고차원 뇌 데이터 조기경보 온사거마츨럽와 슈뢰딩거브리지

초록

본 논문은 고차원 뇌 전기신호 데이터를 저차원 매니폴드로 압축한 뒤, 확률적 미분방정식(SDE) 기반 모델을 구축한다. 온사거‑마츨럽 행동함수와 슈뢰딩거 브리지를 이용한 두 가지 조기경보 지표를 정의하고, 실제 뇌전증(EEG) 데이터에 적용해 슈뢰딩거 기반 스코어 함수 지표가 더 높은 민감도와 조기 탐지 능력을 보임을 입증한다.

상세 분석

이 연구는 고차원 뇌 전기생리학 데이터의 복잡성을 해소하기 위해 먼저 매니폴드 학습 기법을 적용한다. 총 여섯 가지 방법—OLPP, Diffusion Maps(DM), Isomap, PCA, Kernel PCA, NPE—을 체계적으로 비교하고, 각 방법이 데이터의 전역·국소 구조를 얼마나 잘 보존하는지를 정량화한다. 특히 DM은 확산 과정에 기반한 전이 확률을 이용해 비선형 구조를 효과적으로 드러내며, 실험에서는 다른 방법들보다 저차원 임베딩의 재구성 오류가 낮았다.

임베딩된 저차원 시계열에 대해 데이터‑구동형 확률 미분방정식(dSDE) 모델을 추정한다. 일반 형태는 dX(t)=b(X(t))dt+σ(X(t))dW(t)이며, 여기서 b와 σ는 비선형 드리프트와 확산 행렬을 의미한다. 저차원 공간에서 SDE 파라미터를 추정하기 위해 최대우도와 스코어 매칭을 결합한 방법을 사용했으며, 이는 고차원 원본 데이터의 통계적 특성을 보존한다.

온사거‑마츨럽(OM) 행동함수는 경로 z(t)에 대한 확률 밀도를 exp(−S_OM) 형태로 표현한다. 여기서 S_OM은 ∫₀ᵀ