In the study of brain functions, the analysis of event-related potentials (ERPs) provides useful information that supplements the knowledge gained from functional magnetic resonance imaging (fMRI), which has a poor time resolution. One of the most important aspects of ERP analysis is the reliable decomposition of the ERPs into functionally distinct peak components, thereby enabling the localization of the equivalent dipole sources corresponding to those components. Thus far, this decomposition has typically been performed through independent component analysis (ICA) or principal component analysis (PCA); however, these methods have fundamental shortcomings for the separation of statistically dependent and mutually correlated peak sources such as those in ERPs. Here a gradient descent method that exploits the physical measures of waveforms in addition to an adaptive peak-searching method for the blind separation of single-peak-pulse (SPP) components mixed in the ERPs is proposed. In a simulated ERP experiment, it was found that the proposed method separated strongly dependent SPP sources with excellent performance, whereas ICA failed to separate the same sources. To confirm the applicability of the proposed method in a real ERP application, it was applied to real averaged ERP data from a word repetition experiment. The locations of the equivalent dipoles corresponding to the separated components determined by the proposed method were found to agree with the results of previous fMRI studies related to word repetition effects. In contrast, ICA failed to correctly identify the dipole locations.
뇌 기능 연구에 있어서, 사건관련 전위 (ERP) 분석은 유용한 정보를 제공한다. 이는 기능적 자기공명영상 (fMRI) 이 가지는 시간적 저해상도의 문제를 보상할 수 있는 정보이다. 사건관련 전위 분석의 가장 중용한 것 중 하나는, 사건관련 전위를 기능적으로 구분되는 피크 성분들로, 높은 신뢰도를 가지고, 성분분해를 하는 것이다. 이는 이들 성분들에 대응하는 등가 쌍극자 (dipole) 원천들의 위치를 국소화 할 수 있게 한다. 여태까지 이들의 성분분해는 독립성분분석법 (ICA) 혹은 주성분분석법 (PCA) 을 통해 이루어져 왔다. 하지만, 이 방법들은 통계적으로 상호독립이 아닌 신호들의 분리에 있어서는 그 근본적인 단점을 가지고 있다. 사건관련 전위의 성분들도 이러한 신호에 속한다. 이에 사건관련 전위에 포함되어 있는 단일피크성분 (SPP) 들의 분리를 위한 새로운 그래디언트 강하법 (gradient descent method) 을 제안한다. 이는 신호들의 통계적 성질이 아닌, 파형의 간단한 모양정보를 물리량화하여 이용한 방법이다. 또한 일반적인 그래디언트 강하법에서 사용하는 학습률 (leaning rate) 을 기능적으로 확장하여, 피크성분의 위치와 모양에 적응해 가도록 하는, 일종의 함수화를 도입하였다. 이 새로운 방법을 검증하기 위해 사건관련 전위의 모의 데이터를 생성하여 그 성능을 독립성분분석법과 비교하였다. 그 결과 통계적 독립인 단일피크 성분의 분리에 있어서는, 이 새로운 방법이 탁월함을 확인 할 수 있었다. 또한 실제 사건관련 전위 분석에의 적용 가능성을 점검하기 위해 단어 반복 실험을 통해 얻은 사건관련 전위에 이 새로운 방법을 적용해 보았다. 분리된 사건관련 전위의 성분에 대응하는 등가 쌍극자 원천들의 위치가 기존의 기능적 자기공명영상을 통한 결과와 일치함을 확인하였고, 반면 독립성분분석법을 통한 결과에서는 이러한 결과를 얻지 못했다.
