EEG 스펙트럼 융합으로 보는 수면 역학의 내재 기하학

본 논문은 수면 단계 자동 분류를 위한 새로운 파이프라인을 제안한다. 먼저 수면의 생리학적 배경과 기존 자동화 연구를 소개하며, 특히 LOSO‑CV(Leave‑One‑Subject‑Out Cross‑Validation) 방식이 실제 임상 적용에 가장 적합함을 강조한다. 기존 연구들은 주로 시간‑주파수 도메인 특징을 직접 추출하거나, CNN·RNN 등 복잡한 딥러닝 모델을 사용해 높은 정확도를 달성했지만, 데이터 양이 제한적일 때 과적합 위험이 있다. 제안된 방법은 두 단계의 특징 추출 과정을 포함한다. 첫 번째 단계는 ‘스캐터링 변환(Scattering Transform)’을 이용해 EEG 신호의 멀티스케일 스펙트럼을 추출한다. 스캐터링은 웨이브릿 필터와 비선형 절댓값 연산을 반복함으로써 시간 이동에 불변하고, 시간 왜곡에 강인한 고차원 특징을 만든다. 여기서는 1차와 2차 스캐터링 계수를 사용하고, 로그 변환과 정규화를 통해 멜‑주파수 켑스트럼 계수와 유사한 형태로 만든다. 각 30초 에포크에 대해 앞뒤 60초를 포함한 90초 구간을 입력으로 하여, 9,000 차원의 원시 특징 벡터를 얻는다. 두 번째 단계에서는 이러한 고차원 특징을 ‘확산 지도(Diffusion Map, DM)’를 통해 저차원 내재 공간으로 매핑한다. DM은 데이터 간 유사성을 커널 기반 전이 행렬로 변환하고, 이 행렬의 고유벡터를 이용해 비선형 구조를 보존하면서 차원을 축소한다. 단일 채널(예: Fpz‑Cz)에서는 일반 DM을 적용하고, 두 채널(Fpz‑Cz와 Pz‑Oz)이 모두 존재할 경우 ‘다중 뷰 확산 지도(Multiview DM)’를 사용해 두 채널의 스캐터링 특징을 동시에 융합한다. 다중 뷰 DM은 각 채널별 전이 행렬을 구성한 뒤, 공동 고유공간을 찾아 서로 다른 센서가 제공하는 보완 정보를 효율적으로 결합한다. 결과적으로 ‘내재 수면 동역학 특징’이라 명명된 저차원 벡터가 얻어지며, 이는 노이즈와 아티팩트에 강인하면서도 수면 단계 구분에 핵심적인 정보를 담는다. 특징 추출이 완료되면, 커널 서포트 벡터 머신(kernel SVM)으로 분류기를 학습한다. 학습 과정에서는 LOSO‑CV를 적용해, 테스트 대상 피험자를 제외한 모든 피험자의 내재 특징과 전문가 라벨을 사용한다. 이렇게 하면 새로운 피험자에 대한 예측이 기존 데이터베이스에만 의존하게 되며, 실제 임상 현장에서 데이터가 지속적으로 축적될 때마다 모델을 재학습할 필요가 없다. 실험은 PhysioNet에서 제공하는 두 개의 공개 데이터베이스, Sleep‑EDF SC*(건강한 피험자)와 Sleep‑EDF ST* (수면 장애가 있는 피험자)를 사용했다. 각각 20명 이상의 피험자를 포함하고, 5가지 수면 단계(Awake, REM, N1, N2, N3)로 라벨링되어 있다. 제안된 파이프라인은 단일 채널 기준 전체 정확도 82.72% (SC)와 78.63% (ST), 매크로 F1 75.91%와 73.58%, Cohen’s κ 0.761와 0.695를 기록했다. 두 채널을 결합했을 때는 정확도 84.44% (SC)와 79.05% (ST), 매크로 F1 78.25%와 74.73%, κ 0.784와 0.703을 달성하였다. 이는 최신 딥러닝 기반 방법(예: DeepSleepNet)의 82.0% 수준과 동등하거나 약간 상회하는 결과이며, 특히 복잡한 신경망 없이도 비슷한 성능을 얻었다는 점에서 의미가 크다. 논문은 또한 방법론적 장점과 한계를 논의한다. 스캐터링 변환과 DM은 이론적 근거가 확고하고, 파라미터 선택에 따라 유연하게 적용 가능하지만, 최적 파라미터 탐색이 필요하다. 현재는 EEG 두 채널만을 대상으로 했으며, 향후 EOG, EMG 등 다채널 PSG 전체에 적용하려면 다중 뷰 DM의 확장이 요구된다. 또한, 실시간 적용을 위해서는 스캐터링 연산과 DM 고유벡터 계산을 효율화할 필요가 있다. 결론적으로, 본 연구는 ‘확산 기하학 기반 센서 융합’이라는 새로운 프레임워크를 통해 EEG 스펙트럼 정보를 효과적으로 정제하고, 기존 딥러닝 대비 해석 가능성과 일반화 능력을 동시에 확보한 수면 단계 자동화 시스템을 제시한다. 향후 임상 현장에서 지속적인 데이터 축적과 다채널 통합을 통해 더욱 정교한 수면 분석 도구로 발전할 가능성이 있다.