EEG와 스파이킹 신경망 및 생물물리 시뮬레이션을 연결한 알츠하이머 진단

초록

본 연구는 임상 휴식 상태 EEG 데이터를 이용해 1/f 스펙트럼 기울기를 핵심 특징으로 하는 스파이킹 신경망(SNN) 분류기를 구축하고, 이 특징을 흥분‑억제(E/I) 균형의 생물물리적 지표와 연결한다. 시뮬레이션에서는 억제‑흥분 시냅스 비율과 기능적 연결성을 조절해 실험적 스펙트럼 감속 및 알파 파 변화를 재현하였다. 결과적으로 SNN은 AUC 0.839의 경쟁력 있는 성능을 보이며, 회로 수준 메커니즘과의 양방향 해석을 가능하게 하는 ‘뉴로‑브리지’ 프레임워크를 제시한다.

상세 분석

이 논문은 세 가지 핵심 축을 결합한다. 첫째, EEG에서 추출한 1/f 비주기적 스펙트럼 기울기가 알츠하이머(AD) 환자의 흥분‑억제(E/I) 균형 변화를 반영한다는 가설을 검증한다. 1/f 기울기는 FOOOF 알고리즘으로 정량화되었으며, SHAP 분석을 통해 SNN 분류 모델에서 가장 높은 중요도를 보였다. 이는 기존 딥러닝이 제공하는 블랙박스 예측을 넘어, 신경생리학적 의미를 직접 연결하는 첫 단계다.

둘째, 스파이킹 신경망(SNN) 자체가 생물학적 회로를 모사하는 구조적 장점을 활용한다. 논문은 leaky‑integrate‑and‑fire(LIF) 뉴런과 서라게이트 그래디언트를 사용해 3계층 SNN을 구현하고, 연속 EEG 특성을 레이트 인코딩으로 스파이크 시퀀스로 변환한다. 동일한 입력을 ANN(다층 퍼셉트론)과 비교했을 때, 성능 차이는 크지 않지만 SNN은 시간적 스파이크 패턴을 직접 다루어 E/I 비율과 같은 회로 파라미터와의 매핑이 용이하다.

셋째, 최소한의 생물물리적 시뮬레이션을 통해 데이터‑드리븐 결과를 메커니즘적으로 검증한다. NEST 기반의 무작위 연결 네트워크를 400개의 뉴런(19개 채널당 1개 컬럼)으로 구성하고, 억제‑흥분 시냅스 비율을 0.2~0.5 범위에서 조절한다. 시뮬레이션에서는 두 가지 EEG 프록시(막전위와 시냅스 전류)를 사용해 스펙트럼을 추정했으며, 억제 비율 감소가 1/f 기울기 증가와 알파 파 대역의 파워 감소를 일으켜 실험 데이터와 일치함을 보였다.

또한, 기능적 연결성(phase‑locking value, PLV) 정보를 사전 확률로 활용한 다중 서브네트워크 시뮬레이션을 수행했다. 이 경우 네트워크 토폴로지가 E/I 비율보다 EEG 스펙트럼 변화를 더 강하게 제약한다는 결론에 도달했다. 즉, AD에서 관찰되는 스펙트럼 감속은 단순한 억제 감소뿐 아니라, 전반적인 대뇌 네트워크 재구성에 기인한다는 점을 시사한다.

전반적으로 논문은 (1) 데이터‑드리븐 SNN 분류, (2) 1/f 기울기와 E/I 균형의 연결, (3) 최소 생물물리 시뮬레이션을 통한 메커니즘 검증이라는 삼위일체 접근법을 제시한다. 이는 기존 딥러닝 기반 EEG AD 진단이 갖는 해석 불가능성, 높은 연산 비용 문제를 해결하고, 신경과학적 가설 검증 플랫폼으로서 SNN의 활용 가능성을 넓힌다.