Interpretable EEG Microstate Discovery via Variational Deep Embedding: A Systematic Architecture Search with Multi-Quadrant Evaluation

기술적 요약: 변분 심층 임베딩을 통한 해석 가능한 EEG 마이크로상태 발견

문제 제기

EEG 마이크로상태 분석은 연속적인 뇌 전기 활동을 이산적인 기능적 상태를 나타내는 짧은 준안정적 지형 구성으로 분할하는 것을 목표로 합니다. 기존의 접근법, 주로 **수정된 K-평균 (ModKMeans)**은 전극 공간에서 직접 작동하며 하드 할당을 사용합니다. 이러한 방법들은 세 가지 중요한 한계를 겪습니다:

1. 잠재 표현의 부재: 잠재 공간을 학습하지 않아 클러스터 중심을 재구성하는 생성 디코더를 제공하지 않습니다.
2. 불투명성: 잠재 구성을 검증 가능한 두피 지형도로 디코딩할 수 없으므로 모델의 투명성과 해석 가능성이 제한됩니다.
3. 경직된 할당: 하드 분할은 두피 지형도가 근본적인 상태들의 혼합을 반영할 수 있는 과도기적이거나 모호한 영역에 대한 정보를 폐기합니다.
4. 고정된 복잡도: 마이크로상태 수를 고정하는 관례 ($K=4$) 는 개별 뇌 역학을 포착하지 못할 수 있으며, 최적의 클러스터 수는 데이터셋과 인구 집단에 따라 달라집니다.

최근의 딥러닝 접근법들은 이러한 문제들을 해결하려 시도했으나, 많은 경우 동결된 잠재 공간의 사후 클러스터링이나 지도 분류에 의존하여 표현과 확률적 할당을 함께 학습하지 못합니다. 또한, 극성 불변성(지도와 그 부호 반전된 대응물을 동등하게 취급) 을 강제하는 메커니즘이 종종 결여되어 중복 클러스터의 위험이 있습니다.

방법론

저자들은 공유된 잠재 공간 내에서 지형도 재구성과 확률적 소프트 클러스터링을 함께 학습하는 생성 모델인 Conv-VaDE(Convolutional Variational Deep Embedding) 를 제안합니다.

1. 데이터 준비:

• 데이터셋: 10 명의 참가자를 대상으로 한 LEMON 휴식 상태 눈 감기 EEG 데이터셋 ($f_s=250$ Hz, 61 채널).
• 전처리: 공통 평균 참조, 제로 위상 FIR 대역 통과 필터링 (2–20 Hz), 그리고 전계 전력 (GFP) 피크 추출.
• 입력 변환: EEG 벡터를 방위 등거리 투영 및 3 차 보간을 통해 $40 \times 40$ 지형도 이미지로 투영합니다. $\pm 5\sigma$ 클리핑을 적용하여 Z-점수 정규화를 수행합니다.

2. 모델 아키텍처:

• 인코더: 입력 이미지를 4 개의 Conv2d 레이어 (배치 정규화, LeakyReLU, 드롭아웃 포함) 를 통해 매핑한 후, 적응형 평균 풀링과 완전 연결 레이어를 거쳐 잠재 매개변수 $(\mu_\phi, \log \sigma^2_\phi)$를 생성합니다.
• 디코더: ConvTranspose2d 레이어를 사용하여 인코더를 반대로 구성하여 입력 지형도를 재구성합니다.
• 잠재 사전: 가우시안 혼합 모델 (GMM) 사전이 변분 오토인코더 (VAE) 프레임워크에 내장되어, 엔드 - 투 - 엔드 방식으로 혼합 강화 증거 하한 (ELBO) 을 최적화합니다.

3. 극성 불변성 체계:
$x$와 $-x$를 동일한 상태로 취급하도록 보장하기 위해, 저자들은 세 가지 수준에서 불변성을 강제합니다:

• 데이터 증강: 훈련 세트의 부호 반전 증강.
• 손실 함수: 극성 불변 재구성 손실: $\mathcal{L}_{recon} = \min(\text{MSE}(\hat{x}, x), \text{MSE}(\hat{x}, -x))$.
• 정규화: $x$와 $-x$의 잠재 코드 간 차이를 패널티하는 인코더 정규화 항 $\mathcal{L}_{pol}$.

4. 훈련 목적:
총 손실 함수는 재구성, KL 발산, 엔트로피, 분리도, 배치 사용, 밀도, 그리고 극성 정규화를 결합합니다. 사후 붕괴를 완화하기 위해 순환적 $\beta$-어닐링 전략을 사용합니다.

5. 체계적 아키텍처 탐색:
다음과 같은 4 차원 그리드 탐색이 수행되었습니다:

• 클러스터 수 ($K \in [3, 20]$)
• 잠재 차원 ($d_z \in \{16, 32, 64\}$)
• 네트워크 깊이 ($L \in \{2, 3, 4\}$)
• 채널 너비 ($ndf \in \{32, 64, 128\}$)
  이로 인해 10 명의 피험자에 걸쳐 평가된 486 개의 고유 구성이 도출되었습니다.

6. 평가 지표:

• 클러스터링 품질: 잠재 공간에서의 실루엣, 데이비스 - 볼딩, 칼린스키 - 하라바시, 그리고 던 지수.
• 재구성 및 충실도: MSE, SSIM, 공간 상관관계, 그리고 전체 연속 EEG 에 대한 백피팅을 통해 계산된 전체 설명 분산 (GEV).

주요 기여

1. Conv-VaDE 아키텍처: 학습된 디코더와 확률적 클러스터링 메커니즘을 결합한 새로운 모델로, 클러스터 프로토타입을 검증 가능한 두피 지형도로 생성적 디코딩할 수 있게 합니다.
2. 3 단계 극성 불변성: 딥 마이크로상태 분석에서 일반적인 실패 모드인 부호 모호성으로 인한 중복 클러스터를 제거하는 포괄적인 체계.
3. 체계적 아키텍처 탐색: EEG 마이크로상태 지형도 데이터를 위해 수행된 최초의 광범위한 그리드 탐색 (486 개 구성) 으로, 중간 깊이의 네트워크가 컴팩트한 채널 너비와 함께 탐색 공간을 지배함을 밝혔습니다.
4. 다중 사분면 평가 프레임워크: 잠재 클러스터링 품질 (Q1/Q2) 과 디코딩된 지형도 충실도 (Q4) 를 모두 평가하는 검증 접근법으로, 전통적인 방법 (ModKMeans) 이 전극 공간에서 구조적 이점을 가지지만 잠재 해석 가능성이 부족하다는 비대칭성을 해결합니다.

결과

• 최적 구성: 평균 GEV 가 가장 높은 18 개의 최상위 성능 구성 전반에 걸쳐 네트워크 깊이 $L=4$가 일관되게 존재했습니다.
• 매개변수 민감도:
  • 잠재 차원: $d_z=16$이 18 개 최상위 구성 중 14 개를 지배하여, $40 \times 40$ 지형도 입력에는 컴팩트한 잠재 공간으로 충분함을 시사합니다.
  • 채널 너비: $ndf=32$가 모든 최상위 구성에 충분했으며, 이는 더 넓은 필터가 이러한 입력 유형에 대해 성능을 향상시키지 못함을 나타냅니다.
• $K=4$에서의 성능: 최상의 구성 ($d_z=16, L=4, ndf=32$) 은 다음을 달성했습니다:
  • 실루엣 점수: $0.229 \pm 0.039$ (잘 분리되고 컴팩트한 클러스터를 나타냄).
  • GEV: $0.730 \pm 0.072$ (강력한 지형도 표현 충실도를 확인).
• 설명 가능성: 모델은 GMM 클러스터 중심을 검사 가능한 두피 지형도 (그림 4) 로 성공적으로 디코딩하여, 알려진 마이크로상태 클래스와 일치하는 뚜렷한 공간적 패턴 (전후 경사, 측면 비대칭) 을 보여주었습니다. 잠재 공간 구조 (그림 5) 는 모드 붕괴 없이 분리된 클러스터와 균형 잡힌 분포를 확인시켰습니다.

중요성 및 주장

이 논문은 단순히 모델 규모를 증가시키는 것이 아니라, 원칙적인 아키텍처 탐색이 변분 심층 임베딩을 통한 해석 가능하고 안정적인 EEG 마이크로상태 발견의 핵심이라고 주장합니다.

• 내재적 설명 가능성: 사후 방법과 달리 Conv-VaDE 는 잠재 코드를 직접 데이터 공간에 매핑하여 내재적 설명 가능성을 제공하며, 디코딩된 두피 지도를 통해 모델의 "추론"을 연구자들이 검사할 수 있게 합니다.
• 안정성 대 복잡성: 결과는 EEG 지형도에 대해 더 깊거나 넓은 네트워크가 항상 우월하다는 가정에 도전합니다. 대신, 컴팩트한 잠재 차원과 채널 너비를 가진 중간 깊이의 네트워크가 가장 안정적인 표현을 산출합니다.
• 방법론적 엄밀성: 극성 불변성을 강제하고 체계적인 스윕을 수행함으로써, 이전 딥러닝 접근법의 "블랙박스" 성격과 전통적인 ModKMeans 의 경직성을 해결하며, 재구성 충실도와 확률적 클러스터링 불확실성 사이의 균형을 맞춘 프레임워크를 제공합니다.

저자들은 결과가 유망하지만, 인구 수준의 일반화를 위해서는 더 큰 코호트에서의 검증이 필요하다고 언급하며, 향후 연구는 잠재 공간 백피팅과 시간적 과도기 모델링을 통해 GEV 격차를 해소하는 데 초점을 맞출 것이라고 밝혔습니다.