본 연구는 뇌전증 관리에서 발작 감지 및 예측을 지원하기 위해 기계 학습을 활용하는 새로운 접근 방식을 제안합니다. 실시간 발작 감지 및 예측을 통합하여 발작 시작 전 징후를 포착하는 것을 목표로 합니다. CHB-MIT Scalp EEG 데이터베이스를 사용하여 K-최근접 이웃, 로지스틱 회귀, 랜덤 포레스트, 서포트 벡터 머신과 같은 다양한 기계 학습 알고리즘을 통한 발작 감지를 수행하고, 롱 숏텀 메모리(LSTM) 네트워크를 사용하여 발작을 예측했습니다. 로지스틱 회귀는 90.9%의 탐지 정확도와 89.6%의 재현율을 달성했으며, LSTM 모델은 89.26%의 예측 정확도를 보였습니다. 이러한 결과는 발작 발생 전에 이를 예측하여 보다 적극적인 관리 접근 방식을 가능하게 함을 보여줍니다.
