STCA-Net: A Spatiotemporal Cross-Attention Network with Multi-Scale Depthwise Separable Convolutions for Epileptic EEG Seizure Classification

인간의 뇌는 사고, 움직임, 감각을 조절하기 위해 끊임없이 신호를 보내며 작동하는 거대하고 웅성거리는 전기적 신호의 네트워크입니다. 이러한 섬세한 리듬이 갑작스럽고 강렬한 활동에 의해 방해받으면 발작이 발생하며, 이는 전 세계 수백만 명에게 영향을 미치는 질환인 뇌전증의 특징입니다. 수십 년 동안 의사들은 이 전기적 속삭임을 듣기 위해 뇌파도(EEG)에 의존해 왔습니다. 이 비침습적 기술은 두피에 센서를 부착하여 시간에 따른 뇌의 전압 변화를 기록합니다. 그러나 이 복잡하고 구불구불한 선들을 명확한 진단으로 바꾸는 것은 느리고 노동 집약적인 작업입니다. 이는 전문가가 몇 시간 분량의 데이터를 수동으로 훑으며, 발작과 정상적인 뇌 활동 또는 다른 신경학적 사건을 구별하는 미묘한 패턴을 찾아내야 하는 과정을 필요로 합니다. 이 과정은 시간이 많이 소요될 뿐만 아니라, 동일한 신호를 두고 전문가마다 다르게 해석할 수 있다는 점에서 인간의 오류가 발생하기 쉽습니다.

이를 해결하기 위해 과학자들은 컴퓨터가 이러한 패턴을 자동으로 인식하도록 가르치는 인공지능에 주목했습니다. 초기 시도들은 단순한 디지털 필터를 사용했으나, 보다 최근의 노력들은 예시를 통해 학습하는 컴퓨터 프로그램의 일종인 딥러닝을 채택했습니다. 이러한 프로그램들은 급격한 스파이크와 같은 데이터의 국소적인 형태를 포착하는 데는 뛰어나지만, 그 형태들이 시간이 흐름에 따라 펼쳐지는 더 넓은 이야기와 어떻게 연관되는지를 이해하는 데는 종종 어려움을 겪습니다. 즉, 하나의 음표는 볼 수 있지만 멜로디는 놓칠 수 있는 것입니다. 과제는 발작의 즉각적이고 날카로운 세부 사항과 그것이 발생하는 더 길고 리드미컬한 맥락을 동시에 파악하면서도, 실제 환경에서 유용할 만큼 빠르게 수행할 수 있는 시스템을 구축하는 데 있습니다.

인도 정보기술연구소(IIIT) 나그푸르 팀은 이 문제에 대한 새로운 접근 방식을 개발하여, STCA-Net이라는 특화된 컴퓨터 모델을 만들었습니다. 그들의 목표는 숙련된 신경과 의사처럼 두 가지 다른 각도, 즉 빠른 국소적 세부 사항과 느린 장기적 추세를 동시에 들어서 뇌의 전기적 이야기를 이해할 수 있는 시스템을 구축하는 것이었습니다. 컴퓨터가 즉각적인 순간을 볼 것인지 아니면 더 넓은 타임라인을 볼 것인지 선택하게 만드는 대신, 그들의 설계는 이 두 가지 관점이 서로 대화할 수 있도록 허용합니다. 그들은 본 대학(University of Bonn)에서 제공하는, 건강한 뇌 활동, 발작 전 상태, 그리고 실제 발작을 나타내는 수천 개의 구간이 포함된 잘 알려진 뇌 기록 데이터셋을 통해 이 모델을 테스트했습니다.

그들 발명의 핵심은 이중 분기 구조(dual-branch architecture)로, 이는 컴퓨터가 데이터를 두 개의 별도 경로를 통해 처리한 후 결합한다는 것을 의미합니다. 한 경로는 즉각적인 국소 패턴에 집중합니다. 이 경로는 다양한 크기의 필터 시리즈를 사용하여 신호를 스캔하고, 발작이 시작될 수 있음을 나타내는 날카로운 스파이크나 리드미컬한 파동과 같은 특정 형태를 찾습니다. 이 시스템의 일부는 효율적으로 작동하도록 설계되어 불필요한 복잡성을 제거함으로써 빠르게 실행될 수 있습니다. 다른 경로는 더 긴 이야기를 살펴봅니다. 긴 데이터 시퀀스를 한꺼번에 분석하는 것은 계산 비용이 많이 들기 때문에, 이 부분의 모델은 먼저 정보를 압축하여 타임라인을 가장 필수적인 지점들로 축소합니다. 그런 다음 이 부분은 신호의 먼 부분들이 서로 어떻게 연관되는지를 이해할 수 있게 해주는 메커니즘을 사용하여 뇌 활동의 더 넓은 맥락을 포착합니다.

진정한 혁신은 이 두 경로가 만날 때 일어납니다. 기존의 많은 시스템에서는 국소적 경로와 장거리 경로의 정보가 마치 두 더미의 노트를 나란히 놓은 것처럼 단순히 합쳐졌습니다. 새로운 모델인 STCA-Net은 더 역동적인 방식을 취합니다. 이 모델은 두 정보 스트림이 서로 상호작용하고 정교화하도록 강제합니다. 국소적인 세부 사항은 장기적인 추세를 이해하는 데 정보를 제공할 기회를 얻고, 장기적인 맥서은 국소적인 스파이크의 의미를 명확히 하는 데 도움을 줍니다. 이러한 상호 교환을 통해 시스템은 두 관점을 분리해 두었을 때보다 훨씬 더 풍부하고 정확한 뇌의 상태 그림을 구축할 수 있습니다.

연구진이 이 새로운 시스템을 테스트했을 때 결과는 놀라웠습니다. 단순히 발작과 정상적인 뇌 활동을 구별하는 작업에서 모델은 97.58 퍼센트의 정확도를 달しまいました. 데이터를 세 가지 다른 범주로 분류해야 하는 더 어려운 작업에서도 모델은 93.09 퍼센트의 정확도에 도달하며 높은 신뢰성을 보였습니다. 가장 까다로운 테스트는 실제 임상 진단의 복잡성을 모방한 다섯 가지 별개의 클래스로 데이터를 분류하는 것이었습니다. 여기서 모델은 75.64 퍼센트의 정확도를 달성했습니다. 이 수치는 더 단순한 테스트들보다는 낮지만, 동일한 작업에서 72.50 퍼센트를 기록했던 이전의 최고 방법보다 유의미한 개선을 보여줍니다. 연구진은 모델이 단순히 추측하는 것이 아님을 확인했으며, 통계적 검증을 통해 모델의 우수한 성능이 데이터의 우연한 결과가 아니라 설계의 실질적인 효과임을 입증했습니다.

모델이 왜 그렇게 잘 작동했는지 정확히 이해하기 위해, 팀은 시스템의 특정 부분을 하나씩 제거하는 일련의 실험을 수행했습니다. 그들은 여러 척도의 세부 사항으로 신호를 보는 능력과 타임라인을 압축하는 방법 모두가 결정적이라는 것을 발견했습니다. 하지만 가장 큰 상승 효과는 상호작용적 융합 메커니즘에서 왔습니다. 상호작용적 교환을 단순한 병렬 결합으로 대체했을 때 정확도가 눈에 띄게 떨어졌습니다. 이는 그들의 성공의 열쇠가 단순히 두 가지 다른 방식으로 데이터를 보는 것이 아니라, 그 두 방식이 서로에게 능동적으로 영향을 미치고 서로를 개선하게 만드는 데 있었음을 증명했습니다.

전체 시스템은 현대의 인공지능 모델치고는 매우 작은 47,000개 미만의 조정 가능한 설정값을 가지고 있어 매우 콤팩트합니다. 이러한 효율성은 이 모델이 거대하고 비싼 하드웨어를 필요로 하지 않고 표준 컴퓨터에서도 실행될 수 있음을 의미합니다. 연구진은 자신들의 모델이 사용된 특정 데이터셋에서는 잘 작동하지만, 궁극적인 목표는 새로운 환자와 다양한 유형의 기록에 일반화될 수 있는 도구를 만드는 것이라고 강조합니다. 그들은 향후 다른 데이터셋에서도 이 접근 방식을 테스트하여 시스템이 실제 세상에서 발견되는 더 큰 다양성을 처리할 수 있는지 확인할 계획입니다. 현재로서는 STCA-Net은 서로 다른 부분들이 서로 통신하게 함으로써, 우리가 인간의 뇌를 이전보다 더 명확하고 정밀하게 들을 수 있는 도구를 구축할 수 있다는 것을 보여주는 증거로 서 있습니다.