EEG 레퍼런스 포인트 차이가 머신러닝 성능에 미치는 영향

본 논문은 임상 뇌전도(EEG) 데이터에서 레퍼런스 전극 선택이 신호 통계와 자동화된 발작 검출 모델에 미치는 영향을 체계적으로 조사한다. 연구 배경으로는 EEG 기록이 전극 배치, 전극 종류, 접지 방식 등에 따라 크게 달라지며, 특히 TUH EEG 코퍼스와 같은 대규모 데이터베이스에서는 다양한 레퍼런스 방식이 혼재한다는 점을 들었다. 현재 대부분의 자동화 연구는 단일 데이터셋에 국한돼 있어 실제 임상 현장에서의 변동성을 충분히 반영하지 못한다는 한계를 지적한다. 연구에서는 TUH EEG 코퍼스에서 가장 많이 사용되는 두 레퍼런스, Linked Ear(LE)와 Averaged Reference(AR)를 선택하였다. 전체 레코드 중 LE가 43.8 %, AR이 46.5 %를 차지한다. 데이터 전처리는 기존 연구와 동일하게 0.1 s 프레임, 0.2 s 윈도우를 사용해 26차원 특징 벡터(9개 기본 특징 + 1차·2차 미분)를 추출했으며, 통계 분석을 위해 기본 특징만(9차원)을 별도로 사용하였다. 첫 번째 분석 단계는 각 특징별 평균·분산을 계산한 기술 통계이다. 결과는 대부분의 특징에서 LE와 AR 사이에 현저한 차이가 있음을 보여준다. 특히 에너지와 저차 cepstral coefficient에서 평균 차이가 크게 나타났으며, 이는 레퍼런스 전극이 전기 신호의 절대값과 스펙트럼 형태에 영향을 미친다는 것을 의미한다. 두 번째 단계는 주성분 분석(PCA)이다. 각 레퍼런스별 공분산 행렬을 구하고 고유값·고유벡터를 도출했다. LE 데이터는 첫 번째 주성분이 전체 분산의 약 45 %를 차지해 차원 축소 효율이 높았으며, AR은 약 30 %에 그쳐 보다 고차원 정보에 의존한다. 고유벡터를 비교하면, 에너지와 저차 cepstral coefficient는 양쪽 모두 비슷한 방향을 보이지만, 고차 cepstral coefficient는 부호가 반대이며 이는 β파(13–30 Hz)와 연관된 차이를 반영한다. 세 번째 단계는 HMM 기반 발작 검출 모델의 성능 평가이다. 모델은 두 클래스를 구분하도록 설계되었으며, 세 가지 학습 시나리오(LE 전용, AR 전용, LE+AR 혼합)를 각각 동일한 훈련·평가 세트(훈련 44레코드/클래스, 평가 10레코드/클래스)로 실험했다. 결과는 DET 곡선과 정확도 표로 제시되었다. LE 전용 모델은 77.19 %의 정확도로 가장 높은 성능을 보였고, AR 전용 모델은 61.41 %에 그쳤다. 두 레퍼런스를 혼합해 학습한 모델은 71.40 %로 중간 수준이었으며, 이는 레퍼런스 간 통계적 편향이 모델 파라미터에 상충 효과를 일으켜 전체 성능을 저하시킨다는 것을 의미한다. 또한, 음성 인식 분야에서 널리 쓰이는 cepstral mean normalization(CMN)을 적용해 보았지만, 대부분의 경우 성능이 오히려 감소하였다. 이는 EEG 신호가 시간·주파수 영역에서 비정상적인 변동성을 보이며, 단순 평균 보정만으로는 레퍼런스 간 차이를 충분히 보정하지 못한다는 점을 시사한다. 논의에서는 레퍼런스 선택이 EEG 신호의 평균·분산·주성분 구조에 실질적인 변화를 일으키며, 이러한 변화를 무시하고 단일 모델에 모두 적용하면 성능 저하가 발생한다는 점을 강조한다. 또한, 현재 사용 중인 HMM 기반 시스템은 어느 정도 레퍼런스 차이를 견디지만, 보다 정교한 채널 정규화나 도메인 적응 기법이 필요함을 제안한다. 결론적으로, 본 연구는 (1) LE와 AR 사이에 통계적 차이가 명확히 존재한다, (2) 이러한 차이가 머신러닝 기반 발작 검출 정확도에 크게 영향을 미친다, (3) 기존 음성 처리 정규화 기법인 CMN은 EEG에 바로 적용하기엔 한계가 있다,는 세 가지 핵심 결과를 도출한다. 향후 연구는 레퍼런스 독립적인 특징 추출, 적응형 정규화, 혹은 멀티-도메인 학습을 통해 다양한 레퍼런스 데이터를 효과적으로 통합하는 방안을 모색해야 한다.