시간변화 방향성 뇌 연결망 모델링 및 검증

초록

본 연구는 슬라이딩 윈도우 내에 선형 시불변(LTI) 모델을 삽입한 슬라이딩‑윈도우 예측 상관(SWpC) 방법을 제안한다. SWpC는 시간별 방향성 기능 연결(strength)과 정보 전달 지속시간(duration)을 동시에 추정한다. LFP와 fMRI BOLD 동시 기록, HCP 모터 과제 fMRI, 그리고 외상 후 현기증 장애(PCVD) 환자 데이터를 통해 SWpC가 기존 슬라이딩‑윈도우 상관(SWC)보다 방향성 추정의 안정성·감도·임상 구분력을 높임을 입증한다.

상세 분석

본 논문은 뇌 기능 연결성 연구에서 “시간‑변화”와 “방향성”을 동시에 다루는 방법론적 공백을 메우고자 한다. 기존의 슬라이딩‑윈도우 상관(SWC)은 각 윈도우 내에서 두 신호 간의 상관계수를 계산해 시간‑변화 무향성 연결을 추정하지만, 인과관계나 정보 흐름을 파악할 수 없다는 근본적 한계가 있다. 이를 극복하기 위해 저자들은 각 윈도우에 선형 시불변(LTI) 모델을 삽입하고, 한 신호가 다른 신호를 얼마나 잘 예측하는지를 측정하는 “예측 상관(prediction correlation)”을 정의한다. 이 예측 상관은 전통적인 상관계수와 달리 입력‑출력 관계를 명시적으로 모델링하므로 방향성을 자연스럽게 포함한다.

SWpC는 두 가지 핵심 지표를 산출한다. 첫 번째는 예측 상관값 자체로, 이는 “연결 강도(strength)”를 의미한다. 두 번째는 예측 상관이 통계적으로 유의한 구간의 길이, 즉 “정보 전달 지속시간(duration)”이다. 지속시간은 신경 회로가 일정 기간 동안 안정적인 인과관계를 유지하는지를 정량화함으로써, 기존 방법이 제공하지 못한 동적 특성을 드러낸다.

방법론적 구현은 다음과 같다. (1) 연속적인 신호를 일정 길이의 윈도우와 일정 간격(step)으로 슬라이딩한다. (2) 각 윈도우 내에서 입력 신호 (x(t))와 출력 신호 (y(t)) 사이에 1차 LTI 시스템 (y(t)=h * x(t)+\epsilon)를 피팅한다. 여기서 (h)는 임펄스 응답이며, 최소제곱법으로 추정한다. (3) 피팅된 모델을 이용해 (x(t))가 (y(t))를 예측한 값 (\hat{y}(t))와 실제 (y(t)) 사이의 피어슨 상관을 구해 예측 상관을 얻는다. (4) 부트스트랩 혹은 퍼뮤테이션 검정을 통해 유의성을 판단하고, 유의한 구간의 연속성을 측정해 지속시간을 정의한다.

실험적 검증은 세 단계로 진행된다. 첫 번째는 쥐의 체감 전위(LFP)와 fMRI BOLD를 동시에 기록한 데이터이다. LFP의 밴드 제한 파워와 BOLD 사이에 일관된 방향성(예: LFP → BOLD)과 일정한 지속시간이 관찰되었으며, 이는 신경-혈류 결합 메커니즘을 지지한다. 두 번째는 인간 HCP 모터 과제 fMRI 데이터이다. 과제 수행 시 전두엽‑운동피질 간의 전방향 연결이 강화되고, 과제 종료 후에는 지속시간이 감소하는 패턴이 드러났다. 특히 SWpC는 SWC 대비 과제 관련 연결 변화를 더 높은 통계적 파워로 탐지했으며, 다중 비교 보정 후에도 유의한 클러스터가 남았다. 세 번째는 외상 후 현기증 장애(PCVD) 환자군과 건강 대조군의 휴식 상태 fMRI이다. SWpC 기반의 상태 특징(강도·지속시간)을 이용한 머신러닝 분류에서 정확도가 85% 이상으로, 기존 정적 FC 기반 분류보다 현저히 우수했다.

통계적 검증에서는 윈도우 길이(30–60 s)와 스텝 크기(1–5 s)의 파라미터 민감도 분석을 수행했으며, 결과는 전반적으로 견고했다. 또한, LTI 모델의 차수(1차 vs 2차)와 정규화 방법을 바꾸어도 핵심 결과는 유지되었다. 한계점으로는 비선형 상호작용을 포착하지 못한다는 점과, 윈도우 길이가 너무 짧을 경우 모델 과적합 위험이 존재한다는 점을 언급한다. 향후 연구에서는 비선형 확장(예: 커널 LTI)이나 베이지안 프레임워크를 도입해 모델 유연성을 높이고, 전기생리학적 기록과의 다중 모달 융합을 통해 인과성 검증을 강화할 수 있다.

요약하면, SWpC는 시간‑변화와 방향성을 동시에 제공하는 새로운 기능 연결성 지표이며, 동물·인간·임상 데이터 전반에 걸쳐 생물학적 타당성과 실용성을 입증하였다. 이는 뇌 네트워크의 동적 정보 흐름을 정량화하고, 신경질환의 미세한 기능적 변화를 조기에 탐지하는 데 유용한 도구가 될 전망이다.