KR101525116B1 - 심전도 신호에서 r파 왜곡에 따른 적응적 특이심박 검출방법 - Google Patents
심전도 신호에서 r파 왜곡에 따른 적응적 특이심박 검출방법 Download PDFInfo
- Publication number
- KR101525116B1 KR101525116B1 KR1020140104196A KR20140104196A KR101525116B1 KR 101525116 B1 KR101525116 B1 KR 101525116B1 KR 1020140104196 A KR1020140104196 A KR 1020140104196A KR 20140104196 A KR20140104196 A KR 20140104196A KR 101525116 B1 KR101525116 B1 KR 101525116B1
- Authority
- KR
- South Korea
- Prior art keywords
- kurtosis
- standard deviation
- potential
- vertices
- vertex
- Prior art date
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/363—Detecting tachycardia or bradycardia
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
본 발명은 심전도 신호에서 R파 왜곡에 따른 적응적 특이심박 검출방법에 관한 것으로, (a) 심전도 신호에서 R 정점 후보를 검출한 후, 상기 R 정점 후보의 첨도와 전위에 기반한 불응기(Refactory Period: RP)를 이용하여 R 정점을 검출하는 단계; (b) 상기 검출된 R 정점을 바탕으로 전위, 첨도 및 RR 간격값 중 적어도 어느 하나가 미리 설정된 문턱값 범위내에 벗어난 경우, 상기 R 정점을 포함하는 파형을 특이심박으로 검출하는 단계(여기서, RR 간격은 인접한 R 정점 사이의 거리를 나타낸다.); (c) 검출된 상기 R 정점들을 제외한 R 정점들의 전위, 첨도 및 RR 간격의 평균과 표준편차를 업데이트하는 단계; 및 (d) 업데이트된 상기 R 정점의 전위, 첨도 및 RR 간격의 평균과 표준편차를 이용하여 전체 파형과 정상파형의 비에 따라 상기 문턱값을 적응적으로 가변하여 특이심박을 검출하는 단계를 포함한다.
이와 같은 본 발명은 간단한 방법으로 안정되고 높은 검출율을 제공하고, 연산속도를 더욱 개선할 수 있으며, 실시간 처리를 위한 다양한 응용에 적용이 가능한 특이심박 검출방법을 제공할 뿐만 아니라, 검출에 따른 시간 및 비용의 효율을 효과적으로 개선할 수 있는 심전도 신호의 특이심박 검출방법을 제공한다.
이와 같은 본 발명은 간단한 방법으로 안정되고 높은 검출율을 제공하고, 연산속도를 더욱 개선할 수 있으며, 실시간 처리를 위한 다양한 응용에 적용이 가능한 특이심박 검출방법을 제공할 뿐만 아니라, 검출에 따른 시간 및 비용의 효율을 효과적으로 개선할 수 있는 심전도 신호의 특이심박 검출방법을 제공한다.
Description
본 발명은 심전도 신호에서 특이심박 검출방법에 관한 것으로, 보다 상세하게는 안정되고 높은 검출율을 제공하는 심전도 신호에서 R파 왜곡에 따른 적응적 특이심박 검출방법에 과한 것이다.
부정맥, 협심증이나 심근경색 등의 허혈성 심장질환, 심근증, 심막염, 동맥경화증, 고혈압에 수반되는 심장비대 등이 있으면 심전도에 변화가 있으며, 심박동수, 리듬, 곡선 등이 비정상이다. 심장질환 중에서 부정맥은 심장의 리듬이 불규칙하거나 심박동수가 비정상적인 상태를 의미한다. 부정맥의 형태는 정상인에게서 올수 있는 가벼운 리듬의 장애에서부터 생명을 위협하는 위험한 장애까지 다양하다.
부정맥은 발생기전에 따라서 자극형성장애와 전도장애로 나뉘며, 발생부위에 따라 상심실성 부정맥과 심실성 부정맥으로 나뉜다. 이러한 부정맥 종류에는 동빈맥, 심방빈맥, 심방조동, 심방세동, 방실접합부 부정맥, 심실조기박동, 심실빈맥, 심실세동 등 20가지 정도로 분류할 수 있다.
그러나 부정맥은 다양한 리듬 변형 및 혼재와 소수의 심박 특징으로 인해 일부의 부정맥을 제외하고는 그 분류에 어려움이 많다. 일반적으로 부정맥 심전도 신호는 전도장애 및 발생부위에 따라 특정 부위에서 비정상 모양을 띄는 특이심박을 포함하고 있다. 여기서 특이심박이란 정상 심전도 신호에서 나타나는 일반적인 형태의 범위를 벗어나는 모양의 파형을 말한다.
MIT-BIH 부정맥 데이터베이스는 심방, 방실접합부, 및 심실 내에서 발생하는 주요 부정맥들을 구성하고 있으므로 각 부정맥의 발생 위치 및 전기 자극의 이상에 따라 특이심박의 왜곡 모양이 달라진다. 즉 심방조기수축, 방실접합부조기수축, 및 심실조기수축은 주요 비정상 심박에 해당되며 특이심박으로 분류된다. 예를 들어 심실조기수축과 같은 비정상 심박의 경우는 QRS complex의 왜곡, 심방조기수축과 같은 비정상 심박의 경우는 P파 왜곡 등의 특이심박을 포함한다.
이와 같은 특이심박 검출에는 기본적으로 심전도 신호의 특성 중 R파의 특징을 이용한다. R파의 특징분석을 위해서는 우선적으로 정확한 R파의 검출이 필요하다. 기존의 파형 추출 알고리즘은 이동윈도우 적분, 힐버트 변환, 웨이블릿 변환 등 다양한 방법들이 발명되고 있으며, 이들은 검출율에 있어서 우수한 수준의 결과들을 보이지만 연산이 복잡하여 실시간 적용이 어렵다.
상술한 문제를 해결하고자 하는 본 발명의 과제는 안정되고 높은 검출율을 제공하고, 연산속도를 더욱 개선할 수 있으며, 실시간 처리를 위한 다양한 응용에 적용이 가능한 심전도 신호의 특이심박 검출방법을 제공하고자 함이다.
상술한 과제를 해결하고자 하는 본 발명의 특징은, (a) 심전도 신호에서 R 정점 후보를 검출한 후, 상기 R 정점 후보의 첨도와 전위에 기반한 불응기(Refactory Period: RP)를 이용하여 R 정점을 검출하는 단계; (b) 상기 검출된 R 정점을 바탕으로 전위, 첨도 및 RR 간격값 중 적어도 어느 하나가 미리 설정된 문턱값 범위내에서 벗어난 경우, 상기 R 정점을 포함하는 파형을 특이심박으로 검출하는 단계(여기서, RR 간격은 인접한 R 정점 사이의 거리를 나타낸다.); (c) 검출된 상기 R 정점들을 제외한 R 정점들의 전위, 첨도 및 RR 간격의 평균과 표준편차를 업데이트하는 단계; 및 (d) 업데이트된 상기 R 정점의 전위, 첨도 및 RR 간격의 평균과 표준편차를 이용하여 전체 파형과 정상파형의 비에 따라 상기 문턱값을 적응적으로 가변하여 특이심박을 검출하는 단계를 포함한다.
상기 (b) 단계에서,
상기 검출된 R 정점을 바탕으로 전위, 첨도 및 RR 간격값 중 적어도 어느 하나가 미리 설정된 문턱값 범위내에서 벗어난 경우는,
(여기서, V는 전위값, K는 첨도값이고, 과 은 각각 번째 단계에서 사용되는 R 정점들의 전위 평균과 표준편차이고, 과 은 각각 번째 단계에서 사용되는 R 정점들의 첨도 평균과 표준편차이다. 그리고 과 는 각각 번째 단계에서 사용되는 R 정점들의 RR 간격 평균과 표준편차이다.)와 같은 수학식 중 적어도 어느 하나의 식에 해당하는 경우인 것이 바람직하다.
또한, 상기 불응기는,
(여기서, 여기서 는 기준 불응기이고, 는 후보 R-정점의 첨도이고, 는 이전 R-정점의 첨도이며, 는 후보 R-정점의 절대값 전위이고, 는 이전 R-정점의 절대값 전위이다.)와 같은 식으로 산출되는 것이 바람직하다.
더하여, 바람직하게는 상기 (c) 단계는, 상기 R 정점의 전위, 첨도 및 RR 간격의 평균과 표준편차를 초기화하는 단계; R 정점의 전위, 첨도 및 RR 간격의 평균과 표준편차를 현재의 값으로 업데이트 하고, 업데이트된 상기 R 정점의 전위 및 첨도에 대한 RR 간격의 평균관 표준편차가 정상 파형의 참조 RR 간격의 평균과 표준편차와 비교하여 적어도 어느 하나가 더 큰 경우가 없는 경우 종료하는 단계를 포함하는 것일 수 있다.
또한, 상기 (d) 단계는, 상기 특이심박을 제외한 심박 중 어느 하나의 표준편차가 참조 표준편차보다 큰 경우, 상기 특이심박을 제거하고 새로운 심박의 전위, 첨도 및 RR 간격의 문턱값(k)을 상기 새로운 심박의 표준편차와 정상 파형의 참조 표준편차의 비율에 따라 적응적으로 업데이트 하는 단계를 포함하는 것이 바람직하다.
그리고, 상기 새로운 심박의 문턱값(k)은,
이와 같은 본 발명은 간단한 방법으로 안정되고 높은 검출율을 제공하고, 연산속도를 더욱 개선할 수 있으며, 실시간 처리를 위한 다양한 응용에 적용이 가능한 특이심박 검출방법을 제공할 뿐만 아니라, 검출에 따른 시간 및 비용의 효율을 효과적으로 개선할 수 있는 심전도 신호의 특이심박 검출방법을 제공한다.
또한, 전체신호에 비해 약 90% 가량이 축소되었으면서 특이심박으로 대부분 구성된 샘플을 제공함으로써 질환을 진단 및 분류하는데 있어서 큰 시간적 단축 및 피로를 크게 줄일 수 있고, 심전도 신호의 중요한 진단 정보인 P, Q, R, S, T파 중 본 발명에서 사용한 적응적 특이심박 검출 알고리즘은 R파의 형태 및 리듬정보에 의한 특징을 이용한 것이므로 R파 왜곡을 포함하는 레코드에 대해서 매우 우수한 검출율을 보였다.
도 1은 본 발명의 실시예로서, 심전도 신호에서 R파 왜곡에 따른 적응적 특이심박 검출방법의 흐름을 나타낸 도면이고,
도 2는 본 발명의 실시예로서, 심전도 신호에서 R파 왜곡에 따른 적응적 특이심박 검출방법에 적용되는 특이심박 검출 알고리즘의 순서도이다.
도 2는 본 발명의 실시예로서, 심전도 신호에서 R파 왜곡에 따른 적응적 특이심박 검출방법에 적용되는 특이심박 검출 알고리즘의 순서도이다.
본 발명의 이점 및 특징, 그리고 그것을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 통해 설명될 것이다. 그러나 본 발명은 여기에서 설명되는 실시예들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 단지, 본 실시예들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 본 발명의 기술적 사상을 용이하게 실시할 수 있을 정도로 상세히 설명하기 위하여 제공되는 것이다.
도면들에 있어서, 본 발명의 실시예들은 도시된 특정 형태로 제한되는 것이 아니며 명확성을 기하기 위하여 과장된 것이다. 또한 명세서 전체에 걸쳐서 동일한 참조번호로 표시된 부분들은 동일한 구성요소를 나타낸다.
본 명세서에서 "및/또는"이란 표현은 전후에 나열된 구성요소들 중 적어도 하나를 포함하는 의미로 사용된다. 또한, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 또한, 명세서에서 사용되는 "포함한다" 또는 "포함하는"으로 언급된 구성요소, 단계, 동작 및 소자는 하나 이상의 다른 구성요소, 단계, 동작, 소자 및 장치의 존재 또는 추가를 의미한다.
이하에서 본 발명의 바람직한 실시예을 도면을 참조하여 상세히 설명하기로 한다.
도 1은 본 발명의 실시예로서, 심전도 신호에서 R파 왜곡에 따른 적응적 특이심박 검출방법의 흐름을 나타낸 도면이다. 도 1에 나타낸 바와 같이, 본 발명의 실시예에 따른 적응적 특이심박 검출방법은, (a) 심전도 신호에서 R 정점 후보를 검출한 후, 상기 R 정점 후보의 첨도와 전위에 기반한 불응기(Refactory Period: RP)를 이용하여 R 정점을 검출하는 단계(S100); 상기 검출된 R 정점을 바탕으로 전위, 첨도 및 RR 간격값 중 어느 하나가 미리 설정된 문턱값 범위내에 벗어난 경우, 상기 R 정점을 포함하는 파형을 특이심박으로 검출하는 단계(여기서, RR 간격은 인접한 R 정점 사이의 거리를 나타낸다.)(S200); 검출된 상기 R 정점들을 제외한 R 정점들의 전위, 첨도 및 RR 간격의 평균과 표준편차를 업데이트하는 단계(S300); (d) 업데이트된 상기 R 정점의 전위, 첨도 및 RR 간격의 평균과 표준편차를 이용하여 전체 파형과 정상파형의 비에 따라 상기 문턱값을 적응적으로 가변하여 특이심박을 검출하는 단계(S400)를 포함한다.
부정맥 심전도 신호는 전도장애 및 발생부위에 따라 특정 부위에서 비정상 모양을 띄는 특이심박을 포함하고 있고, 특이심박은 부정맥 등 다양한 질환을 진단 및 분류하는데 있어 유용하기 때문에 부정맥 심전도 신호에서 특이심박의 검출은 매우 중요하고, R 정점에서의 전위, 첨도 및 R-R 간격은 심전도 신호가 R파에서 가지는 특성이다.
이에 본 발명에서는 이를 바탕으로 특이심박 검출방법을 제안하는 것으로, 특이심박이 확실할수록 특성값이 평균에서 크게 벗어난다는 점을 기반으로 평균과 표준편차를 이용하여 순차적으로 특이심박을 검출한다. 그리고, MIT-BIH 부정맥 데이터베이스 중 R파 왜곡을 가지는 15개의 심전도 신호에 대해 기존의 고정된 문턱값을 사용한 검출 방법과 제안한 방법을 적용하여 특이심박을 검출하여 비교하여 검증하였고, 실험을 통해 민감도를 약 50%에서 제안한 방법을 통해 97%로 크게 상향상 되었음을 알 수 있었다.
즉, 본 발명의 실시예에서는 후보 R 정점의 전위(electric potential), 심근의 가변 불응기(adaptive refractory period of heart muscle), 그리고 이웃한 파형 간의 첨도(kurtosis)를 사용하여 정확한 R 정점를 검출하는 방법을 적용한다.
그리고, 기본적으로 특이심박으로 인해 R파 왜곡이 발생될 경우 R 정점 위치에서의 전위, 첨도 및 R 정점 사이의 간격인 R-R간격의 값이 평균에서 크게 벗어나기 때문에 각 특성의 평균과 표준편차를 구한 후, 이를 기반으로 특이심박 신호일 가능성이 높은 순으로 순차적으로 검출하는 방법을 제안한다. 이와 같은 순차적 검출은 정상심박일 때의 평균과 표준편차 값을 참조값으로 하여 이에 근접한 결과가 나올 때까지 반복을 하게 된다.
보다 구체적으로, 본 발명의 실시예에서 제안한 부정맥 심전도 신호의 특이심박 검출 알고리즘은 심전도 신호의 가장 중요한 구성 요소 중 하나인 R파에서 발생하는 왜곡을 기반으로 하기 때문에 우선적으로 R 정점(R-peak)의 검출이 필요하다. 이를 위하여 R 정점 후보를 검출해낸 후 추출된 R 정점 후보에 대해 첨도와 전위에 기반한 불응기 RP를 이용한 R파 검출 방식을 사용한다.((a) 단계:S100)
먼저, R 정점 후보는 앞서 검출된 R 정점 전위의 20% 이상인 상대적으로 높은 전위 점으로 한다. 그리고 추출된 후보 R 정점에 대해 첨도와 전위에 기반한 불응기 RP를 계산한다. 후보 R 정점에 대해 RP는 [수학식 1]과 같이 계산된다.
여기서 Sk와 Sv는 다음과 같다.
[수학식 1]에서 RPref는 기준 불응기로서 이전 R-R간격의 35%이다. 그리고 KR_peak는 후보 R 정점의 첨도, KR _ peak _ prev는 이전 R 정점의 첨도, VR _ peak는 후보 R 정점의 전위, 그리고 VR _ peak _ prev는 이전 R 정점의 전위이다. 또한 첨도는 곡률을 나타내며, 그 값이 클수록 파형의 형태가 뾰족해진다. 즉 첨도는 후보 R 정점의 전위 기울기를 이용하여 구할 수 있다. 만약 상향과 하향 파형에 대하여 샘플 간격 2.778msec(표본주파수 360Hz)인 경우, R 정점 전위의 1/2 전위 부근을 기준으로 하여 후보 peak의 첨도는 [수학식 2]과 같이 얻을 수 있다.
다음으로 불응기 내에서 R파가 갖는 높은 전위의 특징을 이용하여 R 정점를 검출한다. 불응기내에 R 정점 후보보다 더 높은 전위가 없으면 현재 후보를 R 정점로 결정하고, 더 높은 전위가 있으면 현재 후보를 버리고 더 높은 전위를 갖는 peak를 새로운 후보 R 정점로 선택한다.
(b) 단계로서(S200), 특이심박을 검출하는 단계를 살펴보면, R파의 왜곡을 기반으로 R 정점에서의 전위와 첨도에 의한 특이심박 검출은 [수학식 3]과 [수학식 4]와 같이 검출된 R 정점들의 전위 및 첨도의 평균과 표준편차를 사용하여 특이심박을 검출한다. 현재의 R 정점 전위 값(VR _ peak)과 첨도 값(KR _ peak)이 [수학식 3]과 [수학식 4]를 동시에 만족하지 못하면 이것은 특이심박의 R 정점이고, 이를 포함한 심박을 특이심박으로 검출한다.
여기서, mV와 σV는 R 정점들의 전위의 평균과 표준편차이고, mK와 σK는 R 정점들의 첨도의 평균과 표준편차이다. 그리고 k1과 k2는 각각 전위와 첨도의 문턱 값이며 k1과 k2가 클수록 검출된 심박이 특이심박일 확률이 높아진다. 한편 장시간 획득된 심전도 신호의 전위와 첨도의 분포가 정규 분포를 따른다면 [수학식 3]과 [수학식 4]에 의해 검출된 파형 수는 총 파형 수에 대해, k가 1일 때 32%, k가 2일 때 5%, k가 3일 때 0.3%를 차지한다고 할 수 있다.
상술한 본 발명의 실시예에 따른 특이심박 검출 방법은 고정된 k를 사용하여 특이 심박을 검출하므로 k에 따라 검출 결과가 크게 달라지고, 또한 심전도 신호에 따라 적합한 를 결정하기가 난해하다. 따라서 본 발명의 실시예에서는 R파의 형태 변화와 함께 특이심박의 분포에 따라 적응적으로 특이심박을 검출하는 방법을 제안한다.
일반적으로 [수학식 3]과 [수학식 4]에서 큰 값의 k에 의해 검출된 파형(파형)들이 작은 값의 k에 의해 검출된 파형들에 비해 특이심박일 가능성이 높다. 이를 바탕으로 본 발명의 실시예에서는 다수의 k = {k0, k1, k2, ...}를 적응적으로 가변하여 가능성이 높은 순으로 특이심박을 순차적으로 검출한다.
R 정점 검출에서는 불응기와 R 정점의 특징에 기반한 R 정점 검출 방법을 사용하여 검출한 후, (R 정점들의 전위(voltage: V), 첨도(kurtosis: K) 및 R-R 간격의 평균 m과 표준편차 σ를 사용하여 초기치 k에 의한 특이 파형을 검출한다. R-R 간격(RR)은 현재 R 정점와 다음 R 정점의 차이이며 [수학식 5]와 같다.
여기서 는 현재 R 정점의 위치이고, Ri + 1는 다음 R 정점의 위치이다. 그리고 검출된 특이심박을 제외한 후 다시 남아있는 R 정점들의 V, K, RR에 대한 m과 σ를 계산한다.((c) 단계)
이때 새롭게 구해진 m과 σ를 이용하여 특이심박을 포함한 전체 파형과 정상파형의 비에 따라 k를 적응적으로 가변하여 특이심박을 검출한다. 제안한 순차적 특이심박 검출 알고리즘을 구체적으로 제시하면 다음과 같다.
1) 초기조건을 다음과 같이 결정한다.
2) ' > 또는 > 또는 > '의 경우 다음의 반복과정을 실행하며, 그렇지 않은 경우는 종료한다. 여기서 , , 는 각각 정상심박에서 R 정점의 전위, 첨도 및 R-R 간격의 표준편차로서 참조값으로 쓰인다. 그리고 , , 는 는 각각 l번째 반보과정에서 사용되는 R 정점들의 전위, 첨도 및 R-R 간격의 표준편차이다.
3) 반복과정 : ' > 또는 > 또는 > '의 경우는 특이심박이 포함되어 있다고 가정한다. 따라서 R 정점의 전위 값 V, 첨도 값 K, 그리고 R-R 간격의 비 RR이 [수학식 6], [수학식 7], [수학식 8] 중에서 하나 이상 만족하면 특이심박 R 정점로 판단하고, 이를 포함한 파형을 특이심박으로 검출한다.
여기서 과 는 각각 번째 단계에서 사용되는 R 정점들의 전위 평균과 표준편차이고, 과 는 각각 번째 단계에서 사용되는 각각 R 정점들의 첨도 평균과 표준편차이다. 그리고 과 는 각각 번째 단계에서 사용되는 R 정점들의 R-R 간격 평균과 표준편차이다.
위와 같이 특이심박들을 검출한 후, 남은 심박들의 표준편차가 참조값보다 클 경우 검출이 되지 않은 특이심박이 있는 것으로 가정하고 다음으로 특이심박일 가능성이 높은 파형을 검출하기 위해 새로운 , , 을 정한다. 이때 특이심박 검출의 신뢰를 높이기 위하여 먼저 검출된 R 정점를 제거한 나머지 R 정점들의 을 이용하여 새로운 , , 을 구한다.
여기서 은 새롭게 구한 전위의 표준편차가 이전의 표준편차와 같으면, 즉 과 의 비율이 1인 경우 값은 특이심박을 포함하는 전체 파형과 정상 파형의 편차를 나타내는 과 의 비율에 따라 가변되도록 설정한다. 은 과 의 비율이 1인 경우와 1이 아닌 경우를 나누어 다음과 같이 적응적으로 구한다.
a) /=1일 경우: 이전의 표준편차가 현재 상태의 표준편차와 같으면 [수학식 6]에 의해 검출된 특이심박이 없으므로 값을 줄여야 한다. 그리고 과 의 비율이 클수록 검출되지 않은 특이심박의 수가 많음을 의미하므로 값의 변화를 크게 하고, 그 비율이 작을수록 값의 변화를 작게 한다. 이러한 특성을 반영하여 을 과 의 비율에 따라 구하는 [수학식 9]를 제안한다.
b) /≠1일 경우: 이전의 표준편차가 현재 상태의 표준편차와 같지 않으면 번째 에 의해 특이심박이 검출되었음을 의미하므로 을 값으로 초기화하고, jV을 1로 초기화한다. 계속해서 l을 1씩 증가시켜 이전의 표준편차가 현재 상태의 표준편차와 같을 때까지 위의 반복과정을 계속한다.
성능평가
본 발명에서는 특이심박 검출의 성능 평가를 위하여 심전도 관련 발명에서 널리 사용되는 표준 데이터베이스인 MIT-BIH 부정맥 데이터베이스(MIT-BIH ADB)를 이용한다. 사용된 데이터베이스는 0.1~100Hz 대역 필터링과 360Hz 샘플링 및 11비트 해상도의 디지털 신호로 표현되어 있으며, 2명의 심전도 전문가로부터 분류된 심박 및 리듬 유형에 대한 정보가 추가되어 있다. 실험용 PC는 3.00GHz2 Core2 Quad CPU와 3GByte 메모리의 사양이며, 처리 알고리즘은 MATLAB R2010a를 이용하여 구현하였다.
특이심박의 검출 충실도를 분석하기 위하여 다음의 [수학식 10]과 [수학식 11]로 정의되는 민감도(Sensitivity; Se)와 정확도(Accuracy: Ac)를 이용하였다.
여기서 TP(True Positive)는 특이심박을 특이심박으로, TN(True Negative)은 정상심박을 정상심박으로, FP(False Positive)는 특이심박을 정상심박으로, FN(False Negative)은 정상심박이 특이심박으로 분류되는 샘플 수를 의미한다.
특이심박을 검출하기 위한 전처리로서 모폴로지 페어 연산을 이용하여 기저선 정렬을 하고, 1~25Hz의 BPF를 사용하여 전기적인 잡음 신호를 제거한다. 그리고 본 발명에서 특이심박 검출을 위해 사용하는 알고리즘은 R파의 특징을 기반으로 하기 때문에 R 정점 후보들의 전위(electric potential: V)와 첨도(kurtosis: K)를 사용하여 심근의 가변 불응기(adaptive refractory period of heart muscle)를 탐색구간으로 하여 R 정점를 검출한다. 이를 바탕으로 R파 왜곡을 주로 포함하고 있는 MIT-BIH 부정맥 데이터베이스 15개에 대해 실험을 진행하였다.
[표 1]과 [표 2]는 [수학식 3]과 [수학식 4]를 바탕으로 평균과 표준편차를 이용한 STD 방법을 이용하여 특이심박을 검출한 결과들을 나타내었다. [표 1]은 k값이 3일 때의 결과이며 표 2는 k값이 4일 때의 결과를 나타낸다. R파 왜곡에 따른 평균과 표준편차의 변화가 일정하지 않기 때문에 고정된 k값을 이용한 특이심박 검출의 민감도(Se)와 정확도(Ac)는 데이터 별로 상이하게 나왔다. 특히 119m, 200m, 210m 등 특이심박의 수가 많은 파형의 경우 특이심박으로 인한 평균과 표준편차의 변화로 인해 특이심박의 수가 많음에도 불구하고 검출이 거의 되지 않는 문제점을 확인할 수 있다.
이와 같은 문제를 해결하기 위하여, 제안한 본 발명의 실시예에 따른 알고리즘에서는 값을 적응적으로 변화시키면서 특이심박의 확률이 높은 심박부터 순차적으로 검출해냈으며, 이에 따른 실험결과는 [표 3]과 같다. [표 1]과 [표 2]에 비해 전체적으로 TP와 TN값이 크게 증가하여 71%, 56% 근처의 평균 Se값이 97.29%로 크게 상향되었다. 또한 119m과 같이 특이심박의 수가 많아 왜곡이 심했던 파형의 경우 검출이 되지 않은 특이심박을 대부분 검출함으로써 해당 데이터의 Ac값 또한 크게 상향된 것을 알 수 있다.
장시간 심전도 신호를 관찰 및 분석해야 하는 의료진에게 있어서 특이심박이 10% 미만을 차지하는 전체심박을 바탕으로 부정맥 등 다양한 질환을 진단 및 분류하는 것은 매우 어려운 일이다. 이에 본 발명에서 제시한 방법을 통해 특이심박을 검출하였을 때 특이심박의 정상 검출 비율이 평균 97.29%에 달하는 높은 결과를 얻을 수 있었다.
따라서 본 발명에서 제시한 방법을 통하여 전체신호에 비해 약 90% 가량이 축소되었으면서 특이심박으로 대부분 구성된 샘플을 제공함으로써 질환을 진단 및 분류하는데 있어서 큰 시간적 단축 및 피로를 크게 줄일 수 있다. 심전도 신호의 중요한 진단 정보인 P, Q, R, S, T파 중 본 발명에서 사용한 적응적 특이심박 검출 알고리즘은 R파의 형태 및 리듬정보에 의한 특징을 이용한 것이므로 R파 왜곡을 포함하는 레코드에 대해서는 위와 같이 매우 우수한 검출율을 보였다.
이상의 설명에서 본 발명은 특정의 실시 예와 관련하여 도시 및 설명하였지만, 특허청구범위에 의해 나타난 발명의 사상 및 영역으로부터 벗어나지 않는 한도 내에서 다양한 개조 및 변화가 가능 하다는 것을 당 업계에서 통상의 지식을 가진 자라면 누구나 쉽게 알 수 있을 것이다.
Claims (6)
- (a) 심전도 신호에서 R 정점 후보를 검출한 후, 상기 R 정점 후보의 첨도와 전위에 기반한 불응기(Refactory Period: RP)를 이용하여 R 정점을 검출하는 단계;
(b) 상기 검출된 R 정점을 바탕으로 전위, 첨도 및 RR 간격값 중 적어도 어느 하나가 미리 설정된 문턱값 범위내에서 벗어난 경우, 상기 R 정점을 포함하는 파형을 특이심박으로 검출하는 단계(여기서, RR 간격은 인접한 R 정점 사이의 거리를 나타낸다.);
(c) 검출된 상기 R 정점들을 제외한 R 정점들의 전위, 첨도 및 RR 간격의 평균과 표준편차를 업데이트하는 단계; 및
(d) 업데이트된 상기 R 정점의 전위, 첨도 및 RR 간격의 평균과 표준편차를 이용하여 전체 파형과 정상파형의 비에 따라 상기 문턱값을 적응적으로 가변하여 특이심박을 검출하는 단계를 포함하는 것을 특징으로 하는 심전도 신호에서 R파 왜곡에 따른 적응적 특이심박 검출방법.
- 제1항에 있어서,
상기 (b) 단계에서,
상기 검출된 R 정점을 바탕으로 전위, 첨도 및 RR 간격값 중 적어도 어느 하나가 미리 설정된 문턱값 범위내에서 벗어난 경우는,
,
,
(여기서, V는 전위값, K는 첨도값이고, 과 은 각각 번째 단계에서 사용되는 R 정점들의 전위 평균과 표준편차이고, 과 은 각각 번째 단계에서 사용되는 R 정점들의 첨도 평균과 표준편차이다. 그리고 과 는 각각 번째 단계에서 사용되는 R 정점들의 RR 간격 평균과 표준편차이다.)
와 같은 수학식 중 적어도 어느 하나의 식에 해당하는 경우인 것을 특징으로 하는 심전도 신호에서 R파 왜곡에 따른 적응적 특이심박 검출방법.
- 제1항 또는 제2항에 있어서,
상기 (c) 단계는,
상기 R 정점의 전위, 첨도 및 RR 간격의 평균과 표준편차를 초기화하는 단계;
R 정점의 전위, 첨도 및 RR 간격의 평균과 표준편차를 현재의 값으로 업데이트 하고, 업데이트된 상기 R 정점의 전위 및 첨도에 대한 RR 간격의 평균관 표준편차가 정상 파형의 참조 RR 간격의 평균과 표준편차와 비교하여 적어도 어느 하나가 더 큰 경우가 없는 경우 종료하는 단계를 포함하는 것을 특징으로 심전도 신호에서 R파 왜곡에 따른 적응적 특이심박 검출방법.
- 제4항에 있어서,
상기 (d) 단계는,
상기 특이심박을 제외한 심박 중 어느 하나의 표준편차가 참조 표준편차보다 큰 경우, 상기 특이심박을 제거하고 새로운 심박의 전위, 첨도 및 RR 간격의 문턱값(k)을 상기 새로운 심박의 표준편차와 정상 파형의 참조 표준편차의 비율에 따라 적응적으로 업데이트 하는 단계를 포함하는 것을 특징으로 하는 심전도 신호에서 R파 왜곡에 따른 적응적 특이심박 검출방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020140104196A KR101525116B1 (ko) | 2014-08-12 | 2014-08-12 | 심전도 신호에서 r파 왜곡에 따른 적응적 특이심박 검출방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020140104196A KR101525116B1 (ko) | 2014-08-12 | 2014-08-12 | 심전도 신호에서 r파 왜곡에 따른 적응적 특이심박 검출방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR101525116B1 true KR101525116B1 (ko) | 2015-06-04 |
Family
ID=53499552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020140104196A KR101525116B1 (ko) | 2014-08-12 | 2014-08-12 | 심전도 신호에서 r파 왜곡에 따른 적응적 특이심박 검출방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR101525116B1 (ko) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130085632A (ko) * | 2012-01-20 | 2013-07-30 | 경북대학교 산학협력단 | 적응적 국부 임계화를 이용한 심전도 신호의 r 피크 검출방법 |
-
2014
- 2014-08-12 KR KR1020140104196A patent/KR101525116B1/ko active IP Right Grant
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130085632A (ko) * | 2012-01-20 | 2013-07-30 | 경북대학교 산학협력단 | 적응적 국부 임계화를 이용한 심전도 신호의 r 피크 검출방법 |
Non-Patent Citations (3)
Title |
---|
김진섭 외 2명, 'ECG 신호에서 불응기를 이용한 R-파 검출 방법', Journal of The Korea Society of Computer and Information, Vol. 18, No. 1, January 2013 * |
박길흠 외 4인, ‘부정맥 심전도 신호에서 특이 파형 검출’, 한국 지능시스템 학회 논문지 제23권 제4호 (2013년 8월) pp.292-297 |
박길흠 외 4인, '부정맥 심전도 신호에서 특이 파형 검출', 한국 지능시스템 학회 논문지 제23권 제4호 (2013년 8월) pp.292-297 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220015711A1 (en) | System and method for automated analysis and detection of cardiac arrhythmias from electrocardiograms | |
Chiu et al. | Using correlation coefficient in ECG waveform for arrhythmia detection | |
CN109171712A (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
EP2030565A1 (en) | Systems for safe and remote outpatient ECG monitoring | |
Filos et al. | Beat-to-beat P-wave morphology as a predictor of paroxysmal atrial fibrillation | |
KR101308609B1 (ko) | 적응적 국부 임계화를 이용한 심전도 신호의 r 피크 검출방법 | |
US8684942B2 (en) | System for cardiac impairment detection based on signal regularity | |
KR102448860B1 (ko) | Qrs 복합체 형태 특징을 기반으로 하여 머신 러닝을 통한 심실세동 예측방법 | |
Sanamdikar et al. | A literature review on arrhythmia analysis of ECG signal | |
Tabassum et al. | An approach of cardiac disease prediction by analyzing ECG signal | |
De Giovanni et al. | A patient-specific methodology for prediction of paroxysmal atrial fibrillation onset | |
Cappiello et al. | A statistical index for early diagnosis of ventricular arrhythmia from the trend analysis of ECG phase-portraits | |
Riasi et al. | Prediction of ventricular tachycardia using morphological features of ECG signal | |
Papadogiorgaki et al. | Heart rate classification using ECG signal processing and machine learning methods | |
Afkhami et al. | ECG based detection of left ventricular hypertrophy using higher order statistics | |
Murthy et al. | Ecg signal denoising and ischemic event feature extraction using daubechies wavelets | |
KR101525116B1 (ko) | 심전도 신호에서 r파 왜곡에 따른 적응적 특이심박 검출방법 | |
Ródenas et al. | Combined nonlinear analysis of atrial and ventricular series for automated screening of atrial fibrillation | |
Alcaraz et al. | Application of non-linear methods in the study of atrial fibrillation organization | |
Khandait et al. | Efficient ECG abnormalities recognition using neuro-fuzzy approach | |
Jindal et al. | MATLAB based GUI for ECG arrhythmia detection using Pan-Tompkin algorithm | |
Ilankumaran et al. | Ventricular arrhythmias detection using wavelet decomposition | |
Zhou et al. | Time-domain ECG signal analysis based on smart-phone | |
Tsai et al. | Beat-by-beat Classification of ECG Signals with Machine Learning Algorithm for Cardiac Episodes | |
Plesinger et al. | Fast Detection of Ventricular Fibrillation and Ventricular Tachycardia in 1-Lead ECG from Three-Second Blocks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant | ||
FPAY | Annual fee payment |
Payment date: 20190429 Year of fee payment: 5 |