뇌전증 발작 분류를 위한 적응형 웨이브렛 패킷 기반 새로운 방법

초록

**
본 논문은 웨이브렛 패킷 변환(WPT)에서 최적의 모다 웨이브렛 함수와 최적의 패킷 기반을 사후 선택(adaptive)하여 EEG 신호의 시간‑주파수 특징을 추출하고, 이를 표준편차와 RMS로 정량화한 뒤 RBF 커널 SVM으로 발작 여부를 이진 분류한다. Bonn 대학 공개 데이터셋을 2‑, 5‑, 10‑fold 교차검증으로 평가한 결과, A‑E, B‑E, C‑E, D‑E, ABCD‑E 등 모든 실험에서 94.86%~99.64%의 정확도를 달성했으며, 기존 연구 대비 우수한 성능을 보였다.

**

상세 분석

**
이 연구는 웨이브렛 패킷 트리(WPT) 구조를 활용해 EEG의 비정상적인 고주파 성분을 효과적으로 포착한다는 점에서 의미가 크다. 기존의 단순 웨이브렛 변환은 저주파 근사 계수만을 재귀적으로 분해하지만, WPT는 모든 레벨에서 상세(detail)와 근사(approximation) 계수를 동시에 분해함으로써 높은 주파수 영역까지 세밀하게 분석한다. 저자들은 다섯 개의 후보 모다 웨이브렛(db2, sym4, rbio2.2, db6, bior2.4, bior1.1) 중 사후 선택(adaptive) 방식을 적용해 최적의 모다 웨이브렛(bior1.1)과 최적 패킷 기반((5,1), (4,1), (4,2))을 결정하였다. 이는 “베스트 베이시스” 개념을 실험적으로 검증한 것으로, 데이터에 따라 최적의 변환 파라미터가 달라질 수 있음을 강조한다.

특징 추출 단계에서는 각 선택된 패킷 계수에 대해 표준편차(STD)와 RMS를 계산하였다. 이 두 통계량은 신호의 변동성 및 에너지 특성을 동시에 반영하므로, 복잡한 비선형 특성을 간단히 요약할 수 있다. 다만, 더 풍부한 비선형 지표(예: 엔트로피, 프랙탈 차원, 라플라시안 등)를 추가하면 분류 성능을 더욱 향상시킬 가능성이 있다.

분류기 선택에 있어 저자들은 RBF 커널 SVM을 사용했으며, 2‑, 5‑, 10‑fold 교차검증을 통해 과적합을 방지하고 일반화 성능을 검증하였다. 결과적으로 A‑E(99.64%), B‑E(98.44%), C‑E(98.14%), D‑E(95.15%), ABCD‑E(97.85%) 등 높은 정확도와 민감도·특이도를 기록했다. 특히 D‑E 구분에서 다른 최신 방법들(예: 가중 가시성 그래프, 퍼뮤테이션 엔트로피 등)보다 약간 낮은 성능을 보였지만, 전체적인 평균 성능은 기존 연구들을 능가한다.

한계점으로는 데이터셋이 Bonn 대학의 제한된 5개 세트(각 100개 세그먼트)로 구성돼 있어, 실제 임상 환경의 다양한 잡음·아티팩트와 다중 채널 EEG에 대한 검증이 부족하다. 또한, 17개의 서브세그먼트로 인위적으로 데이터를 늘린 것이 모델의 실제 시간 해상도에 어떤 영향을 미치는지 명확히 제시되지 않았다. 향후 다채널, 장시간 연속 EEG와 실시간 구현을 목표로 하며, 딥러닝 기반 자동 베이시스 선택 혹은 강화학습을 통한 파라미터 최적화가 연구 방향이 될 수 있다.

**