Neurodynamic EEG Seizure Analysis Using CWT Scaleograms and Modified DenseNet

기술 요약: CWT 스케일로그램과 수정된 DenseNet을 이용한 신경역학적 EEG 발작 분석

문제 정의
전 세계적으로 약 5,000만 명에게 영향을 미치는 간질은 재발성 발작을 유발하는 비정상적인 신경 세포 방전으로 특징지어집니다. 뇌파(EEG)는 높은 시간 해상도 덕분에 탐지를 위한 주요 비침습적 도구이지만, 이러한 신호를 분석하는 것은 여전히 도전적인 과제입니다. 발작 활동은 델타에서 감마 대역에 이르는 뇌 리듬 전반에 걸쳐 비정형적인 시변성 진동 활동, 비정상적 동기화 및 스펙트럼 에너지 변화로 나타납니다. 수작업으로 추출한 특징(예: 웨이브릿 변환, 엔트로피, PCA)과 고전적 분류기(예: SVM, Random Forest)에 의존하는 전통적인 컴퓨터 보조 진단(CAD) 시스템은 종종 일반화 성능 저하, 노이즈 민감도, 전문가 지식에 대한 높은 의존성 문제를 겪습니다. 반면, 딥러닝 접근 방식(CNN, RNN, Transformer)은 자동화된 특징 학습을 제공하지만, 데이터 부족, 대규모 데이터셋의 필요성, 임상 배포를 위한 해석 가능성 결여라는 문제에 직면해 있습니다.

방법론
저자들은 Bonn 데이터셋을 사용하여 이진 발작 분류(발작 vs. 비발작)를 위해 설계된 설명 가능한 신경역학적 프레임워크를 제안합니다. 방법론은 다음과 같은 구조화된 파이프라인을 따릅니다:

1. 데이터 전처리:

   • 출처: Bonn 데이터셋에서 추출한 500개의 1차원 EEG 세그먼트 (각 4097개 샘플, 약 23.6초).
   • 정제: 전력선 간섭을 제거하기 위해 50 Hz IIR 노치 필터를 적용한 후, 기선 보정(−0.5 s ~ −0.1 s)을 수행합니다.
   • 아티팩트 제거: 아티팩트 제거를 위해 FastICA(독립 성분 분석)를 적용합니다.
   • 필터링: 관련 EEG 리듬을 유지하기 위해 1–30 Hz 대역 통과 필터를 적용합니다. 전력 스펙트럼 밀도(PSD) 분석을 통해 50 Hz 성분 및 고조파의 효과적인 감쇄를 확인합니다.

2. 신경역학적 표현 (CWT 스케일로그램):

   • EEG의 비정상성(non-stationary) 문제를 해결하기 위해, 전처리된 1차원 신호를 연속 웨이브릿 변환(CWT)을 사용하여 2D 시계열-주파수 이미지로 변환합니다.
   • 가우시안 모 웨이브릿(Gaussian mother wavelet)을 사용하여 스케일로그램을 생성합니다. 이 변환은 발작(ictal) 활동과 관련된 과도적 진동, 동기화 패턴 및 에너지 집중을 포착하여, 1차원 신호에서는 가려지기 쉬운 국소적 스펙트럼-시간 패턴을 보존합니다.

3. 수정된 DenseNet 아키텍처:

   • 핵심 분류 모델은 2D 스케일로그램 입력을 위해 맞춤화된 수정된 DenseNet입니다.
   • 구조적 변경: 표준 DenseNet 구현과 달리, 이 변형 모델은 과적합을 줄이고 파라미터 수를 줄이기 위해 완전 연결(fully connected, FC) 층을 제거했습니다.
   • 메커니즘: 이 모델은 컨볼루션 업샘플링과 전역 평균 풀링(Global Average Pooling, GAP)을 특징으로 하는 완전 컨볼루션 구조를 채택합니다. 이 설계는 효율적인 특징 재사용을 보장하면서 스케일로그램 영역 내의 공간 정보를 유지합니다.
   • 학습 구성: 모델은 Adam 옵티마이저(학습률 0.001), 배치 크기 32, 20 에포크, 드롭아웃(0.25), ReLU 활성화 함수, 그리고 이진 분류를 위한 시그모이드 출력을 갖는 이진 교차 엔트로피 손실을 사용합니다.

4. 설명 가능성 (Grad-CAM):

   • 임상적 투명성을 높이기 위해, 마지막 컨볼루션 층에 Gradient-weighted Class Activation Mapping(Grad-CAM)을 적용합니다. 이를 통해 모델의 결정에 가장 크게 기여하는 특정 시계열-주파수 영역을 시각화하는 히트맵을 생성하여, 모델이 임상적으로 유의미한 스펙트럼 버스트에 집중하고 있는지 검증합니다.

주요 기여

• 새로운 표현 방식: 본 연구는 EEG 발작 분석을 위해 CWT 기반의 2D 스케일로그램 표현을 도입하여, 1차원 신경역학 신호를 효율적인 컨볼루션 처리에 적합한 형식으로 변환했습니다.
• 아키텍처 혁신: 업샘플링과 GAP를 갖춘 완전 컨볼루션 설계를 통해 완전 연결 층을 제거한 수정된 DenseNet 아키텍처를 제안했습니다. 이 수정은 작은 데이터셋에서의 일반화 능력을 향상시키고 과적합을 줄이는 것을 목표로 합니다.
• 설명 가능한 AI (XAI): Grad-CAM의 통합은 시각적 해석 가능성을 제공하여, 임상의가 모델의 결정이 노이즈가 아닌 차별적인 스펙트럼-시간 영역에 기반하고 있는지 확인할 수 있게 합니다.
• 포괄적인 벤치마킹: 제안된 모델은 VGG16, VGG19, ResNet-50, 표준 CNN, BiLSTM, EfficientNetB0, Transformer를 포함한 광범위한 최신 아키텍처와 엄격하게 비교되었습니다.

결과
모델은 80:20 훈련-테스트 분할, 계층적 5-겹 교차 검증 및 클래스 가중치 손실을 사용하여 평가되었습니다. 수정된 DenseNet은 다음 성능 지표를 달이트:

• 정확도(Accuracy): 95.1% (95% CI: 92.4%–97.8%)
• 정밀도(Precision): 97.0%
• 재현율(Recall/Sensitivity): 93.5%
• 특이도(Specificity): 95.0%
• F1-Score: 95.2%
• AUC: 0.97

비교 성능:
제안된 모델은 모든 베이스라인 모델보다 정확도 면에서 최소 4.1% 이상의 격차로 앞섰습니다.

• Transformers는 90.2%의 정확도를 기록했습니다.
• EfficientNetB0는 89.8%의 정확도를 기록했습니다.
• ResNet-50은 91%의 정확도를 기록했습니다.
• BiLSTM은 스케일로그램 입력에 대해 상대적으로 낮은 87.4%의 성능을 보였습니다.
• VGG16/VGG19 및 표준 CNN은 84%에서 86% 사이의 점수를 기록했습니다.
  Grad-CAM 시각화 결과, 모델이 발작 사례에서는 집중된 고주파 버스트를 올바르게 식별한 반면, 비발작 사례에서는 확산된 낮은 활성도를 보임을 확인했습니다.

의의 및 주장
본 논문은 CWT 기반의 신경역학적 표현과 수정된 완전 컨볼루션 DenseNet의 결리이 EEG 발작 분류를 위한 효과적이고 데이터 효율적인 접근 방식을 제공한다고 주장합니다. 저자들은 이 프레임워크가 전통적인 CAD 시스템(노이즈 민감도)과 표준 딥러닝 모델(데이터 갈증 및 해석 가능성 결여)의 한계를 해결한다고 단언합니다. 작은 규모의 단일 채널 데이터셋에서 우수한 정확도를 달성함과 동시에 Grad-CAM을 통한 시각적 설명을 제공함으로써, 본 연구는 임상적으로 투명한 발작 탐지 도구를 향한 경로를 제시합니다.

저자가 인정한 한계점
저자들은 본 연구가 다음과 같은 한계가 있음을 명시적으로 언급했습니다:

• 작은 규모의 단일 채널 데이터셋(Bonn)에 대한 평가로 인해, 실제 의료 현장의 다채널 EEG로의 일반화가 제한될 수 있음.
• 2D 스케일로그램으로의 변환 과정에서 발생할 수 있는 시간적 및 공간적 정보의 손실 가능성.
• Grad-CAM이 제공하는 해석의 거친(coarse) 수준.
• 다채널, 실시간 및 노이즈가 많은 임상 기록에 대한 검증 부족.

향-후 연구는 다채널 데이터, 트랜스포머 기반 모델, 그리고 그래프 기반 신경역학 분석에 집중할 것을 제안합니다.