뇌전증 발작 자동 검출을 위한 웨이브렛‑머신러닝 하이브리드 모델

** 본 논문은 뇌전증 환자의 발작을 자동으로 탐지하기 위한 새로운 하이브리드 시스템을 제시한다. 시스템은 크게 세 단계로 구성된다. 첫 번째 단계는 전처리 및 신호 분해 단계로, 이산 웨이브렛 변환(DWT)을 이용해 EEG 신호를 4단계까지 분해한다. 저자들은 Daubechies 4(db4) 웨이브렛을 선택했으며, 이는 EEG와 같은 비정상적이고 비정상적인 신호의 시간‑주파수 특성을 효과적으로 포착한다는 장점이 있다. 4단계 분해를 통해 5개의 세부 계수(D1~D4)와 최종 근사 계수(A4)를 얻는다. 두 번째 단계는 특징 추출 단계이다. 각 계수 집합에 대해 엔트로피, 최소값, 최대값, 평균, 중앙값, 표준편차, 분산, 왜도, 에너지, 상대 웨이브 에너지(RWE) 총 10개의 통계·시간‑주파수 특성을 계산한다. 이 과정에서 상세 계수와 근사 계수 모두를 활용함으로써 저주파와 고주파 대역의 정보를 모두 포함한다. 결과적으로 5개의 레벨·2개의 계수·10개의 특성으로 구성된 100차원의 특징 벡터가 생성된다. 세 번째 단계는 머신러닝 기반 분류 단계이다. 저자들은 세 가지 대표적인 분류기, 즉 Radial Basis Function 커널을 사용한 서포트 벡터 머신(SVM‑RBF), K‑Nearest Neighbor(KNN), Naïve Bayes(NB)를 선택하였다. 각 모델은 10‑fold 교차검증을 통해 학습·검증되었으며, 과적합을 최소화하기 위해 하이퍼파라미터 튜닝이 수행되었다(특히 SVM의 σ 값). 실험은 공개된 Bonn 데이터베이스를 이용해 네 가지 주요 비교 시나리오를 설정하였다. 데이터는 A(눈 뜨고 깨어있는 정상), B(눈 감고 깨어있는 정상), C·D(인터아이크탈, 즉 발작이 없는 상태), E(아이크탈, 즉 발작 중)로 구분된다. 각 집합은 100개의 23.6 초 길이 단일 채널 EEG 세그먼트로 구성된다. 1. **정상(A, B) vs 발작(E)** - SVM‑RBF: 100 % 정확도 - KNN: 99.5 % 정확도 (눈 뜨고 정상 vs 발작) - NB: 99 % 정확도 (눈 감고 정상 vs 발작) 2. **인터아이크탈(C, D) vs 발작(E)** - SVM‑RBF: 99 % 정확도 - KNN: 97.5 % 정확도 - NB: 98.5 % 정확도 3. **눈 뜬 정상(A) vs 눈 감은 정상(B)** 등 추가적인 이진 분류에서도 97 % 이상을 유지하였다. 이러한 결과는 기존 연구(대부분 85 %~99 % 수준)보다 우수함을 보여준다. 특히, DWT 기반 다중 대역 특징과 엔트로피 계열을 결합한 것이 높은 구분력을 제공한 것으로 해석된다. 하지만 논문에는 몇 가지 제한점이 있다. 첫째, 데이터가 단일 기관의 제한된 피험자(총 5명)로부터 수집되었으며, 다채널 EEG나 다양한 연령·성별·병변 유형을 포함하지 않는다. 따라서 모델의 일반화 능력은 아직 검증되지 않았다. 둘째, 특징 선택 과정에서 변수 중요도 분석이나 차원 축소 기법(PCA, LDA 등)이 적용되지 않아, 100차원 특징이 실제 분류에 얼마나 기여했는지 명확하지 않다. 셋째, 실시간 적용을 위한 연산량·지연 시간에 대한 논의가 부족하며, 특히 웨이브렛 변환과 10‑fold 교차검증이 실제 임상 환경에서 얼마나 효율적인지 의문이 남는다. 넷째, 정확도 외에 민감도·특이도·F1‑score·ROC‑AUC 등 다양한 성능 지표와 통계적 유의성 검증이 제공되지 않아, 결과의 신뢰성을 완전히 평가하기 어렵다. 결론적으로, 본 연구는 DWT와 전통적인 머신러닝을 결합해 뇌전증 발작 검출에서 높은 정확도를 달성했으며, 향후 연구에서는 (1) 다채널·다기관 데이터셋을 통한 외부 검증, (2) 특징 중요도 분석 및 차원 축소, (3) 딥러닝 기반 자동 특징 학습, (4) 실시간 시스템 구현 및 임상 시험 등을 통해 실용성을 높일 필요가 있다. **