스펙트럼 감사 프레임워크를 통해 밝혀진 EEG 및 ECG 딥러닝에서의 작업 의존적 비주기성 의존성

생체 신호 시계열 (physiological time series)에 대한 딥러닝 (Deep learning)은 도메인 특화된 특징들, 즉 EEG의 진동 리듬 (oscillatory rhythms)이나 ECG의 형태학적 복합체 (morphological complexes)를 통해 해석되지만, 이러한 신호들은 각성 (arousal), 연령, 그리고 병리 (pathology)와 함께 변화하는 광대역 비주기성 (broadband aperiodic) 1/f 유사 엔벨로프 (1/f-like envelope) 위에 놓여 있습니다. 우리는 비주기성/주기성 분해 (aperiodic/periodic decomposition), 위상 보존 푸리에 개입 (phase-preserving Fourier interventions), 가짜 대조군 (sham controls), 그리고 시뮬레이션 검증 (simulation validation)을 결합한 스펙트럼 감사 프레임워크 (spectral audit framework)를 소개합니다. 비주기성 의존성 (Aperiodic reliance)은 작업 의존적 (task-dependent)이었으며 아키텍처 전반에 걸쳐 일반적이었습니다 (architecture-general). 6개의 신경망 아키텍처 (neural architectures) 전반에서, 수면-각성 분류 (sleep-wake classification)의 경우 평탄화 (flattening) 시 균형 정확도 (balanced-accuracy)가 0.42포인트 이상 하락하였고, 임상적 이상 탐지 (clinical abnormality detection)에서는 0.07-0.13에 달했으며, 운동 상상 (motor imagery)에서는 최소한으로 유지되었습니다. 7개의 EEG 파운데이션 모델 (foundation models) 중 6개가 임상 EEG에서 FDR-유의미한 (FDR-significant) 비주기성 의존성을 보였습니다. 연령/성별 및 기록 시대 (recording-era) 대조군은 이 효과를 감소시켰으나 완전히 제거하지는 못했습니다. PTB-XL ECG에 이 감사를 적용한 결과, 인구통계학적 매칭 (demographic matching) 이후에도 0.32-0.36의 신경망 하락 (neural drops)이 지속됨을 확인하였으며, 이는 이러한 혼란 변수 (confound) 클래스가 EEG를 넘어 확장됨을 입증합니다. 해석 가능한 생체 신호 시계열 딥러닝을 위해 비주기성 대조군 (Aperiodic controls) 사용이 표준이 되어야 합니다.