• 대한의용생체공학회:의공학회지
• /
• 제20권6호
• /
• pp.573-581
• /
• 1999

청진에 의한 심음도법은 오래 전부터 진단에 이용되어 왔지만 심음 인식분야에서는 제 1심음, 제 2심음, 특정 판막의 운동과 같이 부분적 기능이나 동작 분석을 목적으로 심음의 일부 구간에 대한 인식 연구가 행하여졌을 뿐 심음 한 주기 전체를 대상으로 하는 심음 특징 인식에 대한 연구성과는 매우 미약하였다. 본 논문에서는 한 주기 동안의 전체 심음을 분석하여 파라메터를 추출하고 이를 이용하여 한 주기 심음 특성에 대한 인식방법을 제안하였다. 제안된 알고리즘은 시간영역에서 제 1심음과 제 2심 검출을 기반으로 한다. 알고리즘은 주요 구간을 추출하고 정점 위치, 구간 적분, 통계변수에 대한 분석을 통하여 심음을 분류한다. 심음을 정상, 수축초기 심잡음, 수축말기 심잡음, 이완 초기 심잡음, 이완 말기 심잡음, 연속적 심잡음으로 구분하였다. 시험 결과 평균 88% 의 평균 인식률을 얻어 제안된 알고리즘의 유용성을 확인하였다. 비정상 심음의 분류에 대한 오인식은 주로 수축초기의 심잡음인 경우로 나타났다.

• 한국음향학회지
• /
• 제26권4호
• /
• pp.144-152
• /
• 2007

기존의 심음분류를 위한 연구들은 인공신경망을 이용하여 주로 이루어졌다. 그러나 심음신호의 통계적 특성을 분석 한 결과 HMM의 의한 신호모델링이 적합한 것으로 나타났다. 본 연구에서는 다양한 질병을 나타내는 심음신호를 HMM을 이용하여 모델링 하고 인식성능이 심음신호의 클러스터링에 따라서 많이 좌우되는 것을 알 수 있었다. 또한 실제 환경에서의 심음신호는 그 시작과 끝나는 시점이 정해지지 않은 연속신호이다. 따라서 HMM을 이용한 심음분류를 위해서는 연속적인 심음신호로부터 한 사이클의 분할된 심음을 추출할 필요성이 있다. 일반적으로 수동분할은 분할오류를 발생시키며 실시간 심음인식에 적합하지 않으므로 분할과정이 필요치 않는 ergodic형 HMM을 변형하여 사용할 것을 제안하였다. 그리고 제안된 HMM은 연속심음을 이용한 분류실험에서 매우 높은 성능을 보임을 알 수 있었다.

• 전자공학회논문지SC
• /
• 제38권5호
• /
• pp.59-69
• /
• 2001

최근에 디지털 선호처리와 전자부품의 발달로 심음 분식에 관한 많은 연구가 진행되고 있다. 그러나 심음 인식, 특히 심음 한주기 전체에 대한 인식연구는 거의 없다. 본 논문에서 심음 전체 한주기에 대한 새로운 인식 방법을 제안하였다. 먼저 주성분 분석을 이용하여 훈련 셋트로 데이터베이스를 구축한다. 데이터베이스는 새로운 심음입력을 인식하는데 이용된다. 심음은 정상심음, 수축전 심잡음, 수축초기 심잡음, 수축 말기 심잡음, 이완 초기 심잡음, 이완 말기 심잡음， 연속적 심잡음으로 분류된다. 실험결과 새로운 인식 방법은 심음의 특징을 인식하는데 효과적이었다. 최대 인식률은 NO의 경우 71%, PS와 ES의 경우 80%, LS의 경우 78%, ED의 경우 87%, LD의 경우 60%, CM의 경우 20% 이었다. 현재의 결과가 실제적으로 심음을 인식하기에는 충분하지 못하였지만 선음 전체 주기를 대상으로 한 연구라는데 의의가 있으며 더 효과적인 데이터베이스를 구축함으로써 인식률을 개선할 수 있다.

• 한국음향학회지
• /
• 제29권2호
• /
• pp.133-140
• /
• 2010

연속 심음신호로부터 추출한 새로운 시간영역에서의 특징들을 추가하여 심장질환 분류의 성능을 개선한다. 기존에 사용되고 있는 켑스트럼 영역 특징인 멜주파수 켑스트럼 계수 (MFCC)에 심음 포락선, 심잡음 확률벡터, 심잡음 진폭값 변동으로 구성된 새로운 3종류의 시간영역 특징을 추가한다. 심장 질환 분류 및 검출 실험에서, 시간영역 특징의 분류 정확도에 대한 기여도를 평가하고 순차적 특징선택 방식을 이용하여 시간영역 특징을 선택한다. 선택된 특징들은 다층 퍼셉트론(MLP), support rector machine (SVM), extreme learning machine (ELM)와 같은 신경회로망 패턴 분류기에 대하여 의미있고 일관되게 분류 정확도를 개선함을 보여준다.

• 한국음향학회지
• /
• 제28권1호
• /
• pp.32-43
• /
• 2009

본 논문은 자동 분할과 extreme learning machine (ELM)을 이용하여 연속 심음신호에 의한 심장질환 분류의 성능을 개선한다. 자동 분할을 위한 전처리 단계에서 비정상적인 심음신호는 심잡음 (murmur)과 클릭음 (click)을 포함하고 있기 때문에 제1음 (S1)과 제2음 (S2) 시작점 검출 결과가 부정확하거나 누락되어 기존의 심장질환 분류 시스템의 정확도를 저하시키게된다. 이러한 분할 오류에 의한 성능 저하를 감소하기 위해 S1 및 S2의 위치를 찾고, S1 및 S2의 시간 차이를 이용하여 부정확한 시작점을 교정한 다음 한 주기 심음 신호를 추출한다. 특징벡터로는 단일 주기의 심음 신호로부터 추출된 멜척도 필터뱅크 로그 에너지 계수와 포락선을 사용한다. 심장질환을 분류하기 위하여 한 개의 은닉층을 가진 ELM 알고리듬을 사용한다. 9가지 심장질환 분류 실험을 수행한 결과, 제안 방법은 81.6%의 분류 정확도를 나타내며, multi-layer perceptron(MLP), support vector machine (SVM), hidden Markov model (HMM) 중에서 가장 높은 분류 정확도를 보여준다.

• 한국음향학회지
• /
• 제25권3호
• /
• pp.144-150
• /
• 2006

심장병이 있는 환자들을 진료할 때 의사들은 청진기를 이용하여 심음 (heart sound)을 듣고 이를 기준으로 환자의 병의 유무나 질환의 종류에 대한 기초적인 판단을 하게 된다. 하지만, 심음은 환자의 상태나 외부 잡음의 영향에 따라서 신호의 특성이 변하고 또한 정상적인 심음과 질병을 나타내는 심음과의 차이가 비교적 구분하기 어려울 정도로 작기 때문에 숙달된 전문의가 아니면, 진단의 정확도가 떨어질 가능성이 있다. 따라서 신호처리 기법을 이용하여 심음을 분석해서 심음이 정상적인지의 유무를 자동으로 판단할 수 있다면, 진단을 하는 의사들에게 유용한 정보가 될 것이라 생각된다. 본 연구에서는 심음의 질병유무와 질병종류를 자동으로 판단하기 위해서 기존에 많이 사용되었던 artificial neural network (ANN) 대신에 hidden Markov model (HMM)을 사용하는 방법을 제안하였으며, 기초적인 실험결과 상당히 우수한 성능을 보임을 알 수 있었다.