[논문]CNN을 이용한 뇌전증 발작예측에 관한 연구

류상욱; 이남화; 이연수; 조인휘; 민경육; 김택수

CNN을 이용한 뇌전증 발작예측에 관한 연구
A Study on the Epileptic Seizure Prediction using CNN 원문보기

반도체디스플레이기술학회지 = Journal of the semiconductor & display technology, v.19 no.2, 2020년, pp.92 - 95

류상욱 (한양대학교 공과대학 컴퓨터소프트웨어학부) , 이남화 (한양대학교 공과대학 컴퓨터소프트웨어학부) , 이연수 (한양대학교 공과대학 컴퓨터소프트웨어학부) , 조인휘 (한양대학교 공과대학 컴퓨터소프트웨어학부) , 민경육 (한양대학교 공과대학 융합전자공학부) , 김택수 ((주)이디에이엘리텍)

Abstract ▼ AI-Helper

In this paper, the new architecture of seizure prediction using CNN and LSTM and DWT was presented. In the proposed architecture, EEG data was labeled into a preictal and interictal section, and DWT was adopted to the preprocessing process to apply the characteristics of the time and frequency domain of the processed EEG signal. Also, CNN was applied to extract the spatial characteristics of each electrode used for EEG measurement, and LSTM neural network was applied to verify the logical order of the preictal section. The learning of the proposed architecture utilizes the CHB-MIT Scalp EEG dataset, and the sliding window technique is applied to balance the dataset between the number of interictal sections and the number of preictal sections. As a result of the simulation of the proposed architecture, a sensitivity of 81.22% and an FPR of 0.174 were obtained.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 DWT와 CNN, LSTM 모델을 적용한 뇌전증의 발작예측을 위한 새로운 아키텍처를 제안하였다. 제안하는 구조에서는 가공된 뇌파신호의 시간영역과 주파수 영역의 특징을 적용하기위한 전처리 과정에 DWT를 적용하였으며, 이미지처리에 우수한 성능을 보이는 CNN을 적용하였고, LSTM을 적용하였다.
본 논문에서는 이미지 처리에서 일반적으로 사용되는 CNN모델에 시간적 정보를 반영하기 위해 LSTM모델을 결합한 하이브리드 형태의 모델을 제안 하였다. 제안하는 구조에서는 차원이 줄어드는 것을 막기 위해 Convolution 연산에서 zero padding 처리를 하였으며, Max pooling layer를 통해 feature의 특징을 강화하고 제안하는 Deep Neural Network (DNN)모델의 파라미터가 과도하게 늘어나는 문제를 해결하였다.

가설 설정

따라서 뇌전증 발작을 예측 할 수 있다면, 환자 스스로가 자신의 안전 및 자존감을 지킬 수 있다. Seizure 발생 전 환자 스스로가 통제 가능한 시간을 최소 30분이라 가정하였고, 본 논문은 30분 이내에서 발작예측성능이 좋은 예측 시스템을 구현하는데 목적을 두었다.

제안 방법

여기서 하나의 에포크는 모든 트레이닝을 완료하는데 사용한 forward direction 또는 reverse direction path를 의미하는 것으로써, training이 1000개 이고, batch size가 500이라면 epoch는 2가 된다. EEG 세그먼트의 데이터 세트로 네트워크를 Training시키고 Patient Specific Method(PSM)과 Cross Patient Specific Method (CPSM)으로 테스트하였다. 신경망은 Tensorflow 및 Keras 라이브러리를 이용하여 구현하였으며, NVIDIA Geforce GTX1080Ti 11 GB 를 사용하여 Ubuntu 16.
이 문제를 해결하기 위하여 주파수 대역을 선택하여 진행하게 되면 CWT의 연속성이 사라지게 된다. 따라서 본 연구에서는 주파수 대역을 이산적으로 처리하여 연산량이 적고 속도가 빠른 Discrete Wavelet Transform (DWT)를 적용하였다.
제안하는 구조에서는 차원이 줄어드는 것을 막기 위해 Convolution 연산에서 zero padding 처리를 하였으며, Max pooling layer를 통해 feature의 특징을 강화하고 제안하는 Deep Neural Network (DNN)모델의 파라미터가 과도하게 늘어나는 문제를 해결하였다. 또한 학습데이터에 과적합을 방지하기 위해 Batch Normalization 및 dropout layer를 적용하였으며 LSTM을 이용해 feature에 대한 시퀀스 정보를 반영하여 최종적으로 Sigmoid함수를 통해 분류하였다.
제안하는 논문은 interictal과 preictal을 구별하여 preictal을 예측하는 것으로, 이를 위해서 각 데이터 세트에 포함된 각 환자의 뇌파 데이터를 사용하였다. 본 논문에서는 Fig. 4와 같이 Supervised learning method를 사용하여 네트워크를 구성하였고, interictal과 preictal을 구별하는 방법을 적용하였다.
EEG 세그먼트의 데이터 세트로 네트워크를 Training시키고 Patient Specific Method(PSM)과 Cross Patient Specific Method (CPSM)으로 테스트하였다. 신경망은 Tensorflow 및 Keras 라이브러리를 이용하여 구현하였으며, NVIDIA Geforce GTX1080Ti 11 GB 를 사용하여 Ubuntu 16.04 LTS에서 실험을 수행하였다.
본 논문에서는 DWT와 CNN, LSTM 모델을 적용한 뇌전증의 발작예측을 위한 새로운 아키텍처를 제안하였다. 제안하는 구조에서는 가공된 뇌파신호의 시간영역과 주파수 영역의 특징을 적용하기위한 전처리 과정에 DWT를 적용하였으며, 이미지처리에 우수한 성능을 보이는 CNN을 적용하였고, LSTM을 적용하였다. 제안한 아키텍처의 학습은 CHB-MIT Scalp EEG 데이터세트를 활용하여 트레이닝 하였다.
제안하는 논문은 interictal과 preictal을 구별하여 preictal을 예측하는 것으로, 이를 위해서 각 데이터 세트에 포함된 각 환자의 뇌파 데이터를 사용하였다. 본 논문에서는 Fig.
제안한 네트워크는 배치 크기가 64이고 학습 속도가 0.001 인 Adam gradient descent algorithm을 사용하여 10개의 에포크(epoch)에 대해 Training 했다. 여기서 하나의 에포크는 모든 트레이닝을 완료하는데 사용한 forward direction 또는 reverse direction path를 의미하는 것으로써, training이 1000개 이고, batch size가 500이라면 epoch는 2가 된다.
제안하는 구조에서는 가공된 뇌파신호의 시간영역과 주파수 영역의 특징을 적용하기위한 전처리 과정에 DWT를 적용하였으며, 이미지처리에 우수한 성능을 보이는 CNN을 적용하였고, LSTM을 적용하였다. 제안한 아키텍처의 학습은 CHB-MIT Scalp EEG 데이터세트를 활용하여 트레이닝 하였다. 제안하는 아키텍처의 시뮬레이션 결과, 81.

대상 데이터

기록된 신호는 sampling rate 256Hz인 22개의 전극을 사용하였고 bipolar 방법으로 추출하였다. 22개의 전극 채널 중 공통되는 18개의 채널을 사용하였다. 또한 interictal은 ictal에서 최소 3시간정도 떨어진 거리에 있는 구간을 사용하였고, 짧은 시간에 반복적으로 발생하는 ictal은 preictal구간을 충분히 가져갈 수 없다고 판단하여 제외하였다.
CHB-MIT 데이터셋[6]은 EEG를 이용한 발작 탐지 및 예측 관련 논문에서 주로 사용되는 검증된 데이터이며, Children’s Hospital of Boston에서 수집된 연속적인 Scalp EEG 를 기록한 데이터로 844시간과 245번의 Ictal을 가진 24명의 소아 환자의 데이터이다.
Fig. 5와 같이 원본 신호를 각 채널 별로 분리하고, 이 데이터를 Window size(5, 10초)로 분할하여 DWT의 mother wavelet (Daubechies 4)을 적용한 후 나온 coefficient를 이용하여 딥러닝 모델의 입력 데이터로 사용하였다.
본 연구에서는 두피에 전극을 부착하여 측정하는 ‘두피뇌파(Scalp EEG)’를 이용하였다.

데이터처리

본 연구에서 제안한 Prediction 모델의 성능 평가를 위하여 STFT를 사용하여 전처리한 후 CNN 모델을 통해 예측한 [8]논문과 비교하였다. Table 2에 실험결과를 나타내었다.

이론/모형

CHB-MIT 데이터셋[6]은 EEG를 이용한 발작 탐지 및 예측 관련 논문에서 주로 사용되는 검증된 데이터이며, Children’s Hospital of Boston에서 수집된 연속적인 Scalp EEG 를 기록한 데이터로 844시간과 245번의 Ictal을 가진 24명의 소아 환자의 데이터이다. 기록된 신호는 sampling rate 256Hz인 22개의 전극을 사용하였고 bipolar 방법으로 추출하였다. 22개의 전극 채널 중 공통되는 18개의 채널을 사용하였다.
데이터는 참조전극(Reference electrode) 선택 방식에 따라 'Average Reference'방식과 ‘Bipolar Reference'방식으로 구분되며, 본 연구에서는 CHB-MIT 데이터셋의 ‘Bipolar Reference’ 방식을 이용하였다.
제안하는 구조에서는 전처리방법으로 Wavelet 변환을 적용하였다. Wavelet 변환은 주파수 대역의 특성을 다양하게 볼 수 없는 Short Time Fourier Transform (STFT)의 단점을 보완한 방법이다.

성능/효과

DWT를 사용하게 되면 STFT보다 Time-domain에서 많은 데이터 수가 나오게 되어 연산량이 커지기 때문에 최적의 Window size를 정하기 위해 CHB-MIT 공공 데이터를 이용하여 Window size 5, 10초에 대한 실험을 진행하였으며, Window size가 10초일 때, 최적의 성능을 보였다.
제안된 구조의 실험결과 Preictal Length 15분의 예측 결과가 가장 우수하였으며, 동일 구조를 적용한 기존 구조에 비하여 sensitivity가 0.02 우수한 성능을 보였다.
본 논문에서는 이미지 처리에서 일반적으로 사용되는 CNN모델에 시간적 정보를 반영하기 위해 LSTM모델을 결합한 하이브리드 형태의 모델을 제안 하였다. 제안하는 구조에서는 차원이 줄어드는 것을 막기 위해 Convolution 연산에서 zero padding 처리를 하였으며, Max pooling layer를 통해 feature의 특징을 강화하고 제안하는 Deep Neural Network (DNN)모델의 파라미터가 과도하게 늘어나는 문제를 해결하였다. 또한 학습데이터에 과적합을 방지하기 위해 Batch Normalization 및 dropout layer를 적용하였으며 LSTM을 이용해 feature에 대한 시퀀스 정보를 반영하여 최종적으로 Sigmoid함수를 통해 분류하였다.
제안한 아키텍처의 학습은 CHB-MIT Scalp EEG 데이터세트를 활용하여 트레이닝 하였다. 제안하는 아키텍처의 시뮬레이션 결과, 81.22%의 민감도와 0.174의 FPR을 얻었다.

질의응답

핵심어	질문	논문에서 추출한 답변
	scalp EEG는 어디에 사용되는가?	한편, scalp EEG는 다양한 뇌의 생리분석과 뇌전증 발작 분석에 사용되며, 수술 없이 데이터를 수집할 수 있지만, 노이즈가 많아 seizure(발작)신호의 분석을 방해하는 요소가 존재한다. 뇌전증의 진단 및 치료를 위해서는 발작 초기에 뇌파를 관찰하고 분석하는 것이 중요하다.
	CNN은 무엇을 통합한 모델인가?	CNN은 픽셀 이미지에서 최소한의 전처리(Preprocessing) 방법을 적용하여 패턴 분류방식으로 다양한 이미지 인식에 적용될 수 있다[5]. 이 model은 기존 패턴 인식 방법에서 두 단계의 feature extraction 및 classification을 한 단계로 결합한 통합 모델이다. Fig.
	CHB-MIT 데이터셋은 무엇인가?	CHB-MIT 데이터셋[6]은 EEG를 이용한 발작 탐지 및 예측 관련 논문에서 주로 사용되는 검증된 데이터이며, Children’s Hospital of Boston에서 수집된 연속적인 Scalp EEG 를 기록한 데이터로 844시간과 245번의 Ictal을 가진 24명의 소아 환자의 데이터이다. 기록된 신호는 sampling rate 256Hz인 22개의 전극을 사용하였고 bipolar 방법으로 추출하였다.

참고문헌 (8)

Kandel E, Schwartz J, Jessell T. Principles of Neural Science. New York: McGraw-Hill, Health Professions Division, 2000
Lee, Y., & Lee, Y. H. (2018). Implementation of Moving Object Recognition based on Deep Learning. Journal of the Semiconductor & Display Technology, 17(2), 67-70.
Reuber, M., Fernandez, G., Bauer, J., Singh, D. D., & Elger, C. E. (2002). Interictal EEG abnormalities in patients with psychogenic nonepileptic seizures. Epilepsia, 43(9), 1013-1020.

상세보기
Li, S., Zhou, W., Yuan, Q., Geng, S., & Cai, D. (2013). Feature extraction and recognition of ictal EEG using EMD and SVM. Computers in Biology and Medicine, 43(7), 807-816.

상세보기
Lee, Y. H., & Kim, Y. (2020). Comparison of CNN and YOLO for Object Detection. Journal of the Semiconductor & Display Technology, 19(1), 85-92.
A. H. Shoeb, "Application of machine learning to epileptic seizure onset detection and treatment," Ph.D. dissertation, Massachusetts Inst. Technol., Cambridge, MA, USA, 2009. [Online]. Available: http://hdl.handle.net/1721.1/54669
Cho, E. D., & Kim, G. B. (2018). A Study on Illumination Mechanism of Steel Plate Inspection Using Wavelet Synthetic Images. Journal of the Semiconductor & Display Technology, 17(2), 26-31.
Truong, N. D., Nguyen, A. D., Kuhlmann, L., Bonyadi, M. R., Yang, J., Ippolito, S., & Kavehei, O. (2018). Convolutional neural networks for seizure prediction using intracranial and scalp electroencephalogram. Neural Networks, 105, 104-111.

상세보기

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증