뇌전증 발작 탐지에서 CPSM 방식을 통한 딥러닝 기반의 CNN 앙상블 모델

Abstract

뇌파 검사 (EEG)는 뇌전증 환자의 뇌 활동을 모니터링하는 데 중요한 역할을 하며 간질 진단에 광범위하게 사용되어왔다. 뇌전증(Epilepsy)은 다양한 원인에 의한 발작(Seizure) 증상을 보이며 이 증상을 확인하기 위해 수일 동안 기록된 신호를 통해 의료 전문가가 육안을 통해 확인한다. 하지만 임상적으로 수십 또는 수백 시간의 EEG 기록을 읽는 것은 매우 시간이 오래 걸리며 비효율적이다. 따라서 자동으로 뇌전증의 발작을 탐지하는 것은 환자의 일상생활에서의 편리성뿐만 아니라 의료 전문가의 효율적인 업무를 위해서도 매우 중요한 부분이다. 그러나 서로 다른 환자에 속하는 매우 다양한 EEG 신호는 의료 전문가와 딥러닝 알고리즘이 발작하는 것을 매우 어렵게 한다. 본 연구는 Resnet과 EfficientNet기반의 Deep transfer Networks를 통한 앙상블 모델을 제안한다. 데이터 세트는 CHB-MIT Scalp EEG 데이터 세트를 사용하며 Short Time Fourier Transform(STFT)을 통해 시간-주파수 스펙트럼 이미지를 생성하여 발작의 특성을 파악한다. 전처리 된 데이터는 단일 채널 Convolutional Neural Network(CNN) 실험을 통해 채널이 선택되며 입력데이터는 CNN 기반의 두 모델을 통해 다중 채널 실험을 한다. 마지막으로 다중 채널 학습 후 CNN 기반의 앙상블모델에서 Voting 기법을 통해 결과를 도출하며 제안한 모델을 검증하기 위해 시각화 기법인 Grad-CAM을 적용하였다. 실험 결과 달성된 평균 정확도는 90.1%, 민감도 90.1%, 특이도 90.1% 그리고 0.129의 FPR의 결과를 도출하였다. 이러한 실험 결과를 통해 제안하는 모델은 교차 대상 발작 탐지(Cross Patient Specific Method, CPSM)에서 효과적인 방법임을 입증하였다.