심전도 신호의 신뢰성 있는 진단을 위해서는 높은 분류 정확도와 함께 낮은 오분류 성능이 중요하며, 특히 비정상을 정상으로 진단하는 것은 심검자에게 치명적인 문제로 귀결될 수 있다. 본 논문에서는 임상 진단 기준을 반영하는 규칙기반 분류알고리즘을 이용하여 비정상 리듬을 검출 및 분류하는 방법을 제안한다. 규칙기반 분류는 리듬 구간의 특징에 대한 규칙 베이스를 이용하여 리듬 유형을 분류하도록 하며, 이 때 규칙 베이스는 임상 및 내과 분야의 심전도 전문 임상 자료에 기반한 본 논문의 기준표에 따라 구성된다. MIT-BIH 부정맥 데이터베이스를 이용한 제안 방법의 실험을 통하여 정상동조율, 박동조율, 및 다양한 비정상 리듬에 대한 리듬 유형의 분류가 가능함을 확인하였으며, 특히 비정상 리듬 검출 측면에서는 오분류가 전혀 발생되지 않는 결과를 보였다.
심전도 신호의 신뢰성 있는 진단을 위해서는 높은 분류 정확도와 함께 낮은 오분류 성능이 중요하며, 특히 비정상을 정상으로 진단하는 것은 심검자에게 치명적인 문제로 귀결될 수 있다. 본 논문에서는 임상 진단 기준을 반영하는 규칙기반 분류 알고리즘을 이용하여 비정상 리듬을 검출 및 분류하는 방법을 제안한다. 규칙기반 분류는 리듬 구간의 특징에 대한 규칙 베이스를 이용하여 리듬 유형을 분류하도록 하며, 이 때 규칙 베이스는 임상 및 내과 분야의 심전도 전문 임상 자료에 기반한 본 논문의 기준표에 따라 구성된다. MIT-BIH 부정맥 데이터베이스를 이용한 제안 방법의 실험을 통하여 정상동조율, 박동조율, 및 다양한 비정상 리듬에 대한 리듬 유형의 분류가 가능함을 확인하였으며, 특히 비정상 리듬 검출 측면에서는 오분류가 전혀 발생되지 않는 결과를 보였다.
Low misclassification performance is significant with high classification accuracy for a reliable diagnosis of ECG signals, and diagnosing abnormal state as normal state can especially raises a deadly problem to a person in ECG test. In this paper, we propose detection and classification method of a...
Low misclassification performance is significant with high classification accuracy for a reliable diagnosis of ECG signals, and diagnosing abnormal state as normal state can especially raises a deadly problem to a person in ECG test. In this paper, we propose detection and classification method of abnormal rhythm by rule-based rhythm classification reflecting clinical criteria for disease. Rule-based classification classifies rhythm types using rule-base for feature of rhythm section, and rule-base deduces decision results corresponding to professional materials of clinical and internal fields. Experimental results for the MIT-BIH arrhythmia database show that the applicability of proposed method is confirmed to classify rhythm types for normal sinus, paced, and various abnormal rhythms, especially without misclassification in detection aspect of abnormal rhythm.
Low misclassification performance is significant with high classification accuracy for a reliable diagnosis of ECG signals, and diagnosing abnormal state as normal state can especially raises a deadly problem to a person in ECG test. In this paper, we propose detection and classification method of abnormal rhythm by rule-based rhythm classification reflecting clinical criteria for disease. Rule-based classification classifies rhythm types using rule-base for feature of rhythm section, and rule-base deduces decision results corresponding to professional materials of clinical and internal fields. Experimental results for the MIT-BIH arrhythmia database show that the applicability of proposed method is confirmed to classify rhythm types for normal sinus, paced, and various abnormal rhythms, especially without misclassification in detection aspect of abnormal rhythm.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 앞서 기술한 부정맥의 신호적 특성을 비롯한 다양한 부정맥에 대한 임상 및 내과 분야의 심전도 전문 임상 자료에 기반하여 부정맥 분류를 위한 특징을 검출하고 검출된 특징을 이용하여 지식 베이스를 구축하였다. 그림 2는 표 1에 있는 다양한 부정맥 유형에 대하여 리듬 구간 내의 리듬 및 심박 분포의 분석을 통하여 리듬 유형간의 차별성을 시각적으로 표현하기 위해 도출된 부정맥 진단 기준이다.
본 논문에서는 임상 진단 기준을 반영하는 규칙기반 분류 알고리즘을 이용하여 비정상 리듬을 검출 및 분류하는 방법을 제안하였다. 규칙기반 분류는 리듬 구간의 특징에 대한 규칙 베이스를 이용하여 리듬 유형을 분류하도록 하였으며, 규칙 베이스는 임상 및 내과 분야의 심전도 전문 임상 자료에 대해 상응하는 판단 결과를 재현하도록 기준표를 제시하였다.
제안 방법
본 논문에서는 임상 진단 기준을 반영하는 규칙기반 분류 알고리즘을 이용하여 비정상 리듬을 검출 및 분류하는 방법을 제안하였다. 규칙기반 분류는 리듬 구간의 특징에 대한 규칙 베이스를 이용하여 리듬 유형을 분류하도록 하였으며, 규칙 베이스는 임상 및 내과 분야의 심전도 전문 임상 자료에 대해 상응하는 판단 결과를 재현하도록 기준표를 제시하였다. MIT-BIH 부정맥 데이터베이스를 이용한 실험에서 부정맥에 해당하는 심전도 신호의 검출은 100%의 성능을 보이고 있음을 확인하였다.
각 부정맥에 특징적인 리듬 및 심박 기준에 대한 규칙 정합을 통하여 모든 조건을 만족하는 경우 해당 부정맥으로 분류하게 된다. 규칙기반에 의한 리듬 분류의 적용 가능성을 확인하기 위하여 MIT-BIH 부정맥 데이터베이스에 포함된 정상동조율, 박동조율, 및 다양한 부정맥 리듬에 대하여 실험하였다.
리듬 구간에 대하여 검출된 특징점을 이용하여 표 2의 리듬 및 심박 분포 특징을 추출하였으며, 구축된 규칙 베이스를 이용하여 리듬 유형을 분류하였다. 각 부정맥에 특징적인 리듬 및 심박 기준에 대한 규칙 정합을 통하여 모든 조건을 만족하는 경우 해당 부정맥으로 분류하게 된다.
심전도 신호의 리듬 구간 크기는 관련 논문[14-17]의 연구 결과를 참고하여 모든 부정맥을 충분히 검출할 수 있는 10초로 설정하였다. 먼저 전처리 과정에 해당되는 특징점 검출을 위하여 곡률기반 정점 선택을 이용하여 리듬 구간에 대한 모든 P파, QRS군, 및 T파의 시작점, 최고점, 끝점의 위치를 검출하였다.
규칙기반 분류에서는 리듬 구간의 특징에 대한 규칙 베이스를 이용하여 리듬 유형을 분류하게 된다. 본 논문에서 제안한 규칙 베이스는 임상 및 내과 분야의 심전도 전문 임상 자료[8-12]를 총체적으로 반영하여 구성되었으며, 모든 리듬 유형에 대하여 각 대응 조건에 대해 상응하는 판단 결과를 도출하는 형태를 띤다. 또한 MIT-BIH 부정맥 데이터베이스를 이용하여 정상동조율, 박동조율, 및 다양한 부정맥 리듬에 대한 리듬 유형의 분류가 가능하며, 특히 비정상 리듬 검출 측면에서 효용성이 우수함을 알 수 있다.
본 논문에서는 심전도 신호의 특징점, 즉 P파, QRS군, T파 등에 기반한 규칙기반 분류를 이용하여 리듬 단위의 분석을 수행한다. 특징점 검출에서는 곡률기반 정점 선택(curvature-based vertex selection)[6,7]을 이용하여 리듬 구간에 대한 모든 P파, QRS군, 및 T파의 시작점, 최고점, 끝점의 위치를 검출한다.
숙련된 심전도 전문가의 지식과 경험을 활용할 수 있는 전문가 시스템이 구현된다면 실생활에서 신속하고 정확한 부정맥 진단이 가능할 것이다. 본 논문에서는 전문가 시스템을 위하여 그림 3과 같이 지식 베이스, 규칙 베이스, 추론 과정, 그리고 사용자 인터페이스로 구성되는 규칙기반 시스템을 구성하였다.
10GHz×2 i5-2400 CPU와 4GByte RAM의 사양을 가지고 있으며, 처리 알고리즘은 MATLAB R2010a를 이용하여 구현하였다. 심전도 신호의 리듬 구간 크기는 관련 논문[14-17]의 연구 결과를 참고하여 모든 부정맥을 충분히 검출할 수 있는 10초로 설정하였다. 먼저 전처리 과정에 해당되는 특징점 검출을 위하여 곡률기반 정점 선택을 이용하여 리듬 구간에 대한 모든 P파, QRS군, 및 T파의 시작점, 최고점, 끝점의 위치를 검출하였다.
이러한 전문적 임상 자료를 기반하여 심전도 신호의 정상 판단 및 부정맥 분류를 위한 특징점을 표 2와 같이 구성하였다. 여기서 P파의 심박수와 R파의 심박수가 같은 부정맥의 경우 동일성(identity)을, PP 간격과 RR 간격이 일정하게 유지되는 경우 규칙성(regularity)의 특징으로 분류하였다.
일반적으로 P파와 QRS군이 가장 잘 보이는 유도 Ⅱ의 심전도 신호에서 신호의 리듬, P파의 유/무, PR간격, 및 QRS군의 유/무 등을 분석함으로 대부분의 부정맥에 대한 진단 근거를 도출할 수 있다[9-11]. 즉, 신호의 리듬의 규칙성 유무와 비정상리듬의 발생 빈도 등을 관찰하고, P파의 모양과 축을 통하여 동성과 이소성에 대한 변별성을 설정한다. 또한 PR간격이 규칙성 유무와 QRS군의 모양과 폭에 따라 상심실성 부정맥이나 심실성 부정맥을 판단할 수 있다.
본 논문에서는 심전도 신호의 특징점, 즉 P파, QRS군, T파 등에 기반한 규칙기반 분류를 이용하여 리듬 단위의 분석을 수행한다. 특징점 검출에서는 곡률기반 정점 선택(curvature-based vertex selection)[6,7]을 이용하여 리듬 구간에 대한 모든 P파, QRS군, 및 T파의 시작점, 최고점, 끝점의 위치를 검출한다. 또한 특징 추출 단계에서는 리듬 구간에 대하여 동일성 및 규칙성 등의 심박 비정상 분포에 해당하는 특징이 추출되어 계산된다.
대상 데이터
실험에 이용되는 데이터베이스는 임상에서 수집된 MIT-BIH 부정맥 데이터베이스[13]이며, 심전도 관련 연구에서 표준 데이터베이스로서 널리 이용되고 있다. 23~89세 남성 및 여성 47명으로 부터 두 가지 유도로 측정된 30분 길이의 48개 레코드로서 전형적인 정기검진의 23개(100~124번)와 복잡한 비정상 환자의 25개(200~234번)로 구성되어 있다. 0.
본 논문에서 제안된 규칙기반 알고리즘에 의한 비정상 리듬의 검출 및 분류 성능을 평가하기 위하여 심전도 데이터베이스를 대상으로 실험을 수행하였다. 실험에 이용되는 데이터베이스는 임상에서 수집된 MIT-BIH 부정맥 데이터베이스[13]이며, 심전도 관련 연구에서 표준 데이터베이스로서 널리 이용되고 있다.
본 논문에서 제안된 규칙기반 알고리즘에 의한 비정상 리듬의 검출 및 분류 성능을 평가하기 위하여 심전도 데이터베이스를 대상으로 실험을 수행하였다. 실험에 이용되는 데이터베이스는 임상에서 수집된 MIT-BIH 부정맥 데이터베이스[13]이며, 심전도 관련 연구에서 표준 데이터베이스로서 널리 이용되고 있다. 23~89세 남성 및 여성 47명으로 부터 두 가지 유도로 측정된 30분 길이의 48개 레코드로서 전형적인 정기검진의 23개(100~124번)와 복잡한 비정상 환자의 25개(200~234번)로 구성되어 있다.
성능/효과
규칙기반 분류는 리듬 구간의 특징에 대한 규칙 베이스를 이용하여 리듬 유형을 분류하도록 하였으며, 규칙 베이스는 임상 및 내과 분야의 심전도 전문 임상 자료에 대해 상응하는 판단 결과를 재현하도록 기준표를 제시하였다. MIT-BIH 부정맥 데이터베이스를 이용한 실험에서 부정맥에 해당하는 심전도 신호의 검출은 100%의 성능을 보이고 있음을 확인하였다. 향후 정상 리듬의 오분류율 개선, 단조 및 배열 리듬의 분류, 조동 및 세동 리듬의 검출 등에 대한 추가 연구를 통해 부정맥의 세부 분류 성능 또한 향상시킬 수 있다.
본 논문에서 제안한 규칙 베이스는 임상 및 내과 분야의 심전도 전문 임상 자료[8-12]를 총체적으로 반영하여 구성되었으며, 모든 리듬 유형에 대하여 각 대응 조건에 대해 상응하는 판단 결과를 도출하는 형태를 띤다. 또한 MIT-BIH 부정맥 데이터베이스를 이용하여 정상동조율, 박동조율, 및 다양한 부정맥 리듬에 대한 리듬 유형의 분류가 가능하며, 특히 비정상 리듬 검출 측면에서 효용성이 우수함을 알 수 있다.
표 5는 제안한 규칙 베이스에 기반한 부정맥 분류 성능을 나타낸 것으로서, 전체 분류 성공률은 약 73%로 확인되었다. 이는 본 제안 방법이 각 부정맥의 특징적인 리듬 및 심박의 분포에 의존적인 분류를 제공하므로, 일부 부정맥 신호에 대해서는 변별성 제공이 난해하다.
후속연구
이는 본 제안 방법이 각 부정맥의 특징적인 리듬 및 심박의 분포에 의존적인 분류를 제공하므로, 일부 부정맥 신호에 대해서는 변별성 제공이 난해하다. 따라서 규칙기반 방법만으로 해결이 어려운 정상 리듬의 오분류율 개선, 단조 및 배열 리듬의 분류, 그리고 조동 및 세동 리듬의 검출 등에 대한 추가 연구가 수반될 경우 보다 견실한 분류 성능이 재현될 수 있다.
리듬에 대한 분석 및 분류는 다양한 리듬 유형 및 심박 분포의 변형과 혼재로 인하여 심전도 전문가에게도 많은 시간과 노력이 필요한 작업이다. 숙련된 심전도 전문가의 지식과 경험을 활용할 수 있는 전문가 시스템이 구현된다면 실생활에서 신속하고 정확한 부정맥 진단이 가능할 것이다. 본 논문에서는 전문가 시스템을 위하여 그림 3과 같이 지식 베이스, 규칙 베이스, 추론 과정, 그리고 사용자 인터페이스로 구성되는 규칙기반 시스템을 구성하였다.
정상동조율은 다른 리듬 유형에 비하여 매우 큰 분포 범위 및 샘플 수를 가지므로 다양한 심검자 및 왜곡 신호에 대한 분류 결과의 확인이 필요하다. 그림 5(a)는 레코드 101번의 리듬 구간으로 리듬 및 심박 조건을 모두 만족하는 정상동조율이다.
MIT-BIH 부정맥 데이터베이스를 이용한 실험에서 부정맥에 해당하는 심전도 신호의 검출은 100%의 성능을 보이고 있음을 확인하였다. 향후 정상 리듬의 오분류율 개선, 단조 및 배열 리듬의 분류, 조동 및 세동 리듬의 검출 등에 대한 추가 연구를 통해 부정맥의 세부 분류 성능 또한 향상시킬 수 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
부정맥은 발생기전에 따라 어떻게 분류되는가?
부정맥은 동방결절에서 생성된 전기 자극이 심근세포로 전도되어 발생하는 정상 리듬을 제외한 모든 리듬으로 정의된다. 발생기전에 따라 자극발생장애, 자극전도장애 등으로 분류되며, 발생부위에 따라 동방결절, 심방, 방실접합부, 심실 등으로 분류된다. 표 1은 다양한 부정맥을 발생기전과 발생부위에 따라 체계적으로 분류한 것이며, MIT-BIH 부정맥 데이터베이스에는 15가지 리듬 유형이 포함되어 있다.
부정맥 진단 알고리즘은 무엇에 의존하여 설계되어야 하는가?
부정맥은 이에 대표적인 심장질환으로서 심전도 신호를 구성하는 각각의 파형이 불규칙하게 나타나는 상태를 반영하고 있다. 따라서 부정맥 진단 알고리즘은 심전도 신호의 구성요소, 즉 P파, QRS군, T파 등의 유무 및 리듬 등에 의존하여 설계되어야 할 필요가 있다[4,5].
심전도 신호에 기반하여 심장질환을 자동으로 진단하는 알고리즘은 무엇에 집중되어 왔는가?
심전도 신호에 기반하여 심장질환을 자동으로 진단하는 알고리즘은 치명적인 심장질환이나 위험 단계로 발전할 수 있는 질환의 사전 진단에 집중되어 왔다. 부정맥은 이에 대표적인 심장질환으로서 심전도 신호를 구성하는 각각의 파형이 불규칙하게 나타나는 상태를 반영하고 있다.
참고문헌 (17)
Ritika Agarwal, and Sameer R. Sonkusale, "Input-Feature Correlated Asynchronous Analog to Information Converter for ECG Monitoring," IEEE Transactions on Biomedical Circuits and Systems, vol. 5, no. 5, pp. 459-467, 2011.
Honggang Wang, Dongming Peng, Hsiao-Hwa Chen, and Ali Khoynezhad, "Resource-Aware Secure ECG Healthcare Monitoring Through Body Sensor Networks," IEEE Wireless Communications Magazine, vol. 17, no. 1, pp. 12-19, 2010.
Elham Dolatabadi and Serguei Primak, "Ubiquitous WBAN-based Electrocardiogram Monitoring System," Proceedings of IEEE Conference on e-Health Networking, Applications and Services, vol. 13, pp. 110-113, 2011.
장형종, 임준식, "심박수 변이도와 퍼지 신경망을 이용한 부정맥 추출," 한국인터넷정보학회 논문지, 제10권, 제5호, pp. 107-116, 2009.
Yun-Chi Yeha, Wen-June Wanga, and Che Wun Chioud, "Cardiac arrhythmia diagnosis method using linear discriminant analysis on ECG signals," Measurement, vol. 42, no. 5, pp. 778-789, 2009.
S. Barro, a, R. Ruizb, J. Presedoa, and J. Mirac, "Grammatic representation of beat sequences for fuzzy arrhythmia diagnosis," International Journal of Bio-Medical Computing, vol. 17, no. 3, pp. 245-259, 1991.
최윤식, 임상심전도학(제5판) , 서울대학교출판문화원, 2009.
James H O'Keefe, The ECG Criteria Book, Second Edition, Jones and Bartlett Publishers, Inc., 2009.
G. Moody and R. Mark, "The MIT-BIH arrhythmia database on CD-ROM and software for use with it," Computers in cardiology, IEEE Computer Society Press, pp. 185-188, 1990.
M. Kundu, M. Nasipuri, and D. K. Basu, "A knowledge-based approach to ECG interpretation using Fuzzy logic," IEEE Trans. on SMC, vol 28 Part B, no. 2, pp. 237-243, 1998.
D. Ge, N. Srinivasan and SM Krishnan, "Cardiac arrhythmia classification using autoregressive modeling," BioMedical Engineering Online, vol 1, no. 5, pp. 1-12, 2002.
J. Rodriguez, A. Goni, and A. Illarramen, "Real-time classification of ECGs on a PDA," IEEE Trans. on Information Technology in Biomedicine, vol 9, no. 1, pp. 23-34, 2005.
U. Ayesta, L. Serrano, and I. Romero, "Complexity measure revisited: A new algorithm for classifying cardiac arrhythmias," Proceedings of the 23rd Annual International Conference of the IEEE Engineering in Medicine and Biology Society, vol 2, pp. 1589-1591, 2001.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.