채널 선택 최적화로 뇌전증 탐지 성능 향상

초록

본 연구는 22채널 표준 EEG에서 공간 정보를 최대한 보존하면서 채널 수를 줄였을 때 CNN‑LSTM 기반 자동 발작 검출기의 민감도와 오경보율 변화를 조사한다. 20·16·8채널 구성은 33‑37% 민감도와 38‑50건/24h의 오경보를 보였으며, 4·2채널에서는 오경보가 300건 이상 급증한다. 특히 귀에 부착되는 기준채널(A1, A2)을 유지한 22채널이 가장 높은 39% 민감도와 23건/24h의 오경보를 기록한다. 결과는 기준채널이 잡음 억제와 낮은 오경보 유지에 핵심적임을 강조한다.

상세 분석

이 논문은 대규모 공개 EEG 데이터베이스인 TUH EEG Corpus의 하위집합인 TUH EEG Seizure Corpus(TUSZ)를 활용하여, 채널 수 감소가 자동 발작 검출 성능에 미치는 영향을 정량적으로 평가한다. 입력 신호는 0.1 s 프레임(0.2 s 윈도우)으로 나누어 26차원의 LFCC(Linear Frequency Cepstral Coefficient)와 1차·2차 미분을 추출하고, 각 채널당 26차원 특징 벡터를 구성한다. 이러한 시공간 특징은 2‑D CNN 레이어 3개(3×3 커널, 16필터)와 최대 풀링(2×2)으로 공간적 상관관계를 학습한 뒤, 1‑D CNN(완전 연결)과 양방향 LSTM으로 시간적 의존성을 모델링한다. 활성화 함수는 ELU, 최종 출력은 시그모이드이며, 손실은 평균제곱오차, 옵티마이저는 Adam을 사용한다.

채널 선택 전략은 두 단계로 이루어진다. 첫째, 22채널에서 참조채널(A1, A2)을 제외하고 20채널을 구성한다. 둘째, 도메인 지식을 활용해 전두극(FP1/FP2), 측두극(T3/T4) 등 낮은 발작 검출 기여도가 예상되는 채널을 순차적으로 제거하면서 16·8·4·2채널 구성을 만든다. 4·2채널에서는 2‑D CNN의 차원 축소가 불가능해 레이어 수를 감소시키거나 풀링을 생략하는 등 구조적 변형을 적용한다.

실험 결과는 표 1과 ROC 곡선에서 확인할 수 있다. 22채널은 민감도 39.15 %, 특이도 90.37 %, 24시간당 오경보 22.83건을 기록하며 기준선으로 설정된다. 20채널은 민감도 34.54 %로 약 5 % 감소하고 오경보는 49.25건으로 두 배 이상 증가한다. 16채널은 민감도 36.54 %로 20채널보다 약간 개선되지만 오경보는 53.99건으로 여전히 높다. 8채널은 민감도 33.44 %와 오경보 38.19건을 보이며, 4·2채널에서는 오경보가 300건을 초과해 실용성이 떨어진다.

특히, 표 2와 그림 5·6에서 참조채널(Ax)을 포함했을 때와 제외했을 때의 차이를 강조한다. 동일한 채널 수에서도 Ax를 포함하면 민감도가 평균 3‑5 % 상승하고, 낮은 FPR 구간에서 ROC 곡선이 크게 앞서며 오경보가 현저히 감소한다. 이는 기준채널이 잡음(근전도, 전극 팝 등)을 효과적으로 보정하고, 실제 발작 신호와 잡음 사이의 구분을 돕는 중요한 공간 정보를 제공한다는 것을 의미한다.

논문은 또한 모델 훈련 시 초기화와 데이터 셔플링이 성능에 큰 영향을 미친다는 점을 언급한다. 채널 수가 적을수록 모델 구조 자체를 재설계해야 하며, 특히 4채널 이하에서는 2‑D CNN 레이어를 최소화하거나 완전히 제거하는 등 설계 유연성이 필요하다. 이러한 제한은 저채널 EEG(예: 이동형 혹은 저비용 장비)에서 자동 발작 검출을 적용하기 위한 추가 연구 과제로 제시된다.

전반적으로 이 연구는 채널 선택이 단순히 차원 축소를 넘어, 참조채널의 존재 여부가 검출 민감도와 오경보율에 결정적인 영향을 미친다는 실증적 증거를 제공한다. 향후 작업에서는 참조채널 없이도 잡음에 강인한 특성을 학습할 수 있는 신경망 구조 혹은 데이터 전처리 기법을 개발함으로써, 다양한 임상 환경에서 일관된 성능을 유지하는 것이 목표가 된다.