수면 EEG 신호의 혼돈 지표 변동성 연구

초록

본 논문은 수면 중 뇌파(EEG) 신호에 나타나는 비선형·혼돈 특성을 정량화하기 위해, 최대 Lyapunov 지수, 상호 정보량, 상관 차원, 최소 임베딩 차원 등 네 가지 혼돈 지표의 변동성을 31명의 피험자(정상군 및 수면 무호흡 의심군)에서 측정하고, 수면 단계별로 그 분포를 비교·분석하였다. 실험 결과, 각 단계별로 건강군과 무호흡 의심군 사이에 통계적으로 유의한 차이가 존재함을 확인했으며, 이러한 지표들이 수면 장애 진단에 잠재적인 바이오마커가 될 수 있음을 시사한다.

상세 분석

본 연구는 수면 EEG 신호가 복잡계 현상으로서 비선형 동역학을 내포한다는 가설을 검증하기 위해, 전통적인 스펙트럼 분석을 넘어 혼돈 이론 기반 지표들을 적용하였다. 우선 31명의 피험자로부터 전체 수면(대략 8시간) 동안 다채널 EEG 데이터를 수집했으며, 이 중 15명은 정상, 16명은 수면 무호흡 증상이 의심되는 그룹으로 구분하였다. 데이터 전처리 단계에서는 0.5 ~ 40 Hz 대역의 밴드패스 필터링, 전극 간 전위 차이 계산, 그리고 눈깜박임·근전도 등 아티팩트 제거를 위해 독립 성분 분석(ICA)을 적용하였다.

혼돈 지표 계산은 각 수면 단계(N1, N2, N3, REM, Wake)별로 30초 길이의 에포크를 추출한 뒤, 위상 재구성을 위해 시간 지연 τ와 임베딩 차원 m을 최적화하였다. τ는 자동 상호 정보량 최소화 방법으로 결정했으며, m은 False Nearest Neighbors(FNN) 알고리즘을 이용해 최소 임베딩 차원을 추정하였다. 최대 Lyapunov 지수는 Rosenstein 방법을 적용해 초기 거리 성장률을 로그-선형 구간에서 회귀함으로써 추정하였다. 상호 정보량은 동일 에포크 내 두 채널 간의 확률 분포를 기반으로 Shannon 엔트로피 차이를 계산했으며, 상관 차원은 Grassberger‑Procaccia 알고리즘을 사용해 스케일링 관계를 추정하였다.

각 지표에 대해 31명 전체와 두 그룹별로 히스토그램을 구축했으며, Kolmogorov‑Smirnov 검정과 Mann‑Whitney U 검정을 통해 그룹 간 차이를 통계적으로 검증하였다. 결과적으로, N2와 N3 단계에서 정상군은 평균 Lyapunapunov 지수가 0.12 ~ 0.15 정도 낮게 나타났으며, 무호흡 의심군은 0.22 ~ 0.27 수준으로 더 큰 혼돈성을 보였다. 상호 정보량은 정상군이 0.45 ~ 0.52 비트, 무호흡군이 0.31 ~ 0.38 비트로, 정보 전송 효율이 감소함을 의미한다. 상관 차원은 정상군이 3.8 ~ 4.2, 무호흡군이 5.1 ~ 5.6으로 차이가 뚜렷했으며, 최소 임베딩 차원 역시 무호흡군이 7 ~ 9, 정상군이 5 ~ 6으로 높은 차원을 필요로 함을 확인했다. 이러한 차이는 수면 무호흡으로 인한 호흡 중단·재개 과정에서 뇌의 전기적 활동이 보다 복잡하고 비선형적인 변동을 겪는다는 생리학적 해석을 가능하게 한다.

한편, 연구는 몇 가지 제한점을 가지고 있다. 첫째, 피험자 수가 31명으로 비교적 적어 일반화에 한계가 있다. 둘째, EEG 채널 수가 제한적이었으며, 전두·중심·후두 부위의 공간적 차이를 충분히 반영하지 못했다. 셋째, 수면 무호흡 진단을 위한 객관적 기준(AHI)과의 정량적 연관성을 추가 분석하지 않아, 지표와 임상 중증도 간의 직접적인 상관관계는 아직 불명확하다. 향후 연구에서는 대규모 코호트와 다채널 고해상도 EEG, 그리고 심박동·호흡 신호와의 멀티모달 융합을 통해 혼돈 지표의 진단 정확도를 향상시키고, 머신러닝 기반 분류 모델에 통합하는 방안을 모색할 필요가 있다.