SJ's BE Lab

발작은 신생아의 약 0.5%(생후 4주)에서 발생한다.
이는 중추 신경계(CNS)의 이상(장애)을 보여 주는 분명한 지표이다. 이러한 이상에는 많은 원인이 있으며, 대부분의 원인은 CNS내의 생화학적 불균형, 두개(골)의 내출혈과 감염, 결함 발달(구조적 결함), 수동적인 약물 중독 및 금단 증상 때문이다[42].

하지만 신생아 EEG의 분석은 생물 의학적 신호 처리 맥락에서 매우 어려운 문제이다.
성인과 달리, 스파이크(spike)가 있어도 발작의 징후는 아닐 수도 있다. 신생아의 임상적 징후는 가끔 발작이 통제 불가능하고 반복적인 신체의 흔들림 또는 근육의 강장제적굴절(tonic flexion of muscles)을 동반하는 성인의 징후만큼 항상 명확하게 나타나는 것은 아니다.
그래서 확실하지는 않지만 신생아에게서 나타나는 징후로써 즉, 미묘한 발작의 경우 안구 고정, 눈꺼풀의 반복적인 깜박임 또는 상하 좌우로 흔들림, 침을 질질 흘림, 기타 가벼운 얼굴 표정 또는 몸의 움직임 등이 나타날 수 있다.

따라서 신생아에 대한 간질 발작의 발견은 성인에 비해 훨씬 더 복잡하며, 지금까지 오직 몇 가지 접근법만 시도되어 왔다.
이러한 접근 방식은 이 섹션에서 간략히 설명할 것이다.

비록 신생아 발작 신호[43]에 대해 넓은 스펙트럼 범위가 존재할지라도, 대부분의 경우에는 발작 주파수 대역은 delta 대역과 theta 대역(1-7 Hz)이내에 있다.
그러나 시간/주파수(TF)접근 방식은 데이터의 통계적 비정상성(nonstationarity) 때문에 더 선호하지만, 정상 EEG신호의 평균 진폭보다 스파이크(spike)가 더 작은 진폭을 가질 수도 있기 때문에 부적절할 수 있다. 대부분의 경우, 이러한 신호는 어떤 발작감지 알고리즘을 적용하기 전에, 전처리(preprocessed) 된다. 눈 깜빡임과 몸의 흔들림이 주요 잡파(artefact)의 원인이다. (참조 신호가 있든 없든 간에)기존의 적응형 필터링 방법은 간섭 제거를 위해 구현될지도 모른다[44,45]. 이는 발작의 TF[46]를 계산하거나 간질성 신호의 가변 시간 모델에 사용할 수도 있다. 모델 기반 접근 방식은 발작 세그먼트와 추정된 모델 파라미터를 모델링하기 위해 제안되었다[47].
단계는 다음과 같다.

1. EEG신호 x = [x(1), x(2), . , x(N)]T 에서 관찰된 벡터의 주기도는 다음과 같다

Fig 4.1 EEG 신호의 벡터 주기도

Fig 4.2 매개 변수 벡터인 θ에 대한 log-likelihood 함수에 대한 이산 접근

Fig 4.3 Whittle의 매개 추정치

Fig 4.4 임계값 레벨 테스트

Fig 4.5 발작여부결정

신생아 EEG신호는 안타깝게도 발작이 시작될 때, 어떤 뚜렷한 TF패턴을 보이지 않는다.
게다가, EEG신호들은 신생아들의 미성숙한 정신 활동과 그들의 빠른 두뇌 신진대사의 변화로 인한 많은 발작 유형의 스파이크(spike)를 포함한다.
따라서 위의 방법이 일부 합성 데이터에는 효과가 있지만, 앞서 설명한 것과 같이 신생아 발작의 특성 때문에, 종종 모든 유형의 신생아 발작을 효과적으로 감지하지 못한다.

Karayiannis 외 연구진의 최근 연구에서, 신생아 EEG에서 간질 발작 부위를 탐지하기 위한 계단식 규칙 기반 신경 네트워크 알고리즘(cascaded rule-based neural network algorithm)이 개발되었다[51].
이 방법에서는 신생아 발작이 궁극적으로 쇠퇴하기 전에 진폭과 주파수에서 발달하는 미묘하지만 어떤 면에서는 고정 관념을 지닌 반복적인 파형으로 나타난다고 가정한다.
spike와 유사한 파형의 율동적이고, 복잡한 형태 및 가짜사인파모양의 흐름에 대한 세 가지의 발작 패턴 유형이 검토되어 왔다.
이러한 패턴은 아래 그림과 같다

Fig 4.6 세 가지 주요 신생아 발작패턴

신생아 발작에 대한 자동 감지는 세 단계로 수행된다. 각각의 EEG채널은 개별적으로 처리되며, 공간과 채널 간 정보를 활용하지 않는다.
첫 번째 단계에서 스펙트럼 진폭은 리듬 활동의 파열(burst)를 분리하는 데 사용된다.
두 번째 단계에서는 패턴화, 흡입, 호흡 기능 및 EKG(=EOG심전도))의 결과와 같은 잡파(artefact) 요소가 완화된다
마지막 단계에서 간질 발작, 비간질 발작 및 다른 잡파(artefact)에 영향받은 평범한 EEG 신호 사이를 구분하기 위해 클러스터링 작업이 수행된다. 이 단계의 결과에 따라, 격리되고 일관적이지 않은 후보발작Segment가 제거되고 최종발작 segment가 인지된다.

위 단계를 통틀어, 주파수 영역의 몇몇 특징의 분류하기 위해 양자신경네트워크(Quantum neural networks)QNN뿐만 아니라 FFNN(Feedforward neural networks)의 성능이 비교되어졌다.
이러한 기능은 첫번째 우세 주파수, 두번째 우세 주파수, 우세한 주파수의 폭, 첫번째 우세한 주파수 및 두번째 우세한 주파수에 기여한 전력의 비율, 정점 비율 및 안정성 비율(EEG segment의 진폭 안정성을 측정하는 시간영역 파라미터)로써 보여 진다.
또한, FFNN 또는 QNN을 사용해도 별 차이가 없으며 그 결과는 대략적으로 동일하다는 것을 보여준다[54]. 전반적인 알고리즘은 구현이 매우 간단하며, 그 민감도와 특수성 모두 80%이상인 것으로 나타났다.

References

[43] Liu, A., Hahn, J. S., Heldt, G. P., and Coen, R. W., ‘Detection of neonatal seizures through computerized EEG analysis’, Electroencephalogr. Clin. Neurophysiol., 82, 1992, 30–37.
[44] Shoker, L., Sanei, S., Wang, W., and Chambers, J., ‘Removal of eye blinking artifact from EEG incorporating a new constrained BSS algorithm’, IEE J. Med. Biolog. Engng. and Computing, 43, 2004, 290–295.
[45] Celka, P., Boashash, B., and Colditz, P., ‘Preprocessing and time–frequency analysis of newborn EEG seizures’, IEEE Engng. Med. Biol., September/October 2001, 30–39.
[46] Pfurtscheller, G., and Fischer, G., ‘A new approach to spike detection using a combination of inverse and matched filter techniques’, Electroencephalogr. Clin. Neurophysiol., 44, 1977, 243–247.
[47] Roessgen, M., Zoubir, A. M., and Boashash, B., ‘Seizure detection of newborn EEG using a model-based approach’, IEEE Trans. Biomed. Engng., 45(6), 1998, 673–685.
[48] Choudhuri, N., Ghosal, S., and Roy, A., ‘Contiguity of the Whittle measure for a Gaussian time series’, Biometrika, 91(1), 2004, 211–218.
[50] O’Toole, J., Mesbah, M., and Boashash, B., ‘Neonatal EEG seizure detection using a time–frequency matched filter with a reduced template set’, in Proceedings of the 8th International Symposium on Signal Processing and Its Applications, pp. August. Sydney, Australia, 2005, 215–218.
[51] Karayiannis, N. B. et al., ‘Detection of pseudosinusoidal epileptic seizure segments in the neonatal EEG by cascading a rule-based algorithm with a neural network’, IEEE Trans. Biomed. Engng., 53(4), 2006, 633–641.
[52] Bishop, C. M., Neural Networks for Pattern Recognition, Oxford University Press, New York, 1995.
[53] Purushothaman, G., and Karayiannis, N. B., ‘Quantum neural networks (QNNs): inherently fuzzy feedforward neural networks’, IEEE Trans. Neural Networks, 8(3), May 1997, 679–693.

• Introduction
• 4.1 Seizure Detection: Adult Seizure
• 4.1.2 Detection of Neonate Seizure
• 4.2 Chaotic Behaviour of EEG Sources
• 4.3 Predictability of Seizure from the EEGs
• 4.4 Fusion of EEG-fMRI Data for Seizure Prediction
• 4.5 Summary and Conclusions

이 논문을 이해하기 위해서 중요한 단어들 수록

• rhythmic run 율동적인