Convolutional Recurrent Neural Networks를 이용한 뇌전증 발작 검출 :

심승범

추천

검색

자료유형: 학위논문

저자정보: 심승범 (국민대학교, 국민대학교 일반대학원)

지도교수: 최선웅

발행연도: 2019

저작권: 국민대학교 논문은 저작권에 의해 보호받습니다.

이용수13

이 논문의 연구 히스토리 (2)

2019

Convolutional Recurrent Neural Networks를 이용한 뇌전증 발작 검출

심승범 보안-스마트전기자동차학과 2019.01 학위논문

2018

SVM을 이용한 뇌전증 발작 검출

심승범 , 주동균 , 최선웅 한국통신학회 학술대회논문집 2018.06 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

뇌전증이란 발작이 반복적으로 발생하여 만성화된 질환으로 세계적으로는 5천만 명, 우리나라에서는 30-40만 명의 인구가 앓고 있는 질환이다. 뇌전증 발작은 대뇌 겉질에 분포하는 신경세포들이 갑작스럽게 과흥분함으로써 경련, 기절 등을 유발하는 현상으로, 아무런 전조 현상 없이 발생하므로, 뇌전증을 앓는 환자는 항상 불안감을 느끼며 살아간다. 뇌전증을 치료하기 위해서는 정확한 진단이 필요하다. 뇌전증의 가장 주요한 진단 방법에는 뇌파 검사가 시행되고 있다. 하지만, 뇌파 검사는 전문의가 오랜 시간 동안 임상적인 소견에 따라 정상파와 뇌전증파를 판독해야 한다. 이는 시간적 효율성이 좋지 않으며, 사람마다 뇌전증의 종류 및 시간 등의 특징이 달라서 아주 정확한 발작의 판별은 어렵다.
뇌전증을 정확하게 판단하고 나아가 예측할 수 있다면, 순간적인 처치로 발작을 억제할 수 있기 때문에 환자의 불안감을 해소할 수 있으며 뇌전증을 진단하는 데도 인적 자원의 낭비를 줄일 수 있고, 시간적 효율과 정확성도 높일 수 있을 것이다. 본 논문에서는 보스턴 아동 병원에서 측정된 공공데이터와 기계 학습 알고리즘 중 Convolutional Neural Networks와 Recurrent Neural Networks의 장점을 합친 Convolutional Recurrent Neural Networks 모델을 제안하고, 이를 이용하여 뇌전증 발작을 검출한다.
제안된 방법은 기계 학습 알고리즘의 특성을 이용해 특징을 만들고, 뇌파의 시계열 특성을 이용하여 1초 단위로 뇌전증 발작을 검출해낸다. 본 논문은 기존에 뇌전증 검출 연구에 시도되지 않았던 기계 학습 모델을 제안하였으며, 이를 이용해 발작을 검출해낼 수 있는 방법을 제안하였다. 결론적으로 평균 6.26초의 Delay로 98.31%의 뇌전증 발작을 검출하였고, 59.80%의 Sensitivity와 99.52%의 Specificity를 달성하였다.

Epilepsy is a common and serious neurological disorder in which seizures occur repeatedly. 50 million people are suffering from this disease and 300~400 thousand people are suffering in Korea. This disorder cause stunning and seizures. Since seizures occur without any precursors, patients suffering from epilepsy always live with anxiety. To treat epilepsy, precise diagnosis is necessary. Electroencephalography(EEG) is the most important diagnostic method of epilepsy. However, proper diagnosis of the disease requires long term monitoring of the EEG, which is not good in terms of temporal efficiency and could be a tedious task. Also, it is impossible to determine a completely accurate seizure.
If it is possible to accurately predict and decide epileptic seizures, It can reduce the anxiety of the patient suppressing the seizure by the instantaneous treatment. Moreover it can reduce the waste of human resources in diagnosing epilepsy, and it will be increase the time efficiency and accuracy.
This paper proposes a combined model of Convolutional Neural Networks(CNN) and Recurrent Neural Networks(RNN) and use public data measured at the Boston Children’s Hospital to determine the epileptic seizures. This paper minimizes the error in the steady state, so as to increase the efficiency of transplantation of the patient’s specific device and to minimize the battery replacement operation due to unnecessary battery consumption of the device.
Proposed method makes use of the characteristics of machine learning algorithms without complex preprocessing. Using the time-series characteristics of EEG, this paper detects epileptic seizures in seconds. This paper proposes a deep learning model which has not been attempted in the past, and detects seizures in real time using this model.
In conclusion, this paper found 98.31% of epileptic seizure detection ratio on average of 6.26 seconds and achieved 59.80% of sensitivity and 99.52% of Specificity.

제1장. 서론 1
1.1 뇌전증 1
1.1.1 뇌전증의 개요 1
1.1.2 뇌전증의 원인 및 특징 2
1.1.3 뇌전증의 진단 4
1.1.4 뇌전증 치료법 및 발작 검출 기술 개발의 필요성 5
제2장. 배경 기술 및 관련 연구 7
2.1 기계 학습 7
2.1.1 기계 학습의 개요 7
2.1.2 기계 학습 알고리즘 9
2.2 관련 연구 16
제3장. Proposed Method 20
3.1 데이터 20
3.2 기계 학습을 이용한 발작 탐지 모델 28
3.2.1 학습 및 테스트 데이터 30
3.2.2 발작 탐지 모델의 구조 31
3.2.3 Time Threshold 35
제4장. 성능 평가 37
4.1 평가지표 37
4.2 모델 성능 평가 40
제5장. 결론 50
참고문헌 52
Abstract 56
감사의 글 58

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)