ODEBrain: 연속 시간 EEG 그래프를 활용한 동적 뇌 네트워크 모델링

ODEBrain: Continuous-Time EEG Graph for Modeling Dynamic Brain Networks

신경 집단 역학 모델링은 기초 신경과학 연구 및 다양한 임상 응용 분야에서 매우 중요합니다. 기존의 잠재 변수 방법은 일반적으로 순환 구조를 통해 시간을 이산화하여 뇌의 연속적인 역학을 모델링하는데, 이는 필연적으로 누적 예측 오류를 발생시키고 EEG의 즉각적이고 비선형적인 특성을 제대로 포착하지 못하는 문제를 야기합니다. 본 연구에서는 이러한 문제점을 해결하기 위해, 공간-시간-주파수 특징을 스펙트럴 그래프 노드에 통합하고, Neural ODE를 사용하여 연속적인 잠재 역학을 모델링하는 ODEBRAIN이라는 새로운 프레임워크를 제안합니다. 우리의 설계는 잠재 표현이 주어진 시점에서 복잡한 뇌 상태의 확률적 변동을 포착할 수 있도록 보장합니다. 광범위한 실험 결과는 ODEBRAIN이 기존 방법보다 EEG 역학 예측 성능을 크게 향상시키며, 더 높은 안정성과 일반화 능력을 제공한다는 것을 입증합니다.

Modeling neural population dynamics is crucial for foundational neuroscientific research and various clinical applications. Conventional latent variable methods typically model continuous brain dynamics through discretizing time with recurrent architecture, which necessarily results in compounded cumulative prediction errors and failure of capturing instantaneous, nonlinear characteristics of EEGs. We propose ODEBRAIN, a Neural ODE latent dynamic forecasting framework to overcome these challenges by integrating spatio-temporal-frequency features into spectral graph nodes, followed by a Neural ODE modeling the continuous latent dynamics. Our design ensures that latent representations can capture stochastic variations of complex brain states at any given time point. Extensive experiments verify that ODEBRAIN can improve significantly over existing methods in forecasting EEG dynamics with enhanced robustness and generalization capabilities.