A Multi-Modal Non-Invasive Deep Learning Framework for Progressive Prediction of Seizures

기술 요약: 점진적 발작 예측을 위한 다중 모드 비침습적 딥러닝 프레임워크

문제 정의
전 세계적으로 약 6,500만 명의 사람들이 간질(뇌전증)을 앓고 있으며, 그 중 상당 부분(30~40%)은 전통적인 약물 치료로는 관리할 수 없는 약물 저항성 간질을 겪고 있습니다. 기존의 신경 조절 장치(예: 반응형 신경 자극술 및 미주 신경 자극술)는 발작 식별을 통해 치료적 자극을 유도하는 데 성공했지만, 발작 예측은 여전히 해결해야 할 중요한 미충족 수요로 남아 있습니다. 예측 시스템은 환자가 예방 조치를 취하거나, 장치가 자극 패턴을 변경하여 발작을 완전히 방지할 수 있도록 할 수 있습니다.

그러나 발작 예측은 두 가지 주요 기술적 과제에 직면해 있습니다:

1. 데이터 불균형: 발작 이벤트는 비발작 기간에 비해 매우 드물기 때문에 학습 데이터셋이 편향될 수 있습니다.
2. 시간적 분류의 어려움: 발작 발생 전(최대 1시간 전까지)의 전조(preictal) 기간을 정확하게 분류하는 것은 어렵습니다. 모델은 초기 전조 구간에서는 낮은 민감도(위음성)를 보이고, 발작이 접근함에 따라 낮은 특이도(위양성)를 보이는 경els가 있습니다. 또한, 대부분의 기존 딥러닝(DL) 솔루션은 단일 모드 데이터(예: 뇌내 EEG 또는 표면 EEG 단독)에 의존하며, 이는 다중 모드 통합의 잠재력을 충분히 탐구하지 못하고 있습니다.

방법론
저자들은 비침습적 뇌파(EEG) 및 심전도(ECG) 신호를 활용하는 개인 맞춤형 다중 모드 프레임워크를 제안합니다. 이 시스템은 웨어러블 노드가 로컬 추론을 수행하고, 결과를 게이트웨이로 전송하여 게이트웨이가 삽입형 뇌 심부 자극(DBS) 컨트롤러와 협력하도록 설계된 신체 영역 네트워크(Body Area Network, BAN)로 설계되었습니다.

• 데이터 소스: 본 연구는 EPILEPSIAE 프로젝트의 데이터를 활용하며, 특히 단일 채널 ECG와 표면 EEG(10-20 시스템) 기록이 있는 29명의 환자를 선정했습니다. 이 데이터셋은 환자당 평균 165시간의 장기 연속 기록을 포함합니다.
• 레이블링 전략: 예측의 점진적 특성을 다루기 위해, 저자들은 다중 클래스 분류 체계를 정의합니다. 발작 전 시간은 발작 발생 전 네 개의 15분 간격(015분, 1530분, 3045분, 4560분)으로 나뉩니다. 다섯 번째 클래스는 비발작(interictal) 기간(90분 이상 전)을 나타냅니다. 발작(ictal) 기간은 학습에서 제외됩니다.
• 딥러닝 아키텍처:
  • 개별 모달리티: EEG와 ECG 데이터에 대해 별도의 1D 합성곱 신경망(CNN)을 학습시킵니다. 각 네트워크는 네 개의 Conv1D 및 Max-pooling 레이어 블록으로 구성되며, 그 뒤에 ReLU 활성화 함수가 적용된 밀집층(dense layers)과 최종 Softmax 레이어가 이어집니다.
  • 손실 함수: 클래스 불균형을 완화하기 위해 모델은 포컬 로스(Focal Loss) 함수를 사용하여 학습됩니다.
  • 결합 모델(Combiner Model): 개별 EEG 및 ECG 모델의 출력값(확률)은 로지스틱 회귀 결합 모델로 입력됩니다. 이 모델은 다중 모드 확률을 통합하여 최종 예측을 생성합니다.
• 시스템 제약 조건: 아키텍처는 엣지 배포에 최적화되어 있습니다. Xilinx KV260 플랫폼에서의 추론 실행 시간은 평균 20ms입니다. 시스템은 계산 비용, 메모리 사용량 및 전력 소비를 줄이기 위해 경량화된 모델을 우선시하며, 이는 웨어러블 및 삽입형 장치에 적합합니다.

주요 기여

1. 다중 모드 통합: 본 논문은 비침습적 EEG와 ECG 신호를 결합하는 시너지 효과를 입증하며, 결합된 접근 방식이 단일 모드 모델보다 민감도와 특이도 측면에서 모두 우수함을 보여줍니다.
2. 점진적 예측: 이 프레임워크는 단순한 이진 발작/비발작 분류기와 달리, 발작 발생 전 최대 1시간 전까지 15분 간격으로 카운트다운을 예측할 수 있는 다중 클래스 알고리즘을 구현합니다.
3. 엣지 최적화 프레임워크: 시스템은 실시간 처리를 위해 엣지 장치에 최적화되어 있으며, 초음파 통신을 사용하여 데이터 전송 오버헤드를 최소화하고 배터리 수명을 보존하는 동시에 클라우드 기반 솔션과 관련된 개인정보 보호 문제를 해결합니다.
4. 개인 맞춤형 학습: 생리학적 변동성을 고려하여 모델은 29명의 환자를 포함하는 포괄적인 데이터셋을 활용해 환자별로 개별적으로 학습됩니다.

실험 결과
시스템은 29명의 환자 데이터셋에 대해 5-겹 교차 검증(5-fold cross-validation)을 통해 평가되었습니다. 모든 환자에 대한 평균 결과는 다음과 같습니다:

• 성능 지표: 결합된 다중 모드 모델은 95%의 민감도, 98%의 특이도, 그리고 97%의 정확도를 달 achievement 했습니다.
• 혼동 행렬 분석: 시스템은 비발작 기간을 식별하는 데 강력한 성능을 보였습니다. 특정 전조 구간에 대한 정확도는 차이가 있었으나, 오류는 주로 인접한 시간 클래스 간(예: 실제 라벨이 4560분일 때 3045분을 예측)에 발생했습니다. 이는 모델이 발작 발생에 접근하는 일반적인 경향을 포착하고 있음을 시사합니다.
• 시간적 추세: 예측 시간이 발작 발생에 가까워질수록 정확도가 향상되었으며, 이는 발작 전 징후가 사건에 가까워질수록 더 뚜렷해진다는 기대와 일치합니다.

의의 및 주장
저자들은 이 프레임워크가 차세대 폐쇄 루프(closed-loop) 신경 조절 시스템을 위한 강력한 솔루션을 제공한다고 주장합니다. 최대 1시간 전까지 정밀한 알림을 제공함으로써, 환자가 보호자에게 알리거나 위험한 활동을 피할 수 있게 합니다. 또한, 비침습적 심장 신호의 통합은 발작 예측을 위한 웨어러블 기술의 범위를 넓힙니다. 본 논문은 이 작업이 반응적 치료를 넘어 선제적 개입으로 이동하여, 예측된 확률에 따라 자극 패턴을 변경함으로써 발작을 완전히 방지하는 단계로 나아가는 데 기여한다고 위치시킵니다. 저자들은 일상 활동으로 인한 노이즈가 알려된 요인이지만, 현재 연구는 다중 모드 딥러닝 프레임워크의 효능에 집중하고 있으며 노이즈 강건성에 대해서는 향후 연구에서 조사될 것임을 언급했습니다.