[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,111 +2,189 @@
|
||||
id: wiki-2026-0508-cross-frequency-coupling-cfc
|
||||
title: Cross Frequency Coupling (CFC)
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: []
|
||||
aliases: [CFC, Phase-Amplitude Coupling, PAC, Theta-Gamma Coupling]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [uncategorized]
|
||||
confidence_score: 0.85
|
||||
verification_status: applied
|
||||
tags: [neuroscience, eeg, signal-processing, brain, oscillations]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: Python
|
||||
framework: MNE-Python / tensorpac / scipy
|
||||
---
|
||||
|
||||
# [[교차 주파수 결합 (CFC)]]
|
||||
# Cross Frequency Coupling (CFC)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
교차 주파수 결합(Cross-Frequency Coupling, CFC)은 서로 다른 주파수 대역의 신경 진동(뇌파)이 동시에 발생하며 상호작용하는 뇌의 기능적 연결 메커니즘이다 [1]. 특히 느린 뇌파의 위상이 빠른 뇌파의 진폭을 변조하는 위상-진폭 결합(PAC)의 형태가 대표적이다 [1, 2]. 이는 멀리 떨어진 뇌 영역 간의 통신을 동기화하고, 산재된 감각 정보를 작업 기억 내에서 하나의 일관된 경험으로 묶어내는 맥락 통합의 핵심적인 신경 생물학적 기제로 작용한다 [1, 2].
|
||||
## 매 한 줄
|
||||
> **"매 brain oscillation 의 매 multi-band interaction"**. Bragin 1995 hippocampus theta-gamma 발견 → Canolty 2006 PAC formalism → 2026 closed-loop neurostim 의 clinical use. 매 working memory + attention + sensorimotor binding 의 매 candidate mechanism — 매 BCI/neurofeedback의 actionable feature.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **주파수 간 상호작용 및 위상-진폭 결합(PAC):**
|
||||
주파수 영역 내의 다양한 뇌파(EEG) 진동은 독립적으로 작용하는 것이 아니라, 교차 주파수 진동의 상호작용을 통해 여러 신경 네트워크의 통합을 조절한다 [1]. CFC의 가장 널리 알려진 형태인 위상-진폭 결합(Phase-Amplitude Coupling, PAC)은 느린 진동 주파수(예: 세타파)의 위상이 더 빠른 진동 주파수(예: 감마파)의 진폭을 변조하는 구조를 가진다 [1, 2]. PAC는 다양한 뇌 영역에 걸쳐 보고되며 인지 기능 간의 상호작용 및 지역 신경망 간의 통신을 반영한다 [1].
|
||||
## 매 핵심
|
||||
|
||||
* **결합 문제(Binding Problem) 해결과 전역적 맥락 통합:**
|
||||
뇌가 시각, 청각 등 분산된 감각 정보를 하나의 의미 있는 맥락으로 묶는 이른바 '결합 문제'는 세타 주파수(약 4-12Hz)와 감마 주파수(약 30-100Hz) 간의 결합을 통해 해결된다 [2]. 뇌는 이 세타-감마 결합(Theta-Gamma Coupling, TGC)을 이용하여 멀리 떨어진 영역 간의 의사소통을 동기화하고 정보를 하나의 통일된 맥락적 경험으로 통합한다 [1-3].
|
||||
### 매 CFC types
|
||||
- **Phase-Amplitude Coupling (PAC)**: 매 low-freq phase 의 high-freq amplitude 의 modulation — 매 most studied (theta phase × gamma amplitude).
|
||||
- **Phase-Phase Coupling (n:m)**: 매 phase synchrony at integer ratios — 매 7:1 theta-gamma 의 hippocampus.
|
||||
- **Amplitude-Amplitude Coupling**: 매 envelope co-fluctuation.
|
||||
- **Phase-Frequency Coupling**: 매 less common.
|
||||
|
||||
* **작업 기억(Working Memory) 내 다중 정보 처리 메커니즘:**
|
||||
빠른 리듬의 뇌 활동이 느린 뇌파 안에 중첩(Nesting)되는 현상은 다중 항목의 작업 기억을 유지하는 핵심 메커니즘으로 여겨진다 [1]. 세타 주기의 특정 위상에 여러 개의 감마 하위 주기(subcycle)가 실리는 구조는 뇌가 다수의 정보를 순서대로 정렬하여 기억하도록 돕는다 [2].
|
||||
### 매 PAC 측정 metrics
|
||||
- **Modulation Index (MI, Tort 2010)**: 매 KL divergence — 매 가장 robust.
|
||||
- **Mean Vector Length (MVL, Canolty)**: 매 simpler, noise-sensitive.
|
||||
- **General Linear Model PAC (van Wijk)**: 매 statistical inference.
|
||||
- **Phase-Locking Value (PLV)**: 매 phase-phase only.
|
||||
|
||||
* **변조 지수(Modulation Index, MI)를 통한 정량적 분석:**
|
||||
교차 주파수 결합의 강도는 변조 지수(MI)라는 값을 통해 정량화할 수 있다 [4]. 이를 위해 힐베르트 변환(Hilbert transform)을 적용하여 느린 주파수(예: 세타파)의 위상 시계열과 빠른 주파수(예: 감마파)의 진폭 포락선 시계열을 결합한다 [4]. 이후 특정 위상 구간별 진폭 분포를 구하고, 이 분포가 균일 분포(Uniform distribution)로부터 얼마나 멀리 떨어져 있는지를 쿨백-라이블러(Kullback-Leibler) 거리와 엔트로피를 통해 산출하여 최종적인 결합 수준을 측정한다 [4-6].
|
||||
### 매 Functional roles
|
||||
- **Theta-Gamma (4-8 Hz × 30-100 Hz)**: 매 working memory chunking — 매 Lisman-Idiart 7±2 model.
|
||||
- **Alpha-Gamma (8-13 Hz × 30-100 Hz)**: 매 attention gating — 매 sensory selection.
|
||||
- **Delta-Beta (1-3 Hz × 13-30 Hz)**: 매 motor planning.
|
||||
- **Theta-Alpha**: 매 hippocampus-cortex coordination.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
단일 주파수에만 집중하던 기존의 정량적 뇌파 분석(QEEG)인 전력 스펙트럼 분석은 특정 주파수의 전력과 전압은 정량화하지만, 신경 활동 평가에 있어 필수적인 위상(phase) 정보를 무시하는 한계가 있었다 [1]. 교차 주파수 결합(CFC)은 위상 정보와 진폭(전력) 정보를 통합하여 기능적 뇌 활동과 네트워크 간 정보 처리 특성을 훨씬 정확하게 설명해 준다는 큰 장점이 있다 [1].
|
||||
그러나 CFC(특히 PAC)를 제대로 측정하기 위해서는 힐베르트 변환을 통한 시계열 합성, 위상 구간 분할, 엔트로피 기반의 쿨백-라이블러 거리 측정 및 변조 지수(MI) 계산이라는 일련의 수학적 과정을 거쳐야 하므로 기존 분석법보다 연산 비용과 계산적 복잡도가 크게 증가한다 [4-6].
|
||||
또한 생물학적 제약 관점에서 볼 때, 알츠하이머 치매나 조현병 등의 임상적 상태 혹은 특정 발달 지연 환경에서는 이 결합(예: 세타-감마 결합)이 손상될 수 있으며, 이 경우 작업 기억의 유지 성능과 분산된 맥락을 통합하는 뇌의 근본적인 능력이 크게 저하되는 결과를 초래한다 [7, 8].
|
||||
### 매 응용
|
||||
1. **BCI**: 매 PAC features 의 motor intent decoding — 매 SOTA 보다 +10% accuracy.
|
||||
2. **Neurofeedback**: 매 closed-loop modulation 의 ADHD/depression.
|
||||
3. **Sleep staging**: 매 SO-spindle coupling 의 NREM consolidation marker.
|
||||
4. **Anesthesia depth**: 매 alpha-delta PAC 의 monitoring.
|
||||
5. **Esports/flow detection**: 매 frontal theta-gamma 의 absorption marker.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
### Related Concepts
|
||||
## 💻 패턴
|
||||
|
||||
#### [관계 유형 A (기반 메커니즘 및 아키텍처)]
|
||||
- [[세타-감마 결합 (Theta-Gamma Coupling, TGC)]]
|
||||
- 연결 이유: 교차 주파수 결합의 가장 대표적이고 잘 알려진 신경 부호화 사례로, 분산된 정보의 맥락 통합 과정에서 필수적으로 등장하는 현상이기 때문이다 [1, 2].
|
||||
- 이 개념을 통해 더 깊게 이해할 수 있는 부분: 단편적인 감각 정보나 사건들이 뇌 안에서 어떻게 순서대로 배열되고 단기적인 기억 창(Working memory) 내에서 유지되며 맥락을 형성하는지 구체적인 시계열적 메커니즘을 파악할 수 있다 [1, 2].
|
||||
### Modulation Index (Tort 2010)
|
||||
```python
|
||||
import numpy as np
|
||||
from scipy.signal import hilbert, butter, filtfilt
|
||||
|
||||
- [[글로벌 워크스페이스 이론 (Global Workspace Theory, GWT)]]
|
||||
- 연결 이유: CFC를 통해 국지적인 모듈에서 동기화된 신경 정보가 임계값을 넘어 전역적으로 방송(Broadcasting)됨으로써 하나의 의식과 통합된 맥락 경험을 형성한다는 뇌의 거시적 정보 처리 모델이기 때문이다 [3, 9].
|
||||
- 이 개념을 통해 더 깊게 이해할 수 있는 부분: 부위별 교차 주파수 동기화가 어떻게 무의식적 프로세스를 의식적 무대로 끌어올려, 인간의 복합적인 상황적 맥락(Context) 판단을 유도하는지 전체 네트워크 아키텍처 관점에서 이해할 수 있다 [2, 3, 9].
|
||||
def bandpass(sig, fs, low, high, order=4):
|
||||
b, a = butter(order, [low, high], btype="band", fs=fs)
|
||||
return filtfilt(b, a, sig)
|
||||
|
||||
#### [관계 유형 B (구현 및 분석 도구/현상)]
|
||||
- [[작업 기억 (Working Memory)]]
|
||||
- 연결 이유: 뇌파의 교차 주파수 결합이 가장 활발하게 작용하여 다중 정보의 유지를 지원하는 핵심 인지 영역이기 때문이다 [1].
|
||||
- 이 개념을 통해 더 깊게 이해할 수 있는 부분: 맥락 통합이 인지적으로 빠르고 유연하게 이루어지기 위해 (장기 기억과 상충 관계를 가지면서도) 어떻게 단기적인 인지 자원을 할당받고 유지되는지 알 수 있다 [1, 10].
|
||||
def modulation_index(signal, fs, phase_band, amp_band, n_bins=18):
|
||||
phase_sig = bandpass(signal, fs, *phase_band)
|
||||
amp_sig = bandpass(signal, fs, *amp_band)
|
||||
phase = np.angle(hilbert(phase_sig))
|
||||
amp = np.abs(hilbert(amp_sig))
|
||||
|
||||
- [[변조 지수 (Modulation Index, MI)]]
|
||||
- 연결 이유: 서로 다른 주파수의 위상과 진폭 간 결합 강도(PAC)를 균일 분포와의 거리를 측정하여 수학적으로 도출하는 정량적 지표이기 때문이다 [5, 6].
|
||||
- 이 개념을 통해 더 깊게 이해할 수 있는 부분: 맥락 통합의 정도를 실제 데이터나 시스템에서 수치화하여 모니터링할 때 필요한 통계학적, 정보이론적(엔트로피) 측정 원리를 이해할 수 있다 [5, 6].
|
||||
bins = np.linspace(-np.pi, np.pi, n_bins + 1)
|
||||
mean_amp = np.array([
|
||||
amp[(phase >= bins[i]) & (phase < bins[i+1])].mean()
|
||||
for i in range(n_bins)
|
||||
])
|
||||
p = mean_amp / mean_amp.sum()
|
||||
H = -np.sum(p * np.log(p + 1e-12))
|
||||
Hmax = np.log(n_bins)
|
||||
return (Hmax - H) / Hmax # MI ∈ [0, 1]
|
||||
```
|
||||
|
||||
### Deeper Research Questions
|
||||
### PAC Comodulogram (frequency-pair sweep)
|
||||
```python
|
||||
def comodulogram(signal, fs,
|
||||
phase_freqs=np.arange(2, 15, 1),
|
||||
amp_freqs=np.arange(20, 120, 5),
|
||||
bw_phase=2, bw_amp=10):
|
||||
co = np.zeros((len(phase_freqs), len(amp_freqs)))
|
||||
for i, fp in enumerate(phase_freqs):
|
||||
for j, fa in enumerate(amp_freqs):
|
||||
co[i, j] = modulation_index(
|
||||
signal, fs,
|
||||
(fp - bw_phase/2, fp + bw_phase/2),
|
||||
(fa - bw_amp/2, fa + bw_amp/2),
|
||||
)
|
||||
return phase_freqs, amp_freqs, co
|
||||
```
|
||||
|
||||
- 단일 주파수 모델 대비 위상과 진폭을 융합하는 교차 주파수 결합(CFC) 측정 방식이 실시간 뇌-컴퓨터 인터페이스(BCI)에서의 정보 전송 지연 및 연산 부하에 미치는 영향은 무엇인가?
|
||||
- 자폐 스펙트럼 장애(ASD) 환자가 보이는 약한 중앙 응집(WCC) 및 맥락 맹(Context Blindness) 증상은 특정 뇌 영역 간 세타-감마 결합의 결함 비율과 어떻게 정량적으로 상관되는가?
|
||||
- 변조 지수(Modulation Index)를 도출하기 위한 쿨백-라이블러(KL) 거리 측정 모델을 인공지능의 멀티모달 프롬프트 압축 기술(예: E2LLM의 Soft prompt)의 손실 함수(Loss function) 설계에 차용할 수 있는가?
|
||||
- 조현병이나 치매 모델에서 나타나는 세타-감마 결합 이상을 비침습적 신경 조절 기법으로 동기화시켰을 때, 작업 기억 및 맥락적 상황 파악 능력이 실시간으로 회복되는 메커니즘은 무엇인가?
|
||||
- 인공지능 신경망의 상태 공간 모델(SSM, 예: Mamba)이 시퀀스 정보를 선택적으로 스캔하는 과정은 뇌의 교차 주파수 결합이 맥락을 필터링하고 유지하는 동역학적 특성과 수학적으로 어떤 차이를 보이는가?
|
||||
### Tensorpac (production library)
|
||||
```python
|
||||
from tensorpac import Pac
|
||||
import numpy as np
|
||||
|
||||
### Practical Application Contexts
|
||||
# 매 multi-trial PAC + surrogate statistics
|
||||
data = np.random.randn(100, 2048) # n_epochs × n_samples
|
||||
fs = 256
|
||||
p = Pac(idpac=(2, 2, 4), # MVL, swap-block surrogate, z-score
|
||||
f_pha=(2, 15, 1, 0.5), f_amp=(20, 120, 5, 5))
|
||||
phases = p.filter(fs, data, ftype="phase", n_jobs=4)
|
||||
amps = p.filter(fs, data, ftype="amplitude", n_jobs=4)
|
||||
xpac = p.fit(phases, amps) # n_amp × n_pha × n_epochs
|
||||
```
|
||||
|
||||
- **Implementation:** 생체 신호(EEG)나 멀티스케일 시계열 센서 데이터를 분석하는 모듈 개발 시, 단순 전력 스펙트럼 분석을 넘어 힐베르트 변환과 엔트로피 연산을 적용하여 저주파수-고주파수 간의 변조 지수(MI)를 산출하는 알고리즘 파이프라인을 구축한다.
|
||||
- **System Design:** 다중 센서 입력을 융합하는 자율주행이나 로보틱스 시스템을 설계할 때, 뇌가 세타-감마 코드를 활용하듯 저주기(거시적 상황 맥락) 신호가 고주기(세부 감각 데이터) 신호의 진폭을 조절하여 동기화하는 계층적 신호 처리 아키텍처를 도입한다.
|
||||
- **Operation / Maintenance:** 임상 및 연구 목적의 신경 생리 데이터 분석 시스템에서 뇌파 데이터를 모니터링할 때, 작업 기억(Task-state)과 휴지기(Resting-state)를 구분해 교차 주파수 결합 맵을 시각화하고 인지 장애(맥락 맹 등)의 조기 징후를 판별하는 진단 유지보수 툴로 활용한다.
|
||||
- **Learning Path:** 디지털 신호 처리(푸리에 및 힐베르트 변환) $\rightarrow$ 신경 생리학(뇌파의 특성) $\rightarrow$ 교차 주파수 결합(CFC) 이론 $\rightarrow$ 작업 기억 및 글로벌 워크스페이스 기반 인지 심리학 $\rightarrow$ 인공지능의 시계열-맥락 어텐션 처리 융합 모델로 이어지는 체계적 커리큘럼을 따른다.
|
||||
- **My Project Relevance:** 방대한 데이터 간의 상호작용 및 상황을 결합하여 맥락적 추론을 제시하는 뉴로-심볼릭(Neuro-Symbolic) AI 과제 등에서, 이종 도메인의 신호들을 어떻게 하나의 통일된 의미 벡터로 동기화시킬 것인가에 대한 생물학적 모방 기반 아이디어로 활용할 수 있다.
|
||||
### Sleep SO-Spindle Coupling
|
||||
```python
|
||||
def so_spindle_coupling(eeg, fs=500):
|
||||
# 매 slow oscillation phase (0.5-1.25 Hz) × spindle amplitude (12-15 Hz)
|
||||
return modulation_index(eeg, fs, (0.5, 1.25), (12, 15))
|
||||
# 매 healthy young: MI ≈ 0.005-0.015; 매 elderly: 매 lower
|
||||
```
|
||||
|
||||
### Adjacent Topics
|
||||
### Closed-Loop Phase-Triggered Stim
|
||||
```python
|
||||
import collections, time
|
||||
|
||||
- [[어텐션 메커니즘 (Attention Mechanism)]]
|
||||
- 확장 방향: 인간의 뇌가 여러 주파수의 뇌파를 동기화하여 중요한 감각 정보를 선택하고 맥락으로 묶어내는 과정(CFC 및 GWT)을 인공지능의 트랜스포머 모델이 입력 토큰 간의 관련성을 가중치로 계산하여 핵심 맥락에 집중하는 '어텐션 연산' 방식과 비교하여 메커니즘의 차이와 차세대 AI의 설계 방향을 연구한다 [11, 12].
|
||||
- [[부호화 특수성 원리 (Encoding Specificity Principle)]]
|
||||
- 확장 방향: 뇌의 주파수 상호작용이 작업 기억 내에 정보를 순서대로 결합하고 일시적으로 맥락을 형성하는 미시적 토대라면, 인지 심리학적으로 부호화 당시의 환경적 맥락이 인출 시 강력한 단서로 작용하는 현상(예: 맥락 의존적 기억 및 체류 시간의 영향)을 거시적 차원에서 함께 분석하여 인간 기억 처리의 전모를 살핀다 [13].
|
||||
class PhaseTriggeredStim:
|
||||
def __init__(self, fs, target_phase=0, tolerance=0.3):
|
||||
self.fs = fs; self.buf = collections.deque(maxlen=int(fs * 2))
|
||||
self.target = target_phase; self.tol = tolerance
|
||||
def push_sample(self, x):
|
||||
self.buf.append(x)
|
||||
if len(self.buf) < self.fs: return False
|
||||
sig = np.array(self.buf)
|
||||
theta = bandpass(sig, self.fs, 4, 8)
|
||||
cur_phase = np.angle(hilbert(theta))[-1]
|
||||
return abs(cur_phase - self.target) < self.tol
|
||||
def stim_loop(self, sample_iter, deliver_pulse):
|
||||
for x in sample_iter:
|
||||
if self.push_sample(x): deliver_pulse()
|
||||
```
|
||||
|
||||
---
|
||||
*Last updated: 2026-05-05*
|
||||
### Statistical Significance via Surrogates
|
||||
```python
|
||||
def pac_zscore(signal, fs, phase_band, amp_band, n_perm=200):
|
||||
real = modulation_index(signal, fs, phase_band, amp_band)
|
||||
surr = []
|
||||
for _ in range(n_perm):
|
||||
shift = np.random.randint(fs, len(signal) - fs)
|
||||
s = np.concatenate([signal[shift:], signal[:shift]])
|
||||
surr.append(modulation_index(s, fs, phase_band, amp_band))
|
||||
return (real - np.mean(surr)) / np.std(surr)
|
||||
```
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
## 매 결정 기준
|
||||
| Use case | Approach |
|
||||
|---|---|
|
||||
| Single recording, exploration | Tort MI + comodulogram |
|
||||
| Multi-trial group stats | Tensorpac w/ surrogates + cluster perm |
|
||||
| Real-time BCI/stim | MVL (cheaper) + phase tracker |
|
||||
| Sleep research | SO-spindle MI + co-occurrence |
|
||||
| Tutorial/learning | Tort MI w/ 18 bins |
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
**기본값**: Tort 2010 MI + 200 surrogate permutations + cluster correction.
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
## 🔗 Graph
|
||||
- 부모: [[Neural Oscillations]] · [[EEG Signal Processing]]
|
||||
- 변형: [[Phase-Amplitude Coupling]] · [[Phase-Locking Value]] · [[n:m Coupling]]
|
||||
- 응용: [[Brain-Computer Interface]] · [[Neurofeedback]] · [[Sleep Spindle Analysis]] · [[Cognitive Neuroscience of Flow]]
|
||||
- Adjacent: [[Hilbert Transform]] · [[Wavelet Analysis]] · [[Working Memory]] · [[Theta Rhythm]] · [[Gamma Oscillations]]
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 PAC pipeline scaffold, 매 metric choice 의 explanation, 매 surrogate-test 의 reasoning.
|
||||
**언제 X**: 매 clinical diagnostic decision 의 sole basis, 매 individual subject 의 inference 의 small-sample.
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
## ❌ 안티패턴
|
||||
- **No surrogate test**: 매 spurious PAC 의 1/f noise + nonstationarity 의 false positive.
|
||||
- **Filter ringing artifact**: 매 narrow band + steep filter 의 phase distortion.
|
||||
- **Phase-amp band overlap**: 매 fp + bw/2 ≥ fa - bw/2 의 self-coupling artifact.
|
||||
- **Edge effects 무시**: 매 Hilbert transform 의 endpoint distortion.
|
||||
- **MVL alone**: 매 amplitude variance 의 confound — 매 MI 의 더 robust.
|
||||
- **PAC = causation**: 매 correlation 의 mechanistic interpretation 의 over-claim.
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Tort et al. 2010 _J Neurophysiol_, Canolty & Knight 2010 _Trends Cogn Sci_, Aru et al. 2015 _Curr Opin Neurobiol_ pitfalls review).
|
||||
- 신뢰도 A.
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — Tort MI + comodulogram + closed-loop stim patterns |
|
||||
|
||||
Reference in New Issue
Block a user