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
- 분류 정확도에 부정적인 영향을 미치는 입력변수는 분류과정에서 제외되므로 상대적으로 높은 분류 정확도를 가지게 된다. 따라서 본 논문에서는 랜덤포레스트를 사용하여 부정맥 분류기의 정확도를 향상시 키는 것을 목적으로 한다.
- 본 논문에서는 심전도 신호를 이용하여 부정맥을 진단하기 위해 심박수변이도와 랜덤포레스트를 이용하는 방법을 제시하였다. 심박수변이도로부터 선형적 방법으로 추출한 특징만으로는 한계가 있어 비선형적 방법을 추가하여 특징들을 획득하였고 이를 이용하여 부정맥 분류 정확도를 향상할수 있었다.
가설 설정
- Tsipouras의 선행 연구와 결과를 비교하였다[21]. 이때 심전도 데이터의 좌각블록, 우각블록, 심박조율기(pace maker)에 의한 비트는 선행 연구를 참고하여 정상으로 가정하였다[22]. 부정맥 분류 기준은 부정맥의 경우 표 1과 같이 MIT-BIH에서 제공하는 비트 주석(beat annotation)을 참고하였으며, 그림 2와 같이 한 구간에서 정상 주석(*)이 30개 이상이면 정상, 부정맥과 관련한 주석이 3개 이상이면 부정맥이라 분류한 결과와 비교하여 각 알고리즘의 분류 정확도를 계산하였다.
제안 방법
- 32개의 R-R간격으로 이루어진 심박수변이도 구간으로부터 선형 분석 방법을 이용하여 부정맥을 분류하기 위한 특징을 추출하였다. mean_NN은 R-R 간격의 평균값으로 심박동의 정도를 나타낸다.
- 심박수변이도를 이용한 비선형 특징을 추출하기 위해서 R 피크(peak) 값을 정확히 추출하는 것이 중요하다. Pan과 Tompkins가 개발한 실시간 QRS 검출 알고리즘을 이용하여 R피크를 검출한 후, R-R 간격이 32개 포함된 심박수변 이도 구간을 만들었다[13]. 한 사람당 적게는 40개, 많게는 100개 이상의 구간을 가지고 있으며 모든 구간의 수는 총 3,420개이다.
- 다음으로, 푸앵카레 그래프를 통하여 심박수변이도의 비선형 특징을 추출하였다. 푸앵카레 그래프는 연속적인 R-R 간격의 상관관계를 그래프로 표현하는 방법이다.
- 랜덤포레스트를 이용한 부정맥 분류 성능을 평가하기 위하여 신경망 이론을 적용하여 부정맥을 분류한 M.G. Tsipouras 의 선행 연구와 분류 결과를 비교하였다[21]. M.
- 랜덤포레스트의 분류 결과를 성능평가하기 위해 신경망 이론을 적용하여 부정맥을 분류한 M.G. Tsipouras의 선행 연구와 결과를 비교하였다[21]. 이때 심전도 데이터의 좌각블록, 우각블록, 심박조율기(pace maker)에 의한 비트는 선행 연구를 참고하여 정상으로 가정하였다[22].
- 본 논문에서는 부정맥을 검출하기 위하여 심박수변이도를 사용하였고 기존의 선형 분석 방법과 비선형 분석 방법을 이용하여 특징을 추출하였다. 선행 연구에서 사용된 신경망 이나 SVM을 이용한 분류기는 변수 선정 과정을 거치지 않아 최적화된 분류 모델이라 하기 어려우며, 데이터의 수가 많아지면 학습 시간이 길어진다는 단점이 있다[9].
- 이때 심전도 데이터의 좌각블록, 우각블록, 심박조율기(pace maker)에 의한 비트는 선행 연구를 참고하여 정상으로 가정하였다[22]. 부정맥 분류 기준은 부정맥의 경우 표 1과 같이 MIT-BIH에서 제공하는 비트 주석(beat annotation)을 참고하였으며, 그림 2와 같이 한 구간에서 정상 주석(*)이 30개 이상이면 정상, 부정맥과 관련한 주석이 3개 이상이면 부정맥이라 분류한 결과와 비교하여 각 알고리즘의 분류 정확도를 계산하였다.
- 심박수변이도에서 예측하기 어려운 시계열 특징을 추출하기 위하여 비교 논문과는 다르게 비선형 분석 방법을 추가로 사용하였다. 그 결과 선형 분석만 사용했을 때보다 정확도가 향상되었음을 알 수 있었지만, 탈경향변동분석(detrended fluctuation analysis)이나 최대 리아프노프 지수(largest lyapunov exponent) 등 비선형 특징들은 긴 시간의 데이터가 요구되므로 짧은 시계열 구간에서 부정맥 특징을 추출하기에는 한계점이 있었다.
- 심박수변이도의 특성을 표현하는데 있어 선형적 방법으로 추출한 특징만으로는 한계가 있어 비선형적 방법으로 추출한 특징을 포함하여 랜덤포레스트 방법으로 부정맥을 분류 하였다. 심박수변이도의 선형 특징에 mean_NN과 비선형 특징 SE(Spectral Entropy), SD1/SD2을 추가적으로 사용 하였으며, pNN5 특징 대신에 pNN100을 사용하였다.
- 심전도 신호에서 R-R간격을 추출한 후 32개의 R-R간격을 포함하는 한 구간이 만들어지면 선형·비선형 분석방법을 이용하여 특징을 추출하였다.
- 심전도로부터 심박수변이도 구간을 추출한 후에 선형, 비선형 분석을 통하여 특징들을 획득한 후 랜덤포레스트를 통해 부정맥을 분류하는 방법을 제시하였다. 분석 결과 선형, 비선형 특징 추출 방법과 랜덤포레스트를 이용했을 때 정확도가 92.
- 한 사람당 적게는 40개, 많게는 100개 이상의 구간을 가지고 있으며 모든 구간의 수는 총 3,420개이다. 정상 심전도의 R-peak 지점은 모두 검출하였으나 전체 심전도 중에서 15% 에 해당하는 부정맥 심전도는 정확한 검출이 되지 않아 MIT-BIH에서 제공하는 Annotation을 참고하여 R-peak 지점을 검출하였다.
- pNN5 의 경우는 정상 데이터와 부정맥 데이터의 값이 유사하게 나타나 특징으로 적합하지 않다고 판단하였다[22]. 총 9가지의 특징을 입력으로 하여 랜덤포레스트 분류기를 사용하였다. 표 2와 같이 트리의 수를 변경하여 분류기의 민감도, 특이도, 정확도를 측정하였다.
- 심전도 신호에서 R-R간격을 추출한 후 32개의 R-R간격을 포함하는 한 구간이 만들어지면 선형·비선형 분석방법을 이용하여 특징을 추출하였다. 추출한 특징들의 조합에 따라 트리의 개수를 여러 경우로 바꾸어가면서 랜덤포레스트를 이용하여 10-fold cross validation으로 정상구간과 부정맥 구간을 분류하였다. 랜덤포레스트는 그림 1과 같이 다수의 의사결정나무(Decision tree)로 구성된 앙상블 학습 방법이다[11].
- 총 9가지의 특징을 입력으로 하여 랜덤포레스트 분류기를 사용하였다. 표 2와 같이 트리의 수를 변경하여 분류기의 민감도, 특이도, 정확도를 측정하였다. 트리의 수가 많아질수록 정확도가 높아졌으며 100개 이상일 때는 거의 일정한 값을 가지며 정확도 변화가 없었다.
대상 데이터
- 부정맥 분류기의 성능평가를 위해 MIT-BIH 부정맥 데이터베이스를 사용하였다. MIT-BIH 부정맥 데이터베이스는 Beth Israel 병원의 부정맥 연구소에서 1975년과 1979년 사이에 수행한 연구로부터 얻어진 4,000개 이상의 장시간 홀터 기록이다[12].
- 심박수변이도의 특성을 표현하는데 있어 선형적 방법으로 추출한 특징만으로는 한계가 있어 비선형적 방법으로 추출한 특징을 포함하여 랜덤포레스트 방법으로 부정맥을 분류 하였다. 심박수변이도의 선형 특징에 mean_NN과 비선형 특징 SE(Spectral Entropy), SD1/SD2을 추가적으로 사용 하였으며, pNN5 특징 대신에 pNN100을 사용하였다. pNN5 의 경우는 정상 데이터와 부정맥 데이터의 값이 유사하게 나타나 특징으로 적합하지 않다고 판단하였다[22].
- MIT-BIH 부정맥 데이터베이스는 Beth Israel 병원의 부정맥 연구소에서 1975년과 1979년 사이에 수행한 연구로부터 얻어진 4,000개 이상의 장시간 홀터 기록이다[12]. 이 중 임의로 선택된 23명의 기록과 임상적으로 중요한 증상을 가진 25명의 기록을 포함하여 총48명 피험자의 데이터베이스를 구성하였다.
- Pan과 Tompkins가 개발한 실시간 QRS 검출 알고리즘을 이용하여 R피크를 검출한 후, R-R 간격이 32개 포함된 심박수변 이도 구간을 만들었다[13]. 한 사람당 적게는 40개, 많게는 100개 이상의 구간을 가지고 있으며 모든 구간의 수는 총 3,420개이다. 정상 심전도의 R-peak 지점은 모두 검출하였으나 전체 심전도 중에서 15% 에 해당하는 부정맥 심전도는 정확한 검출이 되지 않아 MIT-BIH에서 제공하는 Annotation을 참고하여 R-peak 지점을 검출하였다.
데이터처리
- Tsipouras 는 심박수변이도에서 선형적 분석 방법을 통해 추출한 총 6가지의 특징으로 조합 가능한의 63가지의 경우에 따라서 신경망을 이용하여 정상 구간과 부정맥 구간을 분류하였고 민감도와 특이도 값을 계산하였다. 같은 특징 종합을 이용하여 랜덤포레스트로 부정맥 구간을 분류한 결과와 비교하였다. 그림 3는 신경망과 랜덤포레스트 분류 방법에 따른 민감도와 특이도의 차이를 분석하였다.
- 여기서 입력 변수는 총 9개의 심박수변이도 특징을 말한다. 변수 중요도를 평가하기 위해 통계프로그램 R을 이용하였고, 비교를 위해 신경망과 랜덤포레스트를 함께 분석하였다. 총 9개의 입력 변수를 모두 사용하였을 때 두 분류기 모두 높은 정확도를 나타내었다.
- 비선형적 분석 방법으로 심박수변이도로부터 추출된 Spectral Entropy와 SD1/SD2 특징들을 정상구간과 부정맥 구간에서도 비모수 검정(mann-whitney test)을 실시하여통계적으로 유의미한 차이가 있음을 확인하였다. Spectral Entropy는 정상과 부정맥의 평균(표준편차)이 0.
- 심박수변이도에 대한 선형적 분석 방법으로 추출된 mean_NN, SDNN, RMSSD, SDSD, pNN5, pNN10, pNN50, pNN100 특징들에 대해 정상구간과 부정맥 구간 에대해 비모수 검정(mann-whitney test)을 실시하여 통계적으로 유의미한 차이가 있음을 확인하였다. pNN5은 유의미한 차이를 확인 할 수 없었다.
- 유의수준 95% 의 정규성 검정을 실시한 결과 두 그룹 모두 정규성을 띄는 것으로 확인되었다. 정규성 검정 결과를 바탕으로 분류 알고리즘에 따른 유의수준 95% 의 t-test 를 실시하였다. 검정 결과 신경망을 이용하여 분류한 정확도 평균은 83.
- 그림 3는 신경망과 랜덤포레스트 분류 방법에 따른 민감도와 특이도의 차이를 분석하였다. 정규성 검정을 통해 정규분포를 띄지 않는 것을 확인하였으며, 이에 각 분석 방법 간의 비모수 검정(mann-whitney test)을 실시하였다. 신경망과 랜덤포레스트의 민감도 평균(표준편차)값은 74.
- 그림 4를 통해 분류 결과에 영향을 미치는 중요한 특징들이 mean_NN, SD1/SD2, SE, pNN100 순으로 확인됨을 알 수 있었다. 표 4는 중요도에 따른 4개의 특징들만을 이용하여 분류기를 구성한 신경망과 랜덤포레스트의 분류 정확도에 대해 통계분석을 하였다. 유의수준 95% 의 정규성 검정을 실시한 결과 두 그룹 모두 정규성을 띄는 것으로 확인되었다.
이론/모형
- 심박수변이도의 비선형 분석 방법으로 스펙트럼 엔트로피와 푸앵카레 그래프를 이용하였다. 스펙트럼 엔트로피는 심박수변이도와 같이 예측하기 어려운 시계열 신호를 정량화 하기 위해 사용되는 분석 방법이다[17].
성능/효과
- 55) 였다. 검정 결과 모든 특징들에서 유의 수준 95% 에서 유의 확률이 0.001 이하로 그룹간의 유의미한 차이가 있음을 확인하였다.
- 정규성 검정 결과를 바탕으로 분류 알고리즘에 따른 유의수준 95% 의 t-test 를 실시하였다. 검정 결과 신경망을 이용하여 분류한 정확도 평균은 83.0% 이며 랜덤포레스트를 적용한 분류 정확도는 평균 92.2% 로 확인되었다. 두 분류 방법의 정확도 평균을 비교한 결과 유의 확률 0.
- 66) 이었다. 검정 결과 유의 수준 95% 에서 유의 확률이 0.001 이하로 그룹간의 유의미한 차이가 있음을 확인하였다.
- 16) 이었다. 검정 결과 유의 수준 95%를 만족하면서 0.001 이하의 유의 확률로 그룹간의 통계적 유의미한 차이가 있음을 확인하였다.
- 2% 로 확인되었다. 두 분류 방법의 정확도 평균을 비교한 결과 유의 확률 0.01 미만으로 알고리즘에 따른 분류 정확도에 유의미한 차이가 있음을 확인하였다.
- 3%로 신경망을 적용하였을 때의 85% 분류 정확도 보다 높음을 확인하였다. 부정맥 분류기의 분류 정확도를 향상시킴으로써 보다 정확한 부정맥 분류를 할 수 있었다. 더 나아가 부정맥의 조기 진단과 치료를 통해 심장질환으로 인한 사망률을 낮출 수 있을 것으로 생각된다.
- 심전도로부터 심박수변이도 구간을 추출한 후에 선형, 비선형 분석을 통하여 특징들을 획득한 후 랜덤포레스트를 통해 부정맥을 분류하는 방법을 제시하였다. 분석 결과 선형, 비선형 특징 추출 방법과 랜덤포레스트를 이용했을 때 정확도가 92.3%로 신경망을 적용하였을 때의 85% 분류 정확도 보다 높음을 확인하였다. 부정맥 분류기의 분류 정확도를 향상시킴으로써 보다 정확한 부정맥 분류를 할 수 있었다.
- 정규성 검정을 통해 정규분포를 띄지 않는 것을 확인하였으며, 이에 각 분석 방법 간의 비모수 검정(mann-whitney test)을 실시하였다. 신경망과 랜덤포레스트의 민감도 평균(표준편차)값은 74.14% (4.86)와 84.72%(3.89) 이며, 특이도의 평균(표준편차)값은 71.71%(10.30)과 66.00%(7.66) 이었다. 검정 결과 유의 수준 95% 에서 유의 확률이 0.
- 심박수변이도로부터 선형적 방법으로 추출한 특징만으로는 한계가 있어 비선형적 방법을 추가하여 특징들을 획득하였고 이를 이용하여 부정맥 분류 정확도를 향상할수 있었다. 신경망을 이용한 부정맥 분류 결과와 비교하였을때 민감도는 랜덤포레스트 방법을 사용하였을 때 유의미한 차이로 더 높게 나왔고, 특이도는 신경망 방법이 유의미한 차이로 높게 확인되었다. 이는 부정맥이 매 순간 나타나는 것이 아니라 잠시 나타났다 사라지기 때문에 부정맥 구간의 데이터 수보다 정상 구간의 데이터 개수가 훨씬 많아 바이어스가 생기기 때문이다.
- 본 논문에서는 심전도 신호를 이용하여 부정맥을 진단하기 위해 심박수변이도와 랜덤포레스트를 이용하는 방법을 제시하였다. 심박수변이도로부터 선형적 방법으로 추출한 특징만으로는 한계가 있어 비선형적 방법을 추가하여 특징들을 획득하였고 이를 이용하여 부정맥 분류 정확도를 향상할수 있었다. 신경망을 이용한 부정맥 분류 결과와 비교하였을때 민감도는 랜덤포레스트 방법을 사용하였을 때 유의미한 차이로 더 높게 나왔고, 특이도는 신경망 방법이 유의미한 차이로 높게 확인되었다.
- 표 4는 중요도에 따른 4개의 특징들만을 이용하여 분류기를 구성한 신경망과 랜덤포레스트의 분류 정확도에 대해 통계분석을 하였다. 유의수준 95% 의 정규성 검정을 실시한 결과 두 그룹 모두 정규성을 띄는 것으로 확인되었다. 정규성 검정 결과를 바탕으로 분류 알고리즘에 따른 유의수준 95% 의 t-test 를 실시하였다.
- 이는 부정맥이 매 순간 나타나는 것이 아니라 잠시 나타났다 사라지기 때문에 부정맥 구간의 데이터 수보다 정상 구간의 데이터 개수가 훨씬 많아 바이어스가 생기기 때문이다. 이러한 데이터 불균형의 문제를 해결하기 위해서 랜덤포레스트의 적은 수를 가지는 클래스에 가중치 주는 weighted 랜덤포레스트나 데이터의 수를 균형을 맞추는 balanced 랜덤포레스트를 이용하는 방법을 적용하면 정확도가 더 높아질 것으로 생각된다. 같은 조건에서 신경망을 이용한 부정맥 분류 결과 보다 높은 정확도를 얻을 수 있었던 것은 랜덤포레스트가 가지는 장점 때문이라생각된다.
- 변수 중요도를 평가하기 위해 통계프로그램 R을 이용하였고, 비교를 위해 신경망과 랜덤포레스트를 함께 분석하였다. 총 9개의 입력 변수를 모두 사용하였을 때 두 분류기 모두 높은 정확도를 나타내었다. 신경망의 경우 입력 변수로 이용되는 특징들을 패턴 분류하는데 모두 사용하는 반면 랜덤포레스트는 무작위로 선택된 특징들의 조합들 중에서 중요한 변수로 영향을 미치는 특징만을 패턴 분류에 사용하므로 최소 1개 최대 4개의 변수를 사용하였다.
- 표 2와 같이 트리의 수를 변경하여 분류기의 민감도, 특이도, 정확도를 측정하였다. 트리의 수가 많아질수록 정확도가 높아졌으며 100개 이상일 때는 거의 일정한 값을 가지며 정확도 변화가 없었다.
- 패턴분류에 실질적으로 사용되는 특징의 수가 신경망은 1개에서 9개까지 증가함에 따라 랜덤포레스트는 신경망과 같은 수이거나 적은 수의 특징만을 이용함에도 더 나은 분류 정확도를 나타내었다.
후속연구
- 심박수변이도에서 예측하기 어려운 시계열 특징을 추출하기 위하여 비교 논문과는 다르게 비선형 분석 방법을 추가로 사용하였다. 그 결과 선형 분석만 사용했을 때보다 정확도가 향상되었음을 알 수 있었지만, 탈경향변동분석(detrended fluctuation analysis)이나 최대 리아프노프 지수(largest lyapunov exponent) 등 비선형 특징들은 긴 시간의 데이터가 요구되므로 짧은 시계열 구간에서 부정맥 특징을 추출하기에는 한계점이 있었다. 짧은 시계열 구간에도 심박수변이도의 비선형 분석을 통하여 부정맥 분류할 수 있는 연구에 대한 조사가 필요할 것으로 생각된다.
- 부정맥 분류기의 분류 정확도를 향상시킴으로써 보다 정확한 부정맥 분류를 할 수 있었다. 더 나아가 부정맥의 조기 진단과 치료를 통해 심장질환으로 인한 사망률을 낮출 수 있을 것으로 생각된다. 추후 연구로 시간주파수 영역 분석방법이나 상관차원(correlation dimension) 등으로부터 추출된 특징변수들을 부정맥 분류에 추가한다면 보다 더 정확하며 세분화된 부정맥 분류가 가능할 것으로 생각된다.
- 추후 연구로 시간주파수 영역 분석방법이나 상관차원(correlation dimension) 등으로부터 추출된 특징변수들을 부정맥 분류에 추가한다면 보다 더 정확하며 세분화된 부정맥 분류가 가능할 것으로 생각된다. 랜덤포레스트를 이용하여 변수 중요도 평가를 하면 단순히 부정맥을 잘 분류하는 것뿐만 아니라 나이, 성별 등의 명목형 변수도 고려하여 어떤 경우에 부정맥이 생기는지에 대한 연구도 진행할 수 있을 것으로 생각한다.
- 반면 랜덤포레스트의 경우는 결정 트리가 분기할 때 모든 특징을 평가하여 선택하는 것이 아니라 특정 개수를 무작위로 선택하여 평가함으로써 랜덤포레스트의 결정 트리상의 상관관계를 줄여주고 분류기의 정확도를 향상하는 결과를 가져왔다. 이는 변수 중요도를 평가함으로써 불필요한 특징에 인한 정확도가 저하되는 것을 막고 효율적인 분류기를 만들 수 있을 것으로 생각된다. 신경망의 경우 학습률(learning rate), 모멘텀(momentum), 반복 횟수 (iteration), 은닉층(hidden node)의 개수 등 고려해야 할요인이 많아 최적의 모델을 찾는 것이 어려워 정확도가 높은 분류기 조건을 찾는 것이 어려운 반면, 랜덤포레스트의 경우 트리의 개수만을 바꿔 주는 것만으로도 상대적으로 나은 결과를 얻을 수 있다.
- 그 결과 선형 분석만 사용했을 때보다 정확도가 향상되었음을 알 수 있었지만, 탈경향변동분석(detrended fluctuation analysis)이나 최대 리아프노프 지수(largest lyapunov exponent) 등 비선형 특징들은 긴 시간의 데이터가 요구되므로 짧은 시계열 구간에서 부정맥 특징을 추출하기에는 한계점이 있었다. 짧은 시계열 구간에도 심박수변이도의 비선형 분석을 통하여 부정맥 분류할 수 있는 연구에 대한 조사가 필요할 것으로 생각된다.
- 더 나아가 부정맥의 조기 진단과 치료를 통해 심장질환으로 인한 사망률을 낮출 수 있을 것으로 생각된다. 추후 연구로 시간주파수 영역 분석방법이나 상관차원(correlation dimension) 등으로부터 추출된 특징변수들을 부정맥 분류에 추가한다면 보다 더 정확하며 세분화된 부정맥 분류가 가능할 것으로 생각된다. 랜덤포레스트를 이용하여 변수 중요도 평가를 하면 단순히 부정맥을 잘 분류하는 것뿐만 아니라 나이, 성별 등의 명목형 변수도 고려하여 어떤 경우에 부정맥이 생기는지에 대한 연구도 진행할 수 있을 것으로 생각한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.