뇌전증 발작 검출을 위한 오토인코더 기반의 준지도 학습 및 채널 최적화

Abstract

뇌전증(Epilepsy)은 다양한 원인에 의해 환자별 서로 다른 특성과 발생 위 치 및 예후를 가지는 만성적인 신경 장애의 하나로 이유 없는 발작을 특징으 로 한다. 전 세계의 뇌전증 환자는 약 6,500만 명이며, 국내의 뇌전증 환자의 비율은 인구 1,000명당 평균 4.0명으로 환자 수는 대략 19만 명 내외로 추산된 다. 뇌전증 발작 환자의 경우 예측하지 못하는 발작 가능성에 대한 두려움으 로 인해 행동이 제한적이며, 갑작스럽고 불규칙한 발작으로 인해 심한 경우 의식을 잃어 부상 또는 사망을 초래할 수 있다. 뇌전증 발작의 상세한 진단과 치료를 위해서는 발작이 시작될 때 뇌파 신호 를 관찰하고 분석하는 것이 중요하며 뇌전증 발작의 대부분은 의료 전문가가 뇌파 신호를 육안 검사를 통해 탐지한다. 그러나 장기간 뇌파 신호 기록을 육 안으로 검사하여 발작을 탐지하는 것은 의료 전문가에게 너무 많은 시간을 소 비하는 작업이며, 자동화된 뇌전증 발작 탐지 방법이 필요로 된다. 또한, 뇌전 증 발작이 일어날 때 실시간으로 발작을 감지할 수 있다면 보호자 또는 의료 진의 신속한 대응을 통해 뇌전증 환자의 안전을 확보할 수 있다. 본 논문은 자동화된 뇌전증 발작 탐지와 뇌전증 발작 탐지에 사용되는 전극 의 개수를 최적화 한 오토인코더 모델을 제안한다. 오토인코더는 인코더 (Encoder)와 디코더(Decoder)로 구분되며, 인코더를 통해 입력 데이터에 대한 특징을 추출하고, 디코더를 통해 원본 데이터를 복원(생성)한다. 이 과정에서 입력값과 출력값이 같아지도록 학습된다. 이를 통해 원본 데이터의 특징이 잘 추출되도록 하는 것이 오토인코더의 원리이다. 오토인코더의 원리를 이용하여 최초 학습시 정상 또는 비정상 데이터를 이용하여 학습한 후, 학습되지 않은 데이터의 경우 디코더에 의해 복원되는 값이 원본 값과 많이 다를 것이라는 - vi - 것을 가정한다. 실험 결과에 따르면 CHB-MIT Database의 뇌전증 발작 탐지 정확도는 전 극 구성에 따라 CHB-MIT Full 데이터 세트에서는 평균 86.68%, 최대 96.81%를, CHB-MIT 2Ch 데이터 세트에서는 평균 85.00%, 최대 94.47%를, CHB-MIT 1Ch 데이터 세트에서는 평균 84.88%, 최대 96.89%의 탐지 정확도 를 확인하였다. 또한, 전극의 개수에 따라 뇌전증 발작 탐지 성능 비교 결과 채널의 전극을 1개 또는 2개로 축소시키더라도 뇌전증 발작 탐지 성능이 평균 적으로 유지되는 것을 확인하였다. 또한, 2가지의 실험 방법으로 뇌전증 환자 마다 관찰되는 뇌전증 발작 뇌파 신호가 다르며 이에 따라 환자 본인의 뇌파 신호를 학습하여 뇌전증 발작을 탐지하는 방법이 정확도가 더 높음을 확인하 였다. 본 논문에서 제안하는 뇌전증 발작 탐지 모델은 원본 데이터의 정답 값이 없어도 학습 및 탐지 가능한 준지도 학습 방법을 이용한다. 스마트 헬스케어 제품에서 실시간으로 측정되는 뇌파 신호에 대해서도 탐지가 가능하며, 스마 트 헬스케어 제품에 뇌전증 발작 탐지 모델이 포함된 서비스로 활용할 수 있 다.