[논문]수면 단계에 따른 심전도 신호의 상관관계 분석

이지은; 유선국

doi:10.9717/kmms.2018.21.12.1370

수면 단계에 따른 심전도 신호의 상관관계 분석
Correlation Analysis of Electrocardiogram Signal according to Sleep Stage 원문보기

멀티미디어학회논문지 = Journal of Korea Multimedia Society, v.21 no.12, 2018년, pp.1370 - 1378

이지은 (Graduate Program of Biomedical Engineering, Yonsei University) , 유선국 (Dept. of Medical Engineering, Yonsei University College of Medicine)

Abstract ▼ AI-Helper

There is a problem to measure neutral bio-signals during sleep because of inconvenience of attaching lots of sensors. In this study, we measured single electrocardiogram(ECG) signal and analyzed the correlation with sleep. After R-peak detection from ECG signal, we extracted 9 features from time and frequency domain of heart rate variability(HRV). Mean of HRV, RR intervals differing more than 50ms(NN50), and divided by the total number of all RR intervals(pNN50) have significant differences in each sleep stage. Specially, the mean HRV has an average of 87.8% accuracy in classifying sleep and awake status. In the future, the measurement ECG signal minimizes inconvenience of attaching sensors during sleep. Also, it can be substituted for the standard sleep measurement method.

주제어

표/그림 (8)

그림 Fig. 1. Experiments overview.
그림 Fig. 2. Flowchart for R-peak detection algorithm.
표 Table 1. Features of heart rate variability
표 Table 2. The number of each sleep stage
표 Table 3. Mean and standard deviation of each feature of heart rate variability
표 Table 4. Correlation between each feature and sleep stages
표 Table 5. Regression coefficient of each feature of heart rate variability
그림 Fig. 3. (a) Labeling, (b) Mean, (c) SDNN, (d) RMSSD, (e) NN50, (f) pNN50, (g) LF/HF, (h) TF, (i) HFn, (j) LFn (x: epoch, y: normalized unit)

AI 본문요약
AI-Helper

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

문제 정의

따라서 본 논문에서는 측정이 간편한 단일 심전도신호와 세분화된 수면 단계의 상관관계를 분석하였다. 본 논문의 구성은 다음과 같다.
수면 시 생체신호를 측정하는 센서는 이질감을 주기 때문에 자연스러운 수면 상태를 측정하는 데 문제를 가진다. 따라서 본 연구에서는 단일 심전도 신호를 측정하고, 수면과의 상관관계를 분석하였다.
본 연구에서는 심박변이도의 시간 영역 특징을 추출하였다. 추출된 특징은 mean of all normal RR interval(mean), standard deviation of all normal RR intervals(SDNN), root mean square of the successive differences(RMSSD), RR intervals differing more than 50ms(NN50), NN50 divided by the total number of all RR intervals(pNN50)로 총 5개의 특징이다.
상관계수는 -1에 가까울수록 강한 음의 상관관계, 1에 가까울수록 강한 양의 상관관계를 가진다고 해석할 수 있다. 본 연구에서는 총 30명의 피험자의 심전도 특징에 따른 세분화된수면 단계와의 상관관계 분석을 진행하였다. 수면 단계는 각성/수면 상태, 각성/얕은 수면/깊은 수면으로 나눈 경우, 각성/얕은 수면/깊은 수면/REM으로 나눈 경우, R&K rule에 따라 각성/stage 0∼4/REM으로 나눈 경우로 세분화 하여 비교하였다.

제안 방법

alpha 파가 50%미만이고 안전도의 각진 파형이 사라지고 느린 움직임을 보이는 경우를 stage 1, 뇌파에서 spindle 신호와 K-complex가 나타나는 경우 stage 2, 뇌파에서2∼4Hz의 큰 진폭을 가지는 신호가 20∼50% 관찰되면 stage 3, 50% 이상 관찰되면 stage 4로 라벨링 하였다.
뇌파, 안전도, 근전도 신호는 R&K rule에 따라 수면단계를 구분하는 데 사용하였다. 뇌파에서 alpha 파가 50% 이상, 근전도의 진폭이 크게 나타나고, 안전도에서 눈 깜박임 또는 각진 파형이 많이 나타나는 경우, Wake 상태로 라벨링 하였다. alpha 파가 50%미만이고 안전도의 각진 파형이 사라지고 느린 움직임을 보이는 경우를 stage 1, 뇌파에서 spindle 신호와 K-complex가 나타나는 경우 stage 2, 뇌파에서2∼4Hz의 큰 진폭을 가지는 신호가 20∼50% 관찰되면 stage 3, 50% 이상 관찰되면 stage 4로 라벨링 하였다.
또한, 구해진 회귀방정식의 정확도를 계산하기 위하여 추출된 9개의 특징을 각각 입력으로 하여 분류정확도를 계산하였다. 각성/수면 상태를 회귀분석하여 구분하는 경우, 각 특징에 따라 Mean은 약 87.
따라서 심전도 신호 분석을 위해 5분단위의 window를 사용하였다. 또한, 수면 단계는 30초를 기준으로 분류되므로 30초씩 window를 움직이며 심전도 신호를 처리하였다.
본 연구에서는 R&K rule에 따라 수면 데이터를 30초 단위로 나누고, 그에 따른 수면 단계를 각성상태, 얕은수면(stage 1과 stage 2), 깊은 수면(stage 3과 stage4), REM 상태로 육안으로 라벨링 하였다.
본 연구에서는 각성/수면 상태에 대하여 추출된9개의 특징에 따른 회귀분석을 진행하였다. 각 특징에 따라 계산된 회귀 계수는 Table 5와 같고, constant는 상수, B는 계수를 나타내며 회귀 방정식은1차 방정식으로 표현된다.
수면 단계는 각성/수면 상태, 각성/얕은 수면/깊은 수면으로 나눈 경우, 각성/얕은 수면/깊은 수면/REM으로 나눈 경우, R&K rule에 따라 각성/stage 0∼4/REM으로 나눈 경우로 세분화 하여 비교하였다.
참여자는 수면 전 30분간 깨어있는 상태를 유지한 이후 잠이 오는 시간에 자유롭게 수면하였다. 수면 시 Biopac사의 MP150 장비를 사용하여 심전도, 뇌파, 안전도, 근전도 신호를 측정하였다. 생체신호들은 500Hz로 샘플링 하였다.
심박변이도 특징에 따른 상관성을 분석하기 위해상관 계수를 추출하였다. 상관계수는 -1에 가까울수록 강한 음의 상관관계, 1에 가까울수록 강한 양의 상관관계를 가진다고 해석할 수 있다.
생체신호들은 500Hz로 샘플링 하였다. 심전도는 사지유도법을 이용, 뇌파는 10-20 system에 F3, F4, C3, C4 영역에서 측정[11], 안전도는 양 눈의 차동 입력을 이용하였고 근전도는 턱에서 측정하였다. 심전도 신호는 수면 단계와유의성을 평가하기 위해 특징 추출에 사용하였다.
본 연구에서는 심박변이도의 시간 영역 특징을 추출하였다. 추출된 특징은 mean of all normal RR interval(mean), standard deviation of all normal RR intervals(SDNN), root mean square of the successive differences(RMSSD), RR intervals differing more than 50ms(NN50), NN50 divided by the total number of all RR intervals(pNN50)로 총 5개의 특징이다. 각 특징의 수식은 아래 식 (1)∼(5)와 같다.
따라서 본 연구에서는 Pan-Tompkins 알고리즘을 이용하여 R-peak를 검출하였다. 획득된 심전도 신호는 기저선 제거 후 필터를 적용하였다. 필터링 된 심전도 신호의 미분 값을 제곱하여 적분하였으며 임의의 극치 값을 설정 후, 극치 이상의 신호에서 R-peak를 찾아주었다[13].

대상 데이터

본 연구는 건강에 이상이 없는 평균 20세의 성인30명을 대상으로 진행하였으며 모든 참여자는 실험전 동의서를 작성하였다. 수면실은 실제 가정환경과 유사하게 구상하였으며 참여자는 실제 수면을 취하는 저녁 시간에 자유롭게 실험에 참여하였다.
본 연구에서 추출된 특징은 시간 영역 5개, 주파수영역 4개로 총 9개이다. Table 3은 총 30명의 피험자에 대한 각성 상태, stage 1∼stage 4, REM 수면에 따른 각 특징에 평균과 표준편차를 계산한 결과이다.
Table 2는 수면 단계에 따른 데이터의 총 라벨링 수와 평균 라벨링 된 수면 단계의 수 및 비율을 나타낸다. 본 연구에서는 수면 분석을 위해 30명으로부터 총 26265개의 샘플을 추출하였으며 한 명당 평균 875개의 샘플을 추출하였다. Table 2에서 볼 수 있듯이 수면 실험 중 대상자들은 실험 시간의 약 19.

데이터처리

심박변이도로부터 추출된 특징들은 회귀 분석 결과 약 80% 이상의 정확도로 각성/수면 상태를 구분할 수 있음을 볼 수 있었다. 특히, 시간 영역 특징인 Mean, NN50, pNN50은 수면 단계 분류에 유의한 차이를 가지는 것을 각 특징의 평균, 표준편차, 상관계수를 통하여 확인하였다. 또한, 주파수 대역을 통해 얻은 특징에서는 시간 영역 특징에 비해 낮은 상관관계를 보이는 것을 확인하였다.
획득된 심전도 신호는 기저선 제거 후 필터를 적용하였다. 필터링 된 심전도 신호의 미분 값을 제곱하여 적분하였으며 임의의 극치 값을 설정 후, 극치 이상의 신호에서 R-peak를 찾아주었다[13]. Fig.

이론/모형

뇌파, 안전도, 근전도 신호는 R&K rule에 따라 수면단계를 구분하는 데 사용하였다.
심박변이도의 분석은 심전도의 R-peak를 검출을 기반으로 이루어진다[12]. 따라서 본 연구에서는 Pan-Tompkins 알고리즘을 이용하여 R-peak를 검출하였다. 획득된 심전도 신호는 기저선 제거 후 필터를 적용하였다.
따라서 이러한 생체신호 특징들을 이용하여 R&K rule 또는 AASM규칙을 적용하여 육안으로 수면 단계 분석이 가능하다.

성능/효과

38이상의 상관계수를 가지며 높은 상관관계를 가지는 것을 확인할 수 있다. SDNN은 각성/얕은 수면/깊은 수면의 경우 약 0.15의 약한 상관관계를 가지는 것을 보이며 RMSSD는 각성/수면 상태를 구분할 때 약 0.15의 상관관계를 가짐을 확인할 수 있다. 주파수 대역으로부터 추출된 특징인 LF/HF, TF, HFn, LFn는 모든 수면 단계에서 0.
또한, 구해진 회귀방정식의 정확도를 계산하기 위하여 추출된 9개의 특징을 각각 입력으로 하여 분류정확도를 계산하였다. 각성/수면 상태를 회귀분석하여 구분하는 경우, 각 특징에 따라 Mean은 약 87.8%,SDNN은 약 79.6%, RMSSD은 약 80.5%, NN50은약 87.6%, pNN50은 약 87.7%, LF/HF은 약 80.2%,TF은 약 79.2%, HFn은 약 80.1%, LFn은 약 80.1%의 정확도를 가진다.
1 미만의 상관계수를 가지며 상관관계를 가지지 않음을 확인할 수 있다. 또한, 심박변이도로부터 추출한 특징들은 각성/수면 상태를 구분하는데 다른 수면 단계를 구분하는 것보다 비교적 높은 상관관계를 가지는 것을 볼 수 있다.
특히, 시간 영역 특징인 Mean, NN50, pNN50은 수면 단계 분류에 유의한 차이를 가지는 것을 각 특징의 평균, 표준편차, 상관계수를 통하여 확인하였다. 또한, 주파수 대역을 통해 얻은 특징에서는 시간 영역 특징에 비해 낮은 상관관계를 보이는 것을 확인하였다. 특히, 주파수 대역의비를 정규화하여 사용하는 경우, 주파수 대역만을 사용한 경우보다 유의성이 떨어짐을 확인하였다.
5%의 낮은 비율을 가지는 것을 확인할 수 있는데 이는 피험자들이 수면에 드는 경우 비교적 빠르게stage 2로 진입한다는 것으로 해석할 수 있다. 또한,REM 수면 역시 약 19.9%의 비율을 차지하고 있는 것을 통하여 대상자들이 NREM(non REM) 상태와REM 상태의 정상적인 수면 패턴을 가짐을 라벨링 된 수면 분석 결과를 통하여 확인할 수 있다.
alpha 파가 50%미만이고 안전도의 각진 파형이 사라지고 느린 움직임을 보이는 경우를 stage 1, 뇌파에서 spindle 신호와 K-complex가 나타나는 경우 stage 2, 뇌파에서2∼4Hz의 큰 진폭을 가지는 신호가 20∼50% 관찰되면 stage 3, 50% 이상 관찰되면 stage 4로 라벨링 하였다. 마지막으로 안전도에서 각진 파형이 나타나며 빠른 움직임을 보이고, 근전도의 진폭은 낮으며 뇌파에서 톱니 모양의 파형을 보이는 경우 REM 상태로 라벨링 하였다. Fig.
심박변이도로부터 추출된 특징들은 회귀 분석 결과 약 80% 이상의 정확도로 각성/수면 상태를 구분할 수 있음을 볼 수 있었다. 특히, 시간 영역 특징인 Mean, NN50, pNN50은 수면 단계 분류에 유의한 차이를 가지는 것을 각 특징의 평균, 표준편차, 상관계수를 통하여 확인하였다.
Table 4는 각 수면단계에 따른 각 심박변이도 특징의 상관계수의 평균을 나타내었다. 심박변이도의 Mean, NN50,pNN50은 모든 수면 상태를 분류할 때 최소 0.38이상의 상관계수를 가지며 높은 상관관계를 가지는 것을 확인할 수 있다. SDNN은 각성/얕은 수면/깊은 수면의 경우 약 0.
3에서 볼 수 있듯이 각 특징은 각성/수면 상태에서 차이를 가짐을 그래프의 패턴을 통하여 확인할 수 있다. 심박변이도의Mean, NN50, pNN50 뿐만 아니라 SDNN과 RMSSD,주파수 대역에서 추출된 특징인 LF/HF, TF, HFn, LFn도 Fig. 3에서 작지만 amplitude의 유의한 차이를 가짐을 확인할 수 있다.
그러나 깊은 수면에서는 평균이 달라지는 것을 확인할 수 있다. 주파수 대역 및 주파수 대역의 비를 계산하여 얻은 특징인 LF/HF, TF, HFn, LFn는 수면에 따른 평균과 표준편차가 크게 변하지 않음을 확인하였다. 각수면 상태에 따른 평균의 차이보다 표준편차의 차이가 크기 때문에 수면 단계 분류에 유의하지 않을 것으로 예측할 수 있다.
15의 상관관계를 가짐을 확인할 수 있다. 주파수 대역으로부터 추출된 특징인 LF/HF, TF, HFn, LFn는 모든 수면 단계에서 0.1 미만의 상관계수를 가지며 상관관계를 가지지 않음을 확인할 수 있다. 또한, 심박변이도로부터 추출한 특징들은 각성/수면 상태를 구분하는데 다른 수면 단계를 구분하는 것보다 비교적 높은 상관관계를 가지는 것을 볼 수 있다.
또한, 주파수 대역을 통해 얻은 특징에서는 시간 영역 특징에 비해 낮은 상관관계를 보이는 것을 확인하였다. 특히, 주파수 대역의비를 정규화하여 사용하는 경우, 주파수 대역만을 사용한 경우보다 유의성이 떨어짐을 확인하였다. 그러나 Fig.

후속연구

심전도 신호의 실제 환경에 적용을 위해서는 심전도로부터 추출되는 특징 벡터를 최소화하여 계산 복잡도를 줄여야한다. 따라서 상관도가 거의 없는 특징은 향후 시스템 개발 시 사용하지 않음으로 특징최적화에 사용 가능할 것으로 사료된다. 또한, 본 연구에서는 검증된 특징을 통하여 상관성을 분석하는 한계를 가지므로 향후, 심박변이도로부터 추출된 특징들을 조합하거나 새로운 특징을 추출하여 세분화된 수면단계와의 상관관계 분석이 필요하다.
따라서 상관도가 거의 없는 특징은 향후 시스템 개발 시 사용하지 않음으로 특징최적화에 사용 가능할 것으로 사료된다. 또한, 본 연구에서는 검증된 특징을 통하여 상관성을 분석하는 한계를 가지므로 향후, 심박변이도로부터 추출된 특징들을 조합하거나 새로운 특징을 추출하여 세분화된 수면단계와의 상관관계 분석이 필요하다.
향후, 본 연구는 수면 시 사용자에게 구속감을 최소로 하며, 표준 수면 측정 방법을 대체하는 수면 평가 방법으로 유용하게 활용될 수 있다. 또한, 심박을 측정하는 wearable device를 통하여 최소한의 계산복잡도로 IoT 환경에서 적용이 가능하며 이는 일상생활에서 발생하는 수면 문제의 해결에 사용이 가능할 것으로 사료된다.
향후, 본 연구는 수면 시 사용자에게 구속감을 최소로 하며, 표준 수면 측정 방법을 대체하는 수면 평가 방법으로 유용하게 활용될 수 있다. 또한, 심박을 측정하는 wearable device를 통하여 최소한의 계산복잡도로 IoT 환경에서 적용이 가능하며 이는 일상생활에서 발생하는 수면 문제의 해결에 사용이 가능할 것으로 사료된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	수면이 부족하거나 수면 장애가 생기는 경우 발생하는 문제는?	따라서 수면은 일상생활에 중요한 부분을 차지하고 있다. 수면이 부족하거나 수면 장애가 생기는 경우, 집중력, 판단력이 떨어질 뿐만 아니라 심하게는 지적 능력까지 떨어짐으로 다양한 문제들이 발생한다. 따라서 정확한 수면 분석은 사고 방지의 기초 단계이기 때문에 수면을 분석하려는 다양한 연구가 진행되고 있다[2,3].
	수면 분석에서 REM 상태가 가지는 특성은 무엇인가?	stage 3에서는 delta 파(2∼4Hz)가 한epoch 당 20∼50% 정도 관찰되고, stage 4에서는delta 파(2∼4Hz)가 50% 이상을 차지하는 양상을 보인다. REM 상태에는 모든 주파수가 혼합되어 나오는 양상을 보이는 특성을 가진다. 근전도는 깊은 수면 단계로 갈수록 신호의 세기가 약해지며, 안전도는REM 상태에서 움직임을 보인다[9].
	수면의 정의는?	수면은 주변을 인지할 수 없고 자극에 반응하지 않는 행동상태로 정의된다. 수면은 안구운동의 조절이 가능한 각성 상태로부터 얕은 잠인 1단계를 거쳐4단계의 깊은 잠까지 진행되고, 그 후 REM 수면 단계를 거쳐 꿈을 꾸는 상태가 된다.

LOADING...

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