딥 컨볼루션 오토인코더 기반 자동 뇌전증 검출

초록

본 논문은 EEG 신호의 시간·주파수 정보를 동시에 보존하도록 설계된 딥 컨볼루션 오토인코더(DCAE)를 제안한다. 다양한 손실 함수(시간 손실, 푸리에 손실, STFT 손실)를 비교 실험한 결과, 시간 손실과 주파수 손실을 모두 포함한 모델이 재구성 오류가 가장 낮아 EEG 특징을 효과적으로 압축한다는 것을 확인하였다. 이는 향후 뇌전증 자동 검출 및 환자 독립적 모델 개발에 유용한 잠재력을 시사한다.

상세 분석

본 연구는 EEG 기반 뇌전증 검출에서 가장 핵심적인 문제인 “시간 영역과 주파수 영역 사이의 정보 손실”을 해결하고자 한다. 기존 딥러닝 접근법은 주로 시간 시계열을 직접 입력으로 사용하거나, 별도로 스펙트럼을 입력으로 변환하는 방식을 취했으나, 두 방식 모두 한쪽 도메인의 중요한 특성을 충분히 반영하지 못한다는 한계를 가지고 있었다. 저자들은 이러한 한계를 극복하기 위해 Deep Convolutional Autoencoder(DCAE)를 설계하고, 손실 함수에 시간 도메인 MAE와 주파수 도메인 손실을 동시에 포함시키는 전략을 채택하였다.

구조적으로 DCAE는 23채널×512시간점 입력을 받아 3개의 컨볼루션 블록(각기 다른 커널 사이즈, 배치 정규화, 드롭아웃, 풀링)을 거쳐 500차원의 완전 연결 잠재 공간(latent space)으로 압축한다. 디코더는 이와 대칭적인 디컨볼루션 블록을 통해 원본 신호를 재구성한다. 중요한 점은 손실 함수 설계이다. 첫 번째 모델(DCAE ts‑loss)은 순수 시간 손실만 사용해 빠른 수렴과 낮은 MAE를 달성했지만, 주파수 스펙트럼 재현력은 제한적이었다. 두 번째 모델(DCAE ts‑ft‑loss)은 푸리에 변환(FT) 기반 손실을 20배 가중치로 결합해 저주파(0.5‑8 Hz)와 중주파(8‑30 Hz) 대역의 스펙트럼을 강조하였다. 세 번째 모델(DCAE ts‑stft‑loss)은 STFT 스펙트로그램을 이용해 시간‑주파수 로컬 정보를 보존하도록 설계되었다.

실험 결과는 흥미롭다. 시간 손실만을 사용한 DCAE ts‑loss가 가장 낮은 시간 도메인 MAE(0.1075)를 기록했지만, 주파수 도메인 MAE는 0.0421로 상대적으로 높았다. 반면, ts‑ft‑loss와 ts‑stft‑loss는 시간 MAE가 약간 상승(0.1261, 0.1099)했음에도 불구하고 주파수 MAE가 각각 0.0383, 0.0402로 개선되었다. 특히 ts‑ft‑loss는 주파수 재구성에서 가장 우수한 성능을 보이며, 이는 주파수 손실 가중치가 적절히 조정되었을 때 잠재 공간이 뇌전증과 연관된 스펙트럼 특징을 더 잘 보존한다는 것을 의미한다.

또한 데이터 전처리 단계에서 저자들은 256 Hz 재샘플링, 0.5‑70 Hz 밴드패스 필터링, 60 Hz 노치 필터, 히스토그램 스케일링, 시간 jitter와 전극 플립을 통한 데이터 증강 등을 적용해 모델의 일반화 능력을 강화하였다. 이러한 전처리 파이프라인은 EEG 데이터의 비정상적 아티팩트와 클래스 불균형 문제를 완화시키는 데 기여한다.

전체적으로 이 논문은 (1) 손실 함수 설계가 자동 인코더의 잠재 표현에 미치는 영향을 체계적으로 분석했으며, (2) 시간·주파수 손실을 동시에 고려하는 것이 EEG 신호의 복합적 특성을 보존하는 데 효과적임을 실증하였다. 향후 연구에서는 이 잠재 공간을 활용한 지도 학습(예: seizure classification)이나 환자 간 전이 학습에 적용함으로써, 현재의 낮은 민감도·높은 오경보 문제를 해결할 수 있을 것으로 기대된다.