한국정보처리학회:학술대회논문집 (Annual Conference of KIPS)

한국정보처리학회 (Korea Information Processing Society)
권호 표지
DOI QR코드

DOI QR Code

MIT-BIH Database 를 활용한 Wavelet 기반 ECG 특징 추출과 CNN 을 이용한 부정맥 분류: 개선된 접근 방법

Wavelet-Based ECG Feature Extraction and CNN for Arrhythmia Classification: An Enhanced Approach Using MIT-BIH Database

  • 조윤서 (숭실대학교 컴퓨터공학과(GFI) ) ;
  • 정훈기 (숭실대학교 컴퓨터공학과(GFI) ) ;
  • 오승주 (명지전문대학교 정보통신공학과 ) ;
  • 송하윤 (홍익대학교 컴퓨터공학과 )
  • YunSeo Jo (Dept. of Computer Science and Engineering, Sooongsil University(GFI)) ;
  • HunGi Jung (Dept. of Computer Science and Engineering, Sooongsil University(GFI)) ;
  • SeungJu Oh (Dept. of Information Technology and Communication, MyongGji College) ;
  • HaYoon Song (Dept. of Computer Science and Engineering, Hongik University)
  • 발행 : 2024.10.31
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

부정맥은 심각한 합병증을 초래할 수 있는 심장 질환으로, 조기 진단이 중요하다. 본 연구는 부정맥 진단의 자동화를 위해 Wavelet 변환과 합성곱 신경망(CNN)을 결합한 새로운 접근 방법을 제안한다. MIT-BIH Arrhythmia Database 와 P-Wave Annotations 를 사용하여 ECG 신호에서 QRS complex 와 P-wave 를 동시에 검출하는 전처리 방법을 개발하였다. Wavelet 변환 기반 전처리와 다양한 ECG 특징 추출 기법 결합한 1 차원 CNN 모델을 적용한 결과, 93%의 전체 정확도와 평균 0.9906 의 AUC 점수를 달성하였으며, 특히 심실 부정맥에 대해 96.8%의 높은 재현율을 보였다. 이는 현재 임상에서 사용되는 많은 자동화된 ECG 분석 시스템들의 miss reading 확률(10-15%)보다 낮은 7%의 miss reading 확률을 나타낸다. 본 연구는 ECG 데이터의 효율적인 해석과 부정맥의 조기 진단 가능성을 입증하였으며, 임상 현장에서의 적용 가능성을 제시한다. 향후 연구에서는 다양한 데이터셋 검증과 실시간 처리 능력 평가를 통해 실제 임상 환경에서의 적용성을 높일 계획이다.

키워드

참고문헌

  1. Goldberger AL, Amaral LAN, Glass L, et al., "PhysioBank, PhysioToolkit, and PhysioNet: Components of a New Research Resource for Complex Physiologic Signals", Circulation, 101(23), e215-e220, 2000.  https://doi.org/10.1161/01.CIR.101.23.e215
  2. Schlapfer J, Wellens HJ, "Computer-interpreted electrocardiograms: benefits and limitations", Journal of the American College of Cardiology, 70(9), 1183-1192, 2017. https://doi.org/10.1016/j.jacc.2017.07.723
  3. Hannun AY, Rajpurkar P, Haghpanahi M, et al., "Cardiologist-level arrhythmia detection and classfications in ambulatory electrocardiograms using a deep neural network", Nature Medicine, 25(1), 65-69, 2019. https://doi.org/10.1038/s41591-018-0268-3
  4. Addsion PS, "Wavelet transforms and the ECG: a review", Physiological Measurement, 26(5), R155-R199, 2005. https://doi.org/10.1088/0967-3334/26/5/R01
  5. Kiranyaz S, Ince T, Gabbouj M, "Real Time Patient Specific ECG Classification by 1-D Convolutional Neural networks", IEEE Trancactions on Biomedical Engineering, 63(3), 665-675, 2016. https://doi.org/10.1109/TBME.2015.2468589
  6. Karpagachelvi S, Arthanari M, Sivakumar M, "ECG Feature Extraction Techniques - A Survey Approach", International Journal of Computer Science and Information Security, 8(1), 76-80, 2010.