다중 피험자 fMRI 정렬을 위한 지역 판별 초정렬

본 논문은 다중 피험자 기능적 자기공명영상(fMRI) 데이터를 정렬하는 과정에서 발생하는 핵심 문제를 짚고, 이를 해결하기 위한 새로운 감독형 정렬 기법인 ‘지역 판별 초정렬(Local Discriminant Hyperalignment, LDHA)’을 제안한다. 기존의 하이퍼얼라인먼트(HA)는 Canonical Correlation Analysis(CCA)를 기반으로 각 피험자의 뇌 활동 행렬 X(i)∈ℝ^{T×V}에 대해 회전 행렬 R(i)를 찾아 공통 템플릿 G를 구성한다. 이때 목표는 서로 다른 피험자 간 동일 시점(time‑point)에서의 상관을 최대화하는 것이며, 이는 비지도형(unsupervised) 접근법에 해당한다. 그러나 MVP(다변량 패턴) 분류와 같이 클래스 라벨이 존재하는 상황에서는 단순히 시간 동기화된 상관만을 극대화하는 것이 충분하지 않다. 동일 카테고리(예: 같은 물체 이미지) 내 모든 자극 간 상관을 높이고, 서로 다른 카테고리(예: 물체 vs. 얼굴) 간 상관을 억제해야만 뇌 패턴이 실제 인지적 차이를 반영하도록 할 수 있다. 이에 저자는 훈련 데이터의 라벨 Y∈ℕ^{T}를 활용해 이웃 행렬 α∈ℝ^{T×T}를 정의한다. α_{mn}=1이면 m과 n이 같은 클래스, 0이면 다른 클래스로 설정한다(식 9). 이 행렬을 바탕으로 동일 클래스 내 공분산 행렬 W(i,j)와 이질 클래스 간 공분산 행렬 B(i,j)를 각각 식 10, 11로 계산한다. W는 같은 라벨을 가진 모든 시점 쌍의 내적을 합산한 것이며, B는 서로 다른 라벨을 가진 시점 쌍의 내적을 합산한다. 그 다음, 기존 CCA에서 사용되는 공분산 C(i,j) 대신 ‘감시된’ 공분산 eC(i,j)=W(i,j)−(η/T^2)·B(i,j) 를 도입한다. 여기서 η는 α에서 1인 원소 개수(즉, 동일 클래스 쌍의 총 개수)이며, T는 전체 시간 포인트 수이다. 이 식은 동일 클래스 간 상관을 양의 가중치로 강화하고, 이질 클래스 간 상관을 음의 가중치로 억제한다는 의미이다. LDHA의 최적화 목표는 식 12와 같이 eC를 이용한 다중 집합 CCA를 풀어 각 피험자에 대한 회전 행렬 R(i)를 구하는 것이다. 이는 일반화 고유값 문제로 변환될 수 있으며, 구체적인 해법은 다음과 같다. 먼저 C(i)=X(i)ᵀX(i)와 C(j)=X(j)ᵀX(j)를 계산하고, 이들의 역제곱근을 구한다. 이후 H(i,j)=C(i)^{-1/2}·eC(i,j)·C(j)^{-1/2} 를 만든 뒤, 특이값 분해(SVD)를 수행해 H(i,j)=P·Λ·Qᵀ 로 분해한다. 최종 회전 행렬은 R(i)=C(i)^{-1/2}·P, R(j)=C(j)^{-1/2}·Q 로 얻어진다(알고리즘 1). 이 과정은 기존 CCA와 동일한 연산 복잡도를 유지하면서도 라벨 정보를 효과적으로 반영한다. 실험에서는 공개된 시각 자극 fMRI 데이터셋을 이용해 8‑class 객체 인식 과제를 수행하였다. 정렬 전후의 Inter‑Subject Correlation(ISC)와 MVP 분류 정확도를 주요 지표로 삼았다. 결과는 다음과 같다. (1) LDHA는 기존 HA, 정규화 HA, 커널 HA, LDCCA 등에 비해 평균 ISC를 0.85 수준으로 크게 향상시켰으며, 이질 클래스 간 ISC는 0.10 이하로 감소시켰다. (2) MVP 분류 정확도는 기존 방법 대비 평균 6~9%p 상승했으며, 특히 카테고리 구분이 어려운 경우에도 안정적인 성능을 보였다. (3) 계산 시간은 SVD 기반 구현 덕분에 기존 CCA 기반 방법과 비슷하거나 약간 빠른 수준을 유지했다. 논문은 또한 LDHA가 기존 HA의 가정인 ‘회전 변환’이라는 제약을 그대로 유지함을 강조한다. 즉, R(i)는 직교 행렬이며, 이는 뇌 데이터의 물리적 해석성을 해치지 않는다. 또한, 라벨 기반 이웃 행렬 α는 단순히 클래스 라벨만 있으면 언제든 생성 가능하므로, 다양한 실험 설계(예: 다중 라벨, 연속적 자극)에도 확장 가능하다. 결론적으로, LDHA는 ‘감시된’ 공분산을 도입해 CCA 기반 정렬을 클래스 구분 친화적으로 변형함으로써, 다중 피험자 fMRI 데이터의 기능적 정렬 정확도를 크게 높이고, 이를 기반으로 한 MVP 분석의 성능을 향상시킨다. 향후 연구에서는 비동기 자극, 다모달(EEG‑fMRI) 데이터, 실시간 뇌‑컴퓨터 인터페이스 등에 LDHA를 적용해 정렬 효율성을 검증하고, 라벨이 희소하거나 불완전한 경우를 위한 반감시형 확장도 모색할 예정이다.