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 연구에서는 최근 연구되고 있는 심박변화율과 함께 3축 가속도 센서를 이용하여 생체신호를 계측하고 계측한 생체신호를 자동으로 분석하여 OSA를 진단할 수 있는 컴퓨터 보조 진단알고리즘에 대해서 연구하고자 한다. 무호흡에 대한 정보는 현재 하나의 파라미터로 보고 있으며 여기에 대한 문제점이 지적되고 있지만 이것에 대한 해결방안에 대한 연구는 아직 부족한 실정이다.
- 본 연구에서는 호흡 중 무호흡이 발생할 시 일어나는 현상을 다양한 방법을 이용한 데이터 분석과 흉부에 움직임에 따른 가속도센서의 변화를 함께 살펴보았다. 수면 무호흡증에 관한 연구는 최근 고혈압, 당뇨병 등과의 연관성이 보고되면서 심혈관질환 및 관련 위험인자 가이드라인에 등장 횟수를 늘리고 있다.
- 추가적으로 푸리에 계수를 찾는 방법도 확인해 보았다. 결과적으로 높은 정확도 값을 얻을 수 있었으며 HRV 분석을 대체할 수 있을 것이라는 가정도 충분히 해볼 수 있을 것이라는 예상도 해보았다.
가설 설정
- 부교감 신경에 의한 영향으로는 (1) 동방 결절에서 시작하는 심장 리듬이 느려져 심장 박동수가 감소하고 (2) 심장 근육의 수축력이 약해지며 (3) 심장 흥분 전도 속도가 느려진다. (4) 관상 동맥의 혈류가 감소가 된다. 그리고 반대로 교감 신경에 의한 영향으로는 (1) 심장의 박동 수가 증가하며 (2) 심장 흥분 전도 속도가 빨라지며 (3) 수축력이 강화되어서 혈압이 높아지며 (4) 관상 동맥의 혈류 속도가 증가하여 산소 공급이 원활해 진다.
제안 방법
- 5초 무호흡 데이터는 먼저 87초 동안 편안한 상태의 호흡을 한 후 5초간 무호흡을 시행하고 다시 87초 간 정상적인 호흡을 하였으며 10초 무호흡 데이터는 85초 정상 호흡, 10초 무호흡, 85초 정상 호흡을 반복하였다. 20개의 데이터 중 무호흡이 발생된 데이터 10개를 판별하기 위해 먼저 데이터에서 6개의 특징점들을 계산하였다. 각 특징점들은 다음과 같다.
- 각 데이터의 총 길이는 180초였고, 무호흡이 발생한 데이터의 10개 중 5개는 5초, 나머지 5개는 10초의 무호흡 구간을 포함시켰다. 5초 무호흡 데이터는 먼저 87초 동안 편안한 상태의 호흡을 한 후 5초간 무호흡을 시행하고 다시 87초 간 정상적인 호흡을 하였으며 10초 무호흡 데이터는 85초 정상 호흡, 10초 무호흡, 85초 정상 호흡을 반복하였다. 20개의 데이터 중 무호흡이 발생된 데이터 10개를 판별하기 위해 먼저 데이터에서 6개의 특징점들을 계산하였다.
- 가속도 센서의 x, y, z축의 데이터를 분석하기 위해 각 축의 잡음을 제거하기 위하여 1 Hz Low-pass filter를 적용한 다음 0.1 Hz High-pass filter를 적용하였으며 각 축의 평균값을 구하였다.
- 심전도를 측정하기 위해 쌍극자 모델을 사용하였으며 리드원을 사용하여 오른손과 왼손의 전위차를 측정하였다. 가속도와 ECG 정보를 취득과 데이터의 저장은 MATLAB을 통하여 실행하였다. MATLAB의 시리얼 통신을 통해 시리얼 포트를 열게 하였고 데이터 비트는 8비트로 설정하였다.
- 각 Feature의 유용성을 평가하기 위해서 개별적인 특징점들의 AUC를 구해 보았다. 특정 진단 방법의 민감도와 특이도의 관계를 그래프로 나타낸 ROC 곡선은 그래프가 45° 대각선 위쪽, 즉 좌측 위에 가깝고 곡선 아래의 면적인 AUC의 값이 1에 가까울수록 진단 방법의 신뢰도가 높다고 할 수 있다.
- 먼저 획득한 데이터의 잡음을 없애기 위해 샘플링주파수 90 Hz에 10 Hz 저역통과 필터를 시행한 후 2 Hz의 고역통과필터를 거쳐 대역통과필터를 하였다. 그 다음 QRS complex의 가장 큰 진폭을 가지며 가장 급격하게 변화한다는 특성을 더욱 강화하기 위하여 미분을 적용한 다음 강조된 고주파 성분들을 양수화하고 증폭하기 위해 신호에 제곱 값을 취해주었다. 그 다음 윈도우 크기를 80 ms로 정하여 신호를 스무딩을 해주는 Moving window를 취한 다음 Thresh hold 지점을 설정하여 R peak 지점을 찾아내었다(Pan-Tompkins 알고리즘).
- 무호흡에 대한 정보는 현재 하나의 파라미터로 보고 있으며 여기에 대한 문제점이 지적되고 있지만 이것에 대한 해결방안에 대한 연구는 아직 부족한 실정이다. 그러므로 3축 가속도 센서에 ECG를 측정할 수 있는 전극을 함께 부착을 하여 ECG 측정과 동시에 호흡에 따른 복부의 움직임을 측정하였다. 2종류의 신호를 함께 측정함으로써 1종류의 신호를 측정했을 시 보다 정확한 무호흡의 정보를 알 수 있으므로 OSA 진단에 도움을 줄 수 있을 것이다.
- 본고에서는 STFT를 시행하기 위하여 사용할 FFT의 사이즈를 64로 사용을 하였으며 샘플링 주파수는 HRV 신호에서 다운 샘플링한 4 Hz를 사용하였으며 Window는 Hamming window, 크기는 64 사용하였고 이전 윈도우와 Overlap되는 범위는 63으로 설정하여 한 샘플씩 옮겨가면서 퓨리에 변환을 하도록 시행하였다. 그리고 STFT를 한 데이터를 Spectrogram을 구한 다음 자율신경계의 균형을 나타내는 지표로서 사용되는 LF/HF를 시간 별로 나타내어 보았다.
- 본 연구에서는 가속도 센서를 흉부에 부착을 하여 호흡 쪽 근육들의 움직임을 z축 변화에 따른 전압 변화량으로 측정함으로써 전극을 붙일 필요도 없으며 가슴의 탄력밴드로 인한 압박이 없도록 하였다. 또한, 그림 1에서와 같이 가속도 센서에 ECG를 측정할 수 있는 전극을 부착하여 흉부의 움직임과 ECG를 함께 측정하도록 하였다. 심전도를 측정하기 위해 쌍극자 모델을 사용하였으며 리드원을 사용하여 오른손과 왼손의 전위차를 측정하였다.
- 먼저 획득한 데이터의 잡음을 없애기 위해 샘플링주파수 90 Hz에 10 Hz 저역통과 필터를 시행한 후 2 Hz의 고역통과필터를 거쳐 대역통과필터를 하였다. 그 다음 QRS complex의 가장 큰 진폭을 가지며 가장 급격하게 변화한다는 특성을 더욱 강화하기 위하여 미분을 적용한 다음 강조된 고주파 성분들을 양수화하고 증폭하기 위해 신호에 제곱 값을 취해주었다.
- 그러므로 심박변동의 주파수 분석을 위해서는 심박동열로부터 등간격으로 구성된 심박변동신호를 유도해야 한다. 본 연구에서 R-R 간격 시리즈를 4 Hz의 등간격으로 다운샘플링한 R-R간격 시리즈를 구하였으며 그림 3과 같은 HRV의 Tachogram을 추출하여 주파수 분석에 적용을 하였다.
- 본 연구에서는 가속도 센서를 흉부에 부착을 하여 호흡 쪽 근육들의 움직임을 z축 변화에 따른 전압 변화량으로 측정함으로써 전극을 붙일 필요도 없으며 가슴의 탄력밴드로 인한 압박이 없도록 하였다. 또한, 그림 1에서와 같이 가속도 센서에 ECG를 측정할 수 있는 전극을 부착하여 흉부의 움직임과 ECG를 함께 측정하도록 하였다.
- 본고에서는 STFT를 시행하기 위하여 사용할 FFT의 사이즈를 64로 사용을 하였으며 샘플링 주파수는 HRV 신호에서 다운 샘플링한 4 Hz를 사용하였으며 Window는 Hamming window, 크기는 64 사용하였고 이전 윈도우와 Overlap되는 범위는 63으로 설정하여 한 샘플씩 옮겨가면서 퓨리에 변환을 하도록 시행하였다. 그리고 STFT를 한 데이터를 Spectrogram을 구한 다음 자율신경계의 균형을 나타내는 지표로서 사용되는 LF/HF를 시간 별로 나타내어 보았다.
- 심전도 데이터에서 먼저 HRV를 검출하기 위해 신호처리 과정을 거쳤다. 심전도 신호 특징 분석 방법 중 심전도 파형 중에서 가장 큰 진폭을 가지면서 가장 급격하게 변하는 지점인 QRS complex를 검출하는 방법을 이용을 하였다.
- 그러나 퓨리에 변환의 결과는 전체 신호에 대해서 어떠한 주파수 성분이 얼마나 존재하는가에 대한 것만 알 수 있을 뿐 시간적인 정보는 제공하지 않는다. 이러한 퓨리에 단점을 보완하도록 고안된 Short time fourier transform (STFT)을 사용하여 R-R 간격 시계열 데이터의 시간에 따른 주파수 성분의 특징을 본 논문에서 구하였고 전력분포를 얻기 위해 STFT에 제곱을 취한 Spectrogram을 사용하였다. STFT는 Gabor에 의해 처음 소개되었으며 전체 신호 x(t)에 일련의 Time window를 부과하여 작은 구간으로 나누고 각각 윈도우가 취해진 구간들을 퓨리에 변환을 하여 준다.
- 또한 당뇨병, 고혈압, 전신질환의 원인으로 분석이 되고 있으므로 수면무호흡증은 중요한 병적요인이 아닐 수 없다. 하지만 수면무호흡에 관한 진단하는 의료기기는 그 병의 위험성에 비해 아직 미흡하다고 판단되어 이번 연구를 통해보다 정확한 무호흡에 대한 판단을 내릴 수 있도록 하였다.
- MATLAB의 시리얼 통신을 통해 시리얼 포트를 열게 하였고 데이터 비트는 8비트로 설정하였다. 획득한 데이터 정보는 MATLAB의 GUI를 사용하여 그림 2에서 나타내는 것과 같이 그래프로 각각 ECG, 가속도 센서의 X축, Y축, Z축을 표현 하도록 하였으며 데이터를 Text 파일로 저장할 수 있도록 하였다.
대상 데이터
- 본 연구에서 제안된 휴대형 수면 검사기기와 이 기기를 통해 획득한 ECG신호와 가속도 센서 신호에서의 특징점들이 호흡과 무호흡 상태를 얼마나 정확하게 구분할 수 있는 지를 살펴보기 위해 총 20개의 데이터 샘플을 획득하였다. 데이터는 정상 호흡 구간으로만 구성된 데이터 10개와 정상 호흡 중 무호흡이 발생한 데이터 10개로 구성되었다. 각 데이터의 총 길이는 180초였고, 무호흡이 발생한 데이터의 10개 중 5개는 5초, 나머지 5개는 10초의 무호흡 구간을 포함시켰다.
- 본 연구에서 제안된 휴대형 수면 검사기기와 이 기기를 통해 획득한 ECG신호와 가속도 센서 신호에서의 특징점들이 호흡과 무호흡 상태를 얼마나 정확하게 구분할 수 있는 지를 살펴보기 위해 총 20개의 데이터 샘플을 획득하였다. 데이터는 정상 호흡 구간으로만 구성된 데이터 10개와 정상 호흡 중 무호흡이 발생한 데이터 10개로 구성되었다.
이론/모형
- 그 다음 QRS complex의 가장 큰 진폭을 가지며 가장 급격하게 변화한다는 특성을 더욱 강화하기 위하여 미분을 적용한 다음 강조된 고주파 성분들을 양수화하고 증폭하기 위해 신호에 제곱 값을 취해주었다. 그 다음 윈도우 크기를 80 ms로 정하여 신호를 스무딩을 해주는 Moving window를 취한 다음 Thresh hold 지점을 설정하여 R peak 지점을 찾아내었다(Pan-Tompkins 알고리즘).
- 2종류의 신호를 함께 측정함으로써 1종류의 신호를 측정했을 시 보다 정확한 무호흡의 정보를 알 수 있으므로 OSA 진단에 도움을 줄 수 있을 것이다. 또한, 이렇게 획득된 두 종류의 신호는 신호 처리 알고리즘을 거쳐 유용한 특징점이 추출되고 추출된 특징점은 머신 러닝 기법을 통해 컴퓨터 보조 진단 알고리즘 설계에 활용되었다.
- 또한, 그림 1에서와 같이 가속도 센서에 ECG를 측정할 수 있는 전극을 부착하여 흉부의 움직임과 ECG를 함께 측정하도록 하였다. 심전도를 측정하기 위해 쌍극자 모델을 사용하였으며 리드원을 사용하여 오른손과 왼손의 전위차를 측정하였다. 가속도와 ECG 정보를 취득과 데이터의 저장은 MATLAB을 통하여 실행하였다.
- 추출된 6개의 특징점들은 Weka 프로그램을 사용하여 분석되었으며, Boosting 알고리즘의 하나인 Adaboost 학습에 사용되었다. 학습된 모델을 평가하기 위하여 10-folds cross validation 방법을 사용하였다.
- 추출된 6개의 특징점들은 Weka 프로그램을 사용하여 분석되었으며, Boosting 알고리즘의 하나인 Adaboost 학습에 사용되었다. 학습된 모델을 평가하기 위하여 10-folds cross validation 방법을 사용하였다. 학습된 모델을 사용하여 20개의 데이터를 분류한 결과 무호흡이 발생하지 않은 데이터 10개 중 8개를 정확히 분류했으며 무호흡이 발생한 데이터 10개 중 9개를 정확하게 분류함을 알수 있었다.
성능/효과
- HRV분석에서 무호흡을 검출하기 위하여 LF/HF 비율을 살펴보았고 그 결과 무호흡 시점에서 수치가 올라가는 것을 확인하여 교감신경계가 흥분이 된다는 것을 알 수 있었다. 하지만 HRV으로만 분석 했을 시 무호흡 구간이 아닌데도 LF/HF 비율이 올라가는 것을 확인할 수 있었는데 이러한 이유 중 하나로 생각되는 것이 스트레스이다.
- 정확도는 시스템이 분류한 결과 중 제대로 분류된 값의 비율로 (TP+TN)/(TP+FN+FP+TN)*100으로 계산할 수 있으며 민감도는 실제 환자들만을 검사했을 때 제대로 판단하는 능력, 특이성은 정상인 환자들만을 검사했을 때 제대로 판단하는 능력으로 각각 TP/(TP+FN)*100, TN/(TN+FP)*100으로 계산할 수 있다. 각 척도의 단위는 모두 %이며 본 연구에서 TP=9, FN=1, FP=2, TN=8이었다. 이 수치들을 사용하여 민감도, 특이도, 정확도를 계산해 보면 아래와 같다.
- 추가적으로 푸리에 계수를 찾는 방법도 확인해 보았다. 결과적으로 높은 정확도 값을 얻을 수 있었으며 HRV 분석을 대체할 수 있을 것이라는 가정도 충분히 해볼 수 있을 것이라는 예상도 해보았다. 그러나 이 방법 역시 ECG를 받아오는 것이기 때문에 움직임에 의한 데이터 왜곡을 어떻게 해결할 것인지 좀 더 생각해 보아야 할 것이다.
- 또한, 가속도 센서만으로 무호흡 정보를 관찰할 시 무호흡 시간이 짧게 지속이 되면 무호흡으로 인한 확연한 변화가 일어나지 않는 것을 관찰할 수 있었다. 그리고 수면 중에는 사람의 수면자세에 대한 변화가 일어날 수 있는 가능성이 있고 무호흡이 아닌 저호흡 시 가속도센서만의 검출 또한 정확한 검출은 어려울 것이라 예상이 된다.
- Confusion Matrix는 TP, FP, FN, TN으로 구성되어 있는데 TP는 실제로 질병이 있는 환자 중 시스템에 의해 질병이 있다고 판단된 환자의 수, FP는 정상인환자 중 질병이 있다고 판단된 환자 수, TN 은 정상인 환자 중 정상이라고 판단된 환자수, FN은 질병이 있는 환자 중 정상이라고 판단된 환자의 수이다. 정확도는 시스템이 분류한 결과 중 제대로 분류된 값의 비율로 (TP+TN)/(TP+FN+FP+TN)*100으로 계산할 수 있으며 민감도는 실제 환자들만을 검사했을 때 제대로 판단하는 능력, 특이성은 정상인 환자들만을 검사했을 때 제대로 판단하는 능력으로 각각 TP/(TP+FN)*100, TN/(TN+FP)*100으로 계산할 수 있다. 각 척도의 단위는 모두 %이며 본 연구에서 TP=9, FN=1, FP=2, TN=8이었다.
- 즉, 흉부 움직임과 ECG 신호를 동시에 고려하여 실험한 본 알고리즘은 민감도 90%, 특이도 80%, 정확도 85%로 수면 무호흡증을 진단할 수 있었다. 추출한 6개의 특징점을 알고리즘으로 학습한 결과로 그린 ROC 곡선은 AUC=0.
- 즉, 흉부 움직임과 ECG 신호를 동시에 고려하여 실험한 본 알고리즘은 민감도 90%, 특이도 80%, 정확도 85%로 수면 무호흡증을 진단할 수 있었다. 추출한 6개의 특징점을 알고리즘으로 학습한 결과로 그린 ROC 곡선은 AUC=0.84로 해당 진단 방법의 신뢰도가 평균보다 높다는 것을 의미한다.
- 학습된 모델을 평가하기 위하여 10-folds cross validation 방법을 사용하였다. 학습된 모델을 사용하여 20개의 데이터를 분류한 결과 무호흡이 발생하지 않은 데이터 10개 중 8개를 정확히 분류했으며 무호흡이 발생한 데이터 10개 중 9개를 정확하게 분류함을 알수 있었다. 실제 값과 시스템을 통해 분류된값 사이의 관계를 행렬로 나타낸 Confusion Matrix를 통해 민감도와 특이도, 정확도를 계산할 수 있다.
후속연구
- 그러므로 3축 가속도 센서에 ECG를 측정할 수 있는 전극을 함께 부착을 하여 ECG 측정과 동시에 호흡에 따른 복부의 움직임을 측정하였다. 2종류의 신호를 함께 측정함으로써 1종류의 신호를 측정했을 시 보다 정확한 무호흡의 정보를 알 수 있으므로 OSA 진단에 도움을 줄 수 있을 것이다. 또한, 이렇게 획득된 두 종류의 신호는 신호 처리 알고리즘을 거쳐 유용한 특징점이 추출되고 추출된 특징점은 머신 러닝 기법을 통해 컴퓨터 보조 진단 알고리즘 설계에 활용되었다.
- 그러나 LF/HF 비율이 어느 정도 올라가야 자율신경계 중 교감 신경의 흥분이 나타난다는 지표가 아직 현재 정해지지 않았고 수면자의 수면자세에 따라 많은 영향을 받기 때문에 이를 보완할 연구가 필요한 시점이다. 그리고 무호흡이 일어났을 시 프로그램적으로 무호흡 정보를 자동으로 전달할 수 있는 Tool을 개발해야 할 것이다.
- 그러나 LF/HF 비율이 어느 정도 올라가야 자율신경계 중 교감 신경의 흥분이 나타난다는 지표가 아직 현재 정해지지 않았고 수면자의 수면자세에 따라 많은 영향을 받기 때문에 이를 보완할 연구가 필요한 시점이다. 그리고 무호흡이 일어났을 시 프로그램적으로 무호흡 정보를 자동으로 전달할 수 있는 Tool을 개발해야 할 것이다.
- 또한, 자체적으로 설계한 R-peak 검출 알고리즘의 경우, 상용되고 있는 다른 R-peak 알고리즘과 비교하여 정확도를 측정해보아야 한다. 본 연구에서 설계한 알고리즘은 측정된 신호를 가지고 분석했기 때문에 Real time에서 측정과 동시에 분석할 방법에 대해서도 연구해야할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.