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
- 그러나 요즘 심장 질환에 의한 돌연사 및 사회의 고령화로 인해 사람들의 건강에 대한 관심이 커지면서 자신의 건강 상태를 모니터 해 줄 수 있는 건강 진단 도구의 필요성이 대두 되었다. 이런 이유로 본 논문에서는 심전도 신호를 이용한 심장 질환 진단을 통해 건강 진단 도p 구의 개발 가능성을 모색한다. 심전도 신호의 측정 방법에는 전극의 위치에 따라 표준유도, 사지유도, 흉부유도등 여러 가지가 있다.
제안 방법
- 심전도 신호의 측정 방법에는 전극의 위치에 따라 표준유도, 사지유도, 흉부유도등 여러 가지가 있다.[1] 본 논문에서는 표준 제 2유도에 의해 측정된 산호를 통해 심장 질환을 진단하였다. 진단 대상 질환은 동서맥, 동빈맥, 좌각차단, 우각차단 둥이며 진단용 심전도 신호는 MIT-BIH의 데이터베이스의 데이터를 사용하여 실험 하였다.
- 일반적으로 이들 잡음은 무한 임펄스 응답 대역통과 필터 (Infinite Impulse Response Bandpass Fi!#)를 사용하여 제거 한다. 끄러나 본 논문에서는 이들 필터를 사용하여 발생하는 왜곡(3)을 감안하여 잡을을 제거하지 않고 잡음을 탐색하고 잡음 정도를 파악하여 잡음이 많은 부분은 제외하고 질환을 진단한다.
- 두 진단기의 성능을 비교평가하기 위하여 확률 신경망의 학습패턴과 입력형태는 오류 역전파 신경망에서 사용한 것과 동일한 것을 이용 하였다.
- 유 .랄리드 거리외 제곱을 계산, RBF(RacUal Basis Function) Transfer Function 이용해서 각 클래스의 확률을 계산하고, 제일 높은 확률을 가지는 Clws를 분류하여 각 질환에 대한 진단을 하계 된다.
- Maximum을 가지는 질환을 출력으로 내보낸다. 본 논문에서는 두 신경망의 비교를 위해 Training Vector를 오류 역전파 신경망과 같은 VecSr를 사용하였으며 단일 질병과흔합질병 그리고 정상을 포함한 9개가지의 출력을 내보낸다.
- 본 논문에서는 신경회로망을 기반으로 ECG를 이용한 두 가지 형태의 심장질환진단기롤 구성하였다. 진단을 위하여 다섯 가지의 특징을 추출하고, MIT-BIH의 부정맥 데이터베이스를 사용하여 진단기의 성능을 평가하였다, 평가결과 심창 질환의 종류에 따라 적합한 진단기가 다르다는 것을 알 수 있다.
- 진단 대상 질환은 동서맥, 동빈맥, 좌각차단, 우각차단 둥이며 진단용 심전도 신호는 MIT-BIH의 데이터베이스의 데이터를 사용하여 실험 하였다. 진단기는 오류 역전파 신경회로망 (Error Backpropagation Neural Network) 과 확률 신경회로망 (Probabilistic Neural Network)을 각각 적용하였으며, 단일질환 및 복합질환에 대한 진단결과를 통해 그 성능을 비교하였다.
- 진단을 위해 본 연구에서는 심학수, QRS interval, 묘R interval, QT interval, T파의 유형에 관한 특징들을 추출하였다. 심박수는 분당 그림 2와 같은 기본 파형이 몇 번 존채하는지 파악하는 것이고 QRS interval, PR interval, QT intervale 그림 2 (b)에서 정외한 구간을 의미한다.
대상 데이터
- [1] 본 논문에서는 표준 제 2유도에 의해 측정된 산호를 통해 심장 질환을 진단하였다. 진단 대상 질환은 동서맥, 동빈맥, 좌각차단, 우각차단 둥이며 진단용 심전도 신호는 MIT-BIH의 데이터베이스의 데이터를 사용하여 실험 하였다. 진단기는 오류 역전파 신경회로망 (Error Backpropagation Neural Network) 과 확률 신경회로망 (Probabilistic Neural Network)을 각각 적용하였으며, 단일질환 및 복합질환에 대한 진단결과를 통해 그 성능을 비교하였다.
- 진단을 위한 심장 질환 종류는 동빈맥, 동서맥, 우각차단맟 좌각차단의 네 가지를 선정하였다.
- 진단을 위한 입력은 MIT-BIH Arrhythmia 데이터베이스의 101번(정상), 118번(우각차단), 214번(좌각차단), 203번(정상), 207번(우각차단)의 Data를 이용하였으며 5개의 입력에 대한 데이터를 추출하여 실험하였으며 결과는 표 1과 같다. 전체 입력에 대해서는 270개중 193개의 패턴을 정확히 진단하여 71%의 진단율을 보였으며, 질환 유무만의 판단에 대해서는 270개중 255개를 바르게 판단하여 94%의 진단율을 보였다.
- 진단을 하기 위한 오류 역전파 신경망의 학습패턴은 MIT-BIH Arrhythmia 데이터베이스에서 정상(50개), 우각차단(50개), 좌각차단(50개), 동빈맥-좌각차단(50개), 동서맥-좌각차단(50개), 동빈맥-우각차단(50개), 동서맥-우각차단(50개), 동빈맥(50개), 동서맥(50개)을 포함한 총 450개롤 추출하여 사용하였다. 450개의 파형(정상에 대한 5개의 입력을 이용하여 289번 학습을 시킨 결과 평균제곱오차(MSE)가 0.
성능/효과
- 이는 각 질환의 판단 기준에서 유사한 부분이 많이 있기 때문이다. 그렇지만 동빈맥과 우각차단, 동서맥과 좌각차단의 혼합질병의 경우는 오류 역전파 신경망의 진단율보다 월등히 앞선 100%, 96%의 진단 결과를 보였다.
- 진단을 위하여 다섯 가지의 특징을 추출하고, MIT-BIH의 부정맥 데이터베이스를 사용하여 진단기의 성능을 평가하였다, 평가결과 심창 질환의 종류에 따라 적합한 진단기가 다르다는 것을 알 수 있다. 따라서 효율적인 진단을 위해서는 각각의 질병 및 생체신호에 따라 적합한 구조를 갖도록 재구성 가능한 진단기가 필요함을 보였다.
- 같다. 전체 입력에 대해서는 270개중 193개의 패턴을 정확히 진단하여 71%의 진단율을 보였으며, 질환 유무만의 판단에 대해서는 270개중 255개를 바르게 판단하여 94%의 진단율을 보였다. 입력 신호들에서 정상과 동서맥의 특징 중 심 박수의 차이가 많이 나지 않고 나머지 특징들이 유사하여 정상 파형이 동서맥으로 나온 경우가 생겼다.
- 형태의 심장질환진단기롤 구성하였다. 진단을 위하여 다섯 가지의 특징을 추출하고, MIT-BIH의 부정맥 데이터베이스를 사용하여 진단기의 성능을 평가하였다, 평가결과 심창 질환의 종류에 따라 적합한 진단기가 다르다는 것을 알 수 있다. 따라서 효율적인 진단을 위해서는 각각의 질병 및 생체신호에 따라 적합한 구조를 갖도록 재구성 가능한 진단기가 필요함을 보였다.
- 확률 신경망의 결과는 대체적으로 오류 역전파 신경망의 진단율보다 낮은 성능을 보였다. 특히 동서맥과 동빈맥의 진단 결과가 0%로 나왔는데, 이는 분류하는데 있어서 학습패턴의 유클리드 거리가 각각 동서맥과 좌각차단, 동빈맥과 우각차단과 매우 가깝게 위치하기 때문으로 판단된다.
- 확률 신경망의 결과는 전체 입력에 대해서는 270개중 123 개의 패턴을 정확히 진단하여 45%의 진단율을 보였으며 질환 유무만의 판단에 대해서는 270개중 255개를 바르게 판단하여 93%의 진단율을 보였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.