[논문]PPG와 ECG의 상관 관계에 기반한 심박 시계열 데이터 이상 상황 탐지 최적 모델 비교 연구

김진수; 이강윤

doi:10.7472/jksii.2019.20.6.137

PPG와 ECG의 상관 관계에 기반한 심박 시계열 데이터 이상 상황 탐지 최적 모델 비교 연구
A Comparative Study on the Optimal Model for abnormal Detection event of Heart Rate Time Series Data Based on the Correlation between PPG and ECG 원문보기

Journal of Internet Computing and Services = 인터넷정보학회논문지, v.20 no.6, 2019년, pp.137 - 142

김진수 (Dept. of Computer Engineering, Gachon University) , 이강윤 (Dept. of Computer Engineering, Gachon University)

초록
AI-Helper

본 논문은 이상 상황을 탐지하고 모니터링하는 다양한 서비스가 존재한다. 하지만 대부분의 서비스는 화재, 가스누출에 초점을 맞추어 진행되고 있으며, 독거노인과 중증장애인들의 사망 혹은 심정지 등 위급상황에 대하여 사전 예방 및 위급상황 대응이 불가능하다. 본 연구에서는 여러 생체신호 중 가장 위중하다고 판단되는 심박 신호의 이상 상태를 탐지하기 위하여 인공지능 모델을 설계하는 과정에서 적합한 데이터 변형과 모델을 비교한다. 세부적으로는 오픈 의료 데이터 PhysioNet의 MIT-BIH Arrhythmia Database를 이용하여 심전도(ECG) 데이터를 수집하고, 수집한 데이터를 각각 다른 방법으로 데이터를 변형한 후 학습하여 기본 심전도 데이터를 이용해 학습한 인공지능 모델과 비교한다.

Abstract ▼ AI-Helper

This paper Various services exist to detect and monitor abnormal event. However, most services focus on fires and gas leaks. so It is impossible to prevent and respond to emergency situations for the elderly and severely disabled people living alone. In this study, AI model is designed and compared to detect abnormal event of heart rate signal which is considered to be the most important among various bio signals. Specifically, electrocardiogram (ECG) data is collected using Physionet's MIT-BIH Arrhythmia Database, an open medical data. The collected data is transformed in different ways. We then compare the trained AI model with the modified and ECG data.

주제어

표/그림 (7)

그림 (그림 1) PPG/ECG 비교 그래프 (Figure 1) PPG/ECG Comparison graph
그림 (그림 2) 이상 상황 탐지 모델 프로세스 (Figure 2) Abnormal event Detection Model process
그림 (그림 3) 시계열 데이터 변형 (Figure 3) Time series data Transformation
그림 (그림 4) 이미지 데이터 변형 (Figure 4) Image data Transformation
그림 (그림 5) One-class Classification SVM 모델 (Figure 5) One-class Classification SVM model
그림 (그림 6) 오토인코더 모델 (Figure 6) Autoencoder model
그림 (그림 7) LSTM 예측 그래프 (Figure 7) LSTM Prediction Graph

AI 본문요약
AI-Helper

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

문제 정의

본 연구에서 생체 데이터 중 생명과 위중하다가 판단되는 심박 데이터를 이용하여 심박 이상 상황 탐지 모델을 비교 연구하였다. 데이터의 수집은 오픈 데이터를 제공하고 ‘PhysioNet’을 통해 수집하였으며, 많이 사용되는 MIT-BIH Arrhythmia Database를 사용하였다.
본 연구에서는 PhysioNet의 MIT-BIH Arrhythmia Database의 심전도(ECG)데이터를 이용하여 최적의 데이터 변형 방법과 인공지능 모델을 비교 연구한다.

제안 방법

본 연구에서는 18개의 심박변이도 기분을 통해 인공지능 모델을 학습하고 비교하는 연구도 진행하였다.
10, 15, 20, 25, 30 등 다양한 윈도우 사이즈로 데이터를 나누어 모델을 학습시킨 후 모델의 정확도를 비교하였다.
[1] 데이터 변형에서는 공통적으로 수집된 데이터를 최적의 윈도우 사이즈(Window Size)로 분리하고, 분리된 데이터를 각 인공지능 모델에 최적의 방법으로 데이터를 변형한 후 학습한 인공지능 모델과 기본 심전도 수치를 통해 이상상황 탐지 모델을 비교한다.
각 방법에 대한 데이터 변형 후 기본 심전도 데이터를 학습한 인공지능 모델과 변형된 데이터로 학습한 인공지능 모델을 비교한다.
두 번째는 오토인코더 모델을 학습한다. 기본 심전도 데이터를 활용해 정상 데이터를 학습시켜 평균 제곱 오차를 구하고 전처리의 첫 번째 방법인 이미지 변형 데이터를 활용하여 정상 데이터의 평균 제곱 오차를 구하여 정상 상황 탐지 정확도를 구한다.
이후 기준치를 역치(Threshold)로 사용하여 정확도를 계산하였다. 모델 비교는 심전도 데이터와 시계열 변형 데이터로 모델을 각각 학습시키고 테스트 셋을 이용하였다.
본 연구에서 사용한 심전도 윈도우 사이즈는 다양한 수치로 나누어 진행하였다.
본 연구에서도 ECG의 R-R Interval 수치를 이용해 심박변이도(HRV)의 여러 기준 수치를 파악하고 그 수치를 인공지능 모델에 활용하여 결과를 비교하였다.
오픈 데이터에는 이상치가 존재하는데 본 데이터베이스에서 알려진 이상치는 102번, 104번, 232번 환자이다. 수집된 데이터 중 노이즈가 포함된 이상치를 모델 학습의 퀄리티를 높이기 위해 제거한 후 데이터를 학습에 적합한 윈도우 사이즈로 나눈다. 이 전처리는 인공지능 모델 학습에 큰 영향을 미치며, 윈도우 사이즈에 따라 정상 파형과 이상 파형을 나누는 기준이 되기도 한다.
심전도 데이터를 이용하여 연구 중 최적의 윈도우 사이즈인 10으로 구분하여 데이터를 분리하고 기본 심전도 데이터와 데이터 변형을 한 시계열 데이터, 이미지 데이터로 인공지능 모델을 학습하여 비교하였다.
심전도의 R-R Interval을 통해 심박변이도를 구하고 심박변이도를 통한 비교 또한 진행하였다. 관련연구에서 설명한 것처럼 심박변이도는 심전도 분석에 영향력 있는 수치로 심박변이도를 측정하는 다양한 기준이 존재한다.
세 번째 LSTM모델은 기존 시계열 심전도 데이터를 통해 예측값을 구한 후 평균 제곱오차를 통해 기준치를 정하였다. 이후 기준치를 역치(Threshold)로 사용하여 정확도를 계산하였다. 모델 비교는 심전도 데이터와 시계열 변형 데이터로 모델을 각각 학습시키고 테스트 셋을 이용하였다.
첫 번째 SVM모델 비교에서는 기존 SVM분류와 One-class SVM모델을 비교한다.

대상 데이터

(1) 데이터 수집 단계에서는 PhysioNet의 다양한 데이터를 통해 연구를 진행하며 가장 적합한 데이터 셋을 선정하였다.
MIT-BIH Arrhythmia Database의 데이터는 시계열 ECG 데이터이다.
데이터의 수집은 오픈 데이터를 제공하고 ‘PhysioNet’을 통해 수집하였으며, 많이 사용되는 MIT-BIH Arrhythmia Database를 사용하였다.
본 연구에서 사용한 데이터는 PhysioNet의 의료 데이터베이스 중 많이 사용되는 MIT-BIH Arrhythmia Database를 이용하였다. 이 오픈데이터는 48명의 환자를 약 30분간 ECG 수치를 측정한 데이터이다.
MIT-BIH Arrhythmia Database의 데이터는 시계열 ECG 데이터이다. 오픈 데이터에는 이상치가 존재하는데 본 데이터베이스에서 알려진 이상치는 102번, 104번, 232번 환자이다. 수집된 데이터 중 노이즈가 포함된 이상치를 모델 학습의 퀄리티를 높이기 위해 제거한 후 데이터를 학습에 적합한 윈도우 사이즈로 나눈다.
본 연구에서 사용한 데이터는 PhysioNet의 의료 데이터베이스 중 많이 사용되는 MIT-BIH Arrhythmia Database를 이용하였다. 이 오픈데이터는 48명의 환자를 약 30분간 ECG 수치를 측정한 데이터이다.
10, 15, 20, 25, 30 등 다양한 윈도우 사이즈로 데이터를 나누어 모델을 학습시킨 후 모델의 정확도를 비교하였다. 학습 데이터의 양의 차이에서 윈도우 사이즈 10을 선정하였다.

데이터처리

기본 심전도 데이터를 활용해 정상 데이터를 학습시켜 평균 제곱 오차를 구하고 전처리의 첫 번째 방법인 이미지 변형 데이터를 활용하여 정상 데이터의 평균 제곱 오차를 구하여 정상 상황 탐지 정확도를 구한다.
모델 비교는 각각 모델의 정확도와 오분류율, 평균 제곱의 오차를 통해 비교하였다. 각 모델에 대한 정확도는 아래 표1과 같다.
세 번째 LSTM모델은 기존 시계열 심전도 데이터를 통해 예측값을 구한 후 평균 제곱오차를 통해 기준치를 정하였다. 이후 기준치를 역치(Threshold)로 사용하여 정확도를 계산하였다.

성능/효과

하지만 시계열 데이터로 변형한 학습의 결과가 기존 데이터보다 높은 성능 보여주었다. 대부분의 결과 기존 심전도 수치를 이용한 것 보다 높은 정확도를 보여주었다. 하지만 예외로 One-class SVM에서는 더 낮은 결과를 보여주었다.
각 모델에 대한 정확도는 아래 표1과 같다. 모델의 비교 결과 SVM 모델은 기존 이진분류 SVM보다 One-class SVM의 결과가 더 높은 정확도를 보여주었다.
연구의 결과로 인공지능 모델에 맞춰 데이터 변형을 통해 학습한 인공지능 모델들이 결과가 높게 나왔고, SVM의 One-class SVM이 가장 높은 정확도를 보였다. 심박변이도로 기본 심전도를 변환하여 인공지능 모델을 학습시킨 결과도 대부분이 기본 수치보다 더 높은 정확도를 보였지만, SVM에서는 예외의 결과를 보였다. 현재 PPG와 ECG 같은 접촉식센서 측정에서 발전되어 마이크로웨이브를 이용한 비접촉센서 연구가 이루어진다면 접촉식센서의 데이터 수집에 단점이 되는 센서 부착의 거부감을 제거하고 접촉식센서의 활용모델에 적용할 수 있을 것이다.
심전도 데이터를 이용하여 연구 중 최적의 윈도우 사이즈인 10으로 구분하여 데이터를 분리하고 기본 심전도 데이터와 데이터 변형을 한 시계열 데이터, 이미지 데이터로 인공지능 모델을 학습하여 비교하였다. 연구의 결과로 인공지능 모델에 맞춰 데이터 변형을 통해 학습한 인공지능 모델들이 결과가 높게 나왔고, SVM의 One-class SVM이 가장 높은 정확도를 보였다. 심박변이도로 기본 심전도를 변환하여 인공지능 모델을 학습시킨 결과도 대부분이 기본 수치보다 더 높은 정확도를 보였지만, SVM에서는 예외의 결과를 보였다.
오토인코더의 결과를 보면 기존 데이터를 통한 분류결과보다 이미지 변형 데이터를 통해 학습시킨 오토인코더가 더 좋은 정확도를 보여주었다.

후속연구

심박변이도로 기본 심전도를 변환하여 인공지능 모델을 학습시킨 결과도 대부분이 기본 수치보다 더 높은 정확도를 보였지만, SVM에서는 예외의 결과를 보였다. 현재 PPG와 ECG 같은 접촉식센서 측정에서 발전되어 마이크로웨이브를 이용한 비접촉센서 연구가 이루어진다면 접촉식센서의 데이터 수집에 단점이 되는 센서 부착의 거부감을 제거하고 접촉식센서의 활용모델에 적용할 수 있을 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	심전도란 무엇인가?	심전도 ECG는 심장박동의 주기 중에서 일어나는 심장의 전기적 활동 상태를 그래프에 나타낸 것이다. 심전도는 불규칙한 심장박동인 부정맥을 판단할 뿐만 아니라심근장애, 심방 심실의 비대, 확장, 폐순환 장애 등 심장질환 및 연관성 질환 진단에 유용한 지표이다.
	응급안전알림서비스가 가지는 한계점은 무엇인가?	그 중에서 보건복지부의 응급안전알림서비스는 보건복지부 산하에 있는 사회안전보장원의 사회안전망 서비스 중 하나로 현재도 서비스를 제공하고 있다. 하지만 응급안전알림서비스는 화재와 가스누출에만 초점이 맞춰져있으며, 사회적 약자인 독거노인의 고독사 혹은 중증 장애인들의 심정지등 위급상황에 대해 사전예방과 실시간 대응이 불가능한 현실이다. 또한 이상 상황을 탐지하기 위해서는 다양한 신호에 대한 분석과 상황을 고려해야하고, 실시간으로 모니터링되는 과정이 필요하기 때문에 현실적으로 서비스가 진행되기 어렵다.
	심박 데이터의 형태에는 무엇이 있는가?	심박 데이터는 접촉센서의 작동 원리에 따라 데이터의 형태가 나눠진다. 매우 널리 사용되는 2가지 방식은 광혈류측정 원리를 이용한 PPG 데이터와 심전도를 측정하는 ECG 데이터이다. 이 두 데이터는 예전부터 많은 상관관계에 대한 연구가 진행되어 왔으며 특시 심박변이도(HRV)에서 90%가 넘는 상관관계를 가진다는 연구 결과가 있다.

저자의 다른 논문 :

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