초록 ▼

□ 연구개요
뇌기능 연결성 모델링은 기본적으로 뇌영역간의 기능적 상호관계의 모델링이다. 뇌기능 상호관계는 시차적 뇌영역 활성화에 의해서 탐지된 자료를 바탕으로 분석되기 때문에 벡터자기회귀(VAR) 모형을 통해서 표현된다. 이 모형은 기본적으로 그래프 구조를 갖는다. 따라서 통계적 그래프 모델링 방법에 관한 연구가 주요 내용이다. VAR모형 구조는 유향 그래프로 표현되는 데, 이 모형의 개발 방법으로 오류탐지율 개선, 주변모형 구조를 활용하는 방법, 유향그래프 구조 정보를 활용한 신경망 모형의 성능 개선 방법, 등을 연구하고 관

□ 연구개요
뇌기능 연결성 모델링은 기본적으로 뇌영역간의 기능적 상호관계의 모델링이다. 뇌기능 상호관계는 시차적 뇌영역 활성화에 의해서 탐지된 자료를 바탕으로 분석되기 때문에 벡터자기회귀(VAR) 모형을 통해서 표현된다. 이 모형은 기본적으로 그래프 구조를 갖는다. 따라서 통계적 그래프 모델링 방법에 관한 연구가 주요 내용이다. VAR모형 구조는 유향 그래프로 표현되는 데, 이 모형의 개발 방법으로 오류탐지율 개선, 주변모형 구조를 활용하는 방법, 유향그래프 구조 정보를 활용한 신경망 모형의 성능 개선 방법, 등을 연구하고 관련 방법을 제시하였다. 특히 주변모형 활용에 의한 모형 구조 개발은 기존의 구조학습 방법에 새로운 모형 평가함수를 도입함으로써 구조 학습 방법의 개선에 기여하였다.

□ 연구 목표대비 연구결과
본 연구과제의 목표는 뇌기능 연결성 분석을 위한 통계적 방법을 연구하는 것이다. 연결성을 표현하는 수학적 도구로 그래프를 사용한다. 뇌기능은 시차적 현상으로 나타나기 때문에 일반적으로 표현 도구는 유향 그래프(Directed graph)로 표현되는데, 관련되는 통계 모형은 벡터 자기회귀(VAR. Vector autoregressive) 모형이다. 따라서 이러한 그래프 모형의 통계적 개발 방법을 연구하는 것이 본연구의 주 내용이 된다. 그래프 모형 중에서도 VAR모형의 구조인 유향 그래프 모형이 주 대상이다.
모형에 포함되는 변수가 많아질수록 그래프구조가 커지고 복잡해질 수 있다. 구조학습에서의 모형구조상의 오류는 구조의 크기와 복잡도에 많은 영향을 받는다. 이러한 구조학습과정에서의 문제점을 개선하는 것이 주요 목표이다.
이러한 목표 대비 주요 연구결과로는 그래프 구조를 형성하는 연결선 탐지방법의 개선방법 제안과 주변모형의 정보를 활용해서 기존의 구조학습 알고리즘 성능 개선이 있다. 연결선 탐지 방법의 개선은 변수들 사이의 부분상관계수 추정치의 분포를 혼합분포로 추정해서 탐지에 활용하는 방법을 개발한 것이고, 주변모형 정보 활용은 이 활용을 통해서 구조학습과정에서의 구조적 오류를 줄일 수 있음을 확인하였다.

□ 연구개발결과의 중요성
인지과학 분야의 일반 연구자들이 자료 분석 단계에 있어서는 통계학, 물리학, 전산학 등 분야의 전문적인 지식을 필요로 하기 때문에 쉽게 접근하지 못하고 있다. 기존의 완성된 프로그램을 사용하더라도 각 프로그램에 적용된 방법들에 대한 이해가 없이는 최선의 결과를 이끌어내기 어렵다. 뇌과학 및 인지과학 분야 자료의 통계적 분석에 본 연구결과가 활용되고, 분석결과를 해당 분야 전문적인 지식을 가진 연구자들과 공유함으로써 연구의 시너지 효과를 얻고 뇌기능 연결성 연구의 수준을 높일 수 있으리라 기대할 수 있다.

(출처 : 연구결과 요약문 3p)

목차 Contents

• 표지 ... 1
• 연구결과 요약문 ... 3
• 목차 ... 4
• 1. 연구개발과제의 개요 ... 4
• 2. 연구수행내용 및 연구결과 ... 4
• 3. 연구개발결과의 중요성 ... 7
• 4. 참고문헌 ... 7
• 5. 연구성과 ... 8
• 끝페이지 ... 9