동적 MEG 역문제의 상태공간 해법과 고성능 컴퓨팅 활용

초록

본 논문은 MEG 신호의 뇌내 신경원 위치와 세기를 추정하는 역문제에 대해, 정적 L2 정규화인 최소노름추정(MNE)의 한계를 극복하고자 시간·공간 상관을 동시에 모델링하는 상태공간 프레임워크를 제안한다. 관측 모델은 Maxwell 방정식의 정상상태 해를 이용하고, 잠재 상태는 랜덤 워크로 기술한다. 고차원 칼만 필터와 고정구간 스무터(Fixed‑Interval Smoother)를 활용해 전체 시계열을 통합 추정하며, 이를 위해 NSF Teragrid 슈퍼컴퓨팅 자원을 이용한 병렬 구현을 수행한다. 시뮬레이션 및 실제 촉각 자극 MEG 데이터에 적용한 결과, 기존 MNE 대비 위치 정확도와 진폭 회복력이 크게 향상됨을 보인다.

상세 분석

이 연구는 MEG 역문제의 근본적인 비정형성(underdetermined nature)을 두 가지 관점에서 접근한다. 첫째, 기존 최소노름추정(MNE)은 L2 정규화를 통해 해를 안정화하지만, 정규화 행렬이 시간에 대해 고정되어 있어 신경활동의 연속적인 동역학을 반영하지 못한다는 점을 지적한다. 둘째, 뇌내 전류원은 실제로 공간적으로는 인접한 영역과 상관관계를 가지며, 시간적으로는 연속적인 변화를 보인다. 이를 반영하기 위해 저자는 상태공간 모델을 도입한다. 관측 방정식 Y_k = H J_k + ε_k에서 H는 선도장(lead‑field) 행렬로, MRI 기반 해부학적 모델과 전도도 정보를 이용해 사전 계산된다. 잠재 상태 J_k는 3 P 차원의 벡터이며, 각 소스는 3차원 전류벡터를 갖는다. 상태 전이 모델은 J_k = J_{k‑1} + ω_k 형태의 랜덤 워크를 가정함으로써, 시간에 따라 급격한 변동 없이 부드러운 변화를 강제한다. 이때 ω_k는 공분산 Q를 갖는 가우시안 백색 잡음이며, Q는 공간적 상관(예: 인접 소스 간 라플라시안 제약)과 시간적 스무딩 정도를 조절한다.

칼만 필터(KF)는 순방향으로 현재 시점까지의 관측을 이용해 사후 평균과 공분산을 업데이트하고, 고정구간 스무터(FIS)는 전체 시계열을 역방향으로 통합해 각 시점의 최적 추정치를 제공한다. 이러한 두 단계는 선형 가우시안 시스템에서 최적 베이즈 추정에 해당한다. 그러나 차원 수가 S ≈ 300(센서)와 P ≈ 10 000(소스) 수준으로 매우 커지므로, 전통적인 행렬 연산은 메모리와 연산량 측면에서 비현실적이다. 저자는 이를 해결하기 위해 NSF Teragrid의 대규모 병렬 클러스터를 활용, 행렬-벡터 곱을 블록 분할하고 MPI 기반 통신으로 공분산 업데이트를 수행한다. 특히, 공분산 행렬 Q와 Σ_ε는 대칭 양정(positive‑definite) 특성을 이용해 차원 축소 없이도 효율적인 Cholesky 분해와 역연산이 가능하도록 설계했다.

실험에서는 (1) 인공적으로 생성한 소스와 잡음이 포함된 시뮬레이션 데이터, (2) 인간 피험자에게 촉각 자극을 가한 실제 MEG 데이터를 사용했다. 시뮬레이션에서는 MNE가 소스 위치를 표면 근처로 편향시키는 반면, 상태공간 모델은 실제 소스 위치와 진폭을 정확히 복원했다. 실제 데이터에서는 감각 피질(S1) 영역의 활성 시퀀스가 시간적으로 연속적인 패턴으로 드러났으며, MNE는 이러한 연속성을 놓치고 잡음에 민감한 반면, KF/FIS 기반 추정은 잡음 억제와 동시에 시간적 흐름을 보존했다. 또한, 정규화 파라미터 λ를 별도로 튜닝할 필요 없이 Q와 Σ_ε를 데이터 기반으로 추정함으로써 모델의 자동 적응성을 입증하였다.

결과적으로, 이 논문은 (i) 시간·공간 상관을 동시에 고려한 선형 가우시안 상태공간 모델이 MEG 역문제에 적용 가능함을, (ii) 고차원 칼만 필터와 고정구간 스무터가 대규모 슈퍼컴퓨팅 환경에서 실시간에 가까운 속도로 구현될 수 있음을, (iii) 기존 정적 정규화 방법 대비 위치 정확도와 진폭 회복력에서 실질적인 개선을 제공함을 증명한다. 이러한 접근은 향후 실시간 뇌-컴퓨터 인터페이스, 임상 진단(예: 간질 초점 탐지), 그리고 다중 모달리티 통합 분석에 중요한 기반이 될 것으로 기대된다.