• 불균형 EEG 회귀를 위한 클러스터 인식 정규화기 CenterIR을 제안 • 노인에서 휴식기 EEG로 우울증 중증도 추정을 향상 • 최신 기술 기반(baseline)을 능가하는 안정적인 성능 향상(i) 입증 • λ-민감도 및 손실 소거(loss ablation) 분석을 통해 강건성(robustness) 검증 뇌전도(EEG)를 기반으로 한 정신건강 평가는 비침습적 도구로서 노인에서 우울증 중증도를 정량화하는 데 대한 관심이 점차 증가하고 있다. 그러나 연속형 중증도 예측을 위한 회귀 모델은 특히 불균형 데이터 분포 하에서 제한적이다. 본 연구는 회귀 성능을 향상시키기 위해 새로운 CenterIR 손실을 결합한 심층학습 프레임워크를 제시하며, 여기에는 합성곱 신경망(convolutional neural networks)과 양방향 장단기 기억(bidirectional long short-term memory) 모듈이 포함된다. 휴식기 EEG는 눈뜨기(EO) 및 눈감기(EC) 조건에서 104명의 노인으로부터 기록하였다. 제안 모델은 기준 모델 및 최신 기술 접근법을 능가하였으며, EO에서는 MSE 0.151, MAE 0.231, R² 0.990을, EC에서는 각각 0.270, 0.291, 0.983을 달성하였다. 대응 t-검정 결과 EO 조건에서 유의하게 더 우수한 성능이 나타나, EO 휴식기 EEG가 우울증 중증도를 위한 신뢰할 수 있는 신경 지표(neural marker)로서의 잠재력을 시사하였다. 전반적으로, 본 프레임워크는 노인에서 EEG 기반 우울증 평가를 위한 효과적인 불균형 회귀 모델링을 보여주며, 정신건강 모니터링에서의 임상적 적용을 위한 통찰을 제공한다.

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