[논문 리뷰] Taming Epilepsy: Mean Field Control of Whole-Brain Dynamics

Ming Li, Ting Gao외 1명|arXiv (Cornell University)|2026. 03. 11.

Neural Networks and Reservoir Computing인용 수 0

한 줄 요약

논문은 Graph-Regularized Koopman Mean-Field Game (GK-MFG)를 도입하여 Koopman 리프팅을 위한 Reservoir Computing과 APAC-Net을 결합하여 EEG PLV의 그래프 라플라시안 제약 하에서 전체 뇌 신경 상태 분포를 제어하고 강력한 발작 억제를 달성한다.

ABSTRACT

Controlling the high-dimensional neural dynamics during epileptic seizures remains a significant challenge due to the nonlinear characteristics and complex connectivity of the brain. In this paper, we propose a novel framework, namely Graph-Regularized Koopman Mean-Field Game (GK-MFG), which integrates Reservoir Computing (RC) for Koopman operator approximation with Alternating Population and Agent Control Network (APAC-Net) for solving distributional control problems. By embedding Electroencephalogram (EEG) dynamics into a linear latent space and imposing graph Laplacian constraints derived from the Phase Locking Value (PLV), our method achieves robust seizure suppression while respecting the functional topological structure of the brain.

연구 동기 및 목표

• 고차원 확률적 평균장(mean-field) 제어 문제로서 뇌전 발작 억제를 동기 부여하고 모델링한다.
• 고차원의 결합된 HJB-FP 방정식을 다루기 위한 메쉬 프리(mesh-free) APAC-Net 해석기를 개발한다.
• Phase Locking Value (PLV)로부터 도출된 그래프 라플라시안 규칙화를 통해 뇌의 위상 정보를 반영한다.
• 빠른 순방향 시뮬레이션을 위해 비선형 뇌 역학을 선형화하기 위해 RC-Koopman 연산자를 사용한다.
• 학습된 가치 표면으로부터 최적 제어 법칙을 실시간으로 추출할 수 있게 한다.

제안 방법

• Koopman-lifted 잠재 공간에서 제어된 확률적 미분방정식으로 신경 집단 역학을 모델링한다: dz(t)=(Kz(t)+B_latent u(t))dt+Σ dW_t.
• 밀도 ρ에 걸친 런닝 코스트와 종료 코스트로 구성된 목표 함수를 형식화한다: J(u)=E_z∼ρ[∫(C_state(z(t))+ (1/(2γ)) u(t)^T R u(t)) dt + G(z(T))].
• APAC-Net을 통해 결합된 HJB-FP 방정식을 해결하고, Variational primal-dual 구조와 Generator (ρ)와 Value Network (φ) 간의 GAN과 같은 적대적 게임을 활용한다.
• 안정적인 Laplacian 기반 HJB 잔차 훈련을 가능하게 하기 위해 φ를 매끄러운 활성화 네트워크로 근사하고, Density 간 Manifold를 탐색하기 위해 Generator를 사용한다.
• 상태 비용에 그래프 라플라시안 규칙화를 도입: C_state(z)=||(I+L)x_phys||^2 with L the graph Laplacian from PLV-based adjacency A.
• 5개의 주요 노드(채널 4,8,13,20,21)에 작동자를 배치하기 위해 중심성 측정을 활용한 Pinning Control로 희소하고 물리적으로 정보가 반영된 작동자 집합을 선택한다.
• 비선형 역학을 Echo State Network로 선형 잠재 공간으로 리프팅하고 Ridge 회귀를 통해 Koopman 연산자 K를 학습하며, 안정성을 위한 스펙트럼 정규화를 적용한다.

실험 결과

연구 질문

• RQ1 단일 채널을 추적하기보다는 신경 상태의 글로벌 분포를 재구성하여 뇌전 발작을 억제하는 평균장 제어 프레임워크가 가능한가?
• RQ2 PLV로 도출된 뇌 토폴로지에 기초한 그래프 라플라시안 규칙화가 토폴로지에 무관한 제어와 비교해 발작 억제를 개선하는가?
• RQ3 RC 기반 Koopman 리프팅이 평균장 제어 루프 내에서 고차원 비선형 뇌 역학에 대해 빠르고 정확한 선형 대리 모형을 제공할 수 있는가?
• RQ4 전체 성능을 희생하지 않으면서 위상적으로 영향력 있는 뇌 영역에 위치한 희소한 수단으로 제어를 달성할 수 있는가?
• RQ5 학습된 컨트롤러가 실제 환자 발작 궤적에 얼마나 잘 일반화되며 EEG 분포의 고차 통계치를 보존하는가?

주요 결과

• APAC-Net은 메쉬 프리 학습으로 고차원 HJB-FP를 해결하여 그래프 제약 하에서 강력한 발작 억제를 달성한다.
• RC-Koopman 대리모형은 발작 역학을 추적하고 분포 특성을 보존하며, 글로벌 Wasserstein 거리 0.0243 및 RMSE 0.3279를 보인다.
• 그래프 규칙화된 비용은 PLV 기반 뇌 토폴로지를 내장하고, 기능적 연결을 따라 제어 신호의 확산을 안내한다.
• 물리 정보가 반영된 작고 소수의 작동자 집합(5개 노드)으로 Pinning Control를 통해 글로벌 억제를 달성할 수 있다.
• 최적 제어 u*는 해석적으로 u*(t)=−(1/(2γ)) R^−1 B_latent^T ∇_z φ(z,t)로 주어지며, 실시간 구현을 가능하게 한다.
• 결과는 23개 EEG 채널에 걸친 제어된 확률밀도 함수가 발작 유사 진폭에서 건강한 분포로 이동하고, 섭동이 제한되고 감소한다는 것을 보여준다.