다중테이퍼 스펙트럼 추정 기반 HDP HMM을 이용한 EEG 수면 상태 자동 분석

본 논문은 EEG 기반 수면 분석에 있어 기존의 30 초 구간을 5단계(Wake, REM, N1‑N3)로 구분하는 임상 표준이 주관적이며, 연속적인 뇌 활동을 충분히 포착하지 못한다는 문제점을 지적한다. 이를 해결하기 위해 저자들은 두 가지 주요 기술을 통합한 새로운 프레임워크를 제안한다. 첫 번째는 넓은 의미의 정상성(WSS) 가정을 바탕으로, 짧은 15 초 구간을 독립적인 정상성 구간으로 간주하고, 각 구간에 대해 다중테이퍼(multitaper) 스펙트럼 추정을 수행한다. 다중테이퍼는 DPSS(Discrete Prolate Spheroidal Sequences)를 윈도우 함수로 사용해 M개의 pseudo‑observation을 생성하고, 이들의 평균을 최종 파워 스펙트럼 밀도(PSD) 추정값으로 채택한다. 이 과정은 전통적인 단일 테이퍼 혹은 단순 주기함수 기반 추정에 비해 편향(bias)을 크게 줄이고, 분산(variance)도 감소시켜 짧은 구간에서도 안정적인 스펙트럼을 얻는다. 두 번째 핵심은 베이지안 비모수 히든 마코프 모델(HDP‑HMM)이다. HDP는 무한히 많은 잠재 상태를 허용하면서도 데이터에 의해 실제 활성화되는 상태 수를 자동으로 결정한다. 모델은 전이 확률 π와 전역 베타(β)를 stick‑breaking 방식으로 샘플링하고, 각 상태 sₜ에 대한 방출은 제안 2에 따라 복소수 푸리에 계수의 실·허수 부분이 독립적인 정규분포 N(0, f(w_j))를 따른다고 가정한다. 여기서 f(w_j)는 해당 상태의 PSD이며, 역감마(IG) 사전분포를 부여해 정규‑역감마 공액성을 확보한다. 추론 단계에서는 beam sampling을 적용한다. 슬라이스 변수 uₜ를 도입해 전이 확률 π_{s_{t‑1},s_t} ≥ uₜ 조건을 만족하는 경로만을 동적 프로그래밍으로 탐색함으로써, 무한 차원의 상태 공간에서도 효율적인 전체 경로 샘플링이 가능해진다. 각 상태의 PSD 파라미터는 IG 사후분포로 직접 업데이트되며, M개의 테이퍼가 제공하는 독립 관측을 통해 통계적 강건성을 확보한다. 모델이 피험자별로 독립적으로 학습된 후, 서로 다른 피험자 간에 동일한 상태가 존재하는지를 확인하기 위해 대칭 KL 발산을 거리 척도로 하는 가중 K‑means 클러스터링을 수행한다. 거리 J(b_f^{sp}, f_c) = Σ_j (b_f^{sp}(w_j)/f_c(w_j) + f_c(w_j)/b_f^{sp}(w_j) – 2) 로 정의하고, 각 상태의 등장 빈도 n_{sp}를 가중치로 사용한다. 또한, 절대 전력 크기에 의한 군집 편향을 방지하기 위해 각 상태의 파워를 전체 파워 대비 정규화한다. 실험은 두 부분으로 구성된다. 첫 번째는 시뮬레이션으로, 실제 수면 데이터의 스펙트럼 특성과 전이 동역학을 모사한 5개의 가상 상태를 생성하고, 모델이 이를 정확히 복원하는지를 검증한다. 결과는 추정된 전이 행렬과 실제 행렬 간의 높은 상관관계, 그리고 상태별 PSD가 이론값에 근접함을 보여준다. 두 번째는 9명의 건강한 피험자로부터 200 Hz, 64채널 고밀도 EEG를 수집하고, 후두엽(O1) 채널을 선택해 15 초 구간으로 분석한 실제 데이터이다. 모델은 전통적인 30 초 수면 단계와는 별개로, 각 단계 내에서 여러 마이크로스테이트를 발견했으며, 특히 NREM 단계에서 저주파 델타와 스핀들 파워가 동시에 변동하는 복합 패턴을 포착했다. 주요 결과는 다음과 같다. (1) 베이지안 비모수 방식으로 사전 정의된 상태 수 없이도 데이터에 맞는 최적의 상태 개수를 자동으로 결정한다. (2) 다중테이퍼 스펙트럼 추정 덕분에 짧은 구간에서도 고해상도 주파수 정보를 확보하여, 기존 30 초 기준보다 더 세밀한 수면 현상을 탐지한다. (3) 클러스터링을 통해 피험자 간에 공유되는 “공통 마이크로스테이트”를 식별하고, 이들 상태가 특정 수면 단계와 강하게 연관됨을 확인한다. (4) 시뮬레이션과 실제 데이터 모두에서 모델이 전이 행렬을 정확히 복원하고, 상태별 PSD가 이론적 스펙트럼과 일치함을 입증한다. 결론적으로, 이 연구는 HDP‑HMM과 다중테이퍼 스펙트럼 추정의 결합이 EEG 기반 수면 분석에 있어 새로운 패러다임을 제시한다는 점을 강조한다. 자동화된 상태 추출, 데이터‑드리븐 상태 수 결정, 고해상도 시간‑주파수 특성 활용을 통해 수면 단계의 연속성을 보다 정량적으로 파악할 수 있다. 이러한 접근은 수면 장애 진단, 약물 효과 평가, 그리고 간질·파킨슨병 등 다른 신경질환 연구에도 확장 가능성이 크다.