뇌 신호 연결을 위한 희소 연결 소스 분석

본 논문은 EEG와 MEG와 같이 뇌 외부에서 측정되는 전기·자기 신호가 부피 전도(volume conduction) 현상으로 인해 여러 뇌 영역의 활동이 섞여 관측된다는 근본적인 문제를 다룬다. 이러한 즉시 혼합은 전통적인 시계열 기반 연결 추정(예: Granger‑causality, DTF, PDC 등)에서 가짜 인과 관계를 유발한다. 기존 연구는 (i) 관측값의 실수부만 이용해 즉시 효과를 배제하거나, (ii) 역문제(inverse problem)를 풀어 소스 공간으로 복원한 뒤 연결을 추정하거나, (iii) 통계적 가정을 통해 직접 혼합 행렬과 연결 파라미터를 동시에 추정하는 방법으로 접근했다. 그러나 대부분은 소스 간 독립성을 전제로 하거나, 혼합 후에도 희소성이 유지되지 않아 과적합 위험이 크다. 이에 저자들은 ‘Sparsely‑Connected Sources Analysis (SCSA)’라는 새로운 모델을 제안한다. 모델은 두 단계로 구성된다. 첫 번째는 EEG/MEG 신호 x(t) 를 M이라는 정방 행렬을 통해 선형적으로 섞인 소스 s(t) 로 표현한다(x(t)=Ms(t)). 두 번째는 각 소스가 P 차수의 다변량 자기회귀(MVAR) 모델을 따르며, s(t)=∑_{p=1}^{P}H(p)s(t‑p)+ε(t) 이다. 여기서 ε(t)는 시간적으로 독립이고 비가우시안(초고정밀 sech) 분포를 가진다. 이 가정은 고차 통계 기반 블라인드 소스 분리(Blind Source Separation, BSS)를 가능하게 하며, 특히 FIR 형태의 역필터 W(p) 를 통해 ε(t)=∑_{p=0}^{P}W(p)x(t‑p) 로 재표현한다. SCSA는 위 모델을 한 번에 추정한다. 즉, ‘Convolutive ICA’를 적용해 W(p) 전체를 직접 최적화한다. 로그우도는 L = (P‑T)log|W(0)| – Σ_t Σ_d log sech(ε_d(t)) 으로 정의되며, 이는 W(p) 전역 최적화가 가능하도록 설계되었다. 그러나 실제 뇌 연결은 대부분 희소하다는 신경생리학적 전제를 반영하기 위해, H(p)의 비대각 원소들을 그룹 라소(Group Lasso) 정규화로 제약한다. 구체적으로 λ∑_{d≠f}‖