부정맥 분류를 위한 기존 연구들은 개인별 ECG신호의 차이는 고려하지 않고 특정 ECG 데이터에 종속적으로 개발되었기 때문에 다른 환경에 적용할 경우 그 성능에 변화가 많아 임상 적용에 한계가 있다. 또한 기존의 방법들은 각 ECG 특징점의 정확한 측정을 필요로 하며, 연산이 매우 복잡하다. 복잡도를 줄이기 위한 여러 가지 방법들이 제안되었지만, 그에 따른 분류의 정확도가 떨어지는 문제점이 있었다. 따라서 이러한 문제점을 극복하기 위해서는 개인별 다양한 ECG 신호의 패턴에 따라 최소한의 특징점을 추출함으로써 연산의 복잡도를 줄이고 부정맥을 정확하게 분류 할 수 있는 방법이 필요하다. 본 연구에서는 대상 유형별 ECG 신호의 QRS 패턴을 이용한 부정맥 분류 방법을 제안한다. 이를 위해 전처리를 통해 잡음이 제거된 심전도 신호에서 R파를 검출하고 QRS 특징점을 통해 대상 유형별 ECG 신호의 QRS 패턴을 정의하였다. 이후 패턴분류에 따른 오류를 검출 및 수정하고, 중복된 QRS 패턴을 별도의 부정맥으로 분류하였다. 제안한 방법의 우수성을 입증하기 위해 MIT-BIH 부정맥 데이터베이스 43개의 레코드를 대상으로 PVC, PAC, Normal, LBBB, RBBB, Paced beat의 검출율을 비교하였다. 실험결과 Normal, PVC, PAC, LBBB, RBBB, Paced beat의 검출율은 각각 99.98, 97.22 95.14, 91.47, 94.85, 97.48%의 우수한 검출율을 나타내었다.
부정맥 분류를 위한 기존 연구들은 개인별 ECG신호의 차이는 고려하지 않고 특정 ECG 데이터에 종속적으로 개발되었기 때문에 다른 환경에 적용할 경우 그 성능에 변화가 많아 임상 적용에 한계가 있다. 또한 기존의 방법들은 각 ECG 특징점의 정확한 측정을 필요로 하며, 연산이 매우 복잡하다. 복잡도를 줄이기 위한 여러 가지 방법들이 제안되었지만, 그에 따른 분류의 정확도가 떨어지는 문제점이 있었다. 따라서 이러한 문제점을 극복하기 위해서는 개인별 다양한 ECG 신호의 패턴에 따라 최소한의 특징점을 추출함으로써 연산의 복잡도를 줄이고 부정맥을 정확하게 분류 할 수 있는 방법이 필요하다. 본 연구에서는 대상 유형별 ECG 신호의 QRS 패턴을 이용한 부정맥 분류 방법을 제안한다. 이를 위해 전처리를 통해 잡음이 제거된 심전도 신호에서 R파를 검출하고 QRS 특징점을 통해 대상 유형별 ECG 신호의 QRS 패턴을 정의하였다. 이후 패턴분류에 따른 오류를 검출 및 수정하고, 중복된 QRS 패턴을 별도의 부정맥으로 분류하였다. 제안한 방법의 우수성을 입증하기 위해 MIT-BIH 부정맥 데이터베이스 43개의 레코드를 대상으로 PVC, PAC, Normal, LBBB, RBBB, Paced beat의 검출율을 비교하였다. 실험결과 Normal, PVC, PAC, LBBB, RBBB, Paced beat의 검출율은 각각 99.98, 97.22 95.14, 91.47, 94.85, 97.48%의 우수한 검출율을 나타내었다.
Several algorithms have been developed to classify arrhythmia which either 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...
Several algorithms have been developed to classify arrhythmia which either 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 design efficient algorithm that classifies different arrhythmia in realtime and decreases computational cost by extracting minimal feature. In this paper, we propose arrhythmia classification method using QRS Pattern of ECG signal according to personalized type. For this purpose, we detected R wave through the preprocessing method and define QRS pattern of ECG signal by QRS feature Also, we detect and modify by pattern classification, classified arrhythmia duplicated QRS pattern in realtime. Normal, PVC, PAC, LBBB, RBBB, Paced beat classification is evaluated by using 43 record of MIT-BIH arrhythmia database. The achieved scores indicate the average of 99.98%, 97.22%, 95.14%, 91.47%, 94.85%, 97.48% in PVC, PAC, Normal, BBB, Paced beat classification.
Several algorithms have been developed to classify arrhythmia which either 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 design efficient algorithm that classifies different arrhythmia in realtime and decreases computational cost by extracting minimal feature. In this paper, we propose arrhythmia classification method using QRS Pattern of ECG signal according to personalized type. For this purpose, we detected R wave through the preprocessing method and define QRS pattern of ECG signal by QRS feature Also, we detect and modify by pattern classification, classified arrhythmia duplicated QRS pattern in realtime. Normal, PVC, PAC, LBBB, RBBB, Paced beat classification is evaluated by using 43 record of MIT-BIH arrhythmia database. The achieved scores indicate the average of 99.98%, 97.22%, 95.14%, 91.47%, 94.85%, 97.48% in PVC, PAC, Normal, BBB, Paced beat 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. 부정맥 검출 결과는 그림 8과 같다.
본 연구에서는 MIT-BIH 부정맥 데이터베이스를 43 개의 레코드를 통하여 중복 패턴 검출에 대한 평가가 수행되었다. 그림 7은 QRS 간격을 통한 PVC, LBBB, RBBB 검출 과정을 나타낸 것이다.
본 연구에서는 MIT-BIH 부정맥 데이터베이스를 43 개의 레코드를 통하여 패턴 오류에 대한 검출 수정평가가 수행되었다. 그림 6은 RR 간격과 R파의 진폭에 대한오류 비트를 대상으로 패턴을 수정하는 과정을 나타낸 것이다.
본 연구에서는 개인에 따라 상이한 ECG 신호의 패턴에 따라 최소한의 특징점을 추출함으로써 연산의 복잡도를 줄이고 실시간으로 다양한 부정맥을 분류하기 위해 대상 유형별 ECG 신호의 QRS 패턴을 이용한 향상된 부정맥 분류 방법을 제안하였다. 이를 위해 전처리를 통해 잡음이 제거된 심전도 신호에서 R파를 검출하고 QRS 특징점을 통해 대상 유형별 ECG 신호의 QRS 패턴을 정의하였다.
따라서 이러한 문제점을 극복하기 위해서는 개인별 다양한 ECG 패턴 유형의 특징점을 추출함으로써 연산의 복잡도를 줄이고, 부정맥을 정확하게 분류할 수 있는 방법이 필요하다. 본 연구에서는 대상 유형별 ECG 패턴 기반의 QRS 특징점을 이용한 부정맥 분류 방법을 제안한다. 이를 위해 전처리를 통해 잡음이 제거된 심전도 신호에서 R파를 검출하고 8개의 QRS 특징점을 통해 9가지 개인별 ECG 패턴을 분류하였다.
제안 방법
Paced Beat의 경우에는 Q가 없으며 S의 진폭이 큰 패턴을 나타내었다. PVC의 경우 Q가 없고 R의 진폭이 작으며, S의 진폭이 큰 패턴, Q와 S는 없으며, R의 위상이 반전된 또는 패턴, S는 없으며 Q와 R이 반전된 형태인 패턴, QRS 구간 내에 추가적인 R이 발생하는 패턴과 같이 4개의 패턴으로 나누어졌다. RBBB 의 경우 패턴과 Q와 S는 없으며, R의 진폭이 큰 패턴과 같이 2개의 패턴으로 나누어졌다.
1과 같은 단계로 나누어진다. 먼저 ECG 신호로부터 전처리 과정을 통해 잡음을 제거한 후 R파를 검출하는 단계, 검출된 R파를 기준으로 특징점의 형태 분석을 통해 대상 유형별 QRS 패턴을 분류하는 단계, 분류성능 개선을 위한 패턴 오류 검출 및 중복된 패턴을 분류하는 단계, 마지막으로 부정맥을 분류하는 단계로 나누어진다.
그림 2에서는 이 두 과정을 나타내었다. 먼저 PVC와 Paced beat사이에 발생하는 패턴 오류를 검출하여 RR 간격의 변화율과 R파의 진폭을 적용하여 오류를 수정하는 단계. 두 번째로는 PVC와 RBBB, PVC와 LBBB와같이 중복 QRS 패턴을 가지고 있는 부정맥의 경우 패턴 검출 이후에 QRS 간격과 같은 별도의 분류 과정을 통해 부정맥을 판단하는 단계를 나타내었다.
거치게 된다. 본 연구에서는 Q, R, S의 진폭과 위상의 변화를 이용하여 Normal, PVC, PAC, LBBB, RBBB, Paced beat 6개의 정상 및 부정맥 패턴을 분류하였다. 일반적으로 정상 신호는 대부분 같은 QRS 패턴을 가지고 있지만 부정맥의 경우 그 패턴이 개인에 따라 매우 다양한 형태를 나타낸다.
필요하다. 본 연구에서는 원신호의 변형을 줄이고 연산량을 최소화함으로써 효율적인 QRS를 검출하기 위해 형태연산 기반의 전처리 기법을 적용하였다. R파는 형태 연산을 통해 전 처리된 신호의 차감 기법을 통해 검출한다.
일반적으로 정상 신호는 대부분 같은 QRS 패턴을 가지고 있지만 부정맥의 경우 그 패턴이 개인에 따라 매우 다양한 형태를 나타낸다. 본 연구에서는 진폭과 위상변화에 따른 8개의 특징점을 추출하고, 그 특징점의 형태에 따라 QRS 패턴을 분류하였다. 이를 위해 MIT-BIH 부정맥 데이터베이스 43개의 레코드를 대상으로 Normal, PVC, PAC, LBBB, RBBB, Paced beat 6개의 정상 및 부정맥 형태를 분석하였다.
이러한 패턴 오류는 별도의 특징점을 통해 수정하는 과정이 필요하다. 본 연구에서는추가적으로 발생하는 패턴 오류를 정확히 검출하기 위해 R파의 진폭을 이용하였다.
본 연구에서는 진폭과 위상변화에 따른 8개의 특징점을 추출하고, 그 특징점의 형태에 따라 QRS 패턴을 분류하였다. 이를 위해 MIT-BIH 부정맥 데이터베이스 43개의 레코드를 대상으로 Normal, PVC, PAC, LBBB, RBBB, Paced beat 6개의 정상 및 부정맥 형태를 분석하였다. 각 특징점의 형태를 분석한 결과는 표 1과 같다.
본 연구에서는 대상 유형별 ECG 패턴 기반의 QRS 특징점을 이용한 부정맥 분류 방법을 제안한다. 이를 위해 전처리를 통해 잡음이 제거된 심전도 신호에서 R파를 검출하고 8개의 QRS 특징점을 통해 9가지 개인별 ECG 패턴을 분류하였다. 이후 그 패턴에 따른 RR, QRS 간격과 진폭에 따라 실시간으로 부정맥을 분류하였다.
분류 방법을 제안하였다. 이를 위해 전처리를 통해 잡음이 제거된 심전도 신호에서 R파를 검출하고 QRS 특징점을 통해 대상 유형별 ECG 신호의 QRS 패턴을 정의하였다. 이후 그 패턴에 따른 RR, QRS 간격과 R파의 진폭에 따라 실시간으로 부정맥을 분류하였다.
5배 정도 이상 범위의 진폭 변화율을 나타내었다. 이를 이용하여 R 피크 진폭에 대한 템플릿을 만들어 그 변화율을 찾아내었다. 템플릿은 현재 R피크를 기준으로 이전 15개와 이후 9개로 25개의 R 피크 그룹으로 형성된다.
그림 8 (c) 와 (d) 는 같은 D 패턴이지만 PVC와 RBBB로 다른 부정맥을 나타낸다. 이와 같은 경우 QRS 간격을 통해 중복패턴에 대한 부정맥 분류를 수행하였다. (c) 의 경우 106번 레코드 PVC 의 QRS 간격은 평균적으로 123ms로 나타났으나, (d) 와같이 118번 레코드 RBBB 간격은 142ms을 나타내었다.
이를 위해 전처리를 통해 잡음이 제거된 심전도 신호에서 R파를 검출하고 QRS 특징점을 통해 대상 유형별 ECG 신호의 QRS 패턴을 정의하였다. 이후 그 패턴에 따른 RR, QRS 간격과 R파의 진폭에 따라 실시간으로 부정맥을 분류하였다. 제안한 방법의 우수성을 입증하기 위해 MIT-BIH 부정맥 데이터베이스 43개의 레코드를 대상으로 분류하였을 때 Normal, PVC, PAC, LBBB, RBBB, Paced beat의검출율은 각각 99.
이를 위해 전처리를 통해 잡음이 제거된 심전도 신호에서 R파를 검출하고 8개의 QRS 특징점을 통해 9가지 개인별 ECG 패턴을 분류하였다. 이후 그 패턴에 따른 RR, QRS 간격과 진폭에 따라 실시간으로 부정맥을 분류하였다. 제안한 방법의 우수성을 입증하기 위해 MIT-BIH 부정맥 데이터베이스 43개의 레코드를 대상으로 PVC, PAC, Normal, LBBB, RBBB, Paced beat의 검출율을 비교하였다.
제안한 방법으로 MIT-BIH 부정맥 데이터베이스 43 개의 레코드를 대상으로 부정맥을 분류한 결과를 표 2에 나타내었다. Normal, PVC, PAC, LBBB, RBBB, Paced beat의 검출율은 각각 99.
분류하는 과정을 거치게 된다. 특히 PVC와 LBBB 의 (D), PVC와 RBBB의 또는 (E)와 같이 유사한 QRS 패턴의 경우에는 QRS 간격을 이용하여 분류하는 방법을 제안한다. BBB는 심장 내의 좌 각, 또는 우각을 통한 전기자극이 차단되는 현상을 나타낸다.
데이터처리
이후 그 패턴에 따른 RR, QRS 간격과 진폭에 따라 실시간으로 부정맥을 분류하였다. 제안한 방법의 우수성을 입증하기 위해 MIT-BIH 부정맥 데이터베이스 43개의 레코드를 대상으로 PVC, PAC, Normal, LBBB, RBBB, Paced beat의 검출율을 비교하였다.
이론/모형
R파 검출 시 P파나 T 파를 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[10, 11].
성능/효과
오류가 발생한 지점은 PVC로서 (D) 패턴으로 나타나야 하나 (C) Paced Beat로 잘못 검출되었다. 207번 레코드는 다양한 형태의 부정맥이 혼재되어있고 이전 부정맥 비트가 다음 부정맥 비트의 진폭에 영향을 주기 때문에 오 검출 되는 것으로 확인되었다. 이러한 경우 오류가 발생한 지점을 기준으로 RR 간격의 변화율을 적용하면 (D) 패턴으로 보정된다.
것을 확인할 수 있다. 6개 부정맥의 RR 간격을 분석한 결과 패턴 오류를 검출하여 수정하는 과정은 현재의 RR 간격()이 전체 RR 간격의 평균 가중치 ()보다 크거나 RR 간격의 변화율()이 1.2보다 작으면 조기수축 부정맥(PVC, PAC)으로 나타났으며 그 범위에 속하지 않는 경우는 A, C, H, I 라고 확인되었다. 특히 H, I 와 같은 일반적인 RBBB, LBBB는 RR 간격이 조기수축과 쉽게 구분되었다.
레코드를 대상으로 부정맥을 분류한 결과를 표 2에 나타내었다. Normal, PVC, PAC, LBBB, RBBB, Paced beat의 검출율은 각각 99.98, 97.22 95.14, 91.47, 94.85, 97.48%의 우수한 특징을 나타내었다. 결과적으로 제안한 방법은 부정맥 분류에 우수한 성능을 나타내었다.
48%의 우수한 특징을 나타내었다. 결과적으로 제안한 방법은 부정맥 분류에 우수한 성능을 나타내었다. 따라서 제안한 대상 유형별 ECG 신호의 QRS 패턴 분석 방식의 경우 개인에 따른 ECG 신호의 패턴을 먼저 분류한 후 그 패턴에 따른 부정맥의 비교되는 특징, 즉 RR 간격, R파의 진폭, QRS 간격과 같은 문턱치 조건을 통해 대상 부정맥을 2차 적으로 분류한다면 분류율 뿐만 아니라 연산량에서도 많은 향상을 가져다 줄 것이다.
대상 유형별 QRS 패턴을 분석한 결과 9개의 형태(A, B, C, D, E, F, G, H, I)로 나누어지는 것을 확인할 수 있었다. 즉, 부정맥의 종류에 따라 정상 신호와 PAC 그리고 Paced Beat는 1개, PVC는 4개, RBBB와 LBBB는 2개의 패턴을 각각 가지는 것을 확인할 수 있다.
먼저 PVC와 Paced beat사이에 발생하는 패턴 오류를 검출하여 RR 간격의 변화율과 R파의 진폭을 적용하여 오류를 수정하는 단계. 두 번째로는 PVC와 RBBB, PVC와 LBBB와같이 중복 QRS 패턴을 가지고 있는 부정맥의 경우 패턴 검출 이후에 QRS 간격과 같은 별도의 분류 과정을 통해 부정맥을 판단하는 단계를 나타내었다.
것을 확인할 수 있다. 따라서 PVC와 PAC 와 같은 조기수축에 해당하는 (B, D, E, F, G) 패턴은 RR 시간 간격이 다른 부정맥과 구별되는 유용한 정보가 되며, 또한 RBBB와 PVC가 혼재된 PAC는 R파의 진폭이 다른 부정맥과 구별되는 유용한 정보가 된다는 것을 확인하였다.
있는 것이 확인되었다. 또한 실험 결과 207번 레코드의 경우 이전 부정맥 비트가 다음 부정맥 비트의 진폭에 영향을 주기 때문에 원래 가 로 패턴 오류가 발생하여 PVC임에도 불구하고 Paced beat로 오인한 경우가 나타났다. 따라서 검출율 향상을 위해서는 패턴 오류 수정과정과 중복패턴을 분류하는 과정이 필요하다.
분석 결과 같은 부정맥의 형태라도 대상 유형에 따라 패턴이 나누어지는 것을 확인할 수 있다. PVC와 RBBB 의 경우 다른 부정맥이지만 같은 패턴을 가지고 있으며, PVC와 LBBB 또한 다른 부정맥이지만, 같은 또는 패턴을 가지고 있다.
이후 그 패턴에 따른 RR, QRS 간격과 R파의 진폭에 따라 실시간으로 부정맥을 분류하였다. 제안한 방법의 우수성을 입증하기 위해 MIT-BIH 부정맥 데이터베이스 43개의 레코드를 대상으로 분류하였을 때 Normal, PVC, PAC, LBBB, RBBB, Paced beat의검출율은 각각 99.98, 97.22 95.14, 91.47, 94.85, 97.48%의 우수한 특징을 나타내었다.
즉, 부정맥의 종류에 따라 정상 신호와 PAC 그리고 Paced Beat는 1개, PVC는 4개, RBBB와 LBBB는 2개의 패턴을 각각 가지는 것을 확인할 수 있다.
그림 8 (e), (f) 는 같은 E 패턴을 가진 PVC와 LBBB를 나타내고 있다. 하지만 이 또한 D 패턴과 마찬가지로 PVC의 QRS 간격은 평균적으로 120ms보다 낮았으며, LBBB의 QRS 간격은 140ms보다 높은 것으로 나타났다. 그림 8(f) 와 같이 207번 레코드의 경우 1차 분류 시 마지막 PVC 비트의 경우 Q 파가 상쇄되어 QRS 패턴을 D패턴이라고 잘못 판단하는 경우가 발생하였다.
후속연구
특히 PVC, RBBB, LBBB 는 각각 여러 가지 패턴을 함께 나타나고 있다. 따라서 그 패턴을 먼저 분류한 후 구분되는 특징을 이용한다면 분류의 정확성이 향상될 수 있을 것이다.
결과적으로 제안한 방법은 부정맥 분류에 우수한 성능을 나타내었다. 따라서 제안한 대상 유형별 ECG 신호의 QRS 패턴 분석 방식의 경우 개인에 따른 ECG 신호의 패턴을 먼저 분류한 후 그 패턴에 따른 부정맥의 비교되는 특징, 즉 RR 간격, R파의 진폭, QRS 간격과 같은 문턱치 조건을 통해 대상 부정맥을 2차 적으로 분류한다면 분류율 뿐만 아니라 연산량에서도 많은 향상을 가져다 줄 것이다.
본 연구에서 제안한 대상 유형별 ECG 신호의 QRS 패턴 분석 방식의 경우 개인에 따른 ECG 신호의 패턴을 먼저 분류한 후 그 패턴에 따른 부정맥의 비교되는 특징, 즉 RR 간격, R파의 진폭, QRS 간격과 같은 문턱치 조건을 통해 대상 부정맥을 2차 적으로 분류한다면 실시간으로 정확한 부정맥을 진단하는 헬스케어 시스템에 적용함으로써 분류율뿐만 아니라 연산량에서도 많은 향상을 가져다줄 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.