뇌전도·뇌자기 측정 신호 재구성을 위한 MV PURE 차원 축소 공간 필터

본 논문은 EEG·MEG 신호에서 뇌 활동을 복원하기 위한 새로운 공간 필터 설계 방법을 제시한다. 먼저, 기존의 LCMV(선형 제약 최소 분산) 및 널링 필터가 높은 SNR, 소스 간 비상관, 충분히 큰 공간적 분리 등 이상적인 조건에서만 우수한 성능을 보이며, 실제 뇌 측정에서는 선행 모델의 병렬성(특히 H 행렬의 작은 특이값)과 간섭 소스의 상관성 때문에 성능 저하가 발생한다는 점을 지적한다. 이를 해결하기 위해 저자들은 최소분산 의사편향 차원 축소(MV‑PURE) 프레임워크를 차원‑제한 형태로 확장한다. 핵심 아이디어는 필터 행렬 W의 순위를 r(1≤r≤l) 로 제한하고, 제한된 차원 내에서 가능한 최소한의 단위 이득 편차를 갖도록 하는 일련의 유니터리 불변 노름(ℓ₂, Frobenius 등) 기반 제약을 도입하는 것이다. 이 제약은 수식 (16)에서 정의되며, 차원‑제한된 필터 집합 X_{l×m}^r 에서 W_r H와 I_l 사이의 차이를 최소화한다. 논문은 두 가지 측정 모델을 다룬다. 첫 번째는 간섭‑free 모델로, y = H q + n이며, n은 배경 뇌 활동과 백색 잡음으로 구성된다. 여기서 제안된 필터는 (18)과 (19)에서와 같이 전체 공분산 R 혹은 잡음 공분산 N을 최소화하는 비용함수를 사용한다. 두 번째는 간섭을 포함한 모델로, y =