Horikawa et al., 2020 Benchmark Project

Connectome Lab 2025W 인턴십 프로젝트

프로젝트 개요

감정(emotion)의 신경 표상(neural representation)을 연구한 Horikawa et al. (2020) 논문을 기반으로 한 벤치마크 프로젝트입니다.

핵심 연구 질문

"감정은 뇌에서 어떻게 표상되는가?"

논문 정보

• 제목: The Neural Representation of Visually Evoked Emotion Is High-Dimensional, Categorical, and Distributed across Transmodal Brain Regions
• 저자: Tomoyasu Horikawa, Alan S. Cowen, Dacher Keltner, Yukiyasu Kamitani
• 저널: iScience (Cell Press), 2020
• DOI: 10.1016/j.isci.2020.101060

폴더 구조

25W_Benchmark/
├── README.md              # 프로젝트 소개
├── CLAUDE.md              # AI 멘토 설정
│
├── literature/            # 논문 분석
│   └── horikawa2020.md
│
├── concepts/              # 개념 학습 노트
│   ├── fmri_basics.md
│   ├── emotion_theories.md
│   └── encoding_decoding.md
│
├── data/                  # 데이터
│   ├── raw/               # 원본 데이터
│   └── processed/         # 전처리된 데이터
│
├── code/                  # 구현 코드
│   ├── exploration/       # 데이터 탐색
│   └── models/            # 모델 구현
│
└── plans/                 # 연구 계획
    ├── benchmark_plan.md
    └── analysis_plan.md

데이터 설명

파일	설명
category_data.csv	34개 감정 카테고리 데이터
dimension_data.csv	14개 정서 차원 데이터
category_dimension_feature_data.csv/json	통합 데이터
Horikawa_features_top_1_info.csv	주요 피처 정보
feature.tar.gz	전체 피처 데이터 (압축)

학습 로드맵

Phase 1: 정서과학 (Affective Science) 기초

• 감정 이론: Basic Emotion vs. Dimensional vs. Constructionist
• Valence-Arousal 모델과 그 한계
• 34개 감정 카테고리의 의미와 선정 근거 (Cowen & Keltner, 2017)
• 감정의 신경 기반: 편도체, 전전두엽, Default Mode Network

Phase 2: 통계학 기초 → 심화

• 기초: 평균, 분산, 상관계수, p-value의 의미
• 회귀분석: Linear regression이란? (예측 vs 설명)
• 정규화: Ridge/Lasso regression - 왜 필요한가?
• 모델 평가: Train/Test split, Cross-validation, 과적합
• 다변량 분석: 고차원 데이터 다루기, 차원의 저주
• 비모수 검정: Permutation test의 원리

Phase 3: 머신러닝 / 딥러닝 (ML/DL)

• ML 기초: Supervised vs. Unsupervised learning
• 분류 vs 회귀: 언제 어떤 걸 쓰는가?
• 신경망 기초: Perceptron → MLP → CNN
• 딥러닝 실습: PyTorch 기초, 간단한 모델 구현
• 뇌 데이터에 DL 적용: 3D CNN, Graph Neural Network 소개

Phase 4: 논문 심층 분석

• Figure별 상세 해석 ✅ (진행 중)
• 방법론 깊이 이해: encoding/decoding 프레임워크
• 통계적 유의성 검정 방법
• 한계점과 후속 연구 방향

Phase 5: Benchmark 구현 (실습)

목표: 논문의 분석을 직접 재현하고 개선하기

Step 1: 데이터 탐색

• CSV 파일 로드 및 구조 파악
• 감정 점수 분포 시각화
• 결측치/이상치 확인

Step 2: 논문 재현 (Ridge Regression)

• Encoding 모델 구현: 감정 점수 → 뇌 활동 예측
• Decoding 모델 구현: 뇌 활동 → 감정 점수 예측
• Cross-validation으로 성능 평가
• 논문 Figure와 결과 비교

Step 3: 확장 (ML/DL 적용)

• 딥러닝 모델로 encoding/decoding 시도
• 카테고리 vs 차원 모델 성능 비교
• 새로운 분석 아이디어 적용

진행 상황

• Git repository 생성
• Knowledge base 폴더 구조 구축
• 논문 정독 (진행 중)
• 연구 아이디어 및 한계점 분석
• Phase 1-3 개념 학습
• 데이터 탐색 및 시각화
• Benchmark 구현

---

Connectome Lab | 2025 Winter