The existing R-peak detection research suggests improving the distortion of the signal such as baseline variations in ECG signals by using preprocessing techniques such as a bandpass filtering. However, preprocessing can introduce another distortion, as it can generate a false detection in the R-wav...
The existing R-peak detection research suggests improving the distortion of the signal such as baseline variations in ECG signals by using preprocessing techniques such as a bandpass filtering. However, preprocessing can introduce another distortion, as it can generate a false detection in the R-wave detection. In this paper, we propose an R-peak detection algorithm in ECG signal, based on primitive signal in order to detect reliably an R-peak in baseline variation. First, the proposed algorithm decides the primitive signal to represent the QRS complex in ECG signal, and by scaling the time axis and voltage axis, extracts multiple primitive signals. Second, the algorithm detects the candidates of the R-peak using the value of the voltage. Third, the algorithm measures the similarity between multiple primitive signals and the R-peak candidates. Finally, the algorithm detects the R-peak using the mean and the standard deviation of similarity. Throughout the experiment, we confirmed that the algorithm detected reliably a QRS group similar to multiple primitive signals. Specifically, the algorithm can achieve an R-peak detection rate greater than an average rate of 99.9%, based on eight records of MIT-BIH ADB used in this experiment.
The existing R-peak detection research suggests improving the distortion of the signal such as baseline variations in ECG signals by using preprocessing techniques such as a bandpass filtering. However, preprocessing can introduce another distortion, as it can generate a false detection in the R-wave detection. In this paper, we propose an R-peak detection algorithm in ECG signal, based on primitive signal in order to detect reliably an R-peak in baseline variation. First, the proposed algorithm decides the primitive signal to represent the QRS complex in ECG signal, and by scaling the time axis and voltage axis, extracts multiple primitive signals. Second, the algorithm detects the candidates of the R-peak using the value of the voltage. Third, the algorithm measures the similarity between multiple primitive signals and the R-peak candidates. Finally, the algorithm detects the R-peak using the mean and the standard deviation of similarity. Throughout the experiment, we confirmed that the algorithm detected reliably a QRS group similar to multiple primitive signals. Specifically, the algorithm can achieve an R-peak detection rate greater than an average rate of 99.9%, based on eight records of MIT-BIH ADB used in this experiment.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 기저선 변동에 강인한 R파 검출을 위해 원시 신호(Primitivesignal)와의 유사도 분석을 이용한 R파 검출 알고리즘을 제안한다. 먼저 QRS군 의 원시 신호를 정의하고, 시간 축과 전위 축으로 스케일링하여 다중 원시 신호를 추출한다.
이의 전처리는 측정된 신호의 왜곡이 심할수록 또 다른 신호 왜곡을 가져와 R파 검출에 있어 오검출을 발생시킬 수 있다. 본 논문에서는 전처리 과정을 거치지 않고 원신호에서 R-peak를 검출하는 기법을 제안하였다. 제안 기법에서는 QRS군이 전위와 간격에 약간의 변동이 발생하지만 그 형태는 유사한 특징에 기반하여 원시신호 와의 유사도를 사용하여 R-peak를 검출한다.
유사도의 정확도를 높이기 위해 원시 신호는 전위와 간격의 변화가 있는 QRS 군들을 대응할 수 있도록 개선되어야 한다. 본 연구에서는 다중해상도 분석기 법(Multi Resolution Analysis; MRA)을 적용하여 시간 축과 전위 축의 다양한 스케일 변화가 존재하는 QRS 군을 검출하고자 한다[13].
하지만 전처리 과정에서 발생하는 다양한 왜곡은 R파의 오검출의 원인이 된다. 이 문제를 개선하기 위하여 본 논문에서는 기저선 변동에 강인한 R파 검출기법을 제안함으로써 R파 검출에 있어 기존 연구들의 전처리로 인한 원신호 왜곡에 기인한 오검출을 방지한다. 그리고 기저선 변동에 강인한 R파 검출을 위해 원시 신호와의 유사도 분석을 이용하여 심전도 신호를 분석하는 기법을 제 안 한다.
제안 방법
이를 이용하여 R-peak들의 후보 점들을 검출한다. 구체적으로 Morphology-pair 연산[12]을 사용하여 기저선 변동이 있는 심전도 신호의 전위차를 구하고, 문턱값을 사용하여 R-peak의 후보 점들을 검출한다.Fig.
다음으로 전 위 값을 이용하여 R파들의 후보 점들을 검출한다. 그리고 R파 후보 점들에 대하여 다중 원시 신호와의 유사도를 측정한다. 평균과 표준편차를 이용하여 R파를 검출한다.
이 문제를 개선하기 위하여 본 논문에서는 기저선 변동에 강인한 R파 검출기법을 제안함으로써 R파 검출에 있어 기존 연구들의 전처리로 인한 원신호 왜곡에 기인한 오검출을 방지한다. 그리고 기저선 변동에 강인한 R파 검출을 위해 원시 신호와의 유사도 분석을 이용하여 심전도 신호를 분석하는 기법을 제 안 한다.
다음으로 원시 신호의 R-peak 와 R-peak 후보 점을 일치 시켜 유사도를 측정한다. 유사도는 R-peak 후보 점을 중심으로 원시 신호와 시간 축으로 같은 길이를 갖는 심전도 신호에 대해 원시 신호와 겹치는 샘플의 개수가 된다.
본 논문에서는 기저선 변동에 강인한 R파 검출을 위해 원시 신호(Primitivesignal)와의 유사도 분석을 이용한 R파 검출 알고리즘을 제안한다. 먼저 QRS군 의 원시 신호를 정의하고, 시간 축과 전위 축으로 스케일링하여 다중 원시 신호를 추출한다. 다음으로 전 위 값을 이용하여 R파들의 후보 점들을 검출한다.
본 논문에서는 기저선 변동에 강인한 R파 검출을 위해 원시 신호(Primitivesignal)와의 유사도 분석을 이용한 R파 검출 알고리즘을 제안한다. 먼저 QRS군 의 원시 신호를 정의하고, 시간 축과 전위 축으로 스케일링하여 다중 원시 신호를 추출한다. 다음으로 전 위 값을 이용하여 R파들의 후보 점들을 검출한다.
원시 신호를 이용하여 심전도 신호의 QRS 군을 검출하기 위해 두 신호의 유사도를 측정한다. 본 논문에서는 신호의 형태학적 특징을 이용하여 두 신호의 유사도를 측정한다.
원시 신호를 이용하여 심전도 신호의 QRS 군을 검출하기 위해 두 신호의 유사도를 측정한다. 본 논문에서는 신호의 형태학적 특징을 이용하여 두 신호의 유사도를 측정한다.
본 논문에서는 전처리 과정을 거치지 않고 원신호에서 R-peak를 검출하는 기법을 제안하였다. 제안 기법에서는 QRS군이 전위와 간격에 약간의 변동이 발생하지만 그 형태는 유사한 특징에 기반하여 원시신호 와의 유사도를 사용하여 R-peak를 검출한다. 먼저 QRS군의 원 시신호를 정의하고, 시간축과 전위축으로 스케일링하여 다 중 원시 신호를 추출한다.
대상 데이터
본 논문에서 제안한 원시 신호를 이용한 R파 검출 기법의 성능을 평가하기 위해 공인된 심전도 신호의 데이터베이스인 MIT-BIHADB를 이용하여 실험하였다. 실험에 사용된 PC는 intel i7 4790 CPU, 8G DDR3RAM이며, 알고리즘은 MATLAB7.8버전을 사용하여 구현하였다.
데이터처리
본 논문에서 제안한 원시 신호를 이용한 R파 검출 기법의 성능을 평가하기 위해 공인된 심전도 신호의 데이터베이스인 MIT-BIHADB를 이용하여 실험하였다. 실험에 사용된 PC는 intel i7 4790 CPU, 8G DDR3RAM이며, 알고리즘은 MATLAB7.
그리고 R-peak후보점들에 대하여 다중 원시신 호와의 유사도를 측정한다. 평균과 표준편차를 이용하여 R-peak를 검출한다. 실험을 통하여 제안한 알고리즘은 다중 원시 신호와 형태가 유사한 QRS군은 확실하게 검출할 수 있음을 확인하였다.
그리고 R파 후보 점들에 대하여 다중 원시 신호와의 유사도를 측정한다. 평균과 표준편차를 이용하여 R파를 검출한다. 실험을 통하여 제안한 알고리즘은 다중 원시 신호와 형태가 유사한 QRS 군은 확실하게 검출 할 수 있음을 검증하였다.
성능/효과
Fig.8(c) 로부터 제안 알고리즘은 기저선 변동을 제거하지 않고 원신호 그대로 사용하여 R파를 검출하여 필터링 등의 전처리에 의한 오검출이 발생하지 않음을 확인할 수 있다. Fig.
실험을 통하여 제안한 알고리즘은 다중 원시 신호와 형태가 유사한 QRS군은 확실하게 검출할 수 있음을 확인하였다. 구체적으로 실험에 사용한 MIT-BIHADB의 8개 레코드에 대해 평균 99.9% 이상의 R-peak검출률을 얻을 수 있었다. 그러나 다중원시신호와 형태가 유사하지 않은 QRS군 의 검출에는 한계가 있었다.
평균과 표준편차를 이용하여 R파를 검출한다. 실험을 통하여 제안한 알고리즘은 다중 원시 신호와 형태가 유사한 QRS 군은 확실하게 검출 할 수 있음을 검증하였다.
평균과 표준편차를 이용하여 R-peak를 검출한다. 실험을 통하여 제안한 알고리즘은 다중 원시 신호와 형태가 유사한 QRS군은 확실하게 검출할 수 있음을 확인하였다. 구체적으로 실험에 사용한 MIT-BIHADB의 8개 레코드에 대해 평균 99.
후속연구
여기서 제시하지 않은 레코드들은 형태가 완전히 다른 QRS 군을 다수 포함하고 있어 신뢰 있게 R파를 검출할 수 없었다. 이는 여러 형태의 원시 신호를 사용하여 개선하여야 하며, 앞으로 원시 신호에 대한 추후 연구가 필요하다.
참고문헌 (13)
B. Kohler, C. Henning, and R. Orglmeister, "The Principles of Software QRS Detection," IEEE Engineering in Medicine and Biology, Vol. 21, pp. 42-57, 2002.
H.J. Jong and J.S. Lim, "Detection of Premature Ventricular Contraction Using Discrete Wavelet Transform and Fuzzy Neural Network," Journal of Korea Multimedia Society, Vol. 12, No. 3, pp. 451-459, 2009.
J.S. Sahambi, S.N. Tandon, and R.K.P. Bhatt, “Wavelet Based ST-Segment Analysis,” Journal of Medical & Biological Engineering & Computing, Vol. 36, No. 5, pp. 568-572, 1998.
S. Kadambe, R. Murray, and G. Boudreaux-Bartels, "Wavelet Transform Based QRS Complex Detector," IEEE Transactions on Biomedical Engineering, Vol. 46, No. 7, pp. 838-848, 1999.
E. Zellmer, F. Shang, and H. Zhang "Highly Accurate ECG Beat Classification Based on Continuous Wavelet Transformation and Multiple Support Vector Machine Classifiers," Proceeding of Biomedical Engineering and Informatics Conference MMEI , pp. 1-5, 2009.
T. Ince, S. Kiranyaz, and M. Gabbouj, "Automated Patient-Specific Classification of Premature Ventricular Contractions," Proceeding of 30 th Annual International IEEE EMBS Conference, pp. 5474-5477, 2008.
L. Shyu, Y. Wu, and W. Hu, “Using Wavelet Transform and Fuzzy Neural Network for VPC Detection from the Holter ECG,” IEEE Transactions on Biomedical Engineering, Vol. 51, No. 7, pp. 1269-1273, 2004.
F. Melgani and Y. Bazi, “Detecting Premature Ventricular Contractions in ECG Signals with Gaussian Process,” Computers in Cardiology, Vol. 35, pp. 237-240, 2008.
J. Pan and W. Tompkins, “A Real-Time QRS Detection Algorithm,” IEEE Transactions on Biomedical Engineering, Vol. 32, No. 3, pp. 230-236, 1985.
W.J. Brady and J. Skiles “Wide QRS Complex Tachycardia: ECG Differential Diagnosis," The American Journal of Emergency Medicine, Vol. 17, No. 4, pp. 376-381, 1999.
J.J. Kim, J.S. Kim, and K.H. Park, “R-wave Detection Algorithm in ECG Signal Using Adaptive Refractory Period,” Journal of the Institute of Electronics Engineers of Korea, Vol. 50, No. 5, pp. 242-250, 2013.
S.W. Kim, T.H. Kim, B.J. Choi, and K.H. Park, “Mining Algorithm of Baseline Wander for ECG Signal Using Morphology-Pair,” Journal of Korean Institute of Intelligent Systems, Vol. 20, No. 45, pp. 574-579, 2010.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.