초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

의학기술이 발전하고 사람의 기대수명이 점차 증가함에 따라, 개인의 삶의 질에 관한 관심이 높아지고 있다. 삶의 질을 높이기 위한 하나의 방법으로 스트레스 관리가 있고, 스트레스 측정에 관한 많은 연구가 진행되고 있다. 스트레스를 측정하는 여러 방법 중, 비침습적으로 취득이 가능한 심전도 신호를 분석하여 ...

의학기술이 발전하고 사람의 기대수명이 점차 증가함에 따라, 개인의 삶의 질에 관한 관심이 높아지고 있다. 삶의 질을 높이기 위한 하나의 방법으로 스트레스 관리가 있고, 스트레스 측정에 관한 많은 연구가 진행되고 있다. 스트레스를 측정하는 여러 방법 중, 비침습적으로 취득이 가능한 심전도 신호를 분석하여 자율신경계의 균형을 기반으로 한 스트레스 측정 방법이 널리 이용된다. 심전도로부터 심박변이도 파라미터를 추출하여 해당 파라미터의 변이를 이용하여 개인의 스트레스를 분석한다. 심박변이도를 추출하기 위해 전처리 과정과 심전도로부터 R-피크를 추출하는 과정을 포함하고, 이후 여러 심박변이도 파라미터 중 하나 혹은 다수의 파라미터를 선택하는 과정을 포함한다. 각각의 과정은 스트레스를 측정하는 알고리즘에 영향을 주고 또한, 심박변이도 파라미터를 추출하기 위해서는 최소한 5분 이상의 심전도 측정을 요구한다. 본 연구는 기존의 스트레스 측정 알고리즘의 단점을 보완하고 개선하기 위해 원 심전도 신호를 심층신경망에 입력하여 스트레스를 측정하고자 한다. 또한, 전이학습을 이용하여 적은 데이터셋으로부터 심층신경망을 학습시키고자 한다.
연구에 사용된 심전도 신호 데이터는 두 종류로, 하나는 PhysioNet에 게시되어 있는 오픈 데이터로 고속도로 및 시내 주행을 하는 운전자로부터 측정된 심전도 신호 및 근전도 신호를 포함하는 복합적인 생체신호이다. 신호들은 각각 496Hz로 샘플링되어 측정되었다. 다른 하나는 실험실에서 시행된 정신적 스트레스 유발 실험 중 측정된 심전도 신호이고 256Hz로 샘플링되어 측정되었다. 정신적 스트레스 유발 실험은 피험자에게 암산 문제를 주고 풀게 하였다.
측정된 신호들은 전처리 되지 않고, 원신호 그대로 분류기 모델에 입력되었다. 분류기는 8단계로 구성되어 있고, 각 단계는 두 층의 합성곱 신경망 및 풀링층으로 되어있다. 제안된 모델은 사용자 응답특성(Receiver Operating Characteristic; ROC) 곡선에서 기존의 기계학습 모델보다 우수한 성능을 보여주고, 기존의 심층신경망을 사용한 모델대비 실험실 환경에서의 스트레스 측정에서 87.38%에서 90.19%로 향상된 정확도를 보인다.
결과적으로, 제안된 모델은 원 심전도 신호를 사용하지만 만족할만한 성능을 보여줘 기존의 기계학습 모델을 대체할 수 있을 것으로 생각되고, 전처리 및 특징 선택 과정들을 포함하지 않음으로써 거의 실시간으로 일상생활에서의 모바일 헬스케어에 적용될 수 있을 것이라 기대된다.