생체신호 시계열 데이터는 복잡한 시간 구조와 높은 변동성을 가지며, 의료 분야에서는 투명한 의사 결정이 필수적입니다. 하지만 기존 딥러닝 모델들은 심전도(ECG)나 뇌전도(EEG)에서 높은 이상 탐지 성능을 보임에도 불구하고, 특정 구간이 왜 이상한지, 국소적인 이상들이 시간적으로 어떻게 연결되는지, 그리고 반복적인 패턴에 속하는지 등에 대한 충분한 설명을 제공하지 못했습니다. 이러한 한계를 극복하기 위해 'Signal2Symbol'이라는 새로운 신경-상징(neuro-symbolic) 프레임워크가 개발되었습니다.
Signal2Symbol은 먼저 ECG/EEG 신호를 VQ-VAE(Vector Quantized Variational Autoencoder) 코드북 또는 SAX(Symbolic Aggregate approXimation) 같은 기법을 사용하여 상징(symbol) 시퀀스로 변환합니다. 이렇게 변환된 상징 시퀀스에서 희귀한 패턴을 찾아 이상을 탐지하고, 탐지된 이상 구간들을 알렌(Allen) 시간 간격 대수(interval algebra)를 이용해 연결하여 복합적인 시간적 설명을 제공합니다. 예를 들어, 이상 징후의 연속적인 악화(escalation chains), 인공물(artifact) 중첩, 또는 채널 간 동기화(cross-channel synchrony) 같은 복잡한 관계를 설명할 수 있습니다. 또한, 형식 개념 분석(Formal Concept Analysis, FCA) 기반의 희귀 시간 개념 격자(rare temporal concept lattice)를 도입하여, 유사한 희귀 상징적 증거와 시간 관계를 공유하는 이상 구간들을 그룹화하여 해석 가능한 형태로 요약합니다.
이 프레임워크는 MIT-BIH 부정맥(Arrhythmia), PTB-XL, 본(Bonn) 뇌전도 데이터셋 등 세 가지 공개 벤치마크에서 평가되었으며, 잡음(additive noise)과 기준선 변동(baseline-wander) 같은 교란에도 강건함을 입증했습니다. Signal2Symbol은 신경-상징 토큰화(tokenization)가 시간적 이상 분석에 얼마나 중요한 가치를 가지는지 보여주며, 알렌 대수와 FCA 추론이 국소적인 이상 탐지 결과를 간결하고 해석 가능한 요약으로 제공할 수 있음을 시사합니다. 이는 의료 진단과 같이 설명 가능성이 중요한 분야에서 AI 모델의 신뢰도를 높이는 데 크게 기여할 수 있을 것으로 기대됩니다.