• 한국정보통신학회논문지
• /
• 제17권3호
• /
• pp.705-711
• /
• 2013

심전도 신호의 QRS 영역은 심장의 질환을 판단하는 중요한 자료로 쓰이는데, 여러 종류의 잡음으로 인해 이를 분석하는데 어려움을 준다. 또한 일반인들의 건강상태를 지속적으로 모니터링 하는 헬스케어 시스템에서는 신호의 실시간 처리가 필요하다. 그리고 생체신호의 특성상 개인 간의 차이가 있음에도 불구하고, 일반적인 ECG 신호의 판단 규칙에 따라 진단을 수행함으로써 성능하락이 나타날 수밖에 없다. 이러한 문제점을 해결하기 위해서는 최소한의 연산량으로 QRS를 검출하고 환자의 특성에 맞게 부정맥을 분류할 수 있는 알고리즘의 설계가 필요하다. 따라서 본 연구에서는 형태연산을 통한 효율적인 QRS 검출과 개인별 정상신호 분류를 위해 해쉬 함수를 적용하여 프로파일링 하였으며, 검출된 QRS 폭과 RR 간격을 이용하여 심실조기수축(PVC)을 분류하는 알고리즘을 개발하였다. 제안한 방법의 우수성을 입증하기 위해 MIT-BIH 부정맥 데이터베이스를 통해 기존 방법과 부정맥 분류 성능을 비교하였다. 성능평가 결과, R파는 평균 99.77%, 정상 신호 분류에 대한 에러율은 0.65%, PVC는 각각 93.29%로 기존 방법에 비해 약 5% 우수하게 나타났다.

• 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
• /
• 제24권10호
• /
• pp.1341-1347
• /
• 2020

부정맥 분류를 위한 기존 연구들은 분류의 정확성을 높이기 위해 신경회로망(Artificial Neural Network), 기계학습(Machine Learning) 등을 이용한 방법이 연구되어 왔다. 특히 딥러닝은 신경회로망의 문제인 은닉층 개수의 한계를 해결함으로 인해 인공 지능 기반의 부정맥 분류에 많이 사용되고 있다. 본 연구에서는 AR 기반의 특징점 추출과 딥러닝을 통한 부정맥 분류 방법을 제안한다. 이를 위해 먼저 잡음을 제거한 ECG 신호에서 R파를 검출하고 자기 회귀 모델을 통하여 최적의 QRS와 RR간격을 추출하였다. 이후 딥러닝을 통한 지도학습 방법으로 가중치를 학습시키고 부정맥을 분류하였다. 제안된 방법의 타당성 평가를 위해 MIT-BIH 부정맥 데이터베이스를 통해 각 파라미터에 따른 훈련 및 분류 정확도를 확인하였다. 성능 평가 결과 PVC는 약 97% 이상의 평균 분류율을 나타내었다.