본 논문에서는 두 사람의 합쳐진 심전도 신호를 분리하여 개인의 심전도 신호로 복원하는 방법을 제안한다. 합쳐진 심전도 신호를 분리하기 위해, 두 사람의 평균 심전도 신호를 사전에 측정하여 가지고 있다고 가정한다. 평균 심전도 신호는 합쳐진 심전도 신호에서 개인의 심전도 신호를 식별하는데 활용될 수 있다. 심전도 신호는 거의 주기 신호의 특성을 가지고 있기 때문에, 자기상관성을 구하면 심박 수의 배수마다 높은 피크 값을 가진다. 이를 통해 각 개인의 심박 주기를 파악할 수 있다. 파악된 두 사람 각각의 주기와 평균 심전도 신호를 이용하여 각각의 R-peak가 어느 사람의 R-peak인지 분류할 수 있다. 즉, 각 사람의 평균심전도 신호를 찾아진 R-peak위치에 배치하여 각 사람의 심전도신호의 추정신호를 만든 뒤 각 신호에 가중치를 얼마나 줘야 하는지 LMSE 최적화를 통해 계산된다. 이 가중치를 기반으로 복원신호를 만들어낸다. 이 복원신호에 에러 신호를 각 복원신호의 비율만큼 더해주는 추가 보정작업을 거침으로써 보다 실질적인 신호로 복원한다. 실험 결과를 통해 합쳐진 심전도 신호가 성공적으로 개인의 심전도 신호로 분리되는 것을 알 수 있다.
본 논문에서는 두 사람의 합쳐진 심전도 신호를 분리하여 개인의 심전도 신호로 복원하는 방법을 제안한다. 합쳐진 심전도 신호를 분리하기 위해, 두 사람의 평균 심전도 신호를 사전에 측정하여 가지고 있다고 가정한다. 평균 심전도 신호는 합쳐진 심전도 신호에서 개인의 심전도 신호를 식별하는데 활용될 수 있다. 심전도 신호는 거의 주기 신호의 특성을 가지고 있기 때문에, 자기상관성을 구하면 심박 수의 배수마다 높은 피크 값을 가진다. 이를 통해 각 개인의 심박 주기를 파악할 수 있다. 파악된 두 사람 각각의 주기와 평균 심전도 신호를 이용하여 각각의 R-peak가 어느 사람의 R-peak인지 분류할 수 있다. 즉, 각 사람의 평균심전도 신호를 찾아진 R-peak위치에 배치하여 각 사람의 심전도신호의 추정신호를 만든 뒤 각 신호에 가중치를 얼마나 줘야 하는지 LMSE 최적화를 통해 계산된다. 이 가중치를 기반으로 복원신호를 만들어낸다. 이 복원신호에 에러 신호를 각 복원신호의 비율만큼 더해주는 추가 보정작업을 거침으로써 보다 실질적인 신호로 복원한다. 실험 결과를 통해 합쳐진 심전도 신호가 성공적으로 개인의 심전도 신호로 분리되는 것을 알 수 있다.
This paper presents a new method to decompose a duplicated ECG signal, which is measured from two people, to two individual ECG signals. In paper, it is shown that the duplicated ECG signal can be decomposed, provided that their SAECG signals are known. As the SAECG signal is the average of a ECG si...
This paper presents a new method to decompose a duplicated ECG signal, which is measured from two people, to two individual ECG signals. In paper, it is shown that the duplicated ECG signal can be decomposed, provided that their SAECG signals are known. As the SAECG signal is the average of a ECG signal, it is a feature to identify individual ECG signals from the duplicated signal. Since the ECG signal is nearly periodic, so-called heart-rate, the period of each ECG signal can be found by using the autocorrelation of the duplicated signal, That is, the autocorrelation has high peaks at the multiple instants of heart-rate of each person. With the heart-rate of each person obtained by some processing, all R-peaks are identified by the SAECG signals. To be concrete, the SAECG signal of each person is repeatedly placed at the R-peak instants with his heart-rate, and the weight of each SAECG signal is computed by LMSE optimization. Finally, as adding the error signal in the LMSE optimization processing to the weighted SAECG signal, each individual ECG signal is obtained. In experimental results, we demonstrate that the duplicated ECG signal is successfully decomposed into two ECG signals.
This paper presents a new method to decompose a duplicated ECG signal, which is measured from two people, to two individual ECG signals. In paper, it is shown that the duplicated ECG signal can be decomposed, provided that their SAECG signals are known. As the SAECG signal is the average of a ECG signal, it is a feature to identify individual ECG signals from the duplicated signal. Since the ECG signal is nearly periodic, so-called heart-rate, the period of each ECG signal can be found by using the autocorrelation of the duplicated signal, That is, the autocorrelation has high peaks at the multiple instants of heart-rate of each person. With the heart-rate of each person obtained by some processing, all R-peaks are identified by the SAECG signals. To be concrete, the SAECG signal of each person is repeatedly placed at the R-peak instants with his heart-rate, and the weight of each SAECG signal is computed by LMSE optimization. Finally, as adding the error signal in the LMSE optimization processing to the weighted SAECG signal, each individual ECG signal is obtained. In experimental results, we demonstrate that the duplicated ECG signal is successfully decomposed into two ECG signals.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 두 사람의 합쳐진 신호를 분리하여 개인의 심전도 신호로 복원하는 방법을 제안하였다. 중첩된 신호에서의 R-peak를 찾아낸 후, auto-correlation 을 수행하여 R-peak의 주기를 찾아냈다.
본 논문에서는 평균 심전도 신호를 가지고 있는 두 사람이 함께 측정한 심전도 신호를 분리하는 방법에 대하여 제안한다. 제안하는 방법의 전체 알고리즘은 그림 1과 같다.
본 논문에서는 휴대용 심전도 신호 측정 기기로 측정한 두 사람의 심전도 신호의 분리 방법을 제안한다. 두사람이 손을 잡은 상태에서 각 사람의 한쪽 손을 측정기기에 접촉함으로써 두 사람의 합쳐진 심전도 신호를 얻을 수 있다.
가설 설정
R-peak가 동시에 주기 i, j에 해당하는 경우, A, B의 R-peak가 겹쳐있는 경우로 판단한다. 그 후, 분할된 구간의 처음이나 끝에 겹쳐진 R-peak가 존재하는 경우에는 이전, 이후의 A, B의 R-peak와 auto-correlation 수행 결과로 얻어진 주기만큼의 거리에 실제의 R-peak가 존재한다고 가정하고 R-peak의 위치를 확정한다.
제안 방법
중첩된 신호를 제안한 알고리즘으로 분리한 결과는 그림9와 같이 나타난다. 10000 sample 길이의 합쳐진 신호를 제안하는 알고리즘을 이용하여 신호를 분리하였다. 전체 합 신호를 표1과 같이 5개의 영역으로 실험을 진행하였다.
각 신호에 대하여 필터링을 통해 잡음을 제거한 후, 전체 길이에 대하여 평균 심전도 신호를 추출하였다. 또한, 심전도 신호는 측정 기기의 전극 간의 전위차를 측정한다.
각 신호의 비율을 계산할 때, 분모가 0으로 수렴하여 에러 신호에 해당하는 가중치 비율이 1을 넘어가는 경우에서는 에러 신호 e(n)을 각각 같은 비율로 더해주도록 하였다. 이를 통해 해당 구간에 대한 αA′(n), βB′(n) 신호에 대하여 보정 작업을 거친 복원신호 Â(n), #을 획득할 수 있다.
전체 합쳐진 신호에 대하여 2000샘플 길이로 구간 분할을 거친 뒤, 각 구간에 대하여 먼저 R-peak를 검출한다. 그 후 전처리 과정을 거친 auto-correlation 결과를 기반으로 하여 각 파형에 대한 주기를 검출하였다. R-peak에 대하여 검출된 주기에 해당하는 R-peak 판단 알고리즘을 수행하였다.
그 후, α, β, γ를 이용하여 복원 과정에서의 누락된 잔여 신호를 복원 신호의 비율에 따라 보정을 거친 최종 복원신호를 획득하였다.
중첩된 신호에서의 R-peak를 찾아낸 후, auto-correlation 을 수행하여 R-peak의 주기를 찾아냈다. 그 후, 두 사람의 평균 심전도 신호를 이용하여 R-peak를 일치시킨 후 최적화 과정을 거쳐 원 신호에 가깝게 복원하였다. 그 후, α, β, γ를 이용하여 복원 과정에서의 누락된 잔여 신호를 복원 신호의 비율에 따라 보정을 거친 최종 복원신호를 획득하였다.
을 획득하였다. 그 후, 상관계수를 이용 하여 원 신호와 복원 신호간의 유사도를 측정하였다. 이때, 측정한 상관 계수가 1에 가까운 값을 가지면 신뢰성이 높은 복원 신호를 획득하였음을 알 수 있다.
두 사람의 중첩된 심전도신호 C를 입력 신호로 한다. 심장 박동 수가 시간에 따라서 변화할 수 있기 때문에, 일정 구간만큼 분할하여 해당 구간별로 제안하는 알고리즘을 수행한다. 그림 2는 구간분리의 사례를 보여준다.
접촉된 상태를 데이터베이스에 저장된 두 사람의 심전도 신호의 합으로써 모델링하였다. 이렇게 생성된 신호 C에 대하여 심전도 분리 알고리즘을 수행하였다. 각 신호의 sampling rate는 360Hz이며, 전체 길이는 10000sample 길이로 고정하였다.
이 방법은 신호의 모든 국소 극값을 반복적으로 식별하기 때문에 계산 과정이 복잡하다는 단점을 가지고 있다. 이와 비교하여 본 논문에서는 일정한 심박 파형이 주기적으로 나타나는 심전도 신호의 특징을 이용하여 신호 분리를 구현하였다.
두 사람이 접촉한 상태의 심전도 측정 기기의 측정 결과는 두 사람의 전위차의 합으로 나타나므로 각 데이터를 합친 신호가 신체가 접촉된 두 사람의 신호 C로 볼 수 있다. 접촉된 상태를 데이터베이스에 저장된 두 사람의 심전도 신호의 합으로써 모델링하였다. 이렇게 생성된 신호 C에 대하여 심전도 분리 알고리즘을 수행하였다.
제안된 방법은 휴대용 심전도 신호 측정기기를 주 활용용도 외의 오락적 분야로 사용하기 위해 개발되었다. 평소의 심전도 신호 상태와 분리된 심전도 신호 상태의 변화를 분석하여 두 사람의 상호 호감도 측정 등의 분야에 활용될 수 있다.
본 논문에서는 두 사람의 합쳐진 신호를 분리하여 개인의 심전도 신호로 복원하는 방법을 제안하였다. 중첩된 신호에서의 R-peak를 찾아낸 후, auto-correlation 을 수행하여 R-peak의 주기를 찾아냈다. 그 후, 두 사람의 평균 심전도 신호를 이용하여 R-peak를 일치시킨 후 최적화 과정을 거쳐 원 신호에 가깝게 복원하였다.
두사람이 손을 잡은 상태에서 각 사람의 한쪽 손을 측정기기에 접촉함으로써 두 사람의 합쳐진 심전도 신호를 얻을 수 있다. 합쳐진 신호를 각 사람의 평균 심박신호를 이용하여 분리하는 방법을 제안한다.
대상 데이터
본 논문에서는 MIT-DB의 부정맥 데이터베이스를 이용하여 실험을 진행하였다[13]. 전체 48개의 부정맥 환자 데이터 중 실험에 사용한 신호는 잡음이 크게 포함되어 있지 않고, 정상 파형의 형태에 가까운 68세의 남자 데이터 116번, 51세의 여자 데이터 119번, 59세의 남자 데이터 205번, 87세의 여자 데이터 220번, 56세의 남자 데이터 234번의 5개 데이터를 이용하였다.
이론/모형
그 후 전처리 과정을 거친 auto-correlation 결과를 기반으로 하여 각 파형에 대한 주기를 검출하였다. R-peak에 대하여 검출된 주기에 해당하는 R-peak 판단 알고리즘을 수행하였다. R-peak 알고리즘 결과로 나타난 신호 αA1′(n), βB1′(n)과 αA2′(n), βB2′(n)에 대하여 C(n)과 상관계수를 비교, 보다 높은 상관계수를 가지는 신호 쌍들을 복원신호 αA′(n), βB′(n)으로 확정한다.
본 논문에서는 MIT-DB의 부정맥 데이터베이스를 이용하여 실험을 진행하였다[13]. 전체 48개의 부정맥 환자 데이터 중 실험에 사용한 신호는 잡음이 크게 포함되어 있지 않고, 정상 파형의 형태에 가까운 68세의 남자 데이터 116번, 51세의 여자 데이터 119번, 59세의 남자 데이터 205번, 87세의 여자 데이터 220번, 56세의 남자 데이터 234번의 5개 데이터를 이용하였다.
분할된 각 신호에 대하여 Pan & Tompkins의 알고리즘[12]을 사용하여 R-peak를 검출한다.
성능/효과
R-peak 알고리즘 결과로 나타난 신호 αA1′(n), βB1′(n)과 αA2′(n), βB2′(n)에 대하여 C(n)과 상관계수를 비교, 보다 높은 상관계수를 가지는 신호 쌍들을 복원신호 αA′(n), βB′(n)으로 확정한다.
8000~10000sample 영역에서 B의 R-peak 하나가 갑자기 불규칙한 맥박을 나타내었다. 분리 결과, 복원 신호의 불규칙한 R-peak는 주변 다른 R-peak값보다 작게 나타났다. 하지만, 추가 보정작업을 수행하였기 때문에 타 영역과 비교하여 원 신호와의 상관계수는 크게 차이가 없는 것을 알 수 있다.
과 원 신호A, B간의 상관계수는 표1과 같다. 상관계수 측정 결과, 영역별 상관계수는 평균 0.9788정도의 값을 가지고 있으며, 전체 구간의 상관계수는 0.9806, 0.9776의 값을 가지기 때문에 신뢰성이 높은 복원 신호임을 알 수 있다.
과 원 신호 A, B간의 상관계수는 표2와 같다. 전체 실험에 대해서도 상관계수는 평균 0.9720 정도의 높은 값을 가지기 때문에 신뢰성이 높은 복원 신호를 획득하였음을 알 수 있다.
제안한 알고리즘의 결과, 전체 구간에 대하여 신뢰성이 높은 복원 신호를 획득할 수 있었다. 기존의 연구 방식으로는 개인별로 고려해야 하는 변수가 크게 작용하고, 계산량이 많아 시간이 오래 걸리는 등의 단점이 있다.
후속연구
향후 연구과제로는 제안한 방식을 보완하여 보다 신뢰성이 높은 복원 신호를 추출하고, 복원 신호의 사용 용도를 보다 넓히는 점이 필요하다. 또한 분리된 신호의 분석을 통해 U-헬스케어 기기의 엔터테인먼트 콘텐츠로 응용할 수 있는 연구개발이 필요하다.
이를 바탕으로 합쳐진 신호를 분리하는데 활용된다. 앞에서 언급한 바와 같이 분리한 신호의 분석 결과를 통해 두 사람의 상호 호감도와 같은 오락적 요소 등의 콘텐츠를 사용자에게 제공할 수 있을 뿐만 아니라 심전도 분리 알고리즘을 통하여 임산부와 태아의 심전도 신호의 분리[11] 등의 분야에도 활용될 수 있을 것으로 기대한다.
향후 연구과제로는 제안한 방식을 보완하여 보다 신뢰성이 높은 복원 신호를 추출하고, 복원 신호의 사용 용도를 보다 넓히는 점이 필요하다. 또한 분리된 신호의 분석을 통해 U-헬스케어 기기의 엔터테인먼트 콘텐츠로 응용할 수 있는 연구개발이 필요하다.
질의응답
핵심어
질문
논문에서 추출한 답변
경험적 모드 분해의 단점은 무엇인가
Park[9] 등에 의해 연구되고 있는 방법으로, 내재모드함수들을 추출하는 방법이다. 이 방법은 신호의 모든 국소 극값을 반복적으로 식별하기 때문에 계산 과정이 복잡하다는 단점을 가지고 있다. 이와 비교하여 본 논문에서는 일정한 심박 파형이 주기적으로 나타나는 심전도 신호의 특징을 이용하여 신호 분리를 구현하였다.
PCA를 기반으로 한 신호 분리 방법의 특징은 무엇인가
Xie[5] 등에 의해 연구되고 있다. 이는 대표적인 특징 추출 방법이나, 심전도 신호를 분리하는 경우에 있어서 여러 잡음이 섞여있는 경우 많은 계산량을 요구한다. 또한 푸리에 변환을 이용한 주파수 대역 분리방법이 J.
복원신호에 어떤 작업을 거치면 보다 실질적인 신호로 복원할 수 있는가
이 가중치를 기반으로 복원신호를 만들어낸다. 이 복원신호에 에러 신호를 각 복원신호의 비율만큼 더해주는 추가 보정작업을 거침으로써 보다 실질적인 신호로 복원한다. 실험 결과를 통해 합쳐진 심전도 신호가 성공적으로 개인의 심전도 신호로 분리되는 것을 알 수 있다.
K Itao, T Umeda, G Lopez, and M Kinjo, "Human recorder system development for sensing the autonomic nervous system", IEEE Sensors, pp. 423-426, 2008.
J. He, E. L. Tan, and W. S. Gan, "Time-shifted principal component analysis based cue extraction for stereo audio signals", IEEE Conference on Acoustics, Speech and Signal Processing, pp. 266-270, 2013.
S. Xie, S.Krishnan, "Signal Decomposition by Multi-scale PCA and Its Applications to Long-term EEG Signal Classification", IEEE Conference on Complex Medical Engineering, pp. 532-537, 2011.
J. He, E. L. Tan, and W. S. Gan, "Linear Estimation Based Primary-Ambient Extraction for Stereo Audio Signals", IEEE/ACM Transactions on Audio, Speech, and Language Processing, vol. 22, no. 2, pp. 505-517, 2014.
T. Yamada, D. Lee, H. Shiba, Y. Yamaguchi, and K. Uehara, "Signal Separation and Reconstruction Method for Simultaneously Received Multi-System Signals in a Unified Wireless System", Proc. 6th International Conference on IEEE, pp. 136-140, 2011
F. Agrafioti, D. Hatzinakos, "An Enhanced EMD Algorithm for ECG signal processing", IEEE International conference on Digital Signal Processing, pp. 1-6, 2011.
M. S. Park, D. Kim, H. S. Oh, "Empirical Mode Decomposition using the Second Derivative", The Korean Journal of Applied Statistics, vol. 26, no. 2, pp. 335-347, 2013.
Cain, Michael E., et al. "Signal-averaged electrocardiography." Journal of the American College of Cardiology 27.1, pp238-249, 1996.
R. Sameni and G. Clifford "A review of fetal ECG signal processing: Issues and promising directions", Open Pacing, Electrophysiol. Ther. J., vol. 3, pp.4 -20, 2010.
J. Pan and W. Tompkins, "A Real-Time QRS Detection Algorithm", IEEE Transactions on Biomedical Engneering, vol. BME-32, no. 3, pp. 230-236. 1985.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.