디지털 라이브러리[ 검색결과 ]
VAE 기반 데이터 증강과 CNN을 적용한 ECG 부정맥 분류 모델
http://doi.org/10.5626/JOK.2023.50.11.947
ECG 데이터는 비교적 쉽게 얻을 수 있고, 부정맥의 진단에 결정적인 역할을 하기 때문에 심장 질환의 예방 목적 연구에 자주 사용된다. MIT-BIH 부정맥 데이터셋은 심장병의 원인 중 하나인 부정맥 분석 연구에 많이 사용되지만, 발병률에 차이가 존재하므로 부정맥 클래스 불균형 문제를 지니고 있다. 부정맥의 클래스 간 불균형은 부정맥 분류 성능에 영향을 주기 때문에, 본 논문에서는 부정맥 클래스의 불균형 문제를 해결하고자 증강된 데이터를 이용하여 서로 다른 4가지 분류 방법을 제시하였다. 증강에 따른 분류 성능 평가를 위하여 VAE 이외의 다른 증강 방법과 비교하였으며, 분류 모델에 따라 CNN과 CNN-LSTM도 비교 분석하였다. 결론적으로 VAE 증강을 적용하여 균형 데이터를 학습 후 CNN을 이용하여 부정맥 데이터를 분류한 결과, 98.9%의 정확도를 달성하였으며, 최신 연구 결과와 비교하면 제안한 모델이 민감도에서 다른 부정맥 분류 모델에 비해 효과적임을 확인하였다.
심전도의 앙상블 경험적 모드 분해를 활용한 데이터 기반 심실세동 컴퓨터 보조 진단 기법
http://doi.org/10.5626/JOK.2020.47.4.387
본 논문에서는 부정맥(Arrhythmia)의 대표적 증상인 심실세동(Ventricular fibrillation, VF)의 컴퓨터 보조 진단을 위해 심전도(Electrocardiogram, ECG)에 앙상블 경험적 모드 분해(Ensemble Empirical Mode Decomposition, EEMD)를 이용하여 검출하는 기법을 제안한다. 심전도 신호의 EEMD 분해를 사용하여 EMD 영역에서 심실세동이 정상맥(Normal sinus rhythm, NSR)과 다른 종류의 부정맥 심전도에 비해서 내재 모드 함수(Intrinsic mode functions, IMFs)와 더 높은 상관관계를 가진다. 이 특성을 정량화 하기 위해 심전도 신호와 특정 IMF들 간의 각도(angle)를 구하고 각도에 따른 병리 상태를 분류한다. 제안하는 알고리즘의 유효성을 검증하기위해 PhysioNet 데이터베이스의 부정맥 데이터를 사용해 진단 정확도를 측정하여 제안기법의 우수성을 확인하였다.
