12 리드 심전도의 3차원 디스플레이 변환을 통한 ST분절 상승 심근경색 발생 여부와 발생 위치 검출의 새로운 방법 A Novel Method for Detection and Localization of ST-segment Elevation Myocardial Infarction on a 12-lead ECG with a 3-Dimensional Display원문보기
심전도를 분석하여 ST분절 상승 심근경색을 정확하게 진단하기 위해서는 두 가지 주요 조건이 있다. 첫째 시간에서 심전도의 특징 요소를 정확하게 추출하는 것, 둘째 12리드 심전도를 모두 분석하는 것이다. 심전도는 심장의 활동을 반영해주는 측정 데이터이다. 하지만, 심장의 이상 여부를 확인하기 위해 심전도의 특징요소를 정확하게 추출하는 것은 심전도에 간섭되는 잡음의 영향을 받아 특징 추출 재연의 문제가 있다. 또한 12리드 심전도를 구성하는 각각의 리드에는 심근경색을 진단할 수 있는 서로 다른 정보가 존재하기 때문에 12리드 심전도를 모두 분석하는 것이 정확도를 높일 수 있지만 분석 시간이 오래 걸린다는 문제가 있다. 본 연구에서는 기존의 12리드 심전도 분석 방법이 가지고 있는 문제를 해결하기 위해 ...
심전도를 분석하여 ST분절 상승 심근경색을 정확하게 진단하기 위해서는 두 가지 주요 조건이 있다. 첫째 시간에서 심전도의 특징 요소를 정확하게 추출하는 것, 둘째 12리드 심전도를 모두 분석하는 것이다. 심전도는 심장의 활동을 반영해주는 측정 데이터이다. 하지만, 심장의 이상 여부를 확인하기 위해 심전도의 특징요소를 정확하게 추출하는 것은 심전도에 간섭되는 잡음의 영향을 받아 특징 추출 재연의 문제가 있다. 또한 12리드 심전도를 구성하는 각각의 리드에는 심근경색을 진단할 수 있는 서로 다른 정보가 존재하기 때문에 12리드 심전도를 모두 분석하는 것이 정확도를 높일 수 있지만 분석 시간이 오래 걸린다는 문제가 있다. 본 연구에서는 기존의 12리드 심전도 분석 방법이 가지고 있는 문제를 해결하기 위해 3차원 디스플레이 방법을 사용하였다. 기존의 12개의 리드로 구분된 심전도를 사지 유도 심전도 그룹과 흉부 유도 심전도 그룹으로 구분하고, 리드의 재배열과 리드 사이의 보간을 통해 3차원 심전도로 재구성하였다. 3차원 심전도 상에서 ST분절 상승 심근경색 판별과 심근경색 발생의 위치와 관계 있는 새로운 특징요소 추출하고 K-근접 이웃 분류기, 지지 벡터 머신 분류기를 이용하여 새로운 특징요소 기반의 ST분절 상승 심근경색 판별과 발생 위치의 분류 성능을 평가하였다. 3차원 심전도 특징요소의 ST분절 상승 심근경색 판별 성능은 정확도 96.37%, 경색 발생 위치 분류 성능은 정확도 94.91%를 보였다. 또한 3차원 심전도 특징요소를 기반으로 한 분류의 성능을 검증하기 위해 합성곱 신경망과 같은 딥러닝 알고리즘을 이용하여 특징요소를 추출하지 않고, 3차원 심전도를 이용하여 ST분절 상승 심근경색 판별과 발생 위치의 분류 성능을 평가하고 비교하였다. 본 연구에서 제안된 방법은 육안으로 3차원 심전도를 통해 12리드 심전도 전체를 쉽게 판독 할 수 있는 새로운 방법이며 복잡한 연산과정을 통해 기존의 심전도 특징요소를 추출하지 않고 3차원 심전도 특징요소를 통해 간단하게 ST분절 상승 심근경색 발생 여부와 경색의 발생 위치를 판별 할 수 있다.
심전도를 분석하여 ST분절 상승 심근경색을 정확하게 진단하기 위해서는 두 가지 주요 조건이 있다. 첫째 시간에서 심전도의 특징 요소를 정확하게 추출하는 것, 둘째 12리드 심전도를 모두 분석하는 것이다. 심전도는 심장의 활동을 반영해주는 측정 데이터이다. 하지만, 심장의 이상 여부를 확인하기 위해 심전도의 특징요소를 정확하게 추출하는 것은 심전도에 간섭되는 잡음의 영향을 받아 특징 추출 재연의 문제가 있다. 또한 12리드 심전도를 구성하는 각각의 리드에는 심근경색을 진단할 수 있는 서로 다른 정보가 존재하기 때문에 12리드 심전도를 모두 분석하는 것이 정확도를 높일 수 있지만 분석 시간이 오래 걸린다는 문제가 있다. 본 연구에서는 기존의 12리드 심전도 분석 방법이 가지고 있는 문제를 해결하기 위해 3차원 디스플레이 방법을 사용하였다. 기존의 12개의 리드로 구분된 심전도를 사지 유도 심전도 그룹과 흉부 유도 심전도 그룹으로 구분하고, 리드의 재배열과 리드 사이의 보간을 통해 3차원 심전도로 재구성하였다. 3차원 심전도 상에서 ST분절 상승 심근경색 판별과 심근경색 발생의 위치와 관계 있는 새로운 특징요소 추출하고 K-근접 이웃 분류기, 지지 벡터 머신 분류기를 이용하여 새로운 특징요소 기반의 ST분절 상승 심근경색 판별과 발생 위치의 분류 성능을 평가하였다. 3차원 심전도 특징요소의 ST분절 상승 심근경색 판별 성능은 정확도 96.37%, 경색 발생 위치 분류 성능은 정확도 94.91%를 보였다. 또한 3차원 심전도 특징요소를 기반으로 한 분류의 성능을 검증하기 위해 합성곱 신경망과 같은 딥러닝 알고리즘을 이용하여 특징요소를 추출하지 않고, 3차원 심전도를 이용하여 ST분절 상승 심근경색 판별과 발생 위치의 분류 성능을 평가하고 비교하였다. 본 연구에서 제안된 방법은 육안으로 3차원 심전도를 통해 12리드 심전도 전체를 쉽게 판독 할 수 있는 새로운 방법이며 복잡한 연산과정을 통해 기존의 심전도 특징요소를 추출하지 않고 3차원 심전도 특징요소를 통해 간단하게 ST분절 상승 심근경색 발생 여부와 경색의 발생 위치를 판별 할 수 있다.
There are two main factors that affect the accuracy of diagnosis of ST-Segment Elevation myocardial infarction (STEMI) using Electrocardiogram (ECG). The first is achieving accuracy in extracting ECG time domain features and the second is proper analysis of the entire 12-lead ECG. The ECG contains m...
There are two main factors that affect the accuracy of diagnosis of ST-Segment Elevation myocardial infarction (STEMI) using Electrocardiogram (ECG). The first is achieving accuracy in extracting ECG time domain features and the second is proper analysis of the entire 12-lead ECG. The ECG contains measurement data that reflect cardiac activity. However, accurate extraction of ECG features to identify cardiac abnormalities is affected by noise that can degrade the robustness of feature extraction. Each lead in the 12-lead ECG provides different information that can help diagnose STEMI. Although analyzing the entire 12-lead ECG improves accuracy, it is very time-consuming. Prompt diagnosis of STEMI by the ECG is important in order to perform an urgent coronary angiography as soon as possible and achieve successful revascularization. In this study, the leads of the existing 12-lead ECG were divided into the limb lead and the precordial lead groups and reconstructed them in a 3-dimensional (3-D) format using a 3-D display method. The proposed 3-D ECG method can be easily used to read the entire 12-lead ECG even with the naked eye. It can detect STEMI by simply using the 3-D ECG features, thus eliminating the need to extract features such as the ST-segment via complicated calculation processes. New features from the 3-D ECG plane were extracted and evaluated their ability to detect and localize STEMI on the basis of new features using the K-nearest neighbor (KNN) and support vector machine (SVM). The purpose of this study was to proposing 3-D ECG method for detection and localization of STEMI and confirming the efficacy of 3-D ECG method. In this paper, machine learning and deep learning were used to evaluate the effects. Using SVM with RBF kernel, the STEMI detection accuracy were 96.37% and the STEMI localization accuracy were 94.91% respectively. Deep learning algorithm, such as convolution neural network (CNN) were used to verify the performance of detection of MI and localization of MI through features extracted from 3D ECG. Using CNN, the STEMI detection accuracy were 98.93% and the STEMI localization accuracy were 98.09% respectively.
There are two main factors that affect the accuracy of diagnosis of ST-Segment Elevation myocardial infarction (STEMI) using Electrocardiogram (ECG). The first is achieving accuracy in extracting ECG time domain features and the second is proper analysis of the entire 12-lead ECG. The ECG contains measurement data that reflect cardiac activity. However, accurate extraction of ECG features to identify cardiac abnormalities is affected by noise that can degrade the robustness of feature extraction. Each lead in the 12-lead ECG provides different information that can help diagnose STEMI. Although analyzing the entire 12-lead ECG improves accuracy, it is very time-consuming. Prompt diagnosis of STEMI by the ECG is important in order to perform an urgent coronary angiography as soon as possible and achieve successful revascularization. In this study, the leads of the existing 12-lead ECG were divided into the limb lead and the precordial lead groups and reconstructed them in a 3-dimensional (3-D) format using a 3-D display method. The proposed 3-D ECG method can be easily used to read the entire 12-lead ECG even with the naked eye. It can detect STEMI by simply using the 3-D ECG features, thus eliminating the need to extract features such as the ST-segment via complicated calculation processes. New features from the 3-D ECG plane were extracted and evaluated their ability to detect and localize STEMI on the basis of new features using the K-nearest neighbor (KNN) and support vector machine (SVM). The purpose of this study was to proposing 3-D ECG method for detection and localization of STEMI and confirming the efficacy of 3-D ECG method. In this paper, machine learning and deep learning were used to evaluate the effects. Using SVM with RBF kernel, the STEMI detection accuracy were 96.37% and the STEMI localization accuracy were 94.91% respectively. Deep learning algorithm, such as convolution neural network (CNN) were used to verify the performance of detection of MI and localization of MI through features extracted from 3D ECG. Using CNN, the STEMI detection accuracy were 98.93% and the STEMI localization accuracy were 98.09% respectively.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.