EpiTwin: Spatiotemporal Graph Transformers for Epileptic sEEG Signal Reconstruction

Motivation

• Known: 기존 sEEG 재구성 연구는 LaBraM, BrainBERT와 같은 시퀀스 기반 self-supervised 모델이나 GNN 기반 그래프 모델을 통해 마스킹된 신호를 복원해왔으며, MSE/L1과 같은 결정론적 손실을 사용해 시간적 구조를 학습해왔다.
• Gap: 기존 방법들은 전극 좌표, 그래프 위상, 해부학적 정보와 같은 명시적 공간 정보를 인코딩과 모델링 모두에서 충분히 활용하지 못하며, 결정론적 목적함수가 평균적 패턴을 선호해 스펙트럼이 과도하게 평활화된 재구성 결과를 초래한다는 한계가 있다.
• Why: sEEG는 임상적 제약으로 인해 전극 임플란트 수를 늘릴 수 없으므로, 관측되지 않은 뇌 영역의 신경 활동을 정확히 추론할 수 있다면 전극 수 증가 없이 뇌 전역 커버리지를 확장할 수 있어 뇌전증 네트워크 분석 및 발작 관련 신경역학 이해에 중요한 의의를 갖는다.
• Approach: 전극을 노드로 하는 그래프에서 좌표·위상·해부학적 사전을 결합한 Hybrid Spatial Positional Encoding(HSPE)과 기하학적 거리 및 데이터 기반 기능적 유사성을 어텐션에 반영하는 Geometry–Functional Biased Attention(GFBA)을 도입하고, 다중 스케일 판별자(discriminator)를 이용한 적대적 정제 학습으로 스펙트럼 과평활화를 완화하는 conditional spatiotemporal graph transformer를 제안한다.

Achievement

1. 재구성 오차 감소: 실제 임상 sEEG 데이터의 electrode series-level masking 설정에서 EpiTwin이 LaBraM 등 최신 foundation model 대비 RMSE를 최대 16.8% 상대적으로 감소시키며 일관되게 우수한 성능을 보였다.
2. 스펙트럼 과평활화 완화: 적대적 정제 학습을 통해 기존 결정론적 손실 기반 방법에서 발생하던 spectral over-smoothing 문제를 효과적으로 완화하고 시간-주파수 세부 구조의 재구성 충실도를 개선하였다.
3. 해석 가능한 상호작용 패턴 도출: 재구성 과정에서 학습된 attention 가중치로부터 attention-derived interaction matrix를 부산물로 얻어, 전극 간 정보 흐름에 대한 해석 가능한 분석을 제공한다.

How

• sEEG 임플란트를 전극 좌표 기반 k-nearest neighbor 그래프(A0, k=8)로 모델링하고, 각 노드에 로그 진폭 스펙트로그램, 3D 좌표, 영역 라벨, 조직 구성 지표(회백질/백질 비율)를 속성으로 부여
• HSPE를 통해 전극 좌표, 그래프 위상, 해부학적 사전으로부터 명시적 공간 정체성(spatial identity)을 구성
• GFBA를 통해 기하학적 거리 편향과 데이터 기반 기능적 유사성 편향을 어텐션 계산에 결합
• 다중 스케일 discriminator를 활용한 adversarial refinement training 단계를 도입해 결정론적 재구성 손실이 유발하는 과평활화를 보정
• 전체 모델을 fθ : (SVO, G) → (ˆSVT, ˆAP) 형태의 end-to-end 매핑으로 구성하여 관측된 노드 특징으로부터 타겟 노드 특징과 attention 기반 상호작용 행렬을 동시에 산출

Originality

• 기존 시퀀스 기반 foundation model(LaBraM, BrainBERT)이 간과했던 전극 임플란트의 명시적 공간 기하 정보를 위치 인코딩과 어텐션 편향이라는 두 층위에서 통합적으로 활용
• 그래프 기반 접근법들이 주로 지역적 메시지 패싱에 의존했던 것과 달리, 전역적 공간 구성과 해부학적 맥락을 명시적으로 인코딩하는 HSPE를 제안
• 오디오 합성이나 diffusion 기반 고충실도 재구성 기법의 계산 비용 및 확률적 환각(stochastic hallucination) 문제를 피하면서, 다중 스케일 discriminator 기반 적대적 정제로 효율적인 구조 보존형 재구성을 달성
• 재구성 과정의 부산물로 해석 가능한 attention 기반 전극 간 상호작용 행렬을 제공하는 통합 프레임워크 제안

Limitation & Further Study

• 단일 임상 sEEG 데이터셋에서의 검증에 그쳐, 다양한 환자군·임플란트 배치·기기 간 일반화 가능성에 대한 추가 검증이 필요
• adversarial refinement 학습의 안정성 및 학습 비용(discriminator 학습에 따른 추가 연산 오버헤드)에 대한 정량적 분석이 부족
• attention-derived interaction matrix가 실제 신경생리학적 상호작용(예: 발작 전파 경로)과 얼마나 정합하는지에 대한 임상적 검증이 추가로 필요
• electrode series-level masking 외의 다양한 마스킹 패턴(예: 무작위 결측, 시간적 결측)에 대한 강건성 평가가 제한적

Evaluation

총평: 공간 기하·해부학적 정보를 명시적으로 통합한 그래프 트랜스포머와 적대적 정제 학습을 결합하여 sEEG 재구성의 정확도와 스펙트럼 충실도를 동시에 개선한 견실한 연구로, 임상 신경과학 응용에 실질적 기여를 할 수 있는 잠재력이 크다.