[논문]심자도에서 신경회로망을 이용한 허혈성 심장질환 분류

엄상희

doi:10.6109/jkiice.2016.20.11.2137

심자도에서 신경회로망을 이용한 허혈성 심장질환 분류
A Classification of lschemic Heart Disease using Neural Network in Magnetocardiogram 원문보기

한국정보통신학회논문지 = Journal of the Korea Institute of Information and Communication Engineering, v.20 no.11, 2016년, pp.2137 - 2142

엄상희 (Department of Shipbuilding and Marine, Dongju College)

초록
AI-Helper

심장에서 발생된 전류는 전위 뿐만 아니라 자기장을 생성한다. 본 논문에서는 61 채널 양자 간섭 장치 (SQUID) 시스템을 사용하여 심자도 (MCG)의 신호를 취득하고, 이것으로부터 임상적으로 유의하다고 생각되는 다양한 특징 파라미터를 계산한다. 이를 입력으로 신경회로망 알고리즘을 적용하여 허혈성 심장질환의 분류를 수행하였다. 심자도 신호는 전처리 과정을 통해 파라미터의 추출을 용이하게 하였다. 연구에 사용된 데이터는 정상인 10명과 안정형 협심 증세를 보이는 허혈성 심장질환 환자 10명분의 신호이다. 이들 신호로부터 임상적으로 유의한 특징점, 특징 간격 파라미터 및 진폭비를 추출하였다. 심자도 특징 파라미터를 신경회로망 입력으로 사용하여 허혈성 심장질환의 분류가 가능함을 보였다.

Abstract ▼ AI-Helper

The electrical current generated by heart creates not only electric potential but also a magnetic field. In this study, the signals obtained magnetocardiogram(MCG) using 61 channel superconducting quantum interference device(SQUID) system, and the clinical significance of various feature parameters has been developed MCG. Neural network algorithm was used to perform the classification of ischemic heart disease. The MCG signal was obtained to facilitate the extraction of parameters through a process of pre-processing. The data used to research the normal group 10 and ischemic heart disease group 10 with visible signs of stable angina patients. The available clinical indicators were extracted by characteristic point, characteristic interval parameter, and amplitude ratio parameter. The extracted parameters are determined to analysis the significance and clinical parameters were defined. It is possible to classify ischemic heart disease using the MCG feature parameters as a neural network input.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 정상인 경우와 허혈성심장질환 환자의 심자도 데이터에 대한 정량적 평가를 위하여 여러 가지 특징점과 이를 이용하여 특징 간격 파라미터를 검출하고, 다양한 진폭 파라미터를 추출하여 10개의 파라미터를 정의하였다.
본 연구에서는 정상인과 허혈성심장질환 환자에 대하여 임상적으로 유의한 여러 가지 심자도 특징 파라미터를 추출하고 신경회로망 분류기를 구성하여 허혈성 심장질환 진단의 가능성을 검토하였다. 연구 수행을 위하여 정상인 10명과 안정성 협심증 증세를 보이는 허혈성 심장질환을 가진 10명에 대한 데이터를 얻었다.

제안 방법

추출된 10개의 심자도 특징 파라미터를 입력으로 하며, 30개의 중간층을 두고 출력으로 정상인 경우와 허혈성심장질환의 2가지로 판정하여 분류할 수 있도록 구성하였다. 20명의 심자도 특징 파라미터는 정상인 10명과 허혈성 심질환자 10명분의 6주기에 대하여 분리하여 계산된 6 개의 데이터를 신경회로망 입력으로 사용하였고, 학습에 80%를 이용하고 확인(validation)과 검사(test)에 각각 10%를 이용하였다. 신경회로망은 scaled conjugate gradient 역전파 알고리즘으로 중간층 뉴런에는 tangent sigmoid 함수를 출력층 뉴런에는 log sigmoid 함수를 사용하였다.
본 논문에서는 다 채널 심자도 신호에서 특징점과 특징 간격 계산을 자동화하여 P파 시작점, P파, P파 끝점, Q파 시작점, R파, S파 끝점(J-point), T파, T파 끝점을 검출하게 된다. 검출된 8개의 중요한 특징점의 특징 간격인 RR 간격, PR 간격, QRS 폭, QT 간격, QTc 간격 및 특징 분절을 나타내는 PR 분절 특징 간격을 계산하도록 소프트웨어를 구성하였다.
즉, 심장으로부터 적절한 거리에 배치된 각각의 센서에 대하여 수직방향으로 사영 (projection) 하였을 때의 절대적 자장 성분이라고 할 수있다. 검출된 신호를 사용하여 특징점 및 특징 간격 파라미터, 진폭비 파라미터를 추출하고, 이를 해석하여 10 개의 파라미터를 정의하고, 진단에 활용하였다.
본 논문에서는 다 채널 심자도 신호에서 특징점과 특징 간격 계산을 자동화하여 P파 시작점, P파, P파 끝점, Q파 시작점, R파, S파 끝점(J-point), T파, T파 끝점을 검출하게 된다. 검출된 8개의 중요한 특징점의 특징 간격인 RR 간격, PR 간격, QRS 폭, QT 간격, QTc 간격 및 특징 분절을 나타내는 PR 분절 특징 간격을 계산하도록 소프트웨어를 구성하였다.
본 연구에서는 심자도 신호를 획득하여 임상적으로 유의한 여러 가지 심자도 특징 파라미터를 추출하고 신경회로망 알고리즘을 사용하여 정상과 허혈성심장 질환의 분류를 수행하였다. 획득된 신호는 전처리 과정을 거쳐 판독 및 파라미터 추출이 용이하도록 처리하였고, 심자도 데이터를 이용하여 특징점, 특징 간격 파라미터 및 진폭비 파라미터를 계산하였다.
심자도 신호의 획득을 위하여 모든 주파수 대역에 대하여 40dB 이상이 보장되는 자기 차폐실 내에서 심자도 신호를 기록하였다. 심자도 측정 시스템(Eagle Tech.
진폭비 파라미터를 특징 파라미터를 사용하기 위하여 다채널 심자도 데이터로부터 5개의 진폭 차이를 검출하였다. 그림 4는 진폭비 파라미터 정의를 위하여 정상인의 61채널 심자도 신호를 도식적으로 나타내었고 하나의 심주기에 대한 진폭 차이를 추출한 예를 나타내고 있다.
본 연구에서 사용한 정상과 허혈성심장질환 분류를 위한 신경회로망 구조를 그림 8에 나타내었다. 추출된 10개의 심자도 특징 파라미터를 입력으로 하며, 30개의 중간층을 두고 출력으로 정상인 경우와 허혈성심장질환의 2가지로 판정하여 분류할 수 있도록 구성하였다. 20명의 심자도 특징 파라미터는 정상인 10명과 허혈성 심질환자 10명분의 6주기에 대하여 분리하여 계산된 6 개의 데이터를 신경회로망 입력으로 사용하였고, 학습에 80%를 이용하고 확인(validation)과 검사(test)에 각각 10%를 이용하였다.
측정한 다채널 심자도 신호는 미소 자장 신호로서 R 파를 기준으로 평균화(averaging) 과정을 수행하여 심자도 신호의 신호 대 잡음비 특성을 향상시켰으며, 심자도 신호의 임상파라미터를 분석하기 위하여 포락선 (envelope) 검출, 포락선 차이 계산, 포락선 차이 강조 기법 등의 전처리 과정을 진행하여 특징 파라미터를 자동 추출하도록 하였다.
본 연구에서는 심자도 신호를 획득하여 임상적으로 유의한 여러 가지 심자도 특징 파라미터를 추출하고 신경회로망 알고리즘을 사용하여 정상과 허혈성심장 질환의 분류를 수행하였다. 획득된 신호는 전처리 과정을 거쳐 판독 및 파라미터 추출이 용이하도록 처리하였고, 심자도 데이터를 이용하여 특징점, 특징 간격 파라미터 및 진폭비 파라미터를 계산하였다. 이러한 심자도 특징 파라미터를 신경회로망 분류기에 입력하여 정상과 허혈성 심장질환의 경우를 분류하는 실험을 수행하여 가능함을 보였다.

대상 데이터

측정된 신호는 다채널 디지털 필터를 구현하여 안정화 하였다. 설정된 필터는 차단 주파수가 0.3Hz인 고역통과 필터, 50Hz인 저역통과 필터, 60Hz의 대역저지 필터이다. 전체 데이터 기록 시간은 10sec이며, 입력 이득은 10, 출력 이득은 5로 하였다.
본 연구에서는 정상인과 허혈성심장질환 환자에 대하여 임상적으로 유의한 여러 가지 심자도 특징 파라미터를 추출하고 신경회로망 분류기를 구성하여 허혈성 심장질환 진단의 가능성을 검토하였다. 연구 수행을 위하여 정상인 10명과 안정성 협심증 증세를 보이는 허혈성 심장질환을 가진 10명에 대한 데이터를 얻었다. 취득된 심자도 데이터에 대하여 특징점, 특징 간격 파라미터와 진폭비 파라미터를 분석하여 심장 질환 진단에 활용 가능한 임상 지표를 추출하였고, 신경회로망 시스템에 추출된 파라미터를 입력하여 심장 질환 유무에 대한 지능형 진단 시스템의 개발이 가능함을 실험하였다.

데이터처리

전체 데이터 기록 시간은 10sec이며, 입력 이득은 10, 출력 이득은 5로 하였다. 임상데이터 획득을 위한 디지털 필터는 구현은 Visual C++(Microsoft Corporation)을 사용하였고, 파라미터 해석 및 진단은 Matlab r2012a(The Mathworks, Inc.)를이용하였다.

이론/모형

20명의 심자도 특징 파라미터는 정상인 10명과 허혈성 심질환자 10명분의 6주기에 대하여 분리하여 계산된 6 개의 데이터를 신경회로망 입력으로 사용하였고, 학습에 80%를 이용하고 확인(validation)과 검사(test)에 각각 10%를 이용하였다. 신경회로망은 scaled conjugate gradient 역전파 알고리즘으로 중간층 뉴런에는 tangent sigmoid 함수를 출력층 뉴런에는 log sigmoid 함수를 사용하였다.

성능/효과

심장 주요 노드의 위치에 따라서 관여되는 일과 활동전압 시작시간, 모양, 심전도의 각 파형과의 연관성, 전도속도 등이 다르게 나타나며 각 노드의 활동전압은 중첩되어 가장 하단부의 파형인 심전 활동 전위 신호로 구성됨을 알 수 있다. 심장의 활동 전도 신호는 우심방 상부의 동방결절(SA노드)에 기인한 P파로 시작됨을 알 수 있고, 가장 큰 진폭을 갖는 R파는 주로 심실근의 활동 전압에 지배를 받고 있음을 확인할 수 있다. 따라서 SA 노드에서 시작하여 좌심실의 재분극 (repolarization)을 마지막으로 심전도 파형이 구성된다.
연구 수행을 위하여 정상인 10명과 안정성 협심증 증세를 보이는 허혈성 심장질환을 가진 10명에 대한 데이터를 얻었다. 취득된 심자도 데이터에 대하여 특징점, 특징 간격 파라미터와 진폭비 파라미터를 분석하여 심장 질환 진단에 활용 가능한 임상 지표를 추출하였고, 신경회로망 시스템에 추출된 파라미터를 입력하여 심장 질환 유무에 대한 지능형 진단 시스템의 개발이 가능함을 실험하였다.
)은 61채널 LTc-dc SQUID 기반으로 샘플링 주파수는 500Hz이다. 측정된 신호는 다채널 디지털 필터를 구현하여 안정화 하였다. 설정된 필터는 차단 주파수가 0.

후속연구

획득된 신호는 전처리 과정을 거쳐 판독 및 파라미터 추출이 용이하도록 처리하였고, 심자도 데이터를 이용하여 특징점, 특징 간격 파라미터 및 진폭비 파라미터를 계산하였다. 이러한 심자도 특징 파라미터를 신경회로망 분류기에 입력하여 정상과 허혈성 심장질환의 경우를 분류하는 실험을 수행하여 가능함을 보였다. 향후 여러 증상의 협심증 환자들의 심자도 데이터를 이용한 실험, 심자도 데이 터를 표준화하여 신경회로망 분류기에 입력하는 등의 실험을 통하여 지능형 진단 시스템의 구현을 위한 연구가 필요하다.
이러한 심자도 특징 파라미터를 신경회로망 분류기에 입력하여 정상과 허혈성 심장질환의 경우를 분류하는 실험을 수행하여 가능함을 보였다. 향후 여러 증상의 협심증 환자들의 심자도 데이터를 이용한 실험, 심자도 데이 터를 표준화하여 신경회로망 분류기에 입력하는 등의 실험을 통하여 지능형 진단 시스템의 구현을 위한 연구가 필요하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	심전도에서 특징점을 나타내는 파형은 어떤 것들이 있는가?	심전도는 심장 질환을 진단하는데 보편적으로 사용되는 방법으로 심전도에서 특징점을 나타내는 파형으로는 P파, Q파, R파, S파, T파 등이 있으며, P파는 심방의 탈분극에 의해 형성되고, Q파, R파, S파의 QRS군은 심실의 탈분극에 의해 형성되고, T파는 심실의 재분극에 의해서 형성된다. 그림 3은 심전도에서의 5개의 특징점 파형과 특징 간격인 RR 간격, PR 간격, QRS 폭, QT 간격, QTc 간격 및 특징 분절을 나타내는 PR 분절을 도식적으로 보여주고 있다.
	T파는 어떻게 형성되는가?	심전도는 심장 질환을 진단하는데 보편적으로 사용되는 방법으로 심전도에서 특징점을 나타내는 파형으로는 P파, Q파, R파, S파, T파 등이 있으며, P파는 심방의 탈분극에 의해 형성되고, Q파, R파, S파의 QRS군은 심실의 탈분극에 의해 형성되고, T파는 심실의 재분극에 의해서 형성된다. 그림 3은 심전도에서의 5개의 특징점 파형과 특징 간격인 RR 간격, PR 간격, QRS 폭, QT 간격, QTc 간격 및 특징 분절을 나타내는 PR 분절을 도식적으로 보여주고 있다.
	관상동맥질환 질환 중 하나인 허혈성심장질환은 어떻게 나타나는가?	식생활의 서구화와 노인 인구 증가로 국민 보건을 위협하는 가장 무서운 질환의 하나인 허혈성심장질환 (ischemic heart diseases)은 혈관 벽에 콜레스테롤과 같은 지방질이 쌓이는 죽상경화증(atherosclerosis)과 이에 동반된 혈전(thrombus)으로 심장에 혈액을 공급해주는 혈관인 관상 동맥이 좁아지거나 막히게 되어 심장근육에 충분한 혈액 공급이 이루어지지 못할 때 나타나는 관상동맥질환이다. 임상적으로는 협심증, 심근경색증 또는 심장돌연사로 나타나고 있으며, 허혈성심장질환 환자 중 75%가 협심증 환자인 것으로 알려져 있고, 예측이 어려우며 갑작스럽게 발생할 수 있기에 정기적인 검사와 관리가 필요한 질환이다.

참고문헌 (7)

J. D. Park, Y, Huh, S. O. Jin, and S.C. Jeon, "Extraction of ischemic heart disease diagnosis parameters in magnetocardiogram signal," The Transaction of The Korean Institute of Electrical Engineers, vol. 54D, no. 11, pp. 680-688, Nov. 2005.
IvanVincent "Acute Leukemia Classification Using Sequential Neural Network Classifier in Clinical Decision Support System," Master Thesis, Pukyong National University, 2015.
C. I. Jeon, Y. Huh, B. H. Han, W. S. Chang, S. O. Jin, D. H. Youm, K. U. Kim, H. S. Byun, S. H. Lee, S. Y. Choi, and S. H. Choi, "Automatic Extraction of the Diagnostic Parameters in Magnetocardiogram," The 2004 International Technical Conference on Circuit/Systems, Computers and Communication, pp. 6B2L-5, July 6-8, 2004.
Y. G. Park, C. S. Kang, and H. C. Kwon, "Development of Biomagnetic Measurement and Analysis Technology," Korea Research Institute of Standards and Science, Technical Report, 2007.
S. Y. Park, "Novel solution for the Acute Appendicitis Diagnosis System using Artificial Neural Networks," Ph. D. dissertation, Dongguk University, 2012.
IvanVincent "Acute Leukemia Classification Using Sequential Neural Network Classifier in Clinical Decision Support System," Master Thesis, Pukyong National University, 2015.
S. H. Eum, and J. H. Nam, "The Classification of Heart Sound during Systole and Diastole by Neural Network," Information Journal, Vol. 18, No. 6(A), pp.2363-2368, June, 2015.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증