채널 선택 최적화로 뇌전증 탐지 성능 향상

본 논문은 뇌전증(발작) 자동 검출을 위한 EEG 채널 선택 최적화 문제를 다룬다. EEG는 비침습적 뇌 활동 기록 수단으로, 10‑20 시스템 기반의 22채널이 임상 표준이지만, 연구 및 현장 적용에서는 채널 수가 다양하게 변한다. 채널 수가 감소하면 전극 간 공간 정보가 손실되어 잡음(근전도, 전극 팝 등)과 실제 발작 신호를 구분하기 어려워진다. 따라서 저채널 환경에서도 높은 검출 성능을 유지하기 위한 채널 구성과 알고리즘 설계가 필요하다. 연구에 사용된 데이터는 세계 최대 규모의 공개 EEG 데이터베이스인 TUH EEG Corpus의 하위집합인 TUH EEG Seizure Corpus(TUSZ)이다. TUSZ는 90 % 이상이 19채널 구성을 따르며, 저자들은 이 데이터를 기반으로 22채널 TCP(Transverse‑Coronal‑Polar) montage을 정의하고, 이를 기준으로 다양한 채널 감소 시나리오를 설계하였다. 특징 추출 단계에서는 전통적인 LFCC(Linear Frequency Cepstral Coefficient)와 1차·2차 미분을 사용한다. 1 s 길이의 에포크를 0.1 s 프레임(0.2 s 윈도우)으로 나누어 각 프레임마다 26차원 특징 벡터를 얻으며, 이는 22채널에 대해 22×26 차원의 입력 텐서를 만든다. 모델 아키텍처는 CNN‑LSTM 하이브리드이다. 2‑D CNN 레이어 3개(3×3 커널, 16필터)와 2×2 맥스 풀링을 통해 채널 간 공간적 상관관계를 학습하고, 이후 1‑D CNN(완전 연결)과 양방향 LSTM을 연결해 시간적 패턴을 포착한다. 활성화 함수는 ELU, 최종 출력은 시그모이드이며, 손실 함수는 평균제곱오차(MSE), 최적화는 Adam을 사용한다. 채널 선택 전략은 두 단계로 진행된다. 첫 번째 단계에서는 22채널에서 기준채널(A1, A2)을 제외해 20채널을 만든다. 두 번째 단계에서는 도메인 지식을 활용해 전두극(FP1/FP2), 측두극(T3/T4) 등 발작 검출에 기여도가 낮다고 판단되는 채널을 차례로 제거해 16·8·4·2채널 구성을 만든다. 4·2채널에서는 2‑D CNN의 차원 축소가 불가능해 레이어 수를 감소시키거나 풀링을 생략하는 등 구조적 변형을 적용하였다. 실험 결과는 표 1에 요약된다. 22채널(기준선)은 민감도 39.15 %, 특이도 90.37 %, 24시간당 오경보 22.83건을 기록한다. 20채널은 민감도 34.54 %로 약 5 % 감소하고 오경보는 49.25건으로 두 배 이상 증가한다. 16채널은 민감도 36.54 %로 20채널보다 약간 개선되지만 오경보는 53.99건으로 여전히 높다. 8채널은 민감도 33.44 %와 오경보 38.19건을 보이며, 4·2채널에서는 오경보가 300건을 초과해 실용성이 크게 떨어진다. ROC 곡선(그림 4)에서도 22채널이 저 FPR 구간에서 압도적으로 우수함을 확인할 수 있다. 특히, 기준채널(Ax)의 역할을 검증하기 위해 동일 채널 수에서 Ax를 포함·제외한 실험을 수행하였다(표 2, 그림 5·6). 18채널(Ax 포함)과 10채널(Ax 포함)은 각각 36.65 %·30.94 % 민감도와 37.33·28.31 건/24h 오경보를 보이며, Ax를 제외한 동일 채널 수 대비 민감도가 3‑5 % 높고, 특히 낮은 FPR 구간에서 ROC 곡선이 크게 앞선다. 이는 기준채널이 잡음 억제와 신호 정규화에 중요한 정보를 제공한다는 증거이다. 논문은 또한 모델 훈련 시 초기화와 데이터 셔플링이 성능 변동에 큰 영향을 미친다는 점을 언급한다. 채널 수가 적을수록 모델 구조 자체를 재설계해야 하며, 특히 4채널 이하에서는 2‑D CNN 레이어를 최소화하거나 완전히 제거하는 등 설계 유연성이 필요하다. 이러한 제한은 저채널 EEG(예: 이동형 혹은 저비용 장비)에서 자동 발작 검출을 적용하기 위한 추가 연구 과제로 제시된다. 결론적으로, 채널 수를 줄이면서도 높은 검출 성능을 유지하려면 (1) 공간 정보를 최대한 보존하는 채널 선택, (2) 기준채널(A1, A2)과 같은 참조채널을 유지하거나 대체할 수 있는 신호 정규화 기법을 도입, (3) 저채널 환경에 맞는 경량화된 CNN‑LSTM 구조를 설계해야 함을 강조한다. 향후 연구에서는 참조채널 없이도 잡음에 강인한 특성을 학습할 수 있는 새로운 네트워크 아키텍처와, 다양한 임상 현장에서 자동으로 최적 채널 구성을 찾는 메타러닝 접근법을 탐색할 계획이다.