뇌파신호의 웨이블릿 변환 및 전처리에 따른 딥러닝 기반 발작 예측의 성능 비교 (Comparison of Deep Learning-based Seizure Prediction with Wavelet Transform and Preprocessing of EEG)

서지정보

· 발행기관 : 대한전자공학회
· 수록지 정보 : 전자공학회논문지 / 62권 / 3호 / 133 ~ 138페이지
· 저자명 : 조용운, 오도창

초록

간질은 발작이 불규칙하게 발생하는 질환으로, 일상생활 중 갑작스러운 발작은 심각한 사고로 이어질 수 있으며, 이를 방지하기 위해 발작 예측 기술에 대한 연구가 지속적으로 이루어지고 있다. 본 논문에서는 발작과 그 전조 증상 기간을 포함하는 CHB-MIT 데이터베이스를 사용하였다. 데이터베이스의 일부를 선택하고, 세 가지 웨이블릿 변환인 DWT, CWT, TQWT를 적용한 후, 딥러닝 모델을 이용하여 이를 발작 전조기간(preictal)과 발작 기간(interictal)으로 분류하였다. 세 가지 변환 기법의 결과를 비교하였으며, 환자의 발작을 실시간으로 예측하는 데 적합한 기법으로 TQWT를 제시하였다. 추가적으로 슬라이딩 윈도우의 크기와 사용된 윈도우의 개수를 달리하며 예측 간격 및 예측 가능 시간을 다양한 조건에서 비교하였다. 그 결과, TQWT가 0.99의 민감도, 0.94의 F1 점수, 0.09의 오답률(FDR), 그리고 평균 12분 전 발작 예측으로 가장 우수한 성능을 보였다. 슬라이딩 윈도우의 경우 30초, 30개의 윈도우를 사용하는 것이 가장 좋은 성능을 나타냈다.

영어초록

Epilepsy is a disease in which seizures occur irregularly. Sudden seizures during daily life can lead to serious accidents, and to prevent this, seizure prediction technology has been continuously researched. In this paper, we used the CHB-MIT database, including the period of seizures and their prodromes. We selected a portion of the database, applied three wavelet transforms, DWT, CWT, and TQWT, and classified them into ictal prodrome (preictal) and interictal period using a deep learning model. The results of three transform techniques are compared and a technique suitable for predicting patient seizures in real time is presented. Additionally, the size of the sliding window and the number of windows used were varied, and the prediction interval and predictable time were compared under various conditions. As a result, TQWT showed the best performance with 0.99 sensitivity, 0.94 f1 score, 0.09 FDR, and an average of 12 minutes in advance seizure prediction. For sliding window, using thirty windows of 30 seconds each showed the best performance.

참고자료

· 없음