 보여준다.
- 인공뇌파 분석결과에서 알 수 있듯이, wavelet 방법의 결과는 전반적으로 Fourier 방법의 결과와 일치하며, 그 시간 분해능 및 위상 동조화 정도 등에서 Fourier 방법보다 뇌파의 특성을 더 잘 발견하였다. 아울러, 입면주기 임상뇌파 분석예에서는 wavelet 방법이 Fourier 방법의 대체재 혹은 보완재로서의 가능성을 보였으며, ERP 분석예에서는 ERP 파형을 시간 및 주파수 차원에서 새롭게 재구성하였고, 그 결과가 표적 및 배경 ERP 특성을 구별할 수 있는 새로운 정량화 수치를 제공할 수 있음을 보였다.
- 이러한 제한점에도 불구하고 본 연구는 wavelet 방법이 수면뇌파를 분석하는데 유용하며, 또 일반적인 Fourier 방법으로는 찾기 힘든, 짧은 시간 스케일(1-100s)에서 급격하게 뇌파가 변화하는 입면 주기 혹은 ERP 실험 등에서, 뇌파에 관련된 생물표지자(biomarker)들을 성공적으로 찾아낼 수 있다는 것을 예시하였다는 점에서 의의가 있다. 이상의 결과들로 미루어 보아, wavelet 방법은 기존의 Fourier 방법의 대체 혹은 보완하는 방법으로서 앞으로 수면뇌파 정량 분석연구에 많은 도움이 될 것으로 기대한다.
- Wavelet 방법은 널리 사용되는 Fourier 방법이 가지고 있는 단점인 비고정상태 (nonstationarity) 제약을 해결할 수 있고, 또 시간에 따른 스펙트럼 세기를 쉽게 추정할 수 있다는 장점이 있기에 뇌파 분석에 적합한 방법이라고 볼 수 있다. 인공뇌파 분석결과에서 알 수 있듯이, wavelet 방법의 결과는 전반적으로 Fourier 방법의 결과와 일치하며, 그 시간 분해능 및 위상 동조화 정도 등에서 Fourier 방법보다 뇌파의 특성을 더 잘 발견하였다. 아울러, 입면주기 임상뇌파 분석예에서는 wavelet 방법이 Fourier 방법의 대체재 혹은 보완재로서의 가능성을 보였으며, ERP 분석예에서는 ERP 파형을 시간 및 주파수 차원에서 새롭게 재구성하였고, 그 결과가 표적 및 배경 ERP 특성을 구별할 수 있는 새로운 정량화 수치를 제공할 수 있음을 보였다.
후속연구
- 이러한 성공적인 결과들에도 불구하고, 이 연구결과를 단순 일반화 하기에는 다소 어려움이 있다. 본 연구의 제한점으로는 분석에 사용된 임상 수면뇌파 자료가 충분하지 못하다는 것을 들 수 있다. 첫째, 피험자 수가 적어서 다양한 수면변과 관련된 임상적 특성을 파악할 수 없었으며, 둘째로는 뇌파 채널 수가 적어서 전기적 뇌활동의 공간적 분포에 대한 해상력이 높지 못하며 아울러 다중채널간 상호관계 coherence나 위상 동조화 정도를 통계적으로 유의미하게 구하지 못하였다.
- 첫째, 피험자 수가 적어서 다양한 수면변과 관련된 임상적 특성을 파악할 수 없었으며, 둘째로는 뇌파 채널 수가 적어서 전기적 뇌활동의 공간적 분포에 대한 해상력이 높지 못하며 아울러 다중채널간 상호관계 coherence나 위상 동조화 정도를 통계적으로 유의미하게 구하지 못하였다. 이는 향후 폭넓은 환자군을 대상으로 한, 20채널 이상 고밀도 다중채널 뇌파를 대상으로 한 연구를 통해서, 본 연구에서 제시한 wavelet 방법의 적합성을 다시금 재확인해야 할 필요성이 있다는 것을 의미한다.
- 이러한 제한점에도 불구하고 본 연구는 wavelet 방법이 수면뇌파를 분석하는데 유용하며, 또 일반적인 Fourier 방법으로는 찾기 힘든, 짧은 시간 스케일(1-100s)에서 급격하게 뇌파가 변화하는 입면 주기 혹은 ERP 실험 등에서, 뇌파에 관련된 생물표지자(biomarker)들을 성공적으로 찾아낼 수 있다는 것을 예시하였다는 점에서 의의가 있다. 이상의 결과들로 미루어 보아, wavelet 방법은 기존의 Fourier 방법의 대체 혹은 보완하는 방법으로서 앞으로 수면뇌파 정량 분석연구에 많은 도움이 될 것으로 기대한다.
- 본 연구의 제한점으로는 분석에 사용된 임상 수면뇌파 자료가 충분하지 못하다는 것을 들 수 있다. 첫째, 피험자 수가 적어서 다양한 수면변과 관련된 임상적 특성을 파악할 수 없었으며, 둘째로는 뇌파 채널 수가 적어서 전기적 뇌활동의 공간적 분포에 대한 해상력이 높지 못하며 아울러 다중채널간 상호관계 coherence나 위상 동조화 정도를 통계적으로 유의미하게 구하지 못하였다. 이는 향후 폭넓은 환자군을 대상으로 한, 20채널 이상 고밀도 다중채널 뇌파를 대상으로 한 연구를 통해서, 본 연구에서 제시한 wavelet 방법의 적합성을 다시금 재확인해야 할 필요성이 있다는 것을 의미한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.