뇌전증 탐지를 위한 차동 동적 인과망 구축과 군집 비교

초록

본 논문은 EEG 데이터를 직접 이용해 차동 동적 인과망(NccDCM)을 구축하는 새로운 프레임워크를 제시한다. 각 노드는 파라미터화된 신경질량 모델(주로 Jansen‑Rit)로 표현되고, 노드 간 유향 연결은 전송 파라미터로 정의된다. 파라미터는 혼합효과 모델을 통해 개인별·군집별 변동을 반영한다. Chen‑Fliess 전개 기반 손실 함수를 이용한 진화적 최적화 알고리즘으로 파라미터를 추정하며, 합성 데이터와 소아 뇌전증 환자·대조군 EEG에 적용해 흥분‑억제 불균형과 연결 변화 등을 정량화한다.

상세 분석

이 연구는 기존 DCM이 직면한 네 가지 주요 한계를 체계적으로 해결한다. 첫째, 비선형 신경질량 방정식의 직접 해석을 위해 Chen‑Fliess 전개를 도입함으로써 bilinear 근사에 의존하지 않는다. 이는 스파이킹·분기·포화 현상이 강하게 나타나는 비선형 영역에서도 정확한 전이 밀도 추정을 가능하게 한다. 둘째, 부분 관측 문제를 해결하기 위해 손실 함수를 ‘예측 로그우도’를 두 배 부정한 형태로 정의하고, 이를 진화적 알고리즘(예: 변이·교차·선택)으로 최소화한다. 이는 데이터 보강 없이도 숨은 상태를 효과적으로 추정한다는 장점이 있다. 셋째, 모델 차원을 크게 축소하지 않으면서도 Jansen‑Rit 신경질량을 각 채널(노드)마다 독립적으로 파라미터화하고, 노드 간 연결 강도 C_{ij}를 구조적 파라미터로 정규화한다. 이렇게 하면 수백 개 채널을 포함한 전뇌 수준 네트워크도 계산 가능하다. 넷째, 혼합효과 모델을 도입해 개인별(주효과)와 그룹별(부효과) 변동을 동시에 추정한다. 이는 연령·성별 등 인구통계학적 차이를 자연스럽게 반영해 군집 비교의 통계적 파워를 높인다.

알고리즘 흐름은 다음과 같다. (1) 각 피험자의 EEG를 채널별·시간구간별로 분할하고, 각 구간을 Jansen‑Rit 방정식 기반 ccDCM으로 초기 추정한다. (2) Chen‑Fliess 전개를 이용해 손실 함수를 구성하고, 진화적 최적화로 파라미터 집합 Θ와 전송 행렬 K를 동시에 추정한다. (3) 추정된 파라미터를 혼합효과 프레임워크에 투입해 고정효과와 랜덤효과를 분리한다. (4) 사후 다변량 분산 분석(permANOVA)을 적용해 케이스·컨트롤 간 차이를 검정하고, 차동 인과망을 시각화한다.

실험 결과는 두 부분으로 나뉜다. 합성 데이터에서는 알려진 파라미터를 정확히 복원했으며, 잡음 수준이 증가해도 추정 편향이 최소화되었다. 실제 소아 뇌전증 데이터에서는 발작 전·중에 흥분‑억제 게인(A, B)의 비정상적 상승과 특정 피질 영역 간 전송 파라미터 K_{ij}의 감소·증가 패턴을 발견했다. 특히 전두엽→측두엽 연결이 발작 전후로 강화되는 현상이 관찰돼, 기존 연구와 일치하는 발작 전 전이 메커니즘을 뒷받침한다.

이러한 접근은 (i) 비선형 신경질량 모델을 대규모 EEG에 적용 가능하게 하고, (ii) 개인·군집 변동을 동시에 모델링함으로써 통계적 검정력을 높이며, (iii) 진화적 최적화와 Chen‑Fliess 전개를 결합해 계산 효율성을 확보한다는 점에서 혁신적이다. 다만, 진화적 알고리즘의 수렴성 보장이 약하고, 파라미터 초기값에 민감할 수 있다는 제한점이 있다. 향후 베이지안 샘플링이나 변분 추정과 결합해 보다 견고한 추정 프레임워크를 구축할 여지가 있다.