간접 관측을 고려한 전뇌 인과 연결 복원: EEG와 fMRI 적용

초록

본 논문은 뇌 영상 데이터가 측정 물리학에 의해 왜곡되는 문제를 해결하고자, 측정 모델을 명시적으로 포함한 잠재 공간 인과 탐색 프레임워크 INCAMA를 제안한다. 비정상성을 활용한 소프트 인터벤션을 통해 지연된 인과 구조를 식별 가능하게 하고, 물리‑aware 역전 단계에서의 오류 전파를 정량화한 안정성 경계를 제시한다. 대규모 바이오피지컬 시뮬레이션과 Human Connectome Project fMRI 데이터에 대한 실험에서 기존 방법들을 크게 능가하며, V1→V2, M1↔S1 등 알려진 경로를 재현한다.

상세 분석

INCAMA는 두 개의 핵심 모듈로 구성된다. 첫 번째는 측정 물리학을 반영한 역전(inversion) 단계로, EEG의 전도 혼합 행렬 Lψ와 fMRI의 혈류역학적 응답 함수(HRF) hψ를 사전 지식으로 활용한다. 정규화된 최적화 혹은 딥 뉴럴 네트워크(DeepSIF 등)를 통해 관측 x₁:T 를 잠재 신경 활동 ẑ₁:T 로 복원한다. 여기서 중요한 가정은 ‘Recoverable latent state’(Assumption 4.4)이며, 이는 충분히 풍부한 물리적 제약과 정규화가 존재하면 역전 오차가 T→∞ 에서 0 으로 수렴한다는 것을 의미한다.

두 번째 모듈은 복원된 잠재 시계열에 비정상성을 이용한 인과 구조 추정이다. 논문은 비정상 메커니즘 변화를 ‘soft intervention’(ICM)으로 모델링하고, 각 모듈별 파라미터 θₑʲ 가 독립적으로 변한다는 가정(Assumption 4.3)을 둔다. 이러한 비정상성은 Huang et al. (2019)의 비선형 상태공간 SEM 이론을 확장하여, 지연된 부모 집합 Pa(j) 를 포함하는 경우에도 전체 지연 그래프 G=(V,E,τ) 가 식별 가능함을 증명한다(Theorem 4.6). 핵심은 비정상성으로 인해 동일한 관측 분포를 생성할 수 있는 그래프 후보가 제한되어, 충분히 다양한 환경 인덱스 e(t) 가 존재하면 유일한 그래프가 결정된다는 점이다.

정리된 식별성 결과와 더불어, 저자들은 역전 오차가 그래프 추정에 미치는 영향을 정량화한 Proposition 4.7을 제시한다. 연속 점수 함수 h가 L‑Lipschitz 조건을 만족하면, 그래프 손실 L(bS,S*) 은 (1) 잠재 공간에서의 본래 추정 오차와 (2) 역전 평균 제곱오차의 L‑배 만큼 상한이 존재한다. 따라서 역전 정확도가 향상될수록 최종 인과 그래프의 정확도도 보장된다. 이론적 결과는 Corollary 4.8을 통해, 역전과 그래프 추정이 각각 일관성을 가질 경우 전체 파이프라인이 일관적임을 확인한다.

알고리즘적 구현 측면에서, 저자들은 ‘Selective State‑Space Sequence Model’(SSSM)을 도입한다. HiPPO/S4와 같은 선형‑시간 복합 구조를 기반으로 하면서, 입력‑의존적 선택 메커니즘을 추가해 정보가 풍부한 시간 구간에만 연산을 집중한다. 이는 전체 뇌(수백 개 ROI) 수준에서도 메모리와 연산 비용을 크게 절감하면서, 지연된 인과 관계를 정확히 포착한다. 또한, 비정상성을 자동으로 탐지하기 위해 환경 인덱스를 클러스터링하거나 변동성을 기반으로 세그먼트를 구분한다.

실험에서는 두 가지 시뮬레이션 시나리오가 제시된다. 첫 번째는 EEG 전도 모델과 fMRI HRF를 포함한 전뇌 바이오피지컬 시뮬레이터로, 실제 신경 연결과 지연을 사전에 지정한다. INCAMA는 기존 Granger, VAR, 회귀‑DCM 등과 비교해 AUC, F1 점수에서 15~30% 향상을 보이며, 특히 지연 추정 정확도가 크게 개선된다. 두 번째는 Human Connectome Project의 실제 fMRI 데이터에 대한 ‘zero‑shot’ 전이 실험이다. 사전 학습된 역전 모듈을 그대로 사용했음에도 불구하고, V1→V2, M1↔S1 등 알려진 시각‑운동 경로를 재현했으며, 이는 기존 파이프라인이 놓치기 쉬운 미세한 지연 정보를 포착했음을 의미한다.

전체적으로 INCAMA는 (1) 측정 물리학을 명시적으로 모델링함으로써 역전 불확실성을 최소화하고, (2) 비정상성을 활용해 잠재 인과 구조를 식별 가능하게 하며, (3) 효율적인 선택형 상태공간 모델로 전뇌 규모에서도 확장성을 확보한다는 세 가지 강점을 가진다. 다만, 역전 단계에서의 사전 지식(예: 정확한 HRF 파라미터, 전도 행렬) 의존도가 높으며, 비정상성 탐지가 충분히 다양하지 않을 경우 식별성이 약화될 수 있다는 한계도 존재한다. 향후 연구에서는 보다 데이터‑드리븐한 물리 파라미터 추정과, 환경 인덱스 자동 학습을 통해 이러한 제약을 완화할 여지가 있다.