기능적 근적외선 분광법(functional near-infrared spectroscopy, fNIRS)은 주의력결핍/과잉행동장애(attention deficit/hyperactivity disorder, ADHD) 연구에서 잠재력이 있는 것으로 보고되었으나, 아직은 주요 진단 도구로 널리 사용되지는 않는다. 대부분의 선행연구가 아동과 휴식 상태에 초점을 맞춘 반면, 성인 ADHD에 대한 연구, 특히 과제 상태 조건에서의 연구는 증가하고 있으나 아동을 대상으로 한 연구에 비해서는 여전히 제한적이다. ADHD는 인지적 어려움과 뇌 활동의 변화와 관련되어 있으므로, 과제 동안의 기능적 연결성을 조사하는 것은 신경학적 특성을 더 잘 이해하는 데 도움이 될 수 있다. 본 연구에서는 과제 상태 조건에서 건강한 대조군과 비교함으로써 ADHD 성인 환자에서 기능적 연결성을 조사하고자 하였다. 우리는 75명의 건강한 대조군과 75명의 약물 비복용(medication-naïve) ADHD 대상자로 구성된 fNIRS 데이터셋을 사용하였다. 기능적 연결성의 네트워크 특성은 언어 유창성 과제(verbal fluency task) 동안 비교하였으며, 밀도(density), 전역 클러스터링 계수(global clustering coefficient), 효율(efficiency), 평균 매개중심성(average betweenness centrality)에 특히 초점을 맞추었다. 두 군 간 통계 분석 결과, 밀도에서 통계적으로 유의한 차이가 관찰되었다(density: p<0.001, t = 5.39, η2 = 0.443). 또한 기능적 연결성 지표의 두 군 분류 가능성을 평가하기 위해 다양한 머신러닝 분류기를 사용하였다. 선형 서포트 벡터 머신(linear support vector machine)은 5종의 서로 다른 분류기 중 가장 높은 성능을 보였으며, 정확도 0.800, 정밀도 0.800, 재현율 0.808, F1-score 0.799를 나타냈다. 결론적으로, 본 연구의 결과는 두 군 간에 구별되는 기능적 연결성 양상을 보여주며, fNIRS로부터 도출된 기능적 연결성 지표가 ADHD의 바이오마커로서 잠재력을 가질 수 있음을 시사한다.

기능적 근적외선 분광법(functional near-infrared spectroscopy, fNIRS)은 주의력결핍/과잉행동장애(attention deficit/hyperactivity disorder, ADHD) 연구에서 잠재력이 있는 것으로 보고되었으나, 아직은 주요 진단 도구로 널리 사용되지는 않는다. 대부분의 선행연구가 아동과 휴식 상태에 초점을 맞춘 반면, 성인 ADHD에 대한 연구, 특히 과제 상태 조건에서의 연구는 증가하고 있으나 아동을 대상으로 한 연구에 비해서는 여전히 제한적이다. ADHD는 인지적 어려움과 뇌 활동의 변화와 관련되어 있으므로, 과제 동안의 기능적 연결성을 조사하는 것은 신경학적 특성을 더 잘 이해하는 데 도움이 될 수 있다. 본 연구에서는 과제 상태 조건에서 건강한 대조군과 비교함으로써 ADHD 성인 환자에서 기능적 연결성을 조사하고자 하였다. 우리는 75명의 건강한 대조군과 75명의 약물 비복용(medication-naïve) ADHD 대상자로 구성된 fNIRS 데이터셋을 사용하였다. 기능적 연결성의 네트워크 특성은 언어 유창성 과제(verbal fluency task) 동안 비교하였으며, 밀도(density), 전역 클러스터링 계수(global clustering coefficient), 효율(efficiency), 평균 매개중심성(average betweenness centrality)에 특히 초점을 맞추었다. 두 군 간 통계 분석 결과, 밀도에서 통계적으로 유의한 차이가 관찰되었다(density: p<0.001, t = 5.39, η2 = 0.443). 또한 기능적 연결성 지표의 두 군 분류 가능성을 평가하기 위해 다양한 머신러닝 분류기를 사용하였다. 선형 서포트 벡터 머신(linear support vector machine)은 5종의 서로 다른 분류기 중 가장 높은 성능을 보였으며, 정확도 0.800, 정밀도 0.800, 재현율 0.808, F1-score 0.799를 나타냈다. 결론적으로, 본 연구의 결과는 두 군 간에 구별되는 기능적 연결성 양상을 보여주며, fNIRS로부터 도출된 기능적 연결성 지표가 ADHD의 바이오마커로서 잠재력을 가질 수 있음을 시사한다.

목적: 본 연구는 외상후 스트레스장애(posttraumatic stress disorder, PTSD) 환자에서 치료 반응 예측을 향상시키기 위해, 뇌파(electroencephalogram, EEG) 데이터에 대해 변분 오토인코더(variational autoencoder, VAE) 기반 데이터 증강(data augmentation, DA) 접근법을 적용하고자 하였다. 방법: PTSD로 진단된 환자로부터 EEG 스펙트로그램을 수집하였다. VAE 모델을 원래의 스펙트로그램에 대해 사전학습(pretrained)한 후, 증강 데이터 샘플을 생성하는 데 사용하였다. 이렇게 생성된 증강 스펙트로그램을 딥 신경망(deep neural network, DNN) 분류기 학습에 활용하였다. 모델의 성능은 DA를 적용하여 학습한 모델과 적용하지 않은 모델 간의 수신자조작특성곡선(receiver operating characteristic curve, AUC) 아래 면적(area under the curve, AUC)을 비교하여 평가하였다. 결과: VAE로 증강된 EEG 데이터를 사용해 학습한 DNN은 치료 반응을 예측하는 데 AUC 0.85를 달성하였으며, 이는 증강 없이 학습한 모델보다 0.11 높은 값이었다. 이는 분류 성능과 모델 일반화(model generalization)의 유의한 향상을 반영한다. 결론: VAE 기반 DA는 임상 환경에서의 제한된 EEG 데이터라는 문제를 효과적으로 해결하고, PTSD 환자의 치료 반응 예측을 위한 DNN 모델의 성능을 향상시킨다. 본 접근법은 소규모 데이터셋을 포함하는 향후 EEG 기반 신경정신의학(neuropsychiatric) 연구를 위한 유망한 방향을 제시한다.

Accurate detection of reactive oxygen species (ROS) in particulate matter (PM) is essential for assessing the oxidative potential (OP) of airborne pollutants and their associated health risks.

배경: 기능적 근적외선 분광법(functional near-infrared spectroscopy, fNIRS)은 인지 능력을 살펴보고 양극성 장애(bipolar disorder, BD)의 진단을 지원하는 데 점차 더 많이 사용되고 있다. 적용이 확대됨에도 불구하고 BD에서의 기능적 연결성(functional connectivity)에 관한 연구는 제한적이며, 과제 유발 기능적 연결성은 충분히 탐구되지 않았다. 본 연구는 fNIRS로부터 유도된 기능적 연결성을 기반으로 BD 환자와 건강 대조군(healthy controls, HCs)을 구분하는 것을 목적으로 한다. 방법: 우리는 안정 상태(resting state)와 두 가지 인지 과제 동안, BD 환자 50명과 HCs 50명의 fNIRS 데이터를 분석하였다. 두 과제에는 언어 유창성 검사(verbal fluency test, VFT)와 스트룹 색-단어 검사(Stroop)가 포함되었다. 기능적 연결성은 일치도(coherence) 및 상관(correlation) 평가를 사용해 정량화하였고, 국소 효율(local efficiency), 전역 효율(global efficiency), 전역 클러스터링 계수(global clustering coefficient), 평균 근접 중심성(average closeness centrality)과 같은 네 가지 네트워크 특성을 추출하였다. 유의미한 네트워크 연결을 강조하기 위해 상위 10 %에서 50 %까지를 필터링하는 임계값(thresholding) 방법을 적용하였다. 집단 간 차이는 허위 발견률(false discovery rate)로 보정한 t-검정을 사용하여 평가하였다. 결과: = 0.578)로 HCs에 비해 유의한 차이를 보였다. VFT 동안 일치도 기반 네트워크 지표를 이용한 k-최근접 이웃(k-nearest neighbor, KNN) 분류기는 정확도 0.818, 정밀도 0.819, 재현율 0.824, F1-score 0.817로 가장 높은 분류 성능을 나타냈다. 결론: 본 연구의 결과는 과제 유발 기능적 연결성, 특히 VFT 동안 도출된 일치도(coherence) 기반 지표가 BD 환자와 HCs를 구분하는 뚜렷한 기능적 연결성 양상을 반영함을 시사한다. 이러한 결과는 인지 과제 조건 하에서 네트워크 기반 접근법이 BD와 관련된 기능적 연결성 변화의 특성화에 유용함을 뒷받침한다.

이 연구는 신속 연속 시각 제시(rapid serial visual presentation, RSVP) 과제에서 표적 탐지를 향상시키기 위해, 군사적 응용을 염두에 둔 실시간 뇌-컴퓨터 인터페이스(Brain-Computer Interface, BCI) 시스템의 개발에 초점을 둔다. 제안된 BCI 시스템은 탁월한 시간 해상도로 알려진 건식 전극(dry electrodes)을 기반으로 한 뇌전도(electroencephalogram, EEG) 신호를 활용하여, 시각 자극의 연속열 내에서 특정 표적 기호를 신속하게 식별한다. 본 연구는 딥러닝 기법, 특히 시간 합성곱 신경망(Temporal Convolutional Networks, TCN)을 활용함으로써 RSVP 과제에서 표적 탐지의 정확도와 효율을 향상시키는 것을 보여준다. 우리의 결과에 따르면, EEG 신호의 시간적 역학을 처리하는 데 있어 TCN의 적응성과 효능은 표적 탐지에서 우수한 성능을 나타내며, 따라서 정확하고 효율적인 실시간 BCI 시스템의 잠재력을 제공한다.

성인 주의력결핍 과잉행동장애(ADHD)는 흔한 정신질환으로서 사회적, 학업적, 직업적 기능에 중대한 영향을 미친다. 그러나 아동기 ADHD에 비해서는 상대적으로 우선순위가 낮게 다루어져 왔다. 본 연구는 언어 유창성 과제에서 기능적 근적외선 분광법(fNIRS)을 수행하고, 기계학습(ML) 기법을 함께 적용하여 건강 대조군(N=75)과 ADHD 환자(N=120)를 구별하였다. 고차원 fNIRS 데이터셋에서 효율적인 특성 선택은 정확도를 향상시키는 데 핵심적이다. 이를 해결하기 위해, 래퍼 기반 접근과 내재형 접근을 결합한 하이브리드 특성 선택 방법인 Bayesian-Tuned Ridge RFECV (BTR-RFECV)를 제안한다. 제안된 방법은 고차원 데이터에서 특성 선택과 하이퍼파라미터 튜닝을 간소화함으로써, 특성의 수를 줄이면서 정확도를 향상시켰다. 전두 및 측두 영역을 결합한 HbO 특성이 핵심이었으며, 모델은 정밀도(89.89%), 재현율(89.74%), F-1 점수(89.66%), 정확도(89.74%), MCC(78.36%), GDR(88.45%)를 달성하였다. 본 연구의 결과는 임상 환경에서 진단 도구로서 fNIRS와 ML의 결합 가능성이 유망함을 시사하며, 수작업 개입을 유의미하게 줄일 수 있는 경로를 제공한다.