조기심실수축과 조기심방수축을 검출하기 위한 대부분의 알고리즘은 정확한 QRS complex, P파 및 T파의 측정을 필요로 한다. 이 논문에서, 우리는 복잡한 매개변수와 알고리즘을 사용하지 않으면서 조기심실수축과 조기심방수축을 검출하기 위한 새로운 알고리즘을 제안한다. 제안된 알고리즘은 대부분의 정상 ECG 파형 뿐만 아니라 개인적 특징과 개인적 차이에 의해 발생할 수 있는 비정상 파형에도 적용할 수 있는 넓은 적용성을 가지고 있다. 이러한 목적을 위해, ECG 파형을 각각의 단위 패턴으로 분리한 후, 정상 R-R 간격을 가지는 단위패턴만을 사용하여 기준단위패턴을 만든다. 그 후에, 기준단위 패턴과 각각의 단위패턴 사이에 패턴매칭을 위한 유사도 분석을 사용하여 조기심실수축과 조기심방수축을 검출한다.
조기심실수축과 조기심방수축을 검출하기 위한 대부분의 알고리즘은 정확한 QRS complex, P파 및 T파의 측정을 필요로 한다. 이 논문에서, 우리는 복잡한 매개변수와 알고리즘을 사용하지 않으면서 조기심실수축과 조기심방수축을 검출하기 위한 새로운 알고리즘을 제안한다. 제안된 알고리즘은 대부분의 정상 ECG 파형 뿐만 아니라 개인적 특징과 개인적 차이에 의해 발생할 수 있는 비정상 파형에도 적용할 수 있는 넓은 적용성을 가지고 있다. 이러한 목적을 위해, ECG 파형을 각각의 단위 패턴으로 분리한 후, 정상 R-R 간격을 가지는 단위패턴만을 사용하여 기준단위패턴을 만든다. 그 후에, 기준단위 패턴과 각각의 단위패턴 사이에 패턴매칭을 위한 유사도 분석을 사용하여 조기심실수축과 조기심방수축을 검출한다.
Most methods for detecting PVC and APC require the measurement of accurate QRS complex, P wave and T wave. In this study, we propose new algorithm for detecting PVC and APC without using complex parameter and algorithms. Proposed algorithm have wide applicability to abnormal waveform by personal dis...
Most methods for detecting PVC and APC require the measurement of accurate QRS complex, P wave and T wave. In this study, we propose new algorithm for detecting PVC and APC without using complex parameter and algorithms. Proposed algorithm have wide applicability to abnormal waveform by personal distinction and difference as well as all sorts of normal waveform on ECG. To achieve this, we separate ECG signal into each unit patterns and made a standard unit pattern by just using unit patterns which have normal R-R internal. After that, we detect PVC and APC by using similarity analysis for pattern matching between standard unit pattern and each unit patterns.
Most methods for detecting PVC and APC require the measurement of accurate QRS complex, P wave and T wave. In this study, we propose new algorithm for detecting PVC and APC without using complex parameter and algorithms. Proposed algorithm have wide applicability to abnormal waveform by personal distinction and difference as well as all sorts of normal waveform on ECG. To achieve this, we separate ECG signal into each unit patterns and made a standard unit pattern by just using unit patterns which have normal R-R internal. After that, we detect PVC and APC by using similarity analysis for pattern matching between standard unit pattern and each unit patterns.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 복잡한 ECG의 특성 여러 가지를 복합적으로 사용하지 않으면서, 개인간에 존재하는 ECG 신호 특성 차이에 의한 오류를 최소화 할 수 있는 새로운 형태의 알고리즘을 제안하였다.
본 논문에서는 조기 심실 수축(PVC)과 조기 심방 수축 (APC)을 검출함에 있어 정밀한 QRS 구간의 폭, 정확한 P파와 T파의 크기 및 위치를 크게 요구하지 않고, 데이터의 가공과 복잡한 알고리즘의 사용에 의해 발생하는 ECG 데이터의 변형과 손실을 최소화할 수 있으며, 또한 개인차 때문에 발생할 수 있는 오류를 최소화하기 위한 알고리즘을 제안한다. 이를 위해 ECG 신호를 각각의 단위 파형으로 분리한 후, 정상 R-R 간격을 가지는 파형을 기준으로 기준파형을 만들어, 각 파형과 기준파형사이의 패턴 대조 및 유사도 분석을 통해 조기심실수축과 조기심방수축을 검출할 수 있도록 하였다.
가설 설정
실선으로 그려진 파형은 20개의 정상단위패턴이고, 사각형선으로 그려진 파형은 문제가 발생된 지점의 이상단위패턴이다. (a)의 이상단위패턴은 조기 심방 수축으로 분류할 수 있고, (b)의 이상단위패턴은 조기 심실 수축으로 분류할 수 있다.
3. 만약 n = N이면 12번으로 이동한다.
8. 만약 m ≦ 20이면, 6번으로 이동, 그렇지 않으면 9번으로 이동한다.
제안 방법
추가된 새로운 방법은 조기심실수축의 대표적인 특성인 비정상적인 QRS구간 폭과 신호의 일그러짐을 활용하였다. (2)절에서는 문제 지점과 기준 지점의 샘플을 31개씩 선택하여 단위패턴을 추출하였다면, 이 장에서는 모든 R-peak에 대한 단위패턴을 (2)절과 같은 방식으로 15개씩 선택하여 실험하였다.
0점 주변에 밀집되는 특성점들은 정상 파형의 무리이고 오른쪽 무리는 파형이 정상과는 차이가 있는 무리이다. 0점 주변에 밀집되는 특성점들을 제외한 나머지 특성점들의 R-peak들을 조기심실수축 의심지점으로 선택하고 (2)절 (1)항의 실험 과정을 반복하였다.
첫 번째 단계에서는 HRV를 조사하여 이상 R-peak를 추출한다. 이를 위해, HRV의 흐름 중 심박 수가 급격히 증가하는 지점을 조기 심실 수축이나 조기 심방 수축 의심 지점으로 검출하였다. 두 번째 단계에서는 단위 기준패턴과 이상단위패턴을 추출한다.
R-peak 검출 방법으로는, 널리 사용되고 있는 Pan & Tompkins 알고리즘[5]을 필터링 부분만 변형하여 사용하였다.
단위 기준패턴과 단위 이상 패턴을 추출한 후 유사도 분석을 통해 조기심실수축과 조기심방수축을 분리하는 과정에서는 R-peak 지점을 중심으로 전· 후 각각 15개, R-peak 지점 포함 총 31개의 샘플링된 값을 단위패턴으로 선택하였다.
본 논문에서 제안된 단위패턴 유사도 분석법은 크게 세단계로 나누어진다. 첫 번째 단계에서는 HRV를 조사하여 이상 R-peak를 추출한다.
차이점으로는 조기 심실 수축의 경우는 ECG 파형 중 QRS구간이 많이 일그러짐에 비해 조기 심방 수축은 정상 파형과 QRS구간이 거의 유사하다. 본 논문에서는 HRV에 문제가 있는 지점을 먼저 검출하고, 문제가 있는 R-R 간격 근처의 정상파형 20개를 단위 패턴으로 분리 한 후, 이 20개의 정상 단위패턴을 이용하여 기준패턴을 만든다. 이 기준패턴과 문제가 있는 이상단위패턴의 형태를 비교하여 기준패턴과 이상단위패턴이 유사한 파형이면 조기 심방 수축, 그렇지 않으면 조기심실 수축으로 분류하였다.
비정상적인 QRS구간 폭과 신호의 일그러짐을 활용한, 보완된 알고리즘을 사용하여 조기심실수축을 검출하였다. (2) 절 (2)항의 결과와 비교했을 때 조기심실수축 검출율이 개선되었다.
두 번째 단계에서는 단위 기준패턴과 이상단위패턴을 추출한다. 세 번째 단계에서는 추출된 단위 패턴사이의 유사도 분석을 통해 조기심실수축과 조기심방수축을 분리하였다.
유사도 분석시의 오류를 방지하기 위해, R-peak는의 크기가 동일한 크기를 가질 수 있도록 일반화시켰다. 또한, 전체 ECG 측정신호의 뒤쪽에서는 #를 구할 수 없는 경우가 존재한다.
본 논문에서는 HRV에 문제가 있는 지점을 먼저 검출하고, 문제가 있는 R-R 간격 근처의 정상파형 20개를 단위 패턴으로 분리 한 후, 이 20개의 정상 단위패턴을 이용하여 기준패턴을 만든다. 이 기준패턴과 문제가 있는 이상단위패턴의 형태를 비교하여 기준패턴과 이상단위패턴이 유사한 파형이면 조기 심방 수축, 그렇지 않으면 조기심실 수축으로 분류하였다. (그림 3)은 제안된 단위 패턴 유사도분석법의 구성도이다.
또한 개인마다 ECG 신호는 다른 성향을 띄고, 정상의 범주도 각각 다르기 때문에 일반화가 어렵다는 점도 현재까지 제안된 부정맥 분류 알고리즘들의 문제점 중 하나이다. 이를 보완하기 위하여 복잡한 ECG의 특성 여러 가지를 복합적으로 사용하지 않으면서, 개개인간에 존재하는 ECG 신호 특성 차이에 의한 오류를 최소화 할 수 있는 새로운 형태의 알고리즘을 제안하였다. 개인의 ECG 성향에 따라 조정될 수 있다는 것은 개인의 표준 ECG 신호가 시간의 흐름에 따라 조정될 수 있음을 뜻한다.
(2)절 (2)항의 실험 검증 결과에 따르면, 조기심방수축은 HRV 검사과정을 통해 대부분 검출 되었지만, 조기심실수축의 경우 R-R 간격에 문제가 없는 경우가 레코드 221번과 233에 존재했다. 이를 보완하기 위해 HRV 검사를 통해 얻은 결과 중 PVC에 대한 검출율을 개선시키기 위한 방법을 추가 하여 보완하였다. (그림 7)은 변경 사항이 적용된 시스템 구성도이다.
본 논문에서는 조기 심실 수축(PVC)과 조기 심방 수축 (APC)을 검출함에 있어 정밀한 QRS 구간의 폭, 정확한 P파와 T파의 크기 및 위치를 크게 요구하지 않고, 데이터의 가공과 복잡한 알고리즘의 사용에 의해 발생하는 ECG 데이터의 변형과 손실을 최소화할 수 있으며, 또한 개인차 때문에 발생할 수 있는 오류를 최소화하기 위한 알고리즘을 제안한다. 이를 위해 ECG 신호를 각각의 단위 파형으로 분리한 후, 정상 R-R 간격을 가지는 파형을 기준으로 기준파형을 만들어, 각 파형과 기준파형사이의 패턴 대조 및 유사도 분석을 통해 조기심실수축과 조기심방수축을 검출할 수 있도록 하였다. ECG 신호의 형태 비교 시 각 개인의 기준 ECG 파형을 사용하게 되는데, 이는 개인차 때문에 생기는 일반화의 어려움을 해결하기 위함이다.
첫 번째 단계에서는 HRV를 조사하여 이상 R-peak를 추출한다. 이를 위해, HRV의 흐름 중 심박 수가 급격히 증가하는 지점을 조기 심실 수축이나 조기 심방 수축 의심 지점으로 검출하였다. 두 번째 단계에서는 단위 기준패턴과 이상단위패턴을 추출한다.
이때, 문제가 있는 지점이지만 HRV 검사에서 검출되지 않은 샘플이 기준파형 중 섞여 있을 수 있다. 이를 회피하기 위하여 20개 정상단위패턴의 평균과 20개 기준파형 각각의 유사도를 구하여 결과 값이 기준값 이상인 기준파형을 제외하고 나머지 기준파형의 최종 평균을 구성하였다. 유사도의 결과 값이 0.
제안된 방법이 기존의 Pan & Tompkins의 방법과 거의 비슷한 검출률을 보이고 있으나, 3장의 단위 패턴 유사도 분석을 위해서 제안된 필터링 방법이 필수적으로 사용되어야 한다.
추가된 새로운 방법은 조기심실수축의 대표적인 특성인 비정상적인 QRS구간 폭과 신호의 일그러짐을 활용하였다. (2)절에서는 문제 지점과 기준 지점의 샘플을 31개씩 선택하여 단위패턴을 추출하였다면, 이 장에서는 모든 R-peak에 대한 단위패턴을 (2)절과 같은 방식으로 15개씩 선택하여 실험하였다.
코사인 유사도를 사용하여 HRV 문제 지점과 기준파형의 최종 평균의 유사도를 통하여 조기 심실 수축과 조기 심방수축으로 분류하였다. 대표적인 유사도 구하는 방법은 K-means와 Fuzzy C-means등이 있다.
(a)의 기저선 노이즈가 (b)에서는 제거된 것을 볼 수 있다. 필터링이 완료된 신호는 미분, 제곱, 이동평균을 차례로 수행하였다.
대상 데이터
이산 웨이브렛 변환은 노이즈를 효과적으로 제거함과 동시에 원신호의 왜곡을 최소화할수 있어 전처리 과정에 효과적으로 사용될 수 있는 최적의 도구이다. 본 실험에서는 실험 데이터로 MIT-BIH를 사용하였다. (그림 2)는 MIT-BIH 123번 레코드의 원신호(a)와 필터링된 신호 (b)를 비교한 것이다.
ECG 신호의 형태 비교 시 각 개인의 기준 ECG 파형을 사용하게 되는데, 이는 개인차 때문에 생기는 일반화의 어려움을 해결하기 위함이다. 제안된 방법의 유용성 입증을 위하여 MIT-BIH 데이터 베이스 중 13개의 레코드를 선택하여 실험이 이루어 졌으며, 성공적인 실험결과를 얻었다.
효율적인 검증을 위해 R-peak 검출율이 99.5% 이상인 것 중에서 조기 심방 수축만을 가지는 레코드, 조기 심실 수축만을 가지는 레코드, 두 가지 모두 가지는 레코드, 두 가지 모두 가지지 않는 레코드를 각각 선정하였다.
이론/모형
높은 R-peak 검출율을 위해서는 먼저 노이즈를 제거하는 작업이 수행되어야 한다. 노이즈 제거를 위한 방법으로 이산 웨이브렛 변환(Discrete Wavelet Transform : DWT)을 사용하였다[6][7]. 이산 웨이브렛 변환은 노이즈를 효과적으로 제거함과 동시에 원신호의 왜곡을 최소화할수 있어 전처리 과정에 효과적으로 사용될 수 있는 최적의 도구이다.
신뢰성 평가는 Sensitivity(SEN)에 의해 이루어졌다. Sensitivity는 실제 부정맥 비트 검출에 관한 알고리즘의 능력을 나타낸다.
저장된 #을 이용하여, 평균 패턴 #을 구한 후, #과 #사이의 유사도 분석을 행한다. 유사도 분석은 코사인 유사도 방법을 이용한다. 만약 유사도가 정해진 기준안에 포함되지 않는 패턴이 존재하면 이 패턴을 제거한 후, 새로운 평균을 구한후, 이를 n 번째 단위 기준 패턴 #으로 정한다.
R-peak 지점들이 각각 가지고 있는 15개의 샘플은 각 R-peak 지점의 특성점이 된다. 이 15가지의 특성점을 대표적인 차원 축소 알고리즘인 PCA(Principal Component Analysis)알고리즘을 사용하여 2차원으로 차원을 축소하여 2차원 평면에 나타낼 수 있다. (그림 8)은 MIT-BIH Arrhythmia Database 레코드 221번의 PCA 결과를 2차원 평면에 매핑한 그래프이다.
성능/효과
비정상적인 QRS구간 폭과 신호의 일그러짐을 활용한, 보완된 알고리즘을 사용하여 조기심실수축을 검출하였다. (2) 절 (2)항의 결과와 비교했을 때 조기심실수축 검출율이 개선되었다. 조기심실수축이나 조기심방수축 의심지점은 총 1841개 지점이 검출되었으며 FP(false positive)가 17개, FN(false negative)이 192개 발생했다.
이는 (2)장 (3)절의 보완 단계를 거쳐 극복할 수 있었다. 둘째, 코사인 유사도를 이용하여 조기 심실수축인지 조기심방수축인지 구분하였지만, 파형이 조금만 일그러지는 조기심실수축의 경우 코사인 유사도를 이용한 판별은 쉽지 않았다. 이 문제는 유사도 분석 시 사용되는 문턱치를 개인의 ECG 신호 특성에 따라 정하는 방법의 연구로 해결될 수 있다.
먼저, HRV만을 이용한 조기심실수축이나 조기심방수축의심지점은 총 1597개 지점이 검출되었으며 FP(false positive)가 17개, FN(false negative)이 236개 발생했다. 4개의 FP는 231번 레코드에서 발생하였는데, 이레코드의 경우 비정상적인 형태의 HRV를 갖고 있었다.
개인의 ECG 성향에 따라 조정될 수 있다는 것은 개인의 표준 ECG 신호가 시간의 흐름에 따라 조정될 수 있음을 뜻한다. 실험의 수행 결과 대부분의 조기심실수축과 조기심방수축을 검출할 수 있었다. 실제로, ECG는 몇 가지 특징만을 가지고 증상을 판별할 수 없다.
제안된 알고리즘을 통한 분류 실험결과, 대부분의 레코드에서 조기 심실 수축과 조기 심방 수축이 대부분 분류되었다. 신뢰성 평가에서 231, 233번 레코드는 많은 오차를 보였다.
본 논문에서 제안된 알고리즘에 대한 실험을 진행하면서 크게 두 가지 문제점이 발생했다. 첫째, 조기심실수축과 조기 심방 수축 모두 R-R 간격이 급격히 짧아지는 현상이 나타나야 하는데, 짧아지는 정도가 개인차를 보여 검출이 어려운 신호가 존재했다. 이는 (2)장 (3)절의 보완 단계를 거쳐 극복할 수 있었다.
후속연구
조기심실수축이나 조기심방수축 의심지점은 총 1841개 지점이 검출되었으며 FP(false positive)가 17개, FN(false negative)이 192개 발생했다. 본 연구에서는 복잡한 특성 여러 가지를 사용하지 않는다는 것을 연구목적으로 하고 있기 때문에, 이를 감안하다면 전체적인 실험 결과는 충분히 만족할 만한 것으로 생각된다.
질의응답
핵심어
질문
논문에서 추출한 답변
ECG 신호를 통해 부정맥을 검출하고 분류하기 위한 기존의 성공적인 연구는?
ECG 신호를 통해 부정맥을 검출하고 분류하기 위한 다양한 연구가 성공적으로 진행된 바 있다. Erik Zellmer는 QRS 데이터 셋과 T 데이터 셋을 사용하여 여러 가지의 특성을 만든 후 비선형 SVM으로 LBBB, RBBB, PAC, PVC 등을 분류하였고[1], Liang-Yu Shyu은 웨이브렛 변환을 이용하여 QRS 구간의 길이 외 여러가지 특징을 추출하여 Fuzzy Neural network를 사용하여 NB, PVC, LBBB, RBBB, APC 등을 분류하였다[2]. 그러나 이러한 방법을 비롯한 대부분의 방법들은 특징 추출을 위해 P-QRS-T 지점의 정확한 측정과 검출을 필요로 하기 때문에 고급 장비의 사용, 안정된 측정환경 등을 필요로 할 뿐만 아니라 데이터의 가공과 복잡한 알고리즘을 사용해야 한다는 문제점을 가지고 있다.
높은 R-peak 검출율을 위해 수행되어야 하는 것은?
높은 R-peak 검출율을 위해서는 먼저 노이즈를 제거하는 작업이 수행되어야 한다. 노이즈 제거를 위한 방법으로 이산 웨이브렛 변환(Discrete Wavelet Transform : DWT)을 사용하였다[6][7].
조기심실수축과 조기심방수축을 검출하기 위한 대부분의 알고리즘은 무엇을 필요로 하는가?
조기심실수축과 조기심방수축을 검출하기 위한 대부분의 알고리즘은 정확한 QRS complex, P파 및 T파의 측정을 필요로 한다. 이 논문에서, 우리는 복잡한 매개변수와 알고리즘을 사용하지 않으면서 조기심실수축과 조기심방수축을 검출하기 위한 새로운 알고리즘을 제안한다.
참고문헌 (10)
Erik Zellmer, Fei Shang, Hao Zhang "Highly Accurate ECG Beat Classification based on Continuous Wavelet Transformation and Multiple Support Vector Machine Classifiers", Biomedical Engineering and Informatics, pp.1-5, 2009
L. Y. Shyu, Y. H. Wu and W. C. Hu "Using wavelet transform and fuzzy neural network for VPC detection from the holter ECG", IEEE Trans. Biomed. Eng., Vol.51, pp.1269, 2004.
윤장혁, 정용주, "실시간 ECG 모니터링 시스템 개발을 위한 QRS 검출 알고리듬의 개발" 한국정보기술학회논문지 제8권 제 5호, pp.153-163, 2010.
S. Evans, H. Hastings, and M. Bodenheimer, "Differentiation of beats of ventricular and sinus origin using a self-training neural network", PACE, Vol.17, pp.611-626, 1994.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.