부정맥은 정상적인 심장 리듬에서 불규칙한 변화를 나타내는 심혈관 질환의 대표적인 유형으로 지속될 경우 심실성 빈맥이나 세동으로 발전하여 심장마비로 이어질 수 있다. 이러한 부정맥은 발생 빈도가 불규칙하여 단시간 측정이 아닌 장시간 측정을 가지고 잠재적인 부정맥을 진단하게 된다. 장시간의 데이터를 임상의가 단 시간에 심전도를 분석하고 비정상적 심장 리듬을 관찰하는 것은 매우 어렵기에 자동 심전도 분류 시스템이 필요하다. 본 논문은 자동 심전도 분류를 위해 딥러닝 기법중 하나인 합성곱 신경망을 활용한 심전도 부정맥 beat의 검출 및 분류 방법을 제안하였다. 기존의 자동 심전도 분류와 관련된 ...
부정맥은 정상적인 심장 리듬에서 불규칙한 변화를 나타내는 심혈관 질환의 대표적인 유형으로 지속될 경우 심실성 빈맥이나 세동으로 발전하여 심장마비로 이어질 수 있다. 이러한 부정맥은 발생 빈도가 불규칙하여 단시간 측정이 아닌 장시간 측정을 가지고 잠재적인 부정맥을 진단하게 된다. 장시간의 데이터를 임상의가 단 시간에 심전도를 분석하고 비정상적 심장 리듬을 관찰하는 것은 매우 어렵기에 자동 심전도 분류 시스템이 필요하다. 본 논문은 자동 심전도 분류를 위해 딥러닝 기법중 하나인 합성곱 신경망을 활용한 심전도 부정맥 beat의 검출 및 분류 방법을 제안하였다. 기존의 자동 심전도 분류와 관련된 주파수 분석 방법, 웨이블릿 변환 방법 등 관련 연구들의 경우 심전도에 대한 선험적 지식을 필요로 하거나 전문가의 입력이 빈번하게 필요하고 새로운 환자의 심전도를 분류할 때 성능이 유지 되지 않는 단점을 가진다. 이러한 방법들의 한계를 해결하기 위해 최근 딥러닝 기법 중 하나인 합성곱 신경망을 활용한 심전도 분류에 대한 연구들이 나오고 있다. 그러나 대부분의 경우 beat를 분류하기 전에 별도의 beat를 검출 후 주요 beat들만 가지고 학습시키고 평가하였다. 이는 주요 beat가 아닌 다른 요소의 개입이 최소화 되어 높은 정확도를 가진다. 그러나 beat의 검출과정에서 원활하지 않거나 주요 beat자체를 검출하지 못한 경우 분류의 어려움을 가진다. 그래서 본 연구에서는 합성곱 신경망을 활용하여 beat를 분류하는 것과 함께 beat 위치까지 검출하였다. 합성곱 신경망 모델을 설계 후 training set을 이용하여 모델 성능 평가를 진행하여 98.63%의 성능확인을 하였다. 이후 test set을 이용하여 학습 모델을 통해 새로운 데이터의 beat 검출과 분류를 진행하였다. 결과는 96.90%의 분류 성능을 나타내었고 99.76% 위치 검출율을 나타냈다. 본 연구는 심전도 beat 분류 시 새로운 데이터에 대한 좋은 검출율을 보였고, 또한 beat 분류 시 위치 정보를 포함하여 beat 위치 검출까지 합성곱 신경망을 통해 활용할 수 있는 방법을 제시하였다는 면에서 큰 의미를 가지며, 이를 발전시킨다면 자동 심전도 분류에 기여할 것으로 사료된다.
부정맥은 정상적인 심장 리듬에서 불규칙한 변화를 나타내는 심혈관 질환의 대표적인 유형으로 지속될 경우 심실성 빈맥이나 세동으로 발전하여 심장마비로 이어질 수 있다. 이러한 부정맥은 발생 빈도가 불규칙하여 단시간 측정이 아닌 장시간 측정을 가지고 잠재적인 부정맥을 진단하게 된다. 장시간의 데이터를 임상의가 단 시간에 심전도를 분석하고 비정상적 심장 리듬을 관찰하는 것은 매우 어렵기에 자동 심전도 분류 시스템이 필요하다. 본 논문은 자동 심전도 분류를 위해 딥러닝 기법중 하나인 합성곱 신경망을 활용한 심전도 부정맥 beat의 검출 및 분류 방법을 제안하였다. 기존의 자동 심전도 분류와 관련된 주파수 분석 방법, 웨이블릿 변환 방법 등 관련 연구들의 경우 심전도에 대한 선험적 지식을 필요로 하거나 전문가의 입력이 빈번하게 필요하고 새로운 환자의 심전도를 분류할 때 성능이 유지 되지 않는 단점을 가진다. 이러한 방법들의 한계를 해결하기 위해 최근 딥러닝 기법 중 하나인 합성곱 신경망을 활용한 심전도 분류에 대한 연구들이 나오고 있다. 그러나 대부분의 경우 beat를 분류하기 전에 별도의 beat를 검출 후 주요 beat들만 가지고 학습시키고 평가하였다. 이는 주요 beat가 아닌 다른 요소의 개입이 최소화 되어 높은 정확도를 가진다. 그러나 beat의 검출과정에서 원활하지 않거나 주요 beat자체를 검출하지 못한 경우 분류의 어려움을 가진다. 그래서 본 연구에서는 합성곱 신경망을 활용하여 beat를 분류하는 것과 함께 beat 위치까지 검출하였다. 합성곱 신경망 모델을 설계 후 training set을 이용하여 모델 성능 평가를 진행하여 98.63%의 성능확인을 하였다. 이후 test set을 이용하여 학습 모델을 통해 새로운 데이터의 beat 검출과 분류를 진행하였다. 결과는 96.90%의 분류 성능을 나타내었고 99.76% 위치 검출율을 나타냈다. 본 연구는 심전도 beat 분류 시 새로운 데이터에 대한 좋은 검출율을 보였고, 또한 beat 분류 시 위치 정보를 포함하여 beat 위치 검출까지 합성곱 신경망을 통해 활용할 수 있는 방법을 제시하였다는 면에서 큰 의미를 가지며, 이를 발전시킨다면 자동 심전도 분류에 기여할 것으로 사료된다.
Arrhythmia is a representative type of cardiovascular disease that showed irregular changes in normal cardiac rhythm. It may develop ventricular tachycardia or fibrillation and lead to heart attack. These arrhythmia is occurring irregular. Thus, potential arrhythmia diagnosis requires long-time meas...
Arrhythmia is a representative type of cardiovascular disease that showed irregular changes in normal cardiac rhythm. It may develop ventricular tachycardia or fibrillation and lead to heart attack. These arrhythmia is occurring irregular. Thus, potential arrhythmia diagnosis requires long-time measurement rather than short-time measurement. However, it is very difficult to analyze and observe abnormal heart rhythm about long-time data in a short time. Therefore, an automatic electrocardiogram(ECG) classification system is required. In this study, I suggest detection and classification mathod of arrhythmia beat using convolution neural network for automatic ECG classification system. There have been several methods for automatic ECG classification based on signal processing method, such as frequency analysis, wavelet transform, etc. These methods require priori knowledge of the ECG or they need expert input frequently and the performance is not maintained when classifying the new patient’s ECG. To solve the above problem, several recent studies are using convolution neural network that is one of the deep learning for ECG classification. However, most of case have some main beat detection process before they have been classifying the Beat. Then, they have been training and testing using main beat. Therefore, these have high accuracy because these are using only main beat and minimize the intervention of other elements. But if they are not smooth in detecting the main beat or can not detect the main beat, it is difficult to classify the beat. Therefore, in this study, not only beat classification but also beat location was detected by using convolution neural network. After designing the convolution neural network model, the performance of the model was evaluated using the training set, and the performance was confirmed at 98.63%. Then, beat detection and classification of new data was conducted through the learning model using test set. The results showed 96.90% classification performance and 99.76% position detection rate. This study shows a good detection rate for new data in beat classification of ECG, and it also has a great meaning that it suggests a method that can be beat classification as well as beat location detection using convolution neural network. If it will be developed, it will contribute to the classification of automatic ECG.
Arrhythmia is a representative type of cardiovascular disease that showed irregular changes in normal cardiac rhythm. It may develop ventricular tachycardia or fibrillation and lead to heart attack. These arrhythmia is occurring irregular. Thus, potential arrhythmia diagnosis requires long-time measurement rather than short-time measurement. However, it is very difficult to analyze and observe abnormal heart rhythm about long-time data in a short time. Therefore, an automatic electrocardiogram(ECG) classification system is required. In this study, I suggest detection and classification mathod of arrhythmia beat using convolution neural network for automatic ECG classification system. There have been several methods for automatic ECG classification based on signal processing method, such as frequency analysis, wavelet transform, etc. These methods require priori knowledge of the ECG or they need expert input frequently and the performance is not maintained when classifying the new patient’s ECG. To solve the above problem, several recent studies are using convolution neural network that is one of the deep learning for ECG classification. However, most of case have some main beat detection process before they have been classifying the Beat. Then, they have been training and testing using main beat. Therefore, these have high accuracy because these are using only main beat and minimize the intervention of other elements. But if they are not smooth in detecting the main beat or can not detect the main beat, it is difficult to classify the beat. Therefore, in this study, not only beat classification but also beat location was detected by using convolution neural network. After designing the convolution neural network model, the performance of the model was evaluated using the training set, and the performance was confirmed at 98.63%. Then, beat detection and classification of new data was conducted through the learning model using test set. The results showed 96.90% classification performance and 99.76% position detection rate. This study shows a good detection rate for new data in beat classification of ECG, and it also has a great meaning that it suggests a method that can be beat classification as well as beat location detection using convolution neural network. If it will be developed, it will contribute to the classification of automatic ECG.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.