KR102632272B1 - 컨볼루션 인공신경망을 이용한 심방세동과 울혈성 심부전의 분류방법 - Google Patents

Abstract

신경망을 이용한 심방세동과 울혈성 심부전의 분류방법은 1차원 컨볼루션 신경망(1-D CNN)을 통해 원시 심전도(Electrocardiogram, ECG) 신호를 기반으로 심방세동 (atrial fibrillation, AF), 울혈성 심부전(Congestive heart failure , CHF) 및 정상 부비동 리듬(Normal Sinus Rhythm, NSR)을 각각 분류하는 것을 특징으로 한다.

Description

컨볼루션 인공신경망을 이용한 심방세동과 울혈성 심부전의 분류방법{Classification method of atrial fibrillation and congestive heart failure using a convolutional artificial neural network}

본 발명은 심전도 신호로부터 심장 부정맥을 분류하는 방법에 관한 것으로서, 더 상세하게는 컨볼루션 인공신경망을 이용한 심방세동과 울혈성 심부전의 분류방법에 관한 것이다.

심방세동 (atrial fibrillation, AF) 및 울혈성 심부전(Congestive heart failure , CHF)은 진단 지연으로 적절한 치료를 받지 못할 시 사망에 이를 수 있는 심장 부정맥 질환이다. AF와 CHF는 심전도(Electrocardiogram, ECG) 신호를 수동으로 분석하여 조기에 발견되기도 하지만 환자 및 질환에 따른 심전도의 다양한 특성으로 인해 정확한 진단을 내리기 어렵다. 여러 연구 그룹에서는 ECG 신호를 통해 여러 가지 심장 부정맥의 자동 분류 시스템 알고리즘을 제안하였다. 하지만, AF와 CHF의 정확한 조기 진단을 위해서는 기존의 분류 성능 정확도를 개선할 필요가 있다.

즉, 심방세동(atrial fibrillation. AF)과 울혈성 심부전(Congestive heart failure, CHF)은 가장 일반적인 심장질환으로 잠재적으로 환자의 생명을 위협할 수 있다. 2017년, AF는 전 세계 약 37,574,000 명의 사람에게 영향을 미쳤으며, 그 빈도는 지난 20년 동안 33% 증가했다. AF 환자 수는 2050년까지 60% 이상 증가할 것으로 예상한다. 또한, 2017년 전 세계 심부선 발병자는 64,340,000 명 이었으며, 일생동안 CHF 발병의 위험은 40세 이후에서 20% 이상으로 증가한다. 특히, 진단되지 않은 AF 및 CHF의 경우 적시에 적절한 치료가 이루어지지 못해 환자의 생명을 위협할 수 있으므로 신속하고 정확한 조기 진단이 중요하다.

심전도(Electrocardiogram, ECG)는 심장 생리학 관련 연구자 및 의료관계 종사자들이 일반적으로 심장의 전기적 활동을 측정하고 분석하는 비침습적 방법이다. ECG 신호는 주로 여러 가지 심장 부정맥 또는 심부전과 같은 심장의 이상을 감지하는데 사용된다. 특히, ECG 신호를 통해 AF와 CHF의 발생 여부를 객관적으로 확인하고 진단하기 위해 적절한 분석방법을 사용하는 것이 중요하다. 이에 여러 연구에서는 ECG 신호를 기반으로 AF와 CHF를 포함한 다양한 심장질환을 분류하기 위한 알고리즘을 제안했다.

Riza 그룹은 Hjorth descriptor 방법을 통해 이동성 및 복잡성과 같은 매개 변수를 기반으로 심전도 신호를 분석하였다. 2015년에 진행한 연구에서 이들은 K-평균 클러스터링(K- means clustering), 다층 퍼셉트론(Multi- layer perceptron, MLP) 등 다양한 분류 알고리즘을 사용하여 AF, CHF, 정상 부비동 리듬(Normal Sinus Rhythm, NSR)을 분류하였으며, 각각 88.67 %, 99.3 %의 정확도를 냈다. 2017 년에는 K- 최근접 이웃 알고리즘(K- nearest neighbor, KNN)을 통해 94%의 정확도로 AF, CHF, NSR 을 분류할 수 있음을 보고하기도 하였다.

게다가, Thweak et al.은 90개의 레코딩으로 구성된 AF, CHF 및 NSR의 기본 데이터 세트를 사용한 연구에서 Hjorth descr iptor 가 심장 부정맥 환자 그룹 간 의 클래스 분리가 가능하다는 것을 보여주었으며, 최소 제곱(least square method, LS), 최대 가능성(Maximum likelihood method, ML) 및 support vector machine(SVR)을 각각 사용하여 84.89%, 88.22%, 76%의 분류 정확도를 보고했다.

ECG 신호 분석에서 가장 어려운 측면은 특정 추출이다. 앞서 언급한 연구들은 Hjorth descriptor 방법을 사용해 ECG 신호로부터 특정을 추출하였다. 하지만 ECG 신호가 가진 잡음(noise)으로 인해 일부 특정들은 ECG 신호의 특성을 완벽하게 나타내지 못했다. 따라서 이전 연구에서 사용된 분류 시스템은 분류 정확도 성능이 낮아질 수 있다.

최근, CNN(convolutional Neural network)는 ECG 신호를 기반으로 심장 부정맥을 분류하기 위한 잠재적인 접근방법으로 인식되었다. CNN은 자동으로 원시 ECG 신호 데이터에서 형상정보를 추출한다. 이는 이미 여러 연구 그룹에서 진행한 CNN을 적용한 심장질환의 자동 분류를 통해 유망한 결과를 통해 입증되었다. Ping 그룹은 CNN과 장기기억(long- term memory, LTM) 알고리즘을 통해 F1 점수가 89.55%의 정확도로 AF와 NSR를 분류하였다. 또한. Sidrah 그룹은 AF와 NSR을 분류하기 위해 CNN과 장기단기기억(Long Short- Term Memory, LSTM) 알고리즘을 사용해 86.5%의 분류 정확도를 보고했다. 마찬가지로 Georgios 그룹은 AF와 NSR의 분류를 CNN과 LSTM를 사용하여 97.87%의 민감도와 99.29%의 특이도를 보고했다. Nurmainirm 그룹은 CNN을 사용하여 99.17%의 분류 정확도로 NSR. AF. non - AF의 세 가지 조건을 분류하였다.

Wang et al은 CHF와 NSR을 분류하기 위해 CNN과 LSTM를 사용하여 99.85% 의 분류 정확도를 보고했다. Ning et al은 CHF와 NSR을 분류하기 위해 순환 신경망(Recurrent Neural Networks, RNN)을 사용하여 99.3%의 분류 정확도를 보고했다. 한편, Porumb et al 은 CNN을 사용하여 CHF와 NSR를 분류하는데 100%의 정확도를 보고했다.

상기 종래 연구는 AF 도는 CHF 조건에 대한 자동 시스템 감지를 별도로 개발 하였다. 또한. Padmavat i 그룹은 AF. 심근경색(MI). CHF. NSR 등 4가지 유형의 심장질환을 식별하기 위한 분류 시스템을 제안했다. 이들은 CHF와 NSR의 분류에서 80.1%, MI와 CHF의 분류에서 85.9%, MI와 NSR의 분류에서 65.4%의 정확도를 보고했다. 그러나 제안된 모델은 CHF. MI 및 NSR의 3개의 부정맥의 동시 분류에서는 63.5%의 감소된 정확도를 보여주었으며. AF. CHF. MI 및 NSR의 4개의 부정맥 클래스의 동시 분류에서는 분류 정확도 성능이 31.2%까지 감소하였다.

- Rizal, A. & Hadi yoso, S. ECG Signal Classification using Hjorth Descriptor. Int. Cont. Autom. Cognjtjve Sd. Opt. Mjcro Electro-Mechanjcal Syst. Inf. Technol.(2015). - Hadiyoso, S. & Rizal, A. Electrocardiogram Signal Classification Using Higher - Order Complexity of Hjorth Descriptor. Adv. Sd. Lett. 23, 3972- 3974 (2017).

본 발명은 상기와 같은 기술적 과제를 해결하기 위해 제안된 것으로, 성능 정확도를 향상시킬 수 있는 최적의 심전도 분류 시스템을 설계하기 위한 1차원(1- D) CNN 모델로, 1- D CNN 알고리즘을 통해 원시 심전도(Electrocardiogram, ECG) 신호를 기반으로 심방세동 (atrial fibrillation, AF), 울혈성 심부전(Congestive heart failure , CHF), 정상 부비동 리듬(Normal Sinus Rhythm, NSR)를 분류하는 방법을 제공한다.

상기 문제점을 해결하기 위한 본 발명의 일 실시예에 따르면, 1차원 컨볼루션 신경망(1-D CNN)을 통해 원시 심전도(Electrocardiogram, ECG) 신호를 기반으로 심방세동 (atrial fibrillation, AF), 울혈성 심부전(Congestive heart failure , CHF) 및 정상 부비동 리듬(Normal Sinus Rhythm, NSR)을 각각 분류하는 신경망을 이용한 심방세동과 울혈성 심부전의 분류방법이 제공된다.

또한, 본 발명의 다른 실시예에 따르면, 원시 심전도(Electrocardiogram, ECG) 신호를 1차원 컨볼루션 신경망(1-D CNN)의 특징 추출 레이어에 입력하는 단계와, 상기 1차원 컨볼루션 신경망(1-D CNN)의 분류 레이어에서 상기 특징 추출 레이어의 출력 데이터에 평탄화 과정을 진행하고 각각 256개, 128개, 64개, 32개의 완전연결 계층(Dense Layer)을 형성 후, Softmax 활성화 함수를 적용하여 심방세동(atrial fibrillation, AF), 울혈성 심부전(Congestive heart failure , CHF) 및 정상 부비동 리듬(Normal Sinus Rhythm, NSR)을 각각 분류하는 단계를 포함하는 신경망을 이용한 심방세동과 울혈성 심부전의 분류방법이 제공된다.

또한, 본 발명에 포함되는 특징 추출 레이어는, 각 레이어에 대해 커널 크기가 각각 5인 제1 내지 제5 컨볼류션 레이어를 포함하는 것을 특징으로 한다.

또한, 본 발명에 포함되는 제1 내지 제5 컨볼루션 레이어는 각각 8, 16, 32, 64, 128개의 필터를 포함하고, 정류 선형 단위 활성화 함수가 각 컨볼루션 레이어에 적용되며, 각 컨볼루션 레이어에 과적합을 피하기 위해 맥스 풀링(max Pooling) 적용하고, 드롭 아웃 레이어(Drop out layer)가 추가되는 것을 특징으로 한다.

본 발명은 심방세동(atrial fibrillation, AF)과 울혈성 심부전(Congestive heart failure , CHF)의 분류 성능을 향상할 수 있는 1차원 컨볼루션 신경망(1-D CNN)을 사용한 최적의 심전도 신호 분류 시스템이다. 제안하는 심전도 기반 심방세동(atrial fibrillation, AF)과 울혈성 심부전(Congestive heart failure , CHF)의 분류 시스템은 1-D CNN을 사용하여 총 150개의 심전도 신호 데이터 세트를 모델링 하였다.

제안된 1-D CNN 알고리즘은 정밀 값, 호출, f1-score, 100%의 정확도를 통해 심전도 신호의 원시 데이터를 기반으로 정상 부비동 리듬(Normal Sinus Rhythm, NSR), AF 및 CHF의 세 가지 조건으로 성공적으로 분류할 수 있음을 보여주었다. 제안된 알고리즘의 분류 성능은 이전의 여러 연구 그룹에서 제안한 방법들의 성능을 능가하며 AF와 CHF 및 NSR의 정확한 분류가 가능하다. 본 발명의 접근 방식은 의료진이 AF, CHF 및 NSR을 진단하기 위한 부속물로 사용될 수 있다.

즉, ECG 신호 분류에 대한 일부 이전 연구의 성능 결과에 따르면 기존의 기계 학습 방법은 노이즈에 민감하므로 데이터 정리가 필요했다. 별도의 데이터 세트 사전 처리, 특징 추출 및 분류 프로세스가 필요했던 기존 접근 방식과 달리 CNN은 원시 입력에서 직접 형상을 추출할 수 있다. 결과적으로, 충분한 훈련 샘플이 있는 경우, CNN 모델에 의해 추출된 특정이 수동으로 추출된 기능보다 더 상세한 정보의 추출이 가능하다. 특히, 기존 머신 러닝에서 존재했던 일부 제한점은 CNN을 통해 극복할 수 있다. 따라서 본 발명은 이전 방법의 성능 정확도를 향상시킬 수 있는 최적의 심전도 분류 시스템을 설계하기 위한 1차원(1- D) CNN 모델로, 1- D CNN 알고리즘을 통해 원시 ECG 신호를 기반으로 AF. CHF 및 NSR를 분류하는 것이다.

본 발명은 심방세동과 울혈성 심장 부정맥의 자동 분류 시스템 개발의 연구 및 업체에서 적용할 수 있는 기술로 심방세동과 울혈성 심장 부정맥의 유무를 확인하고 의사와 전문가들의 정밀 진단을 받기 전 조기 진단기기에 적용 가능하다.

도 1은 1차원 컨볼루션 신경망(1-D CNN) 모델의 학습 및 검증 과정을 나타낸 도면
도 2는 본 발명의 1차원 컨볼루션 신경망(1-D CNN)의 알고리즘의 구성도

이하, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 정도로 상세히 설명하기 위하여, 본 발명의 실시예를 첨부한 도면을 참조하여 설명하기로 한다.

- 제안된 심방세동과 울혈성 심부전의 분류방법의 결과

<표 1>

표 1은 최적화 알고리즘의 성능 비교를 나타낸 표이다.

시스템 성능을 평가하기 위해 12개의 AF 데이터 세트, 14개의 CHF 데이터 세트 및 12개의 NSR 데이터 세트로 구성된 총 38개의 테스트 데이터 세트가 사용되었다. 여러 시뮬레이션을 수행한 후. 학습 속도가 0.001인 Adam Optimizer 가 다른 최적화 알고리즘과 비교하여 가장 높은 정확도와 최소 손실 값을 제공하는 최적의 하이퍼 파라미터로 선택되었다(표 1).

결과에 따르면 최적화 알고리즘 선택은 시스템 성능에 영향을 미치는 영향력 있는 조건이었다. Adam Optimizer 알고리즘은 손실 값 0.0127 로 100% 정확도를 제공했다. 최소 손실에 대한 정확성이 뛰어나 일부 데이터에서 오류가 적다는 것을 알 수 있다. Nadam 과 RMSprop 최적화 알고리즘은 각각 0.4278과 0.0946의 손실 값으로 98%의 정확도를 제공했다. 정확도 성능을 기반으로, Nadam과 RMSprop Optimizer는 제안된 모델에 대한 잠재적 최적화 알고리즘이었다. 그러나 Nadam Optimizer에 의해 얻어진 더 큰 손실 값은 몇 개의 데이터에 큰 오류가 있음을 나타낸다. 한편, SGD Optimizer 는 손실 값 0.3947로 42%의 정확도를 얻었다. 정확도가 낮고 손실이 크므로 많은 데이터에 큰 오류가 있음을 알 수 있었다.

<표 2>

표 2는 1차원 컨볼루션 신경망(1-D CNN)의 컨퓨전 매트릭스(Confusion Matrix)이고, 도 1은 1차원 컨볼루션 신경망(1-D CNN) 모델의 학습 및 검증 과정을 나타낸 도면이다.

도 1과 같이, 배치 사이즈(batch size)가 32인 500 epochs 이후 100% 정확도가 달성되었다. 모델 정확도 성능에 따르면 테스트 데이터 세트를 잘 일반화할 수 있는 제안된 모델 능력을 나타내는 과적합이 없었다. 표 2는 알고리즘 성능에 관한 자세한 정보를 위해 1-D CNN의 Confusion Matrix 을 보여준다. Confusion Matrix 의 결과를 기반으로 제안된 모델은 등급에 따라 AF. CHF. NSR을 성공적으로 분류하고 정확도, 정밀도, 리콜 및 fl - 점수 값을 100%로 제공했다.

- 토론

<표 3>

* AF : 심방세동 CHF; 울형성 심부진 NSR: 정상박동 리듬, MI: 심근경색. CNN; 컨볼루션 신경망, K-NN: K- 최근접 이웃 알고리즘, MLP; 다층 퍼셉트론, LS; 최소 제곱법, ML 최대가능도, SVM; 서포트 벡터 머신

표 3은 이전 연구와의 성과 비교를 나타낸 표이다.

이전 연구 그룹에서 제안한 ECG 분류의 알고리즘과 본 발명의 1- D CNN 알고리즘의 결과를 표 3에 나타냈다. 기존의 분류에는 별도의 전처리, 특정 추출 및 분류 프로세스가 필요하다. 그러나 본 발명의 1- D CNN은 기능 추출 및 분류 프로세스를 통합하고 다른 머신러닝 알고리즘보다 효율적이다.

본 발명에서, 우리는 AF, CHF 및 NSR 조건을 분류하기 위한 1-D CNN의 새로운 구성을 제안했다. AF, CHF 및 NSR 조건을 분류할 수 있는 분류기를 만들기 위해 Hjorth descriptor features 의 추출에 의존했던 종래 연구에서 기계 학습을 사용한 AF, CHF 및 NSR 분류를 사용했지만.

우리는 원시 심전도 신호를 1-D CNN의 입력으로 사용하여 방법을 크게 향상시켰다. 그 결과, 앞서 언급한 동일한 데이터 세트를 사용한 연구의 정확도 성능을 향상시켰다. 본 발명은 심전도 신호의 특성을 완전히 나타내지 않을 수 있는 특정 기능에 의존하지 않고 심전도 신호의 패턴을 추출하고 학습할 수 있다.

1-D CNN 모델의 구성을 결정하는 동안, 필터의 수와 모델의 깊이를 고려해야 한다. 기능 맵과 모델 복잡성은 이러한 매개 변수의 영향을 받는다. 모델이 너무 단순하면 고유한 기능을 추출할 수 없다. 반면에 모델이 너무 딥(deep)하면 모델 복잡성이 증가하고 훈련 과정이 느려진다. 따라서 본 발명의 모델은 그림 l과 같이 1-D CNN 모델의 구성을 제안하였다. 또한, 과도한 적합을 피하고 견고성과 일반화 능력을 높이기 위해 광범위한 시뮬레이션을 수행한 후 최적화 알고리즘과 학습 속도를 포함한 몇 가지 하이퍼 파라미터를 주의 깊게 선택하였다.

CNN을 사용한 몇 가지 연구는 표 3과 같이 ECG 신호를 분류하는 유망한 결과를 보여주었다. 이전 종래연구에서는 AF 또는 CHF의 발생을 개별적으로 감지하는 시스템을 개발하였다. 한편, Padmavati 등은 ECG 신호의 몇 가지 조건을 분류하는 시스템을 제안했다. 제안된 모델은 두 가지 조건을 분류하는 데 꽤 좋은 성능을 보였다. 그러나 정확도 성능은 세 가지 조건과 네 가지 조건을 분류하는 데 많이 감소했다. 정밀도 성능을 떨어뜨리는 false detection에 여전히 영향을 받는 것으로 나타났다.

본 발명의 주요 목표는 별도의 데이터 세척, 사전 처리, 특징 추출 및 분류 프로세스 없이 원시 심전도 신호 데이터를 기반으로 각 조건(AF. CHF 및 NSR)의 특성을 학습하는 1- D CNN의 능력을 확인하는 것이다. 1-D CNN의 분류 성능은 잘못된 탐지의 영향을 받지 않았다. 따라서 AF, CHF 및 NSR의 38개 시험 데이터를 분류할 때 정확도, 리콜, 정밀도 및 f1 - 점수 값은 100 %와 동일했다. 분류 성능 외에도, 임상 사용을 위해 구현되는 훈련을 위해서는 대규모 데이터 세트가 필요하다.

- 제안방법

도 2는 본 발명의 1차원 컨볼루션 신경망(1-D CNN)의 알고리즘의 구성도이다.

본 발명을 통해 원시 심전도 신호 데이터를 직접 처리하여 AF. CHF, NSR 등 세 가지 조건으로 분류하는 1-D CNN을 이용한 최적의 심전도 신호 분류 시스템을 제안했다. 제안된 1-D CNN 모델의 구성은 도 2에 나와 있다.

(1) Dataset

심전도 신호 데이터는 PhysioNet 에서 액세스할 수 있는 MIT-BIH 데이터베이스에서 수집되었으며, 데이터 세트는 이전에 여러 연구에서 사용되었다. 데이터는 AF. CHF 및 NSR 의 세 가지 심장 클래스로 구성된다. 각 클래스에는 샘플링 속도가 250Hz인 50개의 데이터 세트가 있었다. 총 150개의 심전도 신호 데이터 세트를 얻었으며, 이를 훈련(n = ll2) 데이터와 시험(n = 38) 데이터로 나누었다. 각 심전도 신호는 CNN의 컨볼루션 레이어에 대한 입력으로 245개의 샘플로 구성 되었다.

(2) Feature Extraction using 1-D CNN

본 발명에서 사용된 lD-CNN의 특징 추출 레이어는 각 레이어에 대해 커널 크기가 5인 5개의 컨볼루션 레이어로 구성되었다. 컨볼루션 레이어 1 ~ 5는 각각 8, 16, 32, 64, 128개의 필터로 구성되었다. 정류 선형 단위 활성화 함수가 각 컨볼루션 레이어에 적용되었다. 마찬가지로, 컨볼루션 레이어를 따라, 우리는 네트워크 복잡성과 과적합을 피하기 위해 각 레이어에 맥스 풀링(max Pooling) 적용하고 드롭 아웃 레이어(Drop out layer)를 추가하여 퍼셉트론(perceptron)에서 무작위로 50%를 삭제했다. 이후, 특징 맵은 분류 계층에 대한 입력으로 컨볼루션 및 풀링 계층을 통해 추출되었다.

(3) Classification using 1- D CNN

1-D CNN의 분류 계층은 데이터 분류를 담당하는 완전히 연결된 계층이다. 완전히 연결된 층을 만들기 전에 평탄화 과정이 있으며, 각각 256, 128, 64, 32개의 밀도가 높은 층을 포함한다. 마지막으로, 신호를 AF, CHF, NSR 의 세 가지 조건으로 분류하기 위해 Softmax 활성화 함수가 적용되었다.

1-D CNN 알고리즘을 최적화하기 위해 최적화 알고리즘(Adam, Nadam, SGD 및 RMS prop)과 최적의 학습 속도(1e- 01 ~ 1e - 04)를 포함한 하이퍼 파라미터 성능을 비교했다. 학습 속도 값을 포함한 최적화 알고리즘은 네트워크를 훈련하는 동안 적용되었다. 최적화 알고리즘은 정확도 성능과 관련된 오류를 최소화하였다.

즉, 상술한 바와 같이, 시스템은 심전도 신호를 수신하고 미리 설정된 신경망 이용하여 심방세동(atrial fibrillation, AF), 울혈성 심부전(Congestive heart failure , CHF), 정상 부비동 리듬(Normal Sinus Rhythm, NSR)을 각각 분류하는 데이터 처리부를 포함한다.

데이터 처리부에서 처리되는 신경망을 이용한 심방세동과 울혈성 심부전의 분류방법은 원시 심전도(Electrocardiogram, ECG) 신호를 1차원 컨볼루션 신경망(1-D CNN)의 특징 추출 레이어에 입력하는 단계와, 상기 1차원 컨볼루션 신경망(1-D CNN)의 분류 레이어에서 상기 특징 추출 레이어의 출력 데이터에 평탄화 과정을 진행하고 각각 256개, 128개, 64개, 32개의 완전연결 계층(Dense Layer)을 형성 후, Softmax 활성화 함수를 적용하여 심방세동(atrial fibrillation, AF), 울혈성 심부전(Congestive heart failure , CHF) 및 정상 부비동 리듬(Normal Sinus Rhythm, NSR)을 각각 분류하는 단계를 포함한다.

이때, 특징 추출 레이어는 각 레이어에 대해 커널 크기가 각각 5인 제1 내지 제5 컨볼류션 레이어를 포함하고, 제1 내지 제5 컨볼루션 레이어는 각각 8, 16, 32, 64, 128개의 필터를 포함하고, 정류 선형 단위 활성화 함수가 각 컨볼루션 레이어에 적용되며, 각 컨볼루션 레이어에 과적합을 피하기 위해 맥스 풀링(max Pooling) 적용하고, 드롭 아웃 레이어(Drop out layer)가 추가된다.

(4) System Performance

시스템 성능을 평가할 때 정확도, 정밀도, 리콜 및 fl 점수를 얻기 위해 Confusion Matrix 를 사용했다. 다음 방정식은 AF, CHF 및 NSR 상태를 진단할 때 시스템의 효과를 측정하기 위한 파라미터를 계산하는 데 사용되었다.

등식 (1), (2) 및 (3)에서 참 양수 (True Positive, TP)는 모형이 양의 클래스를 올바르게 예측하는 결과이다. 반면, 참 음수(True, Negative, TN)는 모형이 음수를 올바르게 예측하는 결과이다. 거짓 양성(False Positive, FP)은 데이터가 음수이지만 양수로 잘못 분류되는 결과이다. 한편, 거짓 음성(False Negative, FN)은 데이터가 양수이지만 음수로 잘못 분류되는 결과이다.

본 발명은 심방세동(atrial fibrillation, AF)과 울혈성 심부전(Congestive heart failure , CHF)의 분류 성능을 향상할 수 있는 1차원 컨볼루션 신경망(1-D CNN)을 사용한 최적의 심전도 신호 분류 시스템이다. 제안하는 심전도 기반 심방세동(atrial fibrillation, AF)과 울혈성 심부전(Congestive heart failure , CHF)의 분류 시스템은 1-D CNN을 사용하여 총 150개의 심전도 신호 데이터 세트를 모델링 하였다.

제안된 1-D CNN 알고리즘은 정밀 값, 호출, f1-score, 100%의 정확도를 통해 심전도 신호의 원시 데이터를 기반으로 정상 부비동 리듬(Normal Sinus Rhythm, NSR), AF 및 CHF의 세 가지 조건으로 성공적으로 분류할 수 있음을 보여주었다. 제안된 알고리즘의 분류 성능은 이전의 여러 연구 그룹에서 제안한 방법들의 성능을 능가하며 AF와 CHF 및 NSR의 정확한 분류가 가능하다. 본 발명의 접근 방식은 의료진이 AF, CHF 및 NSR을 진단하기 위한 부속물로 사용될 수 있다.

즉, ECG 신호 분류에 대한 일부 이전 연구의 성능 결과에 따르면 기존의 기계 학습 방법은 노이즈에 민감하므로 데이터 정리가 필요했다. 별도의 데이터 세트 사전 처리, 특징 추출 및 분류 프로세스가 필요했던 기존 접근 방식과 달리 CNN은 원시 입력에서 직접 형상을 추출할 수 있다. 결과적으로, 충분한 훈련 샘플이 있는 경우, CNN 모델에 의해 추출된 특정이 수동으로 추출된 기능보다 더 상세한 정보의 추출이 가능하다. 특히, 기존 머신 러닝에서 존재했던 일부 제한점은 CNN을 통해 극복할 수 있다. 따라서 본 발명은 이전 방법의 성능 정확도를 향상시킬 수 있는 최적의 심전도 분류 시스템을 설계하기 위한 1차원(1- D) CNN 모델로, 1- D CNN 알고리즘을 통해 원시 ECG 신호를 기반으로 AF. CHF 및 NSR를 분류하는 것이다.

본 발명은 심방세동과 울혈성 심장 부정맥의 자동 분류 시스템 개발의 연구 및 업체에서 적용할 수 있는 기술로 심방세동과 울혈성 심장 부정맥의 유무를 확인하고 의사와 전문가들의 정밀 진단을 받기 전 조기 진단기기에 적용 가능하다.

이와 같이, 본 발명이 속하는 기술분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (4)

1. 삭제
2. 심전도 신호 분류 시스템의 데이터 처리부의 학습모델에서 원시 심전도(Electrocardiogram, ECG) 신호를 1차원 컨볼루션 신경망(1-D CNN)의 특징 추출 레이어에 입력하는 단계; 및
   상기 데이터 처리부의 학습모델의 상기 1차원 컨볼루션 신경망(1-D CNN)의 분류 레이어에서 상기 특징 추출 레이어의 출력 데이터에 평탄화 과정을 진행하고 각각 256개, 128개, 64개, 32개의 완전연결 계층(Dense Layer)을 형성 후, Softmax 활성화 함수를 적용하여 심방세동(atrial fibrillation, AF), 울혈성 심부전(Congestive heart failure , CHF) 및 정상 부비동 리듬(Normal Sinus Rhythm, NSR)을 각각 분류하는 단계;를 포함하고,
   상기 데이터 처리부의 학습모델의 상기 특징 추출 레이어는, 각 레이어에 대해 커널 크기가 각각 5인 제1 내지 제5 컨볼류션 레이어를 포함하고,
   상기 제1 내지 제5 컨볼루션 레이어는 각각 8, 16, 32, 64, 128개의 필터를 포함하고, 정류 선형 단위 활성화 함수가 각 컨볼루션 레이어에 적용되며, 각 컨볼루션 레이어에 과적합을 피하기 위해 맥스 풀링(max Pooling) 적용하고, 드롭 아웃 레이어(Drop out layer)가 추가되는 것을 특징으로 하고,
   상기 원시 심전도 신호는 데이터 세척, 사전 처리, 특징 추출 및 분류 프로세스를 처리하지 않은 신호인 것을 특징으로 하는 신경망을 이용한 심방세동과 울혈성 심부전의 분류방법.
3. 삭제
4. 삭제