플러그인 없이 빠른 뇌 연결성 측정

본 논문은 뇌 기능 연결성 분석에 널리 사용되는 Phase Locking Value(PLV)의 계산 효율성을 근본적으로 개선하고, 영‑지연(Zero‑lag) 민감도를 보완한 새로운 지표들을 제안한다. 서론에서는 뇌가 개별 영역이 아닌 네트워크 형태로 작동한다는 현대 신경과학적 패러다임을 소개하고, M/EEG 데이터에서 위상 동기화(Phase Synchronization)를 측정하는 PLV의 중요성을 강조한다. 기존 PLV는 Hilbert 변환이나 웨이블릿을 통해 얻은 위상 정보를 사용해 \(e^{j(\phi_i-\phi_j)}\) 를 평균하는 방식으로 구현되며, 신호 수가 N개일 때 O(N²·T) 복잡도를 가진다. 이는 수천 개의 채널을 동시에 분석해야 하는 현대 뇌 영상 연구에서 큰 병목이 된다. 방법론 파트에서는 먼저 PLV의 수학적 정의를 재구성한다. 분석 신호 \(z_i(t)=a_i(t)e^{j\phi_i(t)}\) 를 진폭 \(a_i(t)\) 로 정규화해 \(\tilde{z}_i(t)=z_i(t)/|z_i(t)|\) 로 만든 뒤, 두 신호의 켤레 내적 \(\tilde{z}_i(t)\tilde{z}_j^{*}(t)\) 를 평균하면 바로 PLV가 된다. 이 과정에서 위상 추출(arctan)과 복소 지수 연산을 완전히 생략하고, 복소 행렬 곱셈만으로 전체 연결 행렬을 구한다. 구체적인 구현은 \(\mathbf{\tilde{Z}}\) (채널 × 시간 행렬)를 구성하고, \(\mathbf{C}= \frac{1}{T}\mathbf{\tilde{Z}}\mathbf{\tilde{Z}}^{H}\) 를 계산하는 형태이다. 이 식은 MATLAB이나 Python의 고성능 BLAS 라이브러리를 활용하면 GPU 가속도 가능하며, 메모리 접근 패턴이 연속적이어서 캐시 효율이 높다. 다음으로 PLV와 코히런스 사이의 관계를 정리한다. 코히런스는 주파수 영역에서 교차 스펙트럼을 정규화한 값으로, 동일한 정규화 복소 신호를 푸리에 변환하면 교차 스펙트럼과 일치한다. 따라서 PLV는 특정 대역폭 내 코히런스의 진폭 가중 평균이라고 해석할 수 있다. 이 관점은 PLV가 코히런스와 동일한 물리적 의미를 갖지만, 시간 영역에서 직접 계산된다는 장점을 부각시킨다. 영‑지연 민감도 문제를 해결하기 위해 두 가지 새로운 지표를 도입한다. 첫 번째는 iPLV(Imaginary PLV)로, \(\operatorname{Im}\{PLV\}\) 를 사용한다. 이는 위상 차이가 0 혹은 π인 경우 실수부만 남아 0이 되므로, 전도(conduction)나 소스 레키지(source leakage)와 같은 영‑지연 현상을 억제한다. 그러나 iPLV는 정규화가 부족해 절대값이 1에 도달하지 못한다는 한계가 있다. 이를 보완한 두 번째 지표는 ciPLV(corrected iPLV)이며, \(\frac{\operatorname{Im}\{PLV\}}{\sqrt{1-\operatorname{Re}\{PLV\}^2}}\) 로 정의한다. 이 식은 iPLV를 0‑1 구간으로 정규화하면서도 영‑지연 효과를 효과적으로 차단한다. ciPLV는 기존의 Imaginary Coherency와 Lagged Coherency 개념을 PLV에 직접 적용한 형태이며, 수학적으로는 \(\operatorname{Im}\{C_{ij}\}/\sqrt{1-\operatorname{Re}\{C_{ij}\}^2}\) 와 동일한 구조를 가진다. 실험에서는 306채널 Elekta Vectorview MEG 시스템으로부터 5분간의 눈을 감은 휴식 상태 데이터를 수집하고, 1000 Hz 샘플링 후 2 kHz FIR 필터링을 적용했다. 데이터를 20 s 혹은 40 s 길이의 4 초 구간으로 나누고, 8‑12 Hz 알파 대역을 Hilbert 변환으로 위상 추출하였다. 이후 LCMV 빔포머를 이용해 1 cm 격자에 2459개의 소스 레벨 시그널을 복원하고, 500‑2459개의 채널에 대해 전체 연결 행렬을 계산하였다. 세 가지 구현(원본, 기존 최적화, 제안 알고리즘)의 실행 시간과 메모리 사용량을 5회 반복 측정한 결과, 제안 알고리즘은 평균 100배 이상의 속도 향상을 보였으며, 메모리 사용량은 약 1.2배 증가에 그쳤다. 또한, 시뮬레이션에서 ciPLV는 순수 영‑지연 연결을 0에 가깝게, 비영‑지연 연결을 정확히 복원함을 확인하였다. 결론에서는 제안된 PLV 재구성이 연산 복잡도를 크게 낮추어 대규모 뇌 네트워크 분석을 실시간에 가깝게 수행할 수 있게 함을 강조한다. iPLV와 ciPLV는 기존 PLV가 갖는 영‑지연 민감도를 보완하면서도 직관적인 해석이 가능하므로, 소스 레벨 분석이나 전도/레키지 문제가 심각한 상황에서 유용하게 적용될 수 있다. 향후 연구에서는 GPU 기반 구현 및 다중 주파수 대역 동시 분석, 그리고 실제 임상 데이터에 대한 검증을 통해 실용성을 더욱 확대할 계획이다.