Overview of Bayesian Solvers in EEG Distributed Source Models: Prior Selection, Algorithmic Implementation, and Depth Bias Reduction

1. 연구 배경 및 문제 정의 (Problem)

• EEG 소스 영상화 (Source Imaging): 비침습적 두피 측정 데이터로부터 뇌 내 신경 활동의 공간적 분포를 재구성하는 역문제 (Inverse Problem) 입니다.
• 본질적 난제: EEG 의 낮은 공간 분해능과 측정 노이즈로 인해 이 역문제는 심하게 잘못 설정된 (Severely Ill-posed) 문제입니다. 즉, 관측된 데이터를 설명할 수 있는 무수히 많은 소스 구성이 존재하여 안정적인 해를 구하기 어렵습니다.
• 심층 편향 (Depth Bias): 기존 방법론에서 발생하는 주요 문제 중 하나로, 두피에 가까운 표층 (Superficial) 소스는 잘 재구성되지만, 뇌 심부 (Deep/Subcortical) 에 위치한 소스는 체계적으로 과소평가되거나 위치가 잘못 추정되는 경향이 있습니다.
• 규제 (Regularization) 의 필요성: 안정적인 해를 얻기 위해 규제 기법이 필수적이며, 베이지안 접근법은 사전 지식 (Prior Knowledge) 을 확률 분포를 통해 자연스럽게 통합할 수 있는 장점이 있습니다.

2. 방법론 (Methodology)

이 연구는 EEG 분산 소스 모델 (Distributed Source Models) 을 해결하기 위한 주요 베이지안 방법론들을 체계적으로 검토하고, 심층 편향을 완화하기 위한 새로운 프레임워크를 제안합니다.

2.1 베이지안 추론 및 사전 분포 (Priors)

연구는 다음과 같은 세 가지 주요 사전 분포를 기반으로 한 계층적 (Hierarchical) 모델을 다룹니다.

1. 가우시안 (Gaussian) Prior: 매끄러운 소스 분포를 가정하며, 최소 노름 추정 (MNE) 과 동치입니다.
2. 라플라스 (Laplace) Prior: 희소성 (Sparsity, 소수의 활성 소스) 을 장려하며, 최소 전류 추정 (MCE) 에 해당합니다.
3. 그룹 라플라스 (Group Laplace) Prior: 방향성 (Orientation) 을 가진 소스 블록 단위의 희소성을 장려합니다.

2.2 계층적 베이지안 모델 (Hierarchical Models)

고정된 하이퍼파라미터 대신, 하이퍼파라미터 (예: 분산 $\gamma$) 자체를 확률 변수로 모델링하여 **적응적 축소 (Adaptive Shrinkage)**를 가능하게 합니다.

• 하이퍼사전 (Hyperprior): 가우시안 사전의 분산에 감마 (Gamma) 또는 역감마 (Inverse-Gamma) 분포를 부여합니다.
• 최적화 알고리즘:
  • IAS (Iterative Alternating Sequential): $x$와 $\gamma$를 번갈아 최적화하는 MAP 추정 방식.
  • EM (Expectation-Maximization): 로그 사후분포의 하한을 E 단계 (기대값 계산) 와 M 단계 (모수 최적화) 로 나누어 반복적으로 해결합니다.

2.3 SNR 기반 심도 가중치 (SNR-based Depth Weighting)

심층 편향을 해결하기 위해 **Calvetti 등 (2019)**의 통계적 신호대잡음비 (SNR) 프레임워크를 확장했습니다.

• 원리: 각 소스 위치 $k$의 전도도 (Lead Field) 특성을 분석하여, 심부 소스가 측정값에 미치는 영향을 보정하는 가중치 $w_k$를 자동 계산합니다.
• 수식: $SNR = \frac{E[\|Lx\|^2]}{E[\|\xi\|^2]}$를 기반으로 각 위치별 사전 분산 ($\theta_k$) 또는 하이퍼파라미터 ($\beta_k$) 를 도출합니다.
• 적용: 가우시안, 라플라스, 그룹 라플라스 및 계층적 모델 (wCG, wCL, wCGL) 모두에 이 가중치를 적용하여 심도 민감도를 균일화합니다.

3. 주요 기여 (Key Contributions)

1. 통합적 개요 제공: EEG 소스 영상화를 위한 다양한 베이지안 솔버 (가우시안, 라플라스, 계층적 모델) 와 그 알고리즘적 구현 (IAS, EM) 에 대한 체계적인 비교 및 분석을 제시했습니다.
2. 심층 편향 완화 프레임워크 확장: 기존 SNR 기반 가중치 기법을 다양한 사전 분포 (단순 가우시안/라플라스부터 복잡한 계층적 모델까지) 로 확장하여, 자동화된 하이퍼파라미터 추정을 가능하게 했습니다. 이는 수동 튜닝 (L-curve 등) 의 필요성을 제거합니다.
3. 알고리즘적 분석: 각 사전 분포에 대한 MAP 추정의 분석적 유도 및 EM/IAS 알고리즘의 구체적인 구현 절차를 제시했습니다.
4. 정량적 비교 연구: 다양한 깊이와 노이즈 수준에서의 재구성 정확도를 체계적으로 평가했습니다.

4. 실험 결과 (Results)

시뮬레이션 설정:

• Ernie 주제의 MRI 기반 3D FEM 메쉬 사용 (76 개 전극, 10,000 개 소스).
• 소스 위치: 두피 표면에서 0~30mm 깊이의 다양한 위치.
• 노이즈 수준: 1% (저노이즈), 10% (고노이즈).
• 평가 지표: EMD (Earth Mover's Distance, 재구성 오차 및 초점성 측정), 심도 편향 분석.

주요 발견:

1. 정확도 및 초점성 (Focality):
   • 가중치 조건부 라플라스 (wCL, wCGL) 모델, 특히 EM 알고리즘을 사용한 경우가 모든 깊이에서 가장 낮은 EMD 값을 보이며 가장 정확한 재구성을 제공했습니다.
   • 기존 가우시안 기반 방법 (wMNE, CG) 은 소스 분포가 넓게 퍼지는 (Spread) 경향이 있어 정확도가 낮았습니다.
2. 심층 편향 감소:
   • 심층 소스 (>15mm) 에서는 모든 방법의 성능이 저하되지만, wCGL-EM과 wCL-EM이 다른 방법들에 비해 심도 편향이 현저히 적었습니다.
   • 재구성된 최대값의 깊이가 실제 깊이와 가장 잘 일치하는 것은 가중치 조건부 라플라스 모델이었습니다.
3. 노이즈 강인성:
   • 노이즈가 10% 로 증가했을 때, 모든 방법의 성능이 떨어졌으나, EM 기반의 가중치 모델들이 상대적으로 더 안정적인 성능을 유지했습니다.
   • IAS 알고리즘은 EM 에 비해 변동성이 크고 성능이 다소 낮았습니다.
4. 알고리즘 비교:
   • 조건부 가우시안 모델에서 EM 알고리즘이 IAS 보다 희소성과 국소화 정확도 면에서 우월했습니다.

5. 의의 및 결론 (Significance)

• 임상적 유용성: 자동화된 SNR 기반 가중치와 EM 알고리즘을 결합한 베이지안 접근법은 뇌 심부 영역 (예: 간질 초점, 피질 하부 영역) 의 활동을 더 정확하게 비침습적으로 영상화할 수 있게 하여, 수술 전 계획 및 진단에 기여할 수 있습니다.
• 모델 설계의 중요성: 단순한 규제 기법보다는 **사전 분포의 선택 (희소성 장려)**과 **심도 보정 (가중치)**이 결합된 모델 설계가 재구성 정확도에 결정적임을 입증했습니다.
• 한계 및 향후 과제:
  • 가중치 기법은 심도 감쇠를 보정하지만, 전도도 오차나 메쉬 해상도 차이로 인한 **수치적 편향 (Numerical Bias)**은 완전히 해결하지 못합니다.
  • 향후 fMRI 나 DTI 와 같은 다중 모달리티 정보를 사전 지식으로 통합하거나, 시간 변화가 있는 적응형 사전 모델을 개발하는 것이 중요하다고 제언합니다.

요약하자면, 이 논문은 EEG 역문제를 해결하기 위해 계층적 베이지안 모델과 SNR 기반 심도 가중치를 결합한 프레임워크를 제안하며, 이를 통해 심층 뇌 소스의 재구성 정확도와 노이즈 강인성을 획기적으로 개선할 수 있음을 실증적으로 입증했습니다.