다변량 진동 신호를 위한 동역학 현미경

초록

본 논문은 다채널 비정상 진동 신호를 위상·진폭 원형 특징으로 변환하고, 자동인코더 기반 잠재 궤적을 학습한 뒤, 궤적 기하와 흐름장 메트릭을 이용해 동역학적 레짐을 정량화하는 프레임워크를 제시한다. 스튜어트‑랜드라우 네트워크의 토폴로지 전환 실험을 통해 레짐이 상태공간에서 겹쳐 있어도 레짐별 동역학 법칙 차이를 복구함을 검증한다. 레짐 구분력은 속도와 분산(η²>0.5)에서 높게 나타났으며, 꼬임도와 같은 지표는 토폴로지 대비와 직교하는 기하 정보를 제공한다.

상세 분석

이 연구는 복잡계에서 관측되는 다변량 진동 신호가 비정상적이며, 메타스테이블 레짐이 서로 겹치는 상태공간에 존재한다는 문제점을 인식하고, 이를 해결하기 위한 ‘동역학 현미경’이라는 새로운 분석 파이프라인을 설계하였다. 첫 단계에서는 각 채널을 Hilbert 변환 등으로 복소수 형태로 변환한 뒤, 위상과 진폭을 원형 좌표계에 매핑함으로써 신호의 주기적 구조를 보존한다. 이때 위상은 02π 범위의 연속적인 값으로, 진폭은 정규화된 스칼라로 표현되어 차원 축소와 비선형 학습에 적합한 형태가 된다.
다음으로, 변환된 위상‑진폭 벡터들을 시계열 형태로 자동인코더(AE)에 입력한다. AE는 인코더와 디코더로 구성되며, 인코더는 고차원 입력을 저차원 잠재 공간(Latent Space)으로 압축한다. 여기서 중요한 점은 잠재 차원을 23차원으로 제한함으로써 시각적으로 해석 가능한 궤적을 얻는 동시에, 재구성 손실을 최소화하도록 학습한다는 것이다. 학습 과정에서 시간 연속성을 보존하도록 순환 구조(LSTM)나 시간‑조건부 정규화를 도입해, 잠재 궤적이 실제 시스템의 동역학 흐름을 반영하도록 유도한다.
잠재 궤적이 확보되면, 레짐을 정의하는 여러 메트릭을 계산한다. 첫 번째는 궤적 속도(시간에 대한 잠재 좌표 변화율)이며, 이는 레짐 전환 시 급격히 변한다. 두 번째는 탐색된 분산(잠재 공간 내 포인트들의 공분산 행렬 트레이스)으로, 레짐별 활동 범위의 넓이를 정량화한다. 세 번째는 토르소시티(tortuosity) 혹은 곡률 기반 지표로, 궤적이 얼마나 구불구불한지를 측정한다. 마지막으로 흐름장(flow field)을 추정해, 잠재 공간에서의 벡터 필드를 시각화하고, 레짐 간 흐름 패턴 차이를 정량화한다.
검증 실험에서는 토폴로지가 주기적으로 전환되는 20개의 Stuart‑Landau 진동기 네트워크를 사용하였다. 토폴로지 전환은 네트워크 연결 구조를 바꾸어 비선형 상호작용 함수를 달리함으로써, 동일한 위상 공간에 서로 다른 동역학 법칙을 강제한다. 결과적으로, 동일한 좌표 영역에 존재하더라도 레짐별 속도와 분산은 명확히 구분되었으며, η² 값이 0.5 이상으로 높은 구분력을 보였다. 반면 토르소시티는 토폴로지 전환과는 독립적으로, 궤적이 더 복잡해지는 레짐에서만 증가했으며, 이는 레짐 차이를 다차원적으로 해석할 수 있음을 시사한다.
이 프레임워크는 신경생리학, 심혈관학, 물리학 등에서 다채널 비정상 신호를 다룰 때, 전통적인 클러스터링 기반 레짐 구분이 어려운 경우에도, 공유된 매니폴드 위에서 동역학적 차이를 정량화하고 시각화할 수 있는 강력한 도구가 된다.