선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 이 절에서는 임상 데이터와 원시 심전도로부터 ST-segment 특징벡터들의 추출에 대해 기술한다.
제안 방법
- °ST-segment의 특징 벡터를 이용하여 관상동맥질환에 대해, 협심증(AP: Angina Pectoris) 환자, 급성관동맥 증후군 (ACS: Acute Coronary Syndrome) 또는 Normal people로 진단을 위한분류 기법을 적용하여 평가한다. 적용된 분류 기법으로는 Weka[4]의 결정트리, 베이지안 분류 그리고 연관적 분류 알고리즘들을 적용해 그 결과를 분석한다.
- 각각 적용된 분류 기법들에 대한 심장 질환 진단의예측 결과 평가를 위한 지표로는 TP(True Positive)와 FP(False Positive), 그리고 Recall 및 Precision을 이용하였다.
- 임상적 분석을 위해서는 연관규칙 마이닝을 적용하였으며, 탐사된 연관규칙들을 통해 환자들의 임상적 연관성을 찾을 수 있었다. 또한 원시 심전도 데이터에서 심장 질환 진단의 중요 파라이터인 ST-segment 특징벡터를 추출하여 기존의 대표적인 분류 기법 알고리즘들을 이용하여 질환을 진단하였다. 그 결과 연관적 분류 기법 중의 하나인 cmAR알고리즘이 가장 높은 성능을 보였고, 베이지안 분류, 의사결정트리 순으로 되었다.
- 심장 질환자들의 임상정보와 심전도로부터 데이터마이닝 기술을 적용하기 위해 이 논문에서는 원시 데이터의 전처리 과정에서부터 심장 질환의 특징 분석과 자동 진단을 위한 연관규칙과 분류기법을 제안하며, 세부 내용은 다음과 같다.
- 심전도란 심장의 상태를 비관혈적으로 진단하는 매우 중요한 수단으로 활용되며, 진폭의 수와 주파수를 이용한 생체 전위 신호 중의 하나이다⑶. 이 논문에서는 데이터마이닝 기술을 적용하여 심혈관계 질환자들의 임상정보로부터 질환에 영향을 주는 속성들의 연관관계를 분석하고, 원시 심전도 신호에서 심장 질환 진단의 중요 파라미터인ST-segment를 추출한다. 추출된 ST-segment는 허혈성 심장 질환, 확장성 심근성, 비후성 심근증 진단에 활용되므로 데이터마이닝 기술 중에서 분류 기법들을 사용하여 질환 예측을 한다.
- 이 논문에서는 심장 질환의 임상적 분석과 자동적 인심혈관계 질환의 진단을 위해 데이터마이닝 기술을 적용하였다. 임상적 분석을 위해서는 연관규칙 마이닝을 적용하였으며, 탐사된 연관규칙들을 통해 환자들의 임상적 연관성을 찾을 수 있었다.
- 임상적 분석을 위해서는 연관규칙 마이닝을 적용하였으며, 탐사된 연관규칙들을 통해 환자들의 임상적 연관성을 찾을 수 있었다. 또한 원시 심전도 데이터에서 심장 질환 진단의 중요 파라이터인 ST-segment 특징벡터를 추출하여 기존의 대표적인 분류 기법 알고리즘들을 이용하여 질환을 진단하였다.
- 이 논문에서는 데이터마이닝 기술을 적용하여 심혈관계 질환자들의 임상정보로부터 질환에 영향을 주는 속성들의 연관관계를 분석하고, 원시 심전도 신호에서 심장 질환 진단의 중요 파라미터인ST-segment를 추출한다. 추출된 ST-segment는 허혈성 심장 질환, 확장성 심근성, 비후성 심근증 진단에 활용되므로 데이터마이닝 기술 중에서 분류 기법들을 사용하여 질환 예측을 한다.
- 휴리스틱 방식으로 실험에 대한 최적 파라미터를 추정하였으며, 그 파라미터 값으로 지지도는 10%, 신뢰도는 80%로 하였다. 그림 5는 AprioriT 알고리즘 수행 결과 후의 탐사된 연관 규칙이다.
이론/모형
- ST-segment 벡터들의 추출하기 위해서는 먼저, R-Peak와 QRS Complex 검출 프로그램을 Tompkins알고리즘을 이용하여 그림 2와 같이 추출하였다4], QRS complex는 5-30Hz의 주파수 성분을 갖기 때문에 변화하는 심전도 파형 에 적응적인 문턱치 알고리즘을 적용하여 정확히 QRS를 검출한다. QRS complex 검출 후 R-peak를 검출하여 ST-segment의 시작점인 J point는 R-R간격이 600ms보다 클 경우는 J point=R+60ms, 작을 경우는 J point=R+40ms로정의 한다.
- ST-segment를 이용한 질환의 예측을 위해 적용된 분류 기법은 SVM, 의사결정트리로 C4.5, 베이지안분류기로는 나이브 베이지안, 베이지안 네트워크를 알고리즘을 적용하였다. 마지막으로, 연관적 분류 기법은 CBA[19], cmAR[20] 알고리즘 적용을 하였다.
- °임상 데이터에 연관규칙(association rule)을 적용하여 환자들의 임상적 속성들의 모든 연관규칙을 추출한다.
- 결정트리는 훈련 샘플 데이터의 단일 노드로 시작하여, 샘플이 모두 같은 클래스라면, 노드는 잎이 되고, 해당 클래스로 분류한다. 그렇지 않으면 정보 이득(information gain) 이라는 엔트로피 기반 척도를 사용하여 샘플들을 각각의 클래스로 가장 잘 분리하는 속성을 선택하기 위해 휴리스틱한 방법을 사용한다. 그러나 의사결정트리 또한 나이브 베이지안(naive bayesian)과 유사하게 항목들을 독립적으로 고려하며, 한번에 하나의 변수만을 조사하는 제약 사항을 가지고 있다.
- 5, 베이지안분류기로는 나이브 베이지안, 베이지안 네트워크를 알고리즘을 적용하였다. 마지막으로, 연관적 분류 기법은 CBA[19], cmAR[20] 알고리즘 적용을 하였다.
- 심장 질환 환자들의 임상적 속성들의 연관성 탐사를 위해 기존의 연관규칙 알고리즘 중 LUCS-KDD의 AprioriT[18] 알고리즘을 적용하여 주어진 임계 값(지지도, 신뢰도에 대한 연관규칙을 추출하였다. 휴리스틱 방식으로 실험에 대한 최적 파라미터를 추정하였으며, 그 파라미터 값으로 지지도는 10%, 신뢰도는 80%로 하였다.
- 또한 SVM은 기존의 학습 알고리즘이 경험적 위험 최소화 원칙(empirical risk minimization)을 구현하는 것인데 비해, 구조적 위험최소화 원칙(structural risk minimization)에 기반 하므로 overfitting을 피할 수 있다. 이 논문에서는 SVM 의 커널 함수로서 가우시안 RBF(Radial Basis Function) 를 사용한다.
- 또는 Normal people로 진단을 위한분류 기법을 적용하여 평가한다. 적용된 분류 기법으로는 Weka[4]의 결정트리, 베이지안 분류 그리고 연관적 분류 알고리즘들을 적용해 그 결과를 분석한다.
성능/효과
- 또한 원시 심전도 데이터에서 심장 질환 진단의 중요 파라이터인 ST-segment 특징벡터를 추출하여 기존의 대표적인 분류 기법 알고리즘들을 이용하여 질환을 진단하였다. 그 결과 연관적 분류 기법 중의 하나인 cmAR알고리즘이 가장 높은 성능을 보였고, 베이지안 분류, 의사결정트리 순으로 되었다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.