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
- 본 논문에서는 MFCCS] 다양한 특징차원에 따른 심장질환 분류성능을 비교하였다. 표 2에서 보는 바와 같이 MLP, SVM, ELM기반의 다양한 패턴분류기에서 의다른 차원에 따른 분류정확도를 비교하였다.
- 본 논문에서는 심잡음과 클릭음이 심장질환 종류를 결정하는데 중요함을 고려하여 새로운 시간영역 특징을 추가한 심장질환 분류 알고리듬을 제안하였다. 기존의 켑스트럼 특징에 추가된 시간영역 특징은 심잡음 신호의 위치 정보를 가지는 심잡음 확률벡터, 심잡음 신호의 포락선 정보를 가지는 심음 포락선 및 심잡음 진폭값 변동으로서, 더 정확한 심잡음 신호의 시간적 위치 특성을 반영한다.
- 판별하는데 있어서 중요하다. 본 논문에서는 정상 심음 신호의 분류정확도 저하를 감소시키기 위하여 원 심음 신호의 심음 포락선 값을 구한다. 단일주기 심음 신호의 포락선을 알기 위해 균일한 길이를 갖는 N개의 부 세그먼트 (sub-segment)로 분할하였다.
- 판별하는데 있어서 중요하다. 본 논문에서는 정상 심음 신호의 분류정확도 저하를 감소시키기 위하여 원 심음 신호의 심음 포락선 값을 구한다. 단일주기 심음 신호의 포락선을 알기 위해 균일한 길이를 갖는 N개의 부 세그먼트 (sub-segment)로 분할하였다.
가설 설정
- 단일주기 심음 신호의 포락선을 알기 위해 균일한 길이를 갖는 N개의 부 세그먼트 (sub-segment)로 분할하였다. 심음신호의 주기는 약 800~1000 ms이고 클릭음은 약 30 ms 이하의 길이를 가지므로, 본 논문에서는 N=30으로 정하였다. 부 세그먼트 내의 샘플 개수는 K= L T/N\ 으로 결정된다.
- 단일주기 심음 신호의 포락선을 알기 위해 균일한 길이를 갖는 N개의 부 세그먼트 (sub-segment)로 분할하였다. 심음신호의 주기는 약 800~1000 ms이고 클릭음은 약 30 ms 이하의 길이를 가지므로, 본 논문에서는 N=30으로 정하였다. 부 세그먼트 내의 샘플 개수는 K= L T/N\ 으로 결정된다.
제안 방법
- GMM 모델링 전에, 묵음 (silence) 부분은 배제한다. 먼저 m 번째 부 세그먼트의 평균 절대값 弑混)를 얻은 후에 가우시안 분포로부터 심음 확률 및 심잡음 확률 μ(2:("1)|32)을 계산하고, 최종적으로 사후확률 (a posteriori probability) 夙시o:(rn))을 계산하였다.
- 9개의 심장질환 종류에 대한 심장질환 분류실험에서 나온 결과를 사용하여 심장질환 유무를 판단하는 심장질환 검출성능을 측정하였다. 기존의 41차 MFCC 특징 벡터를 이용한 ELM 기반 패턴분류기는 6.
- MLP 기반의 심음 분류기는 2개의 은닉층을 가지고 출력층은 9가지 심장질환 확률을 가지는 신경회로망으로 구성하였다. 입력층은 특징벡터로 구성되어 있다.
- SVM 기반의 심장질환 분류기의 입력층은 특징 벡터로 구성되어 있고 출력층은 9가지 심장질환 확률을 가지는 신경회로망으로 구성하였다. 방사 기저함수 구조 (Radialbasis function networks; RBFN) [1 기커널을 사용하였고 상반 관계 (trade-off) 가중치 값 C*는 이전 연구 [9] 에서 보는 바와 같이 상대적으로 좋은 성능을 보이는 500으로 설정하였다.
- 심음신호에서의 심잡음 신호를 강조하기 위해 S1/S2 신호는 차단하고 심잡음 신호는 통과하는 대역통과필터를 적용하여 3를 계산하였다. 심 잡음 확률벡터를 계산하기 위하여 한 주기 심음신호는 M개의 균일한 길이를 가지는 부세그먼트로 분할하였다. 심음신호의 주기는 약 800-1000 ms이고 심잡음의 길이는 약 40-50 ms 이므로 M=20개의 부세그먼트로 분할하였다’ 절대값 출력신호는 S1/S2 클래스 (紡)과 심잡음 클래스 (旳)로 표현되는 2개의 가우시안 확률 분포를 가지는 가우시안 혼합 모델 (Gaussian mixture model; GMM) [1기을 이용하여 모델링된다.
- 본 논문에서는 정상 심음 신호의 분류정확도 저하를 감소시키기 위하여 원 심음 신호의 심음 포락선 값을 구한다. 단일주기 심음 신호의 포락선을 알기 위해 균일한 길이를 갖는 N개의 부 세그먼트 (sub-segment)로 분할하였다. 심음신호의 주기는 약 800~1000 ms이고 클릭음은 약 30 ms 이하의 길이를 가지므로, 본 논문에서는 N=30으로 정하였다.
- 본 논문에서는 정상 심음 신호의 분류정확도 저하를 감소시키기 위하여 원 심음 신호의 심음 포락선 값을 구한다. 단일주기 심음 신호의 포락선을 알기 위해 균일한 길이를 갖는 N개의 부 세그먼트 (sub-segment)로 분할하였다. 심음신호의 주기는 약 800~1000 ms이고 클릭음은 약 30 ms 이하의 길이를 가지므로, 본 논문에서는 N=30으로 정하였다.
- 먼저 m 번째 부세그먼트의평균 절대값 弑混）를 얻은 후에 가우시안 분포로부터 심음 확률 및 심잡음 확률 卩（2：（"1）|32）을 계산하고, 최종적으로 사후확률 （a posteriori probability） 夙시o:（rn））을 계산하였다.
- 데이터로 구성된다. 본 논문에서 각 연속 심음 데이터로부터 추출한 단일 주기 심음을 사용한다. 실험에 사용된 정상 및 심장질환별로 나누어진 연속 심음 데이터의 개수는 표 1과 같다.
- 본 논문에서는 심음신호에서의 심잡음 신호를 강조하기 위해 S1/S2 신호는 차단하고 심잡음 신호는 통과하는 대역 통과 필터를 적용하여 3를 구한다. 대역통과필터를 적용한 절대값 출력 신호는 심잡음의 진폭값 변동을 표현하기 위해 1。개의 균일한 길이를 가지는 부세그먼트로 분할하였다.
- 본 논문에서는 연속 심음신호의한 주기로부터 추출한켑스트럼 영역 특징에 심잡음의 위치와 특성을 판단하는데 효과적인 심음 포락선, 심잡음 확률벡터, 심잡음 진폭 값 변동과 같은 새로운 시간영역에서의 특징들을 추가한다. 제안된 시간영역 특징의 성능을 평가하기 위하여 신경회로망 기반의 패턴분류기를 사용한다.
- 본 논문에서는 연속 심음신호의한 주기로부터 추출한켑스트럼 영역 특징에 심잡음의 위치와 특성을 판단하는데 효과적인 심음 포락선, 심잡음 확률벡터, 심잡음 진폭 값 변동과 같은 새로운 시간영역에서의 특징들을 추가한다. 제안된 시간영역 특징의 성능을 평가하기 위하여 신경회로망 기반의 패턴분류기를 사용한다.
- 본 논문에서는 정적 패턴 분류에 높은 성능을 나타내는 신경회로망 기반의 MLP [13], SVM [15][16], ELM [11] 패턴분류기를 사용한다.
- 본 논문에서는 표 3에서 보는 바와 같이 기본 특징에 각각의 시간영역 특징을 추가하여 정확도를 계산하였다. 표 3에서 보는 바와 같이 기본 특징인 41차 MFCE] 20차 심 잡음 확률벡터 ('Probability')를 추가한 MLP 심장질환 분류기는 80.
- 심음신호에서의 심잡음 신호를 강조하기 위해 S1/S2 신호는 차단하고 심잡음 신호는 통과하는 대역통과필터를 적용하여 3를 계산하였다. 심 잡음 확률벡터를 계산하기 위하여 한 주기 심음신호는 M개의 균일한 길이를 가지는 부세그먼트로 분할하였다. 심음신호의 주기는 약 800-1000 ms이고 심잡음의 길이는 약 40-50 ms 이므로 M=20개의 부세그먼트로 분할하였다’ 절대값 출력신호는 S1/S2 클래스 (紡)과 심잡음 클래스 (旳)로 표현되는 2개의 가우시안 확률 분포를 가지는 가우시안 혼합 모델 (Gaussian mixture model; GMM) [1기을 이용하여 모델링된다.
- 심잡음 신호가 S1/S2 신호에 묻혀져 있는 경우 심 잡음의 시간적 위치 정보를 알 수 없다 본 논문에서는 시간 영역에서의 보다 정확한심잡음 위치를 분석하기 위하여 심잡음 확률벡터를 구한다. 심음신호에서의 심잡음 신호를 강조하기 위해 S1/S2 신호는 차단하고 심잡음 신호는 통과하는 대역통과필터를 적용하여 3를 계산하였다. 심 잡음 확률벡터를 계산하기 위하여 한 주기 심음신호는 M개의 균일한 길이를 가지는 부세그먼트로 분할하였다.
- 대역통과필터를 적용한 절대값 출력 신호는 심잡음의 진폭값 변동을 표현하기 위해 1。개의 균일한 길이를 가지는 부세그먼트로 분할하였다. 심음신호의 주기는 약 800-1000 ms이고 심집음진폭값의 변동크기는 약 100 ms 이하이므로 L=10개의 부세그먼트로 분할하였다. 각 부세그먼트의 값 ?는 식 (10)과 같은 처리과정을 거쳐 심잡음 진폭값 변동의 10차 특징 벡터 鼠“를 계산하였다
- 심잡음 신호가 S1/S2 신호에 묻혀져 있는 경우 심 잡음의 시간적 위치 정보를 알 수 없다 본 논문에서는 시간 영역에서의 보다 정확한심잡음 위치를 분석하기 위하여 심잡음 확률벡터를 구한다. 심음신호에서의 심잡음 신호를 강조하기 위해 S1/S2 신호는 차단하고 심잡음 신호는 통과하는 대역통과필터를 적용하여 3를 계산하였다.
- 심잡음 신호가 S1/S2 신호에 묻혀져 있는 경우 심 잡음의 시간적 위치 정보를 알 수 없다 본 논문에서는 시간 영역에서의 보다 정확한심잡음 위치를 분석하기 위하여 심잡음 확률벡터를 구한다. 심음신호에서의 심잡음 신호를 강조하기 위해 S1/S2 신호는 차단하고 심잡음 신호는 통과하는 대역통과필터를 적용하여 3를 계산하였다.
- 심음신호에서의 심잡음 신호를 강조하기 위해 S1/S2 신호는 차단하고 심잡음 신호는 통과하는 대역통과필터를 적용하여 3를 계산하였다. 심 잡음 확률벡터를 계산하기 위하여 한 주기 심음신호는 M개의 균일한 길이를 가지는 부세그먼트로 분할하였다. 심음신호의 주기는 약 800-1000 ms이고 심잡음의 길이는 약 40-50 ms 이므로 M=20개의 부세그먼트로 분할하였다’ 절대값 출력신호는 S1/S2 클래스 (紡)과 심잡음 클래스 (旳)로 표현되는 2개의 가우시안 확률 분포를 가지는 가우시안 혼합 모델 (Gaussian mixture model; GMM) [1기을 이용하여 모델링된다.
- 심장질환 분류 알고리듬으로서 인공 신경회로망 (artificial neural network; ANN)과 은닉 마코프 모델 (hidden Markov model; HMM)을 이용한 알고리듬이 제안되었다. ANN 방식 [1 -3]은 연속 심음신호에서 단일주기로 분할하기 위해 전처리 단계에서 자동분할 알고리듬을 가지고 있어야 한다.
- 심장질환 분류 알고리듬으로서 인공 신경회로망(artificial neural network; ANN)과 은닉 마코프 모델(hidden Markov model; HMM)을 이용한 알고리듬이 제안되었다.
- 심음 신호는 음성신호보다 더 긴 기본 주기를 가지므로 음성인식을 위한 13차 MFCC와 비교하여 더 많은 계수들을 요구한다. 앞으로 본 논문에서는 기본 특징 (baseline feature)으로 41차 MFCC를 사용한다.
- 심음신호를 추출하였다. 여기에 본 연구실에서 수집한 실제 정상인의 심음신호를 추가하여 데이터베이스를 구축하였다. 심음데이터는 2 皿로 샘플링 되어 16비트펄스 코드 변조 (pulse code modulation; PCM)로 저장되었다.
- 보는 바와 같이 구성된다. 연속 심음신호부터, 자동분할 알고리듬을 이용하여 심음신호의한 주기 심음 신호를 획득한다. 한 주기 심음신호로부터 켑스트럼 영역특징인 멜주파수 켑스트럼 계수 (mel-frequency cejBtral coefficients; MFCC) [9]와 로그 에너지 값을 주출한다.
- 보는 바와 같이 구성된다. 연속 심음신호부터, 자동분할 알고리듬을 이용하여 심음신호의한 주기 심음 신호를 획득한다. 한 주기 심음신호로부터 켑스트럼 영역특징인 멜주파수 켑스트럼 계수 (mel-frequency cejBtral coefficients; MFCC) [9]와 로그 에너지 값을 주출한다.
- 위의 결과를 기반으로 하여 본 논문에서는 가장 좋은 성능을 획득한 시간영역의 특징들을 점증적으로 추가하였다. 표 4에서 보는 바와 같이 皿 기반의 심장질환 분류기는 41차 MFCC의 경우 75.
- 총 9개 종류의 심음데이터를 이용하여 학습된 모델을 구축하고 인식실험을 하였다. 심장질환 분류실험에서 비정상적인 심장질환에 대한 데이터의 개수가 적으므로 전체 160개의 심음데이터에서 159개의 심음데이터는 학습용 데이터로 사용하고 1개의 심음데이터만 인식용 데이터로 사용하였다.
- 분류성능을 비교하였다. 표 2에서 보는 바와 같이 MLP, SVM, ELM기반의 다양한 패턴분류기에서 의다른 차원에 따른 분류정확도를 비교하였다. 다양한 패턴분류기에서 41차 MFCC (로그 에너지 포함!의 41차 특징 벡터 일 때 가장 높은 평균 정확도를 보였다.
- 전체 주파수범위를 멜 척도 (mel-scale)에 따라서 분할하여 필터 뱅크 계수를 계산한다. 필터뱅크 출력 값에 Eg값을 취한 후이산 코사인 변환 (discrete cosine transform; DCT)을하여 MFCC를 얻는다.
대상 데이터
- 구성하였다. 방사 기저함수 구조 (Radialbasis function networks; RBFN) [1 기커널을 사용하였고 상반 관계 (trade-off) 가중치 값 C*는 이전 연구 [9] 에서 보는 바와 같이 상대적으로 좋은 성능을 보이는 500으로 설정하였다. One-against-all [16]을 사용하여 멀티 클래스로 확장하였다.
- 심장질환 분류 능력을 기르기 위해서 제작된 교육용 오디오 시디 (CD) [12]와 Washington 의과대학 [18], Texas 심장협회 [19]에서 공개한 심음 데이터베이스로부터 심음신호를 추출하였다. 여기에 본 연구실에서 수집한 실제 정상인의 심음신호를 추가하여 데이터베이스를 구축하였다.
- 인식실험을 하였다. 심장질환 분류실험에서 비정상적인 심장질환에 대한 데이터의 개수가 적으므로 전체 160개의 심음데이터에서 159개의 심음데이터는 학습용 데이터로 사용하고 1개의 심음데이터만 인식용 데이터로 사용하였다. 인식용 데이터를 바꾸어 가면서 이러한 과정을 반복하여 모든 데이터가 반드시 한 번씩 인식용 데이터로 사용되도록 함으로써, 적은 데이터를 이용하여도 신뢰성 있는 인식결과를 얻을 수 있는 교차검증 (cross-validation) 방식을 이용하였다.
데이터처리
- 심장질환 분류실험에서 비정상적인 심장질환에 대한 데이터의 개수가 적으므로 전체 160개의 심음데이터에서 159개의 심음데이터는 학습용 데이터로 사용하고 1개의 심음데이터만 인식용 데이터로 사용하였다. 인식용 데이터를 바꾸어 가면서 이러한 과정을 반복하여 모든 데이터가 반드시 한 번씩 인식용 데이터로 사용되도록 함으로써, 적은 데이터를 이용하여도 신뢰성 있는 인식결과를 얻을 수 있는 교차검증 (cross-validation) 방식을 이용하였다.
이론/모형
- 심음신호의 주기는 약 800-1000 ms이고 심잡음의 길이는 약 40-50 ms 이므로 M=20개의 부세그먼트로 분할하였다’ 절대값 출력신호는 S1/S2 클래스 （紡）과 심잡음 클래스 （旳）로 표현되는 2개의 가우시안 확률 분포를 가지는 가우시안 혼합 모델 （Gaussian mixture model； GMM）[1기을 이용하여 모델링된다.
- 심 잡음 확률벡터를 계산하기 위하여 한 주기 심음신호는 M개의 균일한 길이를 가지는 부세그먼트로 분할하였다. 심음신호의 주기는 약 800-1000 ms이고 심잡음의 길이는 약 40-50 ms 이므로 M=20개의 부세그먼트로 분할하였다’ 절대값 출력신호는 S1/S2 클래스 (紡)과 심잡음 클래스 (旳)로 표현되는 2개의 가우시안 확률 분포를 가지는 가우시안 혼합 모델 (Gaussian mixture model; GMM) [1기을 이용하여 모델링된다. GMM 모델링 전에, 묵음 (silence) 부분은 배제한다.
- 30 ms, 윈도우 이동은 10 ms를 사용한다. 전체 주파수범위를 멜 척도 (mel-scale)에 따라서 분할하여 필터 뱅크 계수를 계산한다. 필터뱅크 출력 값에 Eg값을 취한 후이산 코사인 변환 (discrete cosine transform; DCT)을하여 MFCC를 얻는다.
- 30 ms, 윈도우 이동은 10 ms를 사용한다. 전체 주파수범위를 멜 척도 (mel-scale)에 따라서 분할하여 필터 뱅크 계수를 계산한다. 필터뱅크 출력 값에 Eg값을 취한 후이산 코사인 변환 (discrete cosine transform; DCT)을하여 MFCC를 얻는다.
- 제안된 시간영역 특징의 성능을 평가하기 위하여 신경회로망 기반의 패턴분류기를 사용한다.
- 은닉층 뉴런의 개수는 이전 연구 [9]에서 보는 바와 같이 상대적으로 좋은 성능을 보이는 1000S 설정하였다. 활성 함수는 시그모이드 함수를 사용하였다.
- 5로 설정하였다. 활성화 함수는 시그모이드 (sigmoid) 함수를 사용하였고 학습 함수는 scaled conjugate gradient 알고리듬 [14]을 사용하였다.
성능/효과
- SVMe 방사 기저함수 (RBF), 그리고 다층 퍼셉트론 (MLP) 분류기의 대안적인 학습방법으로 패턴을 고차원특징 공간으로 사상시킬 수 있고 적은 양의 학습데이터만으로도 신속하게 분리 학습을 수행할 수 있다. 네트워크의 가중치는 선형 부등 조건을 가진 이차식 계획법 (quadratic programming; QP) [1 기문제를 해결함으로써 얻어진다, 또한 SWe 고정되어 있지만, 알려지지 않은 확률 분포를 갖는 데이터에 대해 오분류 확률을 최소화하는 구조적 위험 최소화 (structural risk minimization; SRM) 방법 [1 기을 이용하여 학습 모델을 얻는다, 선형 SW에 있어서 두 개의 클래스를 구분할 수 있는 초평면 (hyperplane)은 무수히 많으나, 그림 4에서 보는 바와 같이 두 클래스 간점들의 거리 마진 〃을 최대화하도록 하는 선형 평면 분류 경계 (optimal separating hyperplane; 価!)는 유일한 해로 존재한다, OSH는 거리 마진 归을 최대화하는 최적의 가중벡터 由와 바이어스 b로서 얻어질 수 있다.
- 검출성능을 측정하였다. 기존의 41차 MFCC 특징 벡터를 이용한 ELM 기반 패턴분류기는 6.9 %의 오거부율 (false rejection rate)과 5.6 %의 오인식률 (false alarm rate)을 보였다 . 하지만, 지속시간을 제외한 모든 시간 특징을 추가한 ELM 기반 패턴분류기는 표 5에서 보는 바와 같이 0.
- 2 %의 상대적 개선율을 나타내었다. 또한 제안한 시간특징을 이용한 심장 질환 검출기는 0.6 %의 오거부율과 4.4 %의 오인식률을 보였다. 이 결과는 전자청진기를 이용한 심장질환의 조기 발견에 활용될 수 있다.
- 3 %를 나타내었다. 본 논문에서 제안한 모든 특징들을 사용하였을 경우 그 알고리듬은 표 4에서 보는 바와 같이 MLP, SVM, ELM 기반의 심음 분류기는 각각 80.0 %, 81.6 %, 85.3 %의 분류 정확도를 나타내었다. 이 결과들은 기본특징과 비교하여 24.
- 그러나 심잡음 지속시간은 정확도가 향상되지 않았다. 심잡음 확률벡터를 추가하였을 경우, 심잡음의 시간적 위치를 가장 잘 반영하므로 가장 높은 분류정확도를 나타내었다. 심음 포락선과 심잡음 진폭변동 값은 심잡음 포락선 정보를 가진다.
- 3 %의 분류 정확도를 나타내었다. 이 결과들은 기본특징과 비교하여 24.8 %, 27.3 %, 41.2 %의 상대적 개선율을 나타내었다.
- 기존의 켑스트럼 특징에 추가된 시간영역 특징은 심잡음 신호의 위치 정보를 가지는 심잡음 확률벡터, 심잡음 신호의 포락선 정보를 가지는 심음 포락선 및 심잡음 진폭값 변동으로서, 더 정확한 심잡음 신호의 시간적 위치 특성을 반영한다. 제안된 시간영역 특징들은 MLP, SVM, ELM 기반의 심음 분류 실험에서 켑스트럼 특징만을 사용한 경우에 비하여, 24.8 %, 27.3 %, 41.2 %의 상대적 개선율을 나타내었다. 또한 제안한 시간특징을 이용한 심장 질환 검출기는 0.
- 계산하였다. 표 3에서 보는 바와 같이 기본 특징인 41차 MFCE] 20차 심 잡음 확률벡터 ('Probability')를 추가한 MLP 심장질환 분류기는 80.3 %를 나타내었고 기본 특징인 41차 MFCC 에 1차 심잡음 지속시간 CDuratioH)을 추가한 MLP 심장질환 분류기는 71.9 %를 나타내었다 비정상적인 심음 신호는 심잡음의 시간적 위치와 포락선 정보가 중요하므로 심 잡음 확률벡터, 심음 포락선 (Envelope'), 심잡음 진폭 값 변동 ('Amplitude') 등과 같은 특징들은 현저하고 일관된 향상을 보였다. 그러나 심잡음 지속시간은 정확도가 향상되지 않았다.
- 6 %의 오인식률 (false alarm rate)을 보였다 . 하지만, 지속시간을 제외한 모든 시간 특징을 추가한 ELM 기반 패턴분류기는 표 5에서 보는 바와 같이 0.6 %의 오거부율과 4.4 %의 오인식률을 보였다. 이러한 결과는 제안한 알고리듬이 전자 청진기 또는 건강 시스템에 효과적으로 활용될 수 있음을 나타낸다.
후속연구
- 4 %의 오인식률을 보였다. 이러한 결과는 제안한 알고리듬이 전자 청진기 또는 건강 시스템에 효과적으로 활용될 수 있음을 나타낸다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.