휴지상태 기능적 자기공명영상(rs-fMRI)은 내재적 신경 활동을 측정하며, 그 주파수 영역 특성을 분석하면 뇌 역학에 대한 통찰을 제공한다. 이러한 특성들로 인해 rs-fMRI는 자폐 스펙트럼 장애(ASD)와 주의력결핍 과잉행동장애(ADHD)와 같은 뇌 질환을 규명하기 위해 널리 사용된다. 전통적인 주파수 영역 분석은 대체로 푸리에 변환에 의존하는데, 이는 고정된 해상도로 인해 비정상(non-stationary) 신경 신호를 포착하는 데 유연성이 부족하다. 또한 이러한 방법들은 복소수 스펙트럼 표현으로부터 도출되는 크기나 위상과 같은 실수값 특징만을 주로 활용한다. 그 결과, 특히 fMRI 분석에서 실수부와 허수부를 직접 모델링하는 작업은 여전히 충분히 탐구되지 않았으며, 이들 성분에 부호화된 구별되면서도 상보적인 스펙트럴 정보를 간과하고 있다. 이러한 한계를 해결하기 위해, 우리는 rs-fMRI 신호로부터 연속 웨이블릿 변환(CWT) 계수의 실수부와 허수부를 명시적으로 모델링하는 새로운 Transformer 기반 프레임워크를 제안한다. 우리의 아키텍처는 자기- 및 교차-어텐션 메커니즘을 사용하여 구성요소 간의 관계뿐 아니라 구성요소 내부(intra-component)의 관계까지 함께 포착하도록, 스펙트럴, 시간적, 공간적 주의(attention) 모듈을 통합한다. Autism Brain Imaging Data Exchange(ABIDE)-I 및 ADHD-200 데이터셋에 적용한 결과, 본 접근은 기존 기준 방법(baselines) 대비 최첨단 분류 성능을 달성하였다. 포괄적인 절제(ablation) 연구는 기존 주파수 영역 특징에 비해 실수부와 허수부를 직접 활용하는 이점을 보여주었으며, 각 모듈의 기여도를 검증하였다. 또한 어텐션 기반 분석은 ASD와 ADHD에서 알려진 신경생물학적 변화와 일치하는 주파수- 및 영역-특이적 패턴을 드러냈다. 이러한 결과는 CWT 기반 표현에서 실수부와 허수부를 보존하고 이를 함께 활용하는 것이 진단 성능을 향상시킬 뿐 아니라 신경발달성 장애에 대한 해석 가능한 통찰을 제공함을 시사한다.

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