설명 가능한 특성과 기계 학습 기반의 강력한 자동 발작 탐지 알고리즘

간질은 심각한 신경 질환으로, 뉴런이 생성하는 뇌 신호를 분석하여 탐지할 수 있습니다. 뇌파(EEG) 신호는 이러한 뇌 신호 모니터링을 위한 가장 중요한 데이터 소스입니다. 그러나 이러한 복잡하고, 잡음이 많으며, 비선형적이고 비정상적인 신호로 인해 발작을 탐지하는 것은 어려운 작업이 됩니다. 특성 기반의 발작 탐지 알고리즘은 자동 발작 탐지에서 지배적인 접근 방식이 되었습니다. 이 연구에서는 임상적 및 통계적 중요성이 있는 새로운 특성을 기반으로 한 자동 발작 탐지 알고리즘을 제시합니다. 우리의 알고리즘은 두 개의 벤치마크 데이터 세트에서 최고의 결과를 달성하였으며, 전통적인 특성 기반 방법 및 최첨단 딥 러닝 알고리즘을 능가하였습니다. 정확도는 두 개의 공개 벤치마크 데이터 세트 모두에서 99.99%를 초과하였으며, 두 번째 데이터 세트에서 모든 발작을 100% 올바르게 탐지하였습니다. 우리의 알고리즘은 해석 가능성과 강력함을 보유하고 있으며, 최소한의 컴퓨팅 자원 요구 사항 및 시간 소비와 결합되어 임상 응용 분야에서 상당한 잠재적 가치를 나타냅니다. 우리가 제안한 데이터 세트의 변동 계수는 알고리즘이 데이터 특정성을 가지게 하며, 다양한 데이터 세트에 적합한 랜덤 스펙트럼 특성 선택에 대한 이론적 지침을 제공할 수 있습니다. 이는 우리의 특성 기반 접근 방식의 적용 가능성 시나리오를 넓힐 것입니다.