• 한국정보통신학회논문지
• /
• 제14권1호
• /
• pp.16-22
• /
• 2010

심전도 신호 분석 및 부정맥 분류는 환자를 진단하고 치료하는데 중요한 역할을 한다. 부정맥은 맥박이 불규칙한 상태로 심실빈맥(VT)이나 심실세동(VF) 환자에게 심각한 위협이 될 수 있다. 심방조기수축(APC)과 상심실성빈맥(SVT), 심실조기수축(PVC)은 심실빈맥(VT)만큼 치명적이지는 않지만 심장질환을 진단하는데 중요한 부정맥이다. 본 논문은 2~3개의 부정맥 분류만을 고려한 기존의 방법을 극복하고 다양한 부정맥을 분류하기 위한 새로운 방법을 제시한다. 심전도 신호의 특징 추출을 위해서 EMD 방법으로 신호를 분해하여 IMFs를 얻는다. 입력 데이터의 양은 분류기 성능에 영향을 미치므로 신호 데이터의 차원을 감소시키기 위해 Burg 알고리즘을 IMFs에 적용하여 AR 계수를 구하고 여러 개의 이진 분류기를 결합한 다중 클래스 SVM의 입력으로 사용한다. 최적의 SVM 성능 파라미터를 선택하고 부정맥 분류에 적용한 결과 검출의 정확성은 96.8%~99.5%였다. 실험 결과는 제안한 EMD 방법에 의한 전처리 및 특징 추출과 다중 클래스 SVM에 의한 부정맥 분류의 유용성을 보여준다.

• 대한전기학회:학술대회논문집
• /
• 대한전기학회 2008년도 학술대회 논문집 정보 및 제어부문
• /
• pp.195-196
• /
• 2008

ECG 기반의 부정맥 자동 분류에 관한 연구는 지난 수십 년간 다양한 방법으로 연구되어 왔다. 많은 연구들이 부정맥을 구별해 낼 수 있는 특징 벡터를 찾아내기 위해 연구하였으나, 피험자의 ECG 특징이 각기 다르기 때문에 부정맥으로 인한 차이와 개인 간 차이를 구별하기 어려웠다. 생체데이터는 그 특성상 서로 다른 특징을 갖고 있으며, 다양한 특징을 가진 사람들에게 적용하기 위한 범용성과 부정맥 검출의 정확성 사이에 교환적 관계를 갖게 된다. 특히 ECG 데이터의 경우 사람 식별 데이터로 사용하고자 하는 연구가 있을 정도로 개인 간 편차가 분명하다. wavelet 분석방법은 다양한 mother wavelet을 사용할 수 있다는 점을 큰 장점으로 가지고 있으며, wavelet parameterization 기법을 사용하여 임의의 직교 wavelet basis를 발생시킬 수 있다. 본 논문은 wavelet parameterization을 사용하여 개인 간의 ECG 파형의 차이를 상쇄시키고, 부정맥의 차이만을 부각시킴으로써 ECG 기반의 부정맥 자동 분류 성능을 높이고자 하는데 목적이 있다.

• 한국컴퓨터정보학회논문지
• /
• 제18권8호
• /
• pp.131-139
• /
• 2013

본 논문에서는 먼저 심전도 진단을 위한 처리 과정별 관련 연구내용을 살펴본 후 심전도 신호의 리듬 특징을 이용하여 부정맥을 검출 및 분류하는 방법을 제안한다. 특징 추출에서는 리듬 구간에 대하여 동일성 및 규칙성 등의 리듬 및 심박 분포에 관련되는 특징을 추출하게 되며, 리듬 분류에서는 리듬 구간의 특징에 대하여 미리 구축된 규칙 베이스를 이용하여 리듬 유형을 분류하게 된다. MIT-BIH 부정맥 데이터베이스의 모든 리듬 유형에 대한 실험을 통하여 정상 리듬 규칙만으로도 100% 부정맥 검출 성능을 보였으며, 부정맥 리듬 규칙으로는 유형 분류 적용 가능성을 확인하였다.

• 한국정보통신학회논문지
• /
• 제23권2호
• /
• pp.117-126
• /
• 2019

부정맥 분류를 위한 기존 연구들은 분류의 정확성을 높이기 위해 신경망, 퍼지, 시계열 주파수 분석, 비선형 분석법 등이 연구되어 왔다. 이러한 방법들은 분류율를 향상시키기 위해 정확한 특징점과 많은 양의 신호를 처리해야 하기 때문에 데이터의 가공 및 연산이 복잡하며, 다양한 부정맥을 분류하는데 어려움이 있다. 본 연구에서는 AR(Auto Regressive) 모델링 기반의 특징점 추출과 SVM(Support Vector Machine)을 통한 조기수축 부정맥 분류 방법을 제안한다. 이를 위해 잡음을 제거한 ECG 신호에서 R파를 검출하고 QRS와 RR 간격의 특정 파형 구간을 모델링하였다. 이후 최적 세그먼트 길이(n1, n2), 최적 차수( p1, p2)의 4가지 AR 모델링 변수를 추출하고 SVM을 통해 Normal, PVC, PAC를 분류하였다. 연구의 타당성을 입증하기 위해 MIT-BIH 부정맥 데이터베이스를 대상으로 한 R파의 평균 검출 성능은 99.77%, Normal, PVC, PAC 부정맥은 각각 99.23%, 97.28, 96.62의 평균 분류율을 나타내었다.

• 한국정보통신학회논문지
• /
• 제24권10호
• /
• pp.1341-1347
• /
• 2020

부정맥 분류를 위한 기존 연구들은 분류의 정확성을 높이기 위해 신경회로망(Artificial Neural Network), 기계학습(Machine Learning) 등을 이용한 방법이 연구되어 왔다. 특히 딥러닝은 신경회로망의 문제인 은닉층 개수의 한계를 해결함으로 인해 인공 지능 기반의 부정맥 분류에 많이 사용되고 있다. 본 연구에서는 AR 기반의 특징점 추출과 딥러닝을 통한 부정맥 분류 방법을 제안한다. 이를 위해 먼저 잡음을 제거한 ECG 신호에서 R파를 검출하고 자기 회귀 모델을 통하여 최적의 QRS와 RR간격을 추출하였다. 이후 딥러닝을 통한 지도학습 방법으로 가중치를 학습시키고 부정맥을 분류하였다. 제안된 방법의 타당성 평가를 위해 MIT-BIH 부정맥 데이터베이스를 통해 각 파라미터에 따른 훈련 및 분류 정확도를 확인하였다. 성능 평가 결과 PVC는 약 97% 이상의 평균 분류율을 나타내었다.

• 한국정보통신학회논문지
• /
• 제24권1호
• /
• pp.37-43
• /
• 2020

최근 심전도 (ECG) 신호를 사용하여 심장병을 진단하는 많은 연구가 이루어지고 있다. 이러한 심전도 신호는 비정상적인 심장 상태를 나타내는 부정맥을 모니터링하고 진단하는 데 유용하게 쓰인다. 본 논문에서는 1차원 합성곱 신경망을 사용하여 ECG 신호에 대하여 부정맥을 분류하는 시스템을 제안한다. 제안하는 신경망 알고리즘은 부정맥 신호의 특징을 세밀하게 추출하도록 4개의 합성곱 계층으로 구성하고 매개변수를 최적화하도록 설계되었다. MIT-BIH 부정맥 데이터베이스에 대해 학습한 신경망은 시뮬레이션을 통해 99% 이상의 정확도의 분류 성능을 가진다는 것을 보여준다. 비교적 합성곱 커널의 개수가 많을수록 ECG 신호의 특성을 더 잘 나타내기 때문에 좋은 성능을 나타내는 것으로 분석되었다. 또한 제안된 신경망을 활용한 실제 시스템을 구현하여 실시간으로 부정맥을 분류하는 결과를 검증하였다.

• 한국정보통신학회논문지
• /
• 제26권1호
• /
• pp.76-84
• /
• 2022

부정맥은 심장 박동이 비정상 혹은 불규칙하게 뛰고 있는 상태를 말하며, 실신이나 심장돌연사 등과 같은 위험한 상황을 유발할 수 있기 때문에 이의 조기 검출은 매우 중요하다. 하지만 심전도 신호의 개인차로 인해 분류 시 성능하락이 나타날 수밖에 없다. 본 연구에서는 CNN-LSTM 하이브리드 결합 모델을 이용한 부정맥 분류 방법을 제안한다. 이를 위해 먼저 잡음을 제거한 ECG 신호에서 R파를 검출하고 단일 비트 세그먼트를 추출하였다. 이후 부정맥 신호의 특징을 세밀하게 추출하도록 8개의 합성곱 계층으로 구성하고 이를 LSTM의 입력으로 사용한 후 가중치를 학습시키고 검증 데이터로 모델을 평가한 후 정상 및 부정맥 분류의 변화를 확인하였다. 제안한 방법의 타당성 검증을 위해 MIT-BIH 부정맥 데이터베이스를 사용하여 정확도(accuracy), 정밀도(precision), 재현율(recall), F1 스코어가 사용되었다. 성능평가 결과, 정확도, 정밀도, 재현율, F1 스코어는 각각 92.3%, 90.98%, 92.20%, 90.72%의 우수한 분류율을 나타내었다.

• 한국정보통신학회논문지
• /
• 제26권10호
• /
• pp.1490-1499
• /
• 2022

부정맥이란 심장이 불규칙한 리듬이나 비정상적인 심박동수를 갖는 것을 말하며, 뇌졸중, 심정지 등을 유발하거나 사망에도 이를 수 있는 만큼, 조기 진단과 관리가 무엇보다 중요하다. 본 연구에서는 심전도 신호의 QRS 특징 추출에 적합한 CNN과 기존 LSTM의 직전 패턴의 수렴 한계를 해결할 수 있는 BLSTM을 연결한 CNN-BLSTM 결합 모델을 이용한 부정맥 분류 방법을 제안한다. 이를 위해 먼저 전처리 과정을 통해 잡음을 제거한 심전도 신호에서 QRS 특징점을 검출하고 단일 비트 세그먼트를 추출하였다. 이때 데이터의 불균형 문제를 해결하기 위해 GAN 오버샘플링 기법을 적용하였다. 이 후 합성곱 계층을 통해 부정맥 신호의 패턴을 정밀하게 추출하도록 구성하고 이를 BLSTM의 입력으로 사용한 후 매개변수를 학습시키고 검증 데이터로 학습 모델을 평가한 후 부정맥 분류의 정확도를 확인하였다. 제안한 방법의 우수성을 입증하기 위해 MIT-BIH 부정맥 데이터베이스를 이용하여 분류의 정확도, 정밀도, 재현율, F1-score를 비교하였다. 성능평가 결과 각각 99.30%, 98.70%, 97.50%, 98.06%로 우수한 분류율을 나타내는 것을 확인할 수 있었다.

• 인터넷정보학회논문지
• /
• 제10권5호
• /
• pp.107-116
• /
• 2009

본 논문에서는 심전도 신호로부터 부정맥을 진단하는 방법으로 심박수 변이도와 퍼지 신경망을 이용하는 방안을 제시하고 있다. 제안한 부정맥 진단 알고리즘은 32개 RR 간격의 심박수 변이도, 즉 평균 25초 내외의 심박수 변화를 이용하여 부정맥을 진단하는 알고리즘이다. 부정맥 진단 알고리즘은 32개 RR 간격을 이용하여, 통계적 특징 6개를 추출한 후, 가중 퍼지소속함수 기반 신경망으로 학습하여 정상 구간과 부정맥 구간을 분류한다. 부정맥 진단 알고리즘은 Tsipouras 논문군(48개 레코드)에서 SE와 SP 각각 80% 이하의 성능을 보이는 기존연구와는 달리, SE는 88.75%, SP는 82.28%, 전체 분류율은 86.31%의 신뢰성 있는 결과를 나타낸다.

• 한국전자통신학회논문지
• /
• 제7권4호
• /
• pp.727-732
• /
• 2012

본 논문은 DCT, DWT와 역전파 신경망을 이용하여 MIT-BIH 부정맥 데이터베이스의 심전도 신호로부터 정상파와 부정맥 분류를 제안하였다. 역전파 신경망에 사용할 특징입력을 추출하기 위해 첫 번째 단계에서는 DCT 변환을 이용하여 15개의 계수를 선택하였다. 두 번째 단계에서는 DWT 변환 후 각 detail 계수들의 최대값, 최소값, 평균, 분산, 표준편차를 추출하였다. 역전파 신경망은 55개의 특징입력을 이용하여 정상파와 부정맥 파형을 분류하였고, 98.8%의 분류 성능을 나타냈다.