본 논문은 DCT, DWT와 역전파 신경망을 이용하여 MIT-BIH 부정맥 데이터베이스의 심전도 신호로부터 정상파와 부정맥 분류를 제안하였다. 역전파 신경망에 사용할 특징입력을 추출하기 위해 첫 번째 단계에서는 DCT 변환을 이용하여 15개의 계수를 선택하였다. 두 번째 단계에서는 DWT 변환 후 각 detail 계수들의 최대값, 최소값, 평균, 분산, 표준편차를 추출하였다. 역전파 신경망은 55개의 특징입력을 이용하여 정상파와 부정맥 파형을 분류하였고, 98.8%의 분류 성능을 나타냈다.
본 논문은 DCT, DWT와 역전파 신경망을 이용하여 MIT-BIH 부정맥 데이터베이스의 심전도 신호로부터 정상파와 부정맥 분류를 제안하였다. 역전파 신경망에 사용할 특징입력을 추출하기 위해 첫 번째 단계에서는 DCT 변환을 이용하여 15개의 계수를 선택하였다. 두 번째 단계에서는 DWT 변환 후 각 detail 계수들의 최대값, 최소값, 평균, 분산, 표준편차를 추출하였다. 역전파 신경망은 55개의 특징입력을 이용하여 정상파와 부정맥 파형을 분류하였고, 98.8%의 분류 성능을 나타냈다.
This paper presents an approach to classify normal and arrhythmia from the MIT-BIH Arrhythmia Database using Discrete Cosine Transform(DCT), Discrete Wavelet Transform(DWT) and neural network. In the first step, Discrete Cosine Transform is used to obtain the representative 15 coefficients for input...
This paper presents an approach to classify normal and arrhythmia from the MIT-BIH Arrhythmia Database using Discrete Cosine Transform(DCT), Discrete Wavelet Transform(DWT) and neural network. In the first step, Discrete Cosine Transform is used to obtain the representative 15 coefficients for input features of neural network. In the second step, Discrete Wavelet Transform are used to extract maximum value, minimum value, mean value, variance, and standard deviation of detail coefficients. Neural network classifies normal and arrhythmia beats using 55 numbers of input features, and then the accuracy rate is 98.8%.
This paper presents an approach to classify normal and arrhythmia from the MIT-BIH Arrhythmia Database using Discrete Cosine Transform(DCT), Discrete Wavelet Transform(DWT) and neural network. In the first step, Discrete Cosine Transform is used to obtain the representative 15 coefficients for input features of neural network. In the second step, Discrete Wavelet Transform are used to extract maximum value, minimum value, mean value, variance, and standard deviation of detail coefficients. Neural network classifies normal and arrhythmia beats using 55 numbers of input features, and then the accuracy rate is 98.8%.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 부정맥 파형에 대한 특징 추출시 정확한 QRS 구간의 폭, P파와 T파의 크기 및 위치를 요구하지 않고 부정맥 파형 형태에 대한 대표적 값과 통계적 방법을 개인차 때문에 생기는 일반화의 문제를 해결하기 위해 사용하였다. 이를 위해 본 논문에서는 부정맥을 분류하는 방법으로 DCT 계수와 DWT detail 계수의 통계적 방법을 통한 특징벡터를 역전파 신경망의 입력으로 정상신호와 부정맥 신호를 분류하는 알고리즘을 제안하였다.
본 논문에서는 심전도의 P, QRS, T파의 검출없이 형태학적인 특징점을 추출하여 부정맥을 분류하는 알고리즘을 제안하였다.
제안 방법
본 논문에서는 db6 모함수를 사용한 8 레벨 웨이블릿 변환을 사용하였다.
추출된 특징벡터는 역전파 신경망을 이용하여 정상파와 부정맥 신호를 분류한다. 신경망의 입력층으로는 추출된 특징벡터를 사용하며, 두 개의 중간층은 60개와 50개의 뉴런으로 구성하였으며, 출력층은 Normal(N), RBBB(R), LBBB(L), APB(A), PVC(V) 로 하였다. 역전파 신경망을 이용하여 훈련한 실험 결과는 표 3과 같다.
본 논문에서는 부정맥 파형에 대한 특징 추출시 정확한 QRS 구간의 폭, P파와 T파의 크기 및 위치를 요구하지 않고 부정맥 파형 형태에 대한 대표적 값과 통계적 방법을 개인차 때문에 생기는 일반화의 문제를 해결하기 위해 사용하였다. 이를 위해 본 논문에서는 부정맥을 분류하는 방법으로 DCT 계수와 DWT detail 계수의 통계적 방법을 통한 특징벡터를 역전파 신경망의 입력으로 정상신호와 부정맥 신호를 분류하는 알고리즘을 제안하였다.
제안한 분류 알고리즘은 평균 0.5초내외의 심전도 신호를 이용하여 DCT 변환계수와 DWT 변환의 detail 계수에 대한 최대값, 최소값, 평균값, 분산, 표준편차의 통계적 특징을 추출히여 역전파 신경망으로 학습하여 대표적인 부정맥신호를 자동 분류하였다. 제안한 알고리즘은 Normal(N) 100%, RBBB(R) 99.
추출된 특징벡터는 역전파 신경망을 이용하여 정상파와 부정맥 신호를 분류한다. 신경망의 입력층으로는 추출된 특징벡터를 사용하며, 두 개의 중간층은 60개와 50개의 뉴런으로 구성하였으며, 출력층은 Normal(N), RBBB(R), LBBB(L), APB(A), PVC(V) 로 하였다.
대상 데이터
본 논문에서는 MIT-BIH 부정맥 데이터베이스를 사용한다. MIT-BIH 부정맥 데이터베이스는 총 48명의 환자들의 기록으로 각각 30분정도의 심전도 데이터로 구성되어 있다. 각 레코드는 2채널로 기록되었고 샘플링 레이트는 360Hz이다.
실험에 사용한 MIT-BIH 부정맥 데이터베이스의 레코드는 표 2와 같다. 레코드에 표시된 비트주석을 기준으로 좌측에서 89, 우측에서 90개의 데이터를 추출하여 180개의 데이터를 하나의 세그먼트로 구성한다. 그림 4는 비트 주석 분류별로 구성된 부정맥 세그먼트 파형의 예들이다.
본 논문에서는 MIT-BIH 부정맥 데이터베이스를 사용한다. MIT-BIH 부정맥 데이터베이스는 총 48명의 환자들의 기록으로 각각 30분정도의 심전도 데이터로 구성되어 있다.
데이터처리
그림 5는 추출된 세그먼트로부터 DCT 변환을 적용하여 그중 대표 계수 15개만을 특징으로 추출하였다. 추출된 계수와 함께 db6 모함수와 레벨 8의 DWT 변환에서 나타난 각 레벨별 detail 계수의 최대값, 최소값, 평균, 분산, 표준편차를 구하여 특징벡터로 사용한다.
성능/효과
5초내외의 심전도 신호를 이용하여 DCT 변환계수와 DWT 변환의 detail 계수에 대한 최대값, 최소값, 평균값, 분산, 표준편차의 통계적 특징을 추출히여 역전파 신경망으로 학습하여 대표적인 부정맥신호를 자동 분류하였다. 제안한 알고리즘은 Normal(N) 100%, RBBB(R) 99.5%, LBBB(96.7%), APB(A) 99%, PVC(V) 98.7%의 분류 결과를 나타냈고 전체 분류율은 98.8%의 신뢰성 있는 결과를 나타냈다.
질의응답
핵심어
질문
논문에서 추출한 답변
심전도는 무엇인가?
현대인들이 고통받는 질환 중 하나인 심장계 질환은 부정맥, 심근허혈, 심근경색등과 같이 심장 리듬의 이상으로 발생한다. 심전도는 심장활동시에 나타나는 전기적 신호로써 심장상태와 질환을 알아 볼 수 있는 중요한 자료로 쓰인다. 심전도 신호는 P, Q, R, S, T의 다섯 파형으로 구성되며 파형의 높낮이와 간격의 특징에 따라 신호를 분류하고 심장의 상태와 질병의 유무를 판단한다.
부정맥은 발생기전과 발생부위에 따라 어떻게 분류되는가?
부정맥은 동방결절에서 생성된 전기 자극이 심근세포로 전도되어 발생하는 정상리듬을 제외한 모든 리듬으로 정의된다. 발생기전에 따라 자극발생이상, 자극전도장애등으로 분류되며, 발생부위에 따라 동방결정, 심방, 방실접합부, 심실등으로 분류된다. 부정맥은 여러 가지 원인에 의하여 심장내 전기적 신호의 형성이나 전달과정에 이상이 생겨 발생한다.
심전도는 어떠한 자료로 쓰이는가?
현대인들이 고통받는 질환 중 하나인 심장계 질환은 부정맥, 심근허혈, 심근경색등과 같이 심장 리듬의 이상으로 발생한다. 심전도는 심장활동시에 나타나는 전기적 신호로써 심장상태와 질환을 알아 볼 수 있는 중요한 자료로 쓰인다. 심전도 신호는 P, Q, R, S, T의 다섯 파형으로 구성되며 파형의 높낮이와 간격의 특징에 따라 신호를 분류하고 심장의 상태와 질병의 유무를 판단한다.
참고문헌 (10)
M. Engin, "ECG beat classification using neurofuzzynetwork," Pattern Recognition Letters, Vol. 25, pp. 1715-1722, 2004.
S. Osowski and T. H. Linh, "ECG beatre-cognition using fuzzy hybrid neural network," IEEE Trans. on Biomedical Engineering, Vol. 48, No. 4, pp. 1265-1271, 2001.
Erik Zellmer, Fei Shang, Hao Zhang "Highly Accurate ECG Beat Classfication based on Continuous Wavelet Transformation and Multiple Support Vector Machine Classifiers", Biomedical Engineering and Informatics Conference MMEI, 2009, pp. 1-5, 2009.
김광백, 우영운, "HSI 컬러 공간과 신경망을 이용한 내용 기반 이미지 검색", 한국전자통신학회논문지, Vol. 5, No. 2, pp. 152-157, April, 2010.
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.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.