• Proceedings of the Korean Information Science Society Conference
• /
• 2010.06c
• /
• pp.230-234
• /
• 2010

심전도는 가장 일반화되어 있는 생체신호의 하나이다. 심전도를 측정하여 심장병의 유무와 여러 질환들을 예측하고 예방할 수 있다. 심전도 신호를 추출 하는 방법에는 여러 방법이 있는데, 본 논문에서 활용한 두 논문은 계층적인 분류로 HOS, HBF, HMH 세 방법으로 실험을 하였고, 적응가변형 윈도우를 이용한 R파 추출을 실행하였다. 두 논문은 공통적으로 MIT-BIH Arrhythmias Database(MIT-BIT 부정맥 데이터베이스)를 데이터로 실험 하였으며, 알고리즘으로는 SVM, Cross-Validation등을 사용하였다. 마지막으로 두 논문의 실험결과를 바탕으로 정확도를 높일 수 있는 효과적인 알고리즘 연구를 제안하였다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2011.11a
• /
• pp.1399-1402
• /
• 2011

본 논문에서는 조기 심실 수축과 조기 심방 수축을 검출함에 있어 정밀한 QRS 구간의 폭, 정확한 P파와 T파의 크기 및 위치를 크게 요구하지 않고, 데이터의 가공과 복잡한 알고리즘의 사용에 의해 발생하는 ECG 데이터의 변형과 손실을 최소화할 수 있으며, 또한 개인차 때문에 발생할 수 있는 오류를 최소화하기 위한 알고리즘을 제안한다. 이를 위해 ECG 신호를 각각의 단위 파형으로 분리한 후, 정상 R-R 간격을 가지는 파형을 기준으로 기준파형을 만들어, 각 파형과 기준파형사이의 패턴 대조 및 유사도 분석을 통해 조기 심실수축과 조기심방수축을 검출할 수 있도록 하였다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2019.05a
• /
• pp.246-249
• /
• 2019

심전도는 심장운동으로 미세하게 변하는 심장의 전위차를 신체외부의 피부에서 측정한 것으로 최근 의료, 금융, 보안, 오락 등 서비스에서 기존의 생체신호시스템의 대안으로 많은 연구가 되고 있다. 기존 서비스로서 개인인식, 개인인증, 부정맥인식, 행동인식, 심방세동 검출 등은 근본적으로 심전도를 분류하는 기술이고 또한 최근 딥러닝이 여러 분야에서 두드러진 성능들이 보고되었기 때문에 딥러닝을 이용한 심전도 분석도 많은 연구가 되고 있다. 따라서 본 논문은 딥러닝기반 심전도 분류의 국내외 동향분석을 한다.

• Journal of the Korean Institute of Intelligent Systems
• /
• v.16 no.3
• /
• pp.378-382
• /
• 2006

This paper presents an approach to detect premature ventricular contractions(PVC) using the neural network with weighted fuzzy membership functions(NEWFM). NEWFM classifies normal and PVC beats by the trained weighted fuzzy membership functions using wavelet transformed coefficients extracted from the MIT-BIH PVC database. The two most important coefficients are selected by the non-overlap area distribution measurement method to minimize the classification rules that show PVC classification rate of 99.90%. By Presenting locations of the extracted two coefficients based on the R wave location, it is shown that PVC can be detected using only information of the two portions.

• Journal of the Korea Institute of Information and Communication Engineering
• /
• v.22 no.2
• /
• pp.233-242
• /
• 2018

Previous works for detecting arrhythmia have mostly used nonlinear method such as artificial neural network, fuzzy theory, support vector machine to increase classification accuracy. Most methods require higher computational cost and larger processing time. Therefore it is necessary to design efficient algorithm that classifies PVC(premature ventricular contraction) and decreases computational cost by accurately detecting feature point based on only R peak through optimal R wave. For this purpose, we detected R wave through optimal threshold value and extracted RR interval and R peak pattern from noise-free ECG signal through the preprocessing method. Also, we classified PVC in realtime through RR interval and R peak pattern. The performance of R wave detection and PVC classification is evaluated by using 9 record of MIT-BIH arrhythmia database that included over 30. The achieved scores indicate the average of 99.02% in R wave detection and the rate of 94.85% in PVC classification.

• Mineral and Industry
• /
• v.21 no.1
• /
• pp.56-66
• /
• 2008

이 동향자료는 Geoscience Australia에서 2001년 발간한 "Geoscience Australia Mineral Resources Report No.1"과 역시 동 기관에서 2007년 발행한 "Australia's Identified Mineral Resources 2007" 중 일부 내용을 발췌하여 정리 한 것으로서 요약하면 다음과 같다. OECD/NEA와 IAEA(2000)는 세계적으로 분포하는 우라늄 광상유형을 지질학적인 형성환경에 따라 15개 유형으로 분류하였으며 호주에서는 각력복합형, 부정합형, 사암형, 지표형, 변성교대형, 변성형, 화산형, 관입형 및 맥상형이 보고되어 있다. 유형별 자원량은 각력복합형, 부정합형 및 사암형 3개 유형 광상이 약 93%를 차지하며, 각력복합형광상의 자원량이 63%에 달한다. 현재 개발되는 광상은 각력복합형의 올림픽댐 광산, 부정합형인 레인저 광산 및 사암형인 베벌리 광산이다. 호주는 세계 총 우라늄 자원량의 27%를 보유하고 있어 세계 1위를 차지한다. 올림픽댐광상이 항내채광을 하는 우라늄 광산으로서는 세계에서 가장 큰 광상으로서 US$80 이하에서 회수가능한 RAR(적정확정자원량)이 476,000톤이다. 이 자원량은 세계 총 자원량의 18%를 차지하며, 단일 광산으로서는 세계최대규모이다. 2006년 호주의 우라늄 총생산량은 $U_3O_8$ 8,943톤(7,584톤 U)이며 이는 세 광산에서 생산된 양으로서 캐나다에 이어 두 번째로 많은 양(세계 생산량의 19%)이다. 2006년 우라늄 수출량은 $U_3O_8$ 8,660톤(7,344톤 U)이며 수출가는 호주달러 5억2천9백만불에 달한다. 호주는 우라늄 수출국들과 "원자력협력협약"을 맺어 평화적 목적을 위해서만 공급한다는 단서를 달고 있으며 IAEA에 의해 관리/감독되고 있다. 최근 호주 정부는 지구과학연구소에 많은 예산을 투여하여 육상에너지안전대책을 발의하여 자원개발에 요구되는 탐사자료 확보에 주력하고 있다.

• Journal of the Korea Institute of Information and Communication Engineering
• /
• v.19 no.1
• /
• pp.192-200
• /
• 2015

Several algorithms have been developed to classify arrhythmia which rely on specific ECG(Electrocardiogram) database. Nevertheless personalized difference of ECG signal exist, performance degradation occurs because of carrying out diagnosis by general classification rule. Most methods require accurate detection of P-QRS-T point, higher computational cost and larger processing time. But it is difficult to detect the P and T wave signal because of person's individual difference. Therefore it is necessary to classify the pattern by analyzing personalized ECG signal and extracting minimal feature. Thus, QRS pattern Analysis of personalized ECG Signal by Q, R, S peak variability is presented in this paper. For this purpose, we detected R wave through the preprocessing method and extract eight feature by amplitude and phase variability. Also, we classified nine pattern in realtime through peak and morphology variability. PVC, PAC, Normal, LBBB, RBBB, Paced beat arrhythmia is evaluated by using 43 record of MIT-BIH arrhythmia database. The achieved scores indicate the average of 93.72% in QRS pattern detection classification.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2023.05a
• /
• pp.630-632
• /
• 2023

어텐션 메커니즘은 딥 뉴럴네트워크에 결합하여 언어 생성 모델에서 성능을 개선하였고, 이러한 성공은 다양한 신호처리 분야에 응용 및 확장되고 있다. 특정 입력 신호 부분에 선택적으로 집중함으로써, 어텐션 모델은 음성 인식, 이미지와 비디오 처리, 그리고 생체인식 등의 분야에서 더 높은 성능을 보여주고 있다. 어텐션 기반 모델은 심전도 신호를 이용한 개인식별 및 부정맥검출, 뇌파도 신호를 이용한 발작유형분류 및 수면 단계 분류, 근전도 신호를 이용한 제스처 인식 등에 사용되고 있다. 어텐션 메커니즘은 딥 뉴럴네트워크의 해석 가능성과 설명 가능성을 향상시키기 위해 사용되기도 한다. 신호 처리 분야에서의 어텐션 모델 연구는 지속적으로 진행 중이며, 다른 분야에서의 잠재력 탐구에 대한 관심이 높아지고 있다. 따라서 본 논문은 어텐션 메카니즘을 이용한 생체신호처리 연구 동향 분석을 수행한다.

• Journal of the Korea Society of Computer and Information
• /
• v.26 no.7
• /
• pp.29-36
• /
• 2021

In this paper, we classify ECG signal data for mobile devices using deep learning models. To classify abnormal heartbeats with high accuracy, three factors of the deep learning model are selected, and the classification accuracy is compared according to the changes in the conditions of the factors. We apply a CNN model that can self-extract features of ECG data and compare the performance of a total of 48 combinations by combining conditions of the depth of model, optimization method, and activation functions that compose the model. Deriving the combination of conditions with the highest accuracy, we obtained the highest classification accuracy of 97.88% when we applied 19 convolutional layers, an optimization method SGD, and an activation function Mish. In this experiment, we confirmed the suitability of feature extraction and abnormal beat detection of 1-channel ECG signals using CNN.

• Journal of Korea Society of Digital Industry and Information Management
• /
• v.12 no.4
• /
• pp.33-40
• /
• 2016

Previous works for detecting arrhythmia have mostly used nonlinear method to increase classification accuracy. Most methods require accurate detection of ECG signal, higher computational cost and larger processing time. But it is difficult to analyze the ECG signal because of various noise types. Also in the healthcare system based IOT that must continuously monitor people's situation, it is necessary to process ECG signal in realtime. Therefore it is necessary to design efficient algorithm that classifies different arrhythmia in realtime and decreases computational cost by extrating minimal feature. In this paper, we propose R wave detection considering complexity and arrhythmia classification based on binary coding. For this purpose, we detected R wave through SOM and then RR interval from noise-free ECG signal through the preprocessing method. Also, we classified arrhythmia in realtime by converting threshold variability of feature to binary code. R wave detection and PVC, PAC, Normal classification is evaluated by using 39 record of MIT-BIH arrhythmia database. The achieved scores indicate the average of 99.41%, 97.18%, 94.14%, 99.83% in R wave, PVC, PAC, Normal.