자동 간질 진단을 위한 간헐성 두피 EEG 활용

초록

본 논문은 긴 시간 동안 발작(ictal) 활동을 포함하지 않는 간헐성(interictal) 두피 EEG 데이터를 이용해 자동으로 간질 여부를 판별하는 시스템을 제안한다. 전력 스펙트럼, 프랙탈 차원, Hjorth 파라미터 등 세 종류의 특징을 추출하고, 각 채널별로 확률 신경망(PNN)을 학습시킨 뒤 다수결 투표 방식으로 최종 결정을 내린다. 최적화된 특징 추출 파라미터와 투표 결합을 통해 94.07%의 정확도를 달성했으며, 이는 숙련된 의료진의 진단 정확도와 거의 동등한 수준이다.

상세 분석

이 연구는 기존의 발작(ictal) 구간을 필요로 하는 자동 진단 방법과 달리, 간헐성(interictal) 구간만을 이용한다는 점에서 큰 차별성을 가진다. 데이터는 22채널 국제 10‑20 시스템으로 200 Hz에서 수집되었으며, 6명의 정상인과 6명의 간질 환자 각각에서 약 22 353개의 세그먼트를 추출해 총 491 766개의 샘플을 구성하였다. 특징 추출 단계에서는 전력 스펙트럼 강도(PSI)를 상대 강도 비율(RIR)로 정규화하고, 프랙탈 차원으로는 Petrosian Fractal Dimension(PFD)과 Higuchi Fractal Dimension(HFD)를 사용하였다. 또한, Hjorth 파라미터(활동성, 이동성, 복잡도)를 계산해 비선형·비정상성을 포착한다.

특징 벡터는 PNN에 입력되며, PNN은 가우시안 형태의 라디얼 베이스 함수를 이용해 베이즈 판별을 수행한다. 저자는 각 채널마다 별도의 PNN을 학습시킨 뒤, 동일 시간에 기록된 22채널의 판정 결과를 다수결(voting) 방식으로 결합한다. 이때 사용된 PNN의 스프레드 상수는 0.1로 최적화되었으며, 라디얼 베이스 레이어의 바이어스는 √ln 0.5 로 설정해 0.5를 기준으로 함수가 교차하도록 설계하였다.

실험은 Leave-One-Out Cross‑Validation(LOOCV)으로 진행되었으며, 기본 파라미터(세그먼트 길이 4096, 필터 차단 주파수 40 Hz, 주파수 대역 2‑32 Hz, bin 1 Hz)에서는 단일 채널당 평균 정확도가 70~85% 수준이었다. 파라미터 최적화(세그먼트 길이 8192, 차단 주파수 56 Hz, 대역 2‑34.5 Hz, bin 2.5 Hz) 후에는 개별 채널 정확도가 90% 이상으로 상승했으며, 22채널 투표 결합을 통해 최종 정확도 94.07%를 기록했다. 특히, 차단 주파수를 46 Hz 이상으로 올리면 정확도 향상이 미미한데, 이는 간헐성 EEG에서 주요 스파이크가 15‑50 Hz 구간에 집중되어 있기 때문으로 해석된다.

이 시스템의 장점은 (1) 긴 시간의 발작 데이터를 요구하지 않아 환자와 의료진의 부담을 크게 감소시킨다, (2) 저비용의 두피 EEG만으로도 높은 진단 정확도를 달성한다, (3) PNN의 실시간 업데이트 특성으로 새로운 환자 데이터가 추가될 때 모델 재학습이 용이하다, (4) 다중 채널 투표 구조가 노이즈와 아티팩트에 대한 강인성을 제공한다는 점이다. 다만, 데이터셋이 12명(6명씩)으로 제한적이며, 전처리 단계에서 아티팩트 제거가 자동화되지 않은 점은 실제 임상 적용 시 고려해야 할 과제로 남는다. 향후 연구에서는 더 큰 규모의 다기관 데이터를 활용하고, 자동 아티팩트 검출·제거 모듈을 통합함으로써 일반화 성능을 검증할 필요가 있다.