오늘은 Pal et al. (2020)의 정말 너무너무 재밌는 논문을 읽었다.
한마디로 정리하자면, 마취된 rat의 prefrontal(but not parietal)에 cholinergic stimulation을 하면 쥐가 마취에서 깨어나는데,
기존에 의식 상태를 측정하기 위해 사용되던 뇌파의 connectivity, slow oscillation, complexity 중 “깨어남”과 상관되는 변수는 없더라는 것.
사실 그것들은 drug effect이지, 의식 상태를 제대로 반영하지는 못한다는 것.
drug로 인한 뇌의 변화와 의식의 변화가 decouple될 수 있다는 것.
나중을 위해 이 논문에 나온 3가지 개념을 잊어버리기 전에 정리하려 한다.
1. Coherence
Frequency domain에서 본 두 신호의 correlation이다.
더 정확히 말하면, spectral power (frequency의 제곱)의 correlation.
뇌파 분석에서 자주 쓰는 이유는, 특정 frequency band만 잘라서 그에 해당하는 정보를 구할 수 있기 때문이다.
정성적으로 말하자면, 두 뇌 영역의 연결도를 본다고 말할 수 있다.
pairwise하게 전부 합하면, 뇌 전반의 connectivity라고도 할 수 있겠지.
2. Transfer entropy
엔트로피는 결국 주어진 확률 분포가 얼마나 랜덤에 가까운지를 보는 거다.
무작위할수록 엔트로피는 크고, 규칙에 대한 정보가 많을수록 엔트로피는 작아진다.
Y=>X의 transfer entropy는 X와 Y의 과거 확률 분포 양상을 보고 현재 X를 추정하는 것이 단순히 X의 과거 확률 분포 양상을 보고 현재 X를 추정하는 것에 비해서 얼마나 더 정확한지를 보는 거다.
추측할 variable을 어떻게 정의할 거냐에 따라 time delay나 embedding dimension이라는 개념도 등장한다.
어쨌든 방향성을 언급할 수 있다는 점에서 유용.
3. Lempel-Ziv Complexity
위 그림 하나로 이해 쏙쏙!
앞에서부터 읽어나가면서, 단어의 사전을 만들어나간다.
1개짜리 단어부터 시작,
사전에 등록된 단어가 반복되면 중복되지 않는 단어가 정의될 때까지 계속 읽어나간다.
그래서 전체 시퀀스에 몇 가지 서로 다른 단어가 있는지로 복잡도를 정의한다.
위 그림처럼 뇌파 raw 데이터를 특정 time bin으로 잘라서 de-trending 하고
threshold를 정해서 binarization 한 뒤, 그것의 Lempel-Ziv를 구하면
해당 뇌 영역에서 나오는 신호의 복잡도를 알 수 있다.