Multi-Scale EEG Feature Extraction with Attention Mechanism for Seizure Detection

뇌전도(EEG) 데이터의 모델링은 높은 차원성과 시간 및 공간 전반에 걸쳐 나타나는 복잡한 패턴으로 인해 여전히 도전적인 과제이다. EEG 데이터의 특성상 미세한 세부 정보와 전역적 맥락을 동시에 포착할 수 있는 모델이 요구된다. 본 논문에서는 원시 EEG 신호로부터 유용한 표현을 직접 학습하기 위해 다중 규모의 시간적 및 공간적 특징 추출과 어텐션 메커니즘을 통합한 딥러닝 프레임워크를 제안한다. 이러한 설계를 통해 어텐션 메커니즘을 활용하여 장기 의존성을 포착하는 동시에, 다중 규모의 합성곱 계층을 사용하여 시간적 역학 관계와 공간적 연관성을 효과적으로 모델링할 수 있다. CHB-MIT 두피 EEG 데이터셋에 대한 광범위한 실험은 제안된 접근법이 발작 탐지 성능 측면에서 효과적이며, 실제 임상 적용에 대한 높은 잠재력을 가지고 있음을 보여준다.