알츠하이머병 및 전두측두엽 치매 분류를 위한 독특한 EEG 하이퓨전 완전 자동화 스택 모델

요약

이 글은 나이퀴스트 시프트 향상과 머신러닝 앙상블 모델을 통합하여 알츠하이머병, 전두측두엽 치매, 건강한 클래스를 인간의 개입 없이 구분할 수 있는 자동 특징 추출 파이프라인을 제시합니다.

초록

알츠하이머병(AD)과 전두측두엽 치매(FTD)는 기억력, 인지 기능, 실행 처리를 저해하는 흔한 신경퇴행성 질환입니다. 이 연구의 목적은 임상 개입 없이 알츠하이머병을 조기 단계에서 예측할 수 있는 완전 자동화된 머신러닝 파이프라인을 개발하는 것입니다. 이 방법론은 미묘한 신경 활동 변화에 대한 정량적 분석을 제안합니다. 목표는 EEG 데이터를 활용해 환자를 AD, FTD, 건강한 대조군으로 분류하는 신뢰할 수 있고 완전 자동화된 시스템을 개발하여 인간의 개입이나 임상 평가가 필요 없게 하는 것입니다. 시스템의 주요 혁신은 신호 처리 방식과 자동화된 기능 파이프라인에 있습니다. 구체적으로, 나이퀴스트 주파수의 전략적 변형은 다영역 EEG 특징과 인구통계학적 데이터를 통합하는 하이브리드 융합층과 결합하여 EEG 신호 해상도를 향상시키는 데 사용됩니다. 이후 양방향 ANOVA 기반 특징 선택이 이 하이브리드 집합을 정제합니다. 이러한 향상은 더 효과적인 특징 추출을 가능하게 하여 분류 정확도를 높이는 데 기여합니다. 제안된 방법에서는 훈련 데이터셋을 풍부하게 하기 위해 주파수를 포시기화합니다. 따라서 표준 랜덤 포레스트 모델은 99.72%의 훈련 정확도를 제공합니다. 방법의 견고성과 일반화 가능성을 보장하기 위해 하이브리드 핵융합 모델을 제안합니다.

서론

알츠하이머병의 일반적인 증상으로는 기억력 상실, 인지 장애, 수면 불면증, 혼란, 방향 감각 상실, 성격 변화 등이 있습니다. 따라서 조기 예측은 환자가 24시간 도움을 필요로 하는 최악의 수준으로 악화되는 것을 방지할 수 있습니다. 이 질환을 진단하는 방법은 MRI¹, CT, PET², EEG³ 등 다양합니다. 특히, 뇌파 신호와 MMSE를 결합한 것은 알츠하이머병 예측에 있어 비침습적 방법으로 입증되었습니다. EEG 신호 주파수는 알파, 베타, 쎄타, 감마, 델타 등 다양합니다. 알파파는 사람이 편안한 상태일 때 감지됩니다³. 알파파의 주파수는 8에서 12 Hz⁴ 사이입니다. 베타파는 뇌의 경계 단계에서 활성화되며 13에서 30 Hz⁴ 사이입니다. 세타파와 델타파는 각각 수면 상태와 깊은 수면 상태에서 활성화됩니다. 주파수 범위는 쎄타(4-7 Hz)와 델타(< 3.5 Hz)입니다 ^[4]. 전통적인 진단 방법은 MMSE와 같은 영상 및 임상 평가에 의존하는 반면, 이는 종종 주관적이고 비용이 많이 드는 반면, EEG 신호는 뇌 활동을 실시간으로 포착하여 효율적인 대안을 제공합니다.

이 연구는 EEG 신호만을 입력으로 받아들여 임상 점수 매기기의 필요성을 우회하는 완전 자동화된 진단 파이프라인을 제안합니다. 뇌에서 이 파동을 추출하는 다양한 방법이 있습니다. 나이퀴스트 주파수를 고려하는 밴드패스 필터는 EEG 주파수를 추출하는 방법입니다. 나이퀴스트 주파수는 샘플링 주파수를 절반으로 낮춰 사전 처리 신호의 명료도를 향상시킵니다. 따라서 EEG 검사는 미니 정신 상태 검사(MMSE)와 결합하여 신경과 의사들이 알츠하이머병(AD)의 다양한 단계를 평가하는 방법입니다. 유럽 신경과학자 연맹⁵ 회는 이 질환의 다양한 분류를 진단하기 위한 지침을 마련했습니다.

이 글은 알츠하이머병(AD), 전두측두엽 치매(FTD), 그리고 건강한 대상(대조군)을 넓게 분류합니다. 전두측두엽 치매는 인간 뇌의 전두엽과 측두엽만 영향을 받는 상태입니다 ^6,7. 그림 1은 전두측두엽(FTD)에서 일반적으로 영향을 받는 뇌 영역, 특히 전두엽과 측두엽을 보여줍니다. 본 연구에서는 EEG 신호의 시간 영역 및 주파수 영역 특징을 인구학적 특징과 결합합니다. 머신러닝 프레임워크의 객관성과 자율성을 보장하기 위해, 미니 정신 상태 검사(MMSE) 점수는 의도적으로 기능 세트에서 제외되었습니다. MMSE는 인지 평가에 널리 사용되는 임상 지표이지만, 본질적으로 임상의의 평가에 의해 영향을 받으며 분류 과제에서 지배적인 편향을 초래합니다. MMSE를 생략함으로써, 제안된 방법은 주관적 임상 입력과 독립적으로 작동할 수 있는 자립적이고 데이터 기반 진단 모델을 개발하여 향후 완전 자동화된 AI 기반 선별 도구 개발을 지원하는 것을 목표로 합니다. MMSE 점수를 제외한 최종 특징들은 라벨링되어 제안된 EEG 하이퓨전 모델에 제공된다. 자세한 내용은 프로토콜 섹션에 설명되어 있습니다.

문헌 조사

뇌파검사(EEG)는 신경학적 질환의 조기 진단을 위한 비침습적이고 비용 효율적인 도구를 제공합니다. EEG 특징 추출과 주파수 대역 분석은 신경과학과 임상 연구에서 중요한 기법으로 부상하여 다양한 인지 및 병리학적 상태에서 뇌 활동에 대한 통찰을 제공합니다. 최근 몇 년간 인지 상태 모니터링부터 알츠하이머병과 같은 신경학적 질환의 조기 진단에 이르기까지 기계 학습을 활용해 EU 데이터를 분석하는 것이 주목받고 있습니다. 이 문헌 조사는 EEG 특징 추출, 분류 및 모델 개발과 관련된 기존 연구의 주요 기여와 공백을 강조합니다.

EEG 신호 인지 관련

Subha 등은 EEG 신호의 비정상적 특성을 효율적으로 포착하는 시간-주파수 영역 특징인 RMS^{를 강조했} 지만, 그들의 연구는 모델 구축을 도입하지 못한다. 따라서 본 연구는 질병을 얼마나 정확하게 진단할 수 있는지 판단하기 위해 ML 모델을 제안했습니다.

Barry 등은 EEG 주파수 대역과 인지 상태 간의 관계를 입증했으며, 특정 주파수 대역(예: 알파파)이 이완과 주의력과 연관되어 있음을 보였습니다. Buzsáki¹⁰은 신경 진동의 생리학적 중요성과 뇌 기능에서의 역할을 탐구하며, EEG 연구에서 주파수 특이적 분석의 유용성을 강조했습니다. 주파수 대역 분석은 잘 확립되어 있지만, 특히 고차원 데이터셋에서 효율적이고 확장 가능한 특징 추출 파이프라인의 필요성은 여전히 중요한 영역입니다.

EEG 특징 추출 기법

Senkaya, Kurnaz 등은 PSD와 엔트로피와 같은 스펙트럼 특징을 사용하여 알츠하이머병을 예측했습니다. 이 스펙트럼 능력은 뇌 활동의 느려짐을 보다 정확하게 포착하는 데 도움을 줍니다. 이 연구는 스펙트럼 특성을 효과적으로 다루었지만, RMS와 같은 시간 영역 특징은 포함하지 않았다. 따라서 본 연구는 알파, 베타, 감마, 쎄타, 델타와 같은 주파수에서 추출한 시간 영역 특성을 제안합니다.

Luck 등과 Kappenman 등은 주의력과 작업 기억의 EEG 바이오마커^{를 검토하며} , 인지 상태 구별에서 주파수 대역 특징의 중요성을 강조하였습니다. Cassani 등은 EEG를 알츠하이머병 진단 도구^{로 탐구} 하며, 주파수대역 특성을 활용해 인지 저하의 신경 신호를 식별했습니다. Michel과 Murray¹⁴ 는 인지 과정과 신경 연결성을 이해하는 데 있어 다중 채널 EEG 분석의 유용성을 논의하며, 머신러닝 응용의 토대를 마련했습니다. 이러한 발전에도 불구하고, Random Forest, XG-Boost와 같은 확장 가능한 머신러닝 모델과 자동화된 특징 추출 파이프라인의 통합은 아직 충분히 탐구되지 않고 있습니다. 기존 문헌들은 인지 및 임상 응용을 위한 주파수-대역 분석과 머신러닝 기법의 결합을 강조하고 있습니다.

치매 분류를 위한 머신러닝과 하이브리드 융합 모델

특히 XGBoost와 같은 앙상블 기반 기법을 활용한 머신러닝 모델은 EEG 유래 특징 분류에 가능성을 보여주었습니다¹⁵. 이 모델들은 입력 특징과 출력 라벨 간의 비선형 관계를 학습하여 EEG 신호의 복잡성과 변동성을 다룹니다. 연구¹⁵ 는 적절한 모델을 제안했지만, 정확도 점수는 저하되어 있습니다.

Craik 등은 EEG 분석을 위한 딥러닝과 전통 머신러닝 모델에 대한 포괄적인 검토^{를 제공하며,} 구조화된 데이터에서 그라디언트 부스트 프레임워크의 성공을 강조했습니다. Abiri 등은 뇌-컴퓨터 인터페이스 응용을 위해 XG-Boost^{를 EEG} 데이터에 적용하여, 특징 중복성과 잡음을 처리할 수 있는 능력 덕분에 견고한 분류 성능을 달성했습니다. Aghababaei 등은 EEG 기반 감정 인식 과제에서 XG-Boost를 포함한 앙상블 기법의 사용을 입증하여, 전통적 접근법에 비해 정확도와 일반화 능력이 향상되었다고 보고하였습니다. 그러나 불균형한 데이터셋, 특정 클래스의 저대표성, 머신러닝 모델의 해석 가능성 등 여전히 과제가 남아 있어 모델 최적화와 정규화 기법에 대한 추가 연구가 필요합니다.

Zheng 등은 휴식 상태, 눈을 감은 EEG(19채널^{)를 사용} 해 시빈도 기능적 연결성 측정을 계산하고, AD, FTD, 건강한 대조군을 구분하기 위해 머신러닝 분류기를 훈련시켰습니다. 그러나 신호 표현을 강화하고 견고한 앙상블 분류를 제공하는 방법의 필요성을 강조했습니다.

EEG 기반 분류는 인지 신경과학과 임상 분야에서 광범위하게 적용되어 왔습니다. 이전 연구들이 머신러닝 기반 EEG 분석에 강력한 토대를 제공하지만, 여전히 몇 가지 공백이 남아 있습니다. 많은 연구가 수작업으로 만든 기능(예: RMS, PSD)에 의존하여 모든 관련 정보를 담아내지 못할 수 있습니다. 자동화된 특징 공학과 딥러닝 기법이 전통적인 접근법을 보완할 수 있습니다.

특히 다중 클래스 환경에서 EEG 데이터셋의 불균형은 분류 결과를 왜곡하는 경우가 많습니다. 클래스별 가중치나 데이터 증강과 같은 전략은 소외된 계층의 성과를 향상시킬 수 있습니다. 하지만 특징 추출과 모델 분류를 통합하는 효율적이고 해석 가능하며 일반화 가능한 파이프라인이 여전히 필요합니다.

프로토콜

제안된 방법은 EEG 신호를 주파수 영역으로 전략적으로 분할하여 스펙트럼 해상도를 향상시킵니다. 이후 포획된 EEG 신호는 시간 해상도와 특징 계산의 일관성을 높이기 위해 10개의 구간으로 나뉩니다. 제안된 방법은 파생된 EEG 특징에 대해 RF, XGBoost, SVM 기반 분류기를 구현하여, EEG 분석을 위한 견고하고 확장 가능한 방법 개발에 기여합니다. 특정 하이퍼파라미터 변경을 포함한 RF 모델은 다른 표준 모델 중 가장 우수한 성능을 자랑합니다. 따라서 RF와 XG-Boost를 결합한 혼합형, 융합형 스택형 메탈어너 모델이 제안되어 예측 정확도를 더욱 향상시킵니다.

이 방법에 사용된 데이터셋은 기관 윤리 기준에 따라 수집되었습니다. 데이터셋 제공자는 데이터 수집 전에 참가자들의 동의를 받았습니다.

1. 데이터셋 명세

시스템의 견고성을 증명하기 위해 두 가지 데이터 세트가 사용되었습니다. 첫 번째 데이터 세트는 EEG 데이터 저장소²⁰에서 수집되었으며, 88명의 참가자가 휴식 상태에서 눈을 감은 상태에서 36명이 AD(알트라우스틱 장애) 진단을 받았고, 23명은 FTD, 29명은 건강했습니다. EEG 기록은 국제 10-20 몽타주 이후 19채널 시스템을 사용해 눈을 감은 상태에서 촬영되었습니다. 그림 2에 표시된 데이터셋에서는 모든 신호가 500Hz에서 샘플링되어 BIDS 형식으로 제공되었으며, 데이터셋 기여자들이 예비 전처리를 거쳤습니다.

두 번째 데이터 세트는 외부 공개 저장소²¹ 에서 수집되었으며, 35명의 참가자가 휴식 상태에 있습니다. 이 중 13명은 알츠하이머병(AD) 진단을 받았고, 7명은 경도 인지 장애(MCI) 환자이며, 15명은 건강한 노인입니다. 두 번째 데이터셋의 휴지 상태 기준선 구간만 사용하여 첫 번째 데이터셋과의 일관성을 유지하^였다. 두 번째 데이터^세트 는 그림 3에 언급된 완전한 전처리 파이프라인이 필요했습니다.

2. 전처리

기존 연구들은 복잡한 전처리 파이프라인, 수동 인공물 수정 단계, 또는 ICA-ASR에 크게 의존하여 일상적인 임상 워크플로우에서 재현성을 제한하는 근육 움직임을 제거합니다. 이러한 한계를 해결하기 위해 제안된 파이프라인은 계산 집약적인 인티팩트 제거 절차를 없애고 대신 제어된 필터링, 에포크 세분화, 주파수별 특징 계산에 중점을 둔 간소화된 EEG 전용 접근법에 중점을 둡니다.

1. EEG 파일 정렬
   전처리 전에는 모든 EEG 파일이 자동으로 정렬되어 참가자별 및 세션별 순서의 일관성을 유지했습니다. 이로 인해 특징 추출, 에포칭, 라벨 정렬이 모든 피험자에서 균일하게 유지되고 파일 불일치 오류를 방지할 수 있었습니다. 이 단계는 그림 3 에서 "EEG 파일 정렬"으로 표시되어 있습니다. 모든 전처리는 표준 오픈소스 EEG 처리 툴킷을 사용하여 수행됩니다.
2. 밴드패스 필터링 및 재참조
   0.5-40Hz 범위에 버터워스 밴드패스 필터가 적용되어 관련 EEG 성분을 유지하면서 드리프트와 고주파 잡음을 감쇠했습니다. 신호는 모든 EEG 채널의 평균으로 재참조되어 공간 편향을 최소화하고 신호 대 잡음비를 향상시켰습니다.
3. 나이퀴스트 주파수 이동
   저주파 성분의 해상도를 높이기 위해 샘플링 주파수를 500Hz에서 250Hz로 절반으로 줄여 나이퀴스트 시프트 증강을 적용했습니다. 위 단계를 거쳐 나이퀴스트 변형으로 125Hz로 감소합니다. 델타, 쎄타, 알파, 베타, 감마 주파수는 0.5Hz에서 40Hz 사이의 느린 파동이기 때문에, 이로 인해 유효 나이퀴스트 한계가 이동하고 치매와 관련된 저주파 진동의 선명도를 높입니다. 이 변형은 느린 뇌파를 더 적절히 포착하는 데 도움을 주었습니다. 식(1)은 나이퀴스트 약물 결과를 명확히 보여줍니다.
   F_샘플링= 500 Hz
   N_샘플링= F_샘플링/2
   N_{나이퀴스트} = N_샘플링/2 (1)
   N_{나이퀴스트} 는 작동 샘플링 속도가 아니라 단순히 최대 표현 가능한 주파수 이며, 따라서 에포크 세분화에는 영향을 미치지 않는다는 점을 유의해야 합니다. 이는 관심 있는 주파수 성분(0.5-40 Hz)이 완전히 보존되도록 보장하는 이론적 한계일 뿐입니다.
4. 에포크 샘플링 빈도를 10세그먼트로
   EEG 기록은 10개의 동일한 길이의 구간으로 나뉩니다. 이 단계는 시간에 따른 EEG 신호의 비고정 활동을 포착하는 데 필수적입니다. 짧고 균일한 세그먼트는 대역 특이적 특징의 안정적인 계산을 가능하게 하고 머신러닝 분류를 위한 훈련 샘플을 풍부하게 합니다. 따라서 초당 250개의 샘플은 250 × 10 = 2500개의 샘플이 됩니다. 마지막으로, 주제별로 10개의 동일한 길이의 에포크를 사용하여 시대별 분석 전략을 수행합니다. 이 분석 전략은 88명의 실제 참가자에게 880개의 샘플을 생성했습니다.
   
   시기별 분석의 필요성은 뇌 신호 변화를 세밀하게 모니터링하여 모델이 학습하고 과적합을 방지할 수 있도록 충분한 시간적 데이터를 제공하는 데 있습니다. 이 접근법의 중요성은 더 세밀한 EEG 에포크 데이터를 보장하여, 전체 특징값을 해치지 않으면서 더 높은 시간적 해상도가 필요한 분석을 용이하게 한다는 점입니다. 10초 에포크를 생성함으로써 이 방법론은 EEG 역학의 개선된 모델링을 지원하며, EEG 분석 프로토콜의 표준 에포크 기간과 일치합니다.

3. 특징 추출

사전 처리된 EEG 신호는 특징 추출 방법으로 전달됩니다. EEG 신호는 5가지 표준 주파수 대역으로 대역통과 필터링됩니다: 델타(0.5-4 Hz), 쎄타(4-8 Hz), 알파(8-13 Hz), 베타(13-25 Hz), 감마(25-40 Hz).

필터링된 각 신호에 대해 모든 EEG 채널에서 평균 제곱근(RMS) 값이 계산되었습니다. RMS의 수학적 공식화는 식(1)에서 제시됩니다:

RMS =     (1)

여기서 x_i 는 i번째 시점 시점에서의 EEG 신호 진폭입니다. N은 신호 세그먼트 내 총 샘플 수입니다.

RMS는 각 주파수 대역에서 진동 활동의 에너지를 정량화할 수 있는 능력 때문에 주요 특징으로 선택되었습니다. 알츠하이머병은 종종 델타 및 쎄타 활성 증가와 알파 및 베타 활성 감소와 관련이 있습니다. 전두측두엽 치매(FTD)는 이 밴드들 전반에서 뚜렷한 양상을 보일 수 있습니다^20,21. PSD는 수학적으로 RMS와 중복되기 때문에 기능으로 간주되지 않습니다. 압축된 데이터셋을 유지하기 위해 Hjorth와 Entropy와 같은 나머지 특징들은 제외합니다.

4. 하이브리드 핵융합

추출된 시역 RMS 특징은 밴드패스 필터링에서 얻은 주파수 영역 특징과 결합되어 모델 입력을 위한 하이브리드 공간으로 만들었습니다. 컴파일 세부 사항은 그림 3에 나와 있습니다. 최종 정규화된 데이터셋은 참가자를 나타내는 행과 시간-빈도 밴드 특징 및 연령, 성별, 집단과 같은 인구통계학적 특징을 나타내는 열로 구성된 표 형식으로 구성되어 있습니다. 그림 2 에 표시된 파이프라인은 알츠하이머 연구에 관련된 EEG 특징을 효율적으로 추출합니다. 추출된 특징들은 주요 주파수 대역 내 신경 활동에 대한 통찰을 제공하며 기계 학습과 통계 분석에 활용될 수 있습니다.

5. 특징 선택

모델 성능을 개선하고 특징 차원을 줄이기 위해 2방향 분산분석(ANOVA) 기반 접근법이 적용되었습니다. ANOVA 기반 선택은 그룹과 연령을 독립 요인으로, RMS 주파수 대역을 종속 특징으로 적용하였습니다. 이 분석은 각 특징에 대한 집단, 연령, 연령-그룹 상호작용의 효과를 평가하였습니다. 최소 한 요인에 대해 p값 0.05< 특징을 선정하여 추가 분류를 진행하였습니다. 상세한 ANOVA 기반 결과는 결과 섹션에 나와 있습니다. 이러한 특징들은 분류에 가장 유용한 변수로, 최종 예측 모델의 정확성과 일반화를 향상시키는 데 도움을 주었습니다. ANOVA 검사 결과, 모델 생성을 위해 가장 유익한 특징만 선정되었습니다. 추가적인 비수치 속성인 성별과 participant_id은 분석에서 제외되었습니다. 대상 변수 그룹은 분류를 위해 라벨로 인코딩되었습니다.

6. 모델 설명

질병을 알츠하이머, 대조, 전두부 치매의 세 가지 범주로 분류하기 위해 XG-Boost, 랜덤 포레스트, 서포트 벡터 머신 SVM, 스택드 모델 등 세 가지 감독 하 머신러닝 모델이 구축되었습니다. 언급된 모든 모델은 훈련 데이터셋의 70%, 테스트 데이터셋의 30%를 사용했습니다. 각 모델은 의료 데이터 분석에서 입증된 성능과 비선형 및 고차원 특징 공간을 다룰 수 있는 능력으로 선정되었습니다. 모델의 일반화 가능성을 평가하기 위해 검증 데이터셋에 대한 평가가 수행되었습니다.

모델 성능은 진양성(TP), 거짓 양성(FP), 진음성(TN), 거짓음성(FN)으로 구성된 혼동 행렬을 사용하여 평가되었습니다. 성능 지표에는 정확도와 각 클래스별 정밀도, 회상력, F1 점수를 상세히 설명한 분류 보고서가 포함되었습니다. 다음 방정식은 성과 지표를 보여줍니다.

    (2)

    (3)

    (4)

(5)

1. XG-부스트 분류기

이 방법은 XGBoost 알고리즘을 사용하여 추출된 특징에서 EEG 유도 인지 상태를 예측하기 위해 다중 클래스 분류 모델을 구현했으며, 이는 그림 3의 출력 1에 나타난 것입니다. 출력 1에는 RMS 특징과 MMSE 점수가 포함되어 있습니다. XGBoost 모델을 구축할 때 MMSE 점수가 포함되어 RMS 특징의 비선형 동작을 테스트합니다. 이는 시스템 개발의 기준이자 기준선으로 사용됩니다. MMSE는 완전 자동화되고 임상가 독립적인 시스템을 목표로 하기 위해 후반 단계에서 제외되었습니다.

XG-Boost는 효율성과 정확성을 최적화한 그라디언트 부스터팅 프레임워크로, 분류 작업에서 구조화된 데이터를 처리하는 데 적합합니다. 소수의 하이퍼파라미터는 교차 검증과 그리드 탐색 같은 기법을 사용하여 EEG 데이터셋에서 조정됩니다. 아래에 정의된 주요 매개변수 값들은 정규화 를 통한 과적합을 제어하고 EEG 특징의 복잡성을 너무 복잡하지 않으면서 포착하기 위해 선택되었습니다.

모델의 주요 매개변수는 다음과 같습니다: (1) 최대 트리 깊이 = 8으로, 이는 과적합을 줄이고 일반화를 강화하기 위해 결정 트리의 깊이를 제한합니다. 얕은 트리는 불필요한 정보를 놓치기 때문인데, 더 깊은 트리는 과적합될 수 있기 때문입니다. (2) L2 정규화 (λ = 10)는 큰 계수에 대해 페널티를 가해 모델 복잡도를 제어하여 과적합을 최소화합니다. (2) L1 정규화 (α = 5)가 도입되어 모델에 추가적인 희소성을 부여하여 해석 가능성과 견고성을 향상시킵니다. 추정기 수(n_estimators=8)는 성능 균형을 맞추면서 계산 효율성을 유지하기 위해 부스트 반복 횟수를 제한했습니다.

2. 랜덤 포레스트 분류기

랜덤 포레스트는 무작위 데이터와 특징 집합에 걸쳐 여러 결정 트리를 구축하고, 그 출력을 집계하여 최종 예측을 내리는 앙상블 분류기입니다. 노이즈에 대한 견고성을 제공하고, 비선형 데이터를 잘 처리하며, 다양한 트리 예측을 평균화하여 과적합을 줄입니다. 이 연구에서는 무작위 숲 모델이 시행착오 방식을 사용하여 주요 매개변수로 구성되었습니다. 이러한 매개변수들은 아래에 설명되어 있습니다:
1) n_estimators=100
이 나무는 숲 내 결정 나무의 수를 제한하기 위해 선택되었습니다. 트리가 많을수록 일반화가 더 좋고 예측도 더 안정적입니다.
2) max_depth=10
각 나무의 최대 깊이를 나타냅니다. 나무 깊이가 낮으면 적합 부족 가능성이 있습니다. 고깊이는 세부 정보를 포착하고 학습 데이터를 암기할 수 있지만, 과적합될 수 있습니다. 따라서 10을 선택하는 것이 특히 EEG처럼 시끄럽거나 복잡한 신호에 적합한 선택입니다.
3) random_state=40
이 시드는 부트스트랩 샘플링과 트리 구성에 사용되는 난수 생성 시드를 수정합니다. 이로 인해 재현성이 보장됩니다
4) n_jobs=-1
n_jobs 값을 -1로 설정함으로써 모델은 모든 CPU 코어를 효율적으로 활용하고 있습니다.

7. 지지 벡터 기계(SVM)

지원 벡터 기계는 이진 및 다중 클래스 분류에서 선형 성능으로 잘 알려진 마진 기반 분류기^입니다. 이 모델은 비선형 EEG 신호를 포착할 수 있는 능력 때문에 방사형 기저 함수 커널을 사용했습니다. 그러나 모델은 특징 확장 부족과 제한된 데이터셋 크기 때문으로 보이며 최적이 아닌 성능을 보였습니다. SVM은 이론적으로 강력하지만, 하이퍼파라미터 튜닝과 데이터 분포에 대한 민감성 때문에 트리 기반 모델에 비해 낮은 정확도가 관찰되는 이유를 설명할 수 있습니다.

8. 제안된 HY-융합 모델

랜덤 포레스트 모델이 높은 정확도를 달성했지만, 일반화와 확장성을 보장하기 위해 랜덤 포레스트와 XG-Boost를 사용해 스택 모델을 구축했습니다. 출력은 로지스틱 회귀 모델에 입력으로 입력됩니다. 그리고 로지스틱 회귀는 금속 수익원 역할을 합니다. 모델의 아키텍처 다이어그램은 그림 4에 나와 있습니다.

입력²⁰의^{첫 번째 세트}와 함께, 스택 모델은 두 번째 데이터^{세트 23}의 입력도 받았습니다. Mendely²¹의 데이터셋은 RMS를 추출하고 10초 에포칭을 통해 모델이 이해할 수 있는 형태로 전처리됩니다. 각 모델이 얻은 결과는 결과 섹션에 표시되어 있습니다.

결과

에포크 방법의 강점을 정당화하기 위해, 데이터셋을 에포칭하지 않고 RF 모델의 성능을 비교합니다. 비에포흐 조건에서는 전체 연속 기록에서 특징을 추출하여 RF 모델에 전달했습니다. 비포칭 신호는 53%의 정확도를 보였습니다. 이는 에포칭이 모델 생성에 더 안정적인 정보 제공 방법을 제공함을 보여줍니다. 따라서 p < 0.05인 ANOVA 기반 특징은 유의미한 것으로 간주됩니다. 예를 들어, alpha_rms는 유의미한 그룹 효과(p = 9.007147 × 10⁻³⁷)를 보였으나, 연령-그룹 및 상호작용 효과는 통계적으로 유의미하지 않아 alpha_rms 변동이 주로 질병 상태 때문임을 시사한다. 마찬가지로, beta_rms 그룹(p = 1.773449 × 10⁻⁸)과 연령그룹(p = 4.457329 × 10⁻²) 모두에 대해 유의성을 보여주었으며, 병리학적 및 연령 관련 변화에 대한 민감성을 나타냈다. Gamma_rms는 그룹(p = 4.212443 × 10⁻¹°)과 ...

토론

이 연구에서 Hy-Fusion 스택 아키텍처를 사용하는 동기는 RF와 같은 트리 기반 학습기의 상호 보완적 강점을 결합하고, 로지스틱 회귀 메타 학습기를 통해 예측 분산을 줄이기 위함입니다. 스태킹 전략은 기본 학습자들이 서로 다른 귀납적 편향과 오류 패턴을 가질 때 일반적으로 채택됩니다. 메타 학습자는 기본 분류기의 체계적 오류를 수정하고 보다 보정된 앙상블 출력을 생성하는 법을 배웁니다.

에포크 생성 과정은 데이터셋을 풍부하게 했을 뿐만 아니라 모델의 성능을 더 높은 수준으로 끌어올리는 데 기여했습니다. 표 5는 제안된 접근법을 기존 EEG 기반 치매 분류 방법과 비교한 연구를 보여줍니다^{25, 26, 27}.

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
밴드패스 필터링 도구	MNE-Python	내장 필터	전처리에 사용
컴퓨터 워크스테이션	—	Windows/Linux	분석 계산
EEG 취득 시스템	데이터세트 제작자가 제공	—	저자가 사용하지 않음(제공된 데이터세트)
에포크 함수	MNE-Python	내장 함수	세그먼테이션에 사용
GitHub 또는 Google Drive	—	—	코드/데이터 저장
Google Colab	Google	온라인	클라우드 컴퓨팅 환경
MATLAB (신호 확인용)	MathWorks	R202x	선택 사항
Mendeley EEG 데이터세트	Mendeley Data		외부 검증 데이터세트
MNE-Python	https://mne.tools	v1.x	EEG 전처리/분석
NumPy	NumPy 개발자	최신	배열 계산
OpenNeuro EEG 데이터세트	OpenNeuro	ds004504 (v1.0.8)	AD/FTD/HC EEG 기본 데이터세트
Python	Python Foundation	v3.10+	프로그래밍 환경
scikit-learn	sklearn 개발자	v1.x	머신 러닝 모델
SciPy	SciPy 개발자	최신	신호 처리