본 논문에서는 심전도 신호를 실시간으로 입력받아 부정맥을 진단하는 시스템을 설계하고 구현하였다. 본 논문에서 제시하는 실시간 부정맥 진단 시스템은 심박수 변이도를 이용한 구간 분석과 P-QRS-T 한 주기를 분석하는 비트 분석으로 나눌 수 있다. 본 논문은 벤치마킹 데이터로 MIT-BIH 부정맥 데이터베이스를 사용하였으며, 실시간 부정맥 진단 시스템의 알고리즘으로 구간 분석 알고리즘과 비트 분석 알고리즘을 제안하였다. 두 알고리즘은 ...
본 논문에서는 심전도 신호를 실시간으로 입력받아 부정맥을 진단하는 시스템을 설계하고 구현하였다. 본 논문에서 제시하는 실시간 부정맥 진단 시스템은 심박수 변이도를 이용한 구간 분석과 P-QRS-T 한 주기를 분석하는 비트 분석으로 나눌 수 있다. 본 논문은 벤치마킹 데이터로 MIT-BIH 부정맥 데이터베이스를 사용하였으며, 실시간 부정맥 진단 시스템의 알고리즘으로 구간 분석 알고리즘과 비트 분석 알고리즘을 제안하였다. 두 알고리즘은 분류 기법으로 퍼지 신경망의 한 종류인 가중 퍼지소속함수 기반 신경망을 사용하였다. 제안한 구간 분석 알고리즘은 32개 RR 간격의 심박수 변이도, 즉 평균 25초 내외의 심박수 변화를 이용하여 부정맥을 진단하는 알고리즘이다. 구간 분석 알고리즘은 32개 RR 간격을 이용하여, 표준편차 등의 통계적 특징 6개를 추출한 후, 가중 퍼지소속함수 기반 신경망으로 학습하여 정상 구간과 부정맥 구간을 분류하는 방법을 제안하고 있다. 구간 분석 알고리즘은 Tsipouras 논문군(48개 레코드)에서 SE(sensitivity, 민감성)와 SP(specificity, 특이성) 각각 80% 이하의 성능을 보이는 기존연구와는 달리, SE는 88.75%, SP는 82.28%, Accuracy(전체 분류율)는 86.31%의 신뢰성 있는 결과를 나타내었다. 제안한 비트 분석 알고리즘은 P-QRS-T 한 주기 동안, 즉 평균 0.75초 내외의 심전도 신호를 이용하여 대표적인 부정맥인 조기심실수축(PVC) 신호를 자동으로 분류하는 알고리즘이다. 비트 분석 알고리즘은 이산 웨이블릿 변환을 이용하여 특징 14개를 추출한 후, 가중 퍼지소속함수 기반 신경망으로 학습하여 정상 비트와 PVC 비트를 분류하는 방법을 제안하고 있다. 이산 웨이블릿 변환의 윈도우 크기는 R파를 기준으로 -31/360∼32/360초(64개 데이터)를 사용하였으며, 웨이블릿 변환은 d3, d4, d5의 웨이블릿 계수 14개를 사용하였다. 비트 분석 알고리즘은 Shyu 논문군(7개 레코드)에서는 Accuracy에서 97.04% 보다 높은 99.91%의 신뢰성 있는 결과를 나타내었고, Inan 논문군(40개 레코드)에서는 SE는 82.57% 보다 높은 84.67%, SP는 98.33% 보다 높은 99.39%, Accuracy는 96.85% 보다 높은 98.01%의 신뢰성 있는 결과를 나타내었다. 본 논문에서는 실시간 부정맥 진단 알고리즘을 이벤트 스트림 기반 인프라스트럭처 'CENTURY'에 적용하여 구현하였다. CENTURY는 사용자로부터 수집된 수많은 의료데이터를 기반으로 다양한 의료 서비스 제공자의 요구에 맞는 정보를 제공하기 위한 확장성 높은 개방형 인프라스트럭처이다. 테스트 방법으로는 심전도시뮬레이터 기기의 심전도 신호와 센서 시뮬레이터 프로그램을 이용한 MIT-BIH 부정맥 데이터베이스의 심전도 신호를 1초 간격으로 전송하는 실시간 환경 테스트를 실행하였다. 실시간 테스트 결과, 구간 분석 알고리즘은 32번째 R파가 발생한 시점부터, 비트 분석 알고리즘은 R파가 발생한 시점부터, 평균 약 750ms, 최대 약 1500ms 이내에 부정맥의 진단 결과를 출력하였다. 그러므로 본 논문에서 제안하는 부정맥 진단 시스템은 실시간으로 작동한다고 말할 수 있다. 또한 MIT-BIH 부정맥 데이터베이스의 실시간 테스트에서는 구간 분석 및 비트 분석 알고리즘 결과와 동일한 결과를 나타내었다. 본 논문에서 제안한 알고리즘은 유비쿼터스 환경에서 다양한 심전도 센서를 이용한 심장 모니터링 시스템에 활용할 수 있다. 구간 분석 알고리즘은 휴대용 심박계와 휴대용 심전도 측정기 등의 저수준 센서를 대상으로 활용이 가능하고, 비트 분석 알고리즘은 의료기기로 사용되는 고수준 심전도 측정기를 대상으로 활용이 가능하다. 마지막으로 다른 생체 센서와의 연계 분석을 통해 인간의 건강 상태를 24시간 모니터링하는 시스템의 개발이 기대된다.
본 논문에서는 심전도 신호를 실시간으로 입력받아 부정맥을 진단하는 시스템을 설계하고 구현하였다. 본 논문에서 제시하는 실시간 부정맥 진단 시스템은 심박수 변이도를 이용한 구간 분석과 P-QRS-T 한 주기를 분석하는 비트 분석으로 나눌 수 있다. 본 논문은 벤치마킹 데이터로 MIT-BIH 부정맥 데이터베이스를 사용하였으며, 실시간 부정맥 진단 시스템의 알고리즘으로 구간 분석 알고리즘과 비트 분석 알고리즘을 제안하였다. 두 알고리즘은 분류 기법으로 퍼지 신경망의 한 종류인 가중 퍼지소속함수 기반 신경망을 사용하였다. 제안한 구간 분석 알고리즘은 32개 RR 간격의 심박수 변이도, 즉 평균 25초 내외의 심박수 변화를 이용하여 부정맥을 진단하는 알고리즘이다. 구간 분석 알고리즘은 32개 RR 간격을 이용하여, 표준편차 등의 통계적 특징 6개를 추출한 후, 가중 퍼지소속함수 기반 신경망으로 학습하여 정상 구간과 부정맥 구간을 분류하는 방법을 제안하고 있다. 구간 분석 알고리즘은 Tsipouras 논문군(48개 레코드)에서 SE(sensitivity, 민감성)와 SP(specificity, 특이성) 각각 80% 이하의 성능을 보이는 기존연구와는 달리, SE는 88.75%, SP는 82.28%, Accuracy(전체 분류율)는 86.31%의 신뢰성 있는 결과를 나타내었다. 제안한 비트 분석 알고리즘은 P-QRS-T 한 주기 동안, 즉 평균 0.75초 내외의 심전도 신호를 이용하여 대표적인 부정맥인 조기심실수축(PVC) 신호를 자동으로 분류하는 알고리즘이다. 비트 분석 알고리즘은 이산 웨이블릿 변환을 이용하여 특징 14개를 추출한 후, 가중 퍼지소속함수 기반 신경망으로 학습하여 정상 비트와 PVC 비트를 분류하는 방법을 제안하고 있다. 이산 웨이블릿 변환의 윈도우 크기는 R파를 기준으로 -31/360∼32/360초(64개 데이터)를 사용하였으며, 웨이블릿 변환은 d3, d4, d5의 웨이블릿 계수 14개를 사용하였다. 비트 분석 알고리즘은 Shyu 논문군(7개 레코드)에서는 Accuracy에서 97.04% 보다 높은 99.91%의 신뢰성 있는 결과를 나타내었고, Inan 논문군(40개 레코드)에서는 SE는 82.57% 보다 높은 84.67%, SP는 98.33% 보다 높은 99.39%, Accuracy는 96.85% 보다 높은 98.01%의 신뢰성 있는 결과를 나타내었다. 본 논문에서는 실시간 부정맥 진단 알고리즘을 이벤트 스트림 기반 인프라스트럭처 'CENTURY'에 적용하여 구현하였다. CENTURY는 사용자로부터 수집된 수많은 의료데이터를 기반으로 다양한 의료 서비스 제공자의 요구에 맞는 정보를 제공하기 위한 확장성 높은 개방형 인프라스트럭처이다. 테스트 방법으로는 심전도 시뮬레이터 기기의 심전도 신호와 센서 시뮬레이터 프로그램을 이용한 MIT-BIH 부정맥 데이터베이스의 심전도 신호를 1초 간격으로 전송하는 실시간 환경 테스트를 실행하였다. 실시간 테스트 결과, 구간 분석 알고리즘은 32번째 R파가 발생한 시점부터, 비트 분석 알고리즘은 R파가 발생한 시점부터, 평균 약 750ms, 최대 약 1500ms 이내에 부정맥의 진단 결과를 출력하였다. 그러므로 본 논문에서 제안하는 부정맥 진단 시스템은 실시간으로 작동한다고 말할 수 있다. 또한 MIT-BIH 부정맥 데이터베이스의 실시간 테스트에서는 구간 분석 및 비트 분석 알고리즘 결과와 동일한 결과를 나타내었다. 본 논문에서 제안한 알고리즘은 유비쿼터스 환경에서 다양한 심전도 센서를 이용한 심장 모니터링 시스템에 활용할 수 있다. 구간 분석 알고리즘은 휴대용 심박계와 휴대용 심전도 측정기 등의 저수준 센서를 대상으로 활용이 가능하고, 비트 분석 알고리즘은 의료기기로 사용되는 고수준 심전도 측정기를 대상으로 활용이 가능하다. 마지막으로 다른 생체 센서와의 연계 분석을 통해 인간의 건강 상태를 24시간 모니터링하는 시스템의 개발이 기대된다.
This paper proposes to design and implement a system that diagnoses arrhythmia using an electrocardiogram(ECG) in real-time. This system is divided into two parts. One is the interval analysis algorithm using heart rate variability. The other is the beat analysis algorithm using P-QRS-T periods. Bot...
This paper proposes to design and implement a system that diagnoses arrhythmia using an electrocardiogram(ECG) in real-time. This system is divided into two parts. One is the interval analysis algorithm using heart rate variability. The other is the beat analysis algorithm using P-QRS-T periods. Both algorithms use a neural network with weighted fuzzy membership functions(NEWFM) to diagnose arrhythmia. We use the MIT-BIH arrhythmia database for the benchmark. The proposed interval analysis algorithm diagnoses arrhythmia using 32 RR-intervals that are 25 seconds on average. We extract six statistical values from the 32 RR-intervals, which are used to input data of the NEWFM. The NEWFM used in this algorithm classifies normal and arrhythmia. The performances by Tsipouras using the 48 records of the MIT-BIH arrhythmia database was below 80% of SE(sensitivity) and SP(specificity) in both. The interval analysis algorithm shows 88.75% of SE, 82.28% of SP, and 86.31% of accuracy. The proposed beat analysis algorithm diagnoses premature ventricular contraction (PVC) using the P-QRS-T periods, which are 0.75 seconds on average. As the input of the algorithm, we use 14 coefficients of d3, d4, and d5, which are transformed by a discrete wavelet transform(DWT). The 14 coefficients are used to input data of the NEWFM. The NEWFM discussed in this algorithm classifies a normal beat and a PVC beat. The size of the window of DWT is -31/360∼+32/360 second(64 samples) whose center is the R wave. Using the seven records of the MIT-BIH arrhythmia database used in Shyu's paper, the classification performance of the beat analysis algorithm is 99.91%, which outperforms the 97.04% of Shyu's analysis. Using the forty records of the MIT-BIH arrhythmia database used in Inan's paper, the classification performance of the beat analysis algorithm is 98.01%, which outperforms 96.85% of Inan's one. The SE and SP of the beat analysis algorithm are 84.67% and 99.39%, which outperforms the 82.57% and 98.33%, respectively, of Inan's study. In this paper, we apply the real-time arrhythmia diagnostic algorithms to "CENTURY" which is an event stream-based infrastructure. CENTURY is an open and scalable infrastructure that provides a number of medical services using a variety of medical data from the users. This system is tested in two ways. One is way uses an ECG simulator device. The other uses a sensor simulator program. The ECG signal is transmitted for 1 second in a real-time environment. The computation time of diagnostic output is 750 msec on average and 1,500 msec on maximum. In this case, the start point is the 32nd R wave in the interval analysis algorithm and the R wave in the beat analysis one, respectively. Therefore, the system is verified in real time to have the result of performance as in the algorithm results. The proposed algorithms can be used in a heart-monitoring system using a variety of ECG devices in a ubiquitous environment. The interval analysis algorithm can be used for low-level devices such as heart rate monitor watches and portable ECG devices, while the beat analysis algorithm can be used for high-level devices such as patient monitors. Finally, we can expect to develop a 24-hour monitoring system using our system design.
This paper proposes to design and implement a system that diagnoses arrhythmia using an electrocardiogram(ECG) in real-time. This system is divided into two parts. One is the interval analysis algorithm using heart rate variability. The other is the beat analysis algorithm using P-QRS-T periods. Both algorithms use a neural network with weighted fuzzy membership functions(NEWFM) to diagnose arrhythmia. We use the MIT-BIH arrhythmia database for the benchmark. The proposed interval analysis algorithm diagnoses arrhythmia using 32 RR-intervals that are 25 seconds on average. We extract six statistical values from the 32 RR-intervals, which are used to input data of the NEWFM. The NEWFM used in this algorithm classifies normal and arrhythmia. The performances by Tsipouras using the 48 records of the MIT-BIH arrhythmia database was below 80% of SE(sensitivity) and SP(specificity) in both. The interval analysis algorithm shows 88.75% of SE, 82.28% of SP, and 86.31% of accuracy. The proposed beat analysis algorithm diagnoses premature ventricular contraction (PVC) using the P-QRS-T periods, which are 0.75 seconds on average. As the input of the algorithm, we use 14 coefficients of d3, d4, and d5, which are transformed by a discrete wavelet transform(DWT). The 14 coefficients are used to input data of the NEWFM. The NEWFM discussed in this algorithm classifies a normal beat and a PVC beat. The size of the window of DWT is -31/360∼+32/360 second(64 samples) whose center is the R wave. Using the seven records of the MIT-BIH arrhythmia database used in Shyu's paper, the classification performance of the beat analysis algorithm is 99.91%, which outperforms the 97.04% of Shyu's analysis. Using the forty records of the MIT-BIH arrhythmia database used in Inan's paper, the classification performance of the beat analysis algorithm is 98.01%, which outperforms 96.85% of Inan's one. The SE and SP of the beat analysis algorithm are 84.67% and 99.39%, which outperforms the 82.57% and 98.33%, respectively, of Inan's study. In this paper, we apply the real-time arrhythmia diagnostic algorithms to "CENTURY" which is an event stream-based infrastructure. CENTURY is an open and scalable infrastructure that provides a number of medical services using a variety of medical data from the users. This system is tested in two ways. One is way uses an ECG simulator device. The other uses a sensor simulator program. The ECG signal is transmitted for 1 second in a real-time environment. The computation time of diagnostic output is 750 msec on average and 1,500 msec on maximum. In this case, the start point is the 32nd R wave in the interval analysis algorithm and the R wave in the beat analysis one, respectively. Therefore, the system is verified in real time to have the result of performance as in the algorithm results. The proposed algorithms can be used in a heart-monitoring system using a variety of ECG devices in a ubiquitous environment. The interval analysis algorithm can be used for low-level devices such as heart rate monitor watches and portable ECG devices, while the beat analysis algorithm can be used for high-level devices such as patient monitors. Finally, we can expect to develop a 24-hour monitoring system using our system design.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.