부정맥 분류를 위한 기존 연구들은 특정 ECG 데이터에 종속적으로 개발되었기 때문에 다른 환경에 적용할 경우 그 성능에 변화가 많아 임상 적용에 한계가 있다. 즉, 생체 신호의 특성상 개인 간의 차이가 있음에도 불구하고, 일반적인 ECG 신호의 판단규칙에 따라 진단을 수행하기 때문이다. 또한 이러한 대부분의 방법들은 P, Q, R, S, T 지점의 정확한 측정을 필요로 하며, 데이터의 가공 및 연산이 복잡하다. 따라서 이러한 문제점을 극복하기 위해서는 개인별 특성을 가진 ECG 데이터를 분석하여 최소한의 특징점을 추출함으로써 그에 따른 패턴을 분류하는 것이 필요하다. 본 연구에서는 이상 심전도와 같은 다양한 신호를 고려하여 Q, R, S 피크 변화에 따른 개인별 ECG 신호의 패턴 분석기법을 제안한다. 이를 위해 전처리를 통해 잡음이 제거된 심전도 신호에서 R파를 검출하고 Q, R, S의 진폭과 위상변화에 따른 8개의 특징점을 추출하였다. 이후 각 특징점의 피크 변화와 형태에 따른 ECG 신호를 분석하고 부정맥 유형에 따른 9가지 패턴을 정의하였다. 제안한 방법의 우수성을 입증하기 위해 43개의 MIT-BIH 레코드를 대상으로 Normal, PVC, PAC, LBBB, RBBB, Paced Beat의 각 패턴을 분석하였다. 실험결과 9가지 패턴에 대한 검출율은 93.72%로 우수하게 나타났다.
부정맥 분류를 위한 기존 연구들은 특정 ECG 데이터에 종속적으로 개발되었기 때문에 다른 환경에 적용할 경우 그 성능에 변화가 많아 임상 적용에 한계가 있다. 즉, 생체 신호의 특성상 개인 간의 차이가 있음에도 불구하고, 일반적인 ECG 신호의 판단규칙에 따라 진단을 수행하기 때문이다. 또한 이러한 대부분의 방법들은 P, Q, R, S, T 지점의 정확한 측정을 필요로 하며, 데이터의 가공 및 연산이 복잡하다. 따라서 이러한 문제점을 극복하기 위해서는 개인별 특성을 가진 ECG 데이터를 분석하여 최소한의 특징점을 추출함으로써 그에 따른 패턴을 분류하는 것이 필요하다. 본 연구에서는 이상 심전도와 같은 다양한 신호를 고려하여 Q, R, S 피크 변화에 따른 개인별 ECG 신호의 패턴 분석기법을 제안한다. 이를 위해 전처리를 통해 잡음이 제거된 심전도 신호에서 R파를 검출하고 Q, R, S의 진폭과 위상변화에 따른 8개의 특징점을 추출하였다. 이후 각 특징점의 피크 변화와 형태에 따른 ECG 신호를 분석하고 부정맥 유형에 따른 9가지 패턴을 정의하였다. 제안한 방법의 우수성을 입증하기 위해 43개의 MIT-BIH 레코드를 대상으로 Normal, PVC, PAC, LBBB, RBBB, Paced Beat의 각 패턴을 분석하였다. 실험결과 9가지 패턴에 대한 검출율은 93.72%로 우수하게 나타났다.
Several algorithms have been developed to classify arrhythmia which rely on specific ECG(Electrocardiogram) database. Nevertheless personalized difference of ECG signal exist, performance degradation occurs because of carrying out diagnosis by general classification rule. Most methods require accura...
Several algorithms have been developed to classify arrhythmia which rely on specific ECG(Electrocardiogram) database. Nevertheless personalized difference of ECG signal exist, performance degradation occurs because of carrying out diagnosis by general classification rule. Most methods require accurate detection of P-QRS-T point, higher computational cost and larger processing time. But it is difficult to detect the P and T wave signal because of person's individual difference. Therefore it is necessary to classify the pattern by analyzing personalized ECG signal and extracting minimal feature. Thus, QRS pattern Analysis of personalized ECG Signal by Q, R, S peak variability is presented in this paper. For this purpose, we detected R wave through the preprocessing method and extract eight feature by amplitude and phase variability. Also, we classified nine pattern in realtime through peak and morphology variability. PVC, PAC, Normal, LBBB, RBBB, Paced beat arrhythmia is evaluated by using 43 record of MIT-BIH arrhythmia database. The achieved scores indicate the average of 93.72% in QRS pattern detection classification.
Several algorithms have been developed to classify arrhythmia which rely on specific ECG(Electrocardiogram) database. Nevertheless personalized difference of ECG signal exist, performance degradation occurs because of carrying out diagnosis by general classification rule. Most methods require accurate detection of P-QRS-T point, higher computational cost and larger processing time. But it is difficult to detect the P and T wave signal because of person's individual difference. Therefore it is necessary to classify the pattern by analyzing personalized ECG signal and extracting minimal feature. Thus, QRS pattern Analysis of personalized ECG Signal by Q, R, S peak variability is presented in this paper. For this purpose, we detected R wave through the preprocessing method and extract eight feature by amplitude and phase variability. Also, we classified nine pattern in realtime through peak and morphology variability. PVC, PAC, Normal, LBBB, RBBB, Paced beat arrhythmia is evaluated by using 43 record of MIT-BIH arrhythmia database. The achieved scores indicate the average of 93.72% in QRS pattern detection classification.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서는 MIT-BIH 부정맥 데이터베이스를 43 개의 레코드를 통하여 QRS 패턴 검출에 대한 성능 평가가 수행되었다. 그림 6은 QRS 패턴에 대한 분석결과를 나타낸 것이다.
따라서 이러한 문제점을 극복하기 위해서는 개인별 특성을 가진 ECG 데이터를 분석하여 최소한의 특징점을 추출함으로써 그에 따른 패턴을 분석하는 것이 필요하다. 본 연구에서는 이상 심전도와 같은 다양한 신호를 고려하여 Q, R, S 피크 변화에 따른 개인별 ECG 신호의 패턴 분석 기법 을 제안한다. 이를 위해 전처리를 통해 잡음이 제거된 심전도 신호에서 R파를 검출하고 Q, R, S의 진폭과 위상 변화에 따른 8개의 특징점을 추출하였다.
본 연구에서는 이상 심전도와 같은 다양한 신호를 고려하여 Q, R, S 피크 변화에 따른 개인별 ECG 신호의 패턴 분석 기법을 제안하였다. 이를 위해 전처리를 통해 잡음이 제거된 심전도 신호에서 R파를 검출하고 Q, R, S의 진폭과 위상 변화에 따른 8개의 특징점을 추 출하였다.
제안 방법
MIT-BIH 부정맥 데이터베이스를 43개의 레코드를 통하여 QRS 패턴 분석을 수행하였다. 그림 5는 QRS 패턴에 대한 분석결과를 나타낸 것이다.
제안한 개인별 ECG 파형에 따른 QRS 패턴 분류 방법의 전체 구성도는 그림 1과 같은 단계로 나누어진다. 먼저 ECG 신호로부터 전처리 과정을 통해 잡음을 제거한 후 R파를 검출하는 단계, 검출된 R파를 기준으로 적응형 문턱치와 피크변화에 따른 Q, S의 다양한 특징점을 추출하는 단계, QRS의 진폭과 간격에 따른 패턴을 정의하고 개인별 부정맥 패턴을 분석하는 단계로 나누어진다.
R파를 검출한 후에는 QRS 패턴 분석을 위한 특징점을 검출해야 한다. 본 연구에서는 Q, R, S의 진폭과 위상의 변화를 이용하여 Normal, PVC, PAC, LBBB, RBBB, Paced beat 6개의 정상 및 부정맥을 패턴을 분석한다.
정확한 진단을 위해서는 심전도 신호에 포함되어 있는 다양한 잡음을 제거하여 R파를 정확히 검출하는 것이다. 본 연구에서는 원신호의 변형을 줄이고 계산량의 복잡도를 최소화함으로써 효율적으로 QRS를 검출하기 위해 형태 연산 기반의 전처리 기법을 적용하였다. R파는 형태 연산을 통해 전 처리된 신호의 차감기법을 통해 검출한다.
일반적으로 정상 신호의 파형은 대부분 같은 패턴을 가지고 있지만 부정맥의 경우 QRS 패턴은 개인별 특징 에 따라 매우 다양한 형태를 가진다. 본 연구에서는 진폭과 위상변화에 따른 8개의 특징점을 추출하고, 그 특징점의 형태에 따라 9개의 QRS 패턴을 분석하였다.
본 연구에서는 이상 심전도와 같은 다양한 신호를 고려하여 Q, R, S 피크 변화에 따른 개인별 ECG 신호의 패턴 분석 기법 을 제안한다. 이를 위해 전처리를 통해 잡음이 제거된 심전도 신호에서 R파를 검출하고 Q, R, S의 진폭과 위상 변화에 따른 8개의 특징점을 추출하였다. 이후 각 특징점의 피크 변화와 형태에 따른 ECG 신호의 9가지 패턴을 분석하였다.
이를 위해 전처리를 통해 잡음이 제거된 심전도 신호에서 R파를 검출하고 Q, R, S의 진폭과 위상 변화에 따른 8개의 특징점을 추 출하였다.
이를 위해 전처리를 통해 잡음이 제거된 심전도 신호에서 R파를 검출하고 Q, R, S의 진폭과 위상 변화에 따른 8개의 특징점을 추 출하였다. 이후 각 특징점의 피크 변화와 형태에 따른 ECG 신호를 분석하고 부정맥 유형에 따른 9가지 패턴을 정의하였다. 제안한 방법의 우수성을 입증하기 위 해 43개의 MIT-BIH 레코드를 대상으로 Normal, PVC, PAC, LBBB, RBBB, Paced Beat의 각 패턴을 분석하였다.
이를 위해 전처리를 통해 잡음이 제거된 심전도 신호에서 R파를 검출하고 Q, R, S의 진폭과 위상 변화에 따른 8개의 특징점을 추출하였다. 이후 각 특징점의 피크 변화와 형태에 따른 ECG 신호의 9가지 패턴을 분석하였다. 제안한 방법의 우수성을 입증하기 위해 43개의 MIT-BIH 레코드를 대상으로 PVC, PAC, Normal, LBBB, RBBB, Paced beat의 각 패턴을 분석하였다.
이후 각 특징점의 피크 변화와 형태에 따른 ECG 신호를 분석하고 부정맥 유형에 따른 9가지 패턴을 정의하였다. 제안한 방법의 우수성을 입증하기 위 해 43개의 MIT-BIH 레코드를 대상으로 Normal, PVC, PAC, LBBB, RBBB, Paced Beat의 각 패턴을 분석하였다. 실험결과 9가지 패턴에 대한 검출율은 93.
이후 각 특징점의 피크 변화와 형태에 따른 ECG 신호의 9가지 패턴을 분석하였다. 제안한 방법의 우수성을 입증하기 위해 43개의 MIT-BIH 레코드를 대상으로 PVC, PAC, Normal, LBBB, RBBB, Paced beat의 각 패턴을 분석하였다. 본 논문의 구성은 다음과 같다.
이론/모형
R파 검출시 P파나 T파를 R파로 오인하는 경우 FP(False Positive)가 발생할 수 있으며, 실제로 R파가 존재함에도 불구하고 이를 검출하지 못하는 TN(True Negative)이 발생할 수 있다. 이러한 오검출을 막기 위해 본 연구에서는 동적 역 탐색 기법(Dynamic Backward Searching Method)을 사용하였다[9, 10].
성능/효과
MIT-BIH 부정맥 데이터베이스의 43개 레코드를 대상으로 PVC, PAC, Normal, BBB, Paced beat를 분석한 결과 Q, R, S는 그림 2와 같이 진폭에 따른 피크 변화에 따라 그 차이가 큰 것으로 확인되었다. 그림 2(a)와 같이 R파의 경우에는PVC의 형태를 담고 있는 105, 106, 114, 116, 119, 213번 레코드, RBBB 형태를 담고 있는 118, 212, 231번 레코드, LBBB 형태를 담고 있는 109, 111, 214번 레코드는 R파의 진폭 차이가 두드러지게 나타났다.
MIT-BIH 부정맥 데이터베이스의 43개 레코드를 대상으로 심전도 신호를 분석한 결과 Q, R, S는 진폭과 위상에 따라 특징점의 변화가 큰 것으로 확인되었다. 진폭의 경우 R파는 진폭 문턱치(Rth=1.
S파의 경우에는 PAC 형태를 담고 있는 209, 220번 레코드, Paced Beat 형태를 담고 있는 107, 217번 레코드, PVC 형태를 담고 있는 105, 106, 114, 116, 119, 213번 레코드, RBBB 형태를 담고 있는 118, 212, 231번 레코드에서 S파의 진폭 차이가 두드러지게 나타났다.
결과적으로 같은 PVC 라도 서로 다른 패턴으로 나누어지며, PVC와 LBBB, RBBB는 다른 부정맥이지만 같은 QRS 패턴을 나타내는 것으로 확인되었다. 이러한 경우 QRS 넓이를 통해 2차 분류를 하는 것이 가능하다.
72%로 대부분의 레코드에서 9개의 패턴이 정상적으로 분류된 것을 확인할 수 있었다. 따라서 제안된 QRS 패턴 분석 방법은 복잡도를 줄임과 동시에 우수한 분류율을 나타낸다는 것을 확인 할 수 있었다.
따라서 본 연구에서 제안한 QRS 패턴 분석 방식의 경우 개인에 따른 ECG 신호의 패턴을 먼저 분류한 후 그 패턴에 따른 부정맥의 비교되는 특징, 즉, RR 또는 QRS 간격과 같은 조건을 통해 대상 부정맥을 2차 적으로 분류한다면 분류율 뿐만 아니라 연산량에서도 많은 향상을 가져다 줄 것으로 판단된다. 검출율의 계산은 식 (1) 을 통하여 이루어진다.
그림 4(h)는 PVC 형태로서 S 는 없으며, Q와 R이 반전된 형태인 #패턴, 그림 4(i) 는 PVC 형태로서 QRS 구간 내에 추가적인 R이 발생하는 RR′ 패턴을 나타내고 있다. 분석 결과 같은 부정맥의 형태라도 개인별 특성에 따라 패턴이 나누어지는 것을 확인할 수 있다. 따라서 그 패턴을 먼저 분류한 후 구분되는 특징을 이용한다면 분류의 정확성이 향상될 수 있을 것이다.
제안한 방법의 우수성을 입증하기 위 해 43개의 MIT-BIH 레코드를 대상으로 Normal, PVC, PAC, LBBB, RBBB, Paced Beat의 각 패턴을 분석하였다. 실험결과 9가지 패턴에 대한 검출율은 93.72%로 우수하게 나타났다. 하지만 207번 레코드의 경우 QRS 패턴 검출율의 에러가 많이 발생하였는데, 이는 207번 레코드는 다수의 부정맥이 혼재되어 있는 레코드로서 이전 부정맥 비트가 다음 부정맥 비트의 진폭에 영향을 주기 때문에 오검출 되는 것으로 확인되었다.
표 1과 같이 제안된 알고리즘을 통한 검출율은 93.72%로 대부분의 레코드에서 9개의 패턴이 정상적으로 분류된 것을 확인할 수 있었다. 따라서 제안된 QRS 패턴 분석 방법은 복잡도를 줄임과 동시에 우수한 분류율을 나타낸다는 것을 확인 할 수 있었다.
72%로 우수하게 나타났다. 하지만 207번 레코드의 경우 QRS 패턴 검출율의 에러가 많이 발생하였는데, 이는 207번 레코드는 다수의 부정맥이 혼재되어 있는 레코드로서 이전 부정맥 비트가 다음 부정맥 비트의 진폭에 영향을 주기 때문에 오검출 되는 것으로 확인되었다. 또한 같은 부정맥이지만, 다른 패턴을 나타낼 수도 있으며, 다른 부정맥이지만 같은 패턴을 나타나는 경우가 발생 한다.
후속연구
분석 결과 같은 부정맥의 형태라도 개인별 특성에 따라 패턴이 나누어지는 것을 확인할 수 있다. 따라서 그 패턴을 먼저 분류한 후 구분되는 특징을 이용한다면 분류의 정확성이 향상될 수 있을 것이다.
따라서 본 연구에서 제안한 QRS 패턴 분석 방식의 경우 개인에 따른 ECG 신호의 패턴을 먼저 분류한 후 그 패턴에 따른 부정맥의 비교되는 특징, 즉, RR 또는 QRS 간격과 같은 조건을 통해 대상 부정맥을 2차 적으로 분류한다면 분류율 뿐만 아니라 연산량에서도 많은 향상을 가져다 줄 것으로 판단된다.
본 연구에서 제안한 QRS 패턴 분석 방식의 경우 개인에 따른 ECG 신호의 패턴을 먼저 분류한 후 그 패턴에 따른 부정맥의 비교되는 특징, 즉, RR 또는 QRS 간격과 같은 조건을 통해 대상 부정맥을 2차적으로 분류 한다면 분류율 뿐만 아니라 연산량에서도 많은 향상을 가져다 줄 것으로 판단된다. 따라서 제안한 방법은 연산의 복잡도를 줄임과 동시에 실시간으로 정확한 부정맥을 진단하는 헬스케어 시스템에 적용될 수 있을 것으로 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
각 차단(BBB : Bundle Branch Block)이란 무엇인가?
특히 조기심실수축(PVC : Premature Ventricular Contraction)과 조기심방수축(PAC : Premature Atrial Contraction)은 임상에서 발견될 수 있는 가장 흔한 부정맥으로 과거에 심장질환이 있었던 환자에게서 PVC의 발생은 심실빈맥과 같은 위험한 심장질환을 유발할 수 있으며, PAC는 뇌경색이나 전신 색전증의 합병증을 일으켜 질병 이환율과 사망율을 증가시킬 수 있다. 각 차단 (BBB : Bundle Branch Block)이란 우각이나 좌각의 전기전달이 차단되는 경우 심전도에 나타나는 현상으로 심방중격결손증 등 선천성 심장질환이 있는 경우 나타날 수 있으며 후천성 심장병으로 고혈압, 허혈성 심장질환이나 심근증 등의 시초에 나타날 수 있다. 따라서 PVC, PAC, BBB와 같은 부정맥의 조기 검출은 심장질환에 대한 예방과 추후 발생여부에 대한 기초조사로서 매우 중요하다[4,5].
분류 알고리즘이 다른 환경에서 분류하였을경우 성능이 변화하는 경우는 무엇 때문인가?
기존 방식은 분류 알고리즘이 MIT-BIH, AHA, CSE와 같은 표준 데이터베이스를 기반으로 하나, 특정 ECG 데이터에 종속적으로 개발되었기 때문에 다른 환경에서 분류하였을 경우 그 성능이 변화하는 경우가 많다. 이는 생체신호의 특성상 개인 간의 차이가 있음에도 불구하고, 대상 환자의 특성에 따른 신호 차이는 무시하고, 일반적인 ECG 신호의 판단규칙에 따라 진단을 수행함으로써 성능하락을 야기하기 때문이다. 또한 이러한 대부분의 방법들은 P, Q, R, S, T 지점의 정확한 측정을 필요로 하며, 데이터의 가공 및 연산이 복잡하여 실시간 적용에 어려움이 발생한다[6-8].
부정맥 분류를 위한 기존 연구들의 한계점은 무엇인가?
부정맥 분류를 위한 기존 연구들은 특정 ECG 데이터에 종속적으로 개발되었기 때문에 다른 환경에 적용할 경우 그 성능에 변화가 많아 임상 적용에 한계가 있다. 즉, 생체 신호의 특성상 개인 간의 차이가 있음에도 불구하고, 일반적인 ECG 신호의 판단규칙에 따라 진단을 수행하기 때문이다.
참고문헌 (11)
A. D. C. Chan, M. M. Hamdy, A. Badre, and V. Badee, "Wavelet distance measure for person identification using electrocardiograms," IEEE Trans. Instrum. Meas., vol. 57, no. 2, pp. 248-253, Feb. 2008.
G. Wubbeler, M. Stavridis, D. Kreiseler, R.-D. Bousseljot, and C. Elster, "Verification of humans using the electrocardiogram," Pattern Recognit.Lett., vol. 28, pp. 1172-1175, 2007.
G. Wubbeler, M. Stavridis, D. Kreiseler, R.-D. Bousseljot, and C. Elster, "Verification of humans using the electrocardiogram," Pattern Recognit.Lett., vol. 28, pp. 1172-1175, 2007.
S. A. Israel, J. M. Irvine, A. Cheng, M. D. Wiederhold, and B. K. Wiederhold, "ECG to identify individuals," Pattern Recognit., vol. 38, no. 1,pp. 133-142, 2005.
Awdah Al-Hazimi, Nabil Al-Ama, Ahmad Syiamic, Reem Qosti, and Khidir Abdel-Galil, "Time domain analysis of heart rate variability in diabetic patients with and without autonomic neuropathy," Annals of Saudi Medicine, 22 (5-6), pp. 400-402. 2002.
Ik-Sung Cho et al., "Baseline Wander Removing Method Based on Morphological Filter for Efficient QRS Detection," Journal of KIICE, vol. 17, no. 1, 2013, pp.166-174.
Ik-Sung Cho, Hyeog-Soong Kwon, "Efficient QRS Detection and PVC Classification based on Profiling Method," Journal of KIICE, vol. 17, no. 4, 2013, pp.705-711.
Ik-Sung Cho et al., "Arrhythmia Classification based on Binary Coding using QRS Feature Variability," Journal of KIICE, vol. 17, no. 8, 2013, pp.1947-1954.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.