전류원 밀도 분석

전류원 밀도(Current Source Density)란 무엇인가요?

전류원 밀도는 신경 조직의 일정 체적 내외로 흐르는 전류의 분포를 설명합니다. 신경과학에서 원(source, 소스)은 일반적으로 세포외 공간을 벗어나는 전류를 나타내는 반면, 싱크(sink)는 그 공간으로 들어오는 전류를 나타냅니다. 이 용어들은 선택한 부호 규약과 관점에 따라 달라지므로, 소스나 싱크는 독립적인 해부학적 대상이라기보다는 국소적인 전기적 패턴의 일부로 이해하는 것이 가장 좋습니다.

이 추정치는 대개 서로 인접한 여러 위치에서 수집된 세포외 전압 측정값으로부터 유도됩니다. 이러한 측정값들 사이의 공간적 차이는 전압장이 조직 전체에서 얼마나 빠르게 변하는지 보여줍니다. 이 계산은 국소적 변화를 강조하기 때문에, CSD는 주변 조직을 통해 전도된 활동에 의해 생성된 넓은 영역의 장(field)과 초점 패턴을 구별하는 데 도움이 될 수 있습니다.

CSD는 단일 뉴런, 시냅스, 또는 이온 채널을 직접 식별하지 않습니다. 이는 막관통 전류 분포에 대한 인구 수준(population-level) 및 기하학 의존적 추정치입니다. 따라서 신경과학 내에서는 이를 독자적인 세포 활동 지도로 취급하기보다 해부학, 전기생리학, 자극 타이밍, 행동적 또는 임상적 관찰과 병행하여 사용합니다.

생물물리학적 기초: 전압에서 전류로

시냅스가 활성화되면 이온이 뉴런 막을 가로질러 흐르며 주변 조직에 미세한 전류를 생성합니다. 세포외 전극은 그 결과로 발생하는 전위 변화를 감지하지만, 이러한 변화는 많은 세포에서 흐르는 전류가 흐릿하게 혼합된 것입니다.

CSD는 기록된 전압으로부터 역으로 작업하여 각 지점에서 조직으로 들어오거나 나가는 순 전류를 추론하며, 이는 시냅스 전류가 어디에서 시작되어 세포로 어디로 되돌아가는지 보여주는 그림입니다.

세포외 전위장과 그 기저에 있는 전류 사이의 관계는 포아송 방정식에 담긴 잘 확립된 물리학의 지배를 받습니다. 전도성 매질의 경우, CSD(작은 체적을 가로지르는 순 전류)는 전류 흐름 벡터의 발산(divergence)과 관련이 있으며, 이는 다시 전위장의 공간적 변화와 연결됩니다.

단순하고 균일한 전도체에서 CSD는 거리에 따라 전압이 얼마나 급격하게 변하는지(수학적으로는 2차 공간 도함수)에 직접 비례합니다. 이러한 Insight는 고전적인 CSD 계산의 기초가 되지만, 실제 뇌 조직이 균일한 염수조처럼 작동하는 경우는 거의 없습니다.

CSD의 생물물리학적 신뢰성을 확립한 기초 실험은 개구리와 두꺼비의 소뇌에서 수행되었습니다. 연구자들은 전류가 여러 방향으로 얼마나 쉽게 흐르는지 나타내는 3차원 지도인 전체 전도도 텐서(conductivity tensor)를 측정했고, 조직이 이방성(전류가 다른 축보다 특정 축을 따라 더 쉽게 흐름)이면서도 놀라울 정도로 균질하고(전도도가 위치에 따라 크게 변하지 않음) 옴 법칙을 따름(전압-전류 관계가 선형적임)을 발견했습니다.

이 단일 전도도 텐서를 파악함으로써 단순화되었지만 물리적으로 정확한 CSD 모델이 가능해졌고, 실용적인 응용을 위한 발판이 마련되었습니다.

전류원 밀도를 계산하는 방법

기록된 전압을 CSD 지도로 변환하려면 계산 방법을 신중하게 선택해야 합니다. 이 선택은 조직의 복잡성과 기록 어레이의 공간적 배치에 따라 달라집니다.

고전적인 2차 공간 도함수 방법

균질하고 등방성인 전도도를 가정할 때, CSD는 단순한 연산으로 요약됩니다. 일정한 간격의 전극 접점 시리즈에서 기록된 전위장을 가져와 탐침의 축을 따라 2차 도함수를 계산하는 것입니다. 실제로 이는 인접한 접점의 전압을 사용하여 도함수를 근사하는 유한차분 공식을 통해 수행됩니다.

그러나 모든 차분 스키마가 동일한 것은 아닙니다. 무미목(anuran) 소뇌에서의 체계적인 비교를 통해 다양한 공식의 정확도, 빠르게 변화하는 공간 패턴을 왜곡하는 경향(앨리어싱), 그리고 공식이 도입하는 평활화(smoothing)의 양을 평가했습니다.

잘못된 필터를 선택하면 사진이 흐려지는 것처럼, 부적절한 차분 스키마를 선택하면 정작 보고자 하는 이벤트를 가려버릴 수 있습니다. 최적의 공식은 신호의 공간 주파수 콘텐츠에 따라 달라지며, 이는 이상적인 전극 간 거리를 찾기 위해 공간 에너지 밀도 스펙트럼을 측정함으로써 입증된 교훈입니다.

가장 단순한 가정을 넘어서: 역문제 방법 및 전도도 프로필

조직이 이방성이거나 불균일할 때, 단순한 2차 도함수 접근법은 더 이상 유효하지 않습니다. 보다 일반적인 프레임워크는 포아송 방정식에서 출발하여 측정된 전도도 텐서를 통합함으로써 실제 소스 분포를 재구성합니다.

앞서 언급한 이론 논문은 기울어진 층판 구조에 맞추기 위해 회전된 좌표계를 포함하여 직교 좌표계에서의 완전한 방정식을 제공했습니다. 이 기초 덕분에 현대의 역 CSD 알고리즘은 방향성 전도도를 보정하고 더 정확한 지도를 생성할 수 있습니다.

결정적으로, 소뇌 조직이 균질하고 옴 법칙을 따른다는 초기 증명은 단일한 상수의 전도도 텐서를 사용할 수 있음을 의미했으며, 이는 역문제를 극적으로 단순화했습니다. 많은 층상 뇌 영역의 경우, 비록 불균질성에 대한 정밀한 보정이 때때로 필요하긴 하지만, 이는 여전히 합리적인 출발점입니다.

일반적인 알고리즘 및 가정

여러 접근법이 사용되며, 각 접근법은 데이터에 대해 서로 다른 요구사항을 가집니다. 단순한 유한차분은 직관적이며 규칙적인 간격의 접점에 자연스럽게 작동하는 반면, 스플라인 기반 또는 커널 기반 방법은 더 넓은 공간 배치를 수용할 수 있습니다. 표면 EEG에서 표면 라플라시안 변환은 두피 전압 영역의 국소 곡률을 추정하는 밀접하게 관련된 연산입니다.

알고리즘의 선택은 단순히 편의성을 따르기보다 전극 배열을 따라야 합니다. 흔히 오가는 가정과 결정은 다음과 같습니다.

• 전도도를 균질하고 등방성으로 취급할지 여부.

• 기록 기하학이 1차원, 2차원 또는 3차원 도함수를 지원하는지 여부.

• 경계 조건 및 누락된 채널을 처리하는 방법.

• 공간 차분 전에 평활화를 적용할지 여부.

계산 후에는 시각적 레이블인