[논문]심장 질환 진단을 위한 베이지안 분류 기법

손호선; 이헌규; 조경환; 류근호; 노기용

심장 질환 진단을 위한 베이지안 분류 기법
Bayesian Classification Method for Diagnosing Heart Disease 원문보기

손호선 (충북대학교 전자계산학과) , 이헌규 (충북대학교 전자계산학과) , 조경환 (충북대학교 전자계산학과) , 류근호 (충북대학교 전자계산학과) , 노기용 (한국표준과학연구원)

심전도는 각종심장질환 들을 예측하는데 널리 사용되고 있다. 이러한 심전도에서 ST-분절은 허혈성 심장 질환, 확장성 심근성, 비후성 심근증 등을 예측하는데 이용되고 있다. 이 논문에서는 환자들의 임상 정보와 심전도로부터 심장 질환 예측을 위한 중요 파라미터인 ST-부절을 추출하였다. 그리고 이러한 추출된 데이터 분석을 위해서 데이터마이닝 기법을 적용한다. 데이터마이닝의 분류 알고리즘인 베이지안 네트워크를 적용 심장 질환을 효율적으로 분류하기 위한 방법을 제시 하였다.

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

문제 정의

따라서 이 논문에서는 임상 정보와 심전도 데이터로부터 심장 질환 예측을 위한 ST-분절을 추출하고, 베이지안 분류기에 적용 가능하도록 엔트로피 기반의 이산화와 정규화 등의 전처리 작업을 수행하였다. 나이브 베이지안과 베이지안 네트워크을 이용하여 정상인과 CAD를 분류하고, 이력 데이터를 통해 심장질환을 예측을 할 수 있다.

가설 설정

나이브 베이지안(Naive Bayesian) 분류기는 베이지안 분류 모형에서 각 입력 변수들 간에 독립을 가정하여 사후 확률을 계산한다. 사후 확률은 다음 식(1)과 같은 베이스 정리에 의해 구해진다.

제안 방법

ST 분절 구간 설정은 RR 간격이 600ms보다 클 경우는 R-peak에서 60ms 동안으로 하였다. ST 분절의 특징을 추출하기 위하여 RR 간격이 600ms보다 클 경우 또는 그렇지 않을 경우에 대하여, ST0(ST 분절이 시작되는 지점), ST80(R+140 또는 R+120 ms 지점에서의 진폭), ST-분절의 slope, ST 분절의 면적 (ST 분절의 구간에서 ST-분절 isoelectric level로 둘러싸여진 면적)을 ST-분절의 특징을 나타내는 파라미터의 후보로 설정하였다.
하지만 의학 지식을 적용하여 분석 등이 가능한 의학 도메인에서 도메인 지식 가능성이나 원인 분석이 가능하다는 특성은 큰 장점이 된다. 따라서 이 논문에서는 위와 같은 장점을 지닌 나이브 베이지안 (Naive Bayesian)과 베이지안 네트워크 (Bayesian network) 분류기를 사용하였다.
전처리 단계를 거친 ST-분절 특징 파라미터를 해당 클래스(정상/허혈)로 분류하기 위한 데이터 마이닝의 분류 기법을 적용한다. 실험을 위해 사용한 분류기는 나이브 베이지안과 베이지안 분류기를 이용하여 심전도 데이터를 분류하였다.
심근허혈질환의 분류를 위해 심전도 데이터와 임상정보를 이용하여 ST-분절 특성파라미터를 추출하고, 전처리와 정규화를 수행하였으며, 데이터들을 이용한 분류 방법으로는 데이터 마이닝 알고리즘인 나이브 베이지안(Naive Bayesian)과 베이지안 네트워크(Bayesian network) 분류기를 이용하여 실험하였다. 실험 결과 나이브 베이지안(Naive Bayesian) 분류기보다 네트워크 베이지안(Bayesian network) 분류기가 여러 면에서 더 정확함을 알 수 있었다.
이 논문에서 사용되는 나이브 베이지안(Naive Bayesian)과 베이지안 네트워크(Bayesian network) 분류기는 베이즈 정리를 이용하여 개체 X를 다음의 조건을 만족하는 G에 할당한다.
이 절에서는 심근 허혈 질환의 분류를 위한 전처리 단계로서 심전도 데이터를 이용하여 ST-분절 특성 파라미터를 추출하고, 분석을 위해 전처리 작업을 한다.

대상 데이터

ST-분절 파라미터 추출은 MATLAB 상에서 구현하였다. 실험에 사용된 데이터는 심장질환자(CAD) 290명과 정상인 370명을 이용하였다.

데이터처리

실제 실험 평가는 평균 절대오차(MAE), 평균자승오차제곱근(RMSE)과 F-Measure를 이용하여 분석하였으며, 다음〈표 2＞와〈표 3＞은 나이브 베이지안과 베 이지안 네트워크를 이용한 분류 결과를 보여주고 있다
위의 (표 2)와(표 3)은 나이브 베이지안(Naive Bayesian)과 베이지안 네트워크(Bayesian network) 알고리즘을 이용한 분류 예측값의 정확성 측면에서 성능을 평가하기 위해 평균 절대오차(MAE)를 식(4)을 이용하여 구한다.

이론/모형

R-Peak 와 QRS Complex 검줄 프로그램을 Tompkins 알고리즘을 이용하여 MATLAB으로 개발되었으며, 다음 (그림 2)에서 그 예를 볼 수 있다.[2][3][4]
나이브 베이지안(Naive Bayesian)의 문제점 즉 주어진 클래스의 한 속성값이 다른 속성값과 상호 독립임을 가정하지 않고 베이지안 네트워크는 속성의 부분 집합이 가지는 종속 관계를 표현할 수 있는 그래프 모델을 이용한다. 베이지안 네크워크(Bayesian network)는 최근 복잡한 도메인에서 불확실성을 해결하기 위한 강력한 데이터 마이닝 기법으로 사용되고 있다.
심전도란 심장의 상태를 비관혈적으로 진단하는 매우 중요한 수단으로 활용되며, 진폭의 수와 주파수를 이용한 생체 전위 신호 중 하나이다. 이 논문에서는 임상 정보와 심전도 데이터를 이용해 ST-분절의 특징 파라미터를 추출하고 심전도 데이터의 허혈/정상을 분류하기 위한 분류 알고리즘 기법으로는 나이브 베이지안과 베이지안 네트워크를 이용하였다.

성능/효과

나이브 베이지안 분류기에서는 평균 절대오차(MAE)가 0.2525이며, 베이지안 네트워크 분류기에서는 0.2388의 결과를 얻었으므로 이는 베이지안 네트워크 분류기가 더 정확도가 높다는 것을 알 수 있다. 또한 평균 자승 오차 제곱근(RMSE)은 오차 제곱의 평균에 제곱근을 취한 것으로 표준편차의 정의와 동일하다.
심근허혈질환의 분류를 위해 심전도 데이터와 임상정보를 이용하여 ST-분절 특성파라미터를 추출하고, 전처리와 정규화를 수행하였으며, 데이터들을 이용한 분류 방법으로는 데이터 마이닝 알고리즘인 나이브 베이지안(Naive Bayesian)과 베이지안 네트워크(Bayesian network) 분류기를 이용하여 실험하였다. 실험 결과 나이브 베이지안(Naive Bayesian) 분류기보다 네트워크 베이지안(Bayesian network) 분류기가 여러 면에서 더 정확함을 알 수 있었다. 즉 평균 절대 오차(MAE)값과 평균자승오차제곱근(RMSE)에서 베이지안 네트워크 분류기의 값이 더 작은 오차를 가지므로 정확도가 높다.
실험 결과 나이브 베이지안(Naive Bayesian) 분류기보다 네트워크 베이지안(Bayesian network) 분류기가 여러 면에서 더 정확함을 알 수 있었다. 즉 평균 절대 오차(MAE)값과 평균자승오차제곱근(RMSE)에서 베이지안 네트워크 분류기의 값이 더 작은 오차를 가지므로 정확도가 높다. 또한 정확도(Precision)와 재현율(Recall)을 이용한 F-Measure는 정상인이 허혈성질환의 환자보다 더 높음을 알 수 있다.

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

심장 질환 진단을 위한 베이지안 분류 기법
Bayesian Classification Method for Diagnosing Heart Disease 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

심장 질환 진단을 위한 베이지안 분류 기법 Bayesian Classification Method for Diagnosing Heart Disease 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

심장 질환 진단을 위한 베이지안 분류 기법
Bayesian Classification Method for Diagnosing Heart Disease 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper