[논문 리뷰] A real-time noise cancelling EEG electrode employing Deep Learning

Henry Cowan, Sama Daryanavard외 2명|arXiv (Cornell University)|2020. 11. 06.

EEG and Brain-Computer Interfaces참고 문헌 49인용 수 4

한 줄 요약

이 논문은 눈 깜빡임 및 근육 운동과 같은 비정상적인 아티팩트를 효과적으로 감소시키기 위해 참조 노이즈 신호를 활용해 지속적으로 학습하고 억제하는 실시간 딥러닝 기반 노이즈 캔슬링 시스템을 제안한다. 이 시스템은 3D 프린팅으로 제작한 유연한 전극를 사용하며, 신호 대 노이즈비(SNR)를 평균 20 dB 향상시켜 EEG 신호의 품질을 크게 향상시킨다.

ABSTRACT

Measurements are often contaminated with large amounts of non-stationary noise which require effective noise reduction techniques. We present a new deep learning algorithm which learns continuously in real-time while filtering the data. The algorithm requires a reference noise signal alongside the noisy signal itself. As a poof of concept we demonstrate its performance by reducing noise in electroencephalogram (EEG) with the help of a custom 3D printed compound electrode using flexible materials. With this setup we achieved an average of 20dB improvement of the signal to noise ratio of the EEG for both removing eye-blink and muscle-artefacts. This concept has the potential to not only improve the signal to noise ratio of EEG but can be applied to a wide range of industrial and consumer applications such as industrial sensing or noise cancelling headphones.

연구 동기 및 목표

• EEG 측정에서 비정상적인 노이즈로 인한 신호 품질 저하 문제를 해결함으로써 임상 및 연구적 활용도를 향상시키기 위해.
• 노이즈가 있는 신호와 참조 노이즈 신호를 동시에 활용해 실시간으로 지속적으로 학습하는 노이즈 캔슬링 시스템을 개발하기 위해.
• 딥러닝 기술과 맞춤형 3D 프린팅된 유연한 전극를 통합하여 향상된 EEG 신호 획득을 가능하게 하기 위해.
• 눈 깜빡임 및 근육 운동과 같은 일반적인 생리적 아티팩트를 줄이기 위한 시스템 성능을 검증하기 위해.

제안 방법

• 시스템은 주로 노이즈가 있는 EEG 신호와 함께 참조 노이즈 신호를 사용해 실시간으로 노이즈 패턴을 학습하는 딥러닝 모델을 활용한다.
• 참조 신호는 3D 프린팅된 복합 전극를 통해 캡처되며, 이 전극는 탄성 재료로 제작되어 EEG 신호와 노이즈 참조 기능을 동시에 구현한다.
• 딥러닝 모델은 운영 중 지속적으로 적응하여 사전 校정 없이도 비정상적인 노이즈를 효과적으로 필터링할 수 있다.
• 저지연 추론을 지원하기 위해 실시간 EEG 처리에 적합한 아키텍처가 설계되었다.
• 눈 깜빡임 및 근육 운동 노이즈로 오염된 EEG 데이터를 사용해 방법을 평가하였다.
• 신호 대 노이즈비(SNR) 향상은 주요 성능 지표로 사용되었다.

실험 결과

연구 질문

• RQ1 참조 신호를 활용해 실시간으로 비정상적인 노이즈를 효과적으로 학습하고 제거할 수 있는가?
• RQ2 통합된 참조 감지 기능을 갖춘 맞춤형 3D 프린팅된 전극는 EEG 신호 품질을 얼마나 향상시킬 수 있는가?
• RQ3 제안된 방법은 실시간 EEG 데이터에서 눈 깜빡임 및 근육 운동 아티팩트를 얼마나 효과적으로 감소시킬 수 있는가?
• RQ4 재학습 없이 다양한 노이즈 조건에서도 일관된 성능을 유지할 수 있는가?

주요 결과

• 제안된 딥러닝 시스템은 눈 깜빡임 아티팩트로 오염된 EEG 신호에서 평균 20 dB의 신호 대 노이즈비(SNR) 향상을 달성하였다.
• 동일한 시스템은 근육 운동 아티팩트로 오염된 EEG 신호에서도 평균 20 dB의 SNR 향상을 기록하였다.
• 실시간 학습 기능 덕분에 변화하는 노이즈 특성에 지속적으로 적응할 수 있었으며, 모델 재학습이 필요로 하지 않았다.
• 맞춤형 3D 프린팅된 유연한 전극는 EEG 및 참조 노이즈 감지 기능을 성공적으로 통합하여 실용적 구현이 가능했다.
• 이 방법은 다양한 종류의 비정상적인 생리적 노이즈에 대해 뛰어난 성능을 보였다.
• 이 접근법은 EEG를 넘어서 산업 센서 및 소비자 오디오 기기 등 다양한 분야에 응용 가능성이 높다.