뇌졸중은 전 세계적으로 중요한 장애 요인으로, 운동 능력에 대한 예후는 초기 재활과 손상의 중증도에 달려 있다. 따라서 개인맞춤형 재활을 위한 조기 회복 잠재력의 예측 가능성은 매우 중요하다. 그러나 운동 능력의 예후를 예측하는 연구는 아직 성능 측면에서 제한적이다. 본 연구에서는 아급성기 휴지기 뇌파(resting-state electroencephalogram) 데이터를 이용하여 2개월 간의 운동 회복을 예측하기 위한 새로운 프레임워크인 dual-stream dynamic convolution network (DualDyConvNet)을 제안한다. 구체적으로, 채널-스트림은 각 주파수 대역 내의 서로 다른 특성을 강조하는 반면, 공간-스트림은 주파수 대역 전반의 정보를 통합하여 공간적 양상을 포착한다. 우리는 아급성기 뇌졸중 환자로 구성된 SMC 및 KIST 데이터셋을 활용하였으며, 회복 잠재력은 상지 Fugl-Meyer Assessment로 정량화하였다. 그 결과 두 데이터셋에서 각각 평균 제곱근오차(root mean squared error, RMSE) $0.070\pm 0.045$ 및 $0.223\pm 0.148$을 달성하였다. 이는 기존 모델을 능가하였으며, 본 프레임워크의 효능을 확인하였다. 또한 유클리드 공간 정렬(Euclidean-space alignment, EA) 적용 여부의 두 조건에서 외부(교차 데이터셋) 검증을 수행하였고, DualDyConvNet은 비교 모델보다 우수하여 강력한 일반화를 보여주었다. 즉, SMC에서 사전학습한 경우 평균 RMSE가 $0.218\pm 0.172$ (EA 미적용, w/o EA) 및 $0.215\pm 0.201$ (EA 적용, w/ EA)이었으며, KIST에서 사전학습한 경우 $0.160\pm 0.087$ (w/o EA) 및 $0.135\pm 0.087$ (w/ EA)이었다. 제안된 프레임워크는 뇌졸중 환자의 운동 기능 예후를 예측함으로써 조기 재활 계획 수립을 촉진하는 데 의미 있는 잠재력을 지닌다. 나아가 예후 정보를 제공함으로써 환자의 삶의 질 향상에 기여할 수 있다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.