[논문 리뷰] Real-Time Seizure Detection using EEG: A Comprehensive Comparison of Recent Approaches under a Realistic Setting

Kwanhyung Lee, Hyewon Jeong외 4명|arXiv (Cornell University)|2022. 01. 21.

EEG and Brain-Computer Interfaces인용 수 11

한 줄 요약

이 논문은 동일하고 현실적인 실험 조건에서 뇌파 기반 간질 발작 탐지에 대해 최신 딥러닝 모델과 신호 특징 추출기 간의 종합적이고 실시간 비교를 제시한다. 새로운 마진 기반 평가 지표를 도입하고, ResNet-short + LSTM에 EPOCH 특징 추출을 적용한 모델이 최고의 AUROC(0.92)를 기록하며 실시간 구현 환경에서 민감도와 특이도의 최적의 균형을 확보하여 다른 모델과 특징 유형을 능가함을 입증한다.

ABSTRACT

Electroencephalogram (EEG) is an important diagnostic test that physicians use to record brain activity and detect seizures by monitoring the signals. There have been several attempts to detect seizures and abnormalities in EEG signals with modern deep learning models to reduce the clinical burden. However, they cannot be fairly compared against each other as they were tested in distinct experimental settings. Also, some of them are not trained in real-time seizure detection tasks, making it hard for on-device applications. Therefore in this work, for the first time, we extensively compare multiple state-of-the-art models and signal feature extractors in a real-time seizure detection framework suitable for real-world application, using various evaluation metrics including a new one we propose to evaluate more practical aspects of seizure detection models. Our code is available at https://github.com/AITRICS/EEG_real_time_seizure_detection.

연구 동기 및 목표

• 실제 실험 조건과 일관된 평가 기준을 바탕으로 실시간 간질 발작 탐지에 대한 공정하고 현실적인 기준을 설정하기 위해 이전 연구에서의 실험 설정 및 평가 지표의 이질성 문제를 해결한다.
• 동일한 실시간 제약 조건 하에서 최신 딥러닝 모델과 신호 특징 추출기(예: EPOCH, STFT, LFCC, SincNet)의 성능을 평가한다.
• 실제 발작 시작 및 종료 시간을 기준으로 탐지 정확도를 측정하는 새로운 마진 기반 평가 지표를 제안하고 임상적 실용성을 향상시킨다.
• 실제 구현 요소인 처리 지연 시간, 24시간당 위양성 경고 수, 그리고 EEG 전처리 시 애날로그 효과에 대한 저항성 등을 평가한다.
• TUH EEG Seizure Corpus V1.5.2를 기반으로 향후 연구 및 임상 모델 구현을 위한 재현 가능하고 오픈소스 프레임워크(코드 및 데이터)를 제공한다.

제안 방법

• 모든 모델이 창의적 윈도우 내에서 처리 시간을 초과하지 않도록 보장하기 위해 4초 윈도우와 가변 스트라이드를 사용하는 실시간 슬라이딩 윈도우 추론 프레임워크를 적용한다.
• 신호 전처리에는 원시 EEG, EPOCH, STFT, LFCC, SincNet, 주파수 대역, 다운샘플링된 신호를 포함한 다양한 특징 추출기를 사용하며, 대역통과 필터링을 통한 애날로그 방지 여부를 고려한다.
• 시험한 딥러닝 모델로는 CNN2D+LSTM 및 ResNet-short + LSTM을 포함하며, TUH EEG Seizure Corpus V1.5.2 데이터셋에서 엔드 투 엔드로 훈련 및 평가한다.
• 실제 발작 시작 및 종료 시간 주변에 정해진 시간 윈도우(3초 또는 5초) 내에 탐지가 이루어지는지를 평가하기 위해 새로운 평가 지표인 MARGIN을 제안한다.
• 표준 지표(AUROC, AUPRC, TPR, TNR) 외에도 실용적 지표인 24시간당 위양성 경고 수와 발작 시작으로부터의 탐지 지연 시간을 사용하여 성능을 평가한다.
• 통계적 안정성을 확보하기 위해 실험을 5회 반복하고 결과를 평균화하며 표준편차를 보고한다.

실험 결과

연구 질문

• RQ1 동일한 실험 조건 하에서 최신 딥러닝 모델(예: ResNet-short + LSTM 대비 CNN2D+LSTM)이 실시간 이진 간질 발작 탐지에서 어떻게 성능을 내는가?
• RQ2 EPOCH, STFT, LFCC, SincNet 등의 다양한 신호 특징 추출 방법 중에서 AUROC, AUPRC 및 임상 실용성 측면에서 가장 높은 탐지 성능을 내는 방법은 무엇인가?
• RQ3 다운샘플링 이전에 애날로그 방지 대역통과 필터링을 적용하는 것이 실시간 간질 발작 탐지 모델의 성능에 어떤 영향을 미치는가?
• RQ4 제안된 마진 기반 평가 지표는 기존 지표 대비 임상 적용 환경에서 모델 성능 평가를 얼마나 향상시키는가?
• RQ5 다양한 모델 및 특징 조합에서 탐지 지연 시간, 위양성 경고 비율, 탐지 정확도 사이의 상호 교환 관계는 어떠한가?

주요 결과

• EPOCH 특징 추출을 사용한 ResNet-short + LSTM 모델이 최고의 AUROC(0.92)와 AUPRC(0.91)를 기록하여 다른 모델 및 특징 유형을 능가했다.
• EPOCH 특징 추출기는 민감도(TPR: 0.83)와 특이도(TNR: 0.85)의 최적 균형을 확보했으며, TNR가 0.95를 초과할 경우 24시간당 위양성 경고 수가 1.68건에 불과했다.
• 마진 기반 지표 분석 결과, EPOCH 기반 모델이 49%의 경우에 발작 시작 후 3초 이내에 탐지했고, 62%의 경우에 5초 이내에 탐지하여 임상적 실용성이 높음을 입증했다.
• 다운샘플링 이전에 애날로그 방지 필터링을 적용하면 모델 성능이 향상되었으며, ResNet-short + LSTM 모델은 필터링 후 AUROC 0.91, AUPRC 0.90을 기록했고, 필터링 없이 0.88과 0.87을 기록했다.
• SincNet 특징 추출기는 가장 높은 TNR(1.0)를 기록했지만 TPR가 가장 낮은 0.33이었으며, 이는 높은 특이도이지만 낮은 민감도를 의미해 임상적 활용도가 제한됨을 시사했다.
• 발작 시작으로부터의 탐지 지연 시간은 다운샘플링된 특징에서 가장 짧았고 3.96초였고, SincNet에서는 가장 길었으며 24.77초였다. 이는 특징의 복잡성과 실시간 반응성 사이의 상충 관계를 보여준다.