Brain-State-Dependent Biomarker Discovery from Multi-Condition EEG: A Structured Signal Framework for Schizophrenia with Interpretable Graph Neural Analysis

Motivation

• Known: EEG 기반 정신질환 분류기들은 대부분 단일 조건(주로 resting-state)에서 뇌 상태가 고정되어 있다고 가정하며, resting-state 기록이 task 조건에서 발현되는 frontal, occipital 영역의 discriminative dynamics를 억제한다는 선행 근거가 존재한다.
• Gap: 기존 연구들은 single-condition paradigm을 전제로 state-invariant biomarker를 가정해왔으며, 어떤 뇌 영역이 어떤 인지 상태에서 신뢰할 수 있는 바이오마커 신호를 유발하는지, 그리고 이 기여도가 상태에 따라 어떻게 반전되는지에 대한 구조적 분석이 부재했다.
• Why: 동일한 뇌 영역이 한 상태에서는 informative하고 다른 상태에서는 suppressive하게 작용한다는 발견은 기존 EEG 바이오마커 재현 실패(replication failure)가 방법론적 노이즈가 아니라 condition-sampling confound에서 기인함을 설명하며, 임상적으로 실행 가능한 최적 기록 프로토콜 설계에 직접적 함의를 가진다.
• Approach: epoch-wise dynamic ROI-level PLV/coherence graph를 구성하고, 공간적 synchrony와 시간적 진화를 각각 포착하는 dual-stream GCN-Transformer로 6개 조건(EO1, EC1, Music, Subtraction, EO2, EC2)에서 schizophrenia 분류를 수행한 뒤, 각 ROI를 노드 특징과 topology에서 동시에 제거하는 structured intervention으로 상태 의존적 영역 중요도를 정량화했다.

Achievement

Figure 2. Spatial attention heatmaps (7 × 7) averaged across all attention heads and test subjects per condition. The hi

1. 조건별 분류 성능 차이 규명: Music perception 조건이 84.73±1.23%로 가장 높은 정확도와 가장 낮은 분산을 보여 resting-state 대비 4.36% 높고 분산은 2배 낮은 최적의 digital biomarker 획득 조건임을 입증했다.
2. 상태 의존적 ROI 중요도 발견: occipital 영역이 6개 조건 중 5개에서 지배적으로 중요하지만 Subtraction에서는 오히려 suppressive(+2.4%)하고, frontal 영역은 Music에서 suppressive하나 EC2와 Subtraction에서는 가장 중요한 영역(최대 ∆Acc −11.0%)으로 반전되는 이중적 패턴을 통계적으로(FDR-corrected Wilcoxon) 확인했다.
3. Cross-dataset 일반화 검증: Warsaw(92.00±2.45%)와 SU-SZ(89.00±2.62%) 데이터셋에서 LOSO 검증으로 모든 baseline 대비 최대 24%p 우수한 성능을 보였고, occipital 영역이 세 개의 독립 코호트 모두에서 가장 중요한 영역으로 나타나 acquisition-invariant biomarker substrate임을 확인했다.
4. 임상적으로 실행 가능한 프로토콜 제안: music-arithmetic 2조건 조합이 기록 부담을 최소화하면서 바이오마커 산출을 극대화하는 실용적 프로토콜로 제시되었다.

How

Figure 1. Proposed dual-stream graph transformer. Spatial stream processes instantaneous ROI connectivity; temporal stre

• 60채널 raw EEG를 0.5–50Hz bandpass filtering 후 8초 epoch(7초 stride)로 분할하고, 7개 해부학적 ROI(Frontal, Fronto-Central, Central, Central-Parietal, Parietal, Parieto-Occipital, Occipital)로 그룹화
• coherence와 PLV를 결합한 hybrid connectivity 지표 Cij로 epoch별 7×7 ROI-level Aspatial을 동적으로 구성하고, 이 행렬의 행을 노드 특징으로 재사용해 handcrafted feature 없이 topology와 feature를 통합
• 13개 연속 epoch을 잇는 tridiagonal Atemporal로 시간적 전개를 표현
• Spatial stream: 3층 GCN-Transformer fusion layer(GCN + masked multi-head attention)로 단일 epoch의 ROI graph 처리 후 global mean pooling
• Temporal stream: 2층 MLP embedding + 2층 GCN-Transformer로 13-epoch 시퀀스의 중심 epoch 표현 추출
• 두 stream을 late fusion(GELU+Dropout)한 후 MLP+Softmax로 분류(Adam, lr=1e-4, 100 epochs)
• 각 ROI를 node feature와 adjacency에서 동시에 제거하는 intervention으로 ∆Acc를 측정해 지역별 상태 의존적 기여도(양/음 방향)를 정량화하고 Wilcoxon signed-rank test + FDR correction으로 통계적 유의성 확인

Originality

• Multi-condition EEG를 단일 상태가 아닌 '뇌 상태 의존적' structured signal로 명시적으로 정식화하고, 이를 정량화하는 structured graph intervention 프로토콜을 제안한 점이 독창적이다.
• Node feature와 adjacency topology를 동일한 connectivity matrix로부터 유도해 handcrafted feature 없이 통합한 dual-stream 설계가 참신하다.
• 동일 영역이 조건에 따라 정반대의 역할(정보성 vs 억제성)을 수행한다는 발견은 기존 단일 조건 연구에서는 관찰 불가능했던 현상을 구조적으로 드러낸다.

Limitation & Further Study

• 임상 데이터셋의 표본 크기(60명, 40 SZ/20 HC)가 작아 통계적 검정력과 일반화 가능성에 한계가 있으며, 성별·약물 복용력 등 교란 변수에 대한 통제가 명확히 제시되지 않았다.
• Cross-dataset 검증은 eyes-closed resting 조건에 국한되어 있어, 발견한 조건 의존적 반전 패턴(occipital/frontal)이 여러 코호트에서 task 조건까지 재현되는지는 확인되지 않았다.
• ROI 개수가 데이터셋마다 다르게(4-ROI, 7-ROI) 정의되어 cross-dataset 비교의 엄밀성에 제약이 있으며, PLV/coherence 기반 hybrid connectivity 지표의 파라미터 민감도 분석이 부족하다.
• 후속 연구로는 더 큰 규모의 다기관 코호트에서 각 조건별 반전 패턴의 재현성을 검증하고, 약물치료 효과 및 증상 중증도와 ROI importance의 상관관계를 분석하는 방향이 필요하다.

Evaluation

총평: Multi-condition EEG의 뇌 상태 의존성을 구조적 graph intervention으로 정량화한 신선하고 임상적으로 실용적인 접근이며, cross-dataset 검증으로 신뢰성을 높였으나 표본 크기와 조건별 cross-dataset 검증 범위의 제한은 향후 보완이 필요하다.