4.1 Seizure Detection

4.1.1 Adult Seizure Detection

클리닉에서, 의료적으로 다루기 어려운 부분간질환자의 경우, 흔히 자발적 발작성의, 시간이 많이 걸리는 비디오-EEG 감시(monitoring)가 필요하다[11].
그러나 내장형 EEG의 시각적 분석은 시간을 많이 소비한다. 발작 신호를 감시하고 간질 구역을 식별하기 위한 침습적(invasive) 방법을 적용하는 것은 위험하며, 환자에게 위험을 일으킬 수 있다.[그래서 시간소모 및 위험을 줄이기 위해, 자동화된 발작감지 시스템이 필요하며]
자동화된 발작 감지 시스템을 설계하기 전에, 발작 전/도중/ 후의 EEG신호의 특성을 판단하고 평가해야 한다.


이 기능을 더 잘 설명하기 위해 몇 가지 기능이 식별되어 왔다.
이는 짧은 시간동안 신호 에너지와 같은 신호의 정적인 행동 혹은 발작이 시작되는 동안 주파수의 변화와 혼란함 같은 신호의 역동적인 행동을 보여줄 지도 모른다. 자동적인 발작감지 정량화와 인식은 1970년대부터 임상, 물리학, 공학 공동체 내에서 흥미로운 연구 분야였다[14–27].
스파이크(spike) 검출[16,21-23]에서의 초기 작업에서는 상대 진폭, 선명도 및 EEG파장의 지속 시간과 같은 여러 파라미터를 EEG신호로부터 측정하여 평가했다. 이 방법은 다양한 잡파(artifact)에 민감하다. 이러한 시도에서 능동적 각성(깨어있음) 또는 비동기EEG와 같은 다양한 상태가 정의되었으며, 이로 인해 대표적으로 일시적인 비간질성 현상을 발생할 것으로 예상된다[22,23].
◆스파이크(spike)와 잡파(artifact)란,
spike는 EEG에서 측정하는 중요한 신호 중 하나이며,
artifact는 보통 EEG뇌파는 매우 약한 대뇌의 전위를 증폭시켜서 뇌파로 보여주는데 이 때 다른 미약한 신호도 증폭되어 나타난다. 따라서 대뇌 전위 이외의 증폭된 신호를 잡파(artifact)라고 할 수 있다.

EEG로부터 간질 활동을 탐지하기 위한 다단계 시스템이 Dingle 외 연구진[18]에 의해 개발되었다.
연구진들은 모방적 접근법과 규칙 기반의 전문가 시스템(rule-based expert system)을 결합시켰고, 그에 따라 시·공간적인 시스템을 고려하고 이용했다.
또 다른 접근법[19]에서는 다중 채널 EEG가 사용되었으며, 근육 잡파(artefacts)를 줄이기 위해 상관 알고리즘이 시도되었다. 이 방법을 사용하면 스파이크(spike) 중 약 67%를 탐지할 수 있다. 심전도, 근전도 및 전기 치료 정보를 포함한 다중 채널과 공간 정보를 규칙 기반 시스템(rule-based system)[20]에 통합하여 더 높은 검출 속도를 달성했다.

2단계 자동화 시스템은 Daveyetal 외 연구진[17]이 개발했다.
첫 번째 단계에서 특징 추출기와, 두 번째 단계에서 분류기가 도입되었다. 이 시스템에 70%의 민감도가 요구되었다.

많은 연구자들이 발작을 감지하기 위한 인공 신경 네트워크(ANN)를 사용해 왔다[26,28].
Kohonen 자체 구조화 특징 맵(ANN)[29,30]은 Kurthetal 외 연구진들[28]의 스파이크 검출에 사용되었다. 본 연구에서는 각 환자에 대해 3개의 다른 특성을 지닌 신경 네트워크(NNs)가 조사되었다. 훈련 벡터에는 전형적인 스파이크가 있는 수많은 신호, 눈 깜빡임 잡파(artefacts) 신호, 근육 잡파(artefacts) 신호 및 Background EEG 신호가 포함된다.
이러한 방법의 주요 문제점은 간질 발작 신호가 이와 유사한 패턴을 따르지 않는다는 것이다. 반면, 모든 유형의 발작 패턴을 ANN에 보여 주면 전체적인 감지 시스템의 민감도가 감소한다.
따라서 강력한 분류기에 따른 지능적인 기능 감지는 종종 향상된 결과를 제공한다.(아마 기계학습 혹은 딥러닝을 통해서 성능이 향상된다는 것을 말하는 듯)

최근 작업 중에서, 시간/주파수(TF)접근 방식은 발작 진원지(source)가 시간/주파수 영역에 국한된다는 사실을 효과적으로 사용한다.
이러한 대부분의 방법은 주로 다른 유형의 신경 스파이크를 감지하기 위한 것이다. 다른 분류 전략에 따른 TF방법은 이 분야의 많은 연구원[32,33]에 의해 제안되어왔다. EEG신호가 통계적으로 비정상이기(nonstationary) 때문에 이 방법은 특히 유용하다.
이산 주파수 변환(DWT)은 다계층적(다단계)특성으로 인해 단기간 퓨리에 변환을 기반으로 한 TF보다 더 나은 TF를 보여준다.
즉, 신호의 거친 정도에 따라 신호를 모델링 할 수 있다. DWT는 신호를 대략적인 근사 및 세부 정보로 분류하여 서로 다른 분해능으로 다양한 주파수 대역에 걸쳐 신호를 분석한다.
Subasi[33]가 최근에 접근할 때, ANN에 따른 TF방식기반 DWT방식이 제안되었다.
ANN은 다양한 분해능(상세)레벨의 에너지를 분류한다. 이 기술을 사용하면 성인 간질 발작의 80%이상을 감지할 수 있다. pseudo-Wigner–Ville와 같은 다른 TF 방식의 기여도 동일한 목적으로 사용가능하다[34].

Osorioetal 외 연구진[35,36]에 의해 확립된 연구에서, 디지털 발작 검출 알고리즘(digital seizure detection algorithm)이 제안되고 구현되었다.
이 시스템은 정확한 실시간 검출, 정량적 분석 및 임상적 발작의 시작을 단기간에 예측할 수 있다. 이 시스템은 특정 길이의 짧은(약 2초) 윈도우(windows) 에서 8Hz와 42Hz사이의 주파수에 있는 신호 에너지의 중앙값(메디안)의 Foreground 즉'전경'(foreground) 측정을 계산한다.
◆ windows란
feature를 추출하기 위한 구간으로써 여기서는 임의적인 주파수 축을 의미한다.

※전경(foreground)은 다음의 단계를 통해 계산된다.
1) 8에서 40 Hz로부터 주파수하위대역을 분리하는 22계수 웨이블릿 필터(DAUB4, 레벨 3)를 사용하여 간질 발작 (간질 발작 포함) 및 비 간질 발작 (발작 없이)으로 신호를 분해한다.
2)간질성 성분이 제곱된다.
3)제곱된 구성 성분은 여과된(filtered)중앙값이다.
반면에,'background'기준 신호는 신호의 중간 에너지를 더 오랜 시간(약 30분)으로 추정하여 구한다. 그러면 전경과 배경 사이의 큰 비율이 발작[37]을 보여 줄 것이다. 아날로그 시스템은 이후 속도 및 노이즈[37]와 같은 위 시스템의 기술적 단점을 개선하기 위해 개발되었다. 간질 발작을 감지하기 위해 EEG에서 측정되거나 감지할 수 있는 여러 가지 특징이 있다.

발작이 시작되는 동안, 신호의 평균 에너지를 증가시킨다. 신호의 윈도우 분할의 경우, 다음과 같이 측정할 수 있다.


여기서 L은 window 길이이고, 시간 색인 n은 윈도우 중앙값이다. 발작 신호는 주요 주기 성분을 가진다
따라서 일반적으로 주파수 영역에서 우세한 피크를 보인다. 그러나 이 피크의 주파수는 발작이 시작되는 동안, 시간과 함께 감소한다.
그러므로 감소의 기울기는 발작 일으킴을 감지하는데 중요한 요소이다. X(f, n)를 고려하면, n에 중심에 있는 윈도우 신호 x(n)의 추정 스펙트럼은 n시간에 정점이 찍을 것이다.
스펙트럼은 대개 자동회귀(autoregressive) 모델링을 사용해 추정한다[38].
스펙트럼에서 주파수 정점이 측정된다. 주파수 정점에서 감소 기울기를 측정하여 특징으로 사용할 수 있다. EEG신호의 주기적인 특성은 또한 측정될 수 있으며 발작의 징후로 사용될 수 있다. 이는 데이터의 특정한 상위 순서 통계를 통합하여 가장 잘 식별할 수 있다. 그러한 지표 중 하나는 다음과 같은 측정의 2차 및 4차 통계와 관련이 있다[39].

◆여기서 제로지연(zero-lag)은 수학적으로 용이한 계산을 위해, 장비 지연으로 발생할 수 있는 복잡함을 단순하게 표현하기 위해.

또한 이 표시기(indicator)는 시간 색인 n과 관련하여 측정된다. 이는 n에 중심을 둔 각 신호 윈도우에 대해 계산되기 때문이다.
I(4.3참고)항에 측정한 것으로, n에 중심을 맞춘 프레임에 대한 에너지의 확산, 발작이 시작되기 전 주파수 범위에 걸쳐 EEG는 혼란스럽고 어떤 주파수도 그 추적을 통제하지 못하는 것처럼 보인다. 발작이 일어나는 동안, EEG는 리드미컬하게, 질서 정연하게 되며, 따라서 이 스펙트럼에는 큰 정점이 있다.
위의 기능은 지원 벡터 머신(SVM)분류기를 사용하여 측정하고 분류된다[38]. 강직간대발작(tonic–clonic) 및 복잡한 부분발작 모두에서 분류율이 100%까지 높을 수 있다는 것이 밝혀졌다. 그러나 발작의 강한 탐지에서, EEG의 모든 통계적 조치는 혈액 형태학, 몸의 움직임, 고통, 신진대사의 변화, 심박 수의 가변성, 발작 전후의 호흡과 같은 다른 증상과 함께 정량화되고 효과적으로 고려해야 한다.
이는 미래의 신호 처리/데이터 융합에 기반한 접근 방식에 대한 도전이다. 이것은 또 다른 발작을 감지하기 위한 시도로 인공 신경 네트워크(ANN)를 기반으로 한 폭포(cascade) 분류기가 사용되어 왔다[40].


※분류는 세 단계로 수행된다.
첫 번째 단계에서,
다음 6개의 기능은 피크를 정확한 간질 형태/정확한 비간질 파형/알 수 없는 파형으로 분류하기 위하여, 2개의 perceptrons를 제공한다. 기능은 그림 4.2에 묘사된 것과 같은 간질 스파이크의 예상 형태에 따라 선택된다.

이러한 기능은 다음과 같다.
(a) first half-wave amplitude (FHWA),
(b) second half-wave amplitude (SHWA),
(c) first half-wave duration (FHWD),
(d) second half-wave duration (SHWD),
(e) first half-wave slope (FHWS ≈ FHWA/FHWD), and
(f) second half-wave slope (SHWS ≈ SHWA/SHWD).


첫 번째 단계(=전처리(preclassifier))이후에 3개의 출력이 필요하기 때문에 두개의 단일 층(perceptrons)이 병렬로 사용된다.
1개의 perceptron은 명확한 비간질 형태를 위해, +1을 주도록 훈련 받고 그렇지 않은 경우−1을 준다. 두 번째 네트워크는 확실한 간질 모양을 위해 +1을 생성하며, 그렇지 않은 경우에는 −1을 생성한다. 두 네트워크의 출력에서−1을 생성하는 세그먼트는 알 수 없는 그룹에 할당된다.
k의 반복 작업에서 perceptron/ANN의 Weight 벡터인 w를 찾는 업데이트 방정식은 다음과 같이 간단하게 제시할 수 있다.
여기서 x는 입력 feature 벡터, d는 예상된 feature 벡터, y는 출력값으로써,
즉 y=sign(wTx − Tr)로 계산되는 출력이며, Tr는 실증적인 임계값, u(우타)는 learning rate이다.
두 번째 단계에서 알 수 없는 파형(spike)은 방사형 기준 함수(RBF)신경 네트워크를 사용하여 분류된다. RBF은 실증적으로 이 분류 단계에 대한 다른 ANNs보다 더 나은 성능을 가지고 있는 것으로 나타났다. 입력값들은 실제 파형의 세그먼트들이다. 출력 값은(정규화 후)마지막 계층의 출력을 제한함으로써 선택된다.
마지막으로, 세 번째 단계에서 비선형(RBF)커널이 있는 다차원 SVM을 이용하여 멀티채널 입력으로부터 데이터를 처리하기 위해 사용된다. 일반화된 대부분의 초점 발작(focal seizures)을 감지하기 위해 최대 100%의 정확도가 보고되었다[40].
간질성은 종종 뇌의 정상적인 작동을 방해하는 상대적으로 큰 뇌신경 네트워크 내에서 갑자기 발생하는 동기식 활동으로 특징짓는다. 따라서 동적 변화의 몇 가지 측정도 발작을 감지하기 위해 사용되었다. 이러한 조치들은 발작 전과 발작 상태 사이의 전이 또는 발작과 발작 상태 사이의 전환에서도 현저하게 변화한다.
후자의 경우에, 전이는 내측두엽간질MTLE(mesial temporal lobe epilepsy)의 경우와 같이 지속적인 위상 변화 또는 급격한 도약 (예 : 갑상선 기능 항진증)으로 발생할 수 있다.(예: 결신발작(absence seizures)의 경우에도)
◆내측두엽간질(MTLE)란,
흔히 5세 이하에서 열성발작이 있었으며 10세 전후 또는 청소년기에 발작이 나타나기 시작하여 발생초기는 비교적 약물네 잘 조절되나 점차 진행하여 항간질약에 반응하지 않는 난치성 간질발작으로 넘어가기 쉬움.

이 장의 후반부에 설명한 바와 같이, attractor 차원 추정에 의한 혼잡한 측정에 기초한 접근 방식에서,
첫 번째 경우에는 시스템의 끌어당기는 힘이 점점 발작에서 발작 attractor로 변형 된다.
두 번째 경우에, 급격한 임계 전환이 발생하는 경우, 시스템에는 항상 최소 2개의 동시 발작상태와 발작 attractor가 있다고 가정할 수 있다.
Lopes da Silva 외 연구진[41]의 연구에서 3개의 상태(경로)는 간질 발작 모델의 설명함으로써 특징지을 수 있다:

1. 무작위 섭동(=교란)으로 인한 분기 유형의 갑작스런 전환이 발생했다. 이러한 간질증후군의 흥미로운 예는 EEG와 경련 없는 간질부재유형의 발작에서 발작성의 극서파결합(spike-and wave)방전으로 특징짓는다.
2. 외부섭동 (감광성간질photosensitive epilepsy)에 의해 attractor 변형이 일어나는 경로.
3. 발작 상태로의 점진적인 진화를 유도하는 attractor의 변형. (예: 측두엽 간질temporal lobe epilepsy (TLE))

◆극서파결합(spike-and wave),
돌발성 이상 뇌파의 일종이다. 극파와 2~5Hz의 서파가 결합한 것.
◆섭동 이란,
교란 혹은 미세한 변화

저자들은 이러한 경로에서 현재(발작의)활동 모드에서 ictal(발작)모드로의 전환이 예상되거나 예상되지 않을 수 있는 상황을 이해할 수 있다고 결론 내렸다.
또한, 세 가지 경로 중 어떤 것도 가능한데, 기본 간질의 종류에 따라 달라진다. 발작의 대부분은 고유의 전신 간질 부재유형의 발작, 또는 예측 가능한 역동성의 점진적인 변화에 앞서 단지 얼마간 감지할 수 있듯이, TLD같은 발작을 보이기 전에는 대개 예측할 수 없는 것일지도 모른다.
EEG의 불안 행동은 섹션 4.3에서 논하며 주로 새로운 연구 방향으로 발작의 예측에 활용된다.

  • References


    • [11] Kanner, A. M., Morris, H. H., Luders, H. O., Dinner, D. S., Van Ness, P., and Wyllie, E., ‘Usefulness of unilateral interictal sharp waves of temporal lobe origin in prolonged video EEG monitoring studies, Epilepsia, 34, 1993, 884–889.
    [14] Walter, D. O., Muller, H. F., and Jell, R. M., ‘Semiautomatic quantification of sharpness of EEG phenomenon’, IEEE Trans. Biomed. Engng., BME-20, 1973, 53–54.
    [15] Ktonas, P. Y., and Smith, J. R., ‘Quantification of abnormal EEG spike characteristics’, Comput. Biol. Med., 4, 1974, 157–163.
    [16] Gotman, J., and Gloor, P., ‘Automatic recognition and quantification of interictal epileptic activity in the human scalp EEG’, Electroencephalogr. Clin. Neurophysiol., 41, 1976, 513–529.
    [17] Davey, B. L. K., Fright, W. R., Caroll, G. J., and Jones, R. D., ‘Expert system approach to detection of epileptiform activity in the EEG’, Med. Biol. Engng. Computing, 27, 1989, 365–370.
    [18] Dingle, A. A., Jones, R. D., Caroll, G. J., and Fright, W. R., ‘A multistage system to detect epileptiform activity in the EEG’, IEEE Trans. Biomed. Engng., 40, 1993, 1260–1268.
    [19] Glover, J. R. Jr., Ktonas, P. Y. Raghavan, N. Urunuela, J. M. Velamuri, S. S., and Reilly, E. L., ‘A multichannel signal processor for the detection of epileptogenic sharp transients in the EEG’, IEEE Trans. Biomed. Engng., 33, 1986, 1121–1128.
    [20] Glover Jr., J. R., Raghavan, N. Ktonas, P. Y. and Frost, J. D., ‘Context-based automated detection of epileptogenic sharp transients in the EEG: elimination of false positives’, IEEE Trans. Biomed. Engng., 36, 1989, 519–527.
    [21] Gotman, J., Ives, J. R., and Gloor, R., ‘Automatic recognition of interictal epileptic activity in prolonged EEG recordings’, Electroencephalogr. Clin. Neurophysiol., 46, 1979, 510–520.
    [22] Gotman, J. and Wang, L. Y., ‘State-dependent spike detection: concepts and preliminary results’, Electroencephalogr. Clin. Neurophysiol., 79, 1991, 11–19.
    [23] Gotman, J. and Wang, L. Y., ‘State-dependent spike detection: validation’, Electroencephalogr. Clin. Neurophysiol., 83, 1992, 12–18.
    [24] Ozdamar, O., Yaylali, I., Jayakar, P., and Lopez, C. N., ‘Multilevel neural network system for EEG spike detection’, in Computer-Based Medical Systems, Proceedings of the 4th Annual IEEE Symposium, Eds I. N. Bankmann and J. E. Tsitlik, IEEE Computer Society, Washington DC, 1991.
    [25] Webber, W. R. S., Litt, B., Lesser, R. P., Fisher, R. S., and Bankman, I., ‘Automatic EEG spike detection: what should the computer imitate’, Electroencephalogr. Clin. Neurophysiol., 87, 1993, 364–373.
    [26] Webber, W. R. S., Litt, B., Wilson, K., and Lesser, R. P., ‘Practical detection of epileptiform discharges (EDs) in the EEG using an artificial neural network: a comparison of raw and parameterized EEG data’, Electroencephalogr. Clin. Neurophysiol., 91, 1994, 194–204.
    [27] Wilson, S. B., Harner, R. N., Duffy, B. R., Tharp, B. R., Muwer, M. R., and Sperling, M. R., ‘Spike detection. I. Correlation and reliability of human experts’, Electroencephalogr. Clin. Neurophysiol., 98,ㅠ 1996, 186–198.
    [28] Kurth, C., Gilliam, F., and Steinhoff, B. J., ‘EEG spike detection with a Kohonen feature map’, Ann. Biomed. Engng., 28, 2000, 1362–1369.
    [29] Kohonen, T., ‘The self-organizing map’, Proc. IEEE, 78(9), 1990, 1464–1480.
    [30] Kohonen, T., The Self-Organizing Maps, 2nd edn, Springer, New York, 1997.
    [31] Nenadic, Z., and Burdick, J. W., ‘Spike detection using the continuous wavelet transform’, IEEE Trans. Biomed. Engng., 52(1), January 2005, 74–87.
    [32] Boashash, B., Mesbah, M., and Colditz, P., ‘Time frequency Analysis’, Chapter 15, Article 15.5, Elsevier Science & Technology, UK, 2003, pp. 663–669.
    [33] Subasi, A., ‘Epileptic seizure detection using dynamic wavelet network’, Expert Systems with Applic., 29, 2005, 343–355.
    [34] Lutz, A., Lachaux, J-P., Martinerie, J., and Varela, F. J., ‘Guiding the study of brain dynamics by using first-person data: synchrony patterns correlate with ongoing conscious states during a simple visual task’, Proc. Natl Acad. Sci., 99(3), 2002, 1586–1591.
    [35] Osorio, I., ‘System for the prediction, rapid detection, warning, prevention, or control of changes in activity states in the brain of subject’, US Patent 5995868, November 1999.
    [36] Osorio, I., Frei, M. G., and Wilkinson, S. B., ‘Real-time automated detection and quantitative analysis of seizures and short-term prediction of clinical onset’, Epilepsia, 39(6), 1998, 615–627.
    [37] Bhavaraju, N. C., Frei, M. G., and Osorio, I., ‘Analogue seizure detection and performance evaluation’, IEEE Trans. Biomed. Engng., 53(2), February 2006, 238–245.
    [38] Gonzalez-Vellon, B., Sanei, S., and Chambers, J., ‘Support vector machines for seizure detection’, in Proceedings of the ISSPIT, Darmstadt, Germany, 1993, pp. 126–129.
    [40] Acir, N., Oztura, I. Kuntalp, M., Baklan, B., and Guzelis, C., ‘Automatic detection of epileptiform events in EEG by a three-stage procedure based on artificial neural network’, IEEE Trans. Biomed. Engng., 52(1), January 2005, 30–40.

    Paper List

    Today's Word

    이 논문을 이해하기 위해서 중요한 단어들 수록

    • invasive 침습, 뇌공학에서 중요한 단어 중 하나이며, 뇌를 개복하여 공학장치를 뇌 내(內)에 삽입
    • noninvasive 침습, 뇌공학에서 중요한 단어 중 하나이며, 뇌를 절개하지 않고, 내 외(外)에서 뇌파측정 등 EEG에서 주로 쓰임
    • spike EEG 검출신호 중 하나
    • artefact 잡파
    • Background EEG
    • Foreground EEG
    • Stationary 정상
    • nonstationary 비정상
    • DWT 기존 퓨리에 변환보다 성능이 더 좋은 퓨리에 변환
    • Windows feature를 추출하기 위한 구간으로써 여기서는 임의적인 주파수 축을 의미
    • zero-lag 제로지연
    • focal seizure 초점발작