Uncertainty and Surprise in Event boundary Anxiety Modulation
"How we weave a story with small pieces of events"
불안(anxiety)이 신경 사건 분할(neural event segmentation)에 미치는 영향을 규명하는 연구 프로젝트
"People don't see the world before their eyes until it's put in a narrative mode." — Filmmaker Brian De Palma
인간의 마음은 서사 생성 엔진(narrative generation engine)으로서, 연속적인 경험을 이산적인 사건 단위로 분할하여 의미를 구성합니다. 이 연구는 불안이 이러한 사건 분할 과정에 어떤 영향을 미치는지 탐구합니다.
- 연속적 경험을 이산적, 의미 있는 사건 단위로 자동 분할 (Zacks et al., 2007)
- 핵심 원리: 사건 경계는 예측 오차(prediction error)가 일시적으로 증가할 때 발생
- GPT-2 Bayesian surprise가 인간 사건 분할과 유의미하게 상관 (r ≈ 0.3-0.4, Kumar et al., 2023)
| Level | Brain Regions | Event Type | Example |
|---|---|---|---|
| Sensory | V1, A1 | Short events | Screen cuts, music changes |
| Action | STS | Medium events | Handshakes, car departures |
| Situation | AG, PMC | Long events | Job interviews, breakups |
고차원 사건 경계에서 해마 결합(hippocampal binding) 현상이 관찰되며, 이는 일화 기억 형성과 직결됩니다.
불안은 예측 처리(predictive processing)를 변형시킵니다 (Grupe & Nitschke, 2013):
- 과잉경계(hypervigilance): 뇌의 신호 탐지 민감도 비정상적 증가
- 일반인이 무시할 작은 감각/맥락 변화도 불안한 뇌에서는 예측 오차 유발
불안한 개인은 세계를 다르게 분할하는가?
| (A) Fuzzy Boundaries | (B) Clear-cut Boundaries |
|---|---|
| "불안은 경계를 흐리게 한다" | "불안은 경계를 과도하게 정밀하게 한다" |
| 분할 능력 손상, 과일반화 | 안전 학습 방해, 과분할 |
| Cooper et al., 2022; Duits et al., 2015 | Zika et al., 2023; Gershman et al., 2010 |
- 불안은 **과분할(hypersegmentation)**을 유발
- 높은 특성 불안 → 더 빈번한 신경 사건 경계, 더 짧은 상태 체류 시간
- 불안한 개인은 사건을 "잘" 분할하지만, 너무 정밀하고 경직된 방식으로 수행
본 연구는 세 단계의 방법론적 확장을 통해 신경 사건 경계 탐지의 정밀도와 해석력을 점진적으로 향상시킵니다:
┌─────────────────────────────────────────────────────────────────────────┐
│ Phase 1: HMM Baseline → Phase 2: BSDS → Phase 3: Deep Learning │
│ ───────────────────── ───────────── ────────────────────── │
│ • Event-sequential HMM • Bayesian inference • GST-UNet │
│ • Standard GaussianHMM • AR(1) dynamics • SWIFT │
│ • 빠른 구현, 검증된 방법 • Factor model • NeuroMamba │
│ • 자동 상태 수 결정 • Causal inference │
│ • Future simulation │
└─────────────────────────────────────────────────────────────────────────┘
| Phase | Method | 특징 | Status |
|---|---|---|---|
| 1 | HMM-Baldassano | Event-sequential HMM, 이산적 뇌 상태 가정 | ✅ 구현 완료 |
| 1 | HMM-Yang | Standard GaussianHMM, hmmlearn 기반 | ✅ 구현 완료 |
| 2 | BSDS | Bayesian + AR(1) dynamics + Factor model | ✅ 구현 완료 |
| 3 | GST-UNet | Spatiotemporal causal inference | 🔄 계획 중 |
| 3 | SWIFT/NeuroMamba | State-of-the-art neural sequence models | 🔄 검토 중 |
| 측면 | BSDS | HMM-Baldassano | HMM-Yang |
|---|---|---|---|
| 상태 전이 | 자유 | Sequential only | 자유 |
| Emission | Factor model + AR(1) | Gaussian | Gaussian |
| 상태 수 결정 | 자동 (Bayesian) | 사전 지정 필요 | BIC 기반 선택 |
| 시간 역학 | AR(1) dynamics | 없음 | 없음 |
| Method | Avg F1 | Precision | Recall |
|---|---|---|---|
| BSDS | 1.000 | 1.000 | 1.000 |
| HMM-Baldassano | 0.800 | 0.800 | 0.800 |
| HMM-Yang | 1.000 | 1.000 | 1.000 |
Morgenroth et al. (2025)의 자연주의 영화 시청 fMRI 데이터셋:
| 항목 | 내용 |
|---|---|
| 참가자 | 30명 (여성 18명, 평균 연령 25.83세, 건강군) |
| 자극 | 14편 단편 영화 (평균 11분 26초, 총 2.5시간+) |
| fMRI | 3T, TR=1.3초 |
| 감정 annotation | 44명 평가자의 1Hz 연속 감정 평정 |
| 불안 측정 | DASS-21 불안 하위 척도 |
| Dataset | 특징 | 불안 척도 | Status |
|---|---|---|---|
| Emo-FilM | 감정 영화 14편, 연속 감정 annotation | ✅ DASS-21 | 🔄 진행 중 |
| Sherlock | TV 시청 fMRI, HMM 검증 표준 | ❌ | 📋 검토 중 |
| StudyForrest | Forrest Gump 시청, 풍부한 annotation | ❌ | 📋 검토 중 |
| HCP Movie | 대규모 표준화 데이터 | ❌ | 📋 검토 중 |
| 신규 수집 | 특성 불안 측정 포함 설계 | ✅ 필요 | 📋 계획 중 |
- 독립변수: DASS-21 불안 점수
- 종속변수:
- 신경 사건 경계 빈도 (HMM/BSDS 상태 전이 수)
- 신경 사건 경계 집단 정렬도 (개인 vs. 집단 평균 경계 상관)
- V1/A1 (감각 수준)
- Superior Temporal Sulcus (STS, 행동 수준)
- Angular Gyrus (AG, 상황 수준)
- Posterior Medial Cortex (PMC: PCC, precuneus, retrosplenial)
- Hippocampus (HPC)
UNSEAM/
├── BSDS_Project/ # 🧠 Event Segmentation Methods
│ │
│ ├── hmm_baseline/ # Phase 1: HMM Baseline
│ │ ├── model.py # - Baldassano 스타일 Event-sequential HMM
│ │ ├── hmmlearn_wrapper.py # - Yang 스타일 Standard GaussianHMM
│ │ └── comparison.py # - 방법 비교 유틸리티
│ │
│ ├── bsds_complete/ # Phase 2: BSDS
│ │ ├── core/ # - BSDSModel, BSDSConfig
│ │ ├── inference/ # - HMM, Latent variable inference
│ │ └── learning/ # - Factor, AR, Transition learning
│ │
│ ├── deep_learning/ # Phase 3: Deep Learning (계획)
│ │ ├── gst_unet/ # - GST-UNet implementation
│ │ └── neural_seq/ # - SWIFT, NeuroMamba 등
│ │
│ ├── compare_methods.py # 방법 비교 스크립트
│ ├── scripts/ # SLURM job scripts
│ └── docs/ # 상세 문서
│
├── analysis/ # 분석 스크립트
├── docs/ # 연구 문서
├── daily_progress/ # 일일 진행 기록
│
├── data/ # 데이터 (gitignored)
├── models/ # 모델 체크포인트
├── results/ # 분석 결과
└── papers/ # 참고 논문
# 환경 생성
conda create -n unseam python=3.9
conda activate unseam
# 의존성 설치
pip install numpy scipy scikit-learn hmmlearn
pip install nilearn nibabel matplotlib seaborncd BSDS_Project
# 시뮬레이션 데이터로 세 가지 방법 비교
python compare_methods.py --n-events 8
# HMM Baseline 테스트
python run_hmm_baseline.py --mode test
# Emo-Film 데이터로 실행
python run_hmm_baseline.py --dataset emofilm --task BigBuckBunny --n-events 8cd BSDS_Project
sbatch scripts/run_hmm_emofilm.slurm| 영역 | 기대 효과 |
|---|---|
| 불안의 인지 메커니즘 | 불안은 단순한 "걱정"이 아닌, 세계를 분할하고 인식하는 방식의 근본적 변화일 수 있음 |
| 불안 유지 기제 설명 | 과분할이 부정적 기억의 과도한 분리 및 침습과 연결될 가능성 |
| 임상적 적용 | 불안 장애에 대한 시사점, 특정 치료법의 효과 이유 규명 |
- HMM Baseline 상세:
BSDS_Project/docs/HMM_BASELINE_MANUAL.md - 문헌 리뷰:
docs/literature_review_event_boundaries_anxiety.md - 연구 설계:
docs/research_design.md - 랩서버 가이드:
BSDS_Project/scripts/README.md
-
Baldassano et al. (2017) - Event-sequential HMM
- "Discovering event structure in continuous narrative perception and memory"
- Neuron, 95(3), 709-721
-
Taghia et al. (2018) - BSDS
- "Uncovering hidden brain state dynamics that regulate performance and decision-making during cognition"
- Nature Communications, 9, 2505
-
Yang et al. (2023) - Standard GaussianHMM
- "The default network dominates neural responses to evolving movie stories"
- Nature Communications, 14, 4400
- Zacks et al. (2007) - Event Segmentation Theory, Psychological Bulletin
- Grupe & Nitschke (2013) - UAMA, Nature Reviews Neuroscience
- Kumar et al. (2023) - Bayesian Surprise & Event Segmentation, Cognitive Science
- Morgenroth et al. (2025) - Emo-FilM, Scientific Data
MIT License
Kyungjin Oh (castella@snu.ac.kr) Master's Student, Department of Psychology Connectome Lab, Seoul National University
Last updated: 2026-01-14