[논문 리뷰] The Signal Space Separation method

Samu Taulu, M. Kajola외 1명|ArXiv.org|2004. 01. 30.

Blind Source Separation Techniques참고 문헌 5인용 수 20

한 줄 요약

신호공간분리(SSI) 방법은 자기뇌도법(MEG)에서 뇌에 의해 생성된 자기신호와 외부 간섭을 분리하기 위한 기능적 전개 접근법을 제안한다. 신호공간을 내부 원천과 외부 노이즈에 대응하는 기저벡터로 분해함으로써 SSI는 노이즈 억제, 가상 센서 변환, 아티팩트 보정을 가능하게 하여 다중채널 MEG 시스템에서 신호 정밀도를 향상시키는 수학적으로 우아하고 효과적인 해법을 제공한다.

ABSTRACT

Multichannel measurement with hundreds of channels essentially covers all measurable degrees of freedom of a curl and source free vector field, like the magnetic field in a volume free of current sources (e.g. in magnetoencephalography, MEG). A functional expansion solution of Laplace's equation enables one to separate signals arising from the sphere enclosing the interesting sources, e.g. the currents in the brain, from the rest of the signals. The signal space separation (SSS) is accomplished by calculating individual basis vectors for each term of the functional expansion solution to create a signal basis covering all measurable signal vectors. Any signal vector has a unique SSS decomposition with separate coefficients for the interesting signals and signals coming from outside the interesting volume. Thus, SSS basis provides an elegant method to remove external disturbances, and to transform the interesting signals to virtual sensor configurations. SSS can also be used in compensating the movements of the subject and removing the artefacts caused by magnetized particles in the subject.

연구 동기 및 목표

• 다중채널 MEG 기록에서 외부 자기장 간섭으로 인한 신호 품질 저하와 원천 국소화의 복잡성을 해결하기 위해.
• 뇌 내부에서 기인하는 신호(내부 원천)와 관심 영역 외부에서 발생하는 신호(외부 노이즈)를 수학적으로 엄밀하게 분리하기 위한 방법을 개발하기 위해.
• 신호 분석 및 아티팩트 보정을 향상시키기 위해 측정된 신호를 가상 센서 구성으로 변환할 수 있도록 하기 위해.
• 수행자의 이동 보정 및 환자 내의 자화된 입자에 의해 유발되는 아티팩트 제거를 위한 프레임워크를 제공하기 위해.

제안 방법

• 측정 중인 두피 내부와 같은 전류가 없는 영역에서 라플라스 방정식의 기능적 전개 해법을 사용하여 자기장 분포를 모델링한다.
• 기능적 전개의 각 항에 대응하는 개별 기저벡터를 구성함으로써 측정 가능한 모든 신호벡터를 커버하는 완전한 신호기저를 형성한다.
• 각 신호벡터는 SSI 기저를 통해 내부(뇌) 신호와 외부(노이즈) 신호에 대응하는 계수로 고유하게 분해된다.
• 이 분해를 통해 외부 간섭은 선택적으로 필터링되며, 내부 신호 성분은 그대로 유지되고 변환된다.
• 내부 신호 성분을 새로운 센서 배열로 재표현함으로써 가상 센서 구성으로의 변환을 지원한다.
• 외부 신호공간 내에서 기여를 모델링함으로써 수행자의 이동 보정 및 자화된 입자에 의한 아티팩트 제거가 가능하다.

실험 결과

연구 질문

• RQ1 다중채널 MEG 시스템에서 뇌의 자기신호를 환경 외부 노이즈로부터 효과적으로 분리할 수 있는가?
• RQ2 자기장 해법의 기능적 전개를 이용해 내부와 외부 신호 기여를 구분할 수 있는 기저를 만들 수 있는가?
• RQ3 SSI는 뇌 신호의 무결성을 유지하면서 외부 간섭을 어느 정도 억제할 수 있는가?
• RQ4 SSI는 MEG 데이터에서 수행자 이동과 자화된 입자에 의한 아티팩트를 어떻게 보정하는가?
• RQ5 SSI를 이용해 측정된 신호를 가상 센서 구성으로 변환하는 데 수학적·실용적 타당성이 있는가?

주요 결과

• SSI 방법은 신호공간을 내부 및 외부 성분으로 명확히 분리함으로써 뇌에 의해 생성된 자기신호와 외부 간섭을 성공적으로 분리한다.
• 모든 측정된 신호벡터는 내부 및 외부 신호 기여에 대응하는 계수로 고유하고 수학적으로 일관된 분해를 제공한다.
• 외부 노이즈는 SSI 기저에 대한 투영을 통해 효과적으로 억제되며, 이로 인해 뇌 활동이 깔끔하게 추출된다.
• 내부 신호 성분은 가상 센서 구성으로 변환되어 향상된 신호 처리 및 분석이 가능해진다.
• 수행자의 이동 보정 및 자화된 입자에 의한 아티팩트 제거에 효과적이며, 이러한 영향은 외부 신호공간 내에서 모델링되기 때문이다.
• 수백 개의 센서를 포함하는 다중채널 시스템에 대해 안정적이고 확장 가능하며, 자기뇌도법의 맥락에서 이를 입증하였다.