용어 목록 > 스파이크 정렬 (Spike Sorting)

스파이크 정렬 (Spike Sorting)

쉽게 풀면

시끌벅적한 파티장에 마이크 하나를 두었다고 생각해보세요. 여러 사람의 목소리가 한꺼번에 녹음되지만, 사람마다 목소리 톤과 억양이 조금씩 달라서 "이건 A의 목소리, 저건 B의 목소리"라고 구분할 수 있습니다. 뇌 속에 꽂은 전극도 비슷합니다.

하나의 전극 주변에는 여러 개의 뉴런이 있고, 이들이 동시에 활동전위(스파이크)를 발생시키면 전극에는 여러 신호가 섞여서 기록됩니다. 스파이크 정렬은 각 스파이크의 파형(모양)이 뉴런마다 미묘하게 다르다는 점을 이용해서, "이 스파이크는 뉴런 1의 것, 저 스파이크는 뉴런 2의 것"으로 분류해주는 작업입니다.

왜 중요한가

신경과학 연구의 상당수는 개별 뉴런이 언제, 얼마나 자주 발화하는지를 근거로 결론을 도출하는데, 세포외 전극은 여러 뉴런의 신호를 한꺼번에 기록하기 때문에 스파이크 정렬 없이는 "이 발화가 어느 뉴런에서 왔는지" 알 수 없습니다. 따라서 단일세포 수준의 부호화, 신경회로 연결성, 행동과의 상관관계를 다루는 논문에서는 스파이크 정렬의 정확도가 이후 모든 분석 결과의 신뢰성을 좌우하는 전제 조건이 됩니다.

어떤 절차인가

1. 필터링: 세포 밖 기록 신호에서 스파이크가 있는 높은 주파수 대역(흔히 수백 Hz~수 kHz)만 남깁니다. 낮은 주파수는 국소장전위로 따로 분석합니다.
2. 검출: 잡음 수준보다 큰 사건을 찾습니다. Quiroga 등(2004)은 임계값을 잡음 표준편차의 4배로 두고, 잡음 표준편차를 신호의 절댓값 중앙값 ÷ 0.6745로 추정하는 방식을 제안했습니다. 중앙값을 쓰면 스파이크가 많아도 잡음 추정치가 부풀지 않습니다.
3. 파형 정렬과 특징 추출: 스파이크 파형을 같은 기준점에 맞추고 진폭, 폭, 주성분, 웨이블릿 계수 같은 특징으로 요약합니다. 테트로드나 다채널 프로브는 여러 채널에서의 진폭 비율도 단서가 됩니다.
4. 군집화: 비슷한 특징을 가진 스파이크를 한 뉴런으로 묶습니다. k-평균, 혼합 모형, 초상자성 군집화, 파형 템플릿을 맞춰 보는 방식 등이 쓰입니다.
5. 품질 점검과 큐레이션: 자동 결과를 사람이 검토해 병합·분할·제거를 하고, 지표로 분리 정도를 점검합니다.

언제 쓰고 무엇을 얻나

• 얻는 것: 개별 뉴런(단일 단위) 또는 구분이 불확실한 뉴런 무리(다중 단위)의 스파이크 시각. 이것으로 발화율, 수용장, 장소세포 지도, 뉴런 간 상관 등을 분석합니다.
• 오류 유형: 다른 뉴런을 한 군집으로 합치는 오류, 한 뉴런을 둘로 나누는 오류, 동시에 발생한 스파이크의 누락. Harris 등(2000)은 세포 내 기록과 테트로드 기록을 동시에 얻어 분리 정확도를 직접 평가했습니다.
• 품질 지표: 같은 뉴런은 활동전위 직후 불응기(대략 1~2 ms) 동안 다시 발화하지 못하므로, 한 군집 안에서 그 시간 안에 겹치는 스파이크가 많으면 여러 뉴런이 섞였다는 신호입니다(Hill 등, 2011). 군집 간 거리 지표(격리 거리, L-ratio)도 쓰입니다.
• 드리프트: 전극이 조금씩 움직이면 파형이 변해 장시간 기록에서 군집이 흔들립니다. 고밀도 프로브에서는 이를 보정하는 알고리즘이 필요합니다.
• 스파이크 정렬 방법의 역사와 비교는 Lewicki(1998)와 Rey 등(2015)의 종설에 정리되어 있습니다.

가상의 예: 한 군집에 스파이크가 2,000개 있고 연속한 스파이크 간 간격이 2 ms 미만인 쌍이 6개라면, 위반 비율은 6 ÷ 1,999 ≈ 0.30%입니다(계산 코드로 확인). 어느 정도까지 허용할지는 연구마다 다른 관례이며, 비율이 낮아도 서로 비슷한 두 뉴런이 섞였을 가능성은 이 지표만으로 배제되지 않습니다.

논문에는 이렇게 적는다

• 기록 장치: 전극 종류(테트로드, 실리콘 프로브, Neuropixels 등), 채널 수, 샘플링 속도.
• 전처리: 필터 대역, 기준 신호(공통 평균 기준 등) 처리 방식.
• 검출 규칙: 임계값을 어떤 방식으로 정했는지(예: 잡음 표준편차의 몇 배).
• 정렬 도구: 소프트웨어 이름과 버전, 자동 정렬 후 수동 큐레이션을 했는지, 큐레이션 기준.
• 품질 기준과 결과: 불응기 위반 허용치, 격리 지표 기준, 기준 때문에 제외한 단위 수, 단일 단위와 다중 단위를 어떻게 구분해 분석했는지, 동물·세션별 단위 수.
• 예시 문장(가상): “신호는 300–6000 Hz로 필터링한 뒤 잡음 표준편차(중앙값 ÷ 0.6745로 추정)의 4배 임계값으로 스파이크를 검출했고, 자동 군집화 후 수동으로 검토했다. 불응기(2 ms) 위반이 1%를 넘는 군집은 다중 단위로 분류했다.”

논문에서는 이렇게 쓰입니다

실제 논문에서

이 용어를 직접 쓴 국내 논문 문장을 아직 수집하지 못했습니다. 수집되는 대로 출처와 함께 싣겠습니다.

예시 문장

아래는 용어의 쓰임을 보여 주려고 만든 예시로, 실제 논문에서 가져온 문장이 아닙니다.

이 문장은 "여러 뉴런의 신호가 섞인 원시 기록을 알고리즘으로 나누어서, 각 뉴런이 언제 발화했는지를 개별적으로 파악했다"는 뜻입니다. 이렇게 분리된 결과는 이후 단일세포 기록법 분석의 기초 자료로 쓰입니다.

대규모 전극 어레이를 사용하는 최근 연구에서는 자동 클러스터링 알고리즘의 결과를 연구자가 다시 검수하는 반자동 방식을 병행해 정확도를 높이는 경우가 많습니다.

조금 더 깊게 보면

스파이크 정렬은 보통 (1) 전극 신호에서 스파이크 파형만 골라내는 검출(detection), (2) 파형의 특징(진폭, 폭, 주성분 등)을 추출하는 특징추출, (3) 비슷한 특징끼리 묶는 클러스터링의 세 단계로 이루어집니다. 클러스터링 결과가 실제로 서로 다른 뉴런을 잘 분리했는지는 클러스터 간 거리나 발화 후 불응기(refractory period) 위반 비율 같은 지표로 점검하며, 최근에는 딥러닝 기반 자동 정렬 도구도 널리 쓰이고 있습니다.

주의할 점

스파이크 정렬은 완벽하지 않습니다. 두 뉴런의 파형이 비슷하거나 신호가 겹치면 다른 뉴런의 스파이크를 같은 뉴런의 것으로 잘못 묶거나, 반대로 하나의 뉴런을 여러 개로 잘못 나눌 수 있습니다. 그래서 논문에서는 정렬 결과의 신뢰도(클러스터 분리도 등)를 함께 보고하는 경우가 많습니다.

헷갈리기 쉬운 용어

참고 문헌

1. Lewicki, M. S. (1998). A review of methods for spike sorting: the detection and classification of neural action potentials. Network: Computation in Neural Systems, 9(4), R53–R78.
2. Harris, K. D., Henze, D. A., Csicsvari, J., Hirase, H., & Buzsáki, G. (2000). Accuracy of tetrode spike separation as determined by simultaneous intracellular and extracellular measurements. Journal of Neurophysiology, 84(1), 401–414.
3. Quiroga, R. Q., Nadasdy, Z., & Ben-Shaul, Y. (2004). Unsupervised spike detection and sorting with wavelets and superparamagnetic clustering. Neural Computation, 16(8), 1661–1687.
4. Hill, D. N., Mehta, S. B., & Kleinfeld, D. (2011). Quality metrics to accompany spike sorting of extracellular signals. Journal of Neuroscience, 31(24), 8699–8705.
5. Rey, H. G., Pedreira, C., & Quiroga, R. Q. (2015). Past, present and future of spike sorting techniques. Brain Research Bulletin, 119, 106–117.

표의 기준값은 위 문헌에 근거한 관례이며, 분야·학술지마다 다른 기준을 쓸 수 있습니다.

관련 용어