파동 기반 교차 주파수 결합을 이용한 뇌전증 EEG 신호 분류

**1. 서론** 뇌전증 발작을 조기에 탐지하고 정확히 분류하는 것은 임상 진단 및 치료에 핵심적이다. 기존 연구들은 시간‑주파수 분석, 비선형 동역학, 엔트로피 기반 특성 등을 활용했지만, EEG 신호가 비정상적이고 비정상성(non‑stationary)이라는 점에서 한계가 있었다. 저자들은 이러한 한계를 극복하기 위해 파동 기반 교차 주파수 결합(CFC)이라는 새로운 접근법을 제안한다. **2. 데이터셋** 베른 대학의 공개 EEG 데이터베이스를 사용했으며, 5개의 서브셋(A~E) 각각 100개의 1채널 신호를 포함한다. A와 B는 정상(외부·내부) 기록, C와 D는 해마·전두엽 내부 기록, E는 발작(ictal) 기록으로 구성된다. **3. 방법론** - **3.1 정적 웨이브렛 변환(SWT)**: ‘db4’ 모레 웨이브렛을 5~9 레벨까지 적용해 원본 샘플 수를 유지하면서 다중 스케일 계수를 얻는다. DWT와 달리 샘플 손실이 없고 재현성이 높다. - **3.2 힐버트 변환**: 각 스케일 계수에 대해 힐버트 변환을 수행, 순간 위상 φ(n)와 진폭 A(n)을 추출한다. - **3.3 교차 주파수 결합(CFC) 특성**: - **위상‑위상 결합(PPC)**: 두 스케일 위상 차이 Δφ의 플러그인‑잠금값(PLV)으로 동기화 정도를 측정. - **위상‑진폭 결합(PAC)**: 저주파 위상이 고주파 진폭을 조절하는 정도를 정량화, 일반적으로 저주파 위상의 특정 구간에서 고주파 진폭이 증가한다. - **진폭‑진폭 결합(AAC)**: 두 스케일 진폭 간 피어슨 상관계수로 에너지 동기화 평가. - **3.4 특성 선택**: t‑검정을 이용해 각 클래스 간 평균 차이가 통계적으로 유의미한 특성만을 선택한다. t‑값이 큰 특성이 우선 순위에 오른다. - **3.5 분류기**: 선택된 특성을 입력으로 이차 판별 분석(QDA)을 적용한다. QDA는 클래스별 공분산을 별도로 추정해 비선형 결정 경계를 만든다. **4. 실험 설계** 5가지 분류 시나리오를 설정: A vs E, B vs E, C vs E, D vs E, 그리고 ABCD vs E(발작 여부 전체 판단). 10‑폴드 교차 검증을 수행했으며, 매 반복마다 90 %를 학습, 10 %를 테스트 데이터로 사용했다. 각 시나리오마다 최적 특성 수를 탐색하고, 파동 레벨별 정확도를 비교했다. **5. 결과** - **정확도**: 대부분 100 %에 도달했으며, 일부 경우(예: C vs E, D vs E) 99.5 %를 기록했다. - **레벨 영향**: 레벨 7~9에서 가장 높은 정확도가 관찰되었으며, 이는 고주파와 저주파 사이의 상호작용이 발작 구간에서 뚜렷하게 나타나기 때문으로 해석된다. - **특성 기여도**: PPC가 가장 높은 참여 비율을 보였으며, PAC와 AAC는 보조적인 역할을 수행했다. - **비교**: 기존 DWT‑기반 퍼지 엔트로피+SVM(96 %), 랜덤 샘플링+클러스터링+LS‑SVM(93.6 %) 등과 비교해 제안 방법이 99.87 %~100 %의 정확도로 우수함을 입증했다. **6. 논의** 제안 파이프라인은 (1) SWT를 통한 샘플 손실 최소화, (2) 힐버트 변환 기반 순간 위상·진폭 추출, (3) 세 가지 CFC 지표의 다중 차원 특성 공간 구성, (4) 통계적 t‑검정 기반 간결한 특성 선택, (5) QDA를 통한 비선형 판별이라는 순차적 구조가 강점이다. 그러나 데이터가 동일한 데이터베이스에 국한되어 외부 검증이 부족하고, t‑검정만으로 다변량 상관관계를 충분히 반영하지 못한다는 한계가 있다. 또한, 실시간 적용을 위한 연산 복잡도 분석이 부족하다. **7. 결론** 파동 기반 CFC와 QDA를 결합한 새로운 EEG 분류 방법은 발작과 정상 상태를 거의 완벽에 가까운 정확도로 구분한다. 특히, PPC가 주요 구분 특성으로 작용한다는 점은 향후 신경생리학적 해석에 의미가 있다. 향후 연구에서는 다기관 데이터셋을 통한 일반화 검증, 다변량 특성 선택 기법(예: LASSO, RFE) 도입, 그리고 실시간 구현을 위한 하드웨어 최적화가 필요하다.