뇌전도 감속 현상, 자동 발작 탐지의 숨은 함정

초록

**
발작 종료 후 나타나는 저주파 감속(슬로잉)은 비발작성 뇌전도 변동과 형태가 유사해 자동 발작 탐지 시스템에서 오탐을 유발한다. 저자들은 TUH EEG Slowing 데이터베이스(배경·감속·발작 10초 샘플 각각 100개)를 구축하고, 세 종류 모두를 학습에 포함시켰을 때 감속을 구분하는 능력이 크게 향상돼 민감도가 43% → 77%로 상승함을 보였다.

**

상세 분석

**
본 연구는 임상 EEG 기록에서 발작과 비발작성 감속이 형태학적으로 겹치는 현상을 정량적으로 규명하고, 이를 자동화된 발작 탐지 알고리즘의 주요 오류 원인으로 제시한다. 기존 TUH EEG Seizure Corpus에서 발작 라벨링 작업을 수행하던 중, 발작 종료 직후 나타나는 ‘슬로잉’ 구간이 독립적인 비발작 감속과 구분되지 않아 다수의 false alarm이 발생함을 발견하였다. 이러한 현상은 두 가지 기술적 난점을 내포한다. 첫째, 전통적인 스펙트럼 기반 특징(주파수, 파워 스펙트럼 밀도 등)은 감속 구간에서도 발작과 유사한 저주파 성분을 보이므로 구별력이 낮다. 둘째, 시간‑주파수 변환(예: 웨이블릿)에서도 감속과 발작의 전이 구간이 겹쳐, 머신러닝 모델이 학습할 때 클래스 간 경계가 흐려진다.

이를 해결하기 위해 저자들은 TUH EEG Slowing 데이터베이스를 새로 구축하였다. 전체 데이터는 3가지 클래스로 균등하게 구성되며, 각각 10초 길이의 연속 신호를 100개씩 제공한다. 배경(정상) 샘플은 전반적인 무작위 구간에서 추출하고, 감속 샘플은 발작이 전혀 없는 환자에서 독립적으로 나타난 저주파 감소 구간을, 발작 샘플은 기존 TUH Seizure Corpus에서 검증된 발작 이벤트를 사용한다.

실험에서는 Convolutional Neural Network(CNN) 기반의 시간‑주파수 이미지 입력 모델을 두 가지 학습 시나리오에 적용하였다. (1) 발작 + 배경만 사용한 경우와 (2) 발작 + 배경 + 감속을 모두 포함한 경우이다. 결과는 감속 클래스를 학습에 포함시켰을 때, 발작 검출 민감도가 43%에서 77%로 크게 상승했으며, 동시에 false alarm 비율이 현저히 감소함을 보여준다. 이는 모델이 감속 특유의 파형(예: 점진적 주파수 감소, 진폭 변동 패턴)을 별도 특징으로 학습함으로써, 발작 종료 후의 슬로잉과 독립 감속을 효과적으로 구분한다는 것을 의미한다.

또한, 교차 검증 결과 감속 포함 학습이 일반화 성능을 향상시켜, 새로운 환자 데이터에서도 높은 검출 정확도를 유지한다는 점이 강조된다. 이러한 발견은 임상 현장에서 자동 발작 모니터링 시스템이 과도한 알림으로 인한 피로도를 줄이고, 실제 발작 이벤트에 대한 신뢰성을 높이는 데 기여할 수 있다.

**