[논문]심박수 변이도와 퍼지 신경망을 이용한 부정맥 추출

장형종; 임준식

심박수 변이도와 퍼지 신경망을 이용한 부정맥 추출
Detection of Arrhythmia Using Heart Rate Variability and A Fuzzy Neural Network 원문보기

인터넷정보학회논문지 = Journal of Korean Society for Internet Information, v.10 no.5, 2009년, pp.107 - 116

장형종 (경원대학교 전자계산학) , 임준식 (경원대학교 컴퓨터소프트웨어)

초록
AI-Helper

본 논문에서는 심전도 신호로부터 부정맥을 진단하는 방법으로 심박수 변이도와 퍼지 신경망을 이용하는 방안을 제시하고 있다. 제안한 부정맥 진단 알고리즘은 32개 RR 간격의 심박수 변이도, 즉 평균 25초 내외의 심박수 변화를 이용하여 부정맥을 진단하는 알고리즘이다. 부정맥 진단 알고리즘은 32개 RR 간격을 이용하여, 통계적 특징 6개를 추출한 후, 가중 퍼지소속함수 기반 신경망으로 학습하여 정상 구간과 부정맥 구간을 분류한다. 부정맥 진단 알고리즘은 Tsipouras 논문군(48개 레코드)에서 SE와 SP 각각 80% 이하의 성능을 보이는 기존연구와는 달리, SE는 88.75%, SP는 82.28%, 전체 분류율은 86.31%의 신뢰성 있는 결과를 나타낸다.

Abstract ▼ AI-Helper

This paper presents an approach to detect arrhythmia using heart rate variability and a fuzzy neural network. The proposed algorithm diagnoses arrhythmia using 32 RR-intervals that are 25 seconds on average. We extract six statistical values from the 32 RR-intervals, which are used to input data of the fuzzy neural network. This paper uses the neural network with weighted fuzzy membership functions(NEWFM) to diagnose arrhythmia. The NEWFM used in this algorithm classifies normal and arrhythmia. The performances by Tsipouras using the 48 records of the MIT-BIH arrhythmia database was below 80% of SE(sensitivity) and SP(specificity) in both. The detection algorithm of arrhythmia shows 88.75% of SE, 82.28% of SP, and 86.31% of accuracy.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

심전도와 부정맥에 대한 의학적 개요와 특징을 살펴보고, 심박수 변이도에 대한 다양한 특징을 살펴본다. 또한 본 논문에서 사용할 가중 퍼지소속함수 기반 신경망에 대해 알아본다. 3장에서는 부정맥 진단 알고리즘에 대해 알아보고, 4장에서는 실험 결과와 타 논문과의 비교 평가를 실시한다.
본 논문에서는 부정맥을 진단하는 방법으로, 심박수 변이도를 이용한 분석 알고리즘을 제안한다. 성능 검증을 위한 벤치마킹 데이터로 MIT-BIH 부정맥 데이터베이스[9]를 사용하며, 정상 신호와 부정맥 신호를 분류하기 위한 분류 기법은 가중 퍼지소속함수 기반 신경망[10]을 사용한다.
본 논문은 심박수 변이도와 가중 퍼지소속함수 기반 신경망을 이용하여 부정맥 자동 탐지 방안을 제안하고 있다. 제안한 진단 알고리즘은 32개 RR 간격의 심박수 변이도, 즉 평균 25초 내외의 심박수 변화를 이용하여 부정맥을 진단하는 알고리즘이다.

제안 방법

Tsipouras[8]는 32개의 RR 간격을 이용하여 부정맥을 추출하였다. 각각의 특징은 SDNN을 1, RMSSD를 2, SDSD를 3, pNN5를 4, pNN10을 5, pNN50을 6으로 하여 63가지 조합을 생성하였다. 63가지의 조합을 각각 역전파 신경망을 이용하여 훈련한 실험 결과는 표 4와 같다.
'NEWFM'은 Step 5와 같다. 미리 학습된 가중 퍼지소속함수와 Step 4에서 구한 6가지 특징 벡터를 이용하여 Normal 구간과 Arrhythmic 구간으로 분류한다. 이러한 과정을 반복 수행하는 부분은 Step 6이다.
본 논문에서 제안하는 부정맥 진단 알고리즘은 32개 RR 간격의 심박수 변이도, 즉 평균 25초 내외의 심박수 변화를 이용하여 부정맥을 진단하는 알고리즘이다. 부정맥 진단 알고리즘은 32개 RR 간격을 분석하여, 통계적 특징 6개를 추출한 후, 추출된 특징을 특징 벡터로 입력받는 가중 퍼지 소속함수 기반 신경망을 이용한 학습 및 분류 과정을 통해, 정상 구간과 부정맥 구간을 분류하는 방법이다.
75∼1초 간격으로 R파가 추출된다. 본 논문에서는 심박수 변이도를 적용하는 방법으로 32개의 RR 간격을 하나의 세그먼트(segment)로 하는 세그먼트 단위 분석을 사용한다. 이 분석 방법은 정상 심박일 경우에 24∼32초 마다 하나의 세그먼트를 완성한다.
Tsipouras는 부정맥 구간을 추출하기 위해, 32개의 RR 간격을 하나의 세그먼트 단위로 각각의 특징을 조합하여, 역전파 신경망을 이용하여 훈련 및 분류를 실행하였고, 실험 결과 SE, SP 각각 80%이하의 성능을 나타내고 있다. 본 논문에서는 특징 추출 과정에서 기존의 특징 벡터에 대한 고찰을 실행하여, 불필요한 특징 벡터를 삭제하고, 새로운 특징 벡터를 추가적으로 사용한다. 본 논문의 부정맥 진단 알고리즘은 Tsipouras의 실험 결과와 비교평가를 실시한다.
2장에서는 본 연구와 관련된 지식에 대해 살펴본다. 심전도와 부정맥에 대한 의학적 개요와 특징을 살펴보고, 심박수 변이도에 대한 다양한 특징을 살펴본다. 또한 본 논문에서 사용할 가중 퍼지소속함수 기반 신경망에 대해 알아본다.
반면 pNN100의 경우 Normal과 Arrhythmic의 차이를 확인할 수 있다. 이에 본 논문에서는 기존의 논문에서 사용한 pNN5를 제외하고, pNN100을 새로 추가한 특징 벡터 6개를 가중 퍼지소속함수 기반 신경망의 입력 벡터로 사용하였다.
부정맥 진단 알고리즘의 개요는 그림 6에 나타나 있다. 입력된 360Hz의 심전도 데이터에서 RR 간격을 추출하고, RR 간격를 이용하여 통계적 특징을 추출한다. 추출된 특징 벡터는 가중 퍼지 소속함수 기반 신경망을 이용하여 Normal 구간과 Arrhythmic 구간으로 분류한다.
제안한 진단 알고리즘은 32개 RR 간격의 심박수 변이도, 즉 평균 25초 내외의 심박수 변화를 이용하여 부정맥을 진단하는 알고리즘이다. 제안한 부정맥 진단 알고리즘은 32개 RR 간격을 이용하여, 표준편차 등의 통계적 특징 6개를 추출한 후, 가중 퍼지소속함수 기반 신경망으로 학습하여 정상 구간과 부정맥 구간을 분류하는 방법을 제안하였다. 제안한 진단 알고리즘은 Tsipouras 논문군(48개 레코드)에서 SE와 SP 각각 80%이하의 성능을 보이는 비교 논문과는 달리, SE는 88.
본 논문은 심박수 변이도와 가중 퍼지소속함수 기반 신경망을 이용하여 부정맥 자동 탐지 방안을 제안하고 있다. 제안한 진단 알고리즘은 32개 RR 간격의 심박수 변이도, 즉 평균 25초 내외의 심박수 변화를 이용하여 부정맥을 진단하는 알고리즘이다. 제안한 부정맥 진단 알고리즘은 32개 RR 간격을 이용하여, 표준편차 등의 통계적 특징 6개를 추출한 후, 가중 퍼지소속함수 기반 신경망으로 학습하여 정상 구간과 부정맥 구간을 분류하는 방법을 제안하였다.
여기서 50ms 안의 점의 비율은 RR 간격 차이가 50ms 보다 큰 경우가 전체 구간에서 차지하는 비율을 의미한다. 주파수 영역 분석은 RR 간격의 변화를 파형 분석하여 각 주파수 영역의 신호가 상대적으로 어떤 강도로 있는지 보는 방법으로 Total Power(5분 동안의 전체 power), VLF(very low frequency, 0-0.04Hz에 해당하는 주파수 대역의 강도), LF(low frequency, 0.04-0.15Hz에 해당하는 주파수 대역의 강도), HF(high frequency, 0.15-0.4Hz에 해당하는 주파수 대역의 강도)를 사용한다. LF은 심장의 동방결절에 대해서 대부분 교감신경의 조절에 작용하며, HF는 심장의 동방결절에 대한 미주신경 조절의 지표로 부교감신경의 조절에 작용한다.
입력된 360Hz의 심전도 데이터에서 RR 간격을 추출하고, RR 간격를 이용하여 통계적 특징을 추출한다. 추출된 특징 벡터는 가중 퍼지 소속함수 기반 신경망을 이용하여 Normal 구간과 Arrhythmic 구간으로 분류한다.

대상 데이터

알고리즘 성능 평가를 위한 벤치마킹 데이터는 MIT-BIH 부정맥 데이터베이스를 사용한다. MIT-BIH 부정맥 데이터베이스는 1975년과 1979년 사이에 Beth Israel 병원의 부정맥 연구실에 의해 수집된 4,000개가 넘는 24시간 홀터 테이프에서 선택한 기록들이며, 60% 가량이 입원 환자로부터 수집되었다. 이 중 임의로 선택된 23명의 환자 기록들과 의학적으로 중요하거나 특이한 증상들을 가진 25명의 환자 기록들을 포함하여 총 48명의 환자들로 데이터베이스를 구성하였으며, 각각의 환자 데이터들은 30분이 조금 넘는 시간 동안의 심전도 데이터로 구성되었다.
그림 7에서 언급한 바와 같이, 본 논문에서는 Tsipouras 논문과는 달리 pNN5를 제외하고 pNN100을 특징 벡터로 사용하였다. SDNN, RMSSD, SDSD, pNN10, pNN50, pNN100 6가지 특징 벡터를 가중 퍼지소속함수 기반 신경망을 이용한 성능 평가는 표 5와 같다.
기존 논문에서는 pNN5를 사용하였으나 본 논문에서는 pNN5 대신에 pNN100을 사용하였다. 그림 7에서는 pNN5, pNN10, pNN50, pNN100에 대한 분석 자료가 있다.
부정맥 진단 알고리즘은 32개 RR 간격을 분석하여, 통계적 특징 6개를 추출한 후, 추출된 특징을 특징 벡터로 입력받는 가중 퍼지 소속함수 기반 신경망을 이용한 학습 및 분류 과정을 통해, 정상 구간과 부정맥 구간을 분류하는 방법이다. 본 논문에서는 비교 실험군으로 Tsipouras[8] 논문군(48개 레코드)을 사용한다. Tsipouras는 부정맥 구간을 추출하기 위해, 32개의 RR 간격을 하나의 세그먼트 단위로 각각의 특징을 조합하여, 역전파 신경망을 이용하여 훈련 및 분류를 실행하였고, 실험 결과 SE, SP 각각 80%이하의 성능을 나타내고 있다.
알고리즘 성능 평가를 위한 벤치마킹 데이터는 MIT-BIH 부정맥 데이터베이스를 사용한다. MIT-BIH 부정맥 데이터베이스는 1975년과 1979년 사이에 Beth Israel 병원의 부정맥 연구실에 의해 수집된 4,000개가 넘는 24시간 홀터 테이프에서 선택한 기록들이며, 60% 가량이 입원 환자로부터 수집되었다.
MIT-BIH 부정맥 데이터베이스는 1975년과 1979년 사이에 Beth Israel 병원의 부정맥 연구실에 의해 수집된 4,000개가 넘는 24시간 홀터 테이프에서 선택한 기록들이며, 60% 가량이 입원 환자로부터 수집되었다. 이 중 임의로 선택된 23명의 환자 기록들과 의학적으로 중요하거나 특이한 증상들을 가진 25명의 환자 기록들을 포함하여 총 48명의 환자들로 데이터베이스를 구성하였으며, 각각의 환자 데이터들은 30분이 조금 넘는 시간 동안의 심전도 데이터로 구성되었다. 각 레코드는 2채널로 기록되었고, 샘플링 레이트는 360Hz이다.

데이터처리

본 논문에서는 특징 추출 과정에서 기존의 특징 벡터에 대한 고찰을 실행하여, 불필요한 특징 벡터를 삭제하고, 새로운 특징 벡터를 추가적으로 사용한다. 본 논문의 부정맥 진단 알고리즘은 Tsipouras의 실험 결과와 비교평가를 실시한다.
심박수 변이도에서 사용하는 수치는 시간 영역과 주파수 영역으로 구분할 수 있다. 시간 영역 분석으로는 평균 심박수(Mean RR), 전체 RR 간격의 표준편차(standard deviation of all normal-to-normal RR intervals, SDNN), 인접한 RR 간격의 제곱한 값의 평균 제곱근(root mean square of successive differences of RR intervals, RMSSD), RR 간격 차이의 표준편차(standard deviation of successive differences of RR intervals, SDSD), 50ms 안의 점의 비율(pNN50)을 이용한다. 여기서 50ms 안의 점의 비율은 RR 간격 차이가 50ms 보다 큰 경우가 전체 구간에서 차지하는 비율을 의미한다.

이론/모형

본 논문에서는 성능 평가를 위해 분류 알고리즘의 성능 평가 기준으로 사용하는 SE(sensitivity, 민감성), SP(specificity, 특이성), Accuracy(전체 분류율)를 사용한다. SE와 SP는 각각 식 2 및 식 3과 같고, Accuracy는 식 4와 같다.
본 논문에서는 심전도 신호에서 정상 신호와 부정맥 신호를 분류하기 위한 방법으로 가중 퍼지소속함수 기반 신경망(neural network with weighted fuzzy membership functions, NEWFM)을 사용하였다[10]. NEWFM은 입력으로부터 학습된 가중 퍼지소속함수의 경계합을 이용하여 클래스 분류를 하는 지도 퍼지 신경망이다.
본 논문에서는 부정맥을 진단하는 방법으로, 심박수 변이도를 이용한 분석 알고리즘을 제안한다. 성능 검증을 위한 벤치마킹 데이터로 MIT-BIH 부정맥 데이터베이스[9]를 사용하며, 정상 신호와 부정맥 신호를 분류하기 위한 분류 기법은 가중 퍼지소속함수 기반 신경망[10]을 사용한다. 가중 퍼지소속함수 기반 신경망은 위스콘신 유방암, 붓꽃(iris), 포도주 등에 대한 벤치마킹 분류실험을 통해 성능이 입증되었다[11][12].

성능/효과

63가지의 조합을 각각 역전파 신경망을 이용하여 훈련한 실험 결과는 표 4와 같다. 126 조합(SDNN, RMSSD, pNN50)은 SE는 77%, SP는 80%이고, 1236 조합(SDNN, RMSSD, SDSD, pNN50)의 경우 SE는 80%, SP는 77%로, 모두 80% 미만의 Accuracy를 보이고 있다.
본 논문에서 제안한 부정맥 진단 알고리즘과 Tsipouras의 결과를 비교하면 표 6과 같다. Tsipouras의 결과가 SE, SP 각각 80% 이하의 성능을 보이는데 반해 본 논문의 부정맥 진단 알고리즘은 SE, SP, Accuracy에서 모두 높은 성능을 나타내었다.
중앙선을 기준으로 왼쪽은 Normal 데이터, 오른쪽은 Arrhythmic 데이터이다. pNN5의 경우 Normal과 Arrhythmic이 거의 유사하게 나타나기 때문에, 특징으로 적합하지 않다고 판단하였으며, pNN5를 사용하여 퍼지 신경망에 훈련 수행 결과도 성능이 좋지 않았다. 반면 pNN100의 경우 Normal과 Arrhythmic의 차이를 확인할 수 있다.
제안한 부정맥 진단 알고리즘은 32개 RR 간격을 이용하여, 표준편차 등의 통계적 특징 6개를 추출한 후, 가중 퍼지소속함수 기반 신경망으로 학습하여 정상 구간과 부정맥 구간을 분류하는 방법을 제안하였다. 제안한 진단 알고리즘은 Tsipouras 논문군(48개 레코드)에서 SE와 SP 각각 80%이하의 성능을 보이는 비교 논문과는 달리, SE는 88.75%, SP는 82.28%, Accuracy는 86.31%의 신뢰성 있는 결과를 나타내었다.

질의응답

핵심어	질문	논문에서 추출한 답변
	최근 사망원인 조사에서 순환기꼐 질환이 전체 사망률의 몇 %를 차지하는가?	최근 생활양식의 서구화와 고령인구의 증가로 인해 심혈관계 질환이 급증하는 추세이다. 통계청에 자료에 따르면, 최근 사망원인 조사에서 순환기계 질환이 전체 사망률 중 약 25%로 가장 많은 원인을 차지하고 있는 것으로 나타났다. 심장 질환이 증가함에 따라 심장의 전기적 활동을 나타내는 심전도 자동 진단에 대한 연구와 진단의 정확성을 높이기 위한 알고리즘 개발이 활발히 이루어지고 있다.
	심전도 신호의 특징을 추출하기 위해 무엇이 사용되는가?	심전도 신호에서 심장 질환을 자동 진단하기 위해 신경망 및 퍼지 이론을 결합한 퍼지 신경망(fuzzy neural network, FNN)이 제안되어 왔다[1][2]. 심전도 신호의 특징을 추출하기 위해서 푸리에 변환(Fourier transform, FT) 및 웨이블릿 변환(wavelet transform, WT)이 사용되고 있으며, 퍼지 신경망과 함께 심장 질환 분류에 사용되고 있다[3][4].
	ECG는 무엇의 영향을 받는가?	심전도(electrocardiograph, ECG)는 심장을 구성하는 세포들이 시간에 따라 흥분하였다가 회복될 때 생기는 전위의 변화를 체표면에서 기록하는 것이다. 따라서, 심전도는 기록 부위로부터 심장까지의 거리와 전위의 벡터, 정상부위와 흥분된 부위의 전압차, 그리고 각 심장세포의 활동전위의 모양과 여러 활동전위의 동기화 여부에 의해서 영향을 받는다.

참고문헌 (13)

T. H. Linh, S. Osowski, and M. Stodolski, 'On-Line Heart Beat Recognition Using Hermite Polynomials and Neuro-Fuzzy Network', IEEE Trans. on Instrumentation and Measurement, Vol. 52, No. 4, pp. 1224-1231, 2003.

상세보기
R. Silipo and C. Marchesi, 'Artificial Neural Networks for Automatic ECG Analysis', IEEE Trans. on Signal Processing, Vol. 46, No. 5, pp. 1417-1425, 1998.

상세보기
K. Minami, H. Nakajima, and T. Toyoshima, 'Real-Time Discrimination of Ventricular Tachyarrhythmia with Fourier-Transform Neural Network', IEEE Trans. on Biomedical Engineering, Vol. 46, No. 2, pp. 176-185, 1999.
L.-Y. Shyu, Y.-H. Wu, and W. Hu, 'Using wavelet transform and fuzzy neural network for VPC detection from the holter ECG', IEEE Transactions on Biomedical Engineering, Vol. 51, Issue 7, pp. 1269-1273, 2004.

상세보기
Forslund L, Bjorkander I, Ericson M, Held C, Kahan T, Rehnqvist N, Hjemdahl P., 'Prognostic implications of autonomic function assessed by analyses of catecholamines and heart rate variability in stable angina pectoris'. Heart (British Cardiac Society) 87, pp. 415-22, 2002.

상세보기
Bigger JT, Fleiss JL, Rolintzky LM., 'Frequency domain measures of heart period variability to assess risk late after myocardial' Am J Cardiol 27, pp. 729-36, 1993.
La Rovere MT, Bigger JT, Marcus FI., 'Baroreflex sensitivity and heart rate variability
Markos G. Tsipouras, Dimitrios I. Fotiadis, 'Automatic arrhythmia detection based on time and time-frequency analysis of heart rate variability', Computer Methods and Programs in Biomedicine 74. pp. 95-108, 2004.

상세보기
R. Mark and G. Moody, “MIT-BIH arrhythmia database directory', Mass. Inst. of Tech. (MIT), 1988.
J. S. Lim, D. Wang, Y.-S. Kim, and S. Gupta, “A neuro-fuzzy approach for diagnosis of antibody deficiency syndrome,” Neurocomputing 69, Issues 7-9, pp. 969-974, 2006.

상세보기
임준식, 가중 퍼지 소속함수 기반 신경망을 이용한 Wisconsin Breast Cancer 예측 퍼지규칙의 추출, 한국정보처리학회, 제11-B권, 제6호, pp. 717-722, 2004.
J. S. Lim and S. Gupta, 'Feature Selection Using Weighted Neuro-Fuzzy Membership Functions', The 2004 International Conference on Artificial Intelligence(IC-AI'04), Vol. 1, pp.261-266, 2004.
Pan J and Tompkins WJ, 'A Real-Time QRS Detection Algorithm', IEEE Transactions on Biomedical Engineering Vol. 32, No. 3, pp. 230-236, 1985.

상세보기

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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