[논문 리뷰] A review on Epileptic Seizure Detection using Machine Learning

Muhammad Shoaib Farooq, Aimen Zulfiqar외 1명|arXiv (Cornell University)|2022. 10. 05.

EEG and Brain-Computer Interfaces인용 수 6

한 줄 요약

이 논문은 뇌파(EEG) 신호를 이용한 간질 발작 탐지에 대한 기계학습 접근법에 대한 체계적 리뷰를 제시하며, 기준 데이터셋을 기반으로 특징 추출 기법과 분류기의 분석을 수행한다. 주요 방법론을 규명하고, 분류 성능를 평가하며, 자동 발작 예측 분야의 연구 격차, 과제 및 향후 기회를 제시한다.

ABSTRACT

Epilepsy is a neurological brain disorder which life threatening and gives rise to recurrent seizures that are unprovoked. It occurs due to the abnormal chemical changes in our brain. Over the course of many years, studies have been conducted to support automatic diagnosis of epileptic seizures for the ease of clinicians. For that, several studies entail the use of machine learning methods for the early prediction of epileptic seizures. Mainly, feature extraction methods have been used to extract the right features from the EEG data generated by the EEG machine and then various machine learning classifiers are used for the classification process. This study provides a systematic literature review of feature selection process as well as the classification performance. This study was limited to the finding of most used feature extraction methods and the classifiers used for accurate classification of normal to epileptic seizures. The existing literature was examined from well-known repositories such as MPDI, IEEEXplore, Wiley, Elsevier, ACM, Springerlink and others. Furthermore, a taxonomy was created that recapitulates the state-of-the-art used solutions for this problem. We also studied the nature of different benchmark and unbiased datasets and gave a rigorous analysis of the working of classifiers. Finally, we concluded the research by presenting the gaps, challenges and opportunities which can further help researchers in prediction of epileptic seizure

연구 동기 및 목표

• EEG 기반 간질 발작 탐지에서 가장 흔히 사용되는 특징 추출 방법을 규명하고 분석하는 것.
• 정상 EEG 신호와 간질 EEG 신호를 구분하는 데 있어 다양한 기계학습 분류기의 성능을 평가하는 것.
• 간질 발작 탐지 연구에서 사용되는 기준 EEG 데이터셋의 특성과 신뢰성에 대해 검토하는 것.
• 현재 접근법에서 남아 있는 주요 과제와 연구 격차를 규명하여 향후 자동 발작 예측의 향상에 기여하는 것.
• 기계학습을 이용한 간질 발작 탐지의 최신 기술 솔루션에 대한 종합적인 분류 체계를 제공하는 것.

제안 방법

• IEEE Xplore, SpringerLink, Elsevier, Wiley, ACM 등 신뢰할 수 있는 데이터베이스를 활용해 체계적 문헌 리뷰를 수행하였다.
• EEG 신호 처리 및 발작 탐지에 응용된 기계학습 기법에 중점을 두고 연구를 수집하고 분석하였다.
• 시간 도메인, 주파수 도메인, 시간-주파수 도메인 등의 특징 추출 기법을 분류하고 비교하였다.
• 정확도와 일반화 성능를 기준으로 SVM, 랜덤 포레스트, KNN 및 딥러닝 모델 등의 기계학습 분류기를 평가하였다.
• EEG 데이터 처리 파이프라인과의 통합을 고려한 최신 솔루션의 종합 분류 체계를 구축하였다.
• 연구 간의 재현성과 공정성 평가를 위해 데이터셋의 편향, 크기, 표준화 수준을 철저히 분석하였다.

실험 결과

연구 질문

• RQ1 EEG 기반 간질 발작 탐지에서 가장 자주 사용되는 특징 추출 방법은 무엇인가?
• RQ2 정상 EEG 대비 간질 EEG를 분류하는 데 있어 다양한 기계학습 분류기의 정확도와 강건성은 어떻게 비교되는가?
• RQ3 간질 발작 탐지 연구에서 사용되는 공개된 EEG 데이터셋의 주요 특성과 한계는 무엇인가?
• RQ4 현재 자동 간질 발작 탐지 접근법에서 남아 있는 주요 과제와 연구 격차는 무엇인가?
• RQ5 이 분야에서 기계학습 모델의 신뢰성과 임상 적용 가능성 향상을 위한 기회는 무엇이 있는가?

주요 결과

• SVM 및 랜덤 포레스트 분류기는 여러 기준 데이터셋에서 일관되게 높은 정확도를 보였으며, 일부 연구에서 F1-스코어가 95%를 초과하는 결과를 보였다.
• 웨이블릿 변환과 스파크 타임 푸리에 변환 등 시간-주파수 도메인 특징은 EEG 신호 내 발작 관련 패턴을 효과적으로 포착하는 데 가장 유용한 것으로 나타났다.
• CHB-MIT 및 Bonn EEG 데이터셋이 가장 널리 사용된 기준 데이터셋이지만, 클래스 불균형과 환자 인구의 다양성 부족이라는 한계를 지닌다.
• 통제된 환경에서는 높은 성능를 기록하고 있으나, 다양한 환자 집단과 실제 임상 환경에서의 일반화 능력은 여전히 큰 과제이다.
• 몇몇 연구에서는 민감도와 특이도가 90% 이상을 기록했지만, 모델의 해석 가능성과 실시간 배포 제약 조건을 고려한 연구는 소수에 그친다.
• 표준화된 평가 프로토콜 부족과 데이터 분할 및 하이퍼파rameter 튜닝 방식의 일관성 부족으로 인해 재현성 문제와 함께 평가의 일관성에 대한 우려가 제기되었다.