Early Detection of Schizophrenia Using EEG Signals Based on CNN and CNN–LSTM Deep Learning Models
이 연구는 하이브리드 CNN-LSTM 딥러닝 모델이 휴지기 EEG 신호로부터 조현병를 탐지하는 데 있어 단독 CNN보다 성능이 유의미하게 우수함을 입증하며, 92.03%의 정확도를 달족하고 객관적 진단을 위한 시계열 순차 학습 통합의 가치를 강조한다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
인간의 뇌는 우리가 생각하고, 느끼고, 세상을 지각함에 따라 끊임없이 변화하는 거대하고 웅성거리는 전기적 활동의 네트워크입니다. 수십 년 동안 과학자들은 정신 건강 질환이 발생했을 때 무엇이 잘못되는지 이해하기 위해 이 웅성거림에 귀를 기울이려 노력해 왔습니다. 그러한 질환 중 하나인 조현병은 환자가 현실을 보는 방식을 변화시켜, 종종 환각이나 혼란스러운 사고를 유발하는 심각한 상태입니다. 현재 의사들은 환자가 자신의 경험을 설명하는 것을 듣고 행동을 관찰함으로써 이 질환을 주로 진단하는데, 이 과정은 인간의 판단에 크게 의존하며 때로는 문제의 초기 징후를 놓칠 수도 있습니다. 이 질병을 조기에 발견할 수 있는 더 객관적인 방법을 찾기 위해, 연구자들은 뇌파 검사(EEG)로 눈을 돌렸습니다. 이 기술은 두피에 작은 센서를 부착하여 뇌의 전기 신호를 기록하는 방식입니다. 뇌의 구조를 사진으로 찍는 값비싼 스캔과 달리, EEG는 뇌의 역동적인 리듬을 실시간으로 포착하여 조현병의 특징일 수 있는 전기적 폭풍을 들여다볼 수 있는 창을 제공합니다.
최근 말레이시아 테크놀로지 대학교(Universiti Teknologi Malaysia)의 연구진은 컴퓨터가 이러한 전기적 패턴을 자동으로 인식하도록 가르칠 수 있는지 확인하기 위해 연구를 진행했습니다. 그들은 조현병 진단을 받은 49명과 건강한 대조군 32명을 포함하여 총 81명의 뇌파 기록 모음을 가지고 작업했습니다. 연구팀은 두 가지 서로 다른 유형의 컴퓨터 프로그램, 즉 딥러닝 모델을 테스트하여 어떤 모델이 두 집단을 더 잘 구별할 수 있는지 확인하고자 했습니다. 첫 번째 모델은 카메라가 사진 속의 가장자리를 식별하는 것과 유사하게, 뇌파에서 특정한 형태와 패턴을 찾도록 설계되었습니다. 두 번째 모델은 더 복잡한 하이브리드 모델로, 이러한 형태를 찾아낼 뿐만 아니라 신호가 도착하는 순서에도 주의를 기울여 뇌의 활동이 시간에 따라 어떻게 변하는지를 이해하도록 만들어졌습니다.
연구진은 먼저 가공되지 않은 데이터를 정제하는 작업부터 시작했습니다. 원래의 기록에는 근육의 움직임과 환경적 간섭으로 인한 노이즈가 가득했기 때문에, 원치 않는 정적을 걸러내고 신호 강도를 조정하여 데이터가 균일하도록 만들었습니다. 그런 다음 이 정제된 정보를 두 가지 컴퓨터 프로그램에 입력했습니다. 신호의 공간적 패턴에만 집중한 첫 번째 프로그램은 0.73의 AUC를 기록하며 올바른 집단을 식별해 냈습니다. 이 프로그램은 건강한 뇌를 포착하는 데는 꽤 괜찮았지만, 조현병 환자를 정확히 식별하는 데는 어려움을 겪었습니다. 이 모델은 조현병 환자의 46.78%만을 정확히 식별한 반면, 53.22%는 건강한 것으로 잘못 분류되었습니다. 이는 프로그램이 뇌파의 '형태'는 볼 수 있었지만, 그 파동이 어떻게 움직이고 진화하는지에 대한 결정적인 무언가를 놓치고 있었음을 시사했습니다.
패턴 인식과 시간적 이해를 결 der합한 두 번째 프로그램은 훨씬 더 우수한 성능을 보였습니다. 신호가 단순히 어떤 모습인지뿐만 아니라 초 단위로 어떻게 펼쳐지는지를 학습함으로써, 이 모델은 0서 0.92 이상의 AUC를 달럽했습니다. 이 모델은 조현병 환자의 약 91%를 정확히 식별했으며, 건강한 개인의 거의 90%를 식별해 냈습니다. 결과는 뇌의 전기적 활동의 타이밍이 정적인 스냅샷이 놓치는 중요한 단서를 보유하고 있음을 보여주었습니다. 연구는 하이브리드 모델이 단순한 모델보다 성공률이 거의 20퍼센트 포인트 더 높으며 훨씬 더 신뢰할 수 있다는 것을 밝혀냈습니다.
이러한 발견은 뇌파를 통해 조현병을 감지하는 핵심이 단일 순간의 사진이 만드는 그림만이 아니라, 신호가 시간에 따라 들려주는 이야지를 이해하는 데 있음을 시사합니다. 연구진은 자신들의 데이터셋이 상대적으로 작으며, 이 방법이 병원에서 사용되기 전에는 더 큰 집단을 대상으로 한 추가적인 테스트가 필요하다고 언급했지만, 결과는 유망한 길을 제시합니다. 이는 컴퓨터에게 뇌의 리듬을 듣도록 가르침으로써, 우리가 곧 의사들이 이 까다로운 질환을 이전보다 더 빠르고 정확하게 포착할 수 있도록 돕는 강력하고 객관적인 도구를 갖게 될 수도 있음을 나타냅니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.