뇌퇴행성 질환 분류를 위한 잠재 이벤트‑관계 동역학 LERD

초록

**
본 논문은 다채널 EEG 신호에서 사건(event)과 채널 간 상호작용을 명시적으로 모델링하는 베이지안 신경동역학 시스템 LERD를 제안한다. 연속시간 이벤트 추론 모듈과 로그정규 혼합을 이용한 이벤트 생성 과정을 결합하고, 전기생리학적 지식을 반영한 미분가능한 LIF(dLIF) 사전분포를 도입해 레이트, 리프랙터리, 주파수 범위를 제약한다. 변분 추론 기반 학습에서 KL‑상한을 이론적으로 유도하고, 추정된 이벤트‑관계 그래프(ERG)의 안정성을 보장한다. 합성 데이터와 두 개의 실제 AD EEG 코호트에서 기존 최첨단 방법들을 지속적으로 능가하며, 질병군 간 동역학 차이를 해석 가능한 잠재 요약으로 제공한다.

**

상세 분석

**
LERD는 EEG 기반 알츠하이머 진단에서 “무엇이” 아니라 “언제”와 “어떻게”가 중요한 가정을 명시한다. 각 채널을 독립적인 잠재 이벤트 프로세스로 모델링하고, 이 이벤트들의 발생 시점을 연속시간 확률 미분 방정식인 EPDE(Event Posterior Differential Equation)로 추정한다. EPDE는 관측된 EEG와 신경망 파라미터를 입력으로 받아, 각 채널별 이벤트 시간 분포 p(t)와 그 기대값을 출력한다. 이 기대값은 Mean‑Evolving Lognormal Process(MELP)로 전달되어 로그정규 혼합 형태의 인터‑이벤트 간격 τ를 샘플링한다. MELP는 양의 간격을 보장하면서도 복잡한 비정상성을 포착할 수 있어, 전통적인 포아송 혹은 단일 로그정규 모델보다 유연하다.

전기생리학적 제약을 반영하기 위해 dLIF(differentiable Leaky‑Integrate‑and‑Fire) 사전분포를 도입한다. dLIF는 막전위 u(t)의 선형 누설과 입력 b(t)를 정의하고, 이를 통해 순간 발화율 r(t)=h−log(1−1/b(t))를 계산한다. 이 발화율은 이벤트 발생 확률의 하자드 함수가 되며, 리프랙터리와 최대 발화율을 자연스럽게 제한한다. 학습 과정에서는 실제 EPDE‑유도 레이트와 dLIF 레이트 사이의 L2 손실 R_LIF를 최소화함으로써 비미분 가능한 스파이크 함수를 우회한다.

채널 간 상호작용은 이벤트‑관계 그래프(ERG)로 표현된다. EPDE/MELP가 제공하는 이벤트 시차를 STDP(Spike‑Timing‑Dependent‑Plasticity) 형태의 비선형 매핑 φ_η(·)에 통과시켜 가중치 A_{ij}(t)를 얻는다. 이 그래프는 방향성을 가지며, 선행 채널의 이벤트가 후행 채널의 이벤트 발생 확률을 어떻게 조절하는지를 정량화한다. ERG 학습은 약한 정규화 R_ERG를 통해 실제 EEG에서 계산된 상관·공분산 등 통계량에 근접하도록 유도하지만, 핵심 구조는 데이터‑구동형 이벤트 시차에 의해 결정된다.

변분 학습 목표는 (1) 라벨 예측을 위한 디코더 손실, (2) EPDE‑사후와 dLIF 사전 사이의 KL 발산, (3) MELP 인터‑이벤트 간격에 대한 로그정규 사전 KL, (4) R_LIF와 R_ERG 정규화 항을 포함한다. dLIF KL은 무한 차원 경로 측정을 직접 계산할 수 없으므로, 논문에서는 초기값 문제(IVP) 기반의 적분‑레이트 상한을 정리 4.1으로 제시한다. 이 상한은 레이트 r(t)의 시간적 적분만 필요하므로 효율적인 역전파가 가능하다. 또한, ERG에 대한 안정성 정리는 시차 노이즈가 작은 경우 그래프 가중치가 유계에 머무름을 보장한다.

실험에서는 (i) 다양한 파라미터를 가진 합성 시계열에서 진짜 이벤트와 그래프를 정확히 복원하고, (ii) 두 실제 AD EEG 데이터셋(한·중·덴마크 다기관)에서 기존 EEGNet, ConvTransformer, GraphCNN 등과 비교해 AUC·ACC·F1 점수에서 3~7%p 향상을 기록한다. 더불어, AD군에서 δ/θ 파워 증가와 α/β 파워 감소가 이벤트 발생률과 그래프 연결 강도에 어떻게 반영되는지를 시각화하여, 모델이 알려진 생리학적 변화를 잠재 변수로 재현함을 보여준다.

핵심 기여는 (1) 이벤트‑관계 동역학을 베이지안 프레임워크에 통합한 최초의 시도, (2) 전기생리학적 dLIF 사전을 통한 해석 가능성 및 학습 안정성 확보, (3) KL‑상한과 그래프 안정성에 대한 이론적 증명, (4) 실제 AD EEG에서 진단 성능과 생리학적 해석을 동시에 달성한 실증적 증거이다. 한계로는 스칼프 EEG의 저해상도 특성 때문에 개별 뉴런 수준의 정확한 위치 추정은 불가능하고, dLIF가 인구 수준의 평균 발화율을 근사한다는 점을 명시한다. 향후 연구는 고해상도 MEG/EEG와 멀티모달 이미지와 결합해 사전의 정밀도를 높이고, 다른 신경퇴행성 질환(예: 파킨슨병)으로 확장하는 방향을 제시한다.

**