간질 신호 검출을 위한 잡음 제거

Abstract

간질은 세계인구의 1%가 고통 받고 있는 흔한 질병인 동시에 많은 위험성을 가지고 있기 때문에 간질을 치료하기 위해 많은 연구가 진행 중에 있다. 그 중에서도 뇌파를 기록하여 간질에 의한 발작이 일어나는 시점을 검출하여 방지하는 것에 관한 연구에 많은 초점이 모아지고 있다. 본 논문에서도 뇌파를 이용하여 간질이 일어나는 시점을 추정하는 알고리즘을 구현해보고 정확도를 개선하기 위해 연구를 진행하였다. 본 논문에서는 IEEG 신호를 이용하여 간질 검출 알고리즘의 정확도를 개선하는 것을 목표로 하였다. 기존 간질 검출 알고리즘은 환자 내 혹은 환자 간 간질 신호의 다양성을 고려한 machine learning algorithm을 사용하였다. 뇌파는 주파수 도메인의 신호로 변화되어 robust MAD 방법에 의해 잡음의 표준편차가 추정된다. 추정된 잡음은 간단하고 효과적이어서 널리 사용되는 thresholding 을 기법을 통해 제거 된다. 이렇게 잡음이 제거된 뇌파 신호를 machine learning algorithm에 적용하였을 경우 정확도를 간질이 검출 되는 시점의 Latency, 간질 신호가 검출되지 못한 횟수인 False Negative, 간질 신호로 잘못 검출된 횟수인 False Positive 로 측정하였다. 실험결과 개선된 정확도를 보이는 것을 확인 하였다.;Epilepsy is a one of the common diseases that approximately one percent of the world’s population are suffering from. The risk of injury associated with epileptic seizures may be reduced owing to the researches that predict the start position of epileptic seizures through the IEEG (Intracranial Electroencephalograph). Therefore, it is essential to study the prediction algorithm of epileptic seizure to improve the accuracy of prediction. In this dissertation, we aim to achieve high accuracy of the prediction of epileptic seizure. Machine learning algorithm that can be trained to a specific patient is employed for early prediction. As the first step, the standard deviation of the noise is estimated using robust MAD infrequency domain. And then, the noise is removed using the thresholding method that is a simple and effective method to reduce the noise. The denoised signal is applied to machine learning algorithm. The performance is analyzed using parameters such as latency, false negative and false positive. Latency is the time interval between the onset time of the predicted epileptic seizure by the prediction algorithm and the time determined by the expert neurologist. False Negative is counted when the signal is not detected during the seizure. False Positive is the number of detected seizure during of non-epileptic period. We verified the improvement of the accuracy after denosing using the proposed method. Further research is required with many data sets of many patients.