자폐 스펙트럼 장애 분류를 위한 뇌 연결성 기반 동기화 상태 슈퍼바이즈드 러닝

초록

본 연구는 얼굴 인식 과제 중 128채널 EEG에서 추출한 동기화 상태(시냅스톤)와 그에 따른 뇌 연결성 지표를 이용해 자폐 스펙트럼 장애(ASD)와 정상 아동을 구분한다. 최소·최대 발생 시냅스톤을 특징으로 선택하고, 판별분석 및 다항식 커널 SVM을 적용해 LOOCV 방식으로 94.7% 정확도(민감도 85.7%, 특이도 100%)를 달성하였다.

상세 분석

이 논문은 EEG 기반 뇌 기능 연결성을 정량화하는 새로운 파이프라인을 제시한다. 먼저 128채널 EEG 데이터를 고주파 대역(30–45 Hz)에서 위상 동기화 분석을 수행해 시간에 따라 변하는 동기화 패턴, 즉 ‘시냅스톤(synchrostate)’을 도출한다. 시냅스톤은 전체 실험 동안 몇 차례 반복되는 고유한 위상 배열이며, 각 피험자는 최소·최대 빈도로 나타나는 두 개의 시냅스톤을 선택한다. 이 두 시냅스톤에 대해 인접 채널 간 위상 차이를 기반으로 상관계수 행렬을 만들고, 이를 그래프 이론적 지표(노드 강도, 클러스터링 계수, 전역 효율성 등)와 주파수 대역별 파워 스펙트럼 특성으로 변환한다. 이렇게 추출된 다차원 피처는 차원 축소 없이 그대로 사용되며, 판별분석(Linear Discriminant Analysis)과 다항식 커널을 갖는 서포트 벡터 머신(SVM) 두 모델에 입력된다. 모델 평가는 Leave‑One‑Out 교차검증(LOOCV)으로 수행되어, 전체 24명(ASD 12, TD 12) 중 한 명을 테스트셋으로 남기고 나머지로 학습한다. 결과는 SVM이 94.7% 정확도, 85.7% 민감도, 100% 특이도를 기록하며, 기존 EEG 기반 ASD 분류 연구(대체로 70~85% 수준)보다 현저히 우수함을 보여준다. 그러나 샘플 수가 적고, 얼굴 감정(공포, 행복, 중립)별 차이를 별도 분석하지 않은 점, 시냅스톤 선택 기준이 주관적일 수 있다는 한계가 있다. 향후 다중 감정 조건, 더 큰 코호트, 그리고 시냅스톤 자동 탐지 알고리즘을 도입하면 임상 적용 가능성이 더욱 높아질 것으로 기대된다.