공간 마스킹 회귀(Spatially Masked Regression)는 전기생리학적 기록에서 국소적 및 분산형 예측 가능성을 규명합니다
Spatially Masked Regression Reveals Local and Distributed Predictability in Electrophysiological Recordings
한국어 초록
신경 기록은 종종 국소적 측정으로 해석되지만, 임의의 센서에서의 신호는 더 광범위한 네트워크에 걸쳐 분산된 구조화된 활동을 반영할 수도 있습니다. 이는 기본적인 질문을 제기합니다: 전극의 신호는 기저 시스템에서 국소적 정보 대비 분산된 정보를 어느 정도 반영하는가? 더 구체적으로, 전극의 활동 중 얼마나 많은 부분이 즉각적인 이웃에 의해 전달되며, 얼마나 많은 부분이 배열 전반에 더 넓게 내재되어 있는가? 우리는 이를 공간 마스킹 회귀(Spatially Masked Regression, SMR) 프레임워크를 통해 해결합니다. 이 프레임워크는 타겟 주변의 구성 가능한 이웃 영역을 제외하면서 나머지 전극에서 각 전극의 시계열(timeseries)을 재구성합니다. 이 마스크를 점진적으로 증가시킴으로써, 공간적 국소성은 인접 채널이 제외된 후 얼마나 많은 예측 정보가 남아있는지 정량화하기 위한 실험적 통제 변수가 됩니다. 우리는 이질적인 전극 커버리지를 가진 두개내 EEG(intracranial EEG, iEEG)와 감각운동 피질(sensorimotor cortex) 위에 표준화된 몽타주(montages)를 가진 두피 EEG(scalp EEG)에 SMR을 적용했습니다. 원본 신호와 재구성된 신호 사이의 거리 상관관계(distance correlation)를 사용하여, 우리는 두 양상(modality) 모두에서 강력한 피험자 내 재구성을 발견했고, 국소적 이웃이 제외되더라도 상당한 잔여 예측 가능성이 있음을 확인했으며, EEG가 iEEG보다 피험자 간 전이(cross-subject transfer)가 현저히 더 강함을 발견했습니다. 마스킹 결과, 인접 전극이 재구성에 강력하게 기여하지만 전체를 설명하지는 못함을 보여주며, 이는 개별 채널이 국소적 중복성과 더 광범위한 분산형 구조를 모두 반영함을 나타냅니다. 위상 구조나 시간적 순서를 교란시키면서 선택된 주변(marginal) 또는 스펙트럼 속성을 보존하는 대리 데이터(surrogates)는 성능을 현저히 저하시키며, 이는 SMR이 주변 통계(marginal statistics)만이 아닌 구조화된 시간적 및 채널 간 조직에 의존한다는 결론을 뒷받침합니다. 이러한 결과는 SMR을 기록에서 국소적 정보와 분산된 정보 사이의 균형을 정량화하기 위한 해석 가능한 프레임워크로 자리매김합니다.
원문 초록
Neural recordings are often interpreted as local measurements, yet the signal at any one sensor can also reflect structured activity distributed across the broader network. This raises a basic question: to what extent does an electrode's signal reflect local versus distributed information in the underlying system? More specifically, how much of an electrode's activity is carried by its immediate neighborhood, and how much is embedded more broadly across the array? We address this with a Spatially Masked Regression (SMR) framework that reconstructs each electrode's timeseries from the remaining electrodes while excluding a configurable neighborhood around the target. By progressively increasing this mask, spatial locality becomes an experimental control for quantifying how much predictive information survives after nearby channels are withheld. We apply SMR to intracranial EEG with heterogeneous electrode coverage and to scalp EEG with standardized montages over sensorimotor cortex. Using distance correlation between original and reconstructed signals, we find strong within-subject reconstruction in both modalities, substantial residual predictability even when local neighbors are excluded, and markedly stronger cross-subject transfer in EEG than in iEEG. Masking shows that nearby electrodes contribute strongly to reconstruction but do not account for all of it, indicating that individual channels reflect both local redundancy and broader distributed structure. Surrogates that preserve selected marginal or spectral properties while disrupting phase structure or temporal ordering substantially reduce performance, supporting the conclusion that SMR depends on structured temporal and cross-channel organization rather than on marginal statistics alone. These results position SMR as an interpretable framework for quantifying the balance between local and distributed information in recordings.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.11415v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
Brain-Token Learning: 장기 EEG 시퀀스 모델링을 위한 미세상태 기반 토큰화 및 다중 스케일 상호작용
Brain-Token Learning: Microstate-Based Tokenization and Multi-Scale Interaction for Long-Horizon EEG Sequence Modeling
뇌전도(EEG)는 동적인 뇌 활동을 파악할 수 있는 비침습적 창을 제공하지만, 장기(long-horizon) EEG 시퀀스를 모델링하는 것은 높은 시간적 복잡도, 피험자 간의 상당한 변동성, 생물학적으로 유의미한 시퀀스 표현의 부재로 인해 여전히 어려운 과제로 남아 있습니다. 고정 윈도우 및 패치 기반 표현과 같은 기존의 토큰화(tokenization) 전략은 인위적인 시간적 경계에 따라 EEG 신호를 이산화하므로, 본질적인 뇌 상태 역학을 훼손할 수 있습니다. 본 연구에서는 장기 EEG 시퀀스 모델링을 위해 뇌 토큰화(Brain Tokenization)를 도입한 신경과학 기반 프레임워크인 Brain-Token Learning을 제안합니다. Brain Tokenization은 EEG 신호를 사전 정의된 시간 세그먼트로 분할하는 대신, 반복되는 미세상태(microstate)에서 파생된 뇌 토큰(token)의 시퀀스로 표현하며, 각 토큰은 가변적인 시간적 지속 기간을 갖는 준안정적(quasi-stable) 대규모 뇌 상태에 대응합니다. 이러한 생물학적 근거를 둔 토큰을 기반으로, 저자들은 전역적 뇌 상태 문맥과 국소적 미세상태 전이를 공동으로 포착하기 위해 잠재 상태 집약(Latent State Aggregation) 및 상태 전이 모델링(State Transition Modeling)으로 구성된 다중 스케일 토큰 상호작용 모듈을 추가로 개발합니다. 저자들은 새로 수집된 장기 NeuroLong 데이터셋(dataset)과 4개의 정서적 또는 임상적 EEG 데이터셋(SEED, DEAP, MDD, NSSI)을 포함한 5개의 이종 EEG 데이터셋에서 Brain-Token을 평가(evaluation)합니다. 광범위한 실험을 통해 Brain-Token이 다양한 EEG 시나리오 전반에서 기존의 CNN/LSTM 아키텍처, 트랜스포머(Transformer) 기반 모델, 도메인 적응 기법들을 일관되게 능가함을 입증합니다. 추가 분석을 통해 강건하고 해석 가능한 EEG 표현을 학습(training)하는 데 있어 미세상태 기반 토큰화 및 다중 스케일 상호작용의 효과를 검증합니다. 이러한 결과는 Brain-Token이 장기 EEG 시퀀스 모델링을 위한 생물학적 근거를 갖춘 토큰화 패러다임임을 확립합니다.
신경 보조 운동 제어를 위한 이벤트 기반 신경 디코딩
Event-based Neural Decoding for Neuroprosthetic Motor Control
상당수의 환자들이 장애, 질병, 또는 사고로 인해 이동성 저하를 경험한다. 심층 신경망을 기반으로 하는 현대의 보철 장치는 이러한 환자들의 삶의 질을 크게 향상시킬 잠재력을 지니고 있으나, 높은 지연 시간, 에너지 소비, 그리고 공간적 요구사항으로 인해 광범위한 보급이 저해되고 있다. 외부 고성능 프로세서와의 유선 연결은 환자의 이동성을 제한하는 반면, 무선 연결은 해당 프로세서로 전송할 수 있는 정보의 양을 제한한다. 스파이킹 신경망(spiking neural network)은 압축 통신과 저전력 추론의 가능성을 제공하지만, 다양한 응용 분야에서 최신 심층 학습 모델에 비해 성능이 뒤처지는 경우가 많다. 본 연구에서는 과제 성능과 효율성을 효과적으로 균형 있게 조율하는 고성능 신경 디코딩 방법을 제안한다. 이벤트 기반 게이트 순환 유닛(gated recurrent unit)은 그레이디드 스파이크(graded spike)를 활용한 희소(sparse) 통신 패턴을 생성하며, 과제 성능 면에서 기존 스파이킹 신경망을 능가한다. 효율적인 학습 방법과 희소 추론을 활용한 본 모델은 온디바이스(on-device) 신경 디코딩을 위한 새로운 가능성을 제시한다.
PHINN-EEG: 꿈 상태 뇌전도의 위상적 시계열 분석 -- 꿈 내용 분류를 위한 동적 Betti 곡선과 위상 조건부 신경 신호 합성
PHINN-EEG: Topological Time-Series Analysis of Dream-State EEG -- Dynamic Betti Curves for Dream Content Classification and Topology-Conditioned Neural Signal Synthesis
현재 뇌전도(EEG) 기반 꿈 탐지는 전력 스펙트럼 밀도(PSD)와 통계적 모멘트 특징에 의존하며, DREAM 데이터베이스에서 수신자 조작 특성 곡선 아래 면적(AUC) 약 0.70의 최신 성능을 달성하고 있다(Wong et al., 2025, Nature Communications). 우리는 꿈 내용 분석을 위한 최초의 위상적 시계열 프레임워크인 PHINN-EEG(Persistent Homology Inspired Neural Network for EEG)를 소개한다. 다채널 각성 전 EEG 에포크에 슬라이딩 윈도우 Takens 지연 임베딩과 Vietoris-Rips 필트레이션을 적용하여, 신경 활동의 에너지만이 아닌 기하학적 구조를 특성화하는 동적 Betti 곡선을 추출한다. 이러한 위상적 불변량은 위상 조건부 플로우 매칭과 결합되어, DREAM 데이터베이스의 공개 접근 부분 집합(20개 독립 실험실의 263명 참가자로부터 총 3,191건의 각성 사례를 포함한 전체 레지스트리에서 추출한 1,462건의 각성 사례)에서 기존 PSD 및 catch22 기준선을 능가하여 AUC = 0.82–0.90을 달성할 것으로 분석적으로 예측된다. 또한 꿈 상태 EEG 합성을 위한 위상 조건부 정류 플로우 모델을 소개하며—위상적 조건부의 가치를 독립적으로 분리하기 위한 추가 절제 기준선으로서 유사한 특징 차원의 스펙트럼 조건부 플로우 모델도 제시한다—현상학적 꿈 보고 범주와 위상을 연결하는 후보 Betti 전이 원형 집합을 제안하며, 이는 경험적 검증이 필요한 탐색적 가설 공간으로 제시된다. 검증될 경우, 이 연구는 신경 희귀 이벤트 탐지에서 스펙트럼 에너지로부터 위상 공간 기하학으로의 패러다임 전환을 의미하며, 웨어러블 뇌-컴퓨터 인터페이스(BCI) 꿈 모니터링에 대한 잠재적인 미래 시사점을 가진다.
소규모 EEG 데이터셋을 위한 제약된 CNN과 Mamba를 활용한 경량 ML 기반 자동 수면 단계 분류 프레임워크
Lightweight ML-Based Automatic Sleep Staging Framework with Constrained CNN and Mamba for Small-Sample EEG Datasets
자동 수면 단계 분류는 수면 장애의 정밀 진단 및 치료와 장기적인 가정 수면 모니터링을 위한 핵심 기술입니다. 휴대용 뇌전도(EEG) 장치는 데이터 수집의 편의성으로 인해 연구의 주요 초점이 되었습니다. 그러나 현재 방법들은 여전히 세 가지 주요 과제에 직면해 있습니다: 소규모 데이터셋에서 과적합(overfitting)을 쉽게 유발하는 대규모 매개변수 크기, N1 및 REM과 같은 어려운 단계 분류에서의 낮은 정확도, 불명확한 최적 학습 데이터셋 크기, 그리고 배포의 어려움. 본 논문은 단일 채널 EEG를 위한 경량 저지연 자동 수면 단계 분류 프레임워크인 GamSleepNet을 제안합니다. 이 프레임워크는 특징 추출을 위해 개선된 가버 커널(Gabor kernels)과 학습 가능한 필터를 결합한 FEB 모듈을 특징으로 하며, Mamba 아키텍처를 사용하여 시계열 분류 네트워크를 구축하고, 새로운 대조 손실(contrastive loss)과 2단계 학습 전략을 도입하며, 단일 채널 EEG 수면 단계 분류 모델의 최적 데이터셋 크기를 실험적으로 검증합니다. Sleepedf 데이터셋에서 이 모델은 단 30,860개의 매개변수만으로 전체 정확도 87.86%를 달성하며, 모든 지표에서 SOTA 수준에 도달하고 어려운 수면 단계의 식별 정확도를 크게 향상시킵니다.
EEG-SpikeAgent: 자동화된 EEG 스파이크 검출을 위한 에이전틱 폐루프 프로그램 합성
EEG-SpikeAgent: Agentic Closed-Loop Program Synthesis for Automated EEG Spike Detection
두피 뇌전도(EEG)에서 발작간 뇌전증양 방전의 자동 검출은 임상적으로 중요하지만, 최근의 고성능 딥러닝 모델들은 정확도를 위해 해석 가능성을 희생하는 경우가 많다. 우리는 EEG-SpikeAgent를 소개한다. 이는 대규모 언어 모델(LLM) 에이전트 시스템을 활용하여 두피 EEG에서 스파이크 검출을 위한 신호 처리 특징을 생성하는 폐루프 프로그램 합성 프레임워크이다. 이 시스템은 반복적으로 한 번에 하나의 결정론적 EEG 특징 모듈을 제안하고, 생성된 코드를 EEG에서 실행하여 표 형식의 특징을 생성하며, 표 형식 분류기를 통해 성능을 평가하고, 실행 수준 메트릭을 요약한 후, 정교화를 위해 구조화된 진단 결과를 모델에 피드백한다. 반복 과정에서 EEG-SpikeAgent는 모델 성능에 기반한 후보 신호 특징과 결정 규칙을 제안하고 정교화한다. 우리는 EEG-SpikeAgent를 VEPISET에서 평가하였다. 이는 2,516개의 방전 포함 에포크와 22,933개의 비방전 에포크로 구성된 4초 에포크의 공개 29채널 데이터셋이다. 그래디언트 부스팅 트리 분류기를 사용한 5겹 교차 검증에서, 에이전트가 생성한 특징은 기본 운용 지점 기준으로 수신자 조작 특성 곡선 아래 면적 0.935, 균형 정확도 0.699, F1 점수 0.557, 민감도 0.401, 특이도 0.996을 달성하였다. 민감도 0.80의 운용 지점에서 평균 정밀도는 0.470, 평균 특이도는 0.900이었다. 아티팩트 인식 특징 생성은 스파이크만을 대상으로 한 특징 탐색에 비해 균형 정확도와 F1 점수를 향상시켰다. 이러한 결과는 LLM 기반 프로그램 합성이 임상 및 방법론적 검토를 위해 감사 가능하고 검사 가능한 코드 기반 방식으로 EEG 특징 공학을 자동화할 수 있음을 시사한다.
I\textsuperscript{2}RiMA: Spectral Riemannian Representation with Temporal Attention for Mental Stress Detection based on EEG Signals
토론
이 논문과 연결된 포럼 글이 아직 없습니다.