뇌전증 발작 EEG 합성을 위한 가우시안 프로세스 기반 생성 모델

초록

본 논문은 환자별 장시간, 다채널 뇌전증 발작 EEG를 고품질로 합성하기 위해, SVD 기반 차원 축소·변경점 검출·구간별 가우시안 프로세스 회귀·도메인 적응 Conv‑LSTM VAE를 결합한 계층적 프레임워크 GP‑EEG를 제안한다. 두 공개 데이터셋에서 합성 신호가 실제와 통계·시각적으로 일치함을 입증하고, 데이터 증강 효과도 확인하였다.

상세 분석

GP‑EEG는 기존 딥러닝 기반 EEG 합성 방법이 직면한 “긴 시계열·다채널·비정상성” 문제를 근본적으로 해결한다는 점에서 학술적·실용적 의의가 크다. 첫 단계에서 모든 환자 기록을 하나의 행렬로 결합한 뒤, SVD를 적용해 시간 점수(U)와 공간 로딩(Y)으로 분해한다. 차원 d는 주요 변동성을 보존하면서도 연산 복잡도를 크게 낮춘다. 이후 각 시간 점수 차원에 대해 KPSS·ADF 검정을 혼합한 오프라인 변경점 탐지를 수행해 quasi‑stationary 구간을 정의하고, 구간마다 동일한 quasi‑periodic 커널(σ_f²·exp