심장의 판막 장애에 의한 이상 심음의 발생은 심장 질환과 밀접한 관계가 있다. 따라서, 심음 측정을 통한 심장 판막 장애의 조기 진단은 매우 중요하다. 본 논문은 심음을 이용하여 심장 이상을 분리 분석 해 내는 것에 그 목적이 있다. 심음 측정은 비 관혈적인 성격을 가지고 있는 환자 정보 계측 시스템으로 심음 측정 시스템을 자동화, 소형화, 간편화하는 것은 ...
심장의 판막 장애에 의한 이상 심음의 발생은 심장 질환과 밀접한 관계가 있다. 따라서, 심음 측정을 통한 심장 판막 장애의 조기 진단은 매우 중요하다. 본 논문은 심음을 이용하여 심장 이상을 분리 분석 해 내는 것에 그 목적이 있다. 심음 측정은 비 관혈적인 성격을 가지고 있는 환자 정보 계측 시스템으로 심음 측정 시스템을 자동화, 소형화, 간편화하는 것은 원격 의료 계측을 위한 방법으로의 접근도 용이하게 한다. 심장 상태는 전기적인 심전도와 기계적인 심음도로 측정 될 수 있다. 심장의 기계적인 이상으로 인해 발생되는 비정상 심음을 분석하는 것이 심장의 기능상 장애와 직접적인 연관이 있음에 기인하여, 심장 주기 추출시 기존의 방법인 심전도와 동기화 하여 심장 주기를 추출하는 방법에서 벗어나, 심음 데이터만으로 하나의 심장 주기를 추출해 심장이상을 분리 분석하였다. 주위 소음이 많을 경우를 고려하여 전원 잡음과, 고주파 잡음을 제거하는 방법을 사용하였다. 전원 잡음은 60Hz notch filter를 사용하여 제거하였고, wavelet을 사용하여 잡음 영역이라 생각되는 고주파 부분의 신호를 제거하고 심음의 특징을 보여주는 신호영역을 선택하여 원 신호(Source)를 재구성하는 방법을 사용하여 분리 분석을 수행하였다. 심음을 병적으로 분류하기 위해서 요소를 추출하였으며, 요소 추출에서 사용한 방법 또한 잡음 제거에서 사용한 방법을 응용하여, 시간에 따른 스케일을 잘 확인 할 수 있는 wavelet decomposition을 사용하였다. 원 신호에서 분리된 영역의 계수를 그대로 사용하지 않고 계수를 Shannon 에너지 형태로 변환 시켜 신경망 회로의 입력 신호로 사용하였다. 추출된 요소를 신경망 회로에 입력하여 신경망을 학습하였고, 결정된 가중치를 이용하여 정상 심음과 비정상 심음을 구별해 낼 수 있었다. 총 665개의 심장 주기 중에서 심잡음이 없는 데이터 147개와 심잡음이 있는 데이터 190개의 데이터로 학습을 하고, 심잡음이 없는 데이터 137개와 심잡음이 있는 데이터 191개로 검사를 한 결과, 특이도(specificity) 86%와 예민도(sensitivity) 94%를 얻어냈으며, 진단상의 정확도(accuracy)는 91%임을 알 수 있었다.
심장의 판막 장애에 의한 이상 심음의 발생은 심장 질환과 밀접한 관계가 있다. 따라서, 심음 측정을 통한 심장 판막 장애의 조기 진단은 매우 중요하다. 본 논문은 심음을 이용하여 심장 이상을 분리 분석 해 내는 것에 그 목적이 있다. 심음 측정은 비 관혈적인 성격을 가지고 있는 환자 정보 계측 시스템으로 심음 측정 시스템을 자동화, 소형화, 간편화하는 것은 원격 의료 계측을 위한 방법으로의 접근도 용이하게 한다. 심장 상태는 전기적인 심전도와 기계적인 심음도로 측정 될 수 있다. 심장의 기계적인 이상으로 인해 발생되는 비정상 심음을 분석하는 것이 심장의 기능상 장애와 직접적인 연관이 있음에 기인하여, 심장 주기 추출시 기존의 방법인 심전도와 동기화 하여 심장 주기를 추출하는 방법에서 벗어나, 심음 데이터만으로 하나의 심장 주기를 추출해 심장이상을 분리 분석하였다. 주위 소음이 많을 경우를 고려하여 전원 잡음과, 고주파 잡음을 제거하는 방법을 사용하였다. 전원 잡음은 60Hz notch filter를 사용하여 제거하였고, wavelet을 사용하여 잡음 영역이라 생각되는 고주파 부분의 신호를 제거하고 심음의 특징을 보여주는 신호영역을 선택하여 원 신호(Source)를 재구성하는 방법을 사용하여 분리 분석을 수행하였다. 심음을 병적으로 분류하기 위해서 요소를 추출하였으며, 요소 추출에서 사용한 방법 또한 잡음 제거에서 사용한 방법을 응용하여, 시간에 따른 스케일을 잘 확인 할 수 있는 wavelet decomposition을 사용하였다. 원 신호에서 분리된 영역의 계수를 그대로 사용하지 않고 계수를 Shannon 에너지 형태로 변환 시켜 신경망 회로의 입력 신호로 사용하였다. 추출된 요소를 신경망 회로에 입력하여 신경망을 학습하였고, 결정된 가중치를 이용하여 정상 심음과 비정상 심음을 구별해 낼 수 있었다. 총 665개의 심장 주기 중에서 심잡음이 없는 데이터 147개와 심잡음이 있는 데이터 190개의 데이터로 학습을 하고, 심잡음이 없는 데이터 137개와 심잡음이 있는 데이터 191개로 검사를 한 결과, 특이도(specificity) 86%와 예민도(sensitivity) 94%를 얻어냈으며, 진단상의 정확도(accuracy)는 91%임을 알 수 있었다.
It has been widely reported that heart valve disorder produce heart disease. Therefore, early diagnosis about heart valve situation is very important. The purpose of this paper is to classify heart disorder using phonocardiogram. Phonocardiogram is one of non-invasive monitoring system. Miniaturizat...
It has been widely reported that heart valve disorder produce heart disease. Therefore, early diagnosis about heart valve situation is very important. The purpose of this paper is to classify heart disorder using phonocardiogram. Phonocardiogram is one of non-invasive monitoring system. Miniaturization, automation, and simplicity of heart sound measurement system makes home care system easy to access. Heart sound originates from mechanical phenomena, hence, focusing to mechanical heart disorder, heart sound signal was used to segment one cardiac cycle instead of electrocardiogram data. Noise canceling method was used. Power noise and high frequency noise were canceled in this paper: 60Hz notch filter was used for power noise, and wavelet decomposition and reconstruction method was used for high frequency noise by cutting off the noise band and reconstructing the source signal. Feature extraction was carried out for classification of heart sound in each disease. The feature extraction method was wavelet decomposition. In substitute for using the decomposed coefficient directly, detail coefficient was conversed to Shannon energy level. The feature was trained by neural network. Feed-forward back-propagation method was used. Using decided weight could be classified. Total cardiac cycles were 665. Training data were 337, including 147 non-pathologic cardiac cycles and 190 pathologic cardiac cycles. Tested data were 328, including 137 non-pathologic cardiac cycles and 191 pathologic cardiac cycles. The specificity was 86%, the sensitivity was 94% and the accuracy of diagnosis was 91%.
It has been widely reported that heart valve disorder produce heart disease. Therefore, early diagnosis about heart valve situation is very important. The purpose of this paper is to classify heart disorder using phonocardiogram. Phonocardiogram is one of non-invasive monitoring system. Miniaturization, automation, and simplicity of heart sound measurement system makes home care system easy to access. Heart sound originates from mechanical phenomena, hence, focusing to mechanical heart disorder, heart sound signal was used to segment one cardiac cycle instead of electrocardiogram data. Noise canceling method was used. Power noise and high frequency noise were canceled in this paper: 60Hz notch filter was used for power noise, and wavelet decomposition and reconstruction method was used for high frequency noise by cutting off the noise band and reconstructing the source signal. Feature extraction was carried out for classification of heart sound in each disease. The feature extraction method was wavelet decomposition. In substitute for using the decomposed coefficient directly, detail coefficient was conversed to Shannon energy level. The feature was trained by neural network. Feed-forward back-propagation method was used. Using decided weight could be classified. Total cardiac cycles were 665. Training data were 337, including 147 non-pathologic cardiac cycles and 190 pathologic cardiac cycles. Tested data were 328, including 137 non-pathologic cardiac cycles and 191 pathologic cardiac cycles. The specificity was 86%, the sensitivity was 94% and the accuracy of diagnosis was 91%.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.