• 한국지능시스템학회논문지
• /
• 제16권3호
• /
• pp.378-382
• /
• 2006

본 논문은 가중 퍼지소속함수 기반 신경망(neural network with weighted fuzzy membership functions, NEWFM)을 이용하여 심전도(ECG) 신호로부터 조기심실수축(premature ventricular contractions, PVC)을 자동 탐지하는 방안을 제시하고 있다. NEWFM은 MIT-BIH 데이터베이스의 부정맥 심전도를 웨이블릿 변환(wavelet transform, WT)한 계수로부터 학습하여 정상 파형과 PVC 파형을 구분한다. 비중복면적 분산 측정법을 적용하여 중요도가 가장 높은 계수 2개를 추출하여 분류규칙을 최소화하였고, 이를 사용하여 99.90%의 PVC 분류성능을 나타내었다. 또한 추출된 두 계수의 R파를 기준으로 한 위치를 제시함으로써 두 위치의 정보만으로 PVC를 탐지할 수 있음을 보여주었다.

• 대한전기학회:학술대회논문집
• /
• 대한전기학회 2007년도 제38회 하계학술대회
• /
• pp.1924-1925
• /
• 2007

본 논문에서는 부정맥 판별을 위한 전처리 과정으로 PCA, LDA, ICA를 바탕으로 하여 정확도를 비교하여 보았다. 각각의 전처리는 고유의 특성을 가지고 있으며 본 논문의 목적은 부정맥 판별상 어떤 전처리가 더욱 정확성의 면에서 효과적인지를 알아보는 것이다. 본 논문의 데이터는 MIT-BIH에 기반하고 있으며, Beat의 분류는 정상(Normal), 좌각차단(Left Bundle Branch Block, LBBB), 우각차단(Right Bundle Branch Block, RBBB), 조기심실수축(Premature Ventricular Contraction, PVC), 조기심방수축(Atrial Premature Beat, APB), paced Beat, 심실보충수축(Ventricular Escape Beat)로 나누었다. 실험적 결과는 PCA-BPNN의 경우 95.53%, ICA-BPNN의 경우 93.95%, LDA-BPNN의 경우 96.42%로 LDA가 가장 ECG 부정맥 판별 응용에 있어 가장 효율적인 방법으로 나타났다.

• 한국정보전자통신기술학회논문지
• /
• 제1권3호
• /
• pp.21-26
• /
• 2008

본 연구에서는 심장 부정맥의 조기증상인 조기심실수축(premature ventricular contraction, PVC)을 검출하기 위하여 심전도 신호로부터 하강 기울기 추적파(descending slope tracing wave, DSTW)와 Form Factor(FF)를 추출하였으며 효율적인 방법을 찾기 위해 두 가지 특징을 이용한 결과를 비교하였다. 우선 심전도의 정확한 R파의 위치를 검출하기 위하여 2차 미분과 하강 기울기 추적파를 적용하였으며, 이 PVC검출법을 검증하기 위하여 MIT/BIH 데이터베이스에서 PVC를 포함한 심전도를 대상으로 위 방법을 적용하여 검출 방법과 비교하여 그 효용성을 확인하였다.

• 대한전자공학회:학술대회논문집
• /
• 대한전자공학회 2009년도 정보 및 제어 심포지움 논문집
• /
• pp.393-395
• /
• 2009

심장의 활성 근육의 움직임에 의하여 발생되는 전기적 변화량을 나타내는 심전도는 부정맥 또는 허혈성 심장질환을 진단하는데 널리 활용되고 있다. 특히 심실빈맥(Ventricular Tachycardia) 또는 심실세동(Ventricular Fibrillation)과 같이 치명적인 심장리듬이 발생하기 이전에, 심실조기수축(Ventricular Premature Contraction)을 검출하여 생명을 위협할 수 있는 부정맥을 조기에 진단할 수 있는 연구들이 일부 진행되고 있다. 이에 따라서 본 연구에서는 심전도 신호의 R-R 간격 정보와 R-peak 정보의 진위성을 판단하여 PVC 부정맥 패턴뿐만 아니라 PVC 파형이 연속적으로 진행되는 PVC-RUNs을 효율적으로 검출할 수 있는 부정맥 진단 알고리즘을 제안하고자 하였다.

• 한국정보통신학회논문지
• /
• 제22권2호
• /
• pp.233-242
• /
• 2018

조기심실수축(Premature Ventricular Contraction) 분류를 위한 기존 연구들은 분류의 정확성을 높이기 위해 신경망, 퍼지 이론, Support Vector Machine 등과 같은 비선형 방법이 주로 사용되어 왔다. 이러한 대부분의 방법들은 데이터의 가공 및 연산이 복잡하다. 이러한 문제점을 극복하기 위해서 최적의 R파를 검출하고 이를 통해 R피크 기반의 특징점만을 정확하게 검출함으로써 최소한의 연산량으로 PVC를 분류할 수 있는 알고리즘이 필요하다. 따라서 본 연구에서는 전처리를 통해 잡음이 제거된 심전도 신호에서 최적 문턱치에 따른 R파를 검출하고, RR간격과 R피크 패턴을 추출한다. 이후 RR간격과 R피크 패턴에 따라 PVC를 분류하였다. 제안한 방법의 우수성을 입증하기 위해 PVC가 30개 이상 포함된 MIT-BIH 9개의 레코드를 대상으로 한 R파의 평균 검출율은 99.02%의 성능을 나타내었으며, PVC 부정맥은 각각 94.85%의 평균 분류율을 나타내었다.

• 한국정보통신학회논문지
• /
• 제13권11호
• /
• pp.2391-2398
• /
• 2009

조기심실수축(Premature Ventricular Contractions, PVC)은 부정 맥 중 가장 빈번히 나타나는 심장질환으로 위험한 상황으로 발전할 가능성을 가지고 있다. 따라서 이의 검출은 심장질환에 대한 예방과 추후 발생여부에 대한 기초조사로서 매우 중요하다. 지금까지 PVC를 검출하는 많은 방법이 연구되어 왔으나 기존의 방법들은 잡음의 영향을 많이 받고 P파의 존재 유무에 의존적이기 때문에 검출의 정확도가 떨어지며, 처리시간이 많이 소요되기 때문에 실시간 검출에는 많은 어려움이 따른다. 이러한 문제점을 극복하기 위해 본 논문에서는 리듬분석과 비트매칭을 통한 PVC검출 방법을 제안한다. 이를 위해 전처리 과정 후 R 파를 검출하고, RR 간격의 리듬분석과 QRS 폭간격의 비트 매칭을 통해 비트 유형을 결정하는 알고리즘을 개발하였다. 제안한 알고리즘의 R파 및 PVC 검출 성능을 평가하기 위해 MIT-BIH 부정맥 데이터베이스를 사용하였다. 성능평가 결과, R파의 sensitivity는 99.74%, positive predictivity는 99.81%, PVC의 sensitivity는 93.91%, Positive predictivity는 96.48%의 검출 결과를 나타내었다.

• 한국멀티미디어학회논문지
• /
• 제12권3호
• /
• pp.451-459
• /
• 2009

본 논문은 심전도(ECG) 신호로부터 조기심실수축(PVC)을 자동 탐지하는 방법으로 이산 웨이블릿 변환과 퍼지 신경망을 이용하는 방안을 제시하고 있다. 심전도 신호를 이산 웨이블릿 변환(DWT)으로 특징을 추출한 후, 퍼지 신경망으로 학습하여 정상 비트와 PVC 비트를 분류한다. 윈도우 크기는 R파를 기준으로 $-31/360{\sim}+32/360$초를 사용하며, 웨이블릿 변환은 d3, d4, d5의 웨이블릿 계수 14개를 사용한다. 퍼지 신경망은 가중 퍼지소속함수 기반 신경망을 사용한다. 본 논문은 벤치마킹 데이터로 MIT-BIH 부정맥 데이터베이스를 사용하여 Shyu 실험군(7개 레코드)에서는 전체 분류율에서 97.04% 보다 높은 99.91%의 신뢰성 있는 결과를 나타내었고, Inan 실험군(40개 레코드)에서는 각각 SE는 82.57% 보다 높은 84.67%, SP는 98.33% 보다 높은 99.39%, 전체 분류율은 96.85% 보다 높은 98.01%의 신뢰성 있는 결과를 나타내었다.

• 한국정보통신학회논문지
• /
• 제23권12호
• /
• pp.1542-1550
• /
• 2019

부정맥 분류를 위한 기존 연구들은 분류의 정확성을 높이기 위해 신경회로망(Artificial Neural Network), 퍼지(Fuzzy), 기계학습(Machine Learning) 등을 이용한 방법이 연구되어 왔다. 특히 딥러닝은 신경회로망의 문제인 은닉층 개수의 한계를 해결함으로 인해 오류 역전파 알고리즘을 이용한 부정맥 분류에 가장 많이 사용되고 있다. 딥러닝 모델을 심전도 신호에 적용하기 위해서는 적절한 모델선택과 파라미터를 최적에 가깝게 선택할 필요가 있다. 본 연구에서는 심실 조기 수축 비트 검출을 위한 딥러닝 기반의 최적 파라미터 검출 방법을 제안한다. 이를 위해 먼저 잡음을 제거한 ECG신호에서 R파를 검출하고 QRS와 RR간격 세그먼트를 추출하였다. 이후 딥러닝을 통한 지도학습 방법으로 가중치를 학습시키고 검증데이터로 모델을 평가하였다. 제안된 방법의 타당성 평가를 위해 MIT-BIH 부정맥 데이터베이스를 통해 각 파라미터에 따른 딥러닝 모델로 훈련 및 검증 정확도를 확인하였다. 성능 평가 결과 R파의 평균 검출 성능은 99.77%, PVC는 97.84의 평균 분류율을 나타내었다.

• 한국정보통신학회논문지
• /
• 제20권2호
• /
• pp.427-436
• /
• 2016

일반적으로 QRS간격은 시작점을 기준으로 끝점까지의 간격을 말하지만 그 기준이 모호하고 Q와 S의 검출이 정확하지 않아 부정맥 분류 성능을 저하시키는 경우가 발생한다. 본 연구에서는 심전도신호 중 가장 큰 피크인 R파를 정확히 검출한 후 이를 기준으로 위상 변이 추적 기법을 적용하여 Q와 S의 시작점과 끝점을 추출하는 방법을 제안한다. 먼저 전처리 과정을 통해 잡음이 제거된 정확한 R파를 검출한다. 이후 심전도신호의 미분값을 통해 QRS패턴을 분류하고, R파를 기준으로 위상이 변화되는 방향과 횟수를 추적함으로써 Q, S의 시작점과 끝점을 추출하는 방법이다. 제안한 방법의 우수성을 입증하기 위해 MIT-BIH 부정맥 데이터베이스 48개의 레코드를 대상으로 R파 검출율은 99.60%의 성능을 나타내었고, 위상 변이 추적 기법의 경우 조기심실수축(PVC)이 30개 이상 포함된 MIT-BIH 10개의 레코드를 대상으로 조기심실수축 분류율을 각각 비교 분석한 결과 94.12%로 우수하게 나타났다.

• 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.