EEG-based Schizophrenia Detection Using Spectral, Entropy, and Graph Connectivity Features with Machine Learning

본 연구는 스펙트럼, 엔트로피, 그래프 연결성 특징을 통합하여 머신러닝을 적용한 EEG 기반 조현병 탐지 프레임워크를 제안하고, 특히 무작위 숲 (Random Forest) 모델을 통해 높은 정확도를 입증했으나 제한된 표본 크기로 인해 향후 대규모 검증이 필요함을 강조합니다.

핵심

🧠 제목: 뇌의 '소리'를 들어 조현병을 찾아내는 AI

1. 왜 이 연구가 필요할까요? (문제 상황)

조현병은 사람의 생각, 감정, 행동을 뒤흔드는 무거운 병입니다. 하지만 현재는 의사가 환자를 만나 대화를 나누고 증상을 관찰해서 진단합니다. 마치 의사가 눈으로만 날씨를 보고 비가 올지 예측하는 것과 비슷해요.

• 문제점: 조현병의 증상과 우울증이나 양극성 장애의 증상이 너무 비슷해서, 의사가 헷갈리기 쉽습니다.
• 해결책: 뇌에서 나오는 미세한 전기 신호인 **'뇌파 (EEG)'**를 분석하면, 눈으로 보이는 증상보다 훨씬 정확하고 객관적인 진단이 가능할지도 모릅니다.

2. 연구팀은 무엇을 했나요? (세 가지 도구)

연구팀은 뇌파 신호를 분석할 때 세 가지 다른 '안경'을 끼고 보았습니다. 마치 음악을 분석할 때 다음과 같이 접근하는 것과 비슷해요.

1. 주파수 분석 (스펙트럼):

   • 비유: 라디오 주파수를 맞추는 것처럼, 뇌파가 **낮은 소리 (딥, 세타)**인지 **높은 소리 (알파, 베타, 감마)**인지 확인합니다.
   • 결과: 조현병 환자는 뇌에서 낮은 소리가 너무 크게 울리고, 높은 소리가 너무 작게 들리는 경향이 있었습니다. (마치 라디오가 잡음만 크게 내고 음악은 작게 나오는 상태)

2. 복잡도 분석 (엔트로피):

   • 비유: 뇌의 신호가 규칙적인 시계 소리처럼 단조로운지, 아니면 재미있는 재즈 음악처럼 복잡하고 예측하기 어려운지 확인합니다.
   • 새로운 시도: 이번 연구는 **멀티스케일 엔트로피 (MPE)**라는 새로운 방법을 처음 적용했습니다. 이는 단순히 한 번만 보는 게 아니라, 시간의 흐름에 따라 뇌 신호가 얼마나 '불규칙하게' 변하는지 여러 단계로 세밀하게 측정하는 기술입니다.
   • 결과: 조현병 환자의 뇌는 **너무 불규칙하고 예측 불가능한 '잡음'**이 많았습니다. 마치 재즈가 아니라, 통제되지 않은 소음처럼 들리는 거죠.

3. 연결성 분석 (그래프):

   • 비유: 뇌의 각 부위는 도시의 교통망처럼 서로 연결되어 있습니다. 이 연구는 **교통 체증 (연결성)**을 분석했습니다.
   • 결과: 건강한 뇌는 효율적인 고속도로처럼 정보가 빠르게 오가지만, 조현병 환자의 뇌는 도로가 막히고, 연결이 끊겨서 정보가 이동하는 데 훨씬 더 많은 시간과 에너지를 써야 했습니다. (전체적인 효율성이 떨어지고, 지역적인 연결도 약해짐)

3. AI 는 어떻게 작동했나요? (학습과 판별)

이 세 가지 데이터 (주파수, 복잡도, 연결성) 를 모두 모아 **AI (기계 학습)**에게 학습시켰습니다.

• 사용된 AI: 무작위 숲 (Random Forest), 신경망 (MLP), 지지 벡터 머신 (SVM) 등 세 가지 모델을 비교했습니다.
• 결과: **무작위 숲 (Random Forest)**이라는 AI 가 가장 훌륭했습니다.
  • 성적표: 100 점 만점에 99.7 점을 받았습니다! (100 명 중 99 명 이상을 정확히 맞췄다는 뜻)
  • 특징: 이 AI 는 환자를 처음 보는 사람이라도 (새로운 데이터를 줘도) 매우 정확하게 구분해냈습니다.

4. 어떤 부분이 가장 중요했나요? (핵심 발견)

AI 가 "이게 가장 중요해!"라고 지적한 부분은 **뇌파의 '연결성'**이었습니다. 특히 **세타 (Theta)**와 **알파 (Alpha)**라는 주파수 대역에서 뇌 부위 간의 연결이 약해졌을 때, 조현병을 가장 잘 찾아냈습니다.

5. 결론 및 한계 (지금까지의 이야기)

• 성공: 뇌파를 여러 각도에서 분석하고 AI 를 결합하면, 조현병을 매우 정확하게 찾아낼 수 있는 가능성이 열렸습니다.
• 한계: 하지만 아직은 실험실 단계입니다.
  • 연구에 참여한 사람이 28 명뿐이라서 (환자 14 명, 건강한 사람 14 명), 더 많은 사람을 대상으로 검증해야 합니다.
  • 아직은 의사의 진단을 대체할 수 없고, 의사를 도와주는 '도움말' 정도로 생각해야 합니다.

🌟 한 줄 요약

"조현병 환자의 뇌는 마치 연결이 끊기고 잡음이 많은 라디오처럼 작동합니다. 이 연구를 통해 AI 가 이 '라디오 소리'를 분석해 병을 찾아내는 데 99% 이상의 성공률을 보였으며, 앞으로 더 많은 데이터를 통해 실제 병원에서 쓰일 수 있는 '뇌파 진단기'가 될 것으로 기대됩니다."

기술 요약

논문 요약: 머신러닝을 활용한 EEG 기반의 정신분열증 (조현병) 탐지

1. 연구 배경 및 문제 제기 (Problem)

• 진단의 어려움: 정신분열증 (Schizophrenia, SZ) 은 사고, 지각, 일상 생활 관리에 심각한 변화를 일으키는 질환으로, 현재 진단은 주로 임상 인터뷰와 DSM-5/ICD-10 기준에 의존합니다. 이는 주관적이며, 양극성 장애나 주요 우울증과의 증상 중복으로 인해 오진이나 지연 진단이 빈번하게 발생합니다.
• 생물학적 마커의 부재: 신뢰할 수 있는 객관적인 생물학적 마커 (Biomarker) 가 부족하여 환자 군집의 이질성이 높습니다.
• EEG 의 잠재력과 한계: 뇌파 (EEG) 는 비침습적이고 비용 효율적이며 높은 시간 해상도를 제공하지만, 단일 특징 (Feature) 만으로는 신뢰할 수 있는 진단이 어렵습니다. 따라서 뇌 역학의 다양한 측면을 통합한 접근법이 필요합니다.

2. 연구 방법론 (Methodology)

이 연구는 14 명의 정신분열증 환자 (SZ) 와 14 명의 건강한 대조군 (HC) 으로 구성된 EEG 데이터 (N=28) 를 분석했습니다. 제안된 프레임워크는 스펙트럼, 엔트로피, 연결성의 세 가지 도메인을 통합하여 특징을 추출하고 머신러닝으로 분류하는 다단계 파이프라인을 사용합니다.

• 데이터 전처리:

  • 19 개 전극 (10-20 시스템) 으로 기록된 안감 (Resting-state, 눈 감음) 데이터를 1~45 Hz 대역통과 필터링 및 평균 리레퍼싱 수행.
  • 2 초 윈도우 (50% 오버랩) 로 분할하고, ICA 를 이용한 눈/심장 아티팩트 제거 및 진폭 임계값 기반 노이즈 제거 수행.

• 특징 추출 (Feature Extraction):

  1. 스펙트럼 파워 (Spectral Power): 델타 (δ), 세타 (θ), 알파 (α), 베타 (β), 감마 (γ) 대역의 평균 파워를 Welch 법으로 계산.
  2. 다중 스케일 순열 엔트로피 (Multiscale Permutation Entropy, MPE):
     • 혁신성: 정신분열증 EEG 분석에 MPE 를 적용한 최초 연구 중 하나.
     • 시간 계열의 복잡성을 6 개의 스케일 (Scale) 에서 정량화하여 신호의 불규칙성과 예측 불가능성을 측정.
  3. 기능적 연결성 및 그래프 지표 (Functional Connectivity & Graph Measures):
     • wPLI (Weighted Phase Lag Index): 볼륨 전도 (Volume Conduction) 효과를 줄인 위상 지연 지수를 사용하여 θ, α, β 대역의 연결성 행렬 생성.
     • 그래프 이론 지표: 생성된 네트워크에서 전역 효율성 (Global Efficiency), 클러스터링 계수 (Clustering Coefficient), 특성 경로 길이 (Characteristic Path Length), 평균 강도 (Mean Strength) 를 추출.

• 분류 모델 및 검증:

  • 모델: 랜덤 포레스트 (Random Forest, RF), 다층 퍼셉트론 (MLP), 서포트 벡터 머신 (SVM) 비교.
  • 검증 방식:
    1. Stratified 5-fold Cross-Validation: 클래스 비율을 유지하며 subject 단위로 분할.
    2. Leave-One-Subject-Out (LOSO): 한 명의 피험자를 테스트 세트로 제외하고 나머지로 학습 (실제 임상 적용성을 고려한 엄격한 검증).

3. 주요 기여 (Key Contributions)

1. 통합적 다중 도메인 프레임워크: 기존 연구들이 단일 특징 (스펙트럼 또는 연결성 등) 에만 집중했던 한계를 극복하고, 스펙트럼, 복잡성 (엔트로피), 연결성 (그래프) 특징을 통합한 최초의 EEG 기반 정신분열증 분류 체계 제시.
2. MPE 의 EEG 적용: 기존 MEG 연구에서 주로 사용되던 MPE 를 EEG 데이터에 처음 적용하여, EEG 가 임상적으로 더 접근하기 쉬운 도구임을 입증.
3. 해석 가능한 특징 중요도 분석: 분류 정확도뿐만 아니라 Random Forest 를 통해 어떤 신경 서명 (Theta 대역 연결성 등) 이 분류에 가장 기여하는지 해석 가능한 인사이트 제공.
4. 엄격한 검증 프로토콜: 단순 교차검증뿐만 아니라 LOSO 방식을 통해 모델의 일반화 능력을 임상적으로 현실적인 수준에서 평가.

4. 연구 결과 (Results)

• 분류 성능:
  • Random Forest (RF) 가 가장 우수한 성능을 보임.
  • Stratified 5-fold CV: 정확도 99.7%, AUC 1.000.
  • LOSO: 정확도 99.6%, AUC 1.000.
  • MLP 와 SVM 도 높은 성능 (98% 이상) 을 보였으나, RF 가 가장 안정적이고 일반화 능력이 뛰어남.
• 생리학적 발견:
  • 엔트로피 (MPE): 환자군이 건강한 대조군보다 모든 스케일에서 유의미하게 높은 엔트로피 값을 보임 (특히 전두엽 및 측두엽). 이는 뇌 활동의 불안정성과 비정형적인 복잡성을 시사.
  • 스펙트럼 파워: 환자군은 저주파 (δ, θ) 파워가 증가하고 고주파 (α, β, γ) 파워가 감소하는 경향을 보임.
  • 연결성 및 네트워크: 환자군은 전역 효율성 감소, 클러스터링 계수 감소, 경로 길이 증가를 보임. 이는 뇌 네트워크가 최적화된 '작은 세상 (Small-world)' 구조에서 무작위적이고 비효율적인 구조로 변형되었음을 의미. 특히 θ와 α 대역의 기능적 연결성 저하가 두드러짐.
• 주요 특징: 분류에 가장 큰 기여를 한 특징은 θ와 α 대역의 연결성과 다중 스케일 엔트로피였음.

5. 의의 및 한계 (Significance & Limitations)

• 의의:
  • EEG 기반의 통합적 특징 추출과 머신러닝을 결합하여 정신분열증의 객관적이고 자동화된 진단 도구 개발 가능성을 입증.
  • 뇌 네트워크의 효율성 저하와 복잡성 증가가 정신분열증의 핵심 병리 기전임을 재확인.
  • 임상적 보조 도구로서 의사결정을 지원할 수 있는 잠재력 제시.
• 한계 및 향후 과제:
  • 샘플 크기: 총 28 명 (SZ 14, HC 14) 으로 소규모이며, 단일 기관 (이란) 데이터만 사용됨.
  • 임상 적용 전 단계: 현재 결과는 예비적 (Preliminary) 이며, 대규모 다기관 데이터셋을 통한 검증과 다양한 정신과 질환 (양극성 장애 등) 과의 구별 연구가 필요.
  • 향후 작업: 더 큰 데이터셋 확보, 과제 기반 (Task-based) EEG 분석, 시계열 추적 연구 등을 통해 임상 실용성 확보 예정.

결론적으로, 본 연구는 EEG 신호의 스펙트럼, 복잡성, 연결성 특징을 통합하여 Random Forest 모델을 통해 정신분열증을 99.6% 이상의 정확도로 탐지할 수 있음을 보여주었으며, 이는 뇌 역학의 다차원적 분석이 정신질환 진단에 중요한 통찰을 제공할 수 있음을 시사합니다.