뇌전증 발작 예측을 위한 Low Frequency Ratio 기반의 하이브리드 딥 러닝 모델

Abstract

최근 들어 디지털 헬스케어에 대한 관심이 증가함에 따라 다양한 분야에서 디지털과 융합된 헬스케어가 발전되고 있다. 특히 최근 많은 관심을 받는 Artificial Intelligence (AI)가 디지털 헬스케어 분야에서도 주목받고 있다. 이와 관련된 다양한 분야가 있지만 그중에서도 뇌전증과 관련된 분야의 연구가 활발히 이루어지고 있는데 이는 사람의 생명과 직접적인 연관이 있기 때문이다. 뇌전증의 대표 증상은 발작인데, 이 발작이 심하게 나타나게 되면 전신 경련 때문에 생명의 위협을 받을 수도 있어 위험하다. 발작의 피해를 최소화하기 위해 뇌전증 환자들은 발작을 억제하는 약을 먹는데, 이 약을 만약 발작이 발생할 시기를 예측 하여 발작이 오기 전 적절한 시간에 복용할 수 있다면 보다 좋은 효과의 치료를 환자에게 제공할 수 있다. 이와 같은 이유로 뇌전증 발작 관련 연구는 현재 대부분 발작이 발생한 시점을 탐지하는 즉, 사후 처리에 해당하는 Seizure Detection보다 발작이 발생할 시기를 전조 증상을 통해 예측하고 조치하는 Seizure Prediction 연구를 중심으로 진행되고 있다. 하지만 지금까지 많은 발작 탐지 및 예측 관련 연구가 진행되었지만 대다수의 연구가 뇌전증과 연관된 뇌파 신호의 임상적 특성을 분석하기 보다 이미 저장된 dataset의 단순한 분석 정도의 연구이므로 실질적으로 임상에는 적용이 어려운 상황이다. 환자들의 치료 효과를 높이고 더욱 임상적인 방면에서 접근하기 위해 본 논문에서는 Electroencephalography (EEG) 신호로부터 추출한 새로운 feature를 활용한 발작 예측 방법을 제안한다. EEG 신호에서의 발작 파형인 Ictal wave와 밀접한 관련이 있는 특정 주파수 대역을 사용한 Low Frequency Ratio (LFR)을 딥러닝 모델의 입력 데이터 labelling에 사용하여 발작을 예측하였다. 또한, Convolutional Neural Network (CNN)과 Long Short Term Memory (LSTM) 두 개의 딥러닝 모델을 결합한 하이브리드 형태의 모델 구조를 사용하여 EEG 신호의 특성 뿐 아니라 시간에 따른 특성의 변화도 학습하였다. 본 논문에서는 공개된 Scalp-EEG dataset인 Children’s Hospital Boston-Massachusetts Institute of Technology (CHB-MIT) dataset을 사용하여 검증하였는데, 성능 비교 논문의 결과보다 향상된 Sensitivity 91.00%, Specificity 91.87%, Accuracy 91.43%, FPR 0.081, 0.910의 결과가 도출되었다.