[논문]재택건강관리 시스템을 위한 정상 및 비정상 심전도의 분류

최안식; 우응제; 박승훈; 윤영로

문제 정의

본 논문에서는 QRS의 정상 여부만을 판정하는 방법을 기술하였다. 이 방법에 의해 비정상으로 분류된 QRS들은 비정상 중에서도 어떠한 종류에 해당되는지 추가적인 분석이 필요할 것이다.
본 논문에서는 주된 사용자가 정상인이며 그들의 건강상태에 대한장기간의 모니터링을 수행하는 재택건강관리시스템을 가정하고 그러한 경우에 실시간 QRS 검출기를 어떻게 설계하는 것이 바람직하며, 또한 실시간으로 심전도의 정상 여부를 판단할 수 있는 알고리즘을 어떻게 설계할 것인지를 논의하였다.
개발된 알고리즘은 실시간 QRS 검출기와 각 QRS를 정상 또는 비정상으로 분류하는 방법을 포함한다. 본 연구에서는 알고리즘의 개발에 있어서 낮은 연산능력을 가지는 소형가정용 단말기에서도 실시간으로 QRS를 검출하면서 동시에 정상 및비정상의 분류가 수행될 수 있도록 성능 대비 연산량의 비를 극대화하는 것을 가장 중요한 요소로 택하였다.
본 연구에서는 재택건강관리 시스템에서 사용되는 단말기에서 가장 많이 측정하는 심전도를 대상으로 이러한 목적에 맞는 신호처리 알고리즘을 개발하였다. 개발된 알고리즘은 실시간 QRS 검출기와 각 QRS를 정상 또는 비정상으로 분류하는 방법을 포함한다.
된다. 최근에는 QRS 검출에 웨이블릿 변환과 필터뱅크 등을 이용하는 방법들이 제안되었으나[1-4], 본 연구에서는 실시간 처리를 목적으로 고전적인 실시간 QRS 검출 알고리즘[5, 6]을 채택하였고 이를 세분화하여 단계적으로 복잡한 기능들을 추가하면서 성능의 개선 정도를 파악하였다. 이를 바탕으로 지속적으로 심전도 신호가 측정되는 재택건강관리 시스템에서 사용하기에 적절한 QRS 검출기를 제안하였다.

제안 방법

가장 많이 사용되고 있는 실시간 QRS 검출기[5, 6]를 기반으로 하고, 먼저 QRS 검출이전에 필요한 전처리를 수행하였다. 심전도 신호에 포함된 잡음을 줄이기 위해 저역 및 고역통과 필터를 직렬로 연결하여 -3dB 통과 대역 이 약 5~12Hz인 대역통과 필터를 사용하였다.
맞는 신호처리 알고리즘을 개발하였다. 개발된 알고리즘은 실시간 QRS 검출기와 각 QRS를 정상 또는 비정상으로 분류하는 방법을 포함한다. 본 연구에서는 알고리즘의 개발에 있어서 낮은 연산능력을 가지는 소형가정용 단말기에서도 실시간으로 QRS를 검출하면서 동시에 정상 및비정상의 분류가 수행될 수 있도록 성능 대비 연산량의 비를 극대화하는 것을 가장 중요한 요소로 택하였다.
검출된 QRS가 정상인지 비정상인지를 판단하기 위해서는 QRS 폭, R-R 간격 그리고 QRS 형태 변수를 이용하였다. 형태 변수는 정상적인 QRS의 형태를 나타내는 고유벡터들을 이용하여 계산하며 그 방법은 뒤에 기술하기로 한다.
검출된 QRS의 정상 여부를 판단하기 위하여 QRS 폭, R-R 간격 변수 그리고 QRS 형태 변수의 히스토그램 분포들을 이용하였다. 주된 사용자가 정상인들인 재택건강관리시스템에서는 비정상 QRS를 정상으로 판정하는 경우를 최소화하는 것이 바람직하다.
거의 일치함을 확인할 수 있다. 그러나 본 논문에서는 실시간 처리가 가능한 알고리즘의 개발에 중점을 두었기 때문에 정상 QRS 신호벡터들의 형태를 가장 잘 표현하는 두 개의 고유벡터만을 사용하여 QRS 형태 변수를 계산하였다. 이들은 가장 큰 고 유치와 두 번째로 큰 고유치에 해당하는 고유벡터들이다.
심전도 신호에 포함된 잡음을 줄이기 위해 저역 및 고역통과 필터를 직렬로 연결하여 -3dB 통과 대역 이 약 5~12Hz인 대역통과 필터를 사용하였다. 또한 R파의 경사를 강조하기 위해 차분기를 통과시킨 후 신호의 절대 값을 취하였으며, 양수로 바뀐 신호는 이동창 적분기를 통과한 후 문턱치를 적용하여 QRS를 검출하였다. 문턱치의 적용은 심전도 신호에서 국부적으로 기울기가 변화는 정점을 찾은 후, 이정점이 문턱치를 초과하면 신호 정점으로 그렇지 않으면 잡음정점으로 간주한다.
방법 1: 하나의 신호정 점 검출 후 120ms 이내에 발생하는 복수개의 신호 정점들 중에서 가장 큰 신호 정점을 R-파로 검출함.
방법 3: 방법 1에 추가하여, R-파가 검출되고 새로운 R- 파가 200ms 이내에 다시 발생하면 무시하고, 200~360ms 이내에 발생하면 그 기울기를 이용하여 T-파인지 아니면 새로운 R-파인지 판별함.
방법 4: 방법 3에 추가하여, R-파가 이전 R-R 간격의 150% 이내에 검출되지 않으면 문턱치를 낮춘 후 다시 R- 파를 검출하는 역탐색 기법을 사용함.
문턱치의 적용은 심전도 신호에서 국부적으로 기울기가 변화는 정점을 찾은 후, 이정점이 문턱치를 초과하면 신호 정점으로 그렇지 않으면 잡음정점으로 간주한다. 본 논문에서는 이후 각 정점들을 처리하는 과정에서 단순화된 알고리즘을 도출하고자 다음의 네 가지 방법 각각에 대하여 QRS 검출 성능을 비교하였다 [9].
이를 바탕으로 지속적으로 심전도 신호가 측정되는 재택건강관리 시스템에서 사용하기에 적절한 QRS 검출기를 제안하였다. 의료기관에서 사용하는 해석 심전계들은 나름대로의 심전도 자동 해석 알고리즘을 내장하고 있으며, 이러한 심전도 해석 알고리즘에는 웨이블릿 계수나 퍼지이론을 이용한 연구결과들이 발표되었으나[7, 8], 본 연구에서는 복잡한 신호처리가 필요한 방법들을 이용하지 않고 실시간으로 QRS의 정상 또는 비정상 여부만을 판정하기 위해 QRS 폭, R-R 간격 그리고 QRS의 형태를 이용하는 간단한 알고리즘을 제안하였다. 제안된 알고리즘은 MIT/BIH 심전도 데이터베이스를 이용하여 그 성능을 검증하였다.
최근에는 QRS 검출에 웨이블릿 변환과 필터뱅크 등을 이용하는 방법들이 제안되었으나[1-4], 본 연구에서는 실시간 처리를 목적으로 고전적인 실시간 QRS 검출 알고리즘[5, 6]을 채택하였고 이를 세분화하여 단계적으로 복잡한 기능들을 추가하면서 성능의 개선 정도를 파악하였다. 이를 바탕으로 지속적으로 심전도 신호가 측정되는 재택건강관리 시스템에서 사용하기에 적절한 QRS 검출기를 제안하였다. 의료기관에서 사용하는 해석 심전계들은 나름대로의 심전도 자동 해석 알고리즘을 내장하고 있으며, 이러한 심전도 해석 알고리즘에는 웨이블릿 계수나 퍼지이론을 이용한 연구결과들이 발표되었으나[7, 8], 본 연구에서는 복잡한 신호처리가 필요한 방법들을 이용하지 않고 실시간으로 QRS의 정상 또는 비정상 여부만을 판정하기 위해 QRS 폭, R-R 간격 그리고 QRS의 형태를 이용하는 간단한 알고리즘을 제안하였다.
100개의 데이터 벡터를 선택하였다. 좌측 50개의 데이터들이 가지는 최대 기울기의 크기와 우측 데이터들이 가지는 최대 기울기의 크기를 계산한 다음 두 기울기의 값 중에서 작은 값을 택하고 그 값의 25%를 QRS의 시점과 종점을 찾기 위한 문턱치로 설정하였다. QRS의 시점과 종점을 찾기 위해 R-파의 좌우 데이터들에서 기울기의 크기가 문턱치보다 작거나 같은 지점이 적어도 세 개가 연속적으로 발생되면 그 위치를 R-파의 좌측에서는 QRS의 시점 그리고 R-파의 우측에서는 QRS의 종점으로 판단하였다.
간격이다. 현재 검출된 QRS가 정상이면 가장 최근에 검출된 QRS의 정상 여부에 상관없이 해당 R-R 간격을 정상의 R-R 간격으로 정하였으며, 현재 검출된 QRS가 비정상이면 가장 최근에 검출된 QRS의 정상 여부에 상관없이 해당 R-R 간격을 비정상 R-R 간격으로 정하였다. R-R 간격변수는 현재의 R-R 간격을 가장 최근에 검출된 8개의 정상 R-R 간격들의 평균값으로 나누어서 계산하였으며, MIT/BIH의 심전도 데이터베이스에서 선택된 레코드들에대한 정상과 비정상 R-R 간격 변수에 대한 히스토그램을 그림 3에 나타내었다.

대상 데이터

검출된 R파를 기준으로 좌우 각각 50개의 데이터를 포함하는 100개의 데이터 벡터를 선택하였다. 좌측 50개의 데이터들이 가지는 최대 기울기의 크기와 우측 데이터들이 가지는 최대 기울기의 크기를 계산한 다음 두 기울기의 값 중에서 작은 값을 택하고 그 값의 25%를 QRS의 시점과 종점을 찾기 위한 문턱치로 설정하였다.
우선 MIT/BIH 심전도 데이터베이스에서 검출된 R-파를 기준으로 하여 72개의 샘플 폭을 가지는 정상으로 분류되어 있는 QRS 신호벡터 65, 067개를 추출하였다. 각각의 정상 QRS 신호벡터를 υ = [υ0,υ₁,···υ₇₁]^T 라고 하면 공분산 행렬은 R= E [υ υ ^T] 로 나타낼 수 있다.

데이터처리

QRS 검출 성능은 위의 네 가지 방법에서 MIT/BIH 심전도 데이터베이스의 48개 레코드를 이용하여 각 레코드에서 발생된 FP(false positive)와 FN(false negative)# 더한개수를 각 레코드의 R-파의 수로 나눈 후, 백분율로 계산한 결과들을 평균한 평균 검출율로 비교하였다. 여기에서 FP란 QRS로 검출하였으나 틀린 경우이고, FN은 QRS인데 검출하지 못한 경우를 의미한다.
앞서 기술한 네 가지의 QRS 검출 방법에 대하여 MIT/BIH의 48개 레코드들에 대한 QRS 검출 성능을 비교하였으며, 48개의 레코드들에 대한 평균 검출율을 그림 7에 나타내었다. 예측대로 방법 4가 가장 좋은 평균 검출율을 나타내었으나, 방법 3과 비교해볼 때 역탐색 기법을 적용하여도 평균 검출율이 월등히 좋아지지는 않았다.
의료기관에서 사용하는 해석 심전계들은 나름대로의 심전도 자동 해석 알고리즘을 내장하고 있으며, 이러한 심전도 해석 알고리즘에는 웨이블릿 계수나 퍼지이론을 이용한 연구결과들이 발표되었으나[7, 8], 본 연구에서는 복잡한 신호처리가 필요한 방법들을 이용하지 않고 실시간으로 QRS의 정상 또는 비정상 여부만을 판정하기 위해 QRS 폭, R-R 간격 그리고 QRS의 형태를 이용하는 간단한 알고리즘을 제안하였다. 제안된 알고리즘은 MIT/BIH 심전도 데이터베이스를 이용하여 그 성능을 검증하였다.

이론/모형

QRS 의 형태를 나타내는 변수의 추출을 위해서 Karhunen-Loeve (KL) 변환을 사용하였다 [11]. 우선 MIT/BIH 심전도 데이터베이스에서 검출된 R-파를 기준으로 하여 72개의 샘플 폭을 가지는 정상으로 분류되어 있는 QRS 신호벡터 65, 067개를 추출하였다.
각각의 정상 QRS 신호벡터를 υ = [υ0,υ₁,···υ₇₁]^T 라고 하면 공분산 행렬은 R= E [υ υ ^T] 로 나타낼 수 있다. 공분산 행렬을 계산한 뒤, 정상 QRS의 형태를 가장 잘 표현하는 고유벡터 (singular vector)들을 찾기 위해 공분산 행렬 R 에 식 (2)와 같이 singular value decomposition (SVD) 을 적용하였다.

성능/효과

검출된 QRS의 정상 여부를 판단하기 위해서는 QRS 폭, R-R 간격 그리고 QRS 형태 변수를 이용하는 알고리즘을 제안하였고 정상 여부의 판단에 대한 정확도가 약 96%라는 좋은 결과를 얻을 수 있었다. 이 방법은 복잡한 신호처리를 필요로 하지 않기 때문에 재택건강관리 시스템에서 사용하는 저가형 소형 단말기 내에서 비정상 QRS를 실시간으로 분류하는 데에 활용이 가능하리라 기대된다.
또한 R-파를 검출한 후 360ms 이내에 새로운 R-파가 검출되면 무조건 무시하는 단순한 방법도 하드웨어 및 소프트웨어 자원 활용의 최소화가 필요한 경우에는 충분히 사용 가능한 것으로 판단하였다.
예측대로 방법 4가 가장 좋은 평균 검출율을 나타내었으나, 방법 3과 비교해볼 때 역탐색 기법을 적용하여도 평균 검출율이 월등히 좋아지지는 않았다. 또한 방법 2의 평균 검출율은 방법 3 및 4와 비교할 때 약 0.2% 정도 떨어지는 수준이지만, 하드웨어 및 소프트웨어 자원 활용의 최소화가 필요한 재택건강관리 시스템에서는 방법 2를 사용하여도 될 것으로 판단된다.
그림 2, 3 및 6의 히스토그램들 각각은 정상과 비정상 QRS에 대하여 겹치는 부분이 있으나 세 가지 변수들을 그림 8의 과정을 통하여 함께 사용하면 만족할 만한 분류 결과를 얻을 수 있었다. 본 연구에서 제안한 QRS 분류 알고리즘은 표 1에서 볼 수 있듯이 FN 값은 낮고 FP은 FN에 비해 상대적으로 큰 값을 가지므로 본 연구에서의도하고자 했던 목적을 잘 만족함을 확인할 수 있다.
실시간 QRS 검출 알고리즘의 선택은 가장 많이 사용되고 있는 알고리즘을 세부적인 관점에서 4가지로 구분하여 QRS 평균 검출 성능을 평가하였으며, 평가 결과 역 탐색기법의 적용 유무에 따른 평균 검출 성능의 차이는 거의 없었다. 또한 R-파를 검출한 후 360ms 이내에 새로운 R-파가 검출되면 무조건 무시하는 단순한 방법도 하드웨어 및 소프트웨어 자원 활용의 최소화가 필요한 경우에는 충분히 사용 가능한 것으로 판단하였다.
나타내었다. 예측대로 방법 4가 가장 좋은 평균 검출율을 나타내었으나, 방법 3과 비교해볼 때 역탐색 기법을 적용하여도 평균 검출율이 월등히 좋아지지는 않았다. 또한 방법 2의 평균 검출율은 방법 3 및 4와 비교할 때 약 0.
나타내었다. 표 1의 결과에서 QRS의 정상 여부 판단의 정확도는 약 96%에 달함을 확인할 수 있었다. 그림 2, 3 및 6의 히스토그램들 각각은 정상과 비정상 QRS에 대하여 겹치는 부분이 있으나 세 가지 변수들을 그림 8의 과정을 통하여 함께 사용하면 만족할 만한 분류 결과를 얻을 수 있었다.

후속연구

이러한 추가적인 분석은 실시간으로 수행할 필요성이 적고 경우에 따라서는 전문의의 직접적인 판단을 통하여 수행할 수도 있을 것이다. 그러나 이러한 추가적인 분석을 부분적으로 자동화하고자 한다면, 여러 종류의 비정상 QRS들 각각에 대한 QRS 형태 변수를 계산하여 분류에 사용하는 방법을 향후의 연구과제로 설정하는 것이 필요할 것이다.
이 방법에 의해 비정상으로 분류된 QRS들은 비정상 중에서도 어떠한 종류에 해당되는지 추가적인 분석이 필요할 것이다. 이러한 추가적인 분석은 실시간으로 수행할 필요성이 적고 경우에 따라서는 전문의의 직접적인 판단을 통하여 수행할 수도 있을 것이다.
좋은 결과를 얻을 수 있었다. 이 방법은 복잡한 신호처리를 필요로 하지 않기 때문에 재택건강관리 시스템에서 사용하는 저가형 소형 단말기 내에서 비정상 QRS를 실시간으로 분류하는 데에 활용이 가능하리라 기대된다.
이 방법에 의해 비정상으로 분류된 QRS들은 비정상 중에서도 어떠한 종류에 해당되는지 추가적인 분석이 필요할 것이다. 이러한 추가적인 분석은 실시간으로 수행할 필요성이 적고 경우에 따라서는 전문의의 직접적인 판단을 통하여 수행할 수도 있을 것이다. 그러나 이러한 추가적인 분석을 부분적으로 자동화하고자 한다면, 여러 종류의 비정상 QRS들 각각에 대한 QRS 형태 변수를 계산하여 분류에 사용하는 방법을 향후의 연구과제로 설정하는 것이 필요할 것이다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

재택건강관리 시스템을 위한 정상 및 비정상 심전도의 분류
Classification of Normal and Abnormal QRS-complex for Home Health Management System 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

재택건강관리 시스템을 위한 정상 및 비정상 심전도의 분류 Classification of Normal and Abnormal QRS-complex for Home Health Management System 원문보기

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

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

저자의 다른 논문 :

최안식 (7) 우응제 (29) 박승훈 (15) 윤영로 (37)

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

재택건강관리 시스템을 위한 정상 및 비정상 심전도의 분류
Classification of Normal and Abnormal QRS-complex for Home Health Management System 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper