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
- 또한, 분류기의 입력으로 사용되는 특징 파라미터를 어떻게 조합하느냐에 따라 분류 정확도가 변한다. 따라서 최적의 은닉층 뉴런 개수인 8개를 적용한 ANN을 이용하여 최적의 특징 파라미터 조합을 찾고자 하였다. Table 7에서는 HRV 시간 영역의 특징들, HRV 주파수 영역의 특징들, HRV모든 특징들, 적합하다고 설정한 특징들 이렇게 4개의 조합을 설정하여 성능을 평가하였다.
- 본 논문에서는 심전도를 이용하여 통증자각 유무를 분류하기 위한 알고리즘을 제안한다. Fig.
- 본 연구에서는 심전도를 이용한 통증자각 유무 분류기 설계하는데 목적이 있다. 이는 자율신경계의 활성을 반영하는 HRV로부터 특징을 추출하여 자동으로 통증자각 유무를 분류해준다는 점에서 의미가 있다.
- 통증 유발 실험에 앞서 피험자의 질병 여부,자율신경계에 영향을 줄 수 있는 약물 복용 여부, 음주 여부 등에 대한 설문을 실시했으며, 통증자각 이외의 감정의 안정 상태 유지를 위해 의자를 이용해 최대한 편안한 앉은 자세에서 실험을 진행하였다. 실험은 정상 상태에 대해 통증자각을 유발하는데 목적을 두고, 각 상태에 따른 심전도 신호를 측정하였다. 구성하고자 하는 상태는 통증이 없는 상태, 통증이 있는 상태로 총 2가지 상태이며, 통증자각 유발은 기계적 자극법을 이용하였다[10].
- 추출된 특징 파라미터를 입력 벡터로 하고 SVM을 이용하여 통증자각 유무를 분류하였다. 오류 패널티 변수인 C와 커널 함수에 대하여 최적의 조합을 찾고자 했다.
- 이에 따라 본 연구에서는 사람의 통증 정도를 객관적으로 측정하기 위해 심장박동을 나타내는 심전도(Electrocardiogram; ECG) 신호를 기반으로 자율신경계의 활성을 반영하는 심박변이도(Heart RateVariability; HRV)를 분석하였다. 그리고 통증자극에 따른 HRV의 특징을 추출하였고, 패턴 분류 알고리즘인 인공 신경망(Artificial Neural Network;ANN)과 서포트 벡터 머신(Support Vector Machine; SVM)을 사용하여 통증 수준을 이분법적으로 분류하는 통증자각 분류기를 설계하였다.
제안 방법
- 추출된 특징 파라미터를 입력 벡터로 하고 ANN을 이용하여 통증자각 유무를 판별하였다. ANN의 최적의 은닉층 뉴런 개수를 찾기 위해 추출된 10개의 특징을 고정하고 은닉층 뉴런 개수들을 4-16개로 변경하여 성능 비교하였다. Table 5의 결과를 통해 제안하는 ANN을 이용한 최적의 은닉층 뉴런 개수는 가장 높은 정확도를 보인 8개로 하였다.
- Table 6에서는 최적의 은닉층 뉴런 개수인 8개를 적용한 ANN을 이용하여 통증자각 유무 분류에 적합한 특징을 찾기 위해 각각의 특징에 대한 성능을 비교하였다. rMSSD, NN50, pNN50, LF, HF, Total Power의 경우 나머지 6개의 특징들 보다 비교적 높은 정확도를 보였다.
- 따라서 최적의 은닉층 뉴런 개수인 8개를 적용한 ANN을 이용하여 최적의 특징 파라미터 조합을 찾고자 하였다. Table 7에서는 HRV 시간 영역의 특징들, HRV 주파수 영역의 특징들, HRV모든 특징들, 적합하다고 설정한 특징들 이렇게 4개의 조합을 설정하여 성능을 평가하였다. 평가 결과,HRV 주파수 영역의 특징을 사용한 경우 81.
- 실험은 정상 상태에 대해 통증자각을 유발하는데 목적을 두고, 각 상태에 따른 심전도 신호를 측정하였다. 구성하고자 하는 상태는 통증이 없는 상태, 통증이 있는 상태로 총 2가지 상태이며, 통증자각 유발은 기계적 자극법을 이용하였다[10]. 먼저 피험자는 어떠한 외부 자극이 없는 휴식 상태로 현재 통증 수준을 확인하기 위한 NRS 설문과 14분 동안의 심전도 신호를 측정하였다.
- 통증 자극 실험을 통하여 측정된 심전도 데이터에 대하여 노이즈 제거 등 신호 처리 과정을 거친다. 그리고 심전도에서 R-peak를 정확히 검출하여 HRV를 구성한다. 구성된 HRV부터 통증 자극에 따른HRV의 변화 특성을 반영하는 특징을 추출한다.
- 먼저, R-R 간격 수열 데이터의 DC 성분을 제거하기 위한 기저선 보정(Detrend) 과정을 거쳤다. 그리고 주파수 분해능을 높이기 위하여 수열 데이터 4Hz 보간(Interpolation)과정을 거친 후 주파수 누출 효과를 약화시키기 위해 50% overlapped Hamming 윈도우를 적용한 후에 고속 푸리에 변환(Fast Fourier Transform; FFT)에 의하여 주파수 영역으로 변환하였다. 특정 주파수 대역에 대한 스펙트럼 분포를 분석하여 주파수 영역의 특징을 추출하였다.
- 이에 따라 본 연구에서는 사람의 통증 정도를 객관적으로 측정하기 위해 심장박동을 나타내는 심전도(Electrocardiogram; ECG) 신호를 기반으로 자율신경계의 활성을 반영하는 심박변이도(Heart RateVariability; HRV)를 분석하였다. 그리고 통증자극에 따른 HRV의 특징을 추출하였고, 패턴 분류 알고리즘인 인공 신경망(Artificial Neural Network;ANN)과 서포트 벡터 머신(Support Vector Machine; SVM)을 사용하여 통증 수준을 이분법적으로 분류하는 통증자각 분류기를 설계하였다. 제안한 알고리즘의 유효성을 평가하기 위해 통증이 없는 상태와 기계적 자극법을 통한 통증이 있는 상태 총 2가지 상태를 유발하여 심전도 데이터를 획득하였다.
- 각 층 사이에는 연결가중치(Weight)가 존재하며 이들은 두 성분 사이의 연결정도를 나타내는데, 주어지는 입력에 따라 학습 알고리즘인 역전파(Back-Propagation) 알고리즘을 이용하여 출력값과 설정된 목표값 간의 오차가 감소하는 방향으로 연결가중치를 수정하면서 학습해나간다. 따라서 본 논문에서는 Fig. 1과 같이 심전도와 통증 자각 간의 복잡한 비선형 분류 문제를 해결하기 위해 입력층, 1개의 은닉층, 출력층으로 구성된 전방향(Feedforward) 다층 신경망을 이용하였다[6]. 역전파(Back-Propagation) 알고리즘에서의 학습은 Scaled Conjugate Gradient 알고리즘을 사용하였고, 활성함수에 대하여 은닉층에는 Sigmoid 함수, 출력층에는 Softmax 함수를 사용하였다.
- 구성하고자 하는 상태는 통증이 없는 상태, 통증이 있는 상태로 총 2가지 상태이며, 통증자각 유발은 기계적 자극법을 이용하였다[10]. 먼저 피험자는 어떠한 외부 자극이 없는 휴식 상태로 현재 통증 수준을 확인하기 위한 NRS 설문과 14분 동안의 심전도 신호를 측정하였다. 이후 검지와 중지 사이에 막대를 이용해서 손가락뼈에 압력을 가하는 방식으로 설정된 통증 유발 시간(14분) 동안 참을 수 있을 정도의 통증을 지속적으로 유발하여 현재 통증 수준을 확인하기 위한 NRS 설문과 14분 동안 심전도 신호를 측정하였다.
- 5과 같다. 먼저, R-R 간격 수열 데이터의 DC 성분을 제거하기 위한 기저선 보정(Detrend) 과정을 거쳤다. 그리고 주파수 분해능을 높이기 위하여 수열 데이터 4Hz 보간(Interpolation)과정을 거친 후 주파수 누출 효과를 약화시키기 위해 50% overlapped Hamming 윈도우를 적용한 후에 고속 푸리에 변환(Fast Fourier Transform; FFT)에 의하여 주파수 영역으로 변환하였다.
- 따라서 정확한 심전도 분석을 위해 전처리 과정이 필요하다. 실제 심전도 신호는 1Hz-40Hz 사이의 주파수 대역을 나타냄에 따라,본 논문에서는 1Hz-40Hz 대역 필터(Band filter)를이용하여 노이즈 및 기저선 변동을 제거하였다. 그 후, R-peak를 정확히 검출하여 R-R 간격(R-RInterval; RRI)을 통한 HRV를 구성하기 위해서 Panand Tompkins의 QRS 검출 알고리즘을 이용하였다[12].
- 실험에 따라 피험자의 통증 수준을 확인하기 위해 NRS 설문을 진행하였다. 피험자의 NRS 설문 결과는 Table 3과 같다.
- 이를 극복하고자 통증 수준 평가에 간단하고 객관적인 판단을 돕고자 패턴 분류 알고리즘인 ANN과 SVM을 이용하여 통증자각 유무를 이분법적 판단으로 나눠 분류하였다. 이때, 각 알고리즘의 최적의 파라미터를 선정하기 위해서 ANN의 은닉층 뉴런 개수, SVM의 오류 패널티 변수인 C값 및 각 커널 함수의 파라미터 값을 변경해가며 분류 결과를 비교하였다. 최적의 파라미터를 찾아내 통증자각 유무 분류 결과, ANN을 이용했을 때 81.
- 제안한 알고리즘의 유효성을 평가하기 위해 통증이 없는 상태와 기계적 자극법을 통한 통증이 있는 상태 총 2가지 상태를 유발하여 심전도 데이터를 획득하였다. 이로부터 HRV의 특징을 추출하여 패턴 분류기를 학습함으로써 통증자각 유무 분류 정확도를 계산하였다.
- NRS 설문을 이용하여 통증 수준을 수치적으로표현하는 기존의 방법은 피험자의 주관적인 요소가 들어가 통증 수준을 판단 결과가 불확실하다는 한계가 있다. 이를 극복하고자 통증 수준 평가에 간단하고 객관적인 판단을 돕고자 패턴 분류 알고리즘인 ANN과 SVM을 이용하여 통증자각 유무를 이분법적 판단으로 나눠 분류하였다. 이때, 각 알고리즘의 최적의 파라미터를 선정하기 위해서 ANN의 은닉층 뉴런 개수, SVM의 오류 패널티 변수인 C값 및 각 커널 함수의 파라미터 값을 변경해가며 분류 결과를 비교하였다.
- 84%의 가장 높은 정확도를 보였다. 이에 따라,위에서 설정한 4개의 특징 조합에 따라 RBF 커널 함수를 사용한 SVM 성능을 평가하였다(Table 11). 평가 결과, HRV 주파수 영역만을 이용하거나 추출된 모든 특징을 사용한 경우 81.
- 먼저 피험자는 어떠한 외부 자극이 없는 휴식 상태로 현재 통증 수준을 확인하기 위한 NRS 설문과 14분 동안의 심전도 신호를 측정하였다. 이후 검지와 중지 사이에 막대를 이용해서 손가락뼈에 압력을 가하는 방식으로 설정된 통증 유발 시간(14분) 동안 참을 수 있을 정도의 통증을 지속적으로 유발하여 현재 통증 수준을 확인하기 위한 NRS 설문과 14분 동안 심전도 신호를 측정하였다. 획득된 신호의 표본화 주파수(Sampling frequency)는 300Hz이고, 분석은 MATLAB 프로그램(R2016a release, MathWorks Inc, USA)을 이용하였다.
- 정규화된 입력벡터들은 통증이 없는 휴식 상태는 0, 통증이 있는 상태를 1로 라벨링하였다. 통증자각 분류를 위해 사용된 ANN과 SVM의 분류기 성능 평가는 10-fold cross validation을 통해 10명의 피험자에 대한 10개의 데이터 세트를 생성하여 분류 정확도(Accuracy)로 평가하였다.
- 특정 주파수 대역에 대한 스펙트럼 분포를 분석하여 주파수 영역의 특징을 추출하였다. 주파수 영역의 특징으로, 초저주파수인 VLF는 0.003-0.04Hz 범위의 스펙트럼 파워합, 저주파수인 LF는 0.04-0.15Hz 범위의 스펙트럼파워 합, 고주파수 HF는 0.15-0.4Hz 범위의 스펙트럼 파워 합, Total power는 0.003-0.4Hz 범위의 스펙트럼 파워의 합, LF/HF는 HF 스펙트럼 파워에 대한 LF 스펙트럼 파워의 비율이다.
- 추출된 특징 파라미터를 입력 벡터로 하고 ANN을 이용하여 통증자각 유무를 판별하였다. ANN의 최적의 은닉층 뉴런 개수를 찾기 위해 추출된 10개의 특징을 고정하고 은닉층 뉴런 개수들을 4-16개로 변경하여 성능 비교하였다.
- 추출된 특징 파라미터를 입력 벡터로 하고 SVM을 이용하여 통증자각 유무를 분류하였다. 오류 패널티 변수인 C와 커널 함수에 대하여 최적의 조합을 찾고자 했다.
- 구성된 HRV부터 통증 자극에 따른HRV의 변화 특성을 반영하는 특징을 추출한다. 추출된 특징을 패턴 분류기의 입력으로 사용하기 위해 정규화 과정을 거쳐 입력벡터를 생성하고, 패턴 분류알고리즘인 ANN과 SVM을 이용하여 통증자각 유무를 분류한다.
- 0)세 이다. 통증 유발 실험에 앞서 피험자의 질병 여부,자율신경계에 영향을 줄 수 있는 약물 복용 여부, 음주 여부 등에 대한 설문을 실시했으며, 통증자각 이외의 감정의 안정 상태 유지를 위해 의자를 이용해 최대한 편안한 앉은 자세에서 실험을 진행하였다. 실험은 정상 상태에 대해 통증자각을 유발하는데 목적을 두고, 각 상태에 따른 심전도 신호를 측정하였다.
- 그리고 주파수 분해능을 높이기 위하여 수열 데이터 4Hz 보간(Interpolation)과정을 거친 후 주파수 누출 효과를 약화시키기 위해 50% overlapped Hamming 윈도우를 적용한 후에 고속 푸리에 변환(Fast Fourier Transform; FFT)에 의하여 주파수 영역으로 변환하였다. 특정 주파수 대역에 대한 스펙트럼 분포를 분석하여 주파수 영역의 특징을 추출하였다. 주파수 영역의 특징으로, 초저주파수인 VLF는 0.
대상 데이터
- 본 연구에서는 특별한 의학적 병력이 없는 성인 남성 10명을 피험자 대상으로 실험을 진행하였다. 피험자의 연령은 24∼30세 이고 평균연령은 26.
- 그리고 통증자극에 따른 HRV의 특징을 추출하였고, 패턴 분류 알고리즘인 인공 신경망(Artificial Neural Network;ANN)과 서포트 벡터 머신(Support Vector Machine; SVM)을 사용하여 통증 수준을 이분법적으로 분류하는 통증자각 분류기를 설계하였다. 제안한 알고리즘의 유효성을 평가하기 위해 통증이 없는 상태와 기계적 자극법을 통한 통증이 있는 상태 총 2가지 상태를 유발하여 심전도 데이터를 획득하였다. 이로부터 HRV의 특징을 추출하여 패턴 분류기를 학습함으로써 통증자각 유무 분류 정확도를 계산하였다.
데이터처리
- Table 4는 피험자들의 심전도 신호로부터 추출된MeanRRI, SDNN, rMSSD, NN50, pNN50, VLF, LF,HF, Total Power, LF/HF 총 10개의 특징들의 휴식(통증이 없는 상태)와 통증 유발(통증이 있는 상태)상황에 대한 두 집단 간 평균값 차이를 비교하기 위해 비모수 검정인 Wilcoxon signed rank test를 통해 통계 분석한 결과이다. 검정 결과 유의 수준 95%에서 유의 확률이 0.
- 먼저, 추출된 10개의 특징을 고정하고 커널 함수로 Linear Function을 이용하여 C값을 0.1-1000으로 변경해가며 성능 비교하였다. Table 8 결과, Linear Function 커널 함수에서 C값이 1일 때 가장 높은 정확도를 보였다.
- 정규화된 입력벡터들은 통증이 없는 휴식 상태는 0, 통증이 있는 상태를 1로 라벨링하였다. 통증자각 분류를 위해 사용된 ANN과 SVM의 분류기 성능 평가는 10-fold cross validation을 통해 10명의 피험자에 대한 10개의 데이터 세트를 생성하여 분류 정확도(Accuracy)로 평가하였다. 정확도는 식 (7)과 같이 계산된다.
- 이후 검지와 중지 사이에 막대를 이용해서 손가락뼈에 압력을 가하는 방식으로 설정된 통증 유발 시간(14분) 동안 참을 수 있을 정도의 통증을 지속적으로 유발하여 현재 통증 수준을 확인하기 위한 NRS 설문과 14분 동안 심전도 신호를 측정하였다. 획득된 신호의 표본화 주파수(Sampling frequency)는 300Hz이고, 분석은 MATLAB 프로그램(R2016a release, MathWorks Inc, USA)을 이용하였다.
이론/모형
- 본 논문에서는 그 중 수식 (6)과 같이. 가장 간단하면서 일반적인 최소-최대 정규화 방법을 이용하였다. D는 특징별 입력 데이터이고, i는 데이터 수, j는 특징 수를 나타낸다.
- 실제 심전도 신호는 1Hz-40Hz 사이의 주파수 대역을 나타냄에 따라,본 논문에서는 1Hz-40Hz 대역 필터(Band filter)를이용하여 노이즈 및 기저선 변동을 제거하였다. 그 후, R-peak를 정확히 검출하여 R-R 간격(R-RInterval; RRI)을 통한 HRV를 구성하기 위해서 Panand Tompkins의 QRS 검출 알고리즘을 이용하였다[12].
- 1과 같이 심전도와 통증 자각 간의 복잡한 비선형 분류 문제를 해결하기 위해 입력층, 1개의 은닉층, 출력층으로 구성된 전방향(Feedforward) 다층 신경망을 이용하였다[6]. 역전파(Back-Propagation) 알고리즘에서의 학습은 Scaled Conjugate Gradient 알고리즘을 사용하였고, 활성함수에 대하여 은닉층에는 Sigmoid 함수, 출력층에는 Softmax 함수를 사용하였다.
- 5와 같이 심전도의 R-R 간격(혹은 N-N 간격)로부터 구성된 HRV는 자율신경계의 활성도를 나타내는데, 시간 및 주파수 영역에서 해석을 통하여 통증에 따른 신체 내 변화를 평가할 수 있다[13]. 연속적인 HRV의 특징을 추출하기 위해 단기간 HRV 분석의 적합한 시간인 5분 동안의 신호를 기본으로 30초 Sliding window 방식을 적용하였다[14]. 따라서 피험자 1명당 휴식 상태 19개 data, 통증 있는 상태19개 data가 생성된다.
성능/효과
- rMSSD, NN50, pNN50, LF, HF, Total Power의 경우 나머지 6개의 특징들 보다 비교적 높은 정확도를 보였다. 73% 이상의 높은 정확도를 보인 상위 6개의 특징을 통증자각 유무 분류에 적합한 특징이라 하였다. 또한, 분류기의 입력으로 사용되는 특징 파라미터를 어떻게 조합하느냐에 따라 분류 정확도가 변한다.
- Table 12는 사용된 2가지 분류기 중 가장 높은 정확도를 보인 경우를 비교한 결과이다. HRV 주파수 영역의 특징과 SVM의 RBF 커널 함수를 선택했을 때 가장 높은 분류 결과를 나타내었다.
- Table 6에서는 최적의 은닉층 뉴런 개수인 8개를 적용한 ANN을 이용하여 통증자각 유무 분류에 적합한 특징을 찾기 위해 각각의 특징에 대한 성능을 비교하였다. rMSSD, NN50, pNN50, LF, HF, Total Power의 경우 나머지 6개의 특징들 보다 비교적 높은 정확도를 보였다. 73% 이상의 높은 정확도를 보인 상위 6개의 특징을 통증자각 유무 분류에 적합한 특징이라 하였다.
- Table 4는 피험자들의 심전도 신호로부터 추출된MeanRRI, SDNN, rMSSD, NN50, pNN50, VLF, LF,HF, Total Power, LF/HF 총 10개의 특징들의 휴식(통증이 없는 상태)와 통증 유발(통증이 있는 상태)상황에 대한 두 집단 간 평균값 차이를 비교하기 위해 비모수 검정인 Wilcoxon signed rank test를 통해 통계 분석한 결과이다. 검정 결과 유의 수준 95%에서 유의 확률이 0.0001 미만으로 통증 유무 상태 간의 통계적 유의미한 차이가 있음을 확인하였다.
- Table 9는 Polynomial Function을 이용하여 C값과 d값을 변경해가며 성능 비교한 결과이다. 그 결과, Polynomial Function 커널 함수에서 C값이 0.1,d값이 6일 때 가장 높은 정확도를 보였다.
- Table 10은 Radial Basis Function (RBF)을 이용하여 C값과 r값을 변경해가며 성능 비교한 결과이다. 그 결과, RBF 커널 함수에서 C값이 100, r값이 0.001일 때 가장 높은 정확도를 보였다.
- 이때, 각 알고리즘의 최적의 파라미터를 선정하기 위해서 ANN의 은닉층 뉴런 개수, SVM의 오류 패널티 변수인 C값 및 각 커널 함수의 파라미터 값을 변경해가며 분류 결과를 비교하였다. 최적의 파라미터를 찾아내 통증자각 유무 분류 결과, ANN을 이용했을 때 81.58%, SVM(RBF)을 이용했을 때 81.84%의 분류 정확도를 보였다. 이 결과는 사람의 통증 상태에 따른 심전도 신호를 기반으로 통증자각 유무 분류에 있어 객관적으로 가능함을 나타내 향후 자동 통증 평가 시스템 개발 시 유용하게 활용될 것이라 사료된다.
- 커널 함수별 성능 비교 결과, RBF 커널 함수 사용 시 81.84%의 가장 높은 정확도를 보였다. 이에 따라,위에서 설정한 4개의 특징 조합에 따라 RBF 커널 함수를 사용한 SVM 성능을 평가하였다(Table 11).
- 이에 따라,위에서 설정한 4개의 특징 조합에 따라 RBF 커널 함수를 사용한 SVM 성능을 평가하였다(Table 11). 평가 결과, HRV 주파수 영역만을 이용하거나 추출된 모든 특징을 사용한 경우 81.84%의 가장 높은 정확도를 보였다. Table 12는 사용된 2가지 분류기 중 가장 높은 정확도를 보인 경우를 비교한 결과이다.
- Table 7에서는 HRV 시간 영역의 특징들, HRV 주파수 영역의 특징들, HRV모든 특징들, 적합하다고 설정한 특징들 이렇게 4개의 조합을 설정하여 성능을 평가하였다. 평가 결과,HRV 주파수 영역의 특징을 사용한 경우 81.58%의 가장 높은 정확도를 보였다.
- 피험자 모두 휴식 시 통증 없음(NRS 0점)을 보였고, 통증을 유도했을 시 심한 통증(NRS ≥7점)을 보였다.
후속연구
- 이 결과는 사람의 통증 상태에 따른 심전도 신호를 기반으로 통증자각 유무 분류에 있어 객관적으로 가능함을 나타내 향후 자동 통증 평가 시스템 개발 시 유용하게 활용될 것이라 사료된다. 그리고 통증 수준 평가시스템에 대해 병원 뿐 만 아니라 일상으로의 확대를 통해 일상생활, 수면 등에서 발생할 수 있는 통증에 따른 위급상황에 대비 할 수 있을 것이라생각된다. 이를 위해 향후 실시간 심전도 측정 기반 통증자각 유무 분류기 개발에 대한 연구가 필요할 것이다.
- 이를 위해 향후 실시간 심전도 측정 기반 통증자각 유무 분류기 개발에 대한 연구가 필요할 것이다. 또한 대상자 수 확대를 통해 학습 데이터의 수를 증가시킴으로써 본 연구의 일반화 연구와 통증 수준을 이분법적이 아닌 NRS와 같이 더 많은 단계별(통증 없음, 약한 통증, 중간 정도의 통증, 심한 통증 등)로 구분하는 방법에 대한 연구가 필요하다.
- 84%의 분류 정확도를 보였다. 이 결과는 사람의 통증 상태에 따른 심전도 신호를 기반으로 통증자각 유무 분류에 있어 객관적으로 가능함을 나타내 향후 자동 통증 평가 시스템 개발 시 유용하게 활용될 것이라 사료된다. 그리고 통증 수준 평가시스템에 대해 병원 뿐 만 아니라 일상으로의 확대를 통해 일상생활, 수면 등에서 발생할 수 있는 통증에 따른 위급상황에 대비 할 수 있을 것이라생각된다.
- 그리고 통증 수준 평가시스템에 대해 병원 뿐 만 아니라 일상으로의 확대를 통해 일상생활, 수면 등에서 발생할 수 있는 통증에 따른 위급상황에 대비 할 수 있을 것이라생각된다. 이를 위해 향후 실시간 심전도 측정 기반 통증자각 유무 분류기 개발에 대한 연구가 필요할 것이다. 또한 대상자 수 확대를 통해 학습 데이터의 수를 증가시킴으로써 본 연구의 일반화 연구와 통증 수준을 이분법적이 아닌 NRS와 같이 더 많은 단계별(통증 없음, 약한 통증, 중간 정도의 통증, 심한 통증 등)로 구분하는 방법에 대한 연구가 필요하다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.