EEG-SSFormer: Towards a Robust Mamba-Based Architecture for Dementia Detection from Resting State Electroencephalography

이 논문은 1,155 명 규모의 대규모 rs-EEG 데이터셋을 활용하여 경미한 인지장애와 치매를 식별하기 위해 채널별 특징 학습과 장기 의존성 모델링을 분리한 Mamba 기반의 새로운 아키텍처 'EEG-SSFormer'를 제안하고, 이를 통해 해석 가능하고 확장성 있는 임상 스크리닝 도구의 가능성을 입증했습니다.

핵심

1. 문제 상황: "너무 길고 복잡한 뇌파의 바다"

치매는 전 세계 수천만 명이 겪는 무서운 질병입니다. 보통 MRI 나 PET 스캔 같은 고가의 장비를 써야 진단이 가능하지만, 이는 비싸고 이동이 어렵습니다. 반면, **뇌파 (EEG)**는 저렴하고 휴대가 쉬워 좋은 대안입니다.

하지만 뇌파 데이터는 매우 길고 복잡합니다.

• 비유: 뇌파 데이터를 분석하는 것은 마치 수백 개의 마이크가 동시에 울리는 거대한 콘서트장에서, 치매 환자의 특징적인 '노래'를 찾아내는 것과 같습니다. 기존 인공지능 (CNN, Transformer 등) 은 이 긴 소리를 들을 때 기억력이 부족하거나, 모든 마이크의 소리를 섞어서 들어버려 중요한 소리를 놓치곤 했습니다.

2. 해결책: "EEG-SSFormer (뇌파의 현명한 사서)"

연구팀은 **'Mamba'**라는 최신 인공지능 기술을 기반으로 한 새로운 모델인 **'EEG-SSFormer'**를 만들었습니다. 이 모델의 핵심 아이디어는 두 가지입니다.

① "각 마이크를 따로 들어라!" (채널 독립 학습)

기존 모델은 19 개의 뇌파 전극 (마이크) 에서 나오는 소리를 한꺼번에 섞어서 분석했습니다. 하지만 연구팀은 **"각 전극은 서로 다른 뇌의 활동을 기록하므로, 하나하나 따로 분석한 뒤 나중에 합치는 게 낫다"**고 생각했습니다.

• 비유: 오케스트라에서 바이올린, 트럼펫, 드럼 소리를 한꺼번에 섞어 듣는 대신, 각 악기 연주자의 연주를 따로 녹음해서 분석한 뒤, 지휘자가 최종적으로 합치는 방식입니다. 이렇게 하면 각 악기의 고유한 특징 (치매의 징후) 을 더 선명하게 들을 수 있습니다.

② "긴 이야기를 기억하라!" (Mamba 기술)

치매의 징후는 뇌파의 짧은 순간이 아니라, 오랜 시간에 걸쳐 나타나는 패턴에 숨어 있습니다. Mamba 는 긴 이야기를 읽을 때 앞부분을 잊어버리지 않는 탁월한 기억력을 가진 모델입니다.

• 비유: 기존 모델이 긴 소설을 읽다가 중간에 잊어버리는 '단기 기억력' 문제였다면, Mamba 는 책장 전체를 훑어보며 줄거리 (장기 패턴) 를 완벽하게 기억하는 '초인적인 독서력'을 가졌습니다.

3. 실험 결과: "작지만 강력한 챔피언"

연구팀은 치매 환자와 건강한 사람, 그리고 경미한 인지 장애 (MCI) 환자를 구분하는 실험을 했습니다. 데이터는 1,155 명의 환자를 대상으로 한 세계 최대 규모의 뇌파 데이터였습니다.

• 성공: 이 새로운 모델은 기존에 가장 잘하던 인공지능 (CNN) 들보다 더 높은 정확도를 보였습니다.
• 효율성: 놀라운 점은 성능은 좋으면서도 모델의 크기 (파라미터 수) 는 기존 모델의 4 분의 1 수준으로 매우 작다는 것입니다.
  • 비유: 거대한 트럭 (기존 모델) 이 아니라, 스마트하고 연비가 좋은 경차로 같은 목적지를 더 빠르게, 더 정확하게 도달한 것입니다.

4. 왜 중요한가요? (의미 있는 발견)

이 모델은 단순히 점수만 잘 내는 것이 아니라, 의학적으로 중요한 사실도 찾아냈습니다.

• 어떤 부분이 중요한가? 모델이 치매를 판단할 때 이마 (전두엽), 관자놀이 (측두엽), 뒤쪽 머리 (후두엽) 부분의 뇌파 신호에 가장 큰 비중을 두었습니다. 이는 실제 의학 논문에서 치매와 관련된 부위와 일치합니다.
• 어떤 소리가 중요한가? 세타 (Theta) 파라는 특정 주파수 대역의 소리가 치매 환자를 구별하는 데 가장 결정적이었습니다. 이는 치매 연구자들이 오랫동안 의심해 온 사실과도 맞닿아 있습니다.

5. 결론: "모두를 위한 치매 진단의 미래"

이 연구는 저렴하고 휴대 가능한 뇌파 기기로, 누구나 쉽게 치매를 조기에 발견할 수 있는 가능성을 보여줍니다.

• 비유: 이제 고가의 병원에 가지 않아도, **휴대용 뇌파 기기로 뇌의 소리를 듣고 치매의 신호를 잡아낼 수 있는 '스마트한 청진기'**가 개발된 것입니다. 이는 특히 의료 시설이 부족한 지역이나 노인들이 많은 곳에서 큰 희망이 될 것입니다.

한 줄 요약:

"기존의 거창하고 비싼 인공지능 대신, 작지만 똑똑하고 기억력이 좋은 새로운 AI를 만들어 뇌파를 분석함으로써, 치매를 더 쉽고 정확하게, 그리고 저렴하게 찾아낼 수 있게 되었습니다."

기술 요약

논문 요약: EEG-SSFormer (휴식 상태 뇌파를 통한 치매 감지를 위한 강건한 Mamba 기반 아키텍처)

1. 문제 제기 (Problem)

• 배경: 치매 (특히 알츠하이머병) 는 전 세계적으로 수천만 명에게 영향을 미치는 심각한 질환이며, 조기 진단 (경미한 인지 장애, MCI 단계) 이 치료와 중재에 필수적입니다.
• 기존 방법의 한계: MRI, PET, fMRI 등 기존 신경영상 기법은 비용이 많이 들고 침습적이며 휴대성이 떨어져 저소득 국가나 원격 지역에서의 접근성이 낮습니다.
• EEG 의 잠재성과 과제: 뇌파 (EEG) 는 저렴하고 비침습적이며 고시간 해상도를 가지지만, 휴식 상태 EEG(rs-EEG) 는 외부 자극에 대한 반응이 명확하지 않아 특징 추출이 어렵습니다.
• 딥러닝 모델의 한계:
  • 기존 CNN 은 장기 의존성 (long-range dependencies) 을 포착하는 데 한계가 있습니다.
  • Transformer 는 계산 복잡도가 입력 길이의 제곱에 비례하여 긴 EEG 시퀀스 처리에 비효율적이며, 대규모 데이터가 필요합니다.
  • RNN/LSTM 은 긴 시퀀스 학습 시 메모리 용량 부족과 병렬화 불가능 문제로 인해 훈련이 어렵습니다.
  • 또한, 기존 다변량 시계열 모델들은 모든 채널을 동시에 혼합하여 학습하는 경향이 있어, 각 전극 채널이 서로 다른 신경 과정을 포착한다는 EEG 의 특성을 제대로 반영하지 못할 수 있습니다.

2. 방법론 (Methodology)

저자들은 EEG-SSFormer라는 새로운 아키텍처를 제안하며, 이는 상태 공간 모델 (State Space Model, SSM) 인 Mamba를 기반으로 합니다.

• 핵심 아키텍처:

  • 채널 독립적 특징 학습 (Channel-Independent Feature Learning): 각 전극 채널을 별도의 단변량 시계열로 취급하여 특징을 추출한 후, 별도의 단계에서 채널 간 상호작용을 모델링합니다. 이는 채널 간 분포 이동 (distribution shift) 을 줄이고 각 채널의 고유한 패턴을 더 잘 포착합니다.
  • 패치화 (Patching): 1D 컨볼루션을 사용하여 시간 시퀀스를 패치 (segment) 로 나누고 고차원 특징 공간으로 투영합니다.
  • 역 LayerNorm (Inverted LayerNorm): 기존 LayerNorm 이 시간 스텝 내의 특징을 정규화하는 것과 달리, 시간 스텝을 가로질러 정규화하여 채널 간 노이즈 전파를 방지하고 비정상 신호에 강건하게 만듭니다.
  • 선택적 상태 공간 (Selective State Spaces, Mamba): Mamba 레이어를 사용하여 긴 시간 의존성을 효율적으로 모델링합니다. Mamba 는 입력에 따라 파라미터를 동적으로 조정하여 관련 없는 정보를 필터링하고 중요한 정보를 강조합니다.
  • 분해된 채널 및 특징 혼합 (Decoupled Mixing):
    • 공간 도메인 믹싱 (Spatial Mixing): 채널 간 상호작용을 포착하기 위해 역 병목 구조 (inverted bottleneck) 를 가진 포인트와이즈 컨볼루션을 사용합니다.
    • 스펙트럼 도메인 믹싱 (Spectral Mixing, Ablation): Fourier 변환을 기반으로 한 EinFFT 믹서와 비교 실험을 수행했습니다.
  • 입력 데이터: 나이 (Age) 정보를 특징 벡터에 추가하여 분류 성능을 향상시켰습니다.

• 데이터셋:

  • CAUEEG (Chung-Ang University EEG): 1,155 명의 피험자 (정상 대조군, MCI, 치매) 를 포함하는 대규모 공개 휴식 상태 EEG 데이터셋.
  • 평가 방식: 피험자 단위 (Subject-wise) 분할을 사용하여 데이터 누출 (data leakage) 을 방지하고 모델의 일반화 능력을 엄격하게 평가했습니다.

3. 주요 기여 (Key Contributions)

1. 새로운 Mamba 기반 아키텍처: 휴식 상태 EEG 신호의 장기 시퀀스 모델링을 위해 채널 독립적 접근법과 Mamba 를 결합한 최초의 모델 중 하나를 제안했습니다.
2. 대규모 벤치마킹: 치매 감지를 위한 가장 큰 공개 rs-EEG 데이터셋 (CAUEEG) 에서 Mamba 기반 아키텍처를 최초로 벤치마킹했습니다.
3. 효율성과 성능: 기존 CNN 기반 모델 (ResNet-18, VGG-19) 보다 약 4 배 적은 파라미터 수로 더 높은 분류 성능을 달성했습니다.
4. 해석 가능성 (Interpretability): 특징 가림 (Feature Occlusion) 기법을 통해 모델이 학습한 특징이 임상 문헌과 일치하는 생리학적 통찰 (특정 뇌 영역 및 주파수 대역의 중요성) 을 제공함을 입증했습니다.

4. 실험 결과 (Results)

• 분류 성능 (3 클래스: HC vs MCI vs Dementia):
  • 테스트 세트 정확도: 제안된 모델 (EEG-SSFormer-PW + Age) 은 **58.37%**의 정확도를 기록했습니다. (나이 정보 포함 시).
  • 비교: 기존 최강 CNN 모델인 1D-VGG-19 (54.01%) 와 1D-ResNet-18 (51.88%) 보다 성능이 우수했습니다.
  • MCI 분류: MCI 그룹은 다른 두 그룹보다 분류가 가장 어려웠으나, 제안된 모델이 상대적으로 가장 좋은 성능을 보였습니다.
• 아블레이션 연구 (Ablation Studies):
  • 공간 도메인 믹싱 vs 스펙트럼 도메인 믹싱: 공간 도메인 믹싱 (Point-wise Conv) 이 스펙트럼 도메인 믹싱 (EinFFT) 보다 검증 세트에서 약 5.28% 더 높은 성능을 보였습니다.
  • 역 LayerNorm: 기존 LayerNorm 대비 역 LayerNorm 사용 시 정확도가 2.48% 향상되었습니다.
  • 나이 정보: 나이 정보를 입력으로 추가했을 때 성능이 가장 크게 향상되었습니다.
• 파라미터 효율성: 제안된 모델은 약 380 만 개의 파라미터를 가지며, 1D-VGG-19 (2,020 만 개) 나 1D-ResNet-18 (1,130 만 개) 에 비해 훨씬 가볍습니다.

5. 해석 가능성 및 임상적 통찰 (Interpretability & Insights)

• 채널 중요도 (Channel Occlusion):
  • 정상 대조군 (HC): 전두엽, 좌측 측두엽, 중심 - 두정엽 영역이 중요했습니다.
  • MCI: 중심 - 두정엽, 우측 측두엽, 후두엽이 중요했으며, 나이 정보를 포함할 경우 두정엽 (inion) 의 중요도가 증가했습니다.
  • 치매: 주로 후두엽과 좌측 측두엽 영역이 중요하게 작용했습니다.
• 주파수 대역 분석:
  • Theta (4-8 Hz) 대역: 치매 감지에 가장 중요한 주파수 대역으로 확인되었습니다. Theta 대역을 제거할 때 치매 그룹의 정확도가 43% 급감했습니다. 이는 기존 문헌 (Theta 파워 증가가 알츠하이머의 지표) 과 일치합니다.
  • Delta (0.5-4 Hz) 대역: 정상 대조군 (HC) 분류에 중요했으나, 제거 시 치매 그룹의 정확도가 오히려 34% 상승했습니다. 이는 Delta 대역이 HC 와 MCI 구분에는 유용하지만, 치매 진단에서는 혼란을 줄 수 있는 신호일 가능성을 시사합니다.

6. 의의 및 결론 (Significance & Conclusion)

• 기술적 의의: Transformer 의 계산 비용 문제와 CNN 의 장기 의존성 한계를 해결하는 Mamba 기반 아키텍처가 EEG 분석에 효과적임을 입증했습니다. 특히 채널 독립적 모델링과 역 LayerNorm 기법이 장기 시계열 EEG 처리에 유효함을 보였습니다.
• 임상적 의의: 저비용, 휴대성, 비침습적인 EEG 를 기반으로 한 자동화된 치매 진단 도구 개발 가능성을 제시했습니다. 이는 의료 접근성이 낮은 지역이나 원격 진단에 큰 잠재력을 가집니다.
• 한계 및 향후 과제: 데이터셋 내 실험 프로토콜의 차이 (광자극 포함 여부) 와 치매의 다양한 원인 (혈관성, 파킨슨병 등) 이 모델 성능에 영향을 줄 수 있으므로, 향후 더 세분화된 데이터와 다중 원인 분석이 필요합니다.

이 논문은 EEG-SSFormer를 통해 치매 조기 진단을 위한 효율적이고 해석 가능한 새로운 딥러닝 패러다임을 제시하며, 임상적 적용 가능성을 크게 높였습니다.