[논문]심전도 신호의 리듬 특징을 이용한 부정맥 검출

김성완

doi:10.9708/jksci.2013.18.8.131

심전도 신호의 리듬 특징을 이용한 부정맥 검출
Arrhythmia Detection Using Rhythm Features of ECG Signal 원문보기

韓國컴퓨터情報學會論文誌 = Journal of the Korea Society of Computer and Information, v.18 no.8, 2013년, pp.131 - 139

초록
AI-Helper

본 논문에서는 먼저 심전도 진단을 위한 처리 과정별 관련 연구내용을 살펴본 후 심전도 신호의 리듬 특징을 이용하여 부정맥을 검출 및 분류하는 방법을 제안한다. 특징 추출에서는 리듬 구간에 대하여 동일성 및 규칙성 등의 리듬 및 심박 분포에 관련되는 특징을 추출하게 되며, 리듬 분류에서는 리듬 구간의 특징에 대하여 미리 구축된 규칙 베이스를 이용하여 리듬 유형을 분류하게 된다. MIT-BIH 부정맥 데이터베이스의 모든 리듬 유형에 대한 실험을 통하여 정상 리듬 규칙만으로도 100% 부정맥 검출 성능을 보였으며, 부정맥 리듬 규칙으로는 유형 분류 적용 가능성을 확인하였다.

Abstract ▼ AI-Helper

In this paper, we look into previous research in relation to each processing step for ECG diagnosis and propose detection and classification method of arrhythmia using rhythm features of ECG signal. Rhythm features for distribution of rhythm and heartbeat such as identity, regularity, etc. are extracted in feature extraction, and rhythm type is classified using rule-base constructed in advance for features of rhythm section in rhythm classification. Experimental results for all of rhythm types in the MIT-BIH arrhythmia database show detection performance of 100% for arrhythmia with only normal rhythm rule and applicability of classification for rhythm types with arrhythmia rhythm rules.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

그리고 리듬 분류에서는 리듬 구간의 특징에 대한 규칙 베이스를 이용하여 리듬 유형을 분류하게 되며, 이때 규칙 베이스는 임상 및 내과 분야의 심전도 전문 임상 자료에 기반하여 도출된 부정맥 진단 기준을 적용하게 된다. MIT-BIH 부정맥 데이터베이스의 모든 리듬 유형에 대한 실험을 통하여 다양한 부정맥 리듬에 대한 제안 방법의 타당성을 확인하고자 한다.
본 논문에서는 신뢰성 있는 심전도 사전 진단을 위해 리듬 분류 알고리즘을 이용하여 부정맥을 검출 및 분류하는 방법을 제안하였다. 특징추출에서는 리듬 구간에 대하여 동일성 및 규칙성 등의 리듬 및 심박 분포에 관련되는 특징을 추출하도록 하였으며, 리듬 분류에서는 심전도 임상 진단 기준에 기반하여 구축된 규칙 베이스를 이용하여 리듬 유형을 분류하도록 하였다.
본 논문에서는 신뢰성 있는 심전도 사전 진단을 위해 리듬 분류 알고리즘을 이용하여 부정맥을 검출 및 분류하는 방법을 제안한다. 특징점 검출에서는 곡률기반 정점 선택 (curvature- based vertex selection)[6]을 이용하여 리듬 구간에 대한 모든 P파, QRS군, 및 T파의 시작점, 최고점, 끝점의 위치를 검출하며, 특징 추출에서는 리듬 구간에 대하여 동일성 및 규칙성 등의 리듬 및 심박 분포에 관련되는 특징이 추출되어 계산된다.
본 논문에서는 심전도 신호의 특징점으로부터 리듬 분류 알고리즘을 이용하여 부정맥을 검출 및 분류하는 방법을 제안한다. 먼저 전처리 과정에 해당되는 특징점 검출에서는 곡률 기반 정점 선택[6]을 이용하여 리듬 구간에 대한 모든 P파, QRS군, 및 T파의 시작점, 최고점, 끝점의 위치를 검출한다.

제안 방법

본 논문에서는 심전도 신호의 특징점으로부터 리듬 분류 알고리즘을 이용하여 부정맥을 검출 및 분류하는 방법을 제안한다. 먼저 전처리 과정에 해당되는 특징점 검출에서는 곡률 기반 정점 선택[6]을 이용하여 리듬 구간에 대한 모든 P파, QRS군, 및 T파의 시작점, 최고점, 끝점의 위치를 검출한다. 그리고 특징추출에서는 리듬 구간에 대하여 동일성 및 규칙성 등의 리듬 및 심박 분포에 관련되는 특징을 추출하며, 리듬 분류에서는 리듬 구간의 특징에 대한 규칙 베이스를 이용하여 리듬 유형을 분류하게 된다.
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.
여기서 P파와 R파의 심박수가 같은 리듬의 경우 동일성(identity), PP간격 또는 RR간격의 길이가 일정하게 유지되는 경우 규칙성(regularity)의 특징으로 정의하였다. 본 논문에서는 표 1의 다양한 심장 리듬의 유형에 대하여 리듬 구간내 리듬 및 심박 분포를 분석하여 표 2의 특징들을 이용한 지식 베이스를 구축한 후 부정맥 유형간의 차별성을 시각적으로 표현함으로써 부정맥 진단 기준을 도출하였다. 이를 통하여 리듬 특징과 리듬 유형을 변수로 한 각 부정맥의 신호특성 표현과 함께 신호학적으로 유사한 특성을 보이는 부정맥 사이의 변별성 확인이 용이하게 된다.
10GHz×2 i5-2400 CPU와 4GByte RAM의 사양을 가지고 있으며, 처리 알고리즘은 MATLAB R2010a를 이용하여 구현하였다. 심전도 신호의 리듬 구간 크기는 모든 부정맥 리듬을 충분히 진단할 수 있어야 하므로 관련 논문[20-23]의 연구 결과를 면밀히 검토하여 10초로 설정하였다.
실험을 위하여 MIT-BIH 부정맥 데이터베이스에 포함된 정상 및 비정상의 17가지 리듬을 균등하게 표본 추출하여 222개의 테스트 신호를 준비하였다. 여기서 정상동리듬은 다른 리듬 유형에 비해 매우 큰 분포 범위 및 샘플 수를 가지므로 다양한 심검자 및 왜곡 신호에 대한 분류 결과의 확인이 필요하여 많은 수의 테스트 신호가 포함되도록 하였다. 테스트 신호에 대하여 전처리 과정을 통해 검출된 특징점을 이용 하여 리듬 및 심박 분포 특징을 추출하였으며, 미리 구축된 규칙 베이스를 이용하여 리듬 유형을 분류하였다.
파형 검출 및 분할은 잡음이 제거된 신호 또는 잡음이 포함된 원신호로부터 원하는 파형을 검출하거나 분할하는 과정을 의미한다. 여기서 파형 검출은 주로 P파, QRS군, 및 T파의 최고점에 대한 시간값을, 파형 분할은 P파, QRS군, 및 T 파의 시작점 및 끝점에 대한 시간값을 각각 검출한다. 정확한 파형 검출 및 분할을 위하여 대부분의 연구에서는 심전도 전문가에 의한 수작업으로 주요 특징점을 검출하고자 하였다.
여기서 정상동리듬은 다른 리듬 유형에 비해 매우 큰 분포 범위 및 샘플 수를 가지므로 다양한 심검자 및 왜곡 신호에 대한 분류 결과의 확인이 필요하여 많은 수의 테스트 신호가 포함되도록 하였다. 테스트 신호에 대하여 전처리 과정을 통해 검출된 특징점을 이용 하여 리듬 및 심박 분포 특징을 추출하였으며, 미리 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.
본 논문에서는 신뢰성 있는 심전도 사전 진단을 위해 리듬 분류 알고리즘을 이용하여 부정맥을 검출 및 분류하는 방법을 제안하였다. 특징추출에서는 리듬 구간에 대하여 동일성 및 규칙성 등의 리듬 및 심박 분포에 관련되는 특징을 추출하도록 하였으며, 리듬 분류에서는 심전도 임상 진단 기준에 기반하여 구축된 규칙 베이스를 이용하여 리듬 유형을 분류하도록 하였다. MIT-BIH 부정맥 데이터베이스를 이용한 실험을 통하여 정상 리듬 규칙만으로도 100% 부정맥 검출 성능을 보였으며, 부정맥 리듬 규칙으로는 유형 분류 적용 가능성을 확인하였다.

대상 데이터

심전도 데이터베이스는 임상에서 수집되어 심전도 관련 연구를 위한 표준 데이터베이스로 널리 이용되고 있는 MIT-BIH 부정맥 데이터베이스[24]이다. 23~89세 사이의 남성 및 여성 47명을 대상으로 30분 길이의 총48개 레코드로 구성되어 있으며, 100~124번까지의 23개 레코드는 전형적인 정기검진, 200~234번까지의 25개 레코드는 복잡한 비정상 환자로부터 측정되었다. 0.
레코드 231번의 테스트 신호로서 2도방실차단(2° Heart Block; BII)에 해당되며, 심방박동수의 60~100회/분 및 동일성에 의해 동성서맥(Sinus Bradycardia; SBR)으로 오분류 되 었다.
실험을 위하여 MIT-BIH 부정맥 데이터베이스에 포함된 정상 및 비정상의 17가지 리듬을 균등하게 표본 추출하여 222개의 테스트 신호를 준비하였다. 여기서 정상동리듬은 다른 리듬 유형에 비해 매우 큰 분포 범위 및 샘플 수를 가지므로 다양한 심검자 및 왜곡 신호에 대한 분류 결과의 확인이 필요하여 많은 수의 테스트 신호가 포함되도록 하였다.
제안된 리듬 분류 알고리즘을 이용하여 부정맥의 검출 및 분류 성능을 평가하기 위해 심전도 데이터베이스를 대상으로 실험을 수행하였다. 실험용 PC는 3.

성능/효과

특징추출에서는 리듬 구간에 대하여 동일성 및 규칙성 등의 리듬 및 심박 분포에 관련되는 특징을 추출하도록 하였으며, 리듬 분류에서는 심전도 임상 진단 기준에 기반하여 구축된 규칙 베이스를 이용하여 리듬 유형을 분류하도록 하였다. MIT-BIH 부정맥 데이터베이스를 이용한 실험을 통하여 정상 리듬 규칙만으로도 100% 부정맥 검출 성능을 보였으며, 부정맥 리듬 규칙으로는 유형 분류 적용 가능성을 확인하였다. 향후 좀더 많은 심전도 신호에 대한 신뢰성 있는 성능평가와 함께 리듬 분류만으로 분류가 어려운 조동 및 세동 리듬, 단조 및 배열 리듬 등에 대한 추가 연구가 필요하다.
Ⅱ장에서 기존의 심전도 신호 분석 및 분류 연구에 대해 먼저 살펴본 후 Ⅲ장에서는 제안한 리듬 특징을 이용한 부정맥 검출 및 분류 방법에 대해 기술한다. 그리고 Ⅳ장에서 MIT-BIH 부정맥 데이터베이스를 이용한 제안 방법의 실험 결과를 제시한 후 마지막 Ⅴ장에서는 본 논문의 결론을 맺는다.

후속연구

심전도 압축을 위한 최근의 연구추세는 기존의 변환영역 압축기술의 개선과 함께 손실 및 무손실 기술의 결합, 2차원 압축기술의 적용, 중요 진단정보의 포함 등이 시도되고 있다. 따라서 손실기술에 대한 성능개선, 2차원기술에 대한 활용방안, 진단정보에 대한 추출방안 등을 위한 연구가 필요하며, 궁극적으로 이러한 연구결과를 융합하여 지능화된 압축기술의 개발을 위한 연구도 필요하다.
심전도 자동진단의 신뢰성을 높이기 위해서는 특징추출, 리듬분류, 위험평가의 모든 순차적 처리과정을 통하여 종합적으로 결정되어야 한다. 따라서 오분류에 대한 개선방안, 심박분류에 대한 성능개선, 리듬분류 및 위험평가에 대한 기술개발, 표준DB에 대한 성능 평가 등을 위한 연구가 필요하며, 궁극적으로는 이러한 연구 결과를 통합하여 신뢰성 있는 자동진단시스템의 개발을 위한 연구도 필요하다.
리듬 구간에는 다양한 리듬 변형 및 혼재로 특정 리듬의 분류에 어려움이 있으며, 심박 단위에는 소수의 심박 특징으로 모든 심박의 분류에 어려움이 있다. 따라서 이전 연구[17,18]를 확장하여 좀더 다양한 부정맥 리듬의 분류에 전문가의 지식을 활용하는 규칙기반 분류기를 설계 한다면 효과적인 심전도 신호의 분류가 가능할 것이다.
따라서 제안된 리듬 분류 알고리즘만으로는 좀더 높은 유형 분류 성능을 기대하기에는 어려움이 있으며, 향후 6가지 리듬(심방조동, 심방세동, 방실접합부리듬, 심실고유리듬, 심실조동, 2도방실차단)에 대한 QRS 파형 검출 불가능, 단조 및 배열 리듬(우각차단, 좌각차단 등)에 대한 부정맥 유형 오분류 등을 개선할 수 있는 방안 연구가 필요하다.
리듬 특징에 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.
MIT-BIH 부정맥 데이터베이스를 이용한 실험을 통하여 정상 리듬 규칙만으로도 100% 부정맥 검출 성능을 보였으며, 부정맥 리듬 규칙으로는 유형 분류 적용 가능성을 확인하였다. 향후 좀더 많은 심전도 신호에 대한 신뢰성 있는 성능평가와 함께 리듬 분류만으로 분류가 어려운 조동 및 세동 리듬, 단조 및 배열 리듬 등에 대한 추가 연구가 필요하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	심전도 신호에서 파형 검출 및 분할은 각각 무엇을 검출하고 분할 하는가?	파형 검출 및 분할은 잡음이 제거된 신호 또는 잡음이 포함된 원신호로부터 원하는 파형을 검출하거나 분할하는 과정을 의미한다. 여기서 파형 검출은 주로 P파, QRS군, 및 T파의 최고점에 대한 시간값을, 파형 분할은 P파, QRS군, 및 T 파의 시작점 및 끝점에 대한 시간값을 각각 검출한다. 정확한 파형 검출 및 분할을 위하여 대부분의 연구에서는 심전도 전문가에 의한 수작업으로 주요 특징점을 검출하고자 하였다.
	데이터 압축기술은 어떻게 분류할 수 있는가?	데이터 압축기술은 실제 신호의 분석을 이용하는 시간영역 압축(direct data compression)과 스펙트럼 및 에너지의 분석을 이용하는 변환영역 압축(transformation compression)으로 크게 분류할 수 있다. 시간영역 압축은 대부분 예측 또는 내삽 알고리즘에 기반하여 연속적인 이웃 샘플의 불필요한 중복을 감축하며, 변환영역 압축은 선형직교변환으로 전처리 후 변환계수를 부호화하여 데이터의 양을 감축한다.
	심전도 진단을 위한 기존 연구 중 심박 부류를 이용한 분류 기법의 단점은 무엇인가?	심전도 진단을 위한 기존 연구들은 주로 심박(heartbeat) 단위에 대한 특징추출 및 분류를 통하여 비정상을 검출하는 접근법에 기반하고 있다. 그러나 이러한 심박 부류를 이용한 분류는 심실성(ventricular) 부정맥 또는 상심실성(supraventricular) 부정맥에 대한 개략적 진단 정보를 제공하지만, 부정맥 종류 및 위치에 대한 세부적 진단 정보는 제외되는 단점이 있다. 따라서 부정맥 진단을 위한 알고리즘은 심전도 신호의 구성요소, 즉 P파, QRS군, T파 등의 유무 및 리듬 등을 고려하여 설계되어야 할 필요가 있다[4,5]

참고문헌 (24)

F. Sufi et al., "Novel Methods of Faster Cardiovascular Diagnosis in Wireless Technology," IEEE Journal on Selected Areas in Communications, Vol. 27, No. 4, pp. 537-552, May 2009.

상세보기
H. Kim et al., "ECG Signal Compression and Classification Algorithm with Quad Level Vector for ECG Holter System," IEEE Trans. on Information Technology in Biomedicine, Vol. 14, No. 1, pp. 93-100, Jan. 2010.

상세보기
Y. Han, "A Study on Monitoring of Bio-signal for U-healthcare System," Journal of the Korea Society of Computer and Information, Vol. 16, No. 3, pp. 9-15, Mar. 2011.

원문보기 상세보기
Recommended Practice for Reporting Performance Results of Ventricular Arrhythmia Detection Algorithm, Association for the Advancement of Medical Instrumentation, Arlington, VA, 1987, ANSI ECAR:1987.
Testing and Reporting Performance Results of Cardiac Rhythm and ST Segment Measurement Algorithms, Association for the Advancement of Medical Instrumentation, Arlington, VA, 1998, ANSI-AAMI EC57:1998 (American National Standard).
T. Kim et al., "ECG Signal Compression Using Feature Points Based on Curvature," Journal of Korean Institute of Intelligent Systems, Vol. 20, No. 5, pp. 624-630, Oct. 2010.

원문보기 상세보기
D. Donoho, "De-noising by Soft-thresholding," IEEE Trans. on Information Theory, Vol. 41, No. 3, pp. 613-627, May 1995.

상세보기
S. Mallat, "A Theory for Multiresolution Signal Decomposition: The Wavelet Representation," IEEE Trans. on Pattern Analysis and Machine Intelligence, Vol. 11, No. 7, pp. 674-693, Jul. 1989.

상세보기
N. Thakor and Y. Thakor, "Applications of Adaptive Filtering to ECG Analysis: Noise Cancellation and Arrhythmia Detection," IEEE Trans. on Biomedical Engineering, Vol. 38, No. 8, pp. 785-794, Aug. 1991.

상세보기
R. Jane et al., "Adaptive Baseline Wander Removal in the ECG: Comparative Analysis with Cubic Spline Technique," Computers in Cardiology, pp. 143-146, Oct. 1992.
J. Pan and W. Tompkins, "A Real-time QRS Detection Algorithm," IEEE Trans. on Biomedical Engineering, Vol. 32, No. 3, pp. 230-236, Mar. 1985.
P. Laguna et al., "Automatic Detection of Wave Boundaries in Multilead ECG Signals: Validation with the CSE Database," Computers and Biomedical Research, Vol. 27, No. 1, pp. 45-60, Feb. 1994.

상세보기
Q. Zhang et al., "An Algorithm for Robust and Efficient Location of T-wave Ends in Electrocardiograms," IEEE Trans. on Biomedical Engineering, Vol. 53, No. 12, pp. 2544-2552, Dec. 2006.

상세보기
J. Kim et al., "An R-wave Detection Method in ECG Signal Using Refractory Period," Journal of the Korea Society of Computer and Information, Vol. 18, No. 1, pp. 93-101, Jan. 2013.

원문보기 상세보기
S. Jalaleddin et al., "ECG Data Compression Techniques - A Unified Approach," IEEE Trans. on Biomedical Engineering, Vol. 37, No. 4, pp. 329-343, Apr. 1990.

상세보기
S. Mitra et al., "A Rough-set-based Inference Engine for ECG Classification," IEEE Trans. on Instrumentation and Measurement, Vol. 55, No. 6, pp. 2198-2206, Dec. 2006.

상세보기
S. Kim, "Arrhythmia Detection and Type Classification of ECG Signals by Rule-based Rhythm Classification," Kyungpook University, Ph. D. Dissertation, Dec. 2011.
C. Ryu et al., "Abnormality Detection of ECG Signal by Rule-based Rhythm Classification," Journal of Korean Institute of Intelligent Systems, Vol. 22, No. 4, pp. 405-413, Aug. 2012.

원문보기 상세보기
J. O′Keefe, "The ECG Criteria Book, 2nd Edition" Jones & Bartlett Publishers, 2009.
M. Kundu et al., "A Knowledge-based Approach to ECG Interpretation Using Fuzzy Logic," IEEE Trans. on System, Man, and Cybernetics, Vol. 28 Part B, No. 2, pp. 237-243, Apr. 1998.

상세보기
D. Ge et al., "Cardiac Arrhythmia Classification Using Autoregressive Modeling," BioMedical Engineering Online, Vol. 1, No. 5, pp. 1-12, Nov. 2002.

상세보기
J. Rodriguez et al., "Real-time Classification of ECGs on a PDA," IEEE Trans. on Information Technology in Biomedicine, Vol. 9, No. 1, pp. 23-34, Mar. 2005.

상세보기
U. Ayesta et al., "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.
G. Moody and R. Mark, "The MIT-BIH Arrhythmia Database on CD-ROM and Software for Use with It," Computers in Cardiology, pp. 185-188, Sep. 1990.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증