EEG SeeGraph: 치매 진단을 위한 동적 뇌 연결망의 희소 설명 모델

본 논문은 치매 진단에 있어 EEG 신호의 복잡한 시공간 특성을 효과적으로 모델링하고, 동시에 모델의 투명성을 확보하기 위한 새로운 딥러닝 프레임워크인 “EEG‑SeeGraph”를 제안한다. 기존 연구들은 주로 스펙트럼 기반 특징을 손수 설계하거나, 2‑D CNN·RNN 같은 시계열 모델을 적용했지만, 채널 간 상호작용을 명시적으로 다루지 못하거나, 모델이 블랙박스화되어 임상의가 결과를 신뢰하기 어려웠다. 또한, 정적 그래프 기반 GNN이 동적 뇌 네트워크를 충분히 포착하지 못하고, 노이즈와 데이터 수집 환경 차이에 취약한 문제가 있었다. SeeGraph는 이러한 문제점을 네 가지 핵심 모듈로 해결한다. 1) **Dual‑Trajectory Temporal Encoder**: EEG를 일정 길이의 겹치는 윈도우로 나눈 뒤, 각 윈도우에 대해 (a) FFT를 수행해 주파수 스펙트럼을 노드 피처로, (b) 절대 피어슨 상관계수를 계산해 채널 간 연결 강도를 엣지 피처로 만든다. 두 피처 스트림은 동일 파라미터를 공유하는 멀티‑헤드 셀프‑어텐션(MHA)으로 시간 축을 따라 장기 의존성을 학습한다. 이렇게 하면 지역 진동과 상호 연결을 동시에 포착하면서 파라미터 효율성을 유지한다. 2) **Topology‑Aware Positional Encoder**: 시간‑통합된 인접 행렬 \(\bar A\) 로부터 정규화 라플라시안 L을 계산하고, 그 고유벡터 중 가장 작은 비영(非零) 고유값에 대응하는 d_pe 개를 추출한다. 이 라플라시안 위치 인코딩 P는 노드 임베딩 \(\bar H\) 와 concat 되어, 각 노드가 전역 그래프 구조 정보를 내재하도록 만든다. 이는 단순히 지역 신호만을 보는 기존 방법 대비 전역 토폴로지를 반영함으로써 모델의 표현력을 크게 향상시킨다. 3) **Node‑Guided Sparse Explanatory Edge Mask**: 각 엣지는 양 끝 노드 임베딩을 concat 한 뒤 공유 MLP를 통과시켜 로그it s_ij 를 얻고, Gumbel‑Sigmoid를 이용해 확률적 마스크 m_ij 를 샘플링한다. 마스크는 대칭화와 대각선 0 처리로 무방향성을 보장하고, KL‑divergence 정규화(L_KL)로 평균 보존율 r (예: 0.1) 에 맞춰 희소성을 강제한다. 이 과정은 원시 연결 강도에 의존하지 않으며, 노드 임베딩 기반으로 마스크를 생성함으로써 “마스크 퇴화” 현상을 방지하고, 모델이 실제 진단에 기여하는 핵심 연결만을 남긴다. 4) **Gated Graph Predictor**: 마스크가 적용된 \(\hat A = \tilde M \odot \bar A\) 를 사용해 GAT 레이어를 여러 층 쌓고, 그래프 풀링을 통해 전체 그래프 레벨 임베딩을 얻는다. 최종 Softmax 레이어로 AD, FTD, HC 등 다중 클래스 진단을 수행한다. 전체 학습 목표는 교차 엔트로피 손실 L_CE 와 λ_KL·L_KL 의 가중합이며, λ_KL 은 정확도와 설명 희소성 사이의 트레이드‑오프를 조절한다. **실험 설계**는 두 개의 데이터셋을 사용한다. (i) AHEPA: 19채널, 500 Hz, 88명(AD 36, FTD 23, HC 29)으로 구성된 공개 휴식 상태 EEG; (ii) SZPH: 64채널, 50명(AD 30, HC 20)으로 구성된 자체 수집 임상 데이터. 두 데이터셋 모두 80/20 주제‑독립 split 으로 평가했으며, 표준편차 0.3인 가우시안 노이즈를 추가한 “노이즈 조건”에서도 실험을 진행했다. **성능 비교**에서는 SeeGraph가 기존 동적 GNN(EvolveGCN‑O, EGCN), 시계열 모델(CNN‑LSTM, BIO‑T) 및 하이브리드 모델(MAtt) 대비 모든 지표(AUROC, F1, Accuracy)에서 5~15% 정도 우수했다. 특히 노이즈가 가해졌을 때 성능 저하가 최소화되어, 모델이 노이즈에 강인함을 확인할 수 있었다. **설명 가능성**은 두 차원에서 검증되었다. (1) **밴드 별 기여도** 분석에서는 α, β, δ 밴드가 가장 높은 진단 정보를 제공했으며, θ는 중간, γ는 상대적으로 낮았다. 이는 기존 임상 연구와 일치한다. (2) **Ablation Study**에서는 (a) C‑wise 마스크 제거, (b) 위치 인코딩 제거, (c) 스파스 정규화 제거, (d) FFT 제거 각각이 성능을 현저히 감소시켰으며, 특히 위치 인코딩과 스파스 정규화가 없을 때 AUROC가 0.85 이하로 떨어졌다. 이는 제안된 네 구성 요소가 모두 상호 보완적으로 작동함을 의미한다. **임상적 의미**는 두드러진다. SeeGraph가 제공하는 희소 서브그래프는 “어떤 채널‑채널 연결이 진단에 가장 크게 기여했는가”를 명확히 보여준다. 논문에서는 AD와 FTD에서 전두엽‑측두엽, 전두엽‑후두엽 간의 저주파(δ, θ) 연결 감소, α·β 대역의 과활성화 등 기존 문헌에서 보고된 기능적 연결 변화와 일치하는 패턴을 제시한다. 따라서 신경과 전문의는 모델이 제시한 연결망을 근거로 추가적인 뇌 영상·신경심리 검사를 설계하거나, 치료 효과를 모니터링하는 데 활용할 수 있다. **한계 및 향후 과제**로는 (1) 현재는 19·64채널에 국한된 실험이므로, 더 높은 해상도(128·256채널) EEG에 대한 확장성 검증이 필요하다. (2) 마스크의 이산화(0/1) 대신 연속적인 중요도 스코어를 제공하면 정량적 해석이 강화될 수 있다. (3) 현재는 정적 베르누이 사전(r)만 사용했지만, 환자군별 가변 사전이나 메타‑학습을 도입하면 개인화된 설명이 가능할 것이다. 결론적으로, SeeGraph는 동적 EEG 그래프를 효율적으로 인코딩하고, 노드 기반 희소 마스크를 통해 진단에 핵심적인 연결만을 강조함으로써, 정확도·강인성·해석 가능성이라는 세 축을 동시에 만족하는 차세대 치매 진단 도구로서 큰 잠재력을 보여준다.