생체신호 경험적모드분해 (Empirical Mode Decomposition for Biosignals)
쉽게 풀면
복잡하게 뒤섞인 생체신호를 여러 개의 단순한 진동 패턴으로 자동으로 나누는 방법입니다. 미리 정해진 기준 파형 없이 신호 자체의 특성에 맞춰 스스로 분해한다는 점이 특징입니다.
왜 중요한가
심전도나 뇌파처럼 비선형적이고 시간에 따라 특성이 변하는 생체신호는 전통적인 푸리에 변환으로 정확히 분석하기 어려운데, 이 기법은 그런 신호에도 유연하게 적용할 수 있기 때문입니다.
논문에서는 이렇게 쓰입니다
심전도 신호에서 원하지 않는 잡음 성분만 골라내 제거했다는 의미입니다.
기존 방법의 단점을 보완한 개선된 기법으로 뇌파 분석 정확도를 높였다는 내용입니다.
조금 더 깊게 보면
신호의 극값을 이용한 스플라인 보간과 체거름(sifting) 과정을 반복해 고유모드함수(IMF)를 추출하며, 이후 힐버트 변환과 결합한 힐버트-황 변환(HHT)을 통해 순간 주파수와 진폭 정보를 얻을 수 있습니다. EMD는 신호를 사전에 정의된 기저함수 없이 국소 극값을 이용해 고유모드함수(IMF)들로 반복적으로 분해하는 데이터 기반 방법으로, 비선형·비정상(non-stationary) 생체신호 분석에 적합합니다. 이후 힐버트 변환과 결합한 힐버트-황 변환(HHT)으로 순간 주파수 정보를 얻는 방식이 널리 쓰입니다. 심전도의 기저선 변동이나 근전도의 잡음처럼 특정 IMF 성분에 원치 않는 신호가 몰리는 경우, 해당 성분만 제거하거나 재구성해 잡음을 제거하는 필터링 용도로도 활용됩니다. 경험적모드분해는 신호를 고유모드함수(IMF)로 순차적으로 분리해 비정상(non-stationary)·비선형 생체신호의 시간에 따라 변하는 주파수 성분을 분석하는 데 활용됩니다. 심전도나 뇌파 신호에서 잡음과 실제 생리적 성분을 분리하거나, 특정 IMF에서 부정맥·발작 전조 패턴을 추출하는 연구에 쓰입니다.
주의할 점
서로 다른 주파수 성분이 하나의 고유모드함수에 섞이는 모드혼합 현상이 발생할 수 있어, 잡음보조 앙상블 기법 등 개선된 방법이 함께 사용됩니다.
분해 과정에서 서로 다른 주파수 성분이 하나의 IMF에 섞이는 모드 혼합(mode mixing) 문제가 발생할 수 있어, 이를 보완하기 위해 잡음을 추가하는 앙상블 EMD(EEMD) 방식이 흔히 사용됩니다. 신호 끝부분에서 극값을 찾기 어려워 발생하는 경계 효과(edge effect)가 분해 품질을 떨어뜨릴 수 있어, 충분히 긴 구간의 신호를 확보하거나 경계 보정 기법을 함께 적용해야 합니다. 모드 혼합(mode mixing) 문제로 하나의 IMF에 서로 다른 주파수 성분이 섞이는 경우가 있어, 이를 보완한 앙상블 경험적모드분해(EEMD) 같은 개선 기법이 함께 활용됩니다.