Classification of Healthy People and Schizophrenics Using Time- Frequency Domain Features Extracted from Electroencephalogram Signals

이 논문은 시간, 주파수, 시간 - 주파수 영역에서 추출한 뇌파 (EEG) 신호의 특징을 활용하여 KNN, SVM 등 다양한 분류기를 통해 조현병 환자와 건강한 대조군을 100% 정확도로 자동 분류하는 새로운 진단 기법을 제안합니다.

핵심

🧠 1. 문제 상황: "의사의 눈만 믿기엔 불안한 이유"

지금까지 조현병 진단은 전적으로 정신과 의사가 환자를 만나 대화하고 관찰하는 것에 의존했습니다.

• 비유: 마치 맛있는 음식을 오직 '맛있는지 아닌지'로만 판단하는 미식가와 같습니다. 하지만 미식가마다 입맛이 다르고, 피곤하거나 컨디션이 안 좋으면 판단이 흐려질 수 있습니다. 게다가 다른 정신 질환 (우울증 등) 과 혼동하기 쉽습니다.
• 연구의 목표: 의사의 판단을 돕기 위해, **뇌파 신호를 분석하는 '스마트한 2 차 진단 보조 도구'**를 만들자는 것입니다.

🔍 2. 방법론: "뇌파를 3 가지 렌즈로 살펴보다"

연구팀은 뇌파 신호를 분석할 때, 단순히 한 가지 방법만 쓰지 않고 **세 가지 다른 '렌즈 (시각)'**를 통해 바라봤습니다.

1. 시간 영역 (Time Domain): 뇌파가 시간에 따라 어떻게 움직이는지 봅니다. (예: 신호가 얼마나 자주 위아래로 출렁이는지)
   • 비유: 시계바늘의 움직임을 보는 것과 같습니다.
2. 주파수 영역 (Frequency Domain): 뇌파가 어떤 진동수 (음높이) 로 구성되어 있는지 봅니다. (예: 낮은 소리 (델타) 가 많은지, 높은 소리 (감마) 가 많은지)
   • 비유: 오케스트라의 악기 소리를 분석해서, 베이스가 너무 큰지, 바이올린이 너무 큰지 확인하는 것과 같습니다.
3. 시간 - 주파수 영역 (Time-Frequency Domain): 위 두 가지를 동시에 봅니다. (예: 특정 시간에 어떤 소리가 갑자기 튀어 올랐는지)
   • 비유: 무대 위의 연주가가 언제, 어떤 악기를 치는지 동영상을 보며 분석하는 것과 같습니다.

🎒 3. 특징 추출: "뇌파에서 '중요한 정보'만 챙겨오기"

뇌파 데이터는 너무 방대하고 잡음도 많습니다. 연구팀은 이 데이터에서 가장 중요한 '지문' 같은 특징 18 가지를 뽑아냈습니다.

• 비유: 거대한 **보물상자 (뇌파 데이터)**에서 보물 (질병의 징후) 을 찾기 위해, 불필요한 돌멩이 (잡음) 를 버리고 가장 빛나는 보석들 (특징) 만 골라낸 것입니다.
• 선별 과정: 처음엔 18 개의 보석을 다 챙겼지만, AI 가 "이 보석은 쓸모없어"라고 판단하면 버리고, "이 보석들이 함께 있으면 가장 정확해"라고 판단되는 최고의 조합 10 개만 남겼습니다.

🤖 4. 분류 (진단): "AI 의 눈으로 판단하기"

뽑아낸 최고의 보석 조합을 가지고 7 가지 다른 AI(기계학습) 모델에게 "이 사람이 건강한 사람인지, 환자인지 맞춰봐!"라고 시켰습니다.

• 사용된 AI: K-최근접 이웃, 서포트 벡터 머신 (SVM), 의사결정나무, 나이브 베이즈 등 다양한 방식의 AI 가 참여했습니다.
• 비유: **7 명의 다른 전문가 (AI)**가 모여서 같은 데이터를 두고 토론하고 최종 결론을 내리는 것과 같습니다.

🏆 5. 결과: "완벽한 100% 성공!"

이 연구의 가장 놀라운 결과는 특정 AI 모델 3 개가 100% 의 정확도를 기록했다는 것입니다.

• 의미: 건강한 사람과 조현병 환자를 완벽하게 구별해 냈다는 뜻입니다. (물론 데이터 크기가 작아 더 큰 연구가 필요하지만, 가능성은 매우 높습니다.)
• 핵심 발견: 단순히 한 가지 방법만 쓰는 것보다, 시간, 주파수, 시간 - 주파수 정보를 모두 섞어서 분석하는 것이 훨씬 효과적이었습니다.

💡 6. 결론 및 미래: "의사의 든든한 파트너"

이 연구는 **"뇌파 분석 + AI"**가 조현병 진단의 정확도를 획기적으로 높일 수 있음을 보여줍니다.

• 미래 전망: 이 기술이 발전하면, 의사가 환자를 볼 때 AI 가 "이 뇌파 패턴은 조현병일 확률이 99% 입니다"라고 알려주는 보조 도구로 쓰일 수 있습니다.
• 확장 가능성: 이 방법은 조현병뿐만 아니라 다른 정신 질환이나, 청소년과 성인의 질환 차이까지 분석하는 데에도 쓸 수 있습니다.

---

한 줄 요약:

"이 연구는 뇌파를 3 가지 다른 각도에서 분석하고, AI 가 가장 중요한 신호만 골라내어 조현병 환자를 100% 정확도로 찾아내는 새로운 진단 도구를 개발했습니다."

기술 요약

논문 요약: EEG 신호의 시간 - 주파수 영역 특징을 이용한 건강한 사람과 조현병 환자의 분류

1. 문제 정의 (Problem Statement)

• 조현병 (SZ) 의 진단 어려움: 조현병은 신경 생물학적 결손과 관련된 만성적이고 복잡한 정신 질환으로, 증상 이질성이 커서 객관적인 진단이 어렵습니다. 현재 진단은 정신과 의사의 행동 및 임상 증상에 기반한 인터뷰에 의존하고 있어, 시간과 비용이 많이 들며 인간 오류의 소지가 있습니다.
• 오진 문제: 조현병은 양극성 장애나 주요 우울장애 등 다른 정신 질환과 혼동되어 오진되는 경우가 많습니다.
• 필요성: 따라서 정신과 의사를 보조할 수 있는 자동화되고 비용 효율적이며 정확한 조현병 진단 시스템의 개발이 시급합니다.

2. 방법론 (Methodology)

이 연구는 뇌파 (EEG) 신호를 활용하여 건강한 개인과 조현병 환자를 분류하는 자동화 시스템을 제안합니다.

• 데이터셋:
  • 아티에 (Atieh) 임상 신경과학 센터에서 수집된 데이터 사용.
  • 대상: 건강한 사람 14 명, 조현병 환자 14 명 (총 28 명).
  • 조건: 안구 폐쇄 상태 (Resting state) 에서 5 분간 기록, 19 개 전극 (10-20 시스템), 샘플링 주파수 500Hz.
• 전처리 (Preprocessing):
  • 필터링: 0.5~45Hz 대역 통과 필터 (FIR) 적용 (50Hz 이상 노이즈 제거).
  • 아티팩트 제거: 독립 성분 분석 (ICA) 을 사용하여 눈 움직임, 운동 노이즈, 심장 박동 등 뇌와 무관한 성분 제거.
• 특징 추출 (Feature Extraction):
  • 3 가지 도메인 활용: 시간 영역 (Time), 주파수 영역 (Frequency), 시간 - 주파수 영역 (Time-Frequency).
  • 총 18 가지 특징 모델:
    • 시간 영역: 영점 교차율 (ZCR), Hjorth 이동도/복잡도, Higuchi 프랙탈 차원, Lempel-Ziv 복잡도 (LZC).
    • 주파수 영역: 델타/세타/알파/베타/감마 대역 평균 전력, 델타 - 알파 전력 비율, 스펙트럼 엔트로피.
    • 시간 - 주파수 영역: 이산 웨이블릿 변환 (DWT, Daubechies order 6 사용) 기반의 Kurtosis, Hurst 지수, Shannon/Rényi/Tsallis 엔트로피, Log Energy Entropy 등.
• 특징 선택 (Feature Selection):
  • 하이브리드 접근법:
    1. 상호 정보 (Mutual Information): 관련성이 낮은 특징을 제거 (스칼라 방식, 계산 효율성).
    2. 순차적 전진 특징 선택 (Sequential Forward Feature Selection, SFFS): 분류기별 최대 정확도를 기준으로 최적의 특징 조합 (상위 10 개) 을 선택 (벡터 방식).
• 분류 알고리즘 (Classification):
  • K-Nearest Neighbors (KNN), 가중 KNN (WKNN), 선형/비선형 (RBF 커널) SVM, 결정 트리 (Decision Tree), 선형 판별 분석 (LDA), 나이브 베이즈 (Naive Bayes) 등 7 가지 머신러닝 모델 사용.
• 검증 (Validation):
  • 과적합 방지 및 소규모 데이터셋 신뢰도 향상을 위해 10-폴드 교차 검증과 Leave-One-Out (LOO) 교차 검증을 병행.

3. 주요 결과 (Key Results)

• 특징 선택의 효과: 모든 분류기에서 시간, 주파수, 시간 - 주파수 영역의 특징을 통합하고 SFFS 를 통해 특징을 선택한 후, 성능이 극대화되었습니다.
• 주요 특징: 모든 분류기에서 공통적으로 Lempel-Ziv 복잡도 (시간 영역), 스펙트럼 엔트로피 (주파수 영역), **로그 에너지 엔트로피 (시간 - 주파수 영역)**가 높은 성능을 보이는 핵심 특징으로 선정되었습니다.
• 분류 성능 (LOO 검증 기준):
  • 100% 정확도 달성: 선형 SVM, 비선형 SVM, 결정 트리 (Decision Tree) 의 3 가지 분류기가 특징 선택 후 100% 정확도를 기록했습니다.
  • 기타 분류기: 나이브 베이즈 (95%), LDA (98%), KNN (96.42%) 등도 높은 성능을 보였습니다.
  • 도메인별 비교: 단일 도메인 (시간, 주파수, 시간 - 주파수) 만을 사용할 때보다 세 도메인을 통합한 경우가 전반적으로 더 높은 정확도를 보였습니다. 특히 주파수 영역만 사용할 때는 LDA 가 100% 를 기록했으나, 통합 영역에서는 더 많은 분류기가 100% 를 달성했습니다.

4. 주요 기여 (Key Contributions)

1. 다중 도메인 특징 통합: 기존 연구들이 주로 시간 또는 주파수 영역 중 하나에만 집중했던 것과 달리, 시간, 주파수, 시간 - 주파수 영역의 특징을 통합하여 조현병의 복잡한 뇌 신호 특성을 포괄적으로 분석했습니다.
2. 하이브리드 특징 선택 전략: 상호 정보 (Mutual Information) 와 순차적 전진 선택 (SFFS) 을 결합하여 노이즈를 제거하고 분류기별 최적의 특징 조합을 도출함으로써 소규모 데이터셋에서도 높은 분류 성능을 확보했습니다.
3. 높은 정확도의 자동화 진단 모델 제안: 100% 에 가까운 분류 정확도를 달성하여, 임상 현장에서 정신과 의사의 진단을 보조할 수 있는 신뢰할 수 있는 도구로서의 가능성을 입증했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 임상적 의의: 이 연구는 조현병 진단을 위한 객관적이고 자동화된 보조 도구로 EEG 기반 머신러닝 모델의 유효성을 입증했습니다. 이는 진단의 정확성을 높이고 오진을 줄이며, 치료 시기를 앞당기는 데 기여할 수 있습니다.
• 향후 연구 방향:
  • 다른 정신 질환 (양극성 장애 등) 으로 확장 적용.
  • 조현병의 양성/음성 증상 분류 또는 다양한 하위 유형 분류에 적용.
  • 청소년기 조현병 데이터셋 확보 시 성인과의 비교 분석을 통한 연령대별 특징 규명.

이 논문은 제한된 데이터셋 (28 명) 으로도 100% 정확도를 달성한 것은 주목할 만한 성과이며, EEG 신호 처리와 머신러닝을 결합한 정신 질환 진단 연구의 중요한 진전을 보여줍니다.