Epileptic Seizure Detection in Separate Frequency Bands Using Feature Analysis and Graph Convolutional Neural Network (GCN) from Electroencephalogram (EEG) Signals

논문 요약: 주파수 대역별 특징 분석 및 GCN 을 활용한 뇌전증 발작 탐지

1. 문제 정의 (Problem Statement)

• 뇌전증 (Epilepsy) 의 심각성: 뇌전증은 전 세계 약 5 천만 명에게 영향을 미치는 신경계 질환으로, 뇌의 비정상적이고 과도한 전기 활동으로 인해 발작이 반복됩니다.
• 기존 진단의 한계:
  • 수동 분석: 의사가 EEG(뇌파) 신호를 수동으로 분석하는 것은 시간 소모가 크고 피로하며, 개인 간 편차가 큽니다.
  • 기존 자동화 시스템의 결함:
    • 전통적 머신러닝: 수동으로 추출된 특징 (Wavelet, PSD 등) 에 의존하며, EEG 신호의 비선형성, 비정상성, 그리고 다차원적인 특성을 완전히 표현하지 못합니다. 또한 채널 간의 공간적 상관관계를 포착하지 못합니다.
    • 기존 딥러닝 (CNN, RNN): CNN 은 유클리드 격자 구조를 가정하여 뇌파 전극의 비유클리드 기하학적 구조 (뇌 영역 간의 연결성) 를 제대로 반영하지 못합니다. RNN 은 시간적 의존성은 잘 처리하지만 공간적 의존성 모델링에는 한계가 있습니다.
• 주파수 대역의 중요성: 뇌파 신호의 파워 분포는 특정 주파수 대역 (델타, 세타, 알파, 베타 등) 에서 발작 단계 (ictal phase) 에 따라 뚜렷하게 달라지지만, 기존 연구들은 주로 광대역 (Broadband) 신호를 전체적으로 분석하여 주파수별 특이성을 놓치는 경우가 많습니다.

2. 제안된 방법론 (Proposed Methodology)

이 연구는 주파수 대역별 (Frequency Band-specific) 분석과 **그래프 합성곱 신경망 (GCN)**을 결합한 새로운 프레임워크를 제안합니다.

• 데이터 전처리 및 분할:

  • 데이터셋: CHB-MIT 두피 EEG 데이터셋 사용 (23 개 채널, 256Hz 샘플링).
  • 주파수 대역 분리: 원시 EEG 신호를 5 개의 주파수 대역으로 분해 (Band-pass Filtering):
    1. 델타 (Delta): 0.5–4 Hz
    2. 세타 (Theta): 4–8 Hz
    3. 알파 (Alpha): 8–13 Hz
    4. 로우 베타 (Lower Beta): 13–22 Hz
    5. 하이 베타 (Higher Beta): 22–30 Hz
  • 세그먼트화: 6 초 단위로 신호를 분할하여 처리합니다.
  • 레이블링: 발작의 정확한 시작과 종료 시간을 기반으로 ictal phase(발작 중) 신호만을 추출하여 모델 학습에 집중합니다.

• 특징 추출 (Feature Extraction):

  • 각 주파수 대역의 ictal 신호에서 11 가지의 판별력 있는 특징을 추출합니다.
  • 주요 특징: 전력 스펙트럼 밀도 (PSD), Hjorth 파라미터 (Activity, Mobility, Complexity), 왜도 (Skewness), 첨도 (Kurtosis), 표준편차, 최대 진폭, 분산, 중앙값, 평균 등.
  • 23 개 채널 × 11 개 특징 = 253 개 특징을 6 초 구간별로 입력 벡터로 구성합니다.

• 그래프 구성 및 GCN 모델:

  • 그래프 정의: 23 개의 EEG 채널을 **노드 (Node)**로, 채널 간의 생리학적/해부학적 연결성을 **에지 (Edge)**로 정의합니다.
  • 인접 행렬 (Adjacency Matrix): 전극의 물리적 배치 (Montage) 를 기반으로 노드 간 연결 관계를 0 또는 1 로 표현합니다.
  • GCN 아키텍처: 추출된 특징을 입력으로 받아, 노드 간의 공간적 의존성 (Spatial Dependency) 과 시간적 역동성을 동시에 학습합니다. 이는 뇌의 비유클리드 구조를 효과적으로 모델링합니다.
  • 데이터 불균형 해결: 발작 데이터 (소수 클래스) 와 비발작 데이터 (다수 클래스) 의 불균형을 해결하기 위해 **SMOTE(Synthetic Minority Over-sampling Technique)**를 적용하여 데이터를 균형화했습니다.

3. 주요 기여 (Key Contributions)

1. ictal phase 집중 학습: 발작의 전체 구간이 아닌, 발작이 실제로 발생하는 'ictal phase'의 특징만을 추출하여 모델의 정밀도와 신뢰성을 극대화했습니다.
2. 주파수 대역별 분석: 광대역 분석 대신 5 개의 개별 주파수 대역별로 별도의 GCN 모델을 구축하여, 어떤 주파수 대역이 발작 탐지에 가장 결정적인 역할을 하는지 규명했습니다.
3. GCN 기반 공간 - 시간 모델링: EEG 채널 간의 공간적 연결성을 그래프로 모델링하여, 기존 CNN/RNN 이 놓치던 뇌 영역 간의 상호작용과 발파 전파 패턴을 효과적으로 포착했습니다.
4. 경량화 및 해석 가능성: 복잡한 특징 추출 없이도 높은 성능을 내며, 주파수 대역별 성능 차이를 분석함으로써 임상적으로 해석 가능한 통찰을 제공합니다.

4. 실험 결과 (Results)

CHB-MIT 데이터셋을 사용하여 5-fold 교차 검증으로 실험을 수행한 결과는 다음과 같습니다.

• 전체 성능 (Broadband):

  • 정확도 (Accuracy): 99.01%
  • 민감도 (Sensitivity): 98.06%
  • 특이도 (Specificity): 99.03%
  • F1-Score: 96.67%

• 주파수 대역별 성능 비교:

  • 로우 베타 (Lower Beta, 13–22 Hz): 99.7% 정확도 (가장 우수).
  • 알파 (Alpha, 8–13 Hz): 99.5% 정확도.
  • 세타 (Theta, 4–8 Hz): 97.13% 정확도.
  • 델타 (Delta, 0.5–4 Hz): 97.1% 정확도.
  • 하이 베타 (Higher Beta, 22–30 Hz): 51.4% 정확도 (성능 저하).
    • 분석: 하이 베타 대역은 민감도는 100% 에 가깝지만 특이도가 3% 로 극단적으로 낮아, 발작이 아닌 신호를 발작으로 잘못 분류하는 편향 (Bias) 이 발생함을 시사합니다. 이는 해당 주파수 대역이 발작 탐지에 유의미한 정보를 제공하지 않음을 의미합니다.

• ROC 곡선 및 AUC: 알파, 로우 베타, 광대역 모델은 AUC 1.00 에 근접하여 완벽한 분류 성능을 보였습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 임상적 의의: 이 연구는 뇌전증 발작이 특정 주파수 대역 (특히 알파와 로우 베타) 에서 더 뚜렷하게 나타난다는 것을 입증했습니다. 이는 향후 치료 및 모니터링 장비 개발 시 특정 주파수 대역에 초점을 맞출 수 있는 근거를 제공합니다.
• 기술적 혁신: GCN 을 활용하여 뇌의 공간적 연결성을 모델링하고, ictal phase 에 특화된 특징 추출을 통해 기존 방법론보다 높은 정확도와 낮은 오검출률을 달성했습니다.
• 실용성: 경량화된 모델 구조와 높은 정확도로 인해 실시간 모니터링 시스템이나 리소스가 제한된 환경에서도 적용 가능한 잠재력을 가지고 있습니다.
• 향후 과제: 환자 간 뇌 역동성의 차이 (Inter-patient variability) 와 고농도의 노이즈가 포함된 데이터셋에서의 성능 검증이 필요하지만, 본 연구는 주파수 대역별 분석이 발작 탐지 정확도를 획기적으로 높일 수 있음을 증명했습니다.

이 논문은 뇌전증 진단의 정확성을 높이기 위해 **주파수 특이성 (Frequency Specificity)**과 **그래프 기반 딥러닝 (Graph-based Deep Learning)**을 결합한 혁신적인 접근법을 제시했습니다.