KIISE Transactions on Computing Practices (정보과학회 컴퓨팅의 실제 논문지)

Korean Institute of Information Scientists and Engineers (한국정보과학회)
권호 표지
DOI QR코드

DOI QR Code

A Search for Analogous Patients by Abstracting the Results of Arrhythmia Classification

부정맥 분류 결과의 축약에 기반한 유사환자 검색기

  • 박주영 (한양대학교 컴퓨터공학과) ;
  • 강경태 (한양대학교 컴퓨터공학과)
  • Received : 2015.03.17
  • Accepted : 2015.04.28
  • Published : 2015.07.15
⟨ Previous Next ⟩

Abstract

Long-term electrocardiogram data can be acquired by linking a Holter monitor to a mobile phone. However, most systems are designed to detect arrhythmia through heartbeat classification, and not just for supporting clinical decisions. In this paper, we propose an Abstracting algorithm, and introduce an analogous pateint search system using this algorithm. An analogous patient searcher summarizes each patient's typical pattern using the results of heartbeat, which can greatly simplify clinical activity. It helps to find patients with similar arrhythmia patterns, which can help in contributing to diagnostic clues. We have simulated these processes on data from the MIT-BIH arrhythmia database. As a result, the Abstracting algorithm provided a typical pattern to assist in reaching rapid clinical decisions for 64% of the patients. On an average, typical patterns and results generated by the abstracting algorithm summarized the results of heartbeat classification by 98.01%.

모바일 기기를 활용한 홀터 모니터링으로 환자의 개인별 심전도 신호의 장주기 수집이 가능해졌다. 하지만 이에 따른 의사 결정 지원 도구 및 응용에 대한 연구는 미흡한 실정이다. 본 논문에서는 장주기로 수집된 심전도 신호의 대표패턴을 추출하기 위한 축약 알고리즘을 제안한다. 그리고 추출된 대표패턴을 이용하여 유사한 환자의 목록을 제공하는 검색기를 소개한다. 사례분석을 통해 제안한 유사환자 검색기가 대표패턴을 통해 전문가의 임상활동을 간소화 하며, 유사한 환자의 목록을 제공하여 축적 데이터의 높은 활용 가능성을 제고함을 보였다. 또한, MIT-BIH 부정맥 데이터베이스를 이용한 평가에서, 축약 알고리즘이 64%의 레코드에 대해 단순화된 대표패턴을 제공하며, 부정맥 분류 결과를 평균 98% 축소함을 보였다.

Keywords

Acknowledgement

Grant : 실시간 자율복원 사이 버물리 시스템 기초 연구(고신뢰 CPS 연구센터)

Supported by : 정보통신기술연구진흥센터, 한국연구재단

References

  1. C. Ye, B. V. K. V. Kumar, and M. T. Coimbra, "Heartbeat classification using morphological and dynamic features of ECG signals," IEEE Trans. Biomedical Eng., Vol. 59, No. 10, pp. 2930-2941, Oct. 2012. https://doi.org/10.1109/TBME.2012.2213253
  2. P. de Chazal, M. O'Dwyer, and R. B. Reilly, "Automatic classification of heartbeats using ECG morphology and heartbeat interval features," IEEE Trans. Biomedical Eng., Vol. 51, No. 7, pp. 1196-1206, Jul. 2004. https://doi.org/10.1109/TBME.2004.827359
  3. M. Llamedo and J. P. Martinez, "Heartbeat classification using feature selection driven by database generalization criteria," IEEE Trans. Biomedical Eng., Vol. 58, No. 3, pp. 616-625, Mar. 2011. https://doi.org/10.1109/TBME.2010.2068048
  4. S. Gradl, P. Kugler, C. Lohmuller, and B. Eskofler, "Real-time ECG monitoring and arrhythmia detection using Android-based mobile device," Proc. of the 34th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, pp. 2452-2455, Aug.-Sept. 2012.
  5. G. B. Moody and R. G. Mark, "The impact of the MIT-BIH arrhythmia database," IEEE Eng. Med. Biol. Mag., Vol. 20, No. 3, pp. 45-50, May-Jun. 2001. https://doi.org/10.1109/51.932724
  6. E. S. Ristad and P. N. Yianilos, "Learning stringedit distance" IEEE Trans. Pattern Anal. Mach. Intell., Vol. 20, No. 5, pp. 522- 532, Aug. 2002.