잔여 유넷과 데이터 증강을 활용한 단일채널 EEG 스파이크웨이브 방전 밀집 시계열 분할

초록

본 연구는 C3H/HeJ 마우스의 장시간 단일채널 EEG에서 스파이크‑웨이브 방전(SWD)을 자동으로 탐지하기 위해 1차원 잔여 U‑Net 모델에 데이터 증강을 결합한 AugUNet1D를 제안한다. 961시간, 22 637개의 라벨링된 SWD를 포함한 대규모 데이터셋에서 15가지 분류기를 비교한 결과, 잔여 U‑Net이 가장 높은 성능을 보였으며, 진폭 스케일링·가우시안 노이즈·신호 반전 등의 증강을 적용해 교차 피험자 일반화 능력을 크게 향상시켰다. Twin Peaks 알고리즘과 비교했을 때 Dice 계수와 검출 민감도 모두 우수함을 입증하였다.

상세 분석

본 논문은 세 가지 핵심 기술적 기여를 제시한다. 첫째, 961 시간에 달하는 단일채널 EEG와 22 637개의 정밀 라벨을 포함한 대규모 마우스 데이터셋을 구축하였다. 라벨링은 3 Hz 주기의 5회 이상 반복되는 스파이크‑웨이브 복합을 기준으로 세 명의 전문가가 수행했으며, 라벨링 효율은 1 시간당 8.9 시간의 데이터를 처리할 수 있는 수준이었다. 둘째, 1차원 U‑Net 구조에 잔여 연결(residual skip)을 도입해 깊은 네트워크에서도 그래디언트 소실을 방지하고, 인코더‑디코더 간의 고수준 의미와 저수준 시간 해상도를 효과적으로 결합하였다. 모델은 입력을 100 Hz로 재샘플링한 후, Dice 손실을 최소화하도록 Adam 옵티마이저로 학습하였다. 셋째, 데이터 증강 전략을 체계적으로 설계하였다. 진폭 스케일링(p=0.5)은 피험자 간 전압 차이를 보정하고, 최대 SNR = 0.005의 가우시안 노이즈 삽입은 실제 기록에서 발생하는 잡음을 시뮬레이션한다. 또한 신호 반전(p=0.2)은 전극 위치에 따라 부호가 바뀔 수 있는 SWD 특성을 반영한다. 이러한 증강은 훈련 단계에서 무작위로 적용되어 모델이 다양한 변형에 강인하도록 만들었다. 실험 결과, 증강을 적용한 AugUNet1D는 교차 피험자 테스트에서 평균 Dice = 0.87, 민감도 = 0.91, 특이도 = 0.94를 기록했으며, 기존 Twin Peaks 알고리즘(Dice ≈ 0.78)보다 유의미하게 우수했다. 또한, 사전 학습된 모델과 무학습 모델 모두 공개되어 다른 연구자가 바로 적용하거나 전이 학습에 활용할 수 있다. 한계점으로는 단일채널에 국한된 데이터와 마우스 모델에만 검증된 점, 그리고 100 Hz 이하의 저주파 변동을 충분히 포착하지 못할 가능성이 있다. 향후 다채널 기록 및 인간 데이터에 대한 확장 검증이 필요하다.