• 융합신호처리학회논문지
• /
• 제23권2호
• /
• pp.62-69
• /
• 2022

의료현장에서는 최근 디지털 헬스케어의 중요성이 대두되면서, 다양한 형태의 생체신호 측정 관련 연구가 활발히 진행되고 있다. 생체신호 중 가장 중요한 신호로 심전도를 들 수 있으며, 특히 부정맥 환자에 있어 심전도 신호의 연속 모니터링은 매우 중요하다. 부정맥은 동결절(sinus node), 동빈맥(sinus tachycardia), 심방조기수축(atrial premature beat, APB), 심실세동 (ventricular fibrillation) 등으로 그 발병원에 따른 형태가 다양하며, 발병 이후의 예후가 좋지 않으므로 일상 중 연속 모니터링은 부정맥의 조기 진단과 치료방향 설정에서 매우 중요하다. 부정맥 환자의 심전도 신호는 매우 불안정하며, 부정맥을 자동 검출하기 위한 주요 특징점으로 작용하는 정확한 R-peak 포인트의 검출이 어렵다. 본 연구에서는 연속 측정하는 홀터 심전도 모니터링 기기와 분석용 소프트웨어를 개발하였으며, 부정맥 데이터베이스를 통해 심전도 신호의 R-peak 효용성을 확인하였다. 향후 연구에서는 다양한 발병원인으로 인한 부정맥의 형태적 구분 및 예측을 위한 알고리즘과 임상 데이터에 근거한 유효성 검증에 관한 추가 연구가 필요하다.

• 한국정보통신학회논문지
• /
• 제21권2호
• /
• pp.450-460
• /
• 2017

T파는 심장의 심실의 재분극을 나타내는 파라미터로써 부정맥 진단에 있어 매우 중요하다. T 파를 검출하기 위한 기존 연구방법으로는 주파수 분석과 비선형 접근방법 등이 제안되어 왔지만 검출 정확도가 낮다는 문제점이 있다. 이는 T파의 경우 P파와 중복되는 경우가 발생하기 때문이다. 본 연구에서는 QRS 구간을 제거한 후, 이동평균을 통한 P파와 T파의 대상 영역을 추출하여 정확히 T파를 검출하는 알고리즘을 제안한다. 이를 위해 전처리를 통해 잡음이 제거된 심전도 신호에서 Q, R, S를 검출한다. 이후 검출된 QRS 구간을 제거, 이동평균을 통해 4개의 PAC 패턴과 기타부정맥에 대한 판단규칙을 적용하여 P, T파의 대상 영역을 추출하고, 이를 대상으로 RR 간격과 RT 간격의 문턱치를 적용하여 T파를 검출하였다. 제안한 방법의 우수성을 입증하기 위해 MIT-BIH 부정맥 데이터베이스 48개의 레코드를 대상으로 한 T파의 평균 검출율은 95.32%의 성능을 나타내었다.

• Industrial Engineering and Management Systems
• /
• 제12권4호
• /
• pp.380-388
• /
• 2013

Large variation in electrocardiogram (ECG) waveforms continues to present challenges in defining R-wave locations in ECG signals. This research presents a procedure to extract the R-wave locations by forward-backward (FB) algorithm and classify the arrhythmic beat conditions by using RR intervals. The FB algorithm shows forward and backward searching rules from QRS onset and eliminates lower-amplitude signals near the baseline using a statistical process control concept. The proposed algorithm was trained the optimal parameters by using MIT-BIH arrhythmia database (MITDB), and it was verified by actual Holter ECG signals from a local hospital. The signals are classified into normal (N) and three arrhythmia beat types including premature ventricular contraction (PVC), ventricular flutter/fibrillation (VF), and second-degree heart block (BII) beat. This work produces 98.54% accuracy in the detection of R-wave location; 98.68% for N beats; 91.17% for PVC beats; and 87.2% for VF beats in the collected Holter ECG signals, and the results are better than what are reported in literature.

• 대한의용생체공학회:의공학회지
• /
• 제29권6호
• /
• pp.466-476
• /
• 2008

The more people use ambulatory electrocardiogram(ECG) for arrhythmia detection, the more researchers report the automatic classification algorithms. Most of the previous studies don't consider the un-balanced data distribution. Even in patients, there are much more normal beats than abnormal beats among the data from 24 hours. To solve this problem, the hierarchical classification using 21 features was adopted for arrhythmia abnormal beat detection. The features include R-R intervals and data to describe the morphology of the wave. To validate the algorithm, 44 non-pacemaker recordings from physionet were used. The hierarchical classification model with 2 stages on domain knowledge was constructed. Using our suggested method, we could improve the performance in abnormal beat classification from the conventional multi-class classification method. In conclusion, the domain knowledge based hierarchical classification is useful to the ECG beat classification with unbalanced data distribution.

• International Journal of Fuzzy Logic and Intelligent Systems
• /
• 제11권3호
• /
• pp.204-210
• /
• 2011

This paper proposes a fuzzy support vector machine ($FSVM_n$) pattern classifier to classify the arrhythmia patterns of an electrocardiograph (ECG). The $FSVM_n$ is a pattern classifier which combines n-dimensional fuzzy membership functions with a slack variable of SVM. To evaluate the performance of the proposed classifier, the MIT/BIH ECG database, which is a standard database for evaluating arrhythmia detection, was used. The pattern classification experiment showed that, when classifying ECG into four patterns - NSR, VT, VF, and NSR, VT, and VF classification rate resulted in 99.42%, 99.00%, and 99.79%, respectively. As a result, the $FSVM_n$ shows better pattern classification performance than the existing SVM and FSVM algorithms.

• 디지털산업정보학회논문지
• /
• 제13권4호
• /
• pp.91-98
• /
• 2017

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 minimal feature point based on only R peak through optimal R wave. We propose an optimal R wave detection and PVC classification method through extracting minimal feature point in IoT environment. 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 record of MIT-BIH arrhythmia database. The achieved scores indicate the average of 99.758% in R wave detection and the rate of 93.94% in PVC classification.

• 한국정보통신학회논문지
• /
• 제20권2호
• /
• pp.437-444
• /
• 2016

일반적인 부정맥 분류 방법의 경우 심방 박동 수와 관련한 PP간격, P모양의 다양성과 같은 조건을 이용하는데, 잡음으로 인해 정확한 P파의 검출이 어렵기 때문에 잡음의 영향을 비교적 적게 받는 R파를 이용하는 것이 유리하다. 따라서 본 연구에서는 R파 중심의 ECG(electrocardiography) 패턴 분석과 템플릿 문턱치를 도입하여 조기수축 부정맥 분류 방법을 제안한다. 이를 위해 형태 연산을 통한 전 처리 과정과 차감 동작 기법을 통해 R파를 검출하였다. 이후 RR 간격의 평균 가중치와 변화율을 이용하여 먼저 조기수축 파형의 패턴을 분류하고, R파의 진폭에 대한 템플릿 문턱값을 통해 조기심실수축과 조기심방수축을 분류하는 알고리즘을 개발하였다. 제안한 방법의 우수성을 입증하기 위해 조기 심방과 심실수축이 30개 이상 포함된 MIT-BIH 6개의 레코드를 대상으로 한 R파의 평균 검출율은 99.77%의 성능을 나타내었고, 조기심실수축과 심방수축 부정맥은 각각 94.91%와 95.76%의 평균 분류율을 나타내었다.

• 한국정보통신학회논문지
• /
• 제20권8호
• /
• pp.1587-1595
• /
• 2016

P파는 심장의 전기적, 생리적 특성을 나타내는 파라미터로써 심방성 부정맥 진단에 있어 매우 중요하다. 하지만 R파에 비해 신호의 크기가 작고 그 형태가 다양하여 검출에 많은 어려움이 있다. P 파를 검출하기 위한 기존 연구방법으로는 주파수 분석과 비선형 접근방법 등이 제안되어 왔지만 방실 차단과 같은 전도 이상이나 심방성 부정맥의 경우에는 검출 정확도가 낮아진다. 이는 심장 상태에 따라 다양한 모양의 P파의 패턴이 존재하기 때문이다. 본 연구에서는 QRS 피크 변화에 따른 P파의 패턴을 분류하고 적응형 문턱치를 이용하여 P파를 검출하는 방법을 제안한다. 이를 위해 전처리를 통해 잡음이 제거된 심전도 신호에서 Q, R, S를 검출한다. 이후 피크 변화에 따른 P파의 3가지 패턴을 분류하고 적응형 윈도우와 문턱치를 통해 P파를 검출하였다. 제안한 방법의 우수성을 입증하기 위해 MIT-BIH 부정맥 데이터베이스 48개의 레코드를 대상으로 한 P파의 평균 검출율은 92.60%의 성능을 나타내었다.

• 대한전기학회논문지:시스템및제어부문D
• /
• 제53권11호
• /
• pp.780-785
• /
• 2004

In this paper, we proposed a ventricular fibrillation detection algorithm based on wavelet transform and artificial neural network. we selected RR intervals, the 6th and 7th wavelet coefficients(D6, D7) as features for classifying ventricular fibrillation. To evaluate the performance of the proposed algorithm, we compared the result of the proposed algorithm with that of fuzzy inference and fuzzy-neural network. MIT-BIH Arrhythmia database, Creighton University Ventricular Tachyarrhythmia database and MIH-BIH Malignant Ventricular Arrhythmia database were used as test and learning data. Among the algorithms, the proposed algorithm showed that the classification rate of normal and abnormal beat was sensitivity(%) of 96.10 and predictive positive value(%) of 99.07, and that of ventricular fibrillation was sensitivity(%) of 99.45. Finally. the proposed algorithm showed good performance compared to two other methods.

• 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.