CONFIDENTIAL 기밀 — 임상가 전용. 본 문서는 Boston Neuromind LLC의 영업비밀(CNA v7 알고리즘·EFE·진화 엔진·USPTO 후보)을 포함합니다. 외부 공유·복제 금지. Confidential — clinicians only. Contains Boston Neuromind LLC trade secrets (CNA v7 algorithm, EFE, evolution engine, USPTO candidates). No external sharing.

Attention 알고리즘 — 임상가용Attention Algorithm — Clinician

이 분과가 환자를 어떻게 판단하는가. CNA v7(Catcher Navigator Algorithm) — Fischer 발달이론 기반 의사결정 엔진. 11증상 통합 엔진을 primary_clinical_axis = attention으로 구동.How this department reasons. CNA v7 — a Fischer-based decision engine, run with primary_clinical_axis = attention.

0. 정체성 — 의료가 아닌 발달·학습0. Identity — development, not medicine

이 엔진은 "증상을 없애는 의료 모델"이 아니라 "기술을 단계적으로 발달시키는 학습 모델"이다. Fischer Dynamic Skill Theory를 코드로 구현 — 인지를 점수가 아니라 발달 레벨 L7~L13로 다루고, "어느 레벨을 어느 레벨로 끌어올릴까"가 엔진의 일. BCN+PhD wellness/coaching scope와 정합.Not a "remove-symptoms" medical model but a "develop-skills-by-level" learning model. Fischer Dynamic Skill Theory in code — cognition as developmental levels L7–L13, not scores. Fits the BCN+PhD wellness/coaching scope.

2층 구조: 환자가 선택하는 임상축(attention/learning/peak_performance) ↔ 숨은 발달축(Fischer 5축: 지속주의·작업기억·정서조절·시간감각·자기인지, 각 L7~L13). Peak = 임상축 입구, 발달은 인지축에서. Attention = 임상축 입구.Two layers: patient-chosen clinical axis (attention/learning/peak) ↔ hidden developmental axes (Fischer 5: sustained-attention, working-memory, emotion-reg, time-awareness, self-awareness; each L7–L13). Attention = the clinical-axis entry.

1. 마스터 결정 함수 — EFE1. Master Decision Function — EFE

전체를 묶는 결정 규칙은 Active Inference의 Expected Free Energy 최소화. "다음에 무엇을 측정/훈련할지(정책 π)"를 단일 스칼라로 선택.The unifying rule is Expected Free Energy minimization (Active Inference): choose the next measure/training policy π via one scalar.

π* = argmin_π G(π)

G(π) = −E_q[ ln P(o│C) ] ← 실용가치(목표 도달)pragmatic (goal)
− E_q[ D_KL( q(D│o,π) ‖ q(D) ) ] ← 인식가치(정보획득)epistemic (info gain)

실용항 = 선호결과 C(주의 회복 — 지속·선택·억제)에 가까워지는가. 인식항 = 진단 불확실성을 줄이는가. 진단이 불확실하면 변별 측정을, 진단이 서면 발달 훈련을 자동 균형. 구현: free_energy_scorer.py.Pragmatic = approach preferred outcome C (attention). Epistemic = reduce diagnostic uncertainty. Auto-balances "measure to disambiguate" vs "train to develop." Impl: free_energy_scorer.py.

Friston 2015; Sajid 2021; Smith 2022 (computational psychiatry). USPTO candidate.

2. 4모듈 파이프라인2. Four-Module Pipeline

#	모듈Module	기능Function	구현Impl
①	DDE	베이지안 판별진단 P(D│f,b). 막는 요인 동시 분포.Bayesian differential P(D│f,b)	`differential_diagnosis.py`
②	동반이환 분해Comorbidity	관찰 손상 → 진단별 분수 분해(경첩). f→D→s 재사상.impairment → fractional attribution	`comorbidity_decomposition.py`
③	인지 시뮬레이터Cognitive Sim	Pearl do-operator. do(축+Δ)→종착축 반사실. 발달 순서.do-operator counterfactual	`cognitive_simulator.py`
④	적응적 재라우팅Adaptive Reroute	4주 outcome→posterior 갱신. 진단 고착 방지.4-wk outcome → posterior revision	`adaptive_rerouting.py`

P(Dᵢ│f,b) = P(f│Dᵢ)·P(b│Dᵢ)·P(Dᵢ) / Σⱼ P(f│Dⱼ)·P(b│Dⱼ)·P(Dⱼ)

fₐ = Σᵢ wᵢₐ , wᵢₐ = P(Dᵢ│f,b)·Sᵢₐ / Σⱼ(...)·fₐ [분해]
gⱼ = Σₖ Cⱼₖ·sₖ_deficit + εⱼ [종착축 = 발달축의 함수]

3. Attention 특화 — 인과계수 Cⱼₖ (논문 추정)3. Attention Specialization — Cⱼₖ

do-operator의 인과계수는 추측이 아니라 주의·인지신경과학 논문에서 추정:Causal coefficients estimated from attention/cognitive-neuroscience literature:

경로Path	근거Evidence
s1(지속주의)→Attention	경계 저하·각성 변동 → 누락오류(omission)vigilance decrement → omissions · Posner & Petersen 1990
s2(작업기억)→Attention	WM 용량이 선택주의·방해억제 지지WM capacity supports selective attention · Engle 2002
s4(정서조절)→Attention	불안·걱정이 주의통제 자원 선점(ACT)anxiety pre-empts control · Eysenck & Derakshan 2011
s5(자기자각)→전축	메타인지·주의 모니터링metacognitive monitoring · Wells & Matthews 1996

Attention 진단 프레임 (요구분석 입력)Attention intake frame

3 주의 네트워크3 attention networks (Posner) — 경계(alerting)·지향(orienting)·집행(executive). breakdown_type이 do-operator 타겟 네트워크 지정alerting·orienting·executive → breakdown_type sets the do-operator target
Theta/Beta Ratio (Arns 2009 meta) — 전두·중심 TBR↑ = 저각성·주의결손 표지. NF 방향(Theta↓/Beta↑·SMR↑) 지정elevated TBR = under-arousal/attention marker → NF direction
6능력 프로파일6-ability profile — 지속·선택·억제·작업기억·각성·전환. 현재/목표 격차 = 훈련 우선순위sustained·selective·inhibition·WM·alertness·shifting; current/target gap = priority

4. 진화 엔진 — 스스로 똑똑해짐 ★4. Evolution Engine ★

이 엔진의 핵심 차별점. 케이스가 쌓일수록 모델이 정밀해진다.The key differentiator: the model sharpens as cases accumulate.

Case Registry — 모든 케이스(요구분석+진단+QEEG+훈련경과+4주 outcome)를 영구 누적all cases persist · cna_persistence.py
Variational Update — 관측-예측 괴리로 가중치·매핑 점진 갱신weights/mappings updated from prediction error · variational_update.py
OMR (Observable Model Refinement) — 생성모델(Cⱼₖ, Sᵢₐ) 자체를 outcome으로 보정 → 자체 evidence base 구축refine the generative model itself · USPTO 6번째 후보
Bayesian Prior Update — 실제 케이스로 population_prior 갱신 → 우리 환자군 특화priors updated to our cohort

운영 확인: /api/health의 episode_count가 케이스마다 올라가면 진화가 작동 중. 3분과(A/L/P)가 하나의 엔진을 공유하므로 데이터가 한곳에 모여 학습이 빠르다(분과 쪼개면 느려짐).Check: rising episode_count in /api/health = evolving. All three departments share one engine — shared data learns faster.

5. 9-Loop + 4-Vector5. 9-Loop + 4-Vector

1 Sense → 2 Locate → 3 Decide(Step0 Regulated Selector + filter + score + LLM rerank + OMR) → 4 Deliver → 5 Update → 6 Summarize → 7 Feedback → 8 Audit → 9 Catcher World

4-Vector 입력: V1 State(증상 f + 바이오마커 b) / V2 Desire(목표 = primary_clinical_axis, 요구분석에서) / V3 Skill(Fischer 레벨) / V4 Trajectory(발달 궤적 dg/dτ). 구현 지휘: orchestrator.py.4-Vector: V1 state, V2 desire (intake), V3 skill (Fischer), V4 trajectory. Conducted by orchestrator.py.

6. MSDI — 다중출처 진단 (주관+객관)6. MSDI — Multi-Source

설문(주관)과 QEEG/HRV(객관)를 통합. 두 채널 수렴=신뢰↑, 불일치=임상정보(마스킹·병식부족). 7-pillar #6.Integrates survey (subjective) + QEEG/HRV (objective). Convergence raises confidence; discordance is clinical signal. 7-pillar #6.

QEEG 입력 표준: 손잡이(오른손/왼손/양손) 필수 — 전두 알파 비대칭 해석이 손잡이로 갈림. EC(눈감음)/EO(눈뜸) 분리 입력 — 하나만 OK, 둘 다면 알파 반응성(EC→EO 감소%) 추가. biomarker는 측정 없으면 9.0 중립.QEEG input standard: handedness required (frontal alpha asymmetry depends on it); EC/EO entered separately (one is OK; both → alpha reactivity). Absent biomarkers default to 9.0 neutral.

7. 안전 · 운영 한계7. Safety · Limits

crisis_detection: 위기 신호 시 점수와 독립적으로 임상가 즉시 알림.crisis_detection: independent clinician alert.
진단명은 종착지가 아니라 do-operator 변수 선택 수단. 최종 판단·약물 의뢰는 임상가.Diagnosis is a means, not an end. Clinician makes final calls.
근거 강도 정직: 주의 NF(Theta/Beta·SMR)는 메타분석 입증(Arns 2009·2014), sham 대조 효과는 신중 해석.Honest evidence grading: attention NF (Theta/Beta·SMR) is meta-analytically supported; interpret sham-controlled effects cautiously.

Boston Neuromind LLC · CNA v7 · 기밀 임상가 문서 · 2026. 故 Kurt Fischer (Harvard GSE) Dynamic Skill Theory 기반.Boston Neuromind LLC · CNA v7 · Confidential · 2026. Based on the late Kurt Fischer's Dynamic Skill Theory (Harvard GSE).