뇌 네트워크 재구성을 위한 경량 동적 연결성 프레임워크: EEG 기반 스트레스 검증

초록

본 연구는 시간 가변 지시 전이 함수(TV‑DTF)를 이용한 경량 동적 뇌 연결성 프레임워크를 제안하고, 32채널 EEG 데이터의 산술 과제 수행 중 스트레스 수준을 분류하는 데 적용하였다. 알파 대역 TV‑DTF 특징이 가장 높은 구분력을 보였으며, SVM은 3‑클래스에서 89.73 %의 정확도, XGBoost는 2‑클래스에서 93.69 %의 정확도를 달성하였다. 정적 전력 및 위상 동기화 기반 특징에 비해 동적 TV‑DTF가 전반적으로 우수함을 확인했으며, 전두‑두정 및 전두‑후두 영역 간 장거리 방향성 흐름이 스트레스 조절에 핵심적 역할을 함을 시사한다.

상세 분석

본 논문은 정적 기능적 연결성 지표가 시간적·인과적 정보를 충분히 포착하지 못한다는 한계를 인식하고, Time‑Varying Directed Transfer Function(TV‑DTF)를 기반으로 한 경량 동적 연결성 프레임워크를 설계하였다. TV‑DTF는 멀티채널 EEG 신호를 다변량 자기회귀 모델(MVAR)로 표현한 뒤, 주파수 영역에서 시간에 따라 변하는 전이 계수를 추정함으로써 두 뇌 영역 간 방향성 정보 흐름을 정량화한다. 이때 모델 차수와 윈도우 길이를 최적화하여 계산 복잡도를 최소화했으며, 1 s 슬라이딩 윈도우와 50 % 오버랩을 적용해 실시간 적용 가능성을 확보하였다.

데이터는 SAM‑40 데이터베이스의 32채널 EEG 기록을 사용했으며, 피험자는 정신 산술 과제 수행 중 저스트(휴식), 중간, 고강도 스트레스 세 단계에 노출되었다. 전처리 단계에서는 0.5–45 Hz 대역 필터링, ICA 기반 눈깜박임·근전도 제거, 그리고 각 채널을 표준화하였다. 이후 알파(8–13 Hz), 베타(13–30 Hz) 등 주요 주파수 대역별 TV‑DTF 매트릭스를 계산하고, 상위 20 % 절댓값을 특징으로 추출하였다.

특징 선택은 최소-상관 최대‑분산(Min‑Corr Max‑Var) 방법으로 차원을 30 개 이하로 축소했으며, 이를 기반으로 SVM(선형·RBF), Random Forest, Gradient Boosting, AdaBoost, XGBoost 등 다섯 가지 머신러닝 분류기를 학습시켰다. 10‑fold 교차 검증 결과, 알파‑TV‑DTF가 가장 높은 분류 성능을 보였으며, SVM은 3‑클래스(휴식/중간/고강도)에서 89.73 % 정확도, XGBoost는 2‑클래스(저스트 vs 고강도)에서 93.69 % 정확도를 기록했다. 동일 데이터에 대해 절대 전력(Absolute Power) 및 위상 동기화(Phase‑Locking Value) 기반 정적 특징을 적용했을 때는 최고 정확도가 각각 81.4 %와 84.2 %에 불과해, 동적 TV‑DTF가 정적 지표보다 현저히 우수함을 확인하였다.

특징 중요도 분석에서는 전두엽이 다른 영역으로 정보를 전달하는 장거리 연결이 두드러졌으며, 특히 전두‑두정(frontal‑parietal) 및 전두‑후두(frontal‑occipital) 경로가 스트레스 상황에서 강화되는 경향을 보였다. 이는 전두엽이 스트레스 조절 및 작업 수행 중 인지 자원을 재분배하는 핵심 조절기능을 수행한다는 기존 신경과학적 가설과 일치한다.

한계점으로는 데이터셋이 단일 과제(산술)와 제한된 피험자 수에 국한되어 일반화 가능성이 낮을 수 있다는 점, 그리고 TV‑DTF 계산 시 MVAR 모델 차수 선택이 결과에 민감하게 작용할 수 있다는 점을 들 수 있다. 향후 연구에서는 다양한 스트레스 유발 과제와 다중 인구통계학적 집단을 포함한 대규모 데이터베이스를 구축하고, 딥러닝 기반 시계열 모델과 결합해 실시간 스트레스 모니터링 시스템을 구현하는 방향을 제안한다.