압축‑정밀도 역설을 넘는 하이브리드 EEG 보고 생성 시스템

초록

본 논문은 임상 EEG 보고 자동화를 위해 측정값 추출을 신호 처리 단계에서 정확히 수행하고, 이후 압축된 표현을 이용해 텍스트를 생성하는 하이브리드 아키텍처를 제안한다. 다중 샘플링, 그래프‑주의 모델링, 교차‑모달 브릿지, 그리고 제한된 디코딩을 결합해 400:1 이상의 압축에서도 0.5 Hz 수준의 측정 정확성을 보장한다. TUH·CHB‑MIT 데이터셋 실험에서 오탐을 60 % 감소시키고, 탐지 지연을 50 % 단축했다.

상세 분석

이 논문은 임상 EEG 분석에서 “압축‑정밀도 역설”이라는 근본적인 문제를 정의한다. EEG 신호는 수시간에 걸친 수천 채널·수백만 샘플을 포함하므로, 현재 대형 언어 모델(LLM)의 컨텍스트 윈도우(수천 토큰)로 직접 입력할 수 없으며, 400:1 이상의 압축이 필연적이다. 그러나 0.5 Hz 정도의 주파수 오차가 결핍성 발작(3 Hz)과 렌녹스‑가스토 증후군(3.5 Hz)을 구분하는 데 결정적이므로, 압축 과정에서 발생하는 양자화·시간 해상도 손실은 임상적으로 치명적이다. 저자들은 이를 수학적으로 증명하는 정리(정리 1)를 제시해, 압축 비율이 100을 초과하면 서로 다른 임상 신호가 임베딩 공간에서 구분 불가능해진다고 주장한다.

이를 해결하기 위해 제안된 하이브리드 아키텍처는 측정값 추출을 신호 처리 단계에서 수행한다. 고해상도(≥1 kHz)와 저해상도(256‑512 Hz) 두 스트림을 동기화해, 저해상도 스트림은 장시간 컨텍스트를 제공하고, 고해상도 스트림은 이벤트(발작) 구간만 선택적으로 처리한다. 이렇게 하면 전체 데이터를 고해상도로 유지하지 않아도 되면서, 중요한 순간에선 0.1 Hz 이하의 주파수 정확도와 0.5 s 이하의 지속시간 정밀도를 확보한다.

측정값은 Welch PSD, 히스테리시스 기반 지속시간 검출, MAD 기반 진폭 추정, 그리고 채널 그래프를 이용한 측면화 지표 등 전통적인 DSP 파이프라인으로 계산되고, 불변 슬롯(frozen slots) 으로 저장된다. 이후 신경망은 이 슬롯을 복사·삽입하는 역할만 수행하도록 제한된다.

신경망 부분은 두 가지 주요 혁신을 포함한다. 첫째, 그래프‑주의 어텐션을 도입해 채널 간 물리적 거리·전극 배치를 반영하고, SSM(Linear‑time State‑Space Model, 예: S4, Mamba) 레이어를 결합해 수십 초~수 분 길이의 시계열을 효율적으로 모델링한다. 둘째, 교차‑모달 브릿지가 EEG 임베딩(768 dim)을 LLM의 의미 공간(≈4096 dim)으로 점진적 확장(768→1536→2816→4096)하면서, 의료 용어 임베딩으로 초기화된 임상 앵커를 사용해 EEG 패턴과 임상 개념을 정렬한다. 이 과정은 InfoNCE 대비 손실을 통해 학습되며, 측정값과 의미 공간을 일관되게 연결한다.

텍스트 생성 단계에서는 LoRA‑adapted LLM을 사용해 구조화된 JSON 스키마를 먼저 출력하고, 그 스키마를 조건으로 자연어 서술을 생성한다. 제한된 디코딩(스키마‑기반 마스킹)으로 숫자 토큰이 모델에 의해 새로 생성되지 않으며, 반드시 불변 슬롯에서 복사된다. 또한, 컨포멀 양자화 회귀와 EMD‑기반 손실을 적용해 불확실성 추정과 값 분포의 일관성을 보장한다.

실험에서는 TUH, TUSZ, CHB‑MIT 데이터셋을 사용해 세 가지 핵심 과제(발작 탐지, 값 추출, 국소화)를 평가했다. 제안 방법은 기존 EEGNet 대비 FA/24 h를 0.51→1.16으로 절반 이하로 낮추고, 평균 탐지 지연을 10.5 s에서 24.2 s로 크게 단축했다. 주파수 MAE는 0.18 Hz(임상 허용치 0.1 Hz 근접)이며, 값 추출 오류는 기존 모델 대비 62 % 개선되었다. 그래프‑주의와 SSM 레이어를 제거하면 국소화 정확도가 24 % 감소하고, 계층적 샘플링을 없애면 정밀도가 23 % 저하되는 등 각 구성 요소의 기여도가 실험적으로 입증되었다.

마지막으로, 아키텍처는 아티팩트(눈 움직임·근전도·라인 노이즈)와 채널 손실에 대해 강인성을 보이며, 고해상도 스트림을 활용할 경우 탐지 지연과 측정 정확도가 크게 향상된다는 샘플링 레이트 분석 결과도 제시한다. 제한점으로는 현재 시스템이 병원 워크스테이션 수준의 하드웨어(A100)와 메모리를 필요로 하며, 웨어러블·베드사이드 디바이스에 적용하려면 모델 경량화와 양자화가 필요하다는 점을 언급한다.