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.
문제 정의
- 다음으로 2가지 이상의 변수들을 조합하여 AUC와 정확도를 분석하고 분류성능이 좋아지는지 확인해 보았다. 그 결과 2개부터 7개의 분석변수들을 조합한 경우에서 조합으로 인한 정확도 증가는 나타나지 않았다.
- 본 연구에서는 EIS 기반의 인체측정 도중에 전압 신호가 어떻게 변화하는지 관찰하고자 그림 2와 같이 실시간 전압측정 시스템을 구현하였다. 이마 신호 측정을 위해 바이폴라스냅전극을 RCA 커넥터를 이용해 데이터 케이블과 연결했으며, 손과 발 신호 측정을 위해 각각의 전극과 연결되는 데이터 케이블을 구성하였다.
- 본 연구에서는 당뇨병 환자와 정상인을 대상으로 DDFAO에 입력되는 전압 신호에서 크기와 기울기 변화 등의 특징점을 추출하였다. 이 특징점으로 AUC를 계산했을 때 7개의 변수가 0.
- 기존에는 전압변화의 원 신호를 분석에 이용한 방법이 없었기 때문에 인체 내에서의 전압 신호 변화양상을 직접 분석하는 방법으로 EIS의 활용가능성을 더 정밀하게 살펴볼 수 있다. 본 연구에서는 인체 내의 전압 변화를 측정하고 특징점 분석 후 분류 알고리즘의 정확도를 확인하는 방법으로 EIS의 당뇨진단 유효성을 확인하고자 한다.
- 환자와 정상인이라는 명확한 기준점이 있었으며 변수들의 군집 내 변화보다 군집 간 변화가 더 크게 나타났다. 실시간으로 환자의 전압 변화를 측정할 수 있는 새로운 시스템을 이용했으며, 역이온 삼투요법 같은 전기화학 분야에서 널리 쓰이는 이론이 임상 분야에서도 활용될 수 있는 가능성을 확인한 것이다.
가설 설정
- 각 경로에서의 Height1, Gradient1, Gradient2 및 Slope 변수들이 당뇨병 진단에 유용하게 사용될 수 있을 것이라 가정하여, 이 중에서 AUC 평균값이 높고(0.59 이상) 표준편차가 작은(±0.03 이하) 변수를 분류기에 사용할 변수로 선정하였다.
제안 방법
- 먼저 각 분석변수의 특정 값을 기준으로 당뇨병 환자를 환자로 올바르게 판단하는 민감도(Sensitivity)와 정상인을 올바르게 판단하는 특이도(Specificity)를 계산하였다. 그리고 x축을 1-특이도로 하고 y축을 민감도로 하는 ROC(Receiver operating characteristic) 커브 도표를 작성하고 모델의 정확도 평가를 위해 AUC(Area under the curve)를 계산하였다. ROC 커브는 민감도와 특이도의 개념을 이용해 해당 검사의 정확도와 신뢰도를 나타내는 방법이다.
- 본 연구에서는 각 전극 채널에서 측정된 전압 데이터를 20Hz 저역통과필터(low pass filter)를 사용해 필터링 한 후, 측정이 시작되는 초기 시작점을 찾고 계단함수의 전압이 가해지는 시간영역을 검색하였다. 그리고 검색한 시간범위 내의 전압 변동양상을 분석해 4개의 특징점을 검출하였다. 전압 데이터의 미분 값이 최대인 시간을 찾고 그 시간 전후의 일정 범위를 검색해 임계점 이상의 미분 값 변화가 나타나는 점을 피크 시작점으로 검출하였다.
- 5초까지의 전압 크기 평균을 기준으로 5% 이내의 값이 처음으로 검출되는 인덱스를 피크 종료점으로 검출하였다. 그리고 검출된 특징점들을 이용해 계단함수에서의 전압크기 변동(Height1, Height2), 상승시간(Rising time) 및 하강시간(Falling time), 펄스 폭(Pulse width), 전압신호의 상승 및 하강 기울기(Gradient1, Gradient2), 전압신호의 하강 구간을 log변환 한 후의 기울기(Slope) 값을 계산하였다. 이는 계단함수 형태의 신호 분석을 할 때 일반적으로 사용하는 변수들이며[17～18], 특히 전압크기 관련 변수는 역이온 삼투요법에서, 전압변화의 기울기 관련 변수는 코트렐 방정식에서 유추될 수 있다.
- 전압 데이터의 미분 값이 최대인 시간을 찾고 그 시간 전후의 일정 범위를 검색해 임계점 이상의 미분 값 변화가 나타나는 점을 피크 시작점으로 검출하였다. 그리고 계단함수의 전압을 가하는 시간은 4.5초로 알려져 있기 때문에 이를 고려해 피크 시작점 이후 0.5초부터 3.5초까지의 전압 크기 평균을 기준으로 5% 이내의 값이 처음으로 검출되는 점을 피크의 첫 번째 높이 인덱스로 검출하였다. 또한 피크 시작점 이후 3.
- 그 후 기기에 올라가 측정을 시작했으며 이 때 접촉면적을 일정하게하기 위해 손바닥과 발바닥 부위가 전극과 떨어지지 않도록 주의하였다. 기기의 측정시간은 약 4분정도였고 DDFAO와 실시간 전압측정 시스템을 이용해 22개 경로에서의 전압 변화 양상을 실시간으로 측정하였다.
- 다음으로 각 경로에서 계산된 분석변수들의 AUC 값을 기준으로 평균이 크고 편차가 작은 변수들을 선정해 k-NN(k-nearest neighbors) 분류기를 통해 분류 정확도를 예측하였다. 본 연구는 기계 학습 알고리즘으로 분류 정확도를 향상시킬 수 있는지에 초점을 맞추었기 때문에 다른 분류기는 사용하지 않고 간단하고 직관적으로 해석 할 수 있는 k-NN분류기만을 사용했다.
- 왼쪽 이마를 기준 전위(reference)로 설정하여 6채널의 DAQ(Data acquisition, NI USB-6009, USA)를 이용해 200Hz의 샘플링 주파수로 전압 신호를 수집하였다. 데이터의 저장과 제어 등은 LabVIEW2013 프로그램으로 구현하였으며, DDFAO와 전압측정 시스템을 동기화하여 DDFAO 의 측정 경로에 따른 전압 신호를 실시간으로 살펴볼 수 있도록 하였다.
- 5초까지의 전압 크기 평균을 기준으로 5% 이내의 값이 처음으로 검출되는 점을 피크의 첫 번째 높이 인덱스로 검출하였다. 또한 피크 시작점 이후 3.5초부터 2초 동안의 데이터를 검색하여 임계점 이상의 미분 값 변화가 나타나는 점을 피크의 두 번째 높이 인덱스로 검출하였다. 비슷한 방법으로 피크의 두 번째 높이 인덱스 이후 0.
- 이 때, 당뇨병 환자와 정상인 데이터의 수에 차이가 있었기 때문에 당뇨병 환자 군에서 16명의 데이터를 랜덤으로 추출해 샘플 수를 같게 하였으며, 데이터의 편향을 줄이기 위해 3회 반복하여 평균과 표준편차를 얻었다. 먼저 각 분석변수의 특정 값을 기준으로 당뇨병 환자를 환자로 올바르게 판단하는 민감도(Sensitivity)와 정상인을 올바르게 판단하는 특이도(Specificity)를 계산하였다. 그리고 x축을 1-특이도로 하고 y축을 민감도로 하는 ROC(Receiver operating characteristic) 커브 도표를 작성하고 모델의 정확도 평가를 위해 AUC(Area under the curve)를 계산하였다.
- 다만, DDFAO는 코트렐 방정식 및 역이온 삼투요법을 이용해 진단을 한다고 추정되므로, 전압신호의 감쇄되는 모양과 크기변화를 진단에 활용할 것으로 예상할 수 있다. 본 연구에서는 각 경로별로 Height1, Gradient1, Gradient2 및 Slope 분석 변수를 최종 선택하여 분석을 진행하였다.
- 측정된 전압 신호의 변화양상을 파악하기 위해서는 먼저 신호의 특징점을 올바르게 찾아내는 것이 중요하다. 본 연구에서는 각 전극 채널에서 측정된 전압 데이터를 20Hz 저역통과필터(low pass filter)를 사용해 필터링 한 후, 측정이 시작되는 초기 시작점을 찾고 계단함수의 전압이 가해지는 시간영역을 검색하였다. 그리고 검색한 시간범위 내의 전압 변동양상을 분석해 4개의 특징점을 검출하였다.
- 5초부터 2초 동안의 데이터를 검색하여 임계점 이상의 미분 값 변화가 나타나는 점을 피크의 두 번째 높이 인덱스로 검출하였다. 비슷한 방법으로 피크의 두 번째 높이 인덱스 이후 0.5초부터 3.5초까지의 전압 크기 평균을 기준으로 5% 이내의 값이 처음으로 검출되는 인덱스를 피크 종료점으로 검출하였다. 그리고 검출된 특징점들을 이용해 계단함수에서의 전압크기 변동(Height1, Height2), 상승시간(Rising time) 및 하강시간(Falling time), 펄스 폭(Pulse width), 전압신호의 상승 및 하강 기울기(Gradient1, Gradient2), 전압신호의 하강 구간을 log변환 한 후의 기울기(Slope) 값을 계산하였다.
- 선정된 7개의 분석변수를 이용해 k-NN 분류기로 정확도를 예측해보았다. k값에 따라 분류성능에 큰 차이는 없었으며 k=5일 때 각 변수의 분류 정확도를 그림 8에 나타내었다.
- 환자는 충분한 휴식을 취한 후 측정에 영향을 줄 수 있는 금속이나 액세서리를 몸에서 제거하고 발바닥 전위 측정을 위해 양말이나 스타킹을 벗도록 하였다. 손과 전극의 접촉상태를 일정하게 하기 위해 전해질 티슈로 양 손바닥과 손가락 사이를 닦았으며 이마에는 2개의 Ag/AgCl 전극을 부착하였다. 그 후 기기에 올라가 측정을 시작했으며 이 때 접촉면적을 일정하게하기 위해 손바닥과 발바닥 부위가 전극과 떨어지지 않도록 주의하였다.
- 또한 전압측정 시스템을 실제 인체 측정에 활용했을 때 DDFAO 결과 값에 영향을 주는 지의 여부와 반복성 있는 측정이 이루어지는 지에 대한 확인이 필요하다. 실제 인체는 생리적인 변동성 때문에 시스템의 반복성을 평가하기에 부적합하므로 PCB 기판으로 구현한 인체모사의 RC 팬텀을 대상으로 3회 반복측정을 하였다. RC 팬텀은 세포를 전기적 모델로 가정하는데 세포 외부저항과 내부저항 및 세포막으로 인한 용량성 성분을 고려한 기본 모델이다[14].
- 각각의 측정 전극에 아무런 연결을 하지 않고 시간에 따른 전압 변화 양상을 측정한 결과는 그림 5와 같다. 왼쪽 이마 전극을 기준전위(reference)로 설정하고, 나머지 다섯 전극에서의 전압을 측정하였다. 22개 경로의 순차적인 측정 마다 적어도 한 개의 전극에서 계단함수 형태의 전압 변화가 나타났다.
- 이마와 손, 발 각각에는 on/off 스위치를 연결해 특정 부위의 신호변화만을 측정할 수 있도록 했으며 기기 캘리브레이션 시에는 스위치를 off 하여 캘리브레이션에 영향을 주는 요소들을 차단할 수 있도록 하였다. 왼쪽 이마를 기준 전위(reference)로 설정하여 6채널의 DAQ(Data acquisition, NI USB-6009, USA)를 이용해 200Hz의 샘플링 주파수로 전압 신호를 수집하였다. 데이터의 저장과 제어 등은 LabVIEW2013 프로그램으로 구현하였으며, DDFAO와 전압측정 시스템을 동기화하여 DDFAO 의 측정 경로에 따른 전압 신호를 실시간으로 살펴볼 수 있도록 하였다.
- k값이 너무 작으면 noise point에 민감할 수 있으며 k값이 너무 크면 다른 class로 잘못 분류 될 수 있기 때문에 k값은 시행착오(try & error)를 통해 가장 정확도가 높은 값으로 설정하였다. 이 때 각 변수별로 12개의 training 데이터와 4개의 test 데이터를 사용했으며 무작위 방법으로 5회 반복하여 분류 정확도를 평가하였다.
- DDFAO의 진단 원리에 대한 내용은 구체적으로 알려져 있지 않지만 일반적으로 인체에 직류 전압 기반의 계단함수(step function) 형태로 전압을 가하고 그에 따른 반응을 이용하는 것으로 추정된다. 이는 앞서 언급한 코트렐 방정식을 이용해 인체 내의 이온 농도를 추정하는 방법으로, 22개의 측정 경로가 바뀔 때 마다 전압을 가하거나 차단하는 과정을 반복하면서 생기는 전압 신호의 변화를 분석한다.
- 본 연구에서는 EIS 기반의 인체측정 도중에 전압 신호가 어떻게 변화하는지 관찰하고자 그림 2와 같이 실시간 전압측정 시스템을 구현하였다. 이마 신호 측정을 위해 바이폴라스냅전극을 RCA 커넥터를 이용해 데이터 케이블과 연결했으며, 손과 발 신호 측정을 위해 각각의 전극과 연결되는 데이터 케이블을 구성하였다. 이마와 손, 발 각각에는 on/off 스위치를 연결해 특정 부위의 신호변화만을 측정할 수 있도록 했으며 기기 캘리브레이션 시에는 스위치를 off 하여 캘리브레이션에 영향을 주는 요소들을 차단할 수 있도록 하였다.
- 이마 신호 측정을 위해 바이폴라스냅전극을 RCA 커넥터를 이용해 데이터 케이블과 연결했으며, 손과 발 신호 측정을 위해 각각의 전극과 연결되는 데이터 케이블을 구성하였다. 이마와 손, 발 각각에는 on/off 스위치를 연결해 특정 부위의 신호변화만을 측정할 수 있도록 했으며 기기 캘리브레이션 시에는 스위치를 off 하여 캘리브레이션에 영향을 주는 요소들을 차단할 수 있도록 하였다. 왼쪽 이마를 기준 전위(reference)로 설정하여 6채널의 DAQ(Data acquisition, NI USB-6009, USA)를 이용해 200Hz의 샘플링 주파수로 전압 신호를 수집하였다.
- 그리고 검색한 시간범위 내의 전압 변동양상을 분석해 4개의 특징점을 검출하였다. 전압 데이터의 미분 값이 최대인 시간을 찾고 그 시간 전후의 일정 범위를 검색해 임계점 이상의 미분 값 변화가 나타나는 점을 피크 시작점으로 검출하였다. 그리고 계단함수의 전압을 가하는 시간은 4.
- 71명의 당뇨병 환자와 21명의 정상인이 임상시험에 참여했으며 모두 과거 심박동기 등 전자기기 이식을 받지 않은 자발적 참여자였다. 환자는 충분한 휴식을 취한 후 측정에 영향을 줄 수 있는 금속이나 액세서리를 몸에서 제거하고 발바닥 전위 측정을 위해 양말이나 스타킹을 벗도록 하였다. 손과 전극의 접촉상태를 일정하게 하기 위해 전해질 티슈로 양 손바닥과 손가락 사이를 닦았으며 이마에는 2개의 Ag/AgCl 전극을 부착하였다.
대상 데이터
- EIS 방법 기반 전압측정 시스템을 이용해 환자의 전압 변화 양상을 살펴보고 이의 분석을 통한 임상적 유효성을 확인해보기 위해, 가천의대 길병원 임상시험심사위원회의 승인(GFIRB2014-16)을 얻어 당뇨병 환자의 임상시험을 진행하였다. 71명의 당뇨병 환자와 21명의 정상인이 임상시험에 참여했으며 모두 과거 심박동기 등 전자기기 이식을 받지 않은 자발적 참여자였다. 환자는 충분한 휴식을 취한 후 측정에 영향을 줄 수 있는 금속이나 액세서리를 몸에서 제거하고 발바닥 전위 측정을 위해 양말이나 스타킹을 벗도록 하였다.
- 1. DDFAO device (1) Forehead electrode, (2) Hand electrode, (3) Foot electrode.
- 시스템을 인체에 적용하기 전 DDFAO 자체에서 직류 전압을 어떤 식으로 가해주는지 확인할 필요가 있으므로 각각의 전극에 아무연결도 하지 않고 전압 데이터를 획득하였다. 또한 전압측정 시스템을 실제 인체 측정에 활용했을 때 DDFAO 결과 값에 영향을 주는 지의 여부와 반복성 있는 측정이 이루어지는 지에 대한 확인이 필요하다.
- 임상시험에 참여한 인원들 중 전압측정이 누락된 경우와 움직임으로 인해 전압 신호의 변동이 심해 분석에 사용하기 어려운 데이터들은 제외하고 총 39명의 당뇨병 환자와 16명의 정상인 데이터를 분석에 활용하였다. 이 때, 당뇨병 환자와 정상인 데이터의 수에 차이가 있었기 때문에 당뇨병 환자 군에서 16명의 데이터를 랜덤으로 추출해 샘플 수를 같게 하였으며, 데이터의 편향을 줄이기 위해 3회 반복하여 평균과 표준편차를 얻었다.
- 최종 선정된 7개의 변수는 21-Rpalm-Gradient1, 1-Rpalm-Slope, 13·14-Rfoot-Gradient2, 20-Lpalm-Height1, 20-Lpalm-Slope, 20-Rfoot-Slope, 22-Rfoot-Gradient2였다.
데이터처리
- 임상시험에 참여한 인원들 중 전압측정이 누락된 경우와 움직임으로 인해 전압 신호의 변동이 심해 분석에 사용하기 어려운 데이터들은 제외하고 총 39명의 당뇨병 환자와 16명의 정상인 데이터를 분석에 활용하였다. 이 때, 당뇨병 환자와 정상인 데이터의 수에 차이가 있었기 때문에 당뇨병 환자 군에서 16명의 데이터를 랜덤으로 추출해 샘플 수를 같게 하였으며, 데이터의 편향을 줄이기 위해 3회 반복하여 평균과 표준편차를 얻었다. 먼저 각 분석변수의 특정 값을 기준으로 당뇨병 환자를 환자로 올바르게 판단하는 민감도(Sensitivity)와 정상인을 올바르게 판단하는 특이도(Specificity)를 계산하였다.
이론/모형
- EIS 방법 기반의 전압 변화를 측정하기 위해 식약처에 피부저항측정기로 등록되어 있는 DDFAO (MEDI.L.D., France)를 사용하였다. 그림 1에 나타나 있는 DDFAO는 양쪽 이마, 양쪽 손바닥, 양쪽 발바닥에 부착된 전극으로 1.
- 다음으로 각 경로에서 계산된 분석변수들의 AUC 값을 기준으로 평균이 크고 편차가 작은 변수들을 선정해 k-NN(k-nearest neighbors) 분류기를 통해 분류 정확도를 예측하였다. 본 연구는 기계 학습 알고리즘으로 분류 정확도를 향상시킬 수 있는지에 초점을 맞추었기 때문에 다른 분류기는 사용하지 않고 간단하고 직관적으로 해석 할 수 있는 k-NN분류기만을 사용했다. k-NN 분류기는 분류하려는 데이터를 class가 할당된 k개의 최근접 이웃 데이터와 비교한 후 유클리디안 거리가 더 가까운 class로 할당하게 된다.
성능/효과
- 왼쪽 이마 전극을 기준전위(reference)로 설정하고, 나머지 다섯 전극에서의 전압을 측정하였다. 22개 경로의 순차적인 측정 마다 적어도 한 개의 전극에서 계단함수 형태의 전압 변화가 나타났다. 이를 통해 DDFAO 자체에서 직류 전압을 어떤 방식으로 가해주는지 확인할 수 있었으며 1.
- DAQ의 연결이 DDFAO 결과 값에 영향을 주는지 확인하기 위해 인체모사의 RC팬텀을 대상으로 3회 반복 측정한 결과 40가지 출력변수들과 각 경로의 특징 값이 매번 동일하게 나타났다. 또한 DAQ를 연결하지 않고 측정한 결과 역시 DAQ를 연결하고 측정한 결과와 같게 나타났다.
- 이는 전류가 직접적으로 흐르는 경로 이외의 측정 점에서도 유의하게 전압이 변하거나 이온이 변할 수 있음을 보여준다. k-NN 분류기를 이용한 정확도 평가 이외에 평균제곱 오차(MSE)의 변화정도를 이용해 predictor importance를 예측할 수 있는데, 이 분석에서도 7가지 파라미터들 중 20-Lpalm-Height1이 두 그룹을 분류하는데 가장 우수한 성능을 나타냈다. 또한 DDFAO 자체 변수만을 분석한 이전 연구 결과에서 가장 좋은 성능을 보였던 HCO3 변수와[13] 20-Lpalm-Height1 변수의 분류 성능을 비교해 보았는데, 두 분석에서 모두 유사한 크기의 AUC 값을 보였다.
- 다음으로 2가지 이상의 변수들을 조합하여 AUC와 정확도를 분석하고 분류성능이 좋아지는지 확인해 보았다. 그 결과 2개부터 7개의 분석변수들을 조합한 경우에서 조합으로 인한 정확도 증가는 나타나지 않았다. 이는 k-NN이 차원의 저주(curse of dimension)에 특히 취약하므로 분석 변수들이 많아졌을 때 이에 따른 분석 데이터가 지수 함수적으로 증가해야 하나 본 연구에서는 16개 데이터로 한정되었기 때문으로 사료된다[20].
- k-NN 분류기를 이용한 정확도 평가 이외에 평균제곱 오차(MSE)의 변화정도를 이용해 predictor importance를 예측할 수 있는데, 이 분석에서도 7가지 파라미터들 중 20-Lpalm-Height1이 두 그룹을 분류하는데 가장 우수한 성능을 나타냈다. 또한 DDFAO 자체 변수만을 분석한 이전 연구 결과에서 가장 좋은 성능을 보였던 HCO3 변수와[13] 20-Lpalm-Height1 변수의 분류 성능을 비교해 보았는데, 두 분석에서 모두 유사한 크기의 AUC 값을 보였다. 하지만 k-NN 방법을 추가 적용한 경우 HCO3 변수의 분류정확도는 65%인 반면 20-Lpalm-Height1 변수는 76.
- 하지만 DDFAO의 분석 결과를 얻는데 이용되어진 원 신호를 고려했을 때, 코트렐 방정식이나 역이온 삼투요법 이론이 측정 원리로 알려져 있기 때문에 전압신호의 크기변화나 기울기를 진단에 활용할 것으로 예상할 수 있다. 여러 가지 분석 변수들 중 20-LpalmHeight1 변수가 당뇨병 환자와 정상인의 분류에 좋은 성능을 보였는데 k-NN 분류기를 이용한 분류 정확도가 76.2%로 나타났다. 이 변수는 왼쪽 머리에 직류 전압을 가해 오른쪽 손으로 전류가 흐를 때 왼쪽 손을 측정하여 나타난 전압 변화의 크기이다.
- 03 이하) 변수를 분류기에 사용할 변수로 선정하였다. 이 때 Lfoot 경로에서 계산된 AUC의 표준편차는 다른 경로에 비해 매우 크게 나타났으며 분류기에 사용할 변수로는 적절하지 않았다. 최종 선정된 7개의 변수는 21-Rpalm-Gradient1, 1-Rpalm-Slope, 13·14-Rfoot-Gradient2, 20-Lpalm-Height1, 20-Lpalm-Slope, 20-Rfoot-Slope, 22-Rfoot-Gradient2였다.
- 6 이상의 값을 나타냈다. 이 변수들을 k-NN 분류기를 사용해 분류 정확도를 살펴 본 결과, 왼쪽 손에서의 전압 변동 크기를 기준으로 분석했을 때 당뇨병 환자와 정상인의 분류 정확도를 76.2%까지 높일 수 있었다. 이는 DDFAO에서 제공해주는 자체 출력 변수들의 정확도보다 높은 값으로 전압 변동 데이터의 분석이 유용하게 쓰일 수 있음을 확인한 결과이다.
- 2%까지 높일 수 있었다. 이는 DDFAO에서 제공해주는 자체 출력 변수들의 정확도보다 높은 값으로 전압 변동 데이터의 분석이 유용하게 쓰일 수 있음을 확인한 결과이다. 향후 엄격한 프로토콜을 따르는 임상시험을 기반으로 분석 및 진단 알고리즘을 개선하고 SVM 등의 다른 분류기를 사용해 정확도를 높인다면, EIS 기반의 분석방법이 더욱 다양한 분야에 적용될 수 있으리라 기대된다.
- 22개 경로의 순차적인 측정 마다 적어도 한 개의 전극에서 계단함수 형태의 전압 변화가 나타났다. 이를 통해 DDFAO 자체에서 직류 전압을 어떤 방식으로 가해주는지 확인할 수 있었으며 1.28V의 직류 전압을 계단함수 형태로 가했다가 풀어주는 과정을 반복함을 확인할 수 있었다. 이러한 전압 변화는 그림 6과 같이 기존에 알려진 22개의 순차적인 측정경로와 비교했을 때도 일치하였다[19].
- 또한 DAQ를 연결하지 않고 측정한 결과 역시 DAQ를 연결하고 측정한 결과와 같게 나타났다. 이를 통해 실시간 전압측정 시스템의 데이터 케이블이나 DAQ 사용여부가 DDFAO의 결과 값에 영향을 주지 않고 반복성 있게 측정됨을 확인하였다.
- 이때 순차적으로 각 1개의 전극이 양(+)극이 되고 나머지 전극은 음(–)극이 된다. 측정이 종료되면 DDFAO 기기에서 이온화 물질, 산화 스트레스 정도, 신경전달물질과 생화학 성분, 조직 사이의 가스 및 호르몬 평가에 관련된 40가지의 결과를 보여준다. 관련된 선행연구에서 생체전극모델인 RC팬텀을 이용해 측정할 경우 기기의 반복성이 있었으며, 3% 이상의 변화가 있을 경우에 특징 값이 변화됨을 확인한 바 있다.
- 그러므로 이 특징 값과 전압 측정 시스템 데이터를 분석해서 얻은 분석 변수들 사이의 관계를 살펴보면 DDFAO 기기의 진단 알고리즘에 대한 실마리를 얻을수 있다. 특징 값과 분석에 사용한 경로별 Height1, Gradient1, Gradient2 및 Slope 분석 변수 사이의 피어슨 상관계수(Pearson correlation coefficients)를 계산한 결과 Height1에서 0.74로 높은 수치를 나타냈다. 이는 특징 값 계산을 위해 필요한 주요 인자 중 하나가 전압 변화의 크기라는 것을 간접적으로 보여주는 것이며 본 연구에서 가장 유의하게 나타난 변수도 Height1이었기 때문에 당뇨병 진단에 있어서는 특히 전압크기의 분석이 유용한 방법이 될 수 있을 것으로 사료된다.
- 그럼에도 불구하고 EIS 기반의 전압 신호 분석이 당뇨병 환자와 정상인의 분류에 좋은 결과를 나타낸 점은 주목할 수 있다. 환자와 정상인이라는 명확한 기준점이 있었으며 변수들의 군집 내 변화보다 군집 간 변화가 더 크게 나타났다. 실시간으로 환자의 전압 변화를 측정할 수 있는 새로운 시스템을 이용했으며, 역이온 삼투요법 같은 전기화학 분야에서 널리 쓰이는 이론이 임상 분야에서도 활용될 수 있는 가능성을 확인한 것이다.
후속연구
- 시스템을 인체에 적용하기 전 DDFAO 자체에서 직류 전압을 어떤 식으로 가해주는지 확인할 필요가 있으므로 각각의 전극에 아무연결도 하지 않고 전압 데이터를 획득하였다. 또한 전압측정 시스템을 실제 인체 측정에 활용했을 때 DDFAO 결과 값에 영향을 주는 지의 여부와 반복성 있는 측정이 이루어지는 지에 대한 확인이 필요하다. 실제 인체는 생리적인 변동성 때문에 시스템의 반복성을 평가하기에 부적합하므로 PCB 기판으로 구현한 인체모사의 RC 팬텀을 대상으로 3회 반복측정을 하였다.
- 본 연구는 파일럿 스터디로 진행되어 환자군의 경우 모두 당뇨 확증을 받은 환자이기는 하지만 엄격한 프로토콜을 따르지는 못했다. 데이터 획득 시 공복상태를 유지했는지에 대한 확인이 이루어지지 않았고, 혈액검사도 행하지 못했기 때문에 혈당 수치에 대한 정보도 알 수 없는 점은 아쉬운 부분이다.
- 74로 높은 수치를 나타냈다. 이는 특징 값 계산을 위해 필요한 주요 인자 중 하나가 전압 변화의 크기라는 것을 간접적으로 보여주는 것이며 본 연구에서 가장 유의하게 나타난 변수도 Height1이었기 때문에 당뇨병 진단에 있어서는 특히 전압크기의 분석이 유용한 방법이 될 수 있을 것으로 사료된다.
- 이는 DDFAO에서 제공해주는 자체 출력 변수들의 정확도보다 높은 값으로 전압 변동 데이터의 분석이 유용하게 쓰일 수 있음을 확인한 결과이다. 향후 엄격한 프로토콜을 따르는 임상시험을 기반으로 분석 및 진단 알고리즘을 개선하고 SVM 등의 다른 분류기를 사용해 정확도를 높인다면, EIS 기반의 분석방법이 더욱 다양한 분야에 적용될 수 있으리라 기대된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.