딥러닝 기반 뇌파(EEG) 분석: 체계적 문헌 검토 (2019)

Deep learning-based electroencephalography analysis - a systematic review.pdf

2.40MB

 

Deep learning-based electroencephalography analysis: a systematic review

저자 : Yannick Roy, Hubert Banville, Isabela Albuquerque, Alexandre Gramfort, Tiago H Falk, Jocelyn Faubert.

뇌파(EEG)는 복잡한 신호이며, 올바르게 해석하기 위해서는 오랜 훈련과 고급 신호 처리 및 특징 추출 기법이 필요하다. 최근 딥러닝(DL)이 원시 데이터에서 유용한 특징을 학습하는 능력을 바탕으로 EEG 신호 해석에 강력한 가능성을 보여주고 있지만, 기존 EEG 처리 방식보다 실제로 더 나은 성과를 내는지는 여전히 논쟁의 대상이다.

본 연구에서는 2010년 1월부터 2018년 7월까지 발표된 154편의 논문을 검토하여, 딥러닝이 EEG 분석에 적용된 다양한 사례를 분석했다. 연구 분야는 간질(epilepsy), 수면(sleep), 뇌-컴퓨터 인터페이스(BCI), 인지 및 감성 모니터링 등으로 나뉜다.

• 연구에 사용된 EEG 데이터의 양은 10분 미만에서 수천 시간까지 다양하며, 학습 시 활용된 샘플 수도 수십 개에서 수백만 개까지 차이가 있었다.
• 절반 이상의 연구에서 공개 데이터셋을 사용했으며, 최근 연구에서는 개인 내 분석(intra-subject)에서 개인 간 분석(inter-subject)으로의 전환이 증가하는 추세였다.
• 약 50%의 연구가 합성곱 신경망(CNN), 일부 연구는 순환 신경망(RNN)을 사용했으며, 대부분 3~10개의 계층을 포함하는 모델을 적용했다.
• 연구의 약 절반은 원시 EEG 신호 또는 전처리된 시계열 데이터를 직접 모델에 학습시켰다.
• 딥러닝 기법이 전통적인 EEG 처리 방식보다 정확도가 상승하는 경향을 보였지만, 연구 간 편차가 컸으며 재현 가능성(reproducibility)이 낮다는 문제가 확인되었다.

본 연구는 EEG 연구 커뮤니티가 딥러닝을 더 효과적으로 활용할 수 있도록 다양한 트렌드 분석 및 연구 개선을 위한 권장 사항을 제시했다. 특히 데이터와 코드의 공개를 통한 연구의 재현 가능성 개선이 필요하다고 강조하며, EEG 및 딥러닝 연구를 한눈에 볼 수 있는 공개 벤치마킹 포털 구축을 계획하고 있다.