뇌전증 발작 자동 검출을 위한 딥러닝 통합 모델

본 논문은 임상 스칼프 EEG에서 발작을 자동으로 검출하기 위한 새로운 딥러닝 기반 프레임워크를 제시한다. 기존 연구에서는 낮은 신호‑대‑노이즈 비와 다양한 아티팩트(눈 움직임, 근육 잡음 등) 때문에 높은 오경보율이 문제였으며, 상용 시스템은 실제 임상에서 거의 사용되지 못하고 있었다. 이러한 한계를 극복하기 위해 저자들은 최근 공개된 대규모 데이터베이스인 TUH EEG Seizure Corpus(TUSZ)를 활용하였다. TUSZ는 3 % 정도의 발작 데이터를 포함하고 있어, 대용량 학습에 적합한 환경을 제공한다. 데이터 전처리 단계에서는 250 Hz, 16 bit 해상도의 원시 EEG를 1 초 에포크로 나누고, 각 에포크를 0.1 초 프레임(0.2 초 윈도우)으로 세분화하였다. 전통적인 선형 주파수 켑스트럼 계수(LFCC)와 그 1차·2차 미분을 추출해 22채널 각각 26차원 피처 벡터를 만든 뒤, 이를 기반으로 여러 모델을 학습시켰다. 첫 번째 베이스라인은 채널 독립적인 3‑state HMM에 8개의 가우시안 혼합을 적용한 GMM‑HMM 구조였다. HMM은 학습 속도가 빠르고 소량 데이터에서도 안정적이었지만, 오경보율이 높아 추가적인 후처리가 필요했다. 이를 보완하기 위해 스택드 디노이징 오토인코더(SdA)를 도입하였다. SdA는 800‑500‑300 유닛의 3계층 구조에 0.3의 노이즈 비율을 적용하고, 미니배치 SGD(배치 300)와 교차 엔트로피 손실로 사전‑학습·미세조정을 수행한다. 차원 축소를 위해 PCA를 적용해 입력 차원을 20으로 감소시킨 뒤, SdA가 44‑차원(채널 × 클래스) 확률 벡터를 출력한다. 시공간 컨텍스트를 보다 효과적으로 학습하기 위해 LSTM 기반 모델을 설계하였다. 여기서는 PCA로 차원을 20으로 줄인 뒤, 41‑프레임(≈4 초) 윈도우를 입력으로 하는 32‑노드 단일 LSTM 레이어를 사용한다. 최적화에는 Adam을 적용하고, 시그모이드 출력으로 각 에포크의 발작 확률을 추정한다. 장기 의존성을 더 효율적으로 학습하기 위해 Incremental PCA(IPCA)를 도입해 메모리 사용을 최소화하면서 7 초 윈도우(22 × 26 × 7 × 10 = 4004 차원)를 25 차원으로 압축하고, 128‑노드 LSTM에 연결했다. 공간‑시간 정보를 동시에 활용하기 위해 2‑D CNN·1‑D CNN·LSTM을 결합한 재귀합성곱 신경망(CNN/LSTM)도 구현하였다. 입력은 7 초(210 프레임) 길이의 시계열 데이터이며, 2‑D 합성곱(3 × 3, 16 필터) → 최대 풀링 → 2‑D→1‑D 합성곱 → LSTM(32 노드) → 전결합(512 노드) → 시그모이드 출력 순으로 구성된다. 이 구조는 이미지‑비디오 분류와 유사하게 EEG를 “영상”으로 취급해 공간적 패턴과 장기적 변화를 동시에 포착한다. 모델 학습은 교차 엔트로피 손실을 최소화하도록 설계되었으며, 각 단계별 최적화 파라미터는 논문에 상세히 기술되어 있다. 평가에서는 TUH EEG Seizure Corpus의 독립 테스트 셋을 사용해 민감도와 24시간당 오경보 수를 주요 지표로 삼았다. 최종 제안 모델은 30 % 민감도에 7건의 오경보를 기록했으며, 이는 기존 상용 시스템(오경보 수가 수십 건 이상)보다 현저히 낮은 수준이다. 또한, 데이터 수집 장비와 병원이 다른 Duke University Seizure Corpus에서도 동일한 실험을 수행했을 때, 민감도와 오경보 비율이 비슷한 추세를 보이며 모델의 일반화 가능성을 입증했다. 이 연구의 주요 기여는 다음과 같다. 첫째, 대규모 라벨링된 EEG 데이터가 확보됨에 따라 고차원 딥러닝 모델을 실제 임상에 적용할 수 있음을 보였다. 둘째, 시공간 컨텍스트를 별도 모듈(PCA → LSTM, CNN → LSTM)로 명시적으로 모델링함으로써 오경보를 크게 감소시켰다. 셋째, 전통적인 HMM‑GMM 기반 시스템과 딥러닝 기반 후처리를 결합한 하이브리드 파이프라인이 학습 효율성과 성능을 동시에 만족한다는 점을 실증했다. 마지막으로, 서로 다른 병원·장비에서 수집된 데이터에 대해서도 일관된 성능을 유지함으로써, 향후 다기관 임상 적용을 위한 기반을 마련했다. 향후 연구에서는 더 다양한 피처(예: 파워 스펙트럼, 비선형 동역학)와 멀티모달 데이터(영상·임상 기록) 통합, 그리고 실시간 구현을 위한 경량화 모델 설계가 기대된다.