ODEBrain 연속시간 EEG 그래프 기반 동적 뇌 네트워크 모델링

본 논문은 뇌 전기 활동을 연속적인 시간 흐름 속에서 정밀하게 모델링하고 예측하기 위한 새로운 딥러닝 프레임워크인 ODEBrain을 제시한다. 기존의 잠재 변수 기반 시계열 모델은 주로 RNN, LSTM, GRU와 같은 순환 구조를 사용해 시간 축을 이산화하고, 이 과정에서 발생하는 누적 예측 오류와 비선형 순간 변화를 포착하지 못한다는 근본적인 한계를 가지고 있다. 특히 EEG와 같이 고주파, 비선형, 그리고 급격한 전이를 보이는 신호에서는 이러한 이산화 접근이 뇌 상태의 급격한 변화를 놓치기 쉽다. ODEBrain은 이러한 문제를 두 단계의 혁신적인 설계로 해결한다. 첫 번째 단계에서는 원시 EEG 데이터를 시간‑주파수 변환(예: STFT, Wavelet) 후, 각 채널·시간·주파수 조합을 그래프의 노드로 매핑한다. 이때 노드 간 연결은 해부학적 구조(예: DTI 기반) 혹은 기능적 상관관계(예: 위상 동기화, 상관계수) 등을 이용해 가중치를 부여한다. 이렇게 구성된 스펙트럴 그래프는 공간(채널), 시간(슬라이딩 윈도우), 주파수(밴드) 정보를 동시에 보존하므로, 전통적인 시계열 모델이 놓치기 쉬운 다차원 상호작용을 자연스럽게 표현한다. 두 번째 단계에서는 그래프 신경망(GNN)으로 초기 잠재 표현을 추출한 뒤, Neural ODE(Neural Ordinary Differential Equation) 모듈에 입력한다. Neural ODE는 미분 방정식 형태의 연속적 흐름을 학습함으로써, 임의의 시간 t에서의 잠재 상태 z(t)를 직접 계산할 수 있다. 이는 “시간을 샘플링하지 않아도 된다”는 장점을 제공하며, 연속적인 시간 해상도에서의 예측이 가능하도록 만든다. 또한, ODE 솔버의 적응적 스텝 사이즈(adaptive step size) 덕분에 급격한 뇌 상태 전이 구간에서는 작은 스텝으로 정밀하게 추적하고, 평탄한 구간에서는 큰 스텝으로 효율성을 유지한다. 학습 목표는 관측된 EEG 시계열을 재구성(reconstruction)하고, 미래 시점의 신호를 예측(forecasting)하는 두 가지 손실을 동시에 최소화하는 것이다. 재구성 손실은 그래프‑GNN‑ODE 파이프라인이 현재 시점의 복잡한 스펙트럼 구조를 얼마나 잘 복원하는지를 평가하고, 예측 손실은 연속적인 ODE 흐름이 장기적인 동역학을 얼마나 정확히 전파하는지를 측정한다. 논문에서는 또한 확률적 변분 추론을 도입해 잠재 변수의 불확실성을 모델링함으로써, 뇌 상태의 stochastic한 변동을 정량화한다. 실험에서는 공개된 대규모 EEG 데이터셋(예: SEED, DEAP, BCI Competition)과 자체 수집된 임상 데이터(발작 전후, 수면 단계) 모두에 대해 ODEBrain을 평가하였다. 비교 대상은 LSTM, GRU, Temporal Convolutional Network, 그리고 최신 Graph Neural ODE 변형 등이다. 결과는 평균 제곱 오차(MSE), Pearson 상관계수, 그리고 시간 지연에 대한 Robustness 지표에서 ODEBrain이 10%~25% 정도의 성능 향상을 보였으며, 특히 급격한 이벤트(예: 발작 시작) 직전·직후 구간에서 기존 모델이 과소/과대 예측을 하는 반면 ODEBrain은 부드럽고 정확한 추정을 제공했다. 또한, 교차 피험자 검증(cross‑subject)에서 일반화 격차가 현저히 감소했으며, 적은 양의 라벨 데이터만으로도 전이 학습(transfer learning)이 가능함을 확인하였다. 한계점으로는 그래프 구축 단계에서 해부학적/기능적 연결성 정보를 사전에 요구한다는 점과, Neural ODE 솔버의 선택에 따라 계산 비용이 변동될 수 있다는 점을 들 수 있다. 저자는 향후 경량화된 그래프 생성 방법과, 스파스 ODE 솔버를 통한 실시간 적용 가능성을 제시한다. 전반적으로 ODEBrain은 연속시간 뇌 네트워크 모델링에 새로운 패러다임을 제시하며, 신경과학 연구와 임상 진단(예: 발작 예측, 수면 단계 모니터링) 모두에 실용적인 가치를 제공한다.