심전도는 심근허혈, 부정맥, 심근경색과 같은 심장질환의 진단에 이용된다. 특히 심근허혈은 ST세그먼트의 형태 변화가 나타나는데, 이러한 변화는 일시적으로 나타나며 특별한 증상을 동반하지 않는다. 따라서 지속적인 모니터링을 통해서 ST의 일시적인 변화를 검출하는 것이 매우 중요하다. 이에 본 연구에서는 심근허혈 진단을 위한 ST세그먼트 형태 분류 알고리즘을 제안한다. 이는 전처리 과정과 적응가변형 문턱치를 통해 R파와 각 특징점을 검출 한 후 S와 T파사이의 굴곡점으로부터 특정한 기울기 정보를 추출하여 ST의 기울기 기준점과 비교함으로써, 검출된 ST를 6가지 형태로 분류하는 방법이다. 개발된 알고리즘은 심전도로부터 ST 레벨 변화 구간을 검출하고, 검출된 구간에 대해서도 ST의 형태를 분류함으로써 심전도 레벨 변화뿐만 아니라 형태에 대한 정보도 제공한다. 제안한 알고리즘의 심근허혈 패턴 진단 성능을 평가하기 위해서 European ST 데이터베이스를 사용하였다. 성능 평가 결과 가장 높은 분류성공률은 99.4%이며, 낮은 성공률은 68.48%를 나타내었다.
심전도는 심근허혈, 부정맥, 심근경색과 같은 심장질환의 진단에 이용된다. 특히 심근허혈은 ST 세그먼트의 형태 변화가 나타나는데, 이러한 변화는 일시적으로 나타나며 특별한 증상을 동반하지 않는다. 따라서 지속적인 모니터링을 통해서 ST의 일시적인 변화를 검출하는 것이 매우 중요하다. 이에 본 연구에서는 심근허혈 진단을 위한 ST세그먼트 형태 분류 알고리즘을 제안한다. 이는 전처리 과정과 적응가변형 문턱치를 통해 R파와 각 특징점을 검출 한 후 S와 T파사이의 굴곡점으로부터 특정한 기울기 정보를 추출하여 ST의 기울기 기준점과 비교함으로써, 검출된 ST를 6가지 형태로 분류하는 방법이다. 개발된 알고리즘은 심전도로부터 ST 레벨 변화 구간을 검출하고, 검출된 구간에 대해서도 ST의 형태를 분류함으로써 심전도 레벨 변화뿐만 아니라 형태에 대한 정보도 제공한다. 제안한 알고리즘의 심근허혈 패턴 진단 성능을 평가하기 위해서 European ST 데이터베이스를 사용하였다. 성능 평가 결과 가장 높은 분류성공률은 99.4%이며, 낮은 성공률은 68.48%를 나타내었다.
ECG is used to diagnose heart diseases such as myocardial ischemia, arrhythmia and myocardial infarction. Particularly, myocardial ischemia causes the shape change of the ST segment, this change is transient and may occur without symptoms. So it is important to detect the transient change of ST segm...
ECG is used to diagnose heart diseases such as myocardial ischemia, arrhythmia and myocardial infarction. Particularly, myocardial ischemia causes the shape change of the ST segment, this change is transient and may occur without symptoms. So it is important to detect the transient change of ST segment through long term monitoring. ST segment classification algorithm for making diagnosis myocardial ischemia is presented in this paper. The first step in the ST segment shape classification process is to detect R wave point and feature points based adaptive threshold and window. And then, the suggested algorithm detects the ST level change, To classify the ST segment shape, the suggested algorithm uses the slope values of the four points between the S and T wave. The ECG data in the European ST-T database were used to verify the performance of the developed algorithm. The best correct rate was 99.40% and the worst correct rate was 68.48%.
ECG is used to diagnose heart diseases such as myocardial ischemia, arrhythmia and myocardial infarction. Particularly, myocardial ischemia causes the shape change of the ST segment, this change is transient and may occur without symptoms. So it is important to detect the transient change of ST segment through long term monitoring. ST segment classification algorithm for making diagnosis myocardial ischemia is presented in this paper. The first step in the ST segment shape classification process is to detect R wave point and feature points based adaptive threshold and window. And then, the suggested algorithm detects the ST level change, To classify the ST segment shape, the suggested algorithm uses the slope values of the four points between the S and T wave. The ECG data in the European ST-T database were used to verify the performance of the developed algorithm. The best correct rate was 99.40% and the worst correct rate was 68.48%.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서는 전문의와의 토의를 통하여, 전문의에 의해 진행되는 ST 분석과정에는 ST 레벨 이외에 환자의 병력 등 보다 다양한 정보가 요구되는 것을 확인할 수 있었으며, 또한 ST의 형상은 허혈성 ST와 비허혈성 ST를 구분하는 중요한 파라미터임을 확인할 수 있었다. 따라서 본 논문에서는 ST 형태 분류 알고리즘을 제시하였다. 심전도 데이터를 이용한 ST 세그먼트 분류 평가에서 성공률이 83%로 나타났으며, 분석 결과에 대한 심전도 전문의와 평가의견을 통하여 제안한 ST 세그먼트 분류 알고리즘이 전문의에 의한 심전도 판독작업을 적절하게 보조할 수 있으며, 효율성도 높일 수 있음을 확인하였다.
본 연구에서는 ST 세그먼트 형태를 분류하기 위하여 기준이 되는 ST 세그먼트의 모양을 설정하였다. 이것은 심근 허혈이 발생할 때 나타나는 전형적인 형태를 포함하고 있다.
따라서 ST 레벨 변화뿐만 아니라 ST세그먼트 형태 분류과정을 추가하여, 그 결과를 심전도 전문의의 보조 자료로 활용한다면, 전문의에 의한 ST 분석 작업의 효율을 높일 수 있을 것이다. 본 연구에서는 심근허혈 진단을 위한 ST 세그먼트 형태분류 알고리즘을 제안한다. 이는 전처리 과정과 적응가변형 문턱치를 통해 R파와 각 특징점을 검출한 후 S와 T파사이의 굴곡점으로부터 특정한 기울기 정보를 추출하여 ST의 기울기 기준점과 비교함으로써, 검출된 ST를 6가지 형태로 분류하는 방법이다.
제안 방법
본 연구에서 제안한 ST 세그먼트 형태 분류를 위한 전체 구성도는 그림 1과 같이 네 단계로 나누어진다. 먼저 ECG 신호로부터 잡음을 제거하고, 신호 대 잡음비를 강조하여 R파를 검출하는 단계, 검출된 R파를 기준으로 Q파, S파, T파, J-point 등과 같이 분류에 필요한 특징점을 추출하는 단계, 특징점을 이용하여 ST의 변화를 검출하는 레벨 검출 단계, 4개의 기울기 기준점을 이용하여 ST 세그먼트의 형태를 분류하는 단계로 나누어진다.
심장에서 가장 두꺼운 근육으로 이루어진 심실의 수축 시 발생하는 QRS 군은 일반적으로 짧은 지속시간동안 큰 진폭을 보이기 때문에, 심전도 신호 중에서 가장 기울기 변화가 큰 부분이라 할 수 있다. 본 연구에서는 R파를 검출함에 있어서 웨이블렛 변환을 통한 고주파 대역의 합산신호를 구성하였으며, 적응 가변형 문턱값과 RR 간격의 변화에 따라 적응적으로 R파를 검출하는 알고리즘을 이용하였다[7].
일반적으로 잡음제거를 위한 전처리 과정을 수행한 후 잡음이 제거된 신호로부터 특징점을 검출하지만 웨이블렛 변환을 이용하면 원하는 주파수 대역을 선택할 수 있기 때문에 다른 필터링 과정은 필요하지 않다. 본 연구에서는 기저선 변동이 포함된 저주파수 대역까지 신호를 분할하기 위하여 7번째 레벨까지 웨이블렛 변환을 취하였다. 저주파 영역의 7번째 신호는 적응필터의 주 입력으로 인가되어 저주파 영역에 포함된 기저선 변동만을 제거하며, 이러한 적응필터의 결과를 고주파 영역의 신호들과 조합하여 웨이블렛 역변환을 취함으로써 ST 세그먼트의 왜곡을 최소화하면서 기저선 변동을 효과적으로 제거할 수 있게 된다.
05mV이하로 처음 내려가는 부분을 종료지점으로 설정한다. 본 연구에서는 이러한 레벨 변화의 최소 유지기간을 30초로 설정하였다.
05mV 이상이 유지되는 구간을 검출하고, 구간의 시작점을 ST 레벨 변화의 시작점으로 설정한다. 본 연구에서는 최초 0.1mV 초과 후 5초 동안 지속된 경우에만, ST 레벨 변화 시작점 검출을 진행하였다. ST 레벨의 종료지점은 레벨의 변화가 0.
분류 알고리즘은 앞서 설명된 6개의 ST 세그먼트의 형태와 4개의 기울기 정보를 비교함으로써 ST 세그먼트의 형태를 분류한다. 분류 과정은 모든 비트에 적용되는 것이 아닌, ST 레벨의 변화가 발생하는 부분에 대해서만 수행된다.
성능 평가를 의뢰하기 위하여 48개의 데이터 중에 ST형태 변화가 많이 발생하는 심전도를 위주로 ST 세그먼트 분류를 수행하고, 수행결과를 심전도 전문의에게 평가받는 방식으로 진행하였다. 판독결과를 보면 ST 레벨 뿐만 아니라 ST 세그먼트의 형태도 심근허혈의 판단에 중요하다는 것을 알 수 있다.
특히 호흡에 의한 기저선의 변동이나 전력선 잡음을 제거하기 위한 전처리 과정은 필수적이다. 이를 위해 본 연구에서는 시간-주파수 영역에서 동시에 분석이 가능한 웨이블렛 변환을 이용하였다[6].
따라서 최종적으로 도출되는 결과는 ST 레벨이 포함되어 있는 부분과 이 부분에 대한 분류 정보라 할 수 있다. 정확성을 높이기 위해 일정한 규칙을 만들고 그 규칙에 따라 기울기에 의한 분류 과정을 조정하였다. 4개의 파라미터를 조합하여 총 27개의 규칙을 만들었으며, 각 파라미터는 표 2와 같다.
대상 데이터
p, θ, s, t를 조합하여 생성한 27개의 ST 세그먼트의 형태분류 규칙은 표 3과 같다. 27가지의 규칙은 각각의 파라미터를 조절하고, ST 형태 분류과정을 반복함으로써, 경험적으로 설정하였으며, 규칙 생성에 사용된 데이터는 European ST 데이터베이스를 사용하였다. 규칙은 기울기를 이용한 분류 과정 이후, Horizontal, Downsloping은 심근 허혈을 판단함에 있어서 중요시 되고 있는 형태이기 때문에 나머지 4개의 형태는 Unknown으로 표현하였다.
먼저 문턱값을 찾는 과정은 다음과 같다. 검출된 R파를 기준으로 좌우측 50개씩을 포함하는 100개의 샘플 집합을 선택한다. 이후 샘플 값들 중의 최대 기울기를 계산한 다음, 두 기울기 중에서 작은 값을 선택하고 그 값의 25%를 최종 문턱값으로 설정한다.
MIT-BIH 데이터베이스는 European ST 데이터베이스와는 달리 부정맥이 주로 포함되어 있으며, R파 검출 성능을 평가하는 데 주로 사용된다. 본 연구에서 개발된 ST 세그먼트 분류 알고리즘의 성능을 검증하기 위해 심전도 전문의에게 성능 평가를 의뢰하였으며, 성능 평가를 의뢰하기 위하여 사용한 심전도는 European-ST 데이터베이스의 e105, e107, e0111, e0113, e0121, e0147, e207, e0415를 이용하였다.
본 연구에서는 개발된 알고리즘 및 프로그램의 성능 평가를 위해서 European ST 데이터베이스를 이용하였다. European ST 데이터베이스는 250Hz의 샘플링률로 기록되었으며, 한명의 환자에게서 2시간동안 기록된 심전도가 하나의 데이터를 이루고 있다.
이는 전처리 과정과 적응가변형 문턱치를 통해 R파와 각 특징점을 검출한 후 S와 T파사이의 굴곡점으로부터 특정한 기울기 정보를 추출하여 ST의 기울기 기준점과 비교함으로써, 검출된 ST를 6가지 형태로 분류하는 방법이다. 제안한 알고리즘의 심근허혈 진단 성능을 평가하기 위해서 European ST 데이터베이스를 사용하였다. 성능 평가 결과 제안한 알고리즘이 전문의에 의한 심전도 판독작업을 적절하게 보조할 수 있으며, 효율성도 높일 수 있음을 확인하였다.
이론/모형
ST 레벨의 검출은 European ST 데이터베이스에서 정의한 ST 레벨 변환 검출방법을 이용하였다. 이러한 기준은 데이터베이스 구축에 참여한 심장전문가 그룹에 의해 설정된 것이다[8].
성능/효과
이후 샘플 값들 중의 최대 기울기를 계산한 다음, 두 기울기 중에서 작은 값을 선택하고 그 값의 25%를 최종 문턱값으로 설정한다. 두 번째로 Q파와 S파를 찾기 위한 과정은 정상 QRS폭일 경우에는 R파를 기준으로 기울기의 크기가 문턱치보다 작거나 같은 지점이 적어도 세 개가 연속적으로 발생되면 그 위치를 좌측에서는 Q파, 우측에서는 S파로 판단한다. 만약 QRS 폭이 비정상일 경우에는, S파와 샘플 마지막 지점 사이의 최대 기울기의 크기를 구한 다음 이 기울기 크기의 50%되는 지점을 다시 S파로 지정한다.
따라서 규칙 적용 후 결과는 Horizontal, Downsloping, Unknown 중 하나가 되며, 표에서 조건 란에 ‘-'로 표시된 부분은 어떠한 조건이든 상관없음을 의미한다.
판독결과를 보면 ST 레벨 뿐만 아니라 ST 세그먼트의 형태도 심근허혈의 판단에 중요하다는 것을 알 수 있다. 또한 개발된 분석 알고리즘이 ST 세그먼트의 형태 변화의 정보가 효과적인 전달되었다는 것을 확인 할 수 있으며, 심근허혈 판단에 적절히 사용되었음을 알 수 있다.
하지만 현재 레벨 분석에 대한 많은 연구 결과에도 불구하고, 대부분의 심전도 검사는 전문의에 의해 진행되고 있다. 본 연구에서는 전문의와의 토의를 통하여, 전문의에 의해 진행되는 ST 분석과정에는 ST 레벨 이외에 환자의 병력 등 보다 다양한 정보가 요구되는 것을 확인할 수 있었으며, 또한 ST의 형상은 허혈성 ST와 비허혈성 ST를 구분하는 중요한 파라미터임을 확인할 수 있었다. 따라서 본 논문에서는 ST 형태 분류 알고리즘을 제시하였다.
제안한 알고리즘의 심근허혈 진단 성능을 평가하기 위해서 European ST 데이터베이스를 사용하였다. 성능 평가 결과 제안한 알고리즘이 전문의에 의한 심전도 판독작업을 적절하게 보조할 수 있으며, 효율성도 높일 수 있음을 확인하였다.
따라서 본 논문에서는 ST 형태 분류 알고리즘을 제시하였다. 심전도 데이터를 이용한 ST 세그먼트 분류 평가에서 성공률이 83%로 나타났으며, 분석 결과에 대한 심전도 전문의와 평가의견을 통하여 제안한 ST 세그먼트 분류 알고리즘이 전문의에 의한 심전도 판독작업을 적절하게 보조할 수 있으며, 효율성도 높일 수 있음을 확인하였다.
성능 평가를 의뢰하기 위하여 48개의 데이터 중에 ST형태 변화가 많이 발생하는 심전도를 위주로 ST 세그먼트 분류를 수행하고, 수행결과를 심전도 전문의에게 평가받는 방식으로 진행하였다. 판독결과를 보면 ST 레벨 뿐만 아니라 ST 세그먼트의 형태도 심근허혈의 판단에 중요하다는 것을 알 수 있다. 또한 개발된 분석 알고리즘이 ST 세그먼트의 형태 변화의 정보가 효과적인 전달되었다는 것을 확인 할 수 있으며, 심근허혈 판단에 적절히 사용되었음을 알 수 있다.
표 4는 ST 세그먼트 분류 알고리즘에 의한 심전도의 분석 결과를 정리한 것이다. 표 4는 ST 형태 분류 알고리즘의 성공률로서 전체적으로 83.14%의 성공률을 보였다. e121 심전도에서 가장 높은 99.
후속연구
따라서 ST 레벨 변화뿐만 아니라 ST세그먼트 형태 분류과정을 추가하여, 그 결과를 심전도 전문의의 보조 자료로 활용한다면, 전문의에 의한 ST 분석 작업의 효율을 높일 수 있을 것이다. 본 연구에서는 심근허혈 진단을 위한 ST 세그먼트 형태분류 알고리즘을 제안한다.
질의응답
핵심어
질문
논문에서 추출한 답변
심전도는 어디에 이용되는가?
심전도는 심근허혈, 부정맥, 심근경색과 같은 심장질환의 진단에 이용된다. 특히 심근허혈은 ST 세그먼트의 형태 변화가 나타나는데, 이러한 변화는 일시적으로 나타나며 특별한 증상을 동반하지 않는다.
지속적인 심근 허혈이 미치는 영향은 무엇인가?
이러한 산소 공급의 불균형은 운동을 하거나, 긴장을 해서 심박동수가 빨라질 때 심해지며, 평상시 또는 안정상태에서는 발생하지 않을 수도 있다. 하지만 주기적, 또는 지속적인 허혈은 심근의 괴사를 초래하고, 치명적인 심근경색으로 발전할 수 있음으로, 심전도 판독으로 심근허혈의 패턴을 읽어내는 것이 매우 중요하다[1,2]. 심근허혈이 발생하면 심전도의 ST, T파 부분에 변화가 발생하며, 특히 ST 세그먼트의 전위 레벨 및 형태 변화를 가져온다.
심근허혈이란 무엇인가?
심근 허혈은 다양한 원인으로 발생하는 하나의 증상이지만 치명적인 심장질환으로 진행될 위험이 높기 때문에 부정맥과 마찬가지로 이와 관련된 많은 연구가 진행되고 있다. 심근허혈이란 심장에 에너지를 공급하는 관상동맥이라는 혈관이 막혀서 심장근육에 산소나 영양분이 제대로 공급되지 못해 가슴에 발생하는 질환을 나타낸다. 이러한 산소 공급의 불균형은 운동을 하거나, 긴장을 해서 심박동수가 빨라질 때 심해지며, 평상시 또는 안정상태에서는 발생하지 않을 수도 있다.
참고문헌 (8)
S. Sangwatanaroj, S. Prechawat, B. Sunsaneewitayakul, S. Sitthisook, P. Tosukhowong, and K. Tungsanga, "New electrocardiographic leads and the procainamide test for the detection of the Brugada sign in sudden unexplained death syndrome survivors and their relatives," Eur. Heart J., vol. 22, no. 24, pp. 2290-2296, 2001.
S. F.Wung and B. Drew, "Comparison of 18-lead ECG and selected body surface potential mapping leads in determining maximally deviated ST lead and efficacy in detecting acute myocardial ischemia during coronary occlusion," J. Electrocardiol., vol. 32, pp. 30-37, 1999.
D. Ge, N. Srinivasan and S. M. Krishnan, "Cardiac arrhythmia classi-cation using autoregressive modeling," Biomedical Engineering Online, vol. 1, no. 5, 2002.
A. Fahoum and A. Qasaimeh, ECG arrhythmia classication using simple reconstructed phase space approach," Computers in Cardiology, pp. 757-760, 2006.
A. Bartolo, B. D. Clymer, R. C. Burgess, J. P. Turnbull, J. A. Golish and M. C. Perry, "An arrhythmia detector and heart rate estimator for overnight polysomnography studies," IEEE Transactions on Biomedical Engineering, vol. 48, no. 5, pp. 513-521, 2001.
Daniel T. Lee and Akino Yamamoto, "Wavelet Analysis : Theory and Application," Hewlett-Packard Journal, PP. 44-54, Dec. 1992.
조익성, 권혁숭, "PVC 분류를 위한 적응형 문턱치와 윈도우 기반의 R파 검출 알고리즘," 한국통신학회논문지, 제 34권 11호, pp. 1289-1295. 2009년 11월.
A. Taddei, A. Biagini, G. Distante, M. Erndin, M. G. Mazzei, P. Pisani, N. Roggero, M. Varanini, R. G. Mark, G. B Moody, L. Braaksma, C. Zee-lenberg and C. Marchesi, "The European ST-T database: development, distribution and use," Computers in Cardiology, pp. 177-180, 1990.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.