기술 요약: EEG 기반 우울증 인식을 위한 SA-HGNN

문제 정의

주요 우울 장애(MDD)는 전 세계적인 주요 보건 위기이며, 객관적이고 자동화된 진단 방법이 필수적입니다. 뇌파(EEG)는 비침습적 특성과 높은 시간 해상도 덕분에 이를 위해 널리 사용됩니다. 그래프 신경망(GNN)은 뇌의 기능적 연결성을 모델링하는 주류 접근 방식으로 부상했으나, 기존 방법들은 두 가지 결정적인 한계에 직면해 있습니다:

1. 부적절한 구조적 모델링: 인간 뇌의 기능적 연결성은 고유한 계층적 구조(예: "리치 클럽(rich-club)" 토폴로지)를 가집니다. 표준 GNN은 유클리드 공간에서 작동하며, 이는 왜곡 없이 기하급수적으로 성장하는 계층적 트리 형태의 구조를 표현하는 데 어려움을 겪습니다. 결과적으로 우울증의 영향을 받은 네트워크 내의 잠재적 계층 구조를 부정확하게 모델링하게 됩니다.
2. 경직된 토폴로지와 노이즈: 기존 방식은 정적인 그래프 구조에 의존하거나, 뇌 네트워크의 진정한 토폴로지 패턴을 가릴 수 있는 중복된 노이즈 채널을 효과적으로 필터링하지 못하는 경우가 많습니다.

방법론: 샘플 적응형 쌍곡선 그래프 신경망 (SA-HGNN)

이러한 과제를 해결하기 위해 저자들은 우울증의 영향을 받는 뇌 네트워크의 진정한 계층적 구조를 추출하도록 설계된 프레임워크인 SA-HGNN을 제안합니다. 이 아키텍처는 세 가지 핵심 모듈로 구성됩니다:

1. 샘플 적응형 그래프 구축 (SAGC)

이 모듈은 정적인 그래프 정의를 넘어, 각 샘플에 대해 동적으로 개인화된 뇌 네트워크 토폴로지를 구축합니다. 이는 두 가지 브랜치를 융합합니다:

• 물리적 사전 지식 브랜치 (Physical Prior Branch): 표준 10-20 전극 좌표와 유클리드 거리를 기반으로 기초적인 공간 토폴로지($A_{prior}$)를 구축합니다.
• 샘플 특이적 상관관계 브랜치 (Sample-Specific Correlation Branch): 추출된 시계열 특징으로부터 L2 정규화와 선형 투영을 통해 데이터 기반 유사도 행렬($A_{sim}$)을 도출합니다.
• 융합: 최종 인접 행렬은 학습 가능한 마스크에 의해 필터링된 샘플 특이적 상관관계와 학습 가능한 스칼라($\lambda$)를 사용하여 물리적 사전 지식을 융합하여 형성됩니다. 이는 개별적 변동성에 적응하면서도 구조적 사전 지식을 제공합니다.

2. 쌍곡선 그래프 컨볼루션 (HGC)

유클리드 공간의 표현 병목 현상을 극복하기 위해, 모델은 잠재적인 계층적 관계를 포착하기 위해 쌍곡선 기하학(특히 푸앵카레 볼 모델)을 채택합니다.

• 매핑: 지수 맵($\text{exp}_0^c$)과 로그 맵($\text{log}_0^c$)을 사용하여 특징을 유클리드 공간과 쌍곡선 공간 사이에서 매핑합니다.
• 컨볼루션: 이 과정은 유클리드 특징을 접평면(tangent space)으로 투영하고, 이를 쌍곡선 공간으로 변환한 뒤, 선형 변환을 적용하고, 접평면 내에서 이웃의 구조적 정보를 집계한 후 다시 유클리드 공간으로 매핑하는 과정을 포함합니다. 이를 통해 네트워크가 뇌 네트워크에 내재된 계층적 구조의 기하급수적 성장을 수용할 수 있게 합니다.

3. 어텐션 풀링 (AP)

이 모듈은 진정한 계층적 토폴로지를 보존하기 위해 매우 중복된 노이즈 채널을 적응적으로 필터링합니다.

• 스코어링: 학습 가능한 글로벌 노드가 멀티 헤드 셀프 어텐션을 통해 모든 EEG 채널 노드와 상호작용하여 각 노드의 중요도 점수를 계산합니다.
• 코서닝 (Coarsening): 상위 $K$개의 노드를 선택하여 풀링된 특징 집합과 후속 레이어를 위한 코서닝된 인접 행렬을 생성합니다.
• 손실 제약: AP 균일성 손실($L_{uni}$)이 도입되어, 버려진 노드의 특징을 제약함으로써 오버 스무딩(over-smoothing)을 방지하고 표현의 다양성을 보장합니다.

손실 함수

전체 손실 함수는 세 가지 항을 결합합니다:

1. 분류 손실 ($L_{cls}$): 우울증 인식을 위한 표준 교차 엔트로피 손실입니다.
2. 희소성 손실 ($L_{sparse}$): SAGC 모듈에서 더 단순한 그래프 토폴로지를 장려합니다.
3. 균일성 손실 ($L_{uni}$): 어텐션 풀링 메커니즘에서 다양성을 보장합니다.

주요 기여

본 논문은 다음과 같은 주요 기여를 주장합니다:

• 새로운 아키텍처: MDD 뇌 네트워크의 계층적 기능적 연결성을 모델링하기 위해 쌍곡선 그래프 신경망을 채택한 첫 번째 연구입니다.
• 샘플 적응형 그래프 구축: 정적인 그래프의 경직성을 극려하여 개별화된 뇌 네트워크 토폴로지를 동적으로 구축하는 SAGC 모듈을 도입했습니다.
• 통합 프레임워크: 쌍곡선 공간에서 계층적 구조를 포착하는 동시에 노이즈 채널을 필터링하는 쌍곡선 그래프 컨볼루션과 어텐션 풀링을 결리한 아키텍처를 개발했습니다.
• 실증적 검증: 공개 데이터셋을 통해 휴지기(resting-state) 및 과업 관련(task-related) EEG 패러다임 모두에서 우수한 성능을 입증했습니다.

실험 결과

모델은 34명의 MDD 환자와 30명의 건강한 대조군(HC)의 EEG 기록을 포함하는 공개 HUSM 데이터셋을 통해 평가되었습니다. 두 가지 패러다임인 휴지기(HUSM-Rest)와 과업 관련(HUSM-Task) 상태를 대상으로 했습니다.

• 성능: SA-HGNN은 7개의 베이스라인 그래프 기반 모델(DCGNN, GraphSleepNet, SDGCN 포함)을 능가하는 최첨단(SOTA) 결과를 달 achievement 했습니다.
  • HUSM-Rest: 95.24%의 정확도와 95.77%의 F1 스코어를 달성하여, 두 번째로 우수한 방법인 GraphSleepNet을 각각 1.82%, 2.29% 차이로 앞섰습니다.
  • HUSM-Task: 94.26%의 정확도와 94.69%의 F1 스코어를 달성하여, 두 번째로 우수한 방법인 GCBNet을 각각 0.39%, 0.42% 차이로 앞섰습니다.
• 어블레이션 연구 (Ablation Study): 실험을 통해 단일 또는 쌍으로 된 모듈만 사용하는 변형 모델보다 전체 모델(SAGC, HGC, AP 결합)이 유의미하게 우수함을 확인하여, 제안된 구성 요소들의 시너지 효과를 검증했습니다.
• 강건성: 민감도 분석 결과, 희소화(sparsification) 및 균일성 손실 가중치의 범위 내에서 모델이 안정적인 성능을 유지함을 보여주었습니다.

의의 및 주장

저자들은 SA-HGNN이 유클리드 공간에서 계층적 뇌 네트워크를 모델링할 때 발생하는 구조적 왜곡을 효과적으로 해결한다고 주장합니다. 쌍곡선 기하학을 활용함으로써, 모델은 MDD에서 손상된 "리치 클럽" 토폴로지와 잠재적 계층 패턴을 더욱 정확하게 포착합니다.

또한, 학습된 인접 행렬의 시각화는 임상적 소견과 일치하는 신경생물학적 바이오마커를 드러냈습니다:

• 휴지기 상태: 중앙 미드라인 영역의 과잉 연결성(디폴트 모드 네트워크의 과활성화와 관련됨).
• 과업 상태: 감정-인지 결함과 연결된 좌측 전두-두정엽 영역의 주목할 만한 변화.

결론적으로, SA-HGNN은 비정상적인 기능적 연결 패턴을 포착하기 위한 강력하고 노이즈가 완화된 프레임워크를 제공하며, 자동화된 MDD 진단을 위한 기존 유클리드 기반 GNN 대비 상당한 개선을 제공합니다.