간질 발작은 심각한 건강 위험을 초래하며 간질 환자의 삶의 질에 유의미하게 영향을 미치므로, 정확하고 적시에 발작을 탐지하는 것이 중요함을 강조한다. 전기뇌검사(electroencephalography, EEG)에 기반한 발작 탐지의 발전에도 불구하고, 발작 클래스와 비발작 클래스 간의 클래스 불균형은 여전히 주요 과제로 남아 있으며, 이는 흔히 편향된 기계학습 모델을 초래하고 일반화 성능을 저하시킨다. 이를 해결하기 위해 본 연구에서는 동적 커리큘럼 학습(dynamic curriculum learning)을 바탕으로 한 샘플링 스케줄러(sampling scheduler) 접근법을 제안한다. 기존의 재표집(resampling) 기법과 달리, 우리의 방법은 학습 과정 중 발작 및 비발작 샘플 간 샘플링 비율을 점진적으로 조정함으로써, 불균형한 데이터로부터 모델이 효과적으로 학습할 수 있도록 한다. 어린이병원 보스턴(Children's Hospital Boston) 및 매사추세츠 공과대학교( Massachusetts Institute of Technology) 두피 EEG(스캘프 EEG, scalp EEG) 데이터셋(CHB-MIT)에 대한 실험 결과, 본 접근법은 균형 정확도(balanced accuracy), 특이도(specificity), ROC 곡선 하 면적(area under the curve, AUC), 그리고 기하평균(geometric mean)에서 기존 방법들보다 우수한 성능을 달성함을 보여준다. 이러한 결과는 샘플링 스케줄러가 클래스 불균형 문제를 해결하고 EEG 기반 발작 탐지의 성능을 향상시킬 잠재력이 있음을 시사한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.