뇌전증 발작 탐지를 위한 게이트형 순환 신경망 비교

초록

**
본 논문은 대규모 TUH EEG 코퍼스를 이용해 LSTM과 GRU 두 종류의 게이트형 순환 신경망을 CNN과 결합한 하이브리드 구조로 평가한다. 초기화 방법과 정규화 기법이 학습 수렴에 미치는 영향을 분석하고, LSTM 기반 모델이 GRU 기반 모델보다 민감도 30%에서 6시간당 6건의 오경보를 달성하며 우수함을 보인다.

**

상세 분석

**
이 연구는 EEG 기반 발작 검출이라는 고차원 시계열 문제에 최신 딥러닝 기법을 적용한 사례로, 몇 가지 핵심 기술적 선택이 결과에 결정적인 영향을 미쳤다. 첫째, 2‑D CNN → 1‑D CNN → 양방향 LSTM/GRU 라는 3단계 파이프라인은 공간(채널)과 시간(프레임) 정보를 단계적으로 추출한다. 2‑D CNN은 26×22 크기의 이미지 형태로 변환된 LFCC 특징을 3×3 커널로 처리해 지역 패턴을 포착하고, 이후 1‑D CNN이 시간 축을 압축해 시퀀스 길이를 줄인다. 양방향 LSTM은 앞뒤 컨텍스트를 모두 활용해 장기 의존성을 학습하는데, 이는 발작 전후의 미세한 전위 변화와 같은 저주파 패턴을 포착하는 데 필수적이다. 반면 GRU는 메모리 셀을 생략하고 업데이트·리셋 게이트만 사용해 파라미터 수가 적고 학습 속도가 10 % 정도 빠르지만, 장기 기억 유지 능력이 상대적으로 부족해 민감도·특이도 모두 낮은 결과를 보였다.

둘째, 가중치 초기화가 수렴에 미치는 영향이 상세히 실험되었다. 제로·원 초기화는 역전파 시 신호가 급격히 소멸하거나 폭발해 학습이 정체되는 반면, 정규분포 기반 초기화와 특히 직교 초기화는 각 층의 출력 분산을 유지해 안정적인 학습을 가능하게 했다. 표 4에서 직교 초기화가 30 % 민감도 기준으로 특이도 96.9 %를 달성한 점은 초기화 전략이 모델 성능에 결정적임을 입증한다.

셋째, 과적합 방지를 위해 L1, L2, L1/L2 혼합, 드롭아웃, 가우시안 노이즈 등 다섯 가지 정규화 기법을 비교하였다. L1/L2 혼합이 전체적인 DET 곡선에서 가장 낮은 오경보율을 보였으며, 드롭아웃은 낮은 FA 구간에서 효과적이었다. 그러나 커널 차원에 직접 드롭아웃을 적용하면 성능이 저하되는 현상이 관찰돼, 향후 베이지안 CNN과 같은 확률적 가중치 모델이 필요함을 시사한다.

마지막으로, 실험은 TUH EEG Seizure Corpus (TUSZ) v1.1.1을 사용해 9 % 수준의 특이도와 30 % 민감도를 달성했으며, LSTM 기반 모델이 GRU 대비 6 % 높은 특이도를 기록했다. 이는 발작 검출이 짧은 이벤트와 장기간 비발작 구간을 모두 정확히 구분해야 하는 과제에서, 장기 메모리 셀의 존재가 실질적인 이점을 제공한다는 결론으로 이어진다.

**