뇌전증 발작 유형 분류를 위한 신경 기억 네트워크

본 논문은 뇌전증 환자의 발작 유형을 자동으로 분류하는 문제에 초점을 맞추었다. 발작 유형 분류는 임상 진단, 치료 방침 결정, 그리고 연구 목적 모두에서 핵심적인 역할을 하며, 현재는 전문 의사가 수작업으로 수행하고 있다. 최근 딥러닝 기반의 발작 검출 및 예측 연구가 활발히 진행되고 있으나, 발작 유형을 다중 클래스로 구분하는 자동화된 솔루션은 아직 미비한 상황이다. 이를 해결하고자 저자들은 ‘Neural Memory Networks(NMN)’라는 외부 메모리와 가변 플라스틱 가중치를 결합한 새로운 아키텍처를 제안한다. 기존의 CNN·RNN(특히 LSTM·GRU) 기반 모델은 짧은 시퀀스 내의 패턴을 포착하는 데는 강점이 있지만, 장기적인 의존성을 유지하기 어렵다. 메모리 네트워크는 이러한 한계를 극복하기 위해 메모리 스택(M)이라는 별도 저장소를 두고, 입력 컨트롤러, 출력 컨트롤러, 업데이트 컨트롤러가 각각 LSTM 셀 형태로 구현되어 메모리와의 상호작용을 관리한다. 데이터는 세계 최대 규모의 공개 EEG 발작 데이터베이스인 TUH EEG Seizure Corpus(TUSZ)에서 추출했으며, IBM이 제공하는 전처리 파이프라인(FFT 변환, 1초 윈도우, 20채널, 24주파수 밴드)을 그대로 사용했다. 발작 유형은 FNSZ, GNSZ, SPSZ, CPSZ, ABSZ, TNSZ, TCSZ의 7가지 클래스로 정의했으며, 각 클래스는 환자와 발작 수에 따라 데이터 샘플이 불균형하게 분포한다. 모델 구조는 다음과 같다. 1) 입력 데이터는 두 개의 LSTM 레이어(각 128 셀)로 단기 시계열 특징을 추출한다. 2) 추출된 hidden state xₜ는 입력 컨트롤러에 전달되어 질의 벡터 qₜ를 생성한다. 3) 어텐션 메커니즘을 통해 qₜ와 메모리 슬롯 간 유사도(zₜ)를 계산하고, 가장 관련성이 높은 슬롯을 선택한다. 4) 출력 컨트롤러는 선택된 메모리 내용 cₜ를 반환하며, 업데이트 컨트롤러는 새로운 정보를 반영해 메모리 Mₜ를 갱신한다. 5) 최종적으로 cₜ는 완전 연결(Dense) 레이어와 소프트맥스 함수를 거쳐 7가지 발작 유형 중 하나를 예측한다. 플라스틱 가중치는 고정 가중치와 함께 사용되어, 메모리 읽기·쓰기 과정에서 시냅스 가소성을 모방한다. 이는 메모리 내 연결 강도가 학습 과정에서 동적으로 조정될 수 있음을 의미한다. 저자들은 이러한 메커니즘이 장기적인 EEG 패턴을 보다 정교하게 저장·검색하게 만든다고 주장한다. 실험에서는 기존의 전통적인 머신러닝(KNN, SGD, XGBoost, AdaBoost), CNN 기반 모델(ResNet50, AlexNet, VGG16/19), 그리고 SeizureNet 등 10여 개의 베이스라인을 동일한 데이터와 평가 프로토콜(교차 환자 검증) 하에 비교했다. 성능 평가지표는 weighted F1 점수이며, NMN은 0.945를 기록해 가장 높은 점수를 얻었다. 이는 기존 최고 성능(≈0.89)보다 약 5%p 상승한 수치이다. 또한 메모리 임베딩을 t‑SNE로 시각화했을 때, 각 발작 유형이 명확히 구분되는 클러스터를 형성함을 확인했으며, 이는 메모리 모듈이 클래스 간 차이를 효과적으로 학습한다는 증거이다. 한편, 저자들은 몇 가지 제한점을 언급한다. 첫째, 메모리 슬롯 수(l)와 임베딩 차원(k) 등 하이퍼파라미터가 모델 성능에 큰 영향을 미치며, 최적값 탐색이 필요하다. 둘째, 메모리 업데이트 연산이 추가적인 계산 비용을 발생시켜 실시간 시스템에 적용하기 위해서는 최적화가 요구된다. 셋째, 현재는 1초 길이의 윈도우만을 사용했기 때문에 발작 전후의 전이 구간을 포착하지 못한다는 점이다. 향후 연구에서는 다중 스케일 윈도우, 멀티모달(EEG+영상) 데이터 결합, 그리고 메모리 효율성을 높이는 경량화 기법 등을 탐색할 계획이다. 결론적으로, 이 논문은 신경 기억 네트워크와 플라스틱 가중치를 EEG 기반 발작 유형 분류에 성공적으로 적용함으로써, 장기적인 시계열 의존성을 필요로 하는 의료 데이터 분석에 새로운 패러다임을 제시한다. 향후 다양한 신경학적 질환의 자동 진단 및 예측 모델에 확장될 가능성이 크다.