KR20200071183A - 심층 신경망을 이용한 부정맥 분류 시스템 및 방법 - Google Patents

Abstract

본 발명은 심층 신경망을 이용한 부정맥 분류 시스템 및 방법을 개시한다. 본 발명의 일 측면에 따른 심층 신경망을 이용한 부정맥 분류 방법은, ECG 신호를 수신하는 단계; 상기 수신한 ECG 신호를 심층 신경망 알고리즘에 적용할 수 있도록 전처리하는 단계; 상기 전처리된 ECG 신호에서 P-QRS-T파의 피크값을 검출하는 단계; 상기 검출된 P-QRS-T파의 피크값을 라벨 데이터와 통합하여 하나의 파일로 구성함으로써 데이터 셋을 구성하는 단계; 및 상기 P-QRS-T파의 피크값 및 데이터 셋에 입력 레이어, 히든 레이어, 출력 레이어를 포함하는 심층 신경망을 적용하여 부정맥을 분류하는 단계;를 포함한다.

Description

심층 신경망을 이용한 부정맥 분류 시스템 및 방법{ARRHYTHMIA CLASSIFICATION SYSTEM AND METHOD USING DEEP NEURAL NETWORK}

본 발명은 심층 신경망을 이용한 부정맥 분류 시스템 및 방법에 관한 것으로, 더욱 상세하게는 심층 신경망을 이용하여 특징 추출 과정없이 R-QRS-T 피크값을 이용하여 부정맥을 분류하는 심층 신경망을 이용한 부정맥 분류 시스템 및 방법에 관한 것이다.

최근 국내 경제 성장과 생활환경이 서구화됨에 따라, 심장 질환이 암, 뇌 혈관 질환과 함께 주요 사망 원인 중 하나가 되었다. 2016년 기준, 심장 질환은 국내 주요 사망 원인 중 두 번째로 높은 수치를 보여주고 있으며, 심장질환의 예측 불가성 위험도는 심전도 신호(electrocardiogram : ECG)를 수시로 모니터링 할 필요성을 방증하고 있고, 관련 병력이 있는 경우 시간과 장소에 무관하게 상시 관리가 반드시 필요하다.

기존의 부정맥에 대한 연구는 생체 신호 중 하나인 심전도를 통해 심장박동이 비정상적으로 빠르거나 느리거나 또는 불규칙적인 것을 부정맥 질병 유무의 진단으로 사용하였다. 심전도는 P-QRS-T 파의 형태를 가지는데 QRS-complex와 R-R Interval의 특징을 추출하여 자동 분석한 연구가 많다.

그러나, 기존의 방식은 P-QRS-T파를 정확하게 검출하여야 하고, 이를 통해 특징값을 추출한다. 만약, 피크(peak) 검출과정이나 특징 추출과정에서 오류가 발생하면 정확도가 매우 떨어지게 된다. 이처럼, 기존의 방식들은 특징 추출과정이 상당히 중요한 부분인데, 심전도 신호는 사람마다 다른 성향을 띄기 때문에 일반화하기가 어려워 데이터 가공과 복잡한 알고리즘을 사용해야 한다. 단순한 알고리즘은 사람마다 심전도 신호 특징이 다르기 때문에 임계값(threshold)을 다르게 설정해야하는 한계점이 있고, 좀 더 발전된 머신러닝 알고리즘을 사용하는 경우에는 알고리즘이 매우 복잡하게 된다.

한국등록특허 제10-1429710호(2014.08.12 공고)

본 발명은 상기와 같은 문제점을 해결하기 위해 제안된 것으로서, 심층 신경망을 이용하여 특징 추출 과정없이 R-QRS-T 피크값을 이용하여 부정맥을 분류할 수 있는 심층 신경망을 이용한 부정맥 분류 시스템 및 방법을 제공하는데 그 목적이 있다.

본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있으며, 본 발명의 일 실시예에 의해 보다 분명하게 알게 될 것이다. 또한, 본 발명의 목적 및 장점들은 특허청구범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.

상기와 같은 목적을 달성하기 위한 본 발명의 일 측면에 따른 심층 신경망을 이용한 부정맥 분류 시스템에서의 부정맥 분류 방법은, ECG 신호를 수신하는 단계; 상기 수신한 ECG 신호를 심층 신경망 알고리즘에 적용할 수 있도록 전처리하는 단계; 상기 전처리된 ECG 신호에서 P-QRS-T파의 피크값을 검출하는 단계; 상기 검출된 P-QRS-T파의 피크값을 라벨 데이터와 통합하여 하나의 파일로 구성함으로써 데이터 셋을 구성하는 단계; 및 상기 P-QRS-T파의 피크값 및 데이터 셋에 입력 레이어, 히든 레이어, 출력 레이어를 포함하는 심층 신경망을 적용하여 부정맥을 분류하는 단계;를 포함한다.

상기 P-QRS-T파의 피크값 및 데이터 셋에 입력 레이어, 히든 레이어, 출력 레이어를 포함하는 심층 신경망을 적용하여 부정맥을 분류하는 단계는, 상기 히든 레이어에서 활성화 함수로 시그모이드(sigmoid) 함수를 사용하고, 출력 레이어에서 활성화 함수로 소프트맥스(softmax)함수를 사용하는 것을 특징으로 한다.

상기 입력 레이어에 ECG 신호에서 검출한 P-QRS-T파의 피크값을 입력값으로 사용하고, 각 입력 노드는 다음의 히든 노드와 연결되며, 히든 레이어는 Affine 계층과 Sigmoid 계층으로 나뉘고, 상기 히든 레이어를 거쳐 얻어진 출력값은 출력 레이어의 소프트맥스(softmax) 함수에 입력값으로 입력되어 출력값을 생성하는 것을 특징으로 한다.

상기 Affine 계층에서는 입력값과 가중치, 바이어스 값을 통해 하기의 수학식에 따른 연산을 수행하고, 결과값을 시그모이드(sigmoid) 함수에 입력값으로 사용하여 출력값을 생성하는 것을 특징으로 한다.

[수학식]

상기 수신한 ECG 신호를 심층 신경망 알고리즘에 적용할 수 있도록 전처리하는 단계는, 상기 ECG 신호에서 대역 통과 필터를 사용하여 필터링을 수행함으로써 잡음을 제거하는 것을 특징으로 한다.

상기 전처리된 ECG 신호에서 P-QRS-T파의 피크값을 검출하는 단계는, 상기 전처리된 ECG 신호에 Pan&Tompkins QRS 검출 알고리즘을 적용하여 P, Q, R, S, T파에서의 피크값을 검출하는 것을 특징으로 한다.

상기 P-QRS-T파의 피크값 및 데이터 셋에 입력 레이어, 히든 레이어, 출력 레이어를 포함하는 심층 신경망을 적용하여 부정맥을 분류하는 단계는, 미니배치 기법을 통해 학습 과정을 위한 데이터를 획득하는 단계; 및 상기 획득된 데이터를 오류 역전파 알고리즘 기반으로 매개변수를 갱신하는 단계;를 포함하는 것을 특징으로 한다.

상기 라벨 데이터는, 3차원의 벡터로 표기하는 원-핫 인코딩(one-hot encoding) 형식으로 구성하는 것을 특징으로 한다.

상기와 같은 목적을 달성하기 위한 본 발명의 다른 측면에 따른 심층 신경망을 이용한 부정맥 분류 시스템은, ECG 신호를 수신하는 ECG 신호 수신부; 상기 수신한 ECG 신호를 심층 신경망 알고리즘에 적용할 수 있도록 전처리하는 ECG 신호 전처리부; 상기 전처리된 ECG 신호에서 P-QRS-T파의 피크값을 검출하는 피크값 검출부; 상기 검출된 P-QRS-T파의 피크값을 라벨 데이터와 통합하여 하나의 파일로 구성함으로써 데이터 셋을 구성하는 데이터 셋 구성부; 및 상기 P-QRS-T파의 피크값 및 데이터 셋에 입력 레이어, 히든 레이어, 출력 레이어를 포함하는 심층 신경망을 적용하여 부정맥을 분류하는 부정맥 분류부;를 포함한다.

상기와 같은 목적을 달성하기 위한 본 발명의 다른 측면에 따른 기록매체는, 심층 신경망을 이용한 부정맥 분류 방법을 수행하기 위한, 컴퓨터 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체이다.

본 발명의 일 측면에 따르면, 심전도 신호에서 특징 추출 과정없이 R-QRS-T 피크값을 입력값으로 하여 심층 신경망을 이용해 부정맥 분류에 있어서 정확도를 높일 수 있는 효과가 있다.

본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 명세서에 첨부되는 다음의 도면들은 본 발명의 바람직한 실시예를 예시하는 것이며, 발명을 실시하기 위한 구체적인 내용들과 함께 본 발명의 기술사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석되어서는 아니 된다.
도 1은 본 발명의 일 실시예에 따른 심층 신경망을 이용한 부정맥 분류 시스템의 개략적인 구성도,
도 2는 심장의 수축과 이완에 의한 심전도 신호의 파형을 도시한 도면,
도 3은 일반적인 심전도 파형을 도시한 도면,
도 4는 QRS 검출 과정의 흐름을 도시한 도면,
도 5는 본 발명의 일 실시예에 따라 구성된 데이터 셋을 도시한 도면,
도 6은 본 발명의 일 실시예에 따른 심층 신경망 모델의 구성을 도시한 도면,
도 7은 본 발명의 일 실시예에 따른 히든 레이어에서 사용한 시그모이드 활성화 함수를 적용한 경우의 출력값을 도시한 도면,
도 8은 본 발명의 일 실시예에 따른 심층 신경망을 이용한 부정맥 분류 방법의 개략적인 흐름도이다.

상술한 목적, 특징 및 장점은 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해질 것이며, 그에 따라 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 또한, 본 발명을 설명함에 있어서 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 일 실시예를 상세히 설명하기로 한다.

명세서 전체에서, 어떤 부분이 어떤 구성요소를 “포함”한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 “…부” 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.

도 1은 본 발명의 일 실시예에 따른 심층 신경망을 이용한 부정맥 분류 시스템의 개략적인 구성도, 도 2는 심장의 수축과 이완에 의한 심전도 신호의 파형을 도시한 도면, 도 3은 일반적인 심전도 파형을 도시한 도면, 도 4는 QRS 검출 과정의 흐름을 도시한 도면, 도 5는 본 발명의 일 실시예에 따라 구성된 데이터 셋을 도시한 도면, 도 6은 본 발명의 일 실시예에 따른 심층 신경망 모델의 구성을 도시한 도면, 도 7은 본 발명의 일 실시예에 따른 히든 레이어에서 사용한 시그모이드 활성화 함수를 적용한 경우의 출력값을 도시한 도면이다.

종래에 있어서, 부정맥의 검출 및 분류는 심전도 신호(electrocardiogram : 이하 ECG)를 가공하여 여러 가지 특징을 추출하고, 그 특징에 따라 부정맥의 종류를 분류하였다. 그러나 ECG 신호의 특징 추출을 위해서는 정확한 P-QRS-T파의 피크 검출이 필요하며, 이를 위해서는 고급 장비의 사용과 안정적인 측정환경이 요구된다. 그러므로, 데이터의 가공을 위해 여러 가지 복잡한 알고리즘이 사용되어야 한다는 문제점이 있었다. 또한, ECG 신호는 개인차가 심하므로 부정맥의 검출에 있어서 정확도가 떨어진다는 문제점이 있었다. 즉, 정상 QRS 구간의 폭, P파와 T파의 크기 및 위치 등이 개인마다 다르고, 심한 경우 P파나 T파를 거의 구분할 수 없는 경우도 존재하였다. 따라서, 본 발명에서는 후술하는 바와 같이 특징 추출과정없이 ECG 신호에서 검출된 P-QRS-T파의 피크값을 입력값으로 하여 심층 신경망을 이용해 조기심실수축과 조기심방수축 등과 같은 부정맥을 분류할 수 있는 시스템을 개시한다.

도 1을 참조하면, 본 실시예에 따른 부정맥 분류 시스템은 ECG 신호 수신부(100), ECG 신호 전처리부, 피크값 검출부(300), 데이터 셋 구성부(400) 및 부정맥 분류부(500)를 포함한다.

ECG 신호 수신부(100)는 ECG 신호를 수신한다. ECG 신호 즉, 심전도 심호는 전극(electrode)을 인체 표면에 부착하여 간단히 측정할 수 있는 장치인 심전도에 의해 측정된다. ECG 신호는, 도 2에 도시된 바와 같이, 심장을 구성하는 심방 및 심실의 규칙적인 수축과 이완에 의해 발생되는 전기적 파형의 집합으로서, P파 QRS군, T파로 대분류되고 이를 기준으로 한 주기가 결정된다. P파는 심방의 수축에 의해 발생되는 파형으로서 두 개의 심방이 차례로 수축하면서 형성되나, 심방이 이완될 때에는 구 개의 심실이 수축할 때 획득되는 QRS군에 희석되어 심전도 신호 상에 기록되지 않는다. Q, R, S파로 구성되는 QRS군은 일반적으로 심정도 신호 한 주기 상에서 그 크기가 상대적으로 크게 나타나는데, 이는 심실의 근육이 심방에 비해 두꺼우므로 탈분극시 다른 파형에 비해 큰 전위차가 발생됨에 기인한다. 또한, T파는 수축된 심실이 이완될 때 획득되는 파형으로서, 특히 QRS군의 종점(end point)에서 T파로 이행되는 구간의 파형을 ST-segment라고 한다. 즉, ST-segment는 심실의 이완 과정을 반영하는 부분으로서 협심증, 심근경색증, 또는 급사로 나타나는 허혈성 심장질환(cardiovascular disease)의 진단 요소가 될 수 있다.

다시 말해, 심전도 신호는 심장 활동 시에 나타나는 전기적인 신호로, P, QRS, T파의 형태를 띠며, 심장상태와 질환을 확인할 수 있는 중요한 자료이다. 심장의 우심방에 위치한 동방결절에서 발생한 전기적 자극은 우심방과 좌심방을 탈분극 시키며, 심실을 자극해 심근의 수축을 유도한다. 이후에 재 분극 과정을 거쳐 심근의 이완을 유도시킨다. 따라서 심전도는 심장박동을 전원으로 하는 mV단위의 미세한 생체 신호이다. 따라서 P, QRS, T파는 심장활동에 관련된 여러 정보를 내포하고 있어 조기진단에 결정적인 역할을 할 수 있다. 심전도 신호에서 파(예컨대, P, Q, R, S, T 파등)는 심방 탈분극이나 심방 재 분극, 심실 탈분극, 심실 재 분극 또는 히스 속을 통과하는 전도 등의 심장의 전기적인 사건들을 나타내는 것이다. 이러한 각 단계는 P파, QRS군, T파라고 불리는 몇 개의 형태로 반영된다. 심전도 신호에 포함되는 파의 형태는 도 3에 도시된 바와 같다. P파는 심방의 탈분극기로서 폭은 0.11초 이하이고 높이는 0.25mV 이하의 부드러운 곡선이며, QRS 파는 심실의 탈분극기로서 폭은 0.1초 이하이고 예리한 파를 이루는데 보통 P파나 T파보다 크다. T파는 심실의 재분극기로서 폭과 높이는 일정하지 않으나, P파보다 크고 부드러운 곡선이고 약 0.2초간 지속된다. 심방에서도 재 분극파가 발생하는데 QRS군과 동일한 시기에 발생하므로 크기가 더 큰 QRS군에 묻어 심전도 상에서 안보이게 된다. 일반적으로 건강한 성인의 경우 안정 시 심박동 수는 대개 1분에 70 내지 80회 정도로 규칙적이다. 그러나 심전도는 운동을 할 경우이거나 흥분을 할 경우에는 심박동수가 급격하게 증가되고 수면 중에는 50회 정도로 감소하는 경향이 있다. 보다 구체적으로, 심전도 신호의 구성요소를 설명하면 아래와 같다.

*심전도 구성요소*

1) P파 : 정상 동성 P파는 심방의 정상 탈분극 상태를 나타낸다. 심방의 탈분극은 동방결절 부근에서 시작되며, 심방을 가로질러 오른쪽에서 왼쪽으로 진행 된다. P파의 첫 부분은 우심방의 탈분극을 나타내며, P파의 뒷부분은 좌심방의 탈분극을 나타낸다. P파의 기간에 전기적 충격은 동방결절로부터 심방전도로와 방실결절을 통하여 전달된다. P파는 심실 이완기 동안에 일어나며 기본선에서 갑자기 혹은 점진적으로 상승된다. P파는 다시 기본선으로 되돌아오면서 PR분절과 이어지는데, 이 지점이 P파의 끝점이 되며, 방향은 유도 Ⅱ에서 양극이면서 기간 은 0.1초 이하이다. 진폭은 유도 Ⅱ에서 0.5 내지 2.5mm이고, 정상적으로 P 파는 2mm를 넘지 않는다. 모양은 완만하고 둥글며, QRS군은 정상적으로 각 P파에 뒤이어 나오는 관계를 가진다. 그러나 방실차단과 같은 부정맥 에서는 QRS군이 각 동성 P파에 뒤이어 나오지 않는다. 마지막으로, PR간격은 정상일 때 0.12 내지 0.22초, 비정상일 때 0.12초 이하이거나 0.2초보다 길어진다. 비정상 동성 P파는 심방의 탈분극이 손상 받았거나 장애가 있는 것 또는 비정상적 심방의 상태를 나타낸다. 우심방의 압력 증가, 우심방 확장과 비대(과부하)등은 크고 대칭적으로 뾰족한 P파를 만들며, 만성 폐쇄성 폐질환, 천식발작, 급성 폐색전, 급성 폐부종 등의 질환 시에 발견될 수 있다. 또한 비정상 동성 P파는 동성빈맥에서도 나타날 수 있는데, 좌심방 압력증가, 좌심방 확장과 비대(좌심방 과부하)등은 넓고 정점이 u자 모양으로 패인 P파를 만든다. 이러한 상태는 전신성 고혈압, 승모판 혹은 대동맥판 질환, 급성 심근경색증, 좌심부전에 이어 오는 폐부종등에서 발견된다. 이때의 P파는 좌우 심방 사이에 심방내 전도로를 통한 전기적 충격의 진행이 지연되거나 차단되어도 나타날 수 있다. 비정상 동성P파의 모양은 정상 P파와 같으며, 방향은 유도 Ⅱ에서 양극이다. 기간은 정상 P파의 기간과 같거나 0.1초보다 길어질 수 있으며, 진폭은 유도 Ⅱ에서 정상이거나 2.5mm보다 커질 수 있다.

2) QRS군 : 정상 QRS군은 정상 심실의 탈분극 상태를 나타내며, 탈분극은 방실접합부 부근의 심실간 중격의 왼쪽 부분에서 시작되어 심실간 중격을 가로질러 왼쪽에서 오른쪽으로 진행된다. QRS군의 시작부분, 즉 Q파는 심실간 중격의 탈분극을 나타내며, QRS군의 나머지 부분은 동시적으로 일어나는 좌우 심실의 탈분극을 나타낸다. 좌심실이 우심실보다 크고 많은 근육을 가지고 있기 때문에 QRS군의 대부분이 좌심실의 탈분극을 나타내게 된다. 정상 심실 탈분극을 일으키는 전기적 충격은 동방결절이나 심방에서의 이소성 혹은 이탈성, 방실접합부 등 심실의 상위 부분에서 일어나고 그 후 좌우 각 아래로부터 퍼킨제(purkinje)조직으로 전도된다. QRS군은 갑자기 혹은 점진적으로 기본선에서 벗어나면서 시작되며, 그 끝점도 기본선 위 혹은 아래에서 편평하게 되는 점이다. QRS군은 R파, Q파 S파로 구성된다. 설명은 아래와 같다.

가) R파 : R파는 QRS군에서 처음으로 나타나는 양극파이다. R파 이후에 기본선 위로 계속되는 양극파는 R′, R″등이라 칭한다.

나) Q파 : QRS군에서 처음으로 나타나는 음극파로 R파 이전에 나타난다.

다) S파 : R파에 이어 나타나며 기본선 아래로 나타나는 음극파이다. 이후 계속되는 음극파는 S′, S″ 등으로 칭한다.

라) QS파 : QRS군이 하나의 큰 음극으로 나타난다.

QRS군의 기간은 성인은 0.06 내지 0.1초, 소아는 0.08초 전후인데, 이는Q파 혹은 R파의 시작점에서 기본선으로 이어지는 끝점까지 측정한다. QRS군의 시작점으로부터 R파의 정점까지의 시간을 심실 활성화 시간(ventricular activation time)이라고하며, 이는 심실간 중격의 탈분극과심내막에서 심외막 으로의 심실 탈분극을 나타내고 시간은 0.05초를 초과하지 않는다. 또한 R파 혹은 S파의 진폭은 유도 Ⅱ에서 매우 다양하게 나타나는데, 1 내지 2mm에서 15mm이상 될 수 있으며, 정상 Q파는 R파의진폭의 25%이하이다. 비정상 QRS군은 심실의 비정상적 탈분극을 나타내며, 시작과 끝은 정상 QRS군과 같고 기간은 0.1초보다 길다. 심실근이나 퍼킨제 조직에서 시작된 이소성 박동이 만든 QRS군은 항상 0.16초 이상이며, 좌우각 에서 심박조율이 시작된 QRS군은 0.1초보다 약간 길거나 정상일 수도 있다. 방향은 양극이나 음극이 우세하거나 양쪽으로 나타나며, 진폭은 1 내지 2mm에서 20mm까지 다양하다. 모양은 매우 다양한데, 정상적인 모양에서 넓고 부정형적인 모양, 넓고 절흔이 있는 모양 등이 대표적이다.

3) T파 : T파는 심실의 정상 재분극을 나타내고, 심실의 심외막 표면에서 시작하여 심실벽을 통하여 심외막을 향하여 진행된다. ST분절에서 갑자기 또는 점진적으로 곡선을 나타내는 형태를 가지며, 만약 ST분절이 없다면 QRS군의 끝점에서 시작된다. T파가 기본선으로 되돌아간 지점이 T파의 끝점이 되고 ST분절이 없으면 T파는 ST-T파라고 불린다. T파의 방향은 유도 Ⅱ에서 양극이며, 기간은 0.1 내지 0.25초 혹은 그보다 길다. 진폭은 5mm이하이고 모양은 뾰족하거나 무딘 형태를 가진다. 비정상적인 T파는 비정상적 심실의 재분극을 의미하며, 비정상적 재분극은 심실의 심내막 혹은 심외막에서 시작될 수 있다. 이때 T파는 유도 Ⅱ에서 비정상적으로 높은 양극을 나타내는 반면, 심실의 재분극이 심실의 심내막에서 시작하여 심실벽을 통하여 심외막으로 진행할 때는 유도Ⅱ에서 음극으로 나타난다. 비정상적인 심실 재분극의 원인은 심근 허혈,급성 심근경색증, 심근염, 심내막염, 심실비대, 전해질 불균형(과도한 혈청 포다슘), 심장약의 투여 등 그리고, 심실의 비정상적 탈분극(각차단, 기외성 심실 부정맥)등이다. 이러한 비정상적인 T파의 시작과 끝은 정상 T파와 같으며, 방향은 양극이면서 비정상적으로 높거나 낮을 수도 있다. 또한 비정상 T파는 QRS군의 방향과 다를 수도 있다. 즉, 비정상 QRS군에 이어 나오는 T파는 대부분 반대 방향으로 나타나며, 비정상적으로 크고 넓으며 깊게 음극을 이룬다. 진폭은 다양하고 기간은 0.1 내지 0.25초 또는 그 이상이며, 모양은 다양하여 둥글거나 뾰족하거나 넓거나 등의 부정형적 특성을 가지면서 절흔이 있기도 한다.

ECG 신호 전처리부는 수신한 ECG 신호를 심층 신경망 알고리즘에 적용할 수 있도록 전처리한다. 이때, ECG 신호 전처리부는 ECG 신호에서 대역 통과 필터를 사용하여 필터링을 수행함으로써 잡음을 제거하여 ECG 신호를 전처리한다. 즉, ECG 신호에는 근육잡음, 전원잡음, 거저선 흔들림 등의 잡음이 포함될 수 있는데, 5 ㄴ내지 Hz 대역 통과 필터를 사용하여 감소시킬 수 있다. 이때, 대역 통과 필터는 저역 통과 필터(Low Pass Filtering), 고역 통과 필터(High Pass Filter) 등일 수 있다. 한편, ECG 신호에서 대역 통과 필터를 사용하여 필터링을 수행하는 것은 공지된 기술이므로 자세한 설명은 생략하기로 한다.

피크값 검출부(300)는 ECG 신호 처리부(200)에 의해 전처리된 ECG 신호에서 P-QRS-T파의 피크값을 검출한다. 보다 자세하게, 피크값 검출부(300)는 전처리된 ECG 신호에 Pan&Tompkins QRS 검출 알고리즘을 적용하여 P, Q, R, S, T파에서의 피크값을 검출한다. Pan&Tompkins QRS 검출 알고리즘은 대표적인 QRS 검출 알고리즘으로 크게 전처리 과정과 적응형(Adaptive)이중 임계값(Threshold)을 사용한 QRS 검출 과정으로 나뉜다. 알고리즘 검출과정은 도 4와 같으며, 공지된 기술이므로 자세한 설명은 생략하기로 한다.

데이터 셋 구성부(400)는 검출된 P-QRS-T파의 피크값을 라벨 데이터와 통합하여 하나의 파일로 구성함으로써 데이터 셋을 구성한다. 데이터 셋 구성부(400)는 라벨데이터와 Q, R, S Peak 데이터(P-QRS-T파의 피크값 포함)를 통합하여 하나의 csv 파일로 구성할 수 있다. 이때, 라벨데이터의 형식은 원-핫 인코딩(one-hot encoding) 형식으로 구성한다. 원-핫 인코딩은 신경망 모델의 범주형 종속 변수를 표현하는 것 중 하나이다. 예를 들어, 3개의 범주가 있는 종속 변수 y가 범주형 변수이고 y₁값이 첫 번째 범주를 가지는 관측치, y₂가 두 번째 범주를 가지는 관측치, y₃이 세 번째 범주를 가지는 관측치를 나타낸다고 했을 때, 1차원으로 y₁=1, y₂=2, y₃=3으로 표기하지 않고 3차원의 벡터로 y₁=[1, 0, 0], y₂=[0, 1, 0], y₃=[0, 0, 1]으로 표기하는 방법이 one-hot encoding 방법이다. 한편, 구성된 데이터 셋은 도 5에 도시된 바와 같다. 도 5를 참조하면, 왼쪽부터 P 피크값, R 피크값, Q 피크값, S 피크값, T 피크값, Label_data[[ ],[ ],[ ]] 로 구성된 것을 확인할 수 있다. 본 실시예에 따르면, 원-핫 인코딩 형식으로 라벨데이터를 구성하였기 때문에 정상 파형일 경우에는 y=[[1],[0],[0]]이 되며 조기심방수축 파형일 경우에는 y=[[0],[1],[0]], 조기심실수축일 경우에는 y=[[0],[0],[1]]이 된다. 이렇게 one-hot encoding을 사용하여 종속변수 하나의 관측치를 총 범주 개수만큼의 차원을 가지게 하면 비용 함수를 구하기 위해서는 신경망 모델을 통한 마지막 출력 값 벡터도 범주 개수만큼의 차원이 되어야 한다. 위의 예제처럼 범주가 2개 이상인 경우의 범주형 종속변수에 대한 출력 값 벡터에는 softmax 활성함수를 사용한다.

부정맥 분류부(500)는 P-QRS-T파의 피크값 및 데이터 셋에 입력 레이어, 히든 레이어, 출력 레이어를 포함하는 심층 신경망을 적용하여 부정맥을 분류한다. 심층 신경망은, 입력 레이어(input layer)와 출력 레이어(output layer) 사이에 다중의 은닉 레이어(hidden layer)를 포함하는 인공 신경망(ANN: Artificial Neural Network)이다. 심층 신경망은 다중의 은닉층을 포함하여 다양한 비선형적 관계를 학습할 수 있다. 심층 신경망은 알고리즘에 따라 비지도 학습 방법(unsupervised learning)을 기반으로 하는 심층 신뢰 신경망(DBN: Deep Belief Network), 심층 오토인코더(deep autoencoder) 등이 있고, 이미지와 같은 2차원 데이터 처리를 위한 합성곱 신경망(CNN: Convolutional Neural Network), 시계열 데이터 처리를 위한 순환 신경망(RNN: Recurrent Neural Network) 등이 있다. 본 실시예에 따른 심층 신경망은 도 6에 도시된 바와 같다. 도 6을 참조하면, 본 실시예에 따른 심층 신경망은 입력노드는 3개, 히든 노드는 50개씩 5개의 레이어로 구성되었으며, 출력 노드는 2개로 구성되었다. 히든 레이어에서 활성화함수로는 시그모이드(sigmoid)함수를 사용했으며 출력 레이어에서 활성화 함수로는 소프트맥스(softmax)함수를 사용하였다. 종래 기술에 따르면 부정맥 분류 및 검출을 위해 심전도 신호에서 특징들을 추출하여 특징을 통해 부정맥을 판단하였다. 조기심실수축 같은 부정맥의 경우 RR Interval 특징으로도 쉽게 확인할 수 있다. 그러나 특징들을 추출하는 경우 시간을 투자해야 하고 제대로 추출되지 않을 경우에는 사용자가 직접 처리해야하므로 효율이 떨어진다. 따라서, 본 발명에서는 심층 신경망을 이용하여 특징 추출 과정없이 R-QRS-T 피크값을 이용하여 부정맥을 분류한다.

먼저, 부정맥 분류부(500)는 미니배치 기법을 통해 데이터를 정한다. 미니배치는, 경사하강법과 같은 최적화 방법 사용 시 몇 개의 데이터를 넣어 손실 함수 값을 구하고 모수(parameter)를 갱신할 것인지 정하는데 사용되는 배치기법 중 하나로, 데이터를 몇 개의 부분집합(subset)으로 나누어 손실 함수값을 계산하는 모델 학습 방법이다. 미니배치에 사용하는 하이퍼 파라미터는 효율적인 성능을 낼 수 있는 값으로 설정하는데 본 발명에서는 미니배치 크기를 512으로 설정하고 반복횟수는 10,000번으로 설정하였다. 1 epoch 마다 학습 데이터 셋에서 512개를 랜덤으로 선택하여 입력 값으로 사용을 하게 된다. 여기서 1 epoch는 반복 1회를 뜻한다. 입력 레이어에는 심전도에서 검출한 P, Q, R, S, T Peak 값을 입력 값으로 사용하고 각 입력노드는 다음의 히든 노드 50개와 완전 연결 된다. 히든 레이어는 크게 Affine 계층과 Sigmoid 계층으로 나뉠 수 있다. Affine 계층에서는 입력 값과 가중치, 바이어스 값을 통해

의 연산을 수행하고 결과 값을 시그모이드 함수에 입력 값으로 사용하여 출력 값을 생성한다. 이때, x는 입력값, weight는 가중치, bias는 바이어스 값이다. 여기까지가 히든 레이어 하나의 동작 형태이다. 도 7을 참조하면, 히든 노드에서 활성화 함수로 사용한 시그모이드 함수의 형태로 입력 값이 작은 음수 값 일수록 0에 가까운 출력값, 큰 양수 값 일수록 1에 가까운 값이 출력된다. 이러한 과정을 총 5번 거치게 되며 마지막으로 얻어진 출력 값을 softmax 함수에 입력 값으로 사용하여 확률 값으로 출력 값을 얻을 수 있다. Softmax 함수의 특징은 결과를 모두 더하면 1이 되는 값으로 나온다. 즉, 확률 으로도 볼 수 있기때문에 여기가 가장 높게 나타난 값을 분류항목으로 판단하게 된다. Softmax 함수를 통해 얻어진 결과 값과 원-핫 인코딩 형식으로 저장된 라벨 데이터를 비교하여 정확도를 계산할 수 있다. 학습 과정에서는 softmax 함수로부터 나온 출력 값과 라벨 데이터 값의 오차를 통해 오류 역전파 알고리즘 기반으로 매개변수를 갱신한다. 오차역전파법(Backpropagation)이리고도 불리는 오류 역전파 알고리즘은, 출력 레이어와 가까운 레이어부터 연쇄법칙(chain rule)을 사용하여 모수(parameter)의 편미분 값을 구하는 모델 학습 방법이다. 오류 역전파 알고리즘은 공지된 기술이므로 상세한 설명은 생략하기로 한다. 한편, 여기서 말하는 매개변수는 가중치 값과 바이어스 값을 뜻한다. 학습 과정은 하이퍼 파라미터 횟수만큼 진행하기 때문에 제안하는 시스템 에서는 10,000번 진행하게 된다.

도 8은 본 발명의 일 실시예에 따른 심층 신경망을 이용한 부정맥 분류 방법의 개략적인 흐름도이다.

도 8을 참조하면, 먼저 심층 신경망을 이용한 부정맥 분류 시스템은, ECG 신호를 수신한다(S810). ECG 신호 즉, 심전도 심호는 전극(electrode)을 인체 표면에 부착하여 간단히 측정할 수 있는 장치인 심전도에 의해 측정된다.

다음으로, 수신한 ECG 신호를 심층 신경망 알고리즘에 적용할 수 있도록 전처리한다(S820). 이때, 본 발명에 따른 부정맥 분류 시스템은, ECG 신호에서 대역 통과 필터를 사용하여 필터링을 수행함으로써 잡음을 제거하여 ECG 신호를 전처리한다.

다음으로, 전처리된 ECG 신호에서 P-QRS-T파의 피크값을 검출한다(S830). 이때, 본 발명에 따른 부정맥 분류 시스템은, 전처리된 ECG 신호에 Pan&Tompkins QRS 검출 알고리즘을 적용하여 P, Q, R, S, T파에서의 피크값을 검출한다.

다음으로, 검출된 P-QRS-T파의 피크값을 라벨 데이터와 통합하여 하나의 파일로 구성함으로써 데이터 셋을 구성한다(S840). 이때, 본 발명에 따른 부정맥 분류 시스템은, 라벨데이터와 Q, R, S Peak 데이터(P-QRS-T파의 피크값 포함)를 통합하여 하나의 csv 파일로 구성할 수 있다. 한편, 라벨데이터의 형식은 원-핫 인코딩(one-hot encoding) 형식으로 구성한다.

다음으로, P-QRS-T파의 피크값 및 데이터 셋에 입력 레이어, 히든 레이어, 출력 레이어를 포함하는 심층 신경망을 적용하여 부정맥을 분류한다(S850).

본 발명의 실시예에 따른 방법들은 애플리케이션으로 구현되거나 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는, 본 발명을 위한 특별히 설계되고 구성된 것들이거니와 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

본 명세서는 많은 특징을 포함하는 반면, 그러한 특징은 본 발명의 범위 또는 특허청구범위를 제한하는 것으로 해석되어서는 아니 된다. 또한, 본 명세서의 개별적인 실시예에서 설명된 특징들은 단일 실시예에서 결합되어 구현될 수 있다. 반대로, 본 명세서의 단일 실시예에서 설명된 다양한 특징들은 개별적으로 다양한 실시예에서 구현되거나, 적절히 결합되어 구현될 수 있다.

도면에서 동작들이 특정한 순서로 설명되었으나, 그러한 동작들이 도시된 바와 같은 특정한 순서로 수행되는 것으로 또는 일련의 연속된 순서, 또는 원하는 결과를 얻기 위해 모든 설명된 동작이 수행되는 것으로 이해되어서는 안 된다. 특정 환경에서 멀티태스킹 및 병렬 프로세싱이 유리할 수 있다. 아울러, 상술한 실시예에서 다양한 시스템 구성요소의 구분은 모든 실시예에서 그러한 구분을 요구하지 않는 것으로 이해되어야 한다. 상술한 앱 구성요소 및 시스템은 일반적으로 단일 소프트웨어 제품 또는 멀티플 소프트웨어 제품에 패키지로 구현될 수 있다.

이상에서 설명한 본 발명은, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 변형 및 변경이 가능하므로 전술한 실시예 및 첨부된 도면에 의해 한정되는 것은 아니다.

100 : ECG 신호 수신부
200 : ECG 신호 처리부
300 : 피크값 검출부
400 : 데이터 셋 구성부
500 : 부정맥 분류부

Claims (10)

1. 심층 신경망을 이용한 부정맥 분류 시스템에서의 부정맥 분류 방법은,
   ECG 신호를 수신하는 단계;
   상기 수신한 ECG 신호를 심층 신경망 알고리즘에 적용할 수 있도록 전처리하는 단계;
   상기 전처리된 ECG 신호에서 P-QRS-T파의 피크값을 검출하는 단계;
   상기 검출된 P-QRS-T파의 피크값을 라벨 데이터와 통합하여 하나의 파일로 구성함으로써 데이터 셋을 구성하는 단계; 및
   상기 P-QRS-T파의 피크값 및 데이터 셋에 입력 레이어, 히든 레이어, 출력 레이어를 포함하는 심층 신경망을 적용하여 부정맥을 분류하는 단계;를 포함하는 심층 신경망을 이용한 부정맥 분류 방법.
2. 제 1 항에 있어서,
   상기 P-QRS-T파의 피크값 및 데이터 셋에 입력 레이어, 히든 레이어, 출력 레이어를 포함하는 심층 신경망을 적용하여 부정맥을 분류하는 단계는,
   상기 히든 레이어에서 활성화 함수로 시그모이드(sigmoid) 함수를 사용하고, 출력 레이어에서 활성화 함수로 소프트맥스(softmax)함수를 사용하는 것을 특징으로 하는 심층 신경망을 이용한 부정맥 분류 방법.
3. 제 2 항에 있어서,
   상기 입력 레이어에 ECG 신호에서 검출한 P-QRS-T파의 피크값을 입력값으로 사용하고, 각 입력 노드는 다음의 히든 노드와 연결되며, 히든 레이어는 Affine 계층과 Sigmoid 계층으로 나뉘고, 상기 히든 레이어를 거쳐 얻어진 출력값은 출력 레이어의 소프트맥스(softmax) 함수에 입력값으로 입력되어 출력값을 생성하는 것을 특징으로 하는 심층 신경망을 이용한 부정맥 분류 방법.
4. 제 3 항에 있어서,
   상기 Affine 계층에서는 입력값과 가중치, 바이어스 값을 통해 하기의 수학식에 따른 연산을 수행하고, 결과값을 시그모이드(sigmoid) 함수에 입력값으로 사용하여 출력값을 생성하는 것을 특징으로 하는 심층 신경망을 이용한 부정맥 분류 방법.
   [수학식]
   

   

   
   여기서, x는 입력값, weight는 가중치, bias는 바이어스 값임.
5. 제 1 항에 있어서,
   상기 수신한 ECG 신호를 심층 신경망 알고리즘에 적용할 수 있도록 전처리하는 단계는,
   상기 ECG 신호에서 대역 통과 필터를 사용하여 필터링을 수행함으로써 잡음을 제거하는 것을 특징으로 하는 심층 신경망을 이용한 부정맥 분류 방법.
6. 제 1 항에 있어서,
   상기 전처리된 ECG 신호에서 P-QRS-T파의 피크값을 검출하는 단계는,
   상기 전처리된 ECG 신호에 Pan&Tompkins QRS 검출 알고리즘을 적용하여 P, Q, R, S, T파에서의 피크값을 검출하는 것을 특징으로 하는 심층 신경망을 이용한 부정맥 분류 방법.
7. 제 1 항에 있어서,
   상기 P-QRS-T파의 피크값 및 데이터 셋에 입력 레이어, 히든 레이어, 출력 레이어를 포함하는 심층 신경망을 적용하여 부정맥을 분류하는 단계는,
   미니배치 기법을 통해 학습 과정을 위한 데이터를 획득하는 단계; 및
   상기 획득된 데이터를 오류 역전파 알고리즘 기반으로 매개변수를 갱신하는 단계;를 포함하는 것을 특징으로 하는 심층 신경망을 이용한 부정맥 분류 방법.
8. 제 1 항에 있어서,
   상기 라벨 데이터는,
   3차원의 벡터로 표기하는 원-핫 인코딩(one-hot encoding) 형식으로 구성하는 것을 특징으로 하는 심층 신경망을 이용한 부정맥 분류 방법.
9. ECG 신호를 수신하는 ECG 신호 수신부;
   상기 수신한 ECG 신호를 심층 신경망 알고리즘에 적용할 수 있도록 전처리하는 ECG 신호 전처리부;
   상기 전처리된 ECG 신호에서 P-QRS-T파의 피크값을 검출하는 피크값 검출부;
   상기 검출된 P-QRS-T파의 피크값을 라벨 데이터와 통합하여 하나의 파일로 구성함으로써 데이터 셋을 구성하는 데이터 셋 구성부; 및
   상기 P-QRS-T파의 피크값 및 데이터 셋에 입력 레이어, 히든 레이어, 출력 레이어를 포함하는 심층 신경망을 적용하여 부정맥을 분류하는 부정맥 분류부;를 포함하는 심층 신경망을 이용한 부정맥 분류 시스템.
10. 제 1 항 내지 제 8 항 중 어느 한 항에 따른 심층 신경망을 이용한 부정맥 분류 방법을 수행하기 위한, 컴퓨터 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.
    

Images