뇌전도 자동 해석을 위한 빅데이터 기반 하이브리드 HMM‑딥러닝 시스템

본 논문은 임상 뇌전도(EEG) 데이터를 자동으로 해석하여 진단 시간을 단축하고, 중환자실(ICU) 등 실시간 모니터링에 활용할 수 있는 의사결정지원 도구를 개발하고자 한다. 연구 목표는 임상의가 요구하는 “민감도 95 % 이상, 오탐률 5 % 이하” 수준에 근접하는 시스템을 구현하는 것이다. 이를 위해 세계 최대 규모의 공개 EEG 데이터베이스인 TUH EEG Corpus(30 000 세션, 16 000 명 환자)를 활용하였다. 시스템은 크게 세 단계로 구성된다. 첫 번째 단계는 전처리·특징 추출 단계로, 각 채널을 250 Hz로 재샘플링하고, 선형 주파수 켑스트럼 계수(LFCC)를 기반으로 7개의 켑스트럼 계수, 1개의 주파수 에너지, 1개의 차분 에너지, 9개의 1차 델타, 8개의 2차 델타를 포함한 26차원 피처 벡터를 생성한다. 차분 에너지는 0.9 초 윈도우 내 최대·최소 에너지 차이를 이용해 순간적인 전위 변화를 강조한다. 두 번째 단계는 은닉 마코프 모델(HMM) 기반의 순차 디코딩이다. 각 이벤트(스파이크·샤프파(SPSW), 주기성 측면성 방전(PLED), 전반적 주기성 방전(GPED), 안구운동(EYEM), 아티팩트(ARTF), 배경(BCKG))마다 좌-우 전이만 허용하는 left‑to‑right GMM‑HMM을 학습시켰으며, Baum‑Welch 알고리즘으로 파라미터를 추정하고 Viterbi 알고리즘으로 최적 라벨 시퀀스를 얻는다. 이 단계에서는 채널별로 독립적인 사건 확률을 산출한다. 세 번째 단계는 딥러닝 기반의 후처리이다. HMM이 만든 6개의 사건 확률 시퀀스를 입력으로 하여, 시간적·공간적 컨텍스트를 통합한다. 구체적인 네트워크 구조는 논문에 상세히 기술되지 않았지만, 다층 퍼셉트론 혹은 CNN‑RNN 혼합 형태로 추정된다. 이 단계에서 각 채널 간 상관관계와 장기 의존성을 학습해, 예를 들어 눈 움직임과 실제 스파이크를 구분하거나, 아티팩트와 임상 이벤트를 정확히 구분한다. 성능 평가는 민감도와 오탐률을 중심으로 이루어졌다. 실험 결과, 주요 임상 이벤트에 대한 민감도는 90 % 이상이며, 전체 오탐률은 5 % 미만으로 보고되었다. 이는 기존 자동 분석 시스템이 보였던 20 % 이상 오탐률에 비해 현저히 낮은 수치이며, 실시간 임상 적용에 충분히 근접한 수준이다. 다만, “특이도 아래 5 %”라는 표현은 오타로 보이며, 실제 목표는 ‘특이도 95 % 이상’임을 추정한다. 제한점으로는 (1) 전극 구성이 평균 참조(AR)인 데이터만 사용해 다른 전극 배치에 대한 일반화가 검증되지 않음, (2) 딥러닝 모델의 구체적 아키텍처와 학습 파라미터가 공개되지 않아 재현성이 낮음, (3) 실시간 처리량과 지연 시간에 대한 분석이 부족해 실제 ICU 적용 시 추가 최적화가 필요함을 들 수 있다. 향후 연구 방향은 전체 TUH 데이터셋(다양한 전극 배치, 다양한 노이즈 환경)으로 모델을 확장하고, Transformer‑ 기반 시계열 모델이나 Graph Neural Network를 도입해 장기 의존성과 채널 간 그래프 구조를 더 정교히 모델링하는 것이다. 또한, 경량화된 모델을 FPGA나 모바일 디바이스에 구현해 실시간 스트리밍 분석을 검증하고, 임상의와의 인터페이스 설계·사용성 평가를 통해 실제 임상 워크플로에 통합하는 파일럿 시험을 진행할 필요가 있다. 결론적으로, 빅데이터와 하이브리드 HMM‑딥러닝 접근법은 EEG 자동 해석의 정확도와 신뢰성을 크게 향상시켰으며, 향후 상용화와 임상 적용을 위한 기반을 마련하였다.