본 논문은 뇌의 효과적 연결성(EC)을 정확하게 모델링하는 것이 감각 정보 처리 및 통합 과정을 이해하는 데 중요하지만, 복잡한 신경 역학과 EEG와 같은 잡음이 많은 측정으로 인해 어려움을 겪고 있음을 지적합니다. 모델 기반 EC는 신경 활동의 생성 모델을 실험 데이터에 적합시켜 국소적 및 전반적 EC 매개변수를 추론합니다. 본 연구는 이러한 접근 방식의 확장성 및 잡음 민감도 문제를 해결하기 위해, Transformer, LSTM, CNN-BiLSTM 세 가지 심층 학습 아키텍처를 역 모델링에 적용하고, 다양한 잡음 조건 하에서 시뮬레이션된 EEG 데이터로부터 Jansen-Rit 신경 질량 모델(JR-NMM) 매개변수 추정 성능을 시뮬레이션 기반 추론과 비교 분석합니다. 시뮬레이션 결과, 시냅스 게인 및 시간 상수와 같은 주요 국소 매개변수의 신뢰할 수 있는 추정을 보였으나, ERP(사건 관련 전위)로부터 국소 JR-NMM 연결성과 같은 다른 매개변수는 신뢰성 있게 평가할 수 없음을 보였습니다. 또한, JR-NMM 매개변수의 ERP에 대한 영향과 학습 가능성을 특징짓기 위한 감도 분석을 수행했습니다. 결과적으로, 일부 JR-NMM 매개변수의 학습 가능성을 보여주는 심층 학습 접근 방식의 타당성을 제시합니다.
