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.
가설 설정
- 3) Non-contacted signal은 전극이 사람과 접촉해있지 않다. 이를 이용하면 사용자의 휠체어 탑승 여부, 벨트 착용 여부 등을 비롯한 현재 자세를 추정할 수 있을 것으로 판단하였다.
제안 방법
- 신호가 접촉되지 않은 경우 3) 은 사용자가 휠체어에 탑승하지 않고 측정한 신호들에 labeling 하였으며, 1)과 2)를 분류하기 위해 3명의 annotator 가 각각 모든 segment들에 대하여 peak의 손상여부를 판단하였다. 1)과 2)의 최종적인 labeling은 3명의 annotator가 각각 labeling한 결과를 각 segment에 대하여 다수결로 결정하였다. 신호측정 과정에는 12명의 연구대상자가 참여하였으며, 이는 IRB심사 및 승인 후 진행되었다(IRB No.
- 결론적으로, 본 연구를 통하여 무구속적으로 측정한 ECG 를 이용하여 1) Normal signal, 2) Artifact-affected signal,3) Non-contacted signal 의 3개의 class로 분류하는 SVM기반의 알고리즘을 제안하였고, 실제 연구 대상자를 모집하여 그 성능을 검증하였다. 이를 통하여 ECG를 활용한 무구속적 건강 정보 추정에 있어 정확도를 개선하는데 기여할 것으로 판단된다.
- 3 세트의 ECG 전극을 전동 휠체어의 등 시트, 가슴 벨트, 그리고 손잡이에 설치하였다. 등 시트와 가슴 벨트에는 용량성 전극이 사용되었으며, 손잡이에는 전도성 전극이 사용되었다.
- 본 연구에서는 휠체어 사용자의 건강 정보를 무구속적인 방법으로 모니터링 하기 위해 휠체어의 등 시트, 가슴 벨트, 손잡이에 각각 1쌍의 용량성 ECG 전극을 설치 하였으며, 추가로 휠체어 손잡이에 전도성 ECG 전극을 설치하였다. 무구속적으로 ECG를 측정함에 있어, 1) Normal signal:정상신호, 2) Artifact-affected signal: 전극에 접촉하였으나 동잡음이 발생하는 경우, 3) Non-contacted signal:전극에 직, 간접적으로 접촉해있지 않는 경우의 3-class 분류를 위한 알고리즘을 제안하고 정확도를 계산해보았다. 추가로 센서에 인체가 접촉해있는지의 여부 판단을 통하여 휠체어 사용자의 자세를 추정하는 방법을 제시하고 검증하였다.
- 각 신뢰도 단계에 따른 신호의 예시는 아래 그림 2에 제시되었다. 신호가 접촉되지 않은 경우 3) 은 사용자가 휠체어에 탑승하지 않고 측정한 신호들에 labeling 하였으며, 1)과 2)를 분류하기 위해 3명의 annotator 가 각각 모든 segment들에 대하여 peak의 손상여부를 판단하였다. 1)과 2)의 최종적인 labeling은 3명의 annotator가 각각 labeling한 결과를 각 segment에 대하여 다수결로 결정하였다.
- ECG 신호는 계측증폭기를 통해 차동증폭 된 후 60 Hz 노치필터, 5 Hz high-pass 필터, 35 Hz low-pass 필터를 통해 필터링 되었다. High-pass 필터와 low-pass 필터는 모두 4차 sallen-key 타입의 회로로 구성이 되었다.
- 각각의 5 s ECG segment의 신뢰도를 분류하기 위하여 SVM을 활용하였으며, 알고리즘의 개요는 그림 3와 같다. 구분에 사용된 특징은 유사한 목적의 타 연구[15,17]에서 제안된 것들을 우선적으로 고려하였으며, 다양한 특징 조합들에 대하여 알고리즘을 반복하여 적용하여 가장 우수한 성능을 보여주는 조합을 탐색하였다. 결과적으로 다음 6가지의 특징을 추출하여 사용하였다.
- 전극은 등과 가슴 모두 피험자의 심장 위치에 가깝도록 조정할 수 있게 설치하였고 (+)전극과 (-)전극의 간격은 20 cm 로 배치하였다. 노이즈 유입을 최소화 하기 위하여 (+)전극과 (-)전극 사이에 필터와 증폭회로를 설치하였다. 손잡이에 설치된 전도성 전극의 경우에는 왼손 손잡이와 오른손 조종기에 각각 전극을 제작하여 구성하였으며, 그림 1에 해당하는 회로 없이 계측증폭기(instrumentation amp.
- 필터링된 아날로그 신호는 16 bit 해상도와 128 Hz 의 샘플링 주파수로 디지털 신호로 변환되었다. 변환 후 다시 한번 4차 버터워스 디지털 필터를 이용하여 5~35 Hz 밴드패스 필터링을 수행하였다. 일반적인 ECG 필터의 대역폭은 0.
- 본 연구를 통하여 5 s segment ECG의 신뢰도를 판별할수 있는 알고리즘이 제시되었다. SVM을 이용하여 1) Normal signal, 2) Artifact-affected signal, 3) Non-contacted signal 을 각각 분류했으며, 정확도는 95.
- 그림 1에 전극의 등가회로를 나타내었다. 본 연구에서는 등(시트)과 가슴(벨트)에서 용량성 전극을 이용하여 ECG를 측정하였다. 전극은 등과 가슴 모두 피험자의 심장 위치에 가깝도록 조정할 수 있게 설치하였고 (+)전극과 (-)전극의 간격은 20 cm 로 배치하였다.
- 피부에 센서가 고정되지 않는 무구속적인 ECG 측정하는 경우 정상 신호 여부를 판단하는 알고리즘뿐만 아니라, 측정된 신호로부터 전극이 인체에 직, 간접적으로 접촉해있는지 여부를 판단하는 알고리즘도 충분한 연구가치가 있다. 본 연구에서는 휠체어 사용자의 건강 정보를 무구속적인 방법으로 모니터링 하기 위해 휠체어의 등 시트, 가슴 벨트, 손잡이에 각각 1쌍의 용량성 ECG 전극을 설치 하였으며, 추가로 휠체어 손잡이에 전도성 ECG 전극을 설치하였다. 무구속적으로 ECG를 측정함에 있어, 1) Normal signal:정상신호, 2) Artifact-affected signal: 전극에 접촉하였으나 동잡음이 발생하는 경우, 3) Non-contacted signal:전극에 직, 간접적으로 접촉해있지 않는 경우의 3-class 분류를 위한 알고리즘을 제안하고 정확도를 계산해보았다.
- 등 시트와 가슴 벨트에는 용량성 전극이 사용되었으며, 손잡이에는 전도성 전극이 사용되었다. 센서가 인체에 접촉하지 않은 경우의 신호를 획득하기 위하여, 휠체어에 사용자가 탑승하지 않은 정적 상태에서 신호를 획득하였으며, 센서가 인체에 접촉한 경우의 신호를 획득하기 위해서는 6 가지 상황을 재현하여 측정하였다. 정적인 상황뿐만 아니라 잡음이 발생할 수 있는 다양한 상황에서도 접촉여부를 정확히 판단하기 위하여 일상 생활에서 휠체어 사용자가 보일 수 있는 행동 6 가지를 특정하고, 특정된 행동이 재현되는 동안 신호가 측정되었다.
- 이를 이용하면 사용자의 휠체어 탑승 여부, 벨트 착용 여부 등을 비롯한 현재 자세를 추정할 수 있을 것으로 판단하였다. 이에, 알고리즘을 이용한 각 전극의 접촉 여부 판단을 통해 휠체어 사용자의 자세를 추정하는 실험을 진행하였다. 자세는 등 시트(bs), 가슴 벨트(be), 손잡이(ha)의 전극 접촉 여부를 통하여 간접적으로 추정되며, 실험에 대상이 된 자세는 1) 등을 시트에 접촉하고 가슴벨트를 착용하였으며 손잡이를 쥐고 있는 경우(bs+be+ha), 2) 등을 시트에 접촉하고 가슴벨트를 착용하였으나 손잡이를 쥐지 않고 있는 경우(bs+be), 3) 등을 시트에 고정하고 손잡이를 쥐고 있으나, 가슴벨트를 착용하지 않은 경우(bs+ha), 4) 등을 시트에 접촉하였으나 가슴벨트와 손잡이 모두 사용하지 않는 경우(bs), 5) 휠체어에 착석하지 않고 있는 경우(em)로 정하였으며, 각 자세에 대하여 약 5분간 측정하였다.
- 변환 후 다시 한번 4차 버터워스 디지털 필터를 이용하여 5~35 Hz 밴드패스 필터링을 수행하였다. 일반적인 ECG 필터의 대역폭은 0.5~35 Hz 정도로 설정되지만 용량성 전극을 이용한 ECG 측정은동잡음으로 인해 저주파 노이즈가 많이 발생하기 때문에 이를 제거하기 위하여 high-pass 필터의 차단 주파수를 5 Hz로 설정하였다.
- 무구속적으로 ECG를 측정함에 있어, 1) Normal signal:정상신호, 2) Artifact-affected signal: 전극에 접촉하였으나 동잡음이 발생하는 경우, 3) Non-contacted signal:전극에 직, 간접적으로 접촉해있지 않는 경우의 3-class 분류를 위한 알고리즘을 제안하고 정확도를 계산해보았다. 추가로 센서에 인체가 접촉해있는지의 여부 판단을 통하여 휠체어 사용자의 자세를 추정하는 방법을 제시하고 검증하였다.
- 사용자가 재현한 행동으로는 1) 정적 상태, 2) 어깨를 회전하는 동작, 3) 다리를 떠는 동작, 4) 책을 읽는 동작, 5) 휠체어가 지정된 속도로 움직이는 상황 및 6) 휠체어에서 잠시 일어났다 앉는 동작이 포함되었다. 획득된 신호는 5 s segment 로 나누어졌으며, 각각의 segment는 신호의 신뢰도에 따라 3-class로 분류되었다. 신호가 3-class로 분류되기 위한 신뢰도의 기준은 1) Normal signal: 접촉되어 정상적인 신호 도출되는 경우, 2) Artifact-affected signal: 접촉되었으나 동잡음(motion artifact)이 발생하여 peak에 손상이 발생한 경우, 3) Non-contacted signal: 접촉되지 않은 경우로 각각 labeling 되었다.
대상 데이터
- 이전 연구된 용량성 전극 관련 논문을 참고하여 제작하였지만 접촉성 폴리우레탄은 사용하지 않았고 오른다리 구동회로(DRL, Driven Right Leg) 대신 공통 그라운드(common ground)를 사용하였다[18,19]. 시트에 앉았을 때 오른쪽 허벅지가 위치하는 곳에 가로 160 mm, 세로 270 mm 의 전도성 직물을 위치시켜 그라운드로 사용하였다. 그림 1에 전극의 등가회로를 나타내었다.
- 전극은 가로 20 mm, 세로 30 mm, 두께 1.7 mm 의 PCB 보드를 기반으로 제작하였다. PCB 보드의 한 쪽 면은 도금 처리하여 전극 표면으로 사용하였고 다른 한 쪽 면에는 초단회로를 위치시켰다.
- PCB 보드의 한 쪽 면은 도금 처리하여 전극 표면으로 사용하였고 다른 한 쪽 면에는 초단회로를 위치시켰다. 초단회로가 위치된 전극 면은 가로 20 mm, 세로 30 mm, 두께 4.7 mm 의 알루미늄 쉴드케이스를 이용하여 차폐시켰다. 이전 연구된 용량성 전극 관련 논문을 참고하여 제작하였지만 접촉성 폴리우레탄은 사용하지 않았고 오른다리 구동회로(DRL, Driven Right Leg) 대신 공통 그라운드(common ground)를 사용하였다[18,19].
데이터처리
- Multi-class 분류의 정확도를 제시하기 위하여 이전 연구[15,17]에서 활용되었던 지표를 참조하여, Acc1, Acc2, Acc3, kappa를 계산하였으며, 제안된 판별 방법의 성능을 통계적으로 평가하였다. 해당 지표들은 표 2 및 식 (9)-(12)의 방법으로 계산되었다.
- 해당 지표들은 표 2 및 식 (9)-(12)의 방법으로 계산되었다. 각각의 지표를 검증함에 있어서 Monte Carlo cross validation 이 활용되었으며, 전체 dataset의 절반을 random으로 추출하여 SVM 학습에 이용하고 나머지 절반의 데이터를 test에 사용하였다. 정확한 측정을 위하여 본 과정을 10회 반복하였다.
이론/모형
- 각각의 5 s ECG segment의 신뢰도를 분류하기 위하여 SVM을 활용하였으며, 알고리즘의 개요는 그림 3와 같다. 구분에 사용된 특징은 유사한 목적의 타 연구[15,17]에서 제안된 것들을 우선적으로 고려하였으며, 다양한 특징 조합들에 대하여 알고리즘을 반복하여 적용하여 가장 우수한 성능을 보여주는 조합을 탐색하였다.
- [15, 17]에 기술되어 있다. 추출된 특징을 기반으로 신호 신뢰도를 판별하기 위한 분류기로는 SVM을 이용하였다. SVM은 두 집단을 구분하기 위한 최대 마진의 초평면(hyper-plane)을 이용하는 방법으로써, 본 연구에서 적용된 Gaussian kernel SVM 은 아래의 식 (7)-(8)을 통하여 계산할 수 있으며, 각 특징들은 standardized 된 후 입력 값으로 사용되었다.
- 연산자 [x, y]는 x와 y의 inner product를 의미하며, free parameter σ는 # 로 정하였다. 파라미터 결정을 위한 최적화 과정은 MATLAB 2014b Statics and Machine Learning Toolbox (Mathworks Inc., Natick, MA, USA) 를 이용하였으며, penalty parameter C는 1로 하였다.
성능/효과
- 본 연구를 통하여 5 s segment ECG의 신뢰도를 판별할수 있는 알고리즘이 제시되었다. SVM을 이용하여 1) Normal signal, 2) Artifact-affected signal, 3) Non-contacted signal 을 각각 분류했으며, 정확도는 95.51%로 전체 12,251 segments 중 4.49%만 잘못된 class로 분류되었다. Class 2와 3을 동일한 class로 분류하여 정상신호의 여부만을 판단할 경우 정확도는 더욱 상승하여 3.
- 정적인 상황뿐만 아니라 잡음이 발생할 수 있는 다양한 상황에서도 접촉여부를 정확히 판단하기 위하여 일상 생활에서 휠체어 사용자가 보일 수 있는 행동 6 가지를 특정하고, 특정된 행동이 재현되는 동안 신호가 측정되었다. 사용자가 재현한 행동으로는 1) 정적 상태, 2) 어깨를 회전하는 동작, 3) 다리를 떠는 동작, 4) 책을 읽는 동작, 5) 휠체어가 지정된 속도로 움직이는 상황 및 6) 휠체어에서 잠시 일어났다 앉는 동작이 포함되었다. 획득된 신호는 5 s segment 로 나누어졌으며, 각각의 segment는 신호의 신뢰도에 따라 3-class로 분류되었다.
- 하지만, 구속적으로 측정한 ECG에 비해서 무구속적으로 측정한 ECG는 동잡음의 정도나 패턴이 더 다양할 수 있다는 점을 고려하면, 이전 연구와의 정확도 차이를 충분히 설명할 수 있을 것으로 판단된다. Class 1과 class 2를 동일한 class로 분류하여 센서의 접촉 여부만을 판단할 경우 오직 0.42%의 오차만 보여주어 매우 정확하게 판단할 수 있음을 확인하였다. 높은 정확도의 접촉여부 판단은 휠체어 사용자의 자세추정을 매우 정확하게 할 수 있음을 의미한다.
- 51%의 Acc1이 도출되었다. Class 2와 class 3을 동일 class로 가정하고 정확도를 계산한 수치인 Acc2는 96.31%로 Acc1에 비해서 0.8% 높은 정확도를 보여주었다. Class 1과 class 2를 동일 class를 가정하고 계산한 수치인 Acc3은 99.
- Channel 1, 2, 3은 각각 등 시트, 가슴벨트 그리고 손잡이에 설치된 전극을 나타낸다. 휠체어에 설치된 3 channel 로부터 측정된 ECG 신호를 개별적으로 SVM을 학습하고 Monte Carlo cross validation을 수행한 결과 평균적으로 95.51%의 Acc1이 도출되었다. Class 2와 class 3을 동일 class로 가정하고 정확도를 계산한 수치인 Acc2는 96.
후속연구
- PhysioNet을 이용했던 이전 연구에서는 다양한 부정맥을 포함한 데이터를 학습에 포함하는 것이 가능했지만, 부정맥이 포함된 ECG를 무구속적으로 측정한 database가 충분히 확보되어 있지 않아 연구에 어려움이 발생할 수 있다. 무구속적 ECG 측정의 특성상 PhysioNet과 같은 다양한 부정맥 환자의 데이터를 확보하기는 어려움이 있으므로, 이를 대체할 수 있는 유사한 특성의 pseudosignal을 제작하고 활용하는 것이 가능할 것이라고 판단된다. 추후 연구를 통하여 부정맥을 정상 신호로 판단하는 머신러닝 알고리즘의 구현 및 검증이 필요할 것이다.
- 결론적으로, 본 연구를 통하여 무구속적으로 측정한 ECG 를 이용하여 1) Normal signal, 2) Artifact-affected signal,3) Non-contacted signal 의 3개의 class로 분류하는 SVM기반의 알고리즘을 제안하였고, 실제 연구 대상자를 모집하여 그 성능을 검증하였다. 이를 통하여 ECG를 활용한 무구속적 건강 정보 추정에 있어 정확도를 개선하는데 기여할 것으로 판단된다.
- 무구속적 ECG 측정의 특성상 PhysioNet과 같은 다양한 부정맥 환자의 데이터를 확보하기는 어려움이 있으므로, 이를 대체할 수 있는 유사한 특성의 pseudosignal을 제작하고 활용하는 것이 가능할 것이라고 판단된다. 추후 연구를 통하여 부정맥을 정상 신호로 판단하는 머신러닝 알고리즘의 구현 및 검증이 필요할 것이다.
- 비교할 수 있는 이전 연구 사례를 찾아보기는 힘들지만, 5가지의 class를 정확히 추정한다는 점을 고려할 때, 충분히 만족할만한 것으로 판단된다. 휠체어 사용자의 자세추정은 용자의 상태를 판단하기 위해 다양하게 응용될 수 있을 것으로 생각된다. 예를 들어, 휠체어의 강한 충돌이 가속도 센서에 감지된 직후 휠체어에 사용자가 탑승해 있지 않는 것으로 판단되는 경우 낙상하였음을 추정할 수 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.