• 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.

• 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.

• 디지털산업정보학회논문지
• /
• 제17권1호
• /
• pp.7-14
• /
• 2021

With the increased attention about healthcare and management of heart diseases, smart healthcare services and related devices have been actively developed recently. R wave is the largest representative signal among ECG signals. R wave detection is very important because it detects QRS pattern and classifies arrhythmia. Several R wave detection algorithms have been proposed with different features, but the remaining problem is their implementation in low-cost portable platforms for real-time applications. In this paper, we propose R wave detection based on optimal threshold and arrhythmia classification through QRS pattern considering complexity in smart healthcare environments. For this purpose, we detected R wave from noise-free ECG signal through the preprocessing method. Also, we classify premature ventricular contraction arrhythmia in realtime through QRS pattern. The performance of R wave detection and premature ventricular contraction arrhythmia classification is evaluated by using 9 record of MIT-BIH arrhythmia database that included over 30 premature ventricular contraction. The achieved scores indicate the average of 98.72% in R wave detection and the rate of 94.28% 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.

• 대한전기학회:학술대회논문집
• /
• 대한전기학회 2008년도 학술대회 논문집 정보 및 제어부문
• /
• pp.472-473
• /
• 2008

심실조기수축(PVC: Premature Ventricular Contraction)은 성인에게서 가장 흔하게 발생되는 심장 부정맥 증상 중의 하나이다. 심실조기수축 부정맥이 자주 발현되는 사람의 경우 관상 동맥질환, 고혈압 등의 심혈관계 질환이 진행되고 있을 가능성이 많고, 심실빈맥이나 심실세동으로 전이되는 경우 심정지 등을 유발하여 사망에 이르기 때문에 지속적으로 관찰이 필요한 증상이다. 따라서 본 연구에서는 R-R 간격 정보를 이용하여 심실조기수축 부정맥 증상을 실시간으로 검출할 수 있는 신호처리 알고리즘을 구현하고자 하였다.

• 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
• /
• 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.

• 한국정보통신학회논문지
• /
• 제18권7호
• /
• pp.1531-1539
• /
• 2014

조기심실수축(PVC)은 가장 보편적인 부정맥으로 심실세동, 심실빈맥 등과 같은 위험한 상황을 유발할 수 있는 가능성을 가지고 있기 때문에 이의 조기 검출은 매우 중요하다. 하지만 ECG 신호의 개인 차이가 있음에도 불구하고, 일반적인 신호의 판단 규칙에 따라 진단을 수행함으로써 성능하락이 나타날 수 밖에 없다. 이러한 문제점을 극복하기 위해서는 개인에 따른 이상 신호를 검출한 후 다양한 QRS 패턴을 고려하여 PVC를 분류할 수 있는 알고리즘이 필요하다. 본 연구에서는 개인별 이상신호 검출과 QRS 패턴 변화에 따른 PVC 분류 기법을 제안한다. 이를 위해 전 처리 과정과 차감기법을 통해 R파를 검출하였으며, 개인별 이상신호를 검출하였다. 이후 QRS 패턴에 따른 QS 간격과 R파의 진폭 변화율에 따라 PVC를 분류하였다. 제안한 알고리즘의 이상 신호 검출 및 PVC 분류 성능을 평가하기 위해서 MIT-BIH 부정맥 데이터베이스를 사용하였다. 성능평가 결과, 이상 신호 검출률은 98.33%, PVC는 각각 94.46%의 평균 분류율을 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.

• 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.