CNN-LSTM을 이용한 뇌전증 발작 예측
Epileptic Seizure Prediction Utilizing CNN-LSTM
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 논문에서는 단일 채널 EEG데이터로 부터 생성된 저해상도 단시간 푸리에변환(STFT) 이미지를 활용하여 뇌전증발작을 예측하는 모델인 Pruned CNN-LSTM을 제안한다. 제안된 모델은 6개 CNN layer만 사용하며, CHB-MIT 데이터셋을 대상으로 환자별Leave-One-Out 교차검증 (PS-LOOCV)을 통해 평가되었다. 제안하는 구조는 정확도 및 민감도, 그리고 FPR을 통해 구조의 성능을 평가하였으며, 웨어러블환경에 적합한 6개의 후보채널 중 FP1-F7 채널에서 정확도 82.18%, FPR 0.165을 기록하였다. 제안하는 시스템은 단일 채널 EEG 데이터를 활용하여 연산 복잡도를 줄이면서도 웨어러블 및 모바일기기 환경에서 신뢰할 수 있는 실시간 발작 예측 가능성을 보여주었다.
Abstract
In this paper, we propose Pruned CNN-LSTM, a model that predicts epileptic seizures using low-resolution short-time Fourier transform (STFT) images generated from single-channel EEG data. The proposed model employs six CNN layers and was evaluated on the CHB-MIT dataset using patient-specific leave-one-out cross-validation (PS-LOOCV). The architecture’s performance was assessed in terms of accuracy, sensitivity, and false positive rate (FPR); among six candidate channels suitable for wearable use, the FP1-F7 channel achieved 82.18% accuracy with an FPR of 0.165. The proposed system demonstrates the feasibility of reliable real-time seizure prediction in wearable and mobile device environments while reducing computational complexity by leveraging single-channel EEG data.