ECoG 기반 파킨슨병 예측을 위한 스와프‑적대적 도메인 일반화 프레임워크

초록

본 논문은 6‑OHDA 라트 모델에서 수집한 장기 ECoG 데이터를 이용해 최초의 공개 파킨슨병 예측 벤치마크(MOCOP)를 구축하고, 채널 교환 기반 데이터 증강(ISBCS)과 도메인 적대 학습을 결합한 Swap‑Adversarial Framework(SAF)를 제안한다. 전처리 단계에서 ASR을 적용해 잡음을 제거하고, ISBCS로 주제 간 구조적 차이를 완화한 뒤, 도메인 판별기를 통한 적대 학습으로 주제‑특이적 편향을 억제한다. 교차 주제·세션·데이터셋 실험에서 기존 방법들을 모두 능가했으며, EEG 공개 데이터셋에도 성공적으로 전이되어 높은 일반화 성능을 입증한다.

상세 분석

본 연구는 세 가지 핵심 기술적 기여를 통해 ECoG 기반 파킨슨병 예측의 도메인 일반화 문제를 해결한다. 첫째, 고해상도·고주파 대역을 제공하는 ECoG 신호는 인간 대상 연구가 윤리적·경제적 제약으로 어려워 동물 모델을 활용한 데이터셋이 필요했다. 저자는 11마리의 6‑OHDA 손상 라트에서 장기 기록된 ECoG를 ‘전기 자극 전·후’ 라벨과 함께 정제하여 MOCOP이라는 공개 벤치마크를 구축하였다. 데이터는 채널 구성이 피험자마다 다르고, 장기간 기록으로 인해 비정상적 아티팩트와 시간적 비정상성이 존재한다는 점에서 HDLSS(high‑dimensional low‑sample‑size) 문제를 내포한다.

둘째, Inter‑Subject Balanced Channel Swap(ISBCS)라는 새로운 데이터 증강 방식을 도입하였다. 기존의 채널 교환은 무작위로 이루어져 구조적 일관성을 해칠 위험이 있었지만, ISBCS는 각 피험자별 채널 매핑을 사전 정렬한 뒤 균형 있게 교환함으로써 “가상” 피험자를 생성한다. 이는 (a) 채널 간 공간적 관계를 보존하면서 (b) 피험자 간 해부학적 차이(전극 위치·피질 주름 등)로 인한 편향을 약화시키고, (c) 모델이 주제‑특이적 패턴보다 질병‑관련 특징에 집중하도록 유도한다.

셋째, 도메인 적대 학습을 적용해 남아있는 주제‑특이적 정보를 억제한다. 인코더와 클래스 분류기는 목표 과제(전/후 상태 구분)를 학습하고, 동시에 인코더와 도메인 판별기(피험자 라벨) 사이에 그라디언트 역전 레이어(GRL)를 삽입한다. 이 구조는 인코더가 도메인(피험자) 구분에 유용한 특징을 최소화하도록 압박하면서, 질병 상태를 구분하는 핵심 특징은 유지한다. 특히, HDLSS 상황에서 적대 학습이 불안정해지는 문제를 ISBCS가 완화시켜, 학습 수렴성을 크게 개선한다.

전처리 단계에서는 Artifact Subspace Reconstruction(ASR)을 활용해 고에너지 저차원 아티팩트를 제거한다. 이는 도메인 판별기가 잡음에 과도하게 반응하는 것을 방지하고, 인코더가 실제 신경생리학적 신호에 집중하도록 만든다.

실험 결과는 세 가지 평가 시나리오에서 일관되게 기존 CNN, LSTM, 도메인 정규화(MMD) 및 그룹 DRO 등 최신 베이스라인을 앞섰다. 교차 주제 실험에서는 평균 정확도가 8~12%p 상승했으며, 교차 세션(와이어리스·와이어드)에서는 환경 변화에도 강인한 성능을 보였다. 특히, 공개 EEG 데이터셋(BCI‑IV, PhysioNet 등)으로 전이했을 때도 도메인 격차를 크게 줄여, ECoG‑학습 모델이 EEG에서도 높은 예측 정확도를 유지함을 확인했다. 이는 제안된 프레임워크가 모달리티 간 일반화 가능성을 갖춘다는 강력한 증거다.

전체적으로, 본 논문은 (1) 최초의 공개 ECoG 파킨슨병 벤치마크, (2) 채널 교환 기반 데이터 증강으로 HDLSS와 주제 편향을 동시에 완화하는 ISBCS, (3) 도메인 적대 학습을 통한 주제‑불변 특징 학습이라는 세 축을 결합해, 고차원 뇌신호 분석에서 도메인 일반화 문제를 실질적으로 해결한 점이 가장 큰 혁신이라 할 수 있다.