Classification of meditative phases through EEG analysis

기술 요약: EEG 분석을 통한 명상 단계의 분류

문제 정의
명상은 심리적 이점으로 널리 알려져 있으나, 서로 다른 명상 단계에 대한 객적이고 피험자 독립적인 마커를 제공하는 것은 여전히 큰 과제로 남아 있다. EEG는 마음 방황(mind-wandering)을 탐지하거나 광범위한 상태를 구분하는 데 사용되어 왔지만, 밀접하게 연관된 수행 단계—구체적으로 집중(Concentrative, C), 자애(Loving-Kindness, LK), 공(Emptiness, E)—를 판별하는 것은 어렵다. 기존의 접근 방식은 모델이 한 집단의 데이터로 학습되었을 때 새로운 피험자의 데이터를 분류하지 못하는 교차 피험자 일반화(cross-subject generalization) 문제에서 어려움을 겪는 경우가 많다. 또한, 성능이 높은 딥러닝 모델들은 종종 해석 가능성이 부족하여 수행자에게 실행 가능한 피드백 규칙을 도출하기 어렵게 만든다. 본 연구는 예측 성능과 완전한 해석 가능성 사이의 균선(balance)을 맞춘 피험자 독립적 분류 프레임워크의 필요성을 다룬다.

연구 방법론
본 연구는 인도 세라 제이 수도원(Sera Jey Monastery) 출신의 35명 피험자(아티팩트 제거 후 30명 성공적으로 처리) 데이터셋을 활용하였다. 각 참가자는 고정된 순서로 진행되는 세 가지 15분간의 명상 블록(C, LK, E) 프로토콜을 수행하였으며, 19채널 EEG 시스템(10-20 표준 규격, 512 Hz를 100 Hz로 다운샘플링)을 통해 기록되었다.

1. 데이터 표현 및 전처리:
짧은 시간 창(time window)을 독립적인 샘플로 취급하는 전통적인 방식과 달리, 저자들은 **시공간적 표현(temporal-spatial representation)**을 제안하였다:

• 특징 추출(Feature Extraction): 15분간의 기록으로부터 1분 해상도로 특징을 추출하였다. 특징 세트는 다음을 포함한 601개의 특징으로 구성된다:
  • 16개의 전역 특징(스펙트럼 엔트로피, 대역 전력, 코히어런스, 위상 지연 지수).
  • 45개의 국소 관심 영역(ROI) 특징(영역/대역별 전력).
  • 540개의 지역 간 연결성 특징(36개 영역 쌍과 5개 주파수 대역에 걸친 실수 코히어런스, 허수 코히어런스, 위상 지연 지수).
• **시간 미분 인코딩(Temporal Derivative Encoding): 느린 역동성을 포착하기 위해, 각 특징의 15개 시점 시계열을 1차 미분으로 변환하였다. 이러한 미분값은 "감소"(< -1 SD), "안정"(-1 ~ 1 SD), "증가">(> 1 SD)라는 세 가지 범주형 추세로 이산화되었다.
• 인코딩: 범주형 추세는 역 원-핫(inverse one-hot, zero-hot) 스킴을 사용하여 고정 길이의 이진 벡터로 변환되었으며, 결과적으로 원래 특징당 42차원의 이진 벡터(14개 타임 스텝 × 3개 카테고리)가 생성되었다. 최종 입력 차원은 25,242개 특징(601개 특징 × 42)이다.

2. 분류 프로토콜:

• 검증: 피험자 독립적 일반화를 보장하기 위해 Leave-One-Subject-Out (LOSO) 프로토콜을 주요 평가 방식으로 사용하였다. 결과는 서로 다른 무작위 시드를 사용하여 10회 반복 수행 후 평균을 냈다.
• 모델:
  • 의사결정나무 (Decision Trees, DT): 과적합을 방지하고 인간이 읽을 수 있는 규칙을 보장하기 위해 최대 깊이를 4로 제한하여 학습되었다. 분할은 지니 지수(Gini Index)를 기준으로 하였다.
  • 랜덤 포레스트 (Random Forest, RF): 단일 DT와 성능을 비교하기 위해 동일한 깊이 제한을 가진 2000개의 트리를 가진 앙상블 모델을 사용하였다.
  • 베이스라인: 본 연구는 커스텀 시간/스펙트럼 특징을 포함한 신경망(NN) 및 의사결정나무, 확립된 딥러닝 아키텍처(EEGNet, Deep4Net, ShallowFBCSPNet), 그리고 파운데이션 모델(LaBraM)을 포함한 표준 베이스라인과 비교하였다.

주요 기여

1. 시공간적 EEG 표현: 시간 창을 독립적인 것으로 취급하는 대신, 분 단위의 특징 궤적과 그 미분 추세를 범주형 패턴으로 인코딩하여 시간적 구조를 보존하는 새로운 파이프라인을 제안하였다.
2. 설계 단계부터 고려된 설명 가능성(Explainable-by-Design) 파이프라인: 엄격한 피험자 분리 검증 하에서 해석 가능한 결정 규칙을 생성하도록 설계된 지니 지수 기반 의사결정나무 프레임워크를 구현하였다.
3. 변별적 신호 식별: 저주파 지역 간 연결성, 특히 명상 초기 단계(4~5분 차이) 동안 중전방(mid-anterior, MA)과 좌측 중앙(left-central, LC) 영역 사이의 델타 대역 코히어런스가 피험자 간에 가장 안정적인 변별 신호 역할을 한다는 경험적 증거를 제시하였다.

결과

• 베이스라인 성능: 표준 베이스라인(딥러닝, 커스텀 특징, 파운데이션 모델)은 층화 5-겹 교차 검증(5FCV) 하에서는 높은 정확도(58–88%)를 보였으나, 피험자 그룹화 검증(G5FCV) 하에서는 거의 무작위 수준(29–35%)으로 저하되어 교차 피험자 일반화의 어려움을 확인시켜 주었다.
• 의사결정나무 성능: 제안된 DT 방식은 LOSO 하에서 44.67%(±1.6)의 평균 정확도와 **43.8%**의 매크로-F1 점수를 달랐다. 이는 세 클래스에 대한 무작위 확률인 33.33%를 유의미하게 상회하는 수치이다.
• 랜덤 포레스트 성능: RF 모델은 코히어런스 기반 특징만을 사용했을 때 52.44%(±1.4)의 더 높은 평균 정확도와 **51.57%**의 매크로-F1을 달려냈다.
• 특징 중요도: 의사결정나무와 RF 불순도 점수 분석 결과, 국소 코히어런스 특징이 가장 정보력이 높은 것으로 일관되게 나타났다. 가장 빈번하게 루트 노드 특징으로 등장한 것은 t3 시점(4분과 5분 사이의 전환기)에서의 MA와 LC 영역 간 델타 대역 코히어런스였다.
• 피험자 간 변동성: 일부 피험자는 천장 효과에 가까운 정확도(최대 100%)로 분류된 반면, 다른 피험자들은 무작위 수준에 머물러 있어, 코히어런스 역동성이 특정 개인에게는 매우 유익하지만 보편적으로 균일하지는 않음을 시사했다.

의의 및 주장
본 논문은 시간적으로 구조화된 연결성 패턴이 밀접하게 연관된 명상 단계의 재현 가능한 피험자 간 시그니처를 인코딩한다고 주장한다. 저자들은 딥러닝 모델이 높은 예측력을 제공하지만, 메커니즘적 통찰이 필요한 피드백 도구로서의 기능은 부족하다고 주장한다. 반면, 제안된 단순하고 설명 가능한 모델은 피험자 독립적 피드백 시스템을 위한 원칙적인 토대를 제공한다.

본 연구는 초기 단계의 델타 코히어런스가 단순히 존재 여부를 나타내는 표지가 아니라, 서로 다른 개인 간에도 구별되는 명상 상태를 분리할 수 있는 변별적 특징임을 강조한다. 저자들은 자신의 접근 방식이 시간적 추세를 우선시하는 표현을 사용할 때, 교차 피험자 명상 디코딩이 무작위 확률보다 높으면서도 해석 가능하다는 것을 성공적으로 입증했다고 결론짓는다.

한론(Limitations)
저자들은 상대적으로 작은 표본 크기(35명)와 명상 단계의 고정된 순서가 '수행 시간' 또는 '피로도' 효과와 혼재될 수 있다는 점을 한계로 인정하였다. 이들은 고정된 순서가 연구된 티베트 수행의 생태적 무결성을 보존하기 위한 방법론적 필수 사항이었음을 밝혔다. 향-후 연구로는 더 큰 코호트 확장 및 하이브리드 모델링 전략 탐색을 제안하였다.