Cross-Subject Intracranial EEG Reconstruction from Scalp Recordings Using Multi-Scale Cross-Attention Transformers

기술 요약: 다중 스케일 교차 어텐션 트랜스포머를 활용한 두피 기록으로부터의 교차-주체 뇌내 EEG 재구성

문제 제기
뇌내 EEG(iEEG) 는 밀리미터 수준의 공간 해상도와 밀리초 수준의 시간 정밀도를 갖춘 고충실도 신경 기록을 제공하여, 임상적 간질 모니터링과 뇌 - 컴퓨터 인터페이스 (BCI) 응용에 필수적입니다. 그러나 iEEG 획득은 침습적 신경외과 수술을 필요로 하므로, 특정 임상 환자군으로 그 활용이 제한되며 이식 표적으로 선정된 뇌 영역에 대한 연구만 가능하게 합니다. 최근 비침습적 두피 EEG 로부터 iEEG 를 추정하려는 시도가 있었으나, 기존 방법들은 주로 환자별 (동일 주체 내) 학습에 의존합니다. 이는 순환적 의존성을 초래합니다. 즉, 비침습적 모델을 위한 학습 데이터를 생성하기 위해 환자가 침습적 수술을 받아야 한다면, 비침습적 접근법은 직접 기록에 비해 실질적인 이점을 거의 제공하지 못합니다. 더 나아가 기존 교차-주체 접근법들은 대부분 파형 수준의 재구성보다는 분류 작업에 초점을 맞추거나, 해부학적 변이를 고려하기 위해 개별 구조적 MRI 데이터를 요구합니다.

방법론: CAST 프레임워크
저자들은 새로운 보지 못한 주체들을 위해 두피 EEG 를 다중 채널 iEEG 파형으로 변환하기 위한 두 단계 전이 학습 접근법을 설계한 머신러닝 프레임워크인 CAST(Cross-Attention Spatial-Temporal Transformer, 교차 어텐션 공간 - 시간 트랜스포머) 를 제안합니다.

1. 아키텍처:

   • 다중 스케일 인코더: 모델은 입력 두피 EEG 신호를 세 가지 서로 다른 시간 스케일 (8, 16, 32 샘플) 에서 겹치지 않는 패치로 슬라이싱합니다. 이러한 패치들은 MLP 를 통해 잠재 공간 ($d_{model}=128$) 으로 투영되고 스케일별 및 위치 임베딩과 결합됩니다. 4 층 트랜스포머 인코더는 멀티헤드 셀프 어텐션을 통해 이러한 연결된 토큰들을 처리하여 고주파수 과도 현상과 느린 진동 전반에 걸친 광범위한 신경 표현을 포착합니다.
   • 채널 인식 디코더: 환자 간 전극 배치 및 수의 변이를 해결하기 위해, 디코더는 공유된 시간 쿼리 토큰 ($M=25$) 과 학습 가능한 채널별 임베딩을 갖춘 교차 어텐션 메커니즘을 활용합니다. 이를 통해 모델은 인코딩된 두피 특징을 기반으로 독립적으로 특정 대상 iEEG 채널을 재구성할 수 있습니다.

2. 학습 프로토콜 (한 주체 제외 방식):

   • 범용 인코더 사전 학습: 재앙적 망각을 방지하고 특정 해부학에 대한 과적합을 막기 위해, 인코더는 테스트 주체를 제외한 모든 주체의 데이터에 대해 순차적으로 사전 학습됩니다.
   • 디코더 보정: 하드웨어 설정이 다양함을 인식하여, 디코더는 개인화된 투영 도구로 취급됩니다. 새로운 환자에게는 짧은 보정 단계 (환자 데이터의 20%, 약 2~12 분) 를 사용하여 디코더가 초기화되고 미세 조정됩니다.
   • 채널 선택 전략: 저자들은 "관측 가능한" 채널을 식별하기 위한 데이터 기반 전략을 도입했습니다. 보정 데이터에 대한 워밍업 단계 동안 피어슨 상관계수 $r \ge 0.15$를 달성하는 채널들을 최종 재구성을 위해 선택하여, 신호가 너무 감쇠되어 복원 불가능한 채널들을 필터링합니다.

3. 손실 함수: 모델은 진폭 정확도 (MSE), 파형 모양 (피어슨 상관계수 패널티), 그리고 주파수 내용 (스펙트럼 손실) 을 균형 있게 조정하는 복합 손실 함수를 사용하여 최적화됩니다.

데이터셋 및 평가
본 연구는 두 개의 독립적인 공개 데이터셋에서 평가되었습니다:

• GIN 코호트: 약물 내성 초점성 간질을 가진 9 명의 환자가 수행한 언어 작업 기억 과제 (1721 개 두피 채널, 3264 개 iEEG 접촉부).
• OpenNeuro ds004752: 시각 분류 과제를 수행한 14 명의 환자 (원래 15 명) (621 개 두피 채널, 3280 개 iEEG 접촉부).
  평가에는 총 1,282 개의 iEEG 채널에 걸쳐 한 주체 제외 방식 (LOSO) 교차 검증 전략이 활용되었습니다.

주요 결과

• 교차-주체 일반화: CAST 는 광범위한 환자별 학습 없이 새로운 주체에 대한 피질 iEEG 신호를 성공적으로 재구성했습니다. 관측 가능성이 높은 감각운동 영역에서, 모델은 전중앙이에서 $r = 0.864$, 후중앙이에서 $r = 0.732$의 최고 상관계수를 달성했습니다.
• 깊이 경사 검증: 본 연구는 통계적으로 유의미한 깊이 경사 ($p = 0.014$, 선형 혼합 효과 모델을 통해) 를 확인했습니다. 피질 접촉부 ($N=313$, 평균 $r = 0.221$) 는 해마 ($r=0.197$) 와 편도체 ($r=0.233$) 와 같은 깊은 피하 구조 ($N=507$, 평균 $r = 0.182$) 보다 훨씬 높은 충실도로 재구성되었습니다. 이는 깊은 구조에서의 신호가 두피에 도달하기 전에 크게 감쇠한다는 부피 전도 이론과 일치합니다.
• 실현 가능한 주체에 대한 성능: 채널 선택 전략을 적용함으로써, 모델은 ds004752 데이터셋에서 "실현 가능한" 주체 (충분한 관측 가능 채널을 가진 환자) 에 대해 평균 상관계수 $r = 0.545$ ($R^2 = 0.333$) 를 달성하여, MRI 가 필요하거나 분류에 초점을 맞춘 이전의 환자별 기준선 및 다른 교차-주체 방법들을 능가했습니다.
• 어블레이션 연구: 다중 스케일 시간 모델링과 손실 함수에 피어슨 상관계수 패널티를 포함시키는 것이 파형 충실도를 극대화하는 데 중요한 요소로 확인되었습니다.

의의 및 주장
본 논문은 CAST 가 광범위한 환자별 학습 데이터나 개별 구조적 MRI 스캔 없이 새로운 주체에 대해 두피 EEG 로부터 피질 iEEG 신호를 재구성할 수 있음을 입증한다고 주장합니다. 저자들은 다음과 같이 논합니다:

1. 순환적 의존성 타파: 범용 인코더와 짧은 보정 단계를 사용하여, 모델은 피질 신호 추정을 위한 침습적 데이터 수집에 대한 실용적인 대안을 제공합니다.
2. 생리학적 일관성: 관찰된 깊이 경사는 부피 전도 물리학에 의해 지배되는 실제 신경 신호 관계를 모델이 학습했음을 시사하는 독립적인 생리학적 검증으로 작용하며, 우연한 상관관계가 아님을 보여줍니다.
3. 임상 및 BCI 활용성: 감각운동 영역 (상관계수가 0.7 을 초과) 에서의 정확한 신호 재구성 능력은 비침습적 BCI 와 간질 수술 계획에서 전극 배치를 안내하는 스크리닝 도구로서의 잠재적 응용 가능성을 시사합니다.

저자들은 깊은 뇌 구조에 대해서는 겸손한 입장을 유지하며, 해마와 같은 깊은 영역의 재구성 정확도는 신호 감쇠의 근본적인 물리적 제약에 의해 제한된다고 인정합니다. 또한 MRI 데이터를 갖춘 최신 환자별 모델조차 이러한 영역에서 높은 상관계수를 달성하는 데 어려움을 겪고 있음을 지적합니다. 그들은 짧은 보정 단계가 새로운 하드웨어에 적응하는 데 필요하지만, 이 접근법은 하드웨어에 구애받지 않는 신경 번역을 향한 중요한 한 걸음이라고 결론지었습니다.