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
- 본 연구에서는 MIT-BIH 부정맥 데이터베이스를 분석한 결과 조기 심방 패턴의 경우 정상 이후에 이상신호가 나타날 경우 심장의 자율 신경이 이를 다시 정상으로 복원하려고 하는 성질에 따라 조기심방의 4가지 패턴과 기타 부정맥 및 정상을 구분하여 표 1에 나타내었다. 따라서 본 연구에서는 이러한 조기 심방 패턴에 따른 RR간격의 변화율을 적용하여 T파 검출의 정확도를 높이는 것을 목적으로 한다. 조기 심방 패턴의 경우 이러한 연속하는 비트간의 RR간격에 대한 관계를 통해 각 비트간의 판단규칙을 생성할 수 있다.
- 본 연구에서는 P파와 중복되는 심방성 부정맥의 T파검출 정확도를 향상시키기 위해 QRS구간을 제거한 후, 이동평균을 통한 대상 영역을 추출하여 정확히 T파를 검출하는 알고리즘을 제안한다. 이를 위해 먼저 전처리를 통해 잡음이 제거된 심전도 신호에서 Q, R, S를 검출하였다.
- 따라서 이러한 문제점을 극복하기 위해서는 P파와 중복되는 T파를 정확하게 검출할 수 있는 알고리즘이 필요하다. 본 연구에서는 QRS구간 제거와 이동평균을 통해 P,T파 대상 영역을 추출한 후 정확히 T파를 검출하는 알고리즘을 제안한다. 이를 위해 전처리를 통해 잡음이 제거된 심전도 신호에서 Q, R, S를 검출한다.
제안 방법
- 대상 영역 추출은 QRS제거 과정을 거친 이후 T파의 검출을 쉽게 하기 위한 과정이며 조기심방 수축과 기타 부정맥 패턴에 따라 RR간격의 변화율을 이용한 규칙이 적용된다.
- 두 가지의 이벤트 기반 이동평균 TAp와 TAd를 구하여 TAp > TAd 인 값을 P, T 대상영역으로 추출한다.
- 본 연구에서 제안한 QRS구간 제거와 이동 평균을 통한 대상영역 추출 기반의 T파 검출 알고리즘의 전체 구성도는 그림 1과 같은 단계로 나누어진다. 먼저 심전도 신호로부터 전처리 과정을 통해 잡음을 제거한 후 Q, R, S를 검출 및 제거하는 단계, 조기심방수축과 기타 부정맥 패턴을 확인하고 2개의 이동평균을 통한 대상 영역을 추출하는 단계, 추출된 영역을 대상으로 적응형 문턱치를 통해 T 영역을 추출하고 T파를 검출하는 과정으로 구성된다.
- 본 연구에서는 형태 연산 기반의 전처리 기법을 통해 잡음을 제거한 후 차분 동작과 역탐색 기법을 이용하여 R파를 검출하였다. 본 연구에 적용된 방법은 99.
- 제안한 QRS구간제거와 이동평균을 이용하여 R, P, T파의 검출 정확도를 확인한다. 이를 위해 먼저 MITBIH부정맥 데이터베이스를 통해 Normal, PVC, PAC, BBB, Paced Beat를 대상으로 R, P, T파에 대한 전체 피크 검출 결과를 확인하였다. 5개의 부정맥을 대상으로 한 이유는 앞서 언급한 심전도 패턴의 경우 제안한 알고리즘으로 성능 변화를 비교하기에 적합하기 때문이다.
- 본 연구에서는 P파와 중복되는 심방성 부정맥의 T파검출 정확도를 향상시키기 위해 QRS구간을 제거한 후, 이동평균을 통한 대상 영역을 추출하여 정확히 T파를 검출하는 알고리즘을 제안한다. 이를 위해 먼저 전처리를 통해 잡음이 제거된 심전도 신호에서 Q, R, S를 검출하였다. 이후 QRS구간을 제거, 이동평균을 통해 4개의 PAC패턴과 기타부정맥에 대한 판단 규칙을 적용하여P, T파의 대상 영역을 추출하고, 이를 대상으로 RR간격과 RT간격의 문턱치를 적용하여 T파를 검출하였다.
- 본 연구에서는 QRS구간 제거와 이동평균을 통해 P,T파 대상 영역을 추출한 후 정확히 T파를 검출하는 알고리즘을 제안한다. 이를 위해 전처리를 통해 잡음이 제거된 심전도 신호에서 Q, R, S를 검출한다. 이후 검출된 QRS구간을 제거, 이동평균을 통해 4가지 PAC와 기타 부정맥 패턴에 대한 판단 규칙을 적용하여 P, T파의 대상 영역을 추출하고, 이를 대상으로 RR간격과 RT간격의 문턱치를 적용하여 T파를 검출하였다.
- 이를 위해 먼저 전처리를 통해 잡음이 제거된 심전도 신호에서 Q, R, S를 검출하였다. 이후 QRS구간을 제거, 이동평균을 통해 4개의 PAC패턴과 기타부정맥에 대한 판단 규칙을 적용하여P, T파의 대상 영역을 추출하고, 이를 대상으로 RR간격과 RT간격의 문턱치를 적용하여 T파를 검출하였다. 제안한 방법의 우수성을 입증하기 위해 MIT-BIH 부정맥 데이터베이스 48개의 레코드를 대상으로 한 T파의 평균 검출율은 95.
- 이를 위해 전처리를 통해 잡음이 제거된 심전도 신호에서 Q, R, S를 검출한다. 이후 검출된 QRS구간을 제거, 이동평균을 통해 4가지 PAC와 기타 부정맥 패턴에 대한 판단 규칙을 적용하여 P, T파의 대상 영역을 추출하고, 이를 대상으로 RR간격과 RT간격의 문턱치를 적용하여 T파를 검출하였다. 제안하는 방법의 MIT-BIH 부정맥 데이터베이스를 대상으로 그 성능을 확인하였다.
- )은 그림 3(b)의 실선으로 나타난다. 첫 번째 이동평균(TAp)이 P, T파의 피크를 강조하는 데 반해 대상 영역의 간격에 대한 문턱치로서 사용되었고 수식 (2)와 같다. 여기서 W2는 P, T파 영역의 각 영역 윈도우 간격으로 피크치를 중심으로 피크간격의 두 배인 70ms × 2 = 140ms 의 초기값이 설정되며, W1과 마찬가지로 각 패턴의 RR 간격 최대값에 비례하여 적응적으로 W2 = 140ms X RRmax 형태로 변경된다.
대상 데이터
- 제안된 피크 변화와 적응형 문턱치, QRS간격정보를 이용한 검출 알고리즘의 성능을 평가하기 위하여 MIT-BIH 부정맥 데이터베이스 48개 레코드 모두를 대상으로 T파를 검출하였다. 검출율의 계산은 식 (4)와 같으며 T파를 검출한 결과를 표 2에 나타내었다.
- 이후 검출된 QRS구간을 제거, 이동평균을 통해 4가지 PAC와 기타 부정맥 패턴에 대한 판단 규칙을 적용하여 P, T파의 대상 영역을 추출하고, 이를 대상으로 RR간격과 RT간격의 문턱치를 적용하여 T파를 검출하였다. 제안하는 방법의 MIT-BIH 부정맥 데이터베이스를 대상으로 그 성능을 확인하였다. 본 논문의 구성은 다음과 같다.
데이터처리
- 제안한 QRS구간제거와 이동평균을 이용하여 R, P, T파의 검출 정확도를 확인한다. 이를 위해 먼저 MITBIH부정맥 데이터베이스를 통해 Normal, PVC, PAC, BBB, Paced Beat를 대상으로 R, P, T파에 대한 전체 피크 검출 결과를 확인하였다.
이론/모형
- 이는 P파와 T파 구간으로 대상 영역을 한정함으로써 검출을 단순화하기 위함이다. 대상영역 설정은 2가지의 이벤트 기반 이동 평균법을 이용하였고 그림 3에 나타내었다.
- 일반적으로 QRS영역이라 함은 Q시작점과 S끝점까지의 간격을 말한다. 본 연구에서는 Q시작점과 S끝점을 구하기 위해 위상 변이 추적 기법을 이용하였다. 위상 변이 추적 기법은 R파를 기준으로 심전도의 각 패턴에 따른 문턱치를 적용하고 위상이 변화되는 방향과 횟수를 추적함으로써 4개의 QRS특징점, 즉 Q시작점, Q끝점, S시작점, S끝점을 추출하는 방법이다.
성능/효과
- 하지만 표 1에 따른 RR 간격의 규칙으로 이를 정확히 검출하는 것을 확인할 수 있다. 그림 6(c), 6(d)와 같이 패턴 C, D의 경우 Normal 이후의 PAC의 RR간격은 좁아지고 그 이후에 나타나는 Normal 신호의 경우는 정상으로 복원하는 성질로 인해 정상 RR간격 이상으로 커지는 것을 확인하였다. 이는 T파가 정확히 나타났으며, RR격의 규칙으로 이를 정확히 검출하는 것을 확인할 수 있다.
- 그림 7(d)의 경우 Paced beat를 나타낸 것으로 문제없이 T파를 정확히 검출하는 것을 확인할 수 있다. 결과적으로 Normal 신호는 P, T파중첩이 발생하지 않았으며, 부정맥 PVC, LBBB, Paced beat의 경우 중첩되는 상황이 발생하더라도 제안한 방법으로 이를 정확히 검출하였다. 제안한 방법은 Normal뿐만 아니라 전도 장애, 심방성부정맥을 포함한 부정맥에 대해서도 오류 없이 T파를 정확하게 검출하는 것을 확인할 수 있다.
- 여기서 RiRi+1는 Ri와 Ri+1사이의 간격, Dmin와 Dmax는 각각 부정맥 환자와 건강한 사람의 RT간격을 나타내며 의학적 정의에 따라 170ms와 800ms의 초기값을 가진다. 결과적으로 RiTmin , RiTmax은 R피크와 T파사이의 동적인 최소 거리와 최대거리를 의미하며, RR간격과 RT 간격의 곱에 비례하여 적응적으로 변화한다.
- 본 연구에서는 형태 연산 기반의 전처리 기법을 통해 잡음을 제거한 후 차분 동작과 역탐색 기법을 이용하여 R파를 검출하였다. 본 연구에 적용된 방법은 99.02%의 우수한 R파 검출 결과를 나타낸 검증된 기법이다. R파 검출은 나머지 특징점뿐만 아니라 T파 검출의 성능을 결정짓는 중요한 요인이 되기 때문에 정확하고 신뢰성 있는 방법이 필요하다.
- 32%의 성능을 나타내었다. 이는 Normal과 PAC가 연속된 105, 119, 209, 239번 레코드의 경우 QRS구간제거와 이동 평균을 통한 대상영역 추출 기반의 제안한 알고리즘을 통해 PAC의 4가지 규칙을 적용함으로써 전체적인 검출율이 향상된 것으로 확인된다.
- 결과적으로 Normal 신호는 P, T파중첩이 발생하지 않았으며, 부정맥 PVC, LBBB, Paced beat의 경우 중첩되는 상황이 발생하더라도 제안한 방법으로 이를 정확히 검출하였다. 제안한 방법은 Normal뿐만 아니라 전도 장애, 심방성부정맥을 포함한 부정맥에 대해서도 오류 없이 T파를 정확하게 검출하는 것을 확인할 수 있다. 부정맥의 경우 검출 오류가 발생하였다.
- 이후 QRS구간을 제거, 이동평균을 통해 4개의 PAC패턴과 기타부정맥에 대한 판단 규칙을 적용하여P, T파의 대상 영역을 추출하고, 이를 대상으로 RR간격과 RT간격의 문턱치를 적용하여 T파를 검출하였다. 제안한 방법의 우수성을 입증하기 위해 MIT-BIH 부정맥 데이터베이스 48개의 레코드를 대상으로 한 T파의 평균 검출율은 95.32%의 성능을 나타내었다. 특히 Normal과 PAC가 연속된 105, 119, 209, 239번 레코드의 경우 QRS 구간제거와 이동 평균을 통한 대상영역 추출 기반의 제안한 알고리즘을 통해 PAC의 4가지 규칙을 적용함으로써 전체적인 검출율이 향상된 것으로 확인할 수 있었다.
- 32%의 성능을 나타내었다. 특히 Normal과 PAC가 연속된 105, 119, 209, 239번 레코드의 경우 QRS 구간제거와 이동 평균을 통한 대상영역 추출 기반의 제안한 알고리즘을 통해 PAC의 4가지 규칙을 적용함으로써 전체적인 검출율이 향상된 것으로 확인할 수 있었다. 따라서 본 연구에서 제안한 방법은 연산의 복잡도를 줄임과 동시에 실시간으로 정확한 전도 이상으로 발생한 부정맥을 진단해야 하는 사물 인터넷 기반의 스마트 헬스케어 시스템에 적용될 수 있을 것으로 판단된다.
- 검출율의 계산은 식 (4)와 같으며 T파를 검출한 결과를 표 2에 나타내었다. 평가 결과 평균 검출율은 95.32%의 성능을 나타내었다. 이는 Normal과 PAC가 연속된 105, 119, 209, 239번 레코드의 경우 QRS구간제거와 이동 평균을 통한 대상영역 추출 기반의 제안한 알고리즘을 통해 PAC의 4가지 규칙을 적용함으로써 전체적인 검출율이 향상된 것으로 확인된다.
- PAC의 4가지 패턴은 연속해서 나타나지 않으며, 모두 Normal과 PAC가 번갈아 나타나는 경우가 발생하였다. 표 1에서 정의한 것과 같이 Normal과 PAC와의 RR간격에 의한 규칙에 따라 4가지 패턴의 PAC의 T파 검출 결과를 나타내며, 이를 모두 정확히 검출한 것을 확인할 수 있다. 특히 그림6(a), 6(b)와 같이 패턴 A, B의 경우 Normal 이후의 PAC의 RR간격은 좁아지고 그 이후에 나타나는 Normal 신호의 경우는 정상으로 복원하려고 하는 성질을 가지고 있으나 정상 RR간격에 미치지 못함으로 인해 P, T파 중첩되는 현상이 발생하였다.
- 이는 심방의 전도 이상이나 심실의 조기수축으로 인한 QRS간격이 증가하여 P와 T파가 중첩이 되거나 또는 전도 이상으로 P파가 빨리 나타나는 경우에 해당한다. 하지만 이 또한 본 연구에서 제안한 규칙 적용에 의한 패턴 체크를 통해 오류 없이 검출되는 것을 확인할 수 있다. 그림 7(d)의 경우 Paced beat를 나타낸 것으로 문제없이 T파를 정확히 검출하는 것을 확인할 수 있다.
후속연구
- 특히 Normal과 PAC가 연속된 105, 119, 209, 239번 레코드의 경우 QRS 구간제거와 이동 평균을 통한 대상영역 추출 기반의 제안한 알고리즘을 통해 PAC의 4가지 규칙을 적용함으로써 전체적인 검출율이 향상된 것으로 확인할 수 있었다. 따라서 본 연구에서 제안한 방법은 연산의 복잡도를 줄임과 동시에 실시간으로 정확한 전도 이상으로 발생한 부정맥을 진단해야 하는 사물 인터넷 기반의 스마트 헬스케어 시스템에 적용될 수 있을 것으로 판단된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.