알파파·웨이블릿·마코프 융합으로 보는 조기 알츠하이머 EEG 진단

초록

본 연구는 알파 파역, 이산 웨이블릿 변환(DWT), 마코프 전이 필드(MTF) 세 가지 EEG 특성을 각각 딥러닝 모델에 학습시킨 뒤, 최종 의사결정 단계에서 예측값을 합치는 ‘Late Fusion’ 방식을 제안한다. 88명의 피험자를 대상으로 전처리·세그멘테이션·표준화 과정을 거친 후, 알파대역에 집중한 시간‑주파수 및 상태 전이 정보를 추출한다. 세 개의 독립 모델(시간‑도메인 CNN, DWT‑CNN, MTF‑CNN)의 출력을 가중 평균하여 AD와 정상군을 구분했으며, 정확도 87.23%, 정밀도 87.95%, 재현율 86.91%, F1 87.42%를 달성하였다.

상세 분석

이 논문은 기존 EEG 기반 알츠하이머 진단 연구가 주로 단일 특성(예: 파워 스펙트럼, 연결성) 혹은 초기 단계의 특징 융합에 머물렀던 점을 보완하고자, 세 가지 상보적인 표현을 동시에 활용한다. 첫 번째는 알파 파역(8‑12 Hz) 신호를 Butterworth 3차 밴드패스로 추출하고 25 Hz로 다운샘플링한 뒤, 시계열 CNN에 입력함으로써 순수한 시간‑도메인 변동을 학습한다. 두 번째는 동일 알파 파역을 50 Hz로 다운샘플링하고 1‑레벨 DWT(Daubechies‑16)로 분해하여 저주파 근사계수(α)만을 사용, 시간‑주파수 해상도를 제공한다. 이는 전통적인 스펙트럼 분석보다 변동성을 더 세밀히 포착한다. 세 번째는 알파 파역을 Q‑구간(양자화)으로 변환하고 1차 마코프 전이 행렬을 구성해 MTF 이미지를 생성한다. MTF는 신호 상태 전이 확률을 시각화함으로써 비선형 동역학 및 패턴 변화를 이미지 형태로 학습하게 만든다. 각 특성에 특화된 CNN(또는 ResNet‑계열) 모델을 별도로 학습시킨 뒤, 최종 단계에서 소프트맥스 확률을 가중 평균(또는 투표)하는 late‑fusion 전략을 적용한다. 이 방식은 개별 모델이 잡아내기 어려운 복합 패턴을 보완하고, 모델 간 독립성을 유지해 과적합 위험을 낮춘다. 데이터는 88명(AD 36, FTD 23, CN 29)의 19채널 500 Hz EEG를 사용했으며, 전처리 단계에서 0.5‑45 Hz 밴드패스, ASR 기반 잡음 제거, ICA‑ICLabel을 통한 눈·턱 움직임 아티팩트 제거, 양쪽 끝 500 샘플 트리밍, 6 초 윈도우 분할, Z‑스코어 정규화를 수행했다. 실험 결과는 기존 연구(정확도 80‑97 % 범위)와 비교해, 특히 다중 모달리티와 late‑fusion을 도입한 점에서 차별화된다. 그러나 데이터 규모가 작고, 교차검증 대신 피험자별 개별 검증을 사용했으며, FTD와 CN을 포함한 3‑클래스 분류가 아닌 이진 AD/비AD에 초점을 맞춘 점은 향후 연구에서 확장될 필요가 있다. 전반적으로 시간‑주파수와 상태 전이 정보를 동시에 활용한 멀티‑모달 딥러닝 파이프라인이 EEG 기반 조기 AD 진단에 실용적 가치를 제공함을 입증한다.