최근 헬스케어 분야에서 생체신호처리 및 기계학습 기법을 활용하여 중대한 질환의 진단 및 예후 관측을 시도하려는 연구가 활성화되고 있다. 대표적인 심각한 질환 중 심실세동(Ventricular Fibrillation, VF)와 심실빈맥 (Ventricular ...
최근 헬스케어 분야에서 생체신호처리 및 기계학습 기법을 활용하여 중대한 질환의 진단 및 예후 관측을 시도하려는 연구가 활성화되고 있다. 대표적인 심각한 질환 중 심실세동(Ventricular Fibrillation, VF)와 심실빈맥 (Ventricular Tachycardia, VT)은 부정맥(Arrhythmia)중 제세동을 필요로 하는 리듬으로(Shockable rhythm) 사망을 초래하는 악성 증상이다. 부정맥 의 발생 후 전문의나 자동심장충격기(Automated External Defibrillator, AED)의 즉각적인 조치가 필요하기 때문에 신속한 검출이 매우 중요하다. 이 에 많은 신호처리 및 기계학습 알고리즘이 컴퓨터 보조 진단 기법으로의 활 용을 위해 제안되었으나 낮은 부정맥 검출 성능과 실시간 검출 활용이 어려 운 단점을 가지고 있다. 본 논문에서는 심실세동 심전도와 비 심실세동인 심실빈맥 심전도와 정상맥 (Normal Sinus Rhythm,NSR)을 검출하는 컴퓨터 보조 진단 기법을 제안한 다. 이를 위해 심전도(Electrocardiogram, ECG)의 앙상블 경험적 모드 분 해(Ensemble Empirical Mode Decomposition, EEMD)결과를 이용하여 정 보 손실을 최소화하는 검출 기법을 활용한다. 심전도 신호에 EEMD 분해를 적용하여 추출된 데이터 기반 상이한 주파수 성분을 가진 내재 모드 함수 (Intrinsic mode functions, IMFs)들이 심전도 신호 및 각 내재 모드 함수 와 서로 특정한 직교성 및 상관관계를 가진다. 다양한 병리 상태에 따라 심 전도 신호의 중요한 요소중 하나인 QRS 복합체의 형태가 이를 반영하며 이 요소에 따라 상관관계의 정도가 다름이 알려져 있다. 이 점에 착안하여 상관 관계의 정도를 내재 모드 함수 벡터간의 각도로 정량화 하여 분류를 위한 특 징 벡터로 사용한다. 이를 SVM (Support Vector Machine) 분류기의 입력 으로 활용하여 심전도 신호 기반의 다양한 심장 이상 병리 상태 분류의 정확 도를 산출하였다. 제안하는 기법의 유효성을 검증하기 위해서 공용데이터베 이스인 PhysioNet의 부정맥 데이터를 활용하여 제안 기법의 우수성을 확인 하였다. 또한 실시간 검출을 위해 짧은 길이의 심전도 데이터를 이용하여 검 출이 가능함을 보였으며 이는 부정맥 검출을 위한 컴퓨터 보조 진단 기법으 로 활용이 가능함을 보인다.
최근 헬스케어 분야에서 생체신호처리 및 기계학습 기법을 활용하여 중대한 질환의 진단 및 예후 관측을 시도하려는 연구가 활성화되고 있다. 대표적인 심각한 질환 중 심실세동(Ventricular Fibrillation, VF)와 심실빈맥 (Ventricular Tachycardia, VT)은 부정맥(Arrhythmia)중 제세동을 필요로 하는 리듬으로(Shockable rhythm) 사망을 초래하는 악성 증상이다. 부정맥 의 발생 후 전문의나 자동심장충격기(Automated External Defibrillator, AED)의 즉각적인 조치가 필요하기 때문에 신속한 검출이 매우 중요하다. 이 에 많은 신호처리 및 기계학습 알고리즘이 컴퓨터 보조 진단 기법으로의 활 용을 위해 제안되었으나 낮은 부정맥 검출 성능과 실시간 검출 활용이 어려 운 단점을 가지고 있다. 본 논문에서는 심실세동 심전도와 비 심실세동인 심실빈맥 심전도와 정상맥 (Normal Sinus Rhythm,NSR)을 검출하는 컴퓨터 보조 진단 기법을 제안한 다. 이를 위해 심전도(Electrocardiogram, ECG)의 앙상블 경험적 모드 분 해(Ensemble Empirical Mode Decomposition, EEMD)결과를 이용하여 정 보 손실을 최소화하는 검출 기법을 활용한다. 심전도 신호에 EEMD 분해를 적용하여 추출된 데이터 기반 상이한 주파수 성분을 가진 내재 모드 함수 (Intrinsic mode functions, IMFs)들이 심전도 신호 및 각 내재 모드 함수 와 서로 특정한 직교성 및 상관관계를 가진다. 다양한 병리 상태에 따라 심 전도 신호의 중요한 요소중 하나인 QRS 복합체의 형태가 이를 반영하며 이 요소에 따라 상관관계의 정도가 다름이 알려져 있다. 이 점에 착안하여 상관 관계의 정도를 내재 모드 함수 벡터간의 각도로 정량화 하여 분류를 위한 특 징 벡터로 사용한다. 이를 SVM (Support Vector Machine) 분류기의 입력 으로 활용하여 심전도 신호 기반의 다양한 심장 이상 병리 상태 분류의 정확 도를 산출하였다. 제안하는 기법의 유효성을 검증하기 위해서 공용데이터베 이스인 PhysioNet의 부정맥 데이터를 활용하여 제안 기법의 우수성을 확인 하였다. 또한 실시간 검출을 위해 짧은 길이의 심전도 데이터를 이용하여 검 출이 가능함을 보였으며 이는 부정맥 검출을 위한 컴퓨터 보조 진단 기법으 로 활용이 가능함을 보인다.
Recently, in the field of healthcare, research to attempt diagnosis and prognosis of serious diseases using bio-signal processing and machine learning techniques has been activated. Among the typical serious diseases, ventricular fibrillation (VF) and ventricular tachycardia (VT) are...
Recently, in the field of healthcare, research to attempt diagnosis and prognosis of serious diseases using bio-signal processing and machine learning techniques has been activated. Among the typical serious diseases, ventricular fibrillation (VF) and ventricular tachycardia (VT) are malignant symptoms that lead to death of shockable rhythm in defibrillation of arrhythmia. Rapid detection is very important because it requires immediate action by a specialist or an automated external defibrillator (AED) after the occurrence of arrhythmia. Accordingly, many signal processing and machine learning algorithms have been proposed for use as computer-assisted diagnostic techniques, but have the disadvantages of low arrhythmia detection performance and difficulty in real-time detection. In this paper, we propose a computer-assisted diagnostic technique to detect ventricular fibrillation ECG and non-ventricular fibrillation, ventricular tachycardia, and normal sinus rhythm (NSR). To this end, we use a detection technique that minimizes information loss using the results of an ensemble empirical mode decomposition (EEMD) of an electrocardiogram (ECG). Intrinsic mode functions (IMFs) having different frequency components based on data extracted by applying EEMD decomposition to an ECG signal have a specific orthogonality and correlation with the ECG signal and each intrinsic mode function. It is known that the shape of the QRS complex, which is one of the important elements of the ECG signal according to various pathological conditions, reflects this, and the degree of correlation varies according to this factor. In this regard, the degree of correlation is quantified by the angle between the intrinsic mode function vectors and used as a feature vector for classification. This was used as the input of the SVM (Support Vector Machine) classifier to calculate the accuracy of various cardiac abnormality pathology classification based on the electrocardiogram signal. In order to verify the validity of the proposed technique, the superiority of the proposed technique was confirmed by using arrhythmia data from the public database PhysioNet. In addition, for real-time detection, it was shown that detection can be performed using short-length ECG data, and it can be used as a computer-assisted diagnostic technique for arrhythmia detection.
Recently, in the field of healthcare, research to attempt diagnosis and prognosis of serious diseases using bio-signal processing and machine learning techniques has been activated. Among the typical serious diseases, ventricular fibrillation (VF) and ventricular tachycardia (VT) are malignant symptoms that lead to death of shockable rhythm in defibrillation of arrhythmia. Rapid detection is very important because it requires immediate action by a specialist or an automated external defibrillator (AED) after the occurrence of arrhythmia. Accordingly, many signal processing and machine learning algorithms have been proposed for use as computer-assisted diagnostic techniques, but have the disadvantages of low arrhythmia detection performance and difficulty in real-time detection. In this paper, we propose a computer-assisted diagnostic technique to detect ventricular fibrillation ECG and non-ventricular fibrillation, ventricular tachycardia, and normal sinus rhythm (NSR). To this end, we use a detection technique that minimizes information loss using the results of an ensemble empirical mode decomposition (EEMD) of an electrocardiogram (ECG). Intrinsic mode functions (IMFs) having different frequency components based on data extracted by applying EEMD decomposition to an ECG signal have a specific orthogonality and correlation with the ECG signal and each intrinsic mode function. It is known that the shape of the QRS complex, which is one of the important elements of the ECG signal according to various pathological conditions, reflects this, and the degree of correlation varies according to this factor. In this regard, the degree of correlation is quantified by the angle between the intrinsic mode function vectors and used as a feature vector for classification. This was used as the input of the SVM (Support Vector Machine) classifier to calculate the accuracy of various cardiac abnormality pathology classification based on the electrocardiogram signal. In order to verify the validity of the proposed technique, the superiority of the proposed technique was confirmed by using arrhythmia data from the public database PhysioNet. In addition, for real-time detection, it was shown that detection can be performed using short-length ECG data, and it can be used as a computer-assisted diagnostic technique for arrhythmia detection.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.