뇌의 CPU 코어 수 추정: fMRI 데이터 프랙털 차원 분석

** 본 논문은 인간 뇌가 복합 인지 과제를 수행할 때 동시에 활성화되는 독립적인 처리 흐름, 즉 ‘CPU 코어’에 해당하는 병렬 처리 단위의 수를 fMRI 데이터를 통해 정량화하고자 한다. 이를 위해 저자는 fMRI 신호를 고차원 행렬 Y (t × n) 으로 모델링하고, 이를 시간‑소스 행렬 T (t × p)와 공간‑맵 행렬 S (p × n) 의 곱으로 분해하는 블라인드 소스 분리(BSS) 문제를 설정한다. **문제 정의와 데이터 특성** fMRI는 3‑D 공간을 1‑2 mm 해상도의 voxel로 샘플링하고, 1‑2 초 간격으로 100‑150 시간점(time point)을 기록한다. 따라서 전체 데이터는 10⁸‑10⁹ 개의 샘플을 포함하는 대규모 행렬이 된다. 또한 혈류역학적 응답(HRF)이 시간·공간적으로 변동하고, 스캔 잡음·운동 아티팩트가 존재해 전통적인 GLM(General Linear Model) 접근은 사전 정의된 디자인 매트릭스가 부정확해지는 문제를 안고 있다. **차원 축소와 프랙털 차원 분석** 저자는 인접 voxel 간의 혈류 상관성으로 인해 실제 데이터의 자유도는 voxel 수보다 훨씬 작다고 주장한다. 이를 정량화하기 위해 박스‑카운팅 방식의 프랙털 차원(fractal dimension, D_f) 추정을 적용한다. 구체적으로, 데이터 포인트를 다양한 스케일 ε 로 격자화하고, 각 스케일에서 비어 있지 않은 박스 수 N(ε) 를 측정한다. 로그‑로그 플롯에서 log N(ε) 대 log (1/ε) 의 기울기가 프랙털 차원이다. 이 값은 데이터가 실제 차지하는 내재 차원을 비선형적으로 반영한다. **ICA 기반 블라인드 소스 분리** 프랙털 차원 D_f 을 추정한 뒤, ICA(Independent Component Analysis)를 이용해 독립 성분을 추출한다. ICA는 비가우시안 소스 가정 하에 혼합 행렬 A 을 역추정해 Y ≈ A · X (여기서 X 는 독립 성분) 형태로 분해한다. 논문에서는 FastICA와 Infomax 두 알고리즘을 사용했으며, 성분 수 p 를 프랙털 차원 D_f 에 맞추어 선택한다. 즉, p ≈ D_f 인 경우 재구성 오차가 최소화되고, 의미 있는 뇌 네트워크 맵이 도출된다. **실험 설계** 1. **시뮬레이션 데이터**: 10, 20, 30개의 독립 소스를 선형 혼합해 가상의 fMRI 데이터를 생성하고, 프랙털 차원과 ICA 성분 수를 비교한다. 2. **실제 데이터 1 (시각 과제)**: 피험자 12명을 대상으로 정적인 이미지 자극을 제공하고, BOLD 신호를 수집한다. 3. **실제 데이터 2 (시각‑운동 과제)**: 피험자 10명을 대상으로 이미지 인식과 동시에 손가락 움직임을 요구하는 복합 과제를 수행하게 하여 fMRI를 기록한다. 각 데이터에 대해 프랙털 차원을 5~12 사이로 추정했으며, ICA를 동일한 범위의 성분 수로 실행했다. 결과는 다음과 같다. - 시뮬레이션에서는 프랙털 차원 D_f 와 실제 독립 소스 수 p_true 가 거의 일치했으며, p = D_f 일 때 재구성 오차가 최소였다. - 시각 과제에서는 D_f ≈ 7 ~ 8로, ICA가 7~8개의 독립 성분을 추출했으며, 주요 성분은 시각 피질(V1‑V4)과 관련된 맵을 보여준다. - 시각‑운동 과제에서는 D_f ≈ 9 ~ 11로, ICA가 9~11개의 성분을 도출했고, 시각 피질 외에 전운동 피질, 소뇌, 전전두엽 등 다중 네트워크가 동시에 활성화된 것을 확인했다. **해석과 ‘CPU 코어’ 은유** 저자는 프랙털 차원 D_f 을 뇌가 동시에 실행할 수 있는 독립 프로세스(‘CPU 코어’)의 수에 비유한다. 특정 활성화 수준(예: BOLD 신호가 평균보다 2 σ 초과)에서 D_f 에 해당하는 성분 수가 뇌 전체에 걸쳐 동시에 활성화된 것으로 해석한다. 이는 엄격한 임계값이 아니라 연속적인 범위이며, 과제 난이도·피험자 차이에 따라 변동한다. **한계 및 향후 과제** - 프랙털 차원 추정은 스케일 선택에 민감하고, 박스‑카운팅 파라미터가 주관적이다. 자동화된 스케일 선택 방법이 필요하다. - ICA는 비가우시안 소스 가정에 의존하므로, 잡음·아티팩트가 많은 fMRI 데이터에서는 과소/과대 추정 위험이 있다. 딕셔너리 학습(Dictionary Learning)이나 비음수 행렬 분해(Non‑negative Matrix Factorization)와의 비교가 요구된다. - ‘CPU 코어’라는 메타포는 실제 신경 회로의 병렬 처리 메커니즘과 직접적인 대응 관계가 없으며, 뇌의 기능적 네트워크는 동적 연결성(dynamic connectivity)과 상호 의존성을 갖는다. 따라서 추정된 차원은 ‘잠재적 병렬 처리 용량’ 정도로 해석하는 것이 바람직하다. **결론** 본 연구는 프랙털 차원 분석을 이용해 fMRI 데이터의 내재 차원을 비선형적으로 추정하고, 이를 ICA 성분 수 선택에 적용함으로써 뇌의 병렬 처리 용량을 정량화하려는 새로운 방법론을 제시한다. 데이터‑주도적인 차원 선택은 기존의 임계값 기반 ICA보다 더 합리적인 성분 수를 제공하며, 시각‑운동 복합 과제에서 약 10개의 독립 네트워크가 동시에 활성화된다는 결과는 뇌가 다중 작업을 수행할 수 있는 ‘코어’ 수준을 직관적으로 보여준다. 향후 프랙털 차원 추정의 자동화, 다른 BSS 기법과의 통합, 그리고 동적 기능 연결성 분석과의 결합을 통해 보다 정교한 뇌 병렬 처리 모델을 구축할 수 있을 것으로 기대된다. **