[논문]통계적 학습 모형에 기반한 불규칙 맥파 검출 알고리즘 개발

배장한; 장준수; 구본초

doi:10.9718/jber.2020.41.5.185

통계적 학습 모형에 기반한 불규칙 맥파 검출 알고리즘 개발
Development of The Irregular Radial Pulse Detection Algorithm Based on Statistical Learning Model 원문보기

Journal of biomedical engineering research : the official journal of the Korean Society of Medical & Biological Engineering, v.41 no.5, 2020년, pp.185 - 194

배장한 (한국한의학연구원) , 장준수 (한국한의학연구원) , 구본초 (한국한의학연구원)

Abstract ▼ AI-Helper

Arrhythmia is basically diagnosed with the electrocardiogram (ECG) signal, however, ECG is difficult to measure and it requires expert help in analyzing the signal. On the other hand, the radial pulse can be measured with easy and uncomplicated way in daily life, and could be suitable bio-signal for the recent untact paradigm and extensible signal for diagnosis of Korean medicine based on pulse pattern. In this study, we developed an irregular radial pulse detection algorithm based on a learning model and considered its applicability as arrhythmia screening. A total of 1432 pulse waves including irregular pulse data were used in the experiment. Three data sets were prepared with minimal preprocessing to avoid the heuristic feature extraction. As classification algorithms, elastic net logistic regression, random forest, and extreme gradient boosting were applied to each data set and the irregular pulse detection performances were estimated using area under the receiver operating characteristic curve based on a 10-fold cross-validation. The extreme gradient boosting method showed the superior performance than others and found that the classification accuracy reached 99.7%. The results confirmed that the proposed algorithm could be used for arrhythmia screening. To make a fusion technology integrating western and Korean medicine, arrhythmia subtype classification from the perspective of Korean medicine will be needed for future research.

주제어

표/그림 (11)

그림 그림 1. 일반적인 맥파 신호와 불규칙 맥파 신호의 유형별 예시 Fig. 1. Examples of normal and irregular radial pulse wave signals by type
그림 그림 2. 전처리 과정을 최소화한 세 가지 데이터 셋 예시 Fig. 2. A sampled case for illustrating three datasets after the minimal preprocessing
그림 그림 3. 불규칙 맥파 검출을 위한 그레디언트 부스팅 적용 개요도 Fig. 3. Schematic flow chart of the gradient boosting for detecting irregular radial pulse
표 표 1. 랜덤 포레스트 모형의 조율 모수 격자 Table 1. Tuning parameters of random forest in the experiment
그림 그림 4. 맥파 데이터 셋 별 입력변수(데이터 포인트 혹은 주파수 Hz 성분)의 정규화 변환값에 대한 정상 및 불규칙 맥파의 평균 프로파일 Fig. 4. Mean profile of normal and irregular radial pulse derived from each dataset after the min-max normalization
표 표 2. 극단 그레디언트 부스팅 모형의 조율 모수 격자 Table 2. Tuning parameters of extreme gradient boosting in the experiment
표 표 3. 불규칙 맥파 검출 모형 평가 결과 Table 3. Evaluation results of the irregular radial pulse detection models
표 표 4. XGBM의 검증집합에 대한 혼동행렬 Table 4. Confusion matrix for the XGBM
그림 그림 5. 무작위 추출된 정상 및 불규칙 맥파에 대한 XGBM 변수의 중요도 Fig. 5. XGBM feature importance plot of randomly selected normal and irregular radial pulses
표 표 5. XGBM 의 10겹 교차검증 기반 최적 조율모수 도출 결과 Table 5. Optimal tuning parameters determined by 10-fold cross validation of the XGBM
그림 그림 6. 무작위 추출된 정상 및 불규칙 맥파에 대한 XGBM 서브 모듈 선택 도표 Fig. 6. XGBM submodular pick plot of randomly selected normal and irregular radial pulses

AI 본문요약
AI-Helper

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

문제 정의

따라서 특징점을 검출하지 않고 원신호에 최소한의 전처리만을 수행한 학습 모형 기반의 불규칙 리듬 검출 연구는 다양한 유형의 부정맥을 진단하기 위한 필수적인 기초 연구이며, 나아가 부정맥 진단의 정확성을 높이는 맥파 기반 딥러닝 분석의 첫걸음을 내딛는 의미가 있다. 본 연구에서는 간편하게 측정 가능한 맥파 신호를 대상으로 학습 모형에 기반한 불규칙 맥파 검출 알고리즘을 개발하고 부정맥 스크리닝으로서의 적용 가능성을 고찰해보고자 한다.
본 연구에서는 맥파의 특징점 추출이 필요 없는 최소 전처리 학습 모형에 기반한 불규칙 맥파 검출 알고리즘을 개발하여 부정맥 스크리닝으로서의 적용 가능성을 확인하였다. 맥파 신호에 푸리에 변환 및 기초 필터링을 한 후 EN-LRM과 RF, XGBM을 이용해 불규칙 맥파 검출 성능을 평가한 결과, XGBM이 정확도 99.

제안 방법

본 연구에서는 총 60,000 개의 포인트로 구성된 시계열 맥파 데이터를 원 신호(raw data)로 획득했다. 그 후, 맥파 데이터의 시작점과 피크점 등의 휴리스틱 특징(heuristic feature)을 추출하지 않고 전처리 과정을 최소화한 총 3가지의 입력 데이터 셋을 구성하여 분석을 진행했다. 첫 번째 데이터 셋은 시간 영역 신호에 대한 각 분류 모형의 최적화 계산 효율을 위해 대역제한보간(band-limited interpolation) 방법 기반의 리샘플링(resampling)을 적용해[19], 총 6,000 개의 데이터 포인트로 축소한 신호를 입력 변수로 사용했다.
선행 연구에 따르면, 맥파 신호의 경우 10 Hz 이하에서 99%의 스펙트럼 에너지가 존재함이 알려져 있고[20], 맥진기의 하드웨어 및 소프트웨어 필터도 30 Hz 이하로 설정되어 있다. 따라서, 본 연구에서는 푸리에 변환을 수행하여 계산된 500 Hz 까지의 모든 주파수 영역대신 0~30 Hz 영역에 해당하는 1,800개의주파수 Hz 성분만을 입력 변수로 사용했다. 그림 2는 동일 맥파 데이터에서 구성한세 가지 데이터 셋의 특징을 나타낸다.
본 연구에서 고려한 세 가지 데이터 셋 각각은 불규칙 맥파군의 비율을 균일하게 유지하면서 각 군의 80%를 훈련집합(training set), 20%를 검증집합(test set)으로 랜덤하게 분할했다. 최종적으로 1,145 개의 훈련집합(정상 맥파: 1090, 불규칙 맥파: 55)과 287 개의 검증집합(정상 맥파: 273, 불규칙 맥파: 14)을 모형 개발 및 평가에 사용했다.
이를 보완하기 위한 방법으로 SMOTE(synthetic minority oversampling technique) 또는 소수 케이스(집단)에 가중치를 부여하는 방법이 있다[29]. 본 연구에서는 분류모형 구축 시 전체 데이터 셋에서 정상 맥파와 불규칙 맥파 발생 비율의 역수를 각 케이스의 가중치로 사용했다.

대상 데이터

0)를 사용해 측정하였다[17,18]. 1,000 Hz의 샘플링 속도로 측정된 6채널 압저항 센서 데이터 중 가장 큰 압맥파를 가진 채널의 데이터를 선정하였으며, 연속가압방식 프로토콜로 측정한 맥파 구간 중 일정가압으로 60초 동안 측정한 구간을 분석에 사용하였다[17]. 최종 분석에는 각 임상 시험 대조군에서 수집한 1,363 개의 요골동맥 맥파 신호와 69 개의 불규칙 맥파 신호가 사용되었다.
본 연구는 한국한의학연구원에서 “혈류역학과 맥 진단학을 융합한 맞춤의료 맥 분석 시스템 개발” 과제의 일환으로 수집된 요골동맥 맥파 신호를 사용하였다. 과제 수행 중 진행한 모든 임상연구는 IRB 승인(KOMCIRB-2014-70, KOMCIRB150622-HR-021, KOMCIRB-150818-HR-030, 2015/8, KOMCIRB-160620-HR-031, 2016/8-1)을 받았으며, 질병 관리본부 임상연구정보서비스(Clinical Research Information Service, CRIS)에 등록 되었다.
본 연구에서는 총 60,000 개의 포인트로 구성된 시계열 맥파 데이터를 원 신호(raw data)로 획득했다. 그 후, 맥파 데이터의 시작점과 피크점 등의 휴리스틱 특징(heuristic feature)을 추출하지 않고 전처리 과정을 최소화한 총 3가지의 입력 데이터 셋을 구성하여 분석을 진행했다.
그 후, 맥파 데이터의 시작점과 피크점 등의 휴리스틱 특징(heuristic feature)을 추출하지 않고 전처리 과정을 최소화한 총 3가지의 입력 데이터 셋을 구성하여 분석을 진행했다. 첫 번째 데이터 셋은 시간 영역 신호에 대한 각 분류 모형의 최적화 계산 효율을 위해 대역제한보간(band-limited interpolation) 방법 기반의 리샘플링(resampling)을 적용해[19], 총 6,000 개의 데이터 포인트로 축소한 신호를 입력 변수로 사용했다. 두 번째 데이터 셋은 맥파 시간 영역 원 신호에 고속 이산 푸리에 변환(fast discrete Fourier transformation, FFT)을 적용해 획득한 주파수 영역 스펙트럼을 입력 변수로 사용했으며, 세 번째 데이터 셋은 두 번째 데이터 셋에서 획득한 스펙트럼의 잡음 제거를 위해 사인-가중치 이동평균(sine-weighted moving average, SWMA)을 적용한 결과를 입력 변수로 사용했다.
1,000 Hz의 샘플링 속도로 측정된 6채널 압저항 센서 데이터 중 가장 큰 압맥파를 가진 채널의 데이터를 선정하였으며, 연속가압방식 프로토콜로 측정한 맥파 구간 중 일정가압으로 60초 동안 측정한 구간을 분석에 사용하였다[17]. 최종 분석에는 각 임상 시험 대조군에서 수집한 1,363 개의 요골동맥 맥파 신호와 69 개의 불규칙 맥파 신호가 사용되었다. 맥파 분석 전문가는 피험자의 움직임이나 측정 노이즈 등을 모두 제거한 전처리 맥파 신호를 대상으로 맥파의 불규칙 리듬을 관찰하여 불규칙 여부를 라벨링 하였으며, 일반적인 맥파 신호와 불규칙 맥파 신호의 유형별 예시는 그림 1에 나타내었다.
본 연구에서 고려한 세 가지 데이터 셋 각각은 불규칙 맥파군의 비율을 균일하게 유지하면서 각 군의 80%를 훈련집합(training set), 20%를 검증집합(test set)으로 랜덤하게 분할했다. 최종적으로 1,145 개의 훈련집합(정상 맥파: 1090, 불규칙 맥파: 55)과 287 개의 검증집합(정상 맥파: 273, 불규칙 맥파: 14)을 모형 개발 및 평가에 사용했다. 각 분류모형의 최적 조율모수는 10겹 교차검증(10-fold cross-validation)을 기반으로 수신자 조작 특성 곡선 아래 면적(area under the receiver operating characteristic curve, AUROC)을 계산하여 선택했다.

데이터처리

(β)에서 α≥0는 벌점 함수의 조율 모수(tuning parameter) 이고 α(0 ≤ α ≤ 1)와 λ 값의 조정을 통해 능형회귀모형(ridge regression model)과 LASSO(least absolute shrinkage and selection operator)의 벌점 함수를 혼합한 축소된 회귀계수를 얻을 수 있다. 본 연구에서 탄성망 로지스틱 회귀모형은 R 소프트웨어에서 제공하는 glmnet 패키지를 사용해 구현했으며[24], λ는 exp(log20)에서 exp(log0.0001) 까지 총 100개의 값과 α는 0에서 1까지 0.1 단위로 11개 의 값에 대한 조합으로 생성한 격자(grid)를 이용해 각 모수의 조합에 대한 분류 모형의 성능을 평가했다.
최종적으로 1,145 개의 훈련집합(정상 맥파: 1090, 불규칙 맥파: 55)과 287 개의 검증집합(정상 맥파: 273, 불규칙 맥파: 14)을 모형 개발 및 평가에 사용했다. 각 분류모형의 최적 조율모수는 10겹 교차검증(10-fold cross-validation)을 기반으로 수신자 조작 특성 곡선 아래 면적(area under the receiver operating characteristic curve, AUROC)을 계산하여 선택했다. 최종적으로 선정한 모형의 훈련집합 예측 확률값을 기반으로 얻은 유덴 지수(Youden index)를 통해 민감도와 특이도가 최대가 되는 절단값(cut-off value)을 결정하였고[30], 최종 모형의 세부 평가를 위해 검증집합의 정확도(accuracy), 민감도(sensitivity), 특이도(specificity) 및 정밀도(precision)를 계산했다.
첫 번째 데이터 셋은 시간 영역 신호에 대한 각 분류 모형의 최적화 계산 효율을 위해 대역제한보간(band-limited interpolation) 방법 기반의 리샘플링(resampling)을 적용해[19], 총 6,000 개의 데이터 포인트로 축소한 신호를 입력 변수로 사용했다. 두 번째 데이터 셋은 맥파 시간 영역 원 신호에 고속 이산 푸리에 변환(fast discrete Fourier transformation, FFT)을 적용해 획득한 주파수 영역 스펙트럼을 입력 변수로 사용했으며, 세 번째 데이터 셋은 두 번째 데이터 셋에서 획득한 스펙트럼의 잡음 제거를 위해 사인-가중치 이동평균(sine-weighted moving average, SWMA)을 적용한 결과를 입력 변수로 사용했다. 선행 연구에 따르면, 맥파 신호의 경우 10 Hz 이하에서 99%의 스펙트럼 에너지가 존재함이 알려져 있고[20], 맥진기의 하드웨어 및 소프트웨어 필터도 30 Hz 이하로 설정되어 있다.
각 분류모형의 최적 조율모수는 10겹 교차검증(10-fold cross-validation)을 기반으로 수신자 조작 특성 곡선 아래 면적(area under the receiver operating characteristic curve, AUROC)을 계산하여 선택했다. 최종적으로 선정한 모형의 훈련집합 예측 확률값을 기반으로 얻은 유덴 지수(Youden index)를 통해 민감도와 특이도가 최대가 되는 절단값(cut-off value)을 결정하였고[30], 최종 모형의 세부 평가를 위해 검증집합의 정확도(accuracy), 민감도(sensitivity), 특이도(specificity) 및 정밀도(precision)를 계산했다.

이론/모형

이렇게 다수의 모형으로부터 얻은 예측결과를 활용한 최종 앙상블 방법을 배깅(bagging, bootstrap aggregating)이라고 한다. 본 연구에서는 RF를 적용하기 위해 R 소프트웨어의 ranger 패키지를 활용했으며[26], 모형 적합 및 평가를 위해 고려한 조율 모수는 표 1과 같다.
불규칙 맥파 검출을 위한 학습 알고리즘으로 통계적 학습 모형(statistical learning model)을 본 연구에 적용했다. 평가를 위한 데이터 셋은 모두 표본의 크기보다 변수(데이터 포인트 혹은 주파수 Hz 성분)의 개수가 많기 때문에 고전적 통계모형을 적용하지 않고, 고차원 데이터에 적용 가능한 탄성망 로지스틱 회귀모형(elastic net logistic regression model, EN-LRM)[21], 트리 계열 앙상블 모형인 랜덤 포레스트(random forest, RF)[22]와 극단 그레디언트 부스팅(extreme gradient boosting machine, XGBM)[23]을 평가 모형으로 고려했다.
불규칙 맥파 검출을 위한 학습 알고리즘으로 통계적 학습 모형(statistical learning model)을 본 연구에 적용했다. 평가를 위한 데이터 셋은 모두 표본의 크기보다 변수(데이터 포인트 혹은 주파수 Hz 성분)의 개수가 많기 때문에 고전적 통계모형을 적용하지 않고, 고차원 데이터에 적용 가능한 탄성망 로지스틱 회귀모형(elastic net logistic regression model, EN-LRM)[21], 트리 계열 앙상블 모형인 랜덤 포레스트(random forest, RF)[22]와 극단 그레디언트 부스팅(extreme gradient boosting machine, XGBM)[23]을 평가 모형으로 고려했다. 이때, 모든 데이터 셋은 각 입력변수의 변동성을 균일하게 맞추기 위해 주파수 Hz 성분 별로 최소-최대 정규화(min-max normalization)를 하여 데이터 값을 0 에서 1 사이 값으로 재조정했다.

성능/효과

7%로 EN-LRM과 비슷한 성능을 보였다. XGBM은 검증집합에 대해 정확도 99.7%, 민감도 100%, 특이도 99.6%, 정밀도 93.3%를 나타냈다. XGBM과 EN-LRM의 성능은 AUROC 기준으로 봤을 때는 큰 차이를 보이지 않았으나 민감도, 특이도, 정밀도 측면에서 봤을 때 EN-LRM보다 성능이 좋게 나타났기 때문에 XGBM으로 도출한 모형을 최종 분류모형으로 결정했다.
본 연구에서는 맥파의 특징점 추출이 필요 없는 최소 전처리 학습 모형에 기반한 불규칙 맥파 검출 알고리즘을 개발하여 부정맥 스크리닝으로서의 적용 가능성을 확인하였다. 맥파 신호에 푸리에 변환 및 기초 필터링을 한 후 EN-LRM과 RF, XGBM을 이용해 불규칙 맥파 검출 성능을 평가한 결과, XGBM이 정확도 99.7%, 민감도 100.0%, 특이도 99.6%, 정밀도 99.3%로 가장 우수한 성능을 보였다. 이는 일상 생활에서 간편하게 주기적으로 측정 가능하고 비대면 진료에도 적합한 맥파 신호가 부정맥 스크리닝에 적용 가능함을 시사하는 결과이며, 맥파를 이용한 딥러닝 기반 부정맥 분석의 시작점 연구로써 의미가 있다.
본 연구에서 사용한 전체 1,432 개의 맥파 신호 중 불규칙 맥파는 69 개(5.0%)로 정상/불규칙 맥파의 분포가 불균형 하다. 이 경우 모형의 전반적인 성능은 좋을 수 있으나, 작은 케이스에 대한 정확도와 민감도 등은 떨어질 수 있다.
이러한 특징을 가지고 있는 세 가지 데이터 셋을 본 연구에서 고려한 통계적 학습모형의 입력으로 하고 최적 모형을 구성해 훈련 및 검증한 결과는 표 3과 같다. 시간 영역 데이터 셋의 경우 고려한 모든 학습모형에서 주파수 영역 데이터 셋에 비해 검출 성능이 낮게 나타났다. 특히 SWMA를 적용한 주파수 영역 데이터 셋은 모든 모형에서 가장 높은 검출 성능을 나타냈는데, EN-LRM의 경우 검증집합에 대해 정확도 99.
시간 영역 데이터 셋의 경우 고려한 모든 학습모형에서 주파수 영역 데이터 셋에 비해 검출 성능이 낮게 나타났다. 특히 SWMA를 적용한 주파수 영역 데이터 셋은 모든 모형에서 가장 높은 검출 성능을 나타냈는데, EN-LRM의 경우 검증집합에 대해 정확도 99.0% 민감도 100%, 특이도 98.9%, 정밀도 82.4%로 나타났고, RF 모형의 경우 정확도 99.0%, 민감도 92.9%, 특이도 99.3%, 정밀도 86.7%로 EN-LRM과 비슷한 성능을 보였다. XGBM은 검증집합에 대해 정확도 99.

후속연구

다만 본 연구는 심전도가 아닌 맥파의 불규칙 리듬 유무만으로 기초적인 부정맥 스크리닝이 가능한 지에 대한 예비 연구 성격이었기 때문에, 기존에 심전도의 P파 형태나 QRS 폭, P파와 QRS의 비율 등이 판단 기준으로 알려져 있는 부정맥의 세부 유형들은 본 연구의 범위에 포함되지 않았고, 임상에서 획득한 불규칙 맥파의 데이터 개수도 정상 맥파에 비해 많지 않았던 한계점으로 인해, 다양한 부정맥 유형을 세분화하여 분석하지는 못하였다. 향후 연구에서는 개발한 알고리즘을 심전도에도 적용해 알고리즘의 확장성을 검증함은 물론, 심전도에서 진단 가능한 부정맥 유형들 중 맥파에서도 동일하게 진단 가능한 유형들에 대한 심화 연구가 필요하다.
향후 연구에서는 개발한 알고리즘을 심전도에도 적용해 알고리즘의 확장성을 검증함은 물론, 심전도에서 진단 가능한 부정맥 유형들 중 맥파에서도 동일하게 진단 가능한 유형들에 대한 심화 연구가 필요하다. 또한 한의학적 개념을 접목하여 부정맥을 결맥, 촉맥, 대맥 등으로 세분화 하고 이의 임상 활용성을 검증한다면, 양한방을 통합할 수 있는 맥파 신호 기반의 유용한 융합 기술을 개발할 수 있을 것으로 사료된다.
이는 맥파 신호에서 10 Hz 이상의 스펙트럼 에너지는 전체 에너지의 1% 정도에 불과한 작은 비율을 차지하고 있지만, 10 Hz 이하의 에너지보다 더 많은 생리적 특성을 나타낸다는 기존의 연구내용[32] 및 장기의 손상이나 기능적 이상 환자는 10 Hz 이상에서 스펙트럼 에너지가 증가한다는 연구내용[33] 등과 관련이 있는 결과이다. 하지만, 특정 주파수 성분들이 맥파의 어떤 특성과 관련이 있는지는 지금까지의 선행연구를 통해서도 아직 정확하게 특정할 수 없기 때문에 명확한 생리적 해석을 위해서는 더 많은 맥파 연구가 수행 되어야 할 것이다. 또한 모형의 관점에서도 XGBM은 2차원 구조를 가진 데이터 셋에 대한 예측 성능이 높다고 알려져 있으나, 앙상블 기법을 기반으로 하는 모형이기 때문에 전통적인 모형과는 다르게 그 해석이 용이하지는 않다[34].
다만 본 연구는 심전도가 아닌 맥파의 불규칙 리듬 유무만으로 기초적인 부정맥 스크리닝이 가능한 지에 대한 예비 연구 성격이었기 때문에, 기존에 심전도의 P파 형태나 QRS 폭, P파와 QRS의 비율 등이 판단 기준으로 알려져 있는 부정맥의 세부 유형들은 본 연구의 범위에 포함되지 않았고, 임상에서 획득한 불규칙 맥파의 데이터 개수도 정상 맥파에 비해 많지 않았던 한계점으로 인해, 다양한 부정맥 유형을 세분화하여 분석하지는 못하였다. 향후 연구에서는 개발한 알고리즘을 심전도에도 적용해 알고리즘의 확장성을 검증함은 물론, 심전도에서 진단 가능한 부정맥 유형들 중 맥파에서도 동일하게 진단 가능한 유형들에 대한 심화 연구가 필요하다. 또한 한의학적 개념을 접목하여 부정맥을 결맥, 촉맥, 대맥 등으로 세분화 하고 이의 임상 활용성을 검증한다면, 양한방을 통합할 수 있는 맥파 신호 기반의 유용한 융합 기술을 개발할 수 있을 것으로 사료된다.
또한 모형의 관점에서도 XGBM은 2차원 구조를 가진 데이터 셋에 대한 예측 성능이 높다고 알려져 있으나, 앙상블 기법을 기반으로 하는 모형이기 때문에 전통적인 모형과는 다르게 그 해석이 용이하지는 않다[34]. 향후에 최근 제안된 LIME(local interpretable model-agnostic explanation) 기법을 추가적으로 적용한다면, 전체가 아닌 부분적인 개별 예측의 해석을 통해 복잡한 모형의 이해를 높일 수 있을 것으로 사료된다[35].

질의응답

핵심어	질문	논문에서 추출한 답변
	부정맥이란 무엇인가?	심장의 리듬은 정상 혹은 비정상일 수 있는데 부정맥은 정상적인 과정과 다르게 생성되고 전달되는 병적인 성격을 가진 심장 리듬을 통칭한다[1]. 부정맥은 반드시 병적인 과정을 의미하는 것은 아니지만 다양한 심혈관질환의 위험인자가 되기 때문에 조기 진단이 중요하며, 부정맥 관련 진단 알고리즘 및 임상 연구가 활발히 진행되고 있다[2-4].
	부정맥은 무엇을 기본으로 진단하는가?	부정맥은 심전도(ECG) 신호를 기본으로 진단한다. 심전도를 통해 심장의 리듬이 예상보다 일찍 발생하는 조기 박동군(premature complex) 이나 늦게 발생하는 이탈 박동군(escape complex), 동방결절에서 정상적으로 기원한 박동군에서 불규칙성이 다양하게 일어나는 동부정맥(sinus arrhythmia) 등 다양한 부정맥을 진단함으로써 심장의 기능을 정밀하게 분석하거나 심장질환을 진단할 수 있다[1].
	심전도 신호를 통해 부정맥을 진단하는 방법들의 문제점은 무엇인가?	심전도를 통해 심장의 리듬이 예상보다 일찍 발생하는 조기 박동군(premature complex) 이나 늦게 발생하는 이탈 박동군(escape complex), 동방결절에서 정상적으로 기원한 박동군에서 불규칙성이 다양하게 일어나는 동부정맥(sinus arrhythmia) 등 다양한 부정맥을 진단함으로써 심장의 기능을 정밀하게 분석하거나 심장질환을 진단할 수 있다[1]. 하지만 심전도는 여러 개의 전극을 기반으로 정확한 유도 위치를 알아야 하기 때문에 측정이 복잡하고, 심전도 신호의 분석 및 해석에 전문가의 도움이 필요하며, 대부분 병원에서 검사가 이루어지기 때문에 일상에서 측정하기 어려운 한계가 있다[5].

참고문헌 (35)

Garcia TB, Garcia DJ. Arrhythmia recognition: The art of interpretation. Jones & Bartlett Publishers; 2019.
Song M-H, Lee J, Cho S-P, Lee K-J. SVM classifier for the detection of ventricular fibrillation. Journal of the Institute of Electronics Engineers of Korea SC. 2005;42(5):27-34.
Lee S, Ryu C, Park K-H. Adaptive Detection of Unusual Heartbeat According to R-wave Distortion on ECG Signal. Journal of The Institute of Electronics Information Engineers. 2014;51(9):200-7.

원문보기 상세보기
Cho I-S, Kwon H-S, Kim J-M, Kim S-J. Feature Extraction based on Auto Regressive Modeling and an Premature Contraction Arrhythmia Classification using Support Vector Machine. Journal of the Korea Institute of Information and Communication Engineering. 2019;23(2):117-26.
Lee J, Song M-H, Lee K-J. Atrial Fibrillation Waveform Extraction Algorithm for Holter Systems. Journal of the Institute of Electronics Engineers of Korea SC. 2012;49(3):38-46.
Bashar SK, Han D, Hajeb-Mohammadalipour S, Ding E, Whitcomb C, McManus DD, Chon KH. Atrial Fibrillation Detection from Wrist Photoplethysmography Signals Using Smartwatches. Sci Rep. 2019;9: Article ID 15054.
Tison GH, Sanchez JM, Ballinger B, Singh A, Olgin JE, Pletcher MJ, Vittinghoff E, Lee ES, Fan SM, Gladstone RA, Mikell C, Sohoni N, Hsieh J, Marcus GM. Passive Detection of Atrial Fibrillation Using a Commercially Available Smartwatch. JAMA Cardiol. 2018;3(5):409-16.

상세보기
Sohn K, Dalvin SP, Merchant FM, Kulkarni K, Sana F, Abohashem S, Singh JP, Heist EK, Owen C, Isselbacher EM. Utility of a smartphone based system (cvrPhone) to predict short-term arrhythmia susceptibility. 2019;9(1):1-11.

상세보기
Cho J, Bae J-H, Kim Y, Jun M, Yang T, Jeon Y. Development of Pulse Analysis System Based on Convenience and Compactness. Journal of Biomedical Engineering Research. 2017;38(4):168-74.
Xu L, Zhang D, Wang K, Wang L. Arrhythmic pulses detection using Lempel-Ziv complexity analysis. EURASIP Journal on Applied Signal Processing. 2006; Article ID 18268.
Wang H-Y, Zhang P-Y. A model for automatic identification of human pulse signals. Journal of Zhejiang University-Science A. 2008;9(10):1382-9.

상세보기
Joo S. Well-being Korean Medicine - Arrhythmia. Journal of the KSME. 2006;46(2):104-105.
Min C-H, Kim T-S. Detection of ECG Signal Waveform for Arrhythmia Classification. Proceedings of the IEEK Conference, 2005;453-6.
Yildirim O, Plawiak P, Tan RS, Acharya UR. Arrhythmia detection using deep convolutional neural network with long duration ECG signals. Comput Biol Med. 2018;102:411-20.

상세보기
Ullah A, Anwar SM, Bilal M, Mehmood RM. Classification of Arrhythmia by Using Deep Learning with 2-D ECG Spec-tral Image Representation. Remote Sensing. 2020;12(10).

상세보기
Singh S, Pandey SK, Pawar U, Janghel RR. Classification of ECG arrhythmia using recurrent neural networks. J Procedia computer science. 2018;132:1290-7.

상세보기
Bae J-H, Kim JU, Kim J. Harmonic analysis of pulse morphology variability for pulse smoothness assessment. Biomedical Signal Processing and Control. 2018;44:1-11.

상세보기
Bae J-H, Jeon YJ, Kim JY, Kim JU. New assessment model of pulse depth based on sensor displacement in pulse diagnostic devices. Evid Based Complement Alternat Med. 2013; Article ID 938641.
Smith J, Gossett P. A flexible sampling-rate conversion method. IEEE International Conference on Acoustics, Speech, and Signal Processing. 1984;9:112-5.
Wei L, Lee C, Chow P. A new scientific method of pulse diagnosis. J American Journal of Acupuncture. 1984;12(3):205-18.
Simon N, Friedman J, Hastie T, Tibshirani R. Regularization paths for Cox's proportional hazards model via coordinate descent. 2011;39(5):1.
Liaw A, Wiener MJ. Classification and regression by random Forest. 2002;2(3):18-22.
Chen T, He T, Benesty M, Khotilovich V, Tang YJ. Xgboost: extreme gradient boosting. 2015;1-4.
Bui XN, Nguyen H, Tran QH, Bui HB, Nguyen QL, Nguyen DA, Le TTH, Pham V. A Lasso and Elastic-Net Regularized Generalized Linear Model for Predicting Blast-Induced Air Over-pressure in Open-Pit Mines. 2019;21.
Breiman LJ. Random forests. 2001;45(1):5-32.
Wright MN, Ziegler AJ. ranger: A fast implementation of random forests for high dimensional data in C++ and R. 2015.
Freund Y, Schapire RE. A decision-theoretic generalization of on-line learning and an application to boosting. 1997;55(1):119-39.

상세보기
Friedman JH. Stochastic gradient boosting. 2002;38(4):367-78.

상세보기
Chen C, Liaw A, Breiman L. Using random forest to learn imbalanced data. 2004;110(12):24.
Fluss R, Faraggi D, Reiser BJ. Estimation of the Youden Index and its associated cutoff point. 2005;47(4):458-72.
Prasad B V P, Parthasarathy V. Detection and classification of cardiovascular abnormalities using FFT based multi-objective genetic algorithm. Biotechnology & Biotechnological Equipment. 2017;32(1):183-93.

상세보기
Huang CM, Chang HC, Kao ST, Li TC, Wei CC, Chen C, Liao YT, Chen FJ. Radial pressure pulse and heart rate variability in heat- and cold-stressed humans. Evid Based Complement Alternat Med. 2011; Article ID 751317.
Huang CM, Wei CC, Liao YT, Chang HC, Kao ST, Li TC. Developing the effective method of spectral harmonic energy ratio to analyze the arterial pulse spectrum. Evid Based Complement Alternat Med. 2011; Article ID 342462.
Sheridan RP, Wang WM, Liaw A, Ma J. Extreme gradient boosting as a method for quantitative structure-activity relationships. 2016;56(12):2353-60.

상세보기
Ribeiro M T, Singh S, Guestrin C. Why should I trust you? Explaining the predictions of any classifier. Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining, 2016;1135-44.

저자의 다른 논문 :

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