숨을 통해 읽는 뇌: 호흡 신호로 수면 EEG 생성

초록

본 논문은 호흡 파형을 입력으로 하여 수면 중 뇌 전기 활동을 나타내는 EEG 스펙트로그램을 합성하는 새로운 교차생리학 번역 과제를 제시한다. 연속적인 호흡 파형을 그대로 보존하는 임베딩과, VQ‑GAN 기반의 이산 토큰화된 EEG 표상 사이의 비대칭 구조를 채택한 파형‑조건 생성 프레임워크를 설계하였다. 28 000명 이상의 대규모 코호트에서 학습한 결과, 스펙트로그램 재구성 MAE 7 %를 달성했으며, 합성된 EEG를 이용한 연령 추정, 성별 분류, 수면 단계 예측 등 하위 작업에서 실제 EEG와 거의 동등한 성능을 보였다. 또한 무선 RF 반사 신호만으로도 EEG를 생성해 비접촉식 뇌 모니터링 가능성을 입증하였다.

상세 분석

이 연구는 “생리학적 신호를 언어처럼 다루자”는 혁신적인 관점을 기반으로, 복잡도가 현저히 다른 두 모달리티(호흡 vs. EEG)를 연결하는 비대칭 인코딩 방식을 제안한다. 입력인 호흡 파형은 4분 길이의 비중첩 구간으로 나누어 선형 프로젝션만을 적용, 고해상도 연속 임베딩을 유지함으로써 미세한 호흡 변동성을 보존한다. 반면 목표인 EEG는 멀티테이퍼 PSD 변환 후 VQ‑GAN을 이용해 4 Hz × 4 분 패치 단위의 이산 토큰 시퀀스로 압축한다. 이 토큰화는 EEG의 고차원 연속 스펙트럼을 유한 어휘로 매핑해 변환 문제를 ‘클래스 예측’ 형태로 단순화한다.

Transformer 기반의 마스크드 생성 모델은 호흡 토큰과 부분 마스크된 EEG 토큰을 동시에 입력받아, 마스크된 위치를 교차 엔트로피 손실로 복원한다. 마스크 비율을 가우시안 분포로 샘플링해 학습 난이도를 다양화함으로써, 호흡과 뇌 활동 사이의 비선형 상관관계를 효과적으로 학습한다. 추론 단계에서는 완전 마스크된 EEG 토큰을 예측하고, 사전 학습된 VQ‑GAN 디코더를 통해 연속 스펙트로그램으로 복원한다.

데이터 규모는 14개의 수면 데이터셋을 통합해 28 394명, 33 919밤에 달한다. 이는 기존 생리학적 변환 연구보다 두 차례 이상 큰 규모이며, 모델의 일반화 능력을 강력히 뒷받침한다. 재구성 평가지표인 MAE와 SNR에서 전체 스펙트로그램에 대해 7 % MAE, 12 dB 수준의 SNR을 기록했으며, 특히 저주파 δ·θ 밴드에서 높은 정확도를 보였다. 하위 작업에서는 합성 EEG 기반 모델이 실제 EEG 기반 모델에 근접한 성능(연령 MAE 5.0 vs 5.1 년, 성별 AUROC 0.81 vs 0.82, 수면 단계 정확도 0.84 vs 0.88)을 달성했고, 호흡만을 이용한 베이스라인보다 크게 우수했다.

또한 무선 RF 반사 신호(비접촉식)만을 입력으로 사용했을 때도 8 % MAE를 기록, 벨트 기반 호흡과 비교해 큰 격차 없이 EEG를 재구성함으로써 원격 뇌 모니터링 가능성을 실증했다. 한계점으로는 현재 단일 채널 EEG만을 대상으로 했으며, 토큰 해상도가 4 분으로 비교적 coarse해 초단위 변동을 포착하기 어렵다는 점이 있다. 향후 다채널 EEG, 더 미세한 토큰화, 그리고 실시간 적용을 위한 경량화 모델 연구가 필요하다.