KR20200084561A - 딥러닝을 이용한 정상동율동 심전도 상태에서의 발작성 심방세동 예측방법 - Google Patents

Abstract

딥러닝을 이용한 정상동율동 심전도 상태에서의 발작성 심방세동 예측방법이 개시된다. 일 실시예에 따른 발작성 심방세동 예측 방법은, 전기적 생체 신호로부터 진단 모델에 기반한 입력 데이터로 변환하는 전처리 과정을 수행하는 단계; 상기 전처리 과정이 수행된 입력 데이터를 발작성 심방세동 예측을 위하여 구성된 진단 모델에 학습시키는 단계; 및 상기 진단 모델을 통하여 학습된 학습 결과를 잠재적으로 PAF로 분류된 그룹(PAF normal case)및 실제의 정상 그룹(Real normal case)을 포함하는 케이스에 따라 발작성 심방세동의 잠재 확률을 평가하는 단계를 포함할 수 있다.

Description

딥러닝을 이용한 정상동율동 심전도 상태에서의 발작성 심방세동 예측방법{PREDICTION OF PAROXYSMAL ATRIAL FIBRILLATION FROM NORMAL ELECTROCARDIOGRAM USING DEEP NEURAL NETWORK}

아래의 설명은 딥러닝을 이용한 정상동율동 심전도 상태에서의 발작성 심방세동 예측방법에 관한 것이다.

심방세동(Atrial fibrillation, AF)은 가장 흔한 부정맥 질환으로 사망률, 이환률과 밀접한 관계가 있다. 특히 뇌경색, 심부전 등의 위험성을 크게 상승시켜 운동 능력 및 삶의 질을 현저히 저하시키고 이에 따른 입원비용 증가로 사회적으로도 경제적 부담이 큰 주요 심장 질환이다. 심방세동은 발현 양상, 지속 기간, 심방세동의 자발적 종료 여부에 따라 발작성 심방세동, 지속성 심방세동, 장기간의 지속성 심방세동, 영구적 심방세동으로 분류할 수 있다. 심방세동은 심전도 상 전형적인 심방세동의 패턴(명확히 구분할 수 있는 P-파가 없으며 불규칙한 R-R 간격)을 기록함으로써 이루어지는데 시간이 지남에 따라 많은 환자들이 지속적인 형태의 심방세동으로 진행하게 되며 또한 일부에서는 지속성에서 발작성으로 변할 수도 있다.

심방세동은 패턴 종류에 관계없이 뇌졸중이나 심부전을 일으킬 수 있는 것이 특징이다. 따라서 초기에 AF를 진단하는 것은 매우 중요하나 현재로서는 몇 가지 한계가 존재한다. 먼저, 발작성 심방세동 환자는 심방세동 증세의 발생 빈도가 현저히 낮다는 점이다. 기존 방식에 의하면 심방세동이 있을 때 심전도검사를 해야 정확한 판단이 가능한데, 발병 초기에는 증상이 가끔씩 나타나기 때문에 진단에 있어서 큰 어려움이 있다. 발작성 심방세동 환자의 경우는 평소 정상 심전도로 보여 정상인의 정상 심전도와 기존의 방식대로 구분하기 거의 불가능하다. 기존 방식은 단시간의 검사로 증상을 관측하기가 어려움에 따라, 일상생활에서 탐지하기 위하여 Holter검사와 같이 20-24시간의 ECG를 기록하거나 1-2주간 모니터링 하는 이벤트 레코드와 같은 방법이 고안되었다. 그러나 이는 장기간 동안의 장치 부착에 의존적인 방식이다. 또한 기존의 좋은 결과를 보이는 많은 연구들은 normal-ECG와 abnormal-ECG의 판별에 초점이 맞춰져 있다는 점도 이 문제에 대한 기존 접근 방식의 한계점이다.

이와 같이 제시된 문제를 해결하기 위해서는 접근방법을 달리할 필요성이 있다.

정상 심전도(normal-ECG)로 진단된 신호 중에서 잠재적으로 PAF로 분류된 그룹(PAF-normal)과 실제의 정상 그룹(real-normal) 간 ECG의 차이점을 밝혀내려는 새로운 관점을 제시한다.

정상동율동(Normal sinus rhythm)을 보이는 안정 상태의 심전도(ECG, electrocardiogram)로부터 PAF 환자를 검출하고, 선재적 감별(screen)하기 위해 RNN (recurrent neural network) 기반의 모델을 고안하여 발작성 심방세동을 예측하는 방법 및 시스템을 제공할 수 있다.

발작성 심방세동 예측 시스템에 의해 수행되는 발작성 심방세동 예측 방법은, 전기적 생체 신호로부터 진단 모델에 기반한 입력 데이터로 변환하는 전처리 과정을 수행하는 단계; 상기 전처리 과정이 수행된 입력 데이터를 발작성 심방세동 예측을 위하여 구성된 진단 모델에 학습시키는 단계; 및 상기 진단 모델을 통하여 학습된 학습 결과를 잠재적으로 PAF로 분류된 그룹(PAF normal case)및 실제의 정상 그룹(Real normal case)을 포함하는 케이스에 따라 발작성 심방세동의 잠재 확률을 판단하는 단계를 포함할 수 있다.

상기 발작성 심방세동의 잠재 확률을 판단하는 단계는, 통계적인 분석방법을 이용하여 최종적인 발작성 심방세동으로 진단하기 위해 발작성 심방세동으로 검출되는 맥박의 최적 개수를 설정하는 후처리 과정을 수행하는 단계를 포함할 수 있다.

상기 전기적 생체 신호로부터 진단 모델에 기반한 입력 데이터로 변환하는 전처리 과정을 수행하는 단계는, 상기 전기적 생체 신호로부터 baseline drift가 제거된 8-by-5000 신호와, R-R interval로 가공하기 위한 R -peak index 정보를 입력 데이터로 변환할 수 있다.

상기 전기적 생체 신호로부터 진단 모델에 기반한 입력 데이터로 변환하는 전처리 과정을 수행하는 단계는, 상기 전기적 생체 신호로부터 Polynominal curve fitting방식을 사용하여 baseline drift를 제거하는 단계; 상기baseline drift이 제거된 전기적 생체 신호로부터 Pan Tompkins QRS detector를 사용하여 R-peak 인덱스를 추출하는 단계; 상기 추출된 R-peak 인덱스에 기반하여 상기baseline drift이 제거된 전기적 생체 신호를 R-R Interval로 커팅하고, RRI length에 따라 이상점(Outlier)를 제거하는 단계; 및 상기 이상점이 제거된 신호로부터 QRS complex 부근의 비정상적인 신호로 간주되는 급격한 변화를 학습에서 배제시키는 단계를 포함할 수 있다.

상기 전처리 과정이 수행된 입력 데이터를 발작성 심방세동 예측을 위하여 구성된 진단 모델에 학습시키는 단계는, 심전도에서의 Q 지점을 기점으로 P-wave 구간을 포함하는 방향으로 구간 크기를 늘려가면서 지정된 맥박의 구간길이에 해당하는 구간을 입력 시퀀스를 상기 진단 모델의 입력 신호로 입력하는 단계를 포함할 수 있다.

상기 전처리 과정이 수행된 입력 데이터를 발작성 심방세동 예측을 위하여 구성된 진단 모델에 학습시키는 단계는, RNN 기반의 발작성 심방세동 예측을 위한 진단 모델을 구성하는 단계를 포함하고, 상기 RNN 기반의 발작성 심방세동 예측을 위한 진단 모델은, 시간축의 흐름을 순방향 및 역방향으로 전후 관계를 고려하기 위한 bi-directional connection을 추가하고, 일련의 정보를 단기 및 장기적으로 유지하기 위하여 LSTM(Long Short-Term Memory)과 GRU(Gated Recurrent Unit)를 사용할 수 있다.

상기 학습을 수행하는 단계는, 제1 Bi-LSTM layer에서 획득된 값을 제2 Bi-LSTM에 입력함에 따라 복수 개의 코드를 획득하고, 획득된 복수 개의 코드를 fully-connected layer에 입력하여PAF-normal ECG과Real-normal ECG의 binary classification을 통과하여 최종 분류를 수행하는 단계를 포함할 수 있다.

발작성 심방세동 예측 시스템은, 전기적 생체 신호로부터 진단 모델에 기반한 입력 데이터로 변환하는 전처리 과정을 수행하는 전처리부; 상기 전처리 과정이 수행된 입력 데이터를 발작성 심방세동 예측을 위하여 구성된 진단 모델에 학습시키는 학습부; 및 상기 진단 모델을 통하여 학습된 학습 결과를 잠재적으로 PAF로 분류된 그룹(PAF normal case) 및 실제의 정상 그룹(Real normal case)을 포함하는 케이스에 따라 발작성 심방세동의 잠재 확률을 판단하는 판단부를 포함할 수 있다.

정상동율동(Normal sinus rhythm)을 보이는 안정 상태의 심전도 로부터 PAF 환자를 검출하고, 선재적 감별(screen)하기 위해 RNN 기반의 진단 모델을 구성하고, 구성된 진단 모델을 학습시킴으로써 발작성 심방세동의 잠재 확률을 보다 정확하게 평가할 수 있다. 또한, 각 맥박 내에서 핵심적 특징이 될 수 있는 구간을 최적화 한 결과 P-wave 부근을 포함하여 RNN 학습을 수행하였을 때 두 그룹간의 분류 정확도가 높아질 수 있다.

하나의 맥박 내에서도 각 구간의 신호 사이에 유기적인 인과관계가 있을 것이라는 전제 하에 장기간에 걸쳐 측정된 데이터를 다루지 않고, 개별 맥박의 패턴 분석을 통하여 분류 작업을 수행함에 따라 진단에 필요한 측정 데이터량을 감소시킬 수 있다.

도 1은 일 실시예에 따른 발작성 심방세동 예측 시스템의 구성을 설명하기 위한 블록도이다.
도 2는 일 실시예에 따른 발작성 심방세동 예측 시스템에서 발작성 심방세동 예측 방법을 설명하기 위한 흐름도이다.
도 3은 일 실시예에 따른 발작성 심방세동 예측 시스템에서 학습을 위한 kernel 크기 최적화 방법을 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 발작성 심방세동 예측 시스템에서 Bi-directional LSRM을 이용한 진단 모델의 구조를 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 발작성 심방세동 예측 시스템에서 후처리를 위한 검출빈도의 예를 나타낸 도면이다.
도 6은 일 실시예에 따른 발작성 심방세동 예측 시스템에서 PAF-normal 및 real-normal의 확률 분포함수의 예를 나타낸 도면이다.
도 7은 일 실시예에 따른 발작성 심방세동 예측 시스템에서 최적의 구간을 탐지하는 것을 설명하기 위한 예이다.
도 8 및 도 9는 일 실시예에 따른 발작성 심방세동 예측 시스템에서 입력 신호를 이용한 분류 정확도를 나타낸 예이다.

이하, 실시예를 첨부한 도면을 참조하여 상세히 설명한다.

정상동율동(Normal sinus rhythm)을 보이는 안정 상태의 심전도(ECG, electrocardiogram)로부터 PAF 환자를 검출하고, 선재적 감별(screen)하기 위해 RNN (recurrent neural network) 기반의 모델을 고안하여 발작성 심방세동을 예측하는 방법 및 시스템을 제공할 수 있다.

도 1은 일 실시예에 따른 발작성 심방세동 예측 시스템의 구성을 설명하기 위한 블록도이고, 도 2는 일 실시예에 따른 발작성 심방세동 예측 시스템에서 발작성 심방세동 예측 방법을 설명하기 위한 흐름도이다.

발작성 심방세동 예측 시스템(100)의 프로세서는 전처리부(110), 학습부(120) 및 판단부(130)를 포함할 수 있다. 이러한 프로세서의 구성요소들은 적어도 하나의 프로그램 코드에 의해 제공되는 제어 명령에 따라 프로세서에 의해 수행되는 서로 다른 기능들(different functions)의 표현들일 수 있다. 프로세서 및 프로세서의 구성요소들은 도 2의 발작성 심방세동 예측 방법이 포함하는 단계들(210 내지 230)을 수행할 수 있다. 예를 들어, 프로세서 및 프로세서의 구성요소들은 메모리가 포함하는 운영체제의 코드와 상술한 적어도 하나의 프로그램 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다. 여기서, 적어도 하나의 프로그램 코드는 발작성 심방세동 예측 방법을 처리하기 위해 구현된 프로그램의 코드에 대응될 수 있다. 발작성 심방세동 예측 방법은 도시된 순서대로 발생하지 않을 수 있으며, 단계들 중 일부가 생략되거나 추가의 과정이 더 포함될 수 있다.

프로세서는 발작성 심방세동 예측 방법을 위한 프로그램 파일에 저장된 프로그램 코드를 메모리에 로딩할 수 있다. 이때, 프로세서 및 프로세서가 포함하는 전처리부(110), 학습부(120) 및 판단부(130) 각각은 메모리에 로딩된 프로그램 코드 중 대응하는 부분의 명령을 실행하여 이후 단계들(210 내지 230)을 실행하기 위한 프로세서의 서로 다른 기능적 표현들일 수 있다.

단계(210)에서 전처리부(110)는 전기적 생체 신호로부터 진단 모델에 기반한 입력 데이터로 변환하는 전처리 과정을 수행할 수 있다. 이때, 전기적 생체 신호는 심전도일 수 있다. 전처리부(110)는 전기적 생체 신호로부터 baseline drift가 제거된 8-by-5000 신호와 R-R interval로 가공하기 위한 R -peak index 정보를 입력 데이터로 변환할 수 있다. 전처리부(110)는 상기 전기적 생체 신호로부터 Polynominal curve fitting방식을 사용하여 baseline drift를 제거할 수 있다. 전처리부(110)는baseline drift이 제거된 전기적 생체 신호로부터 Pan Tompkins QRS detector를 사용하여 R-peak 인덱스를 추출할 수 있다. 전처리부(110)는 추출된 R-peak 인덱스에 기반하여 baseline drift이 제거된 전기적 생체 신호를 R-R Interval로 커팅하고, RRI length에 따라 이상점(Outlier)를 제거할 수 있다. 전처리부(110)는 이상점이 제거된 신호로부터 QRS complex 부근의 비정상적인 신호로 간주되는 급격한 변화를 학습에서 배제시킬 수 있다.

단계(220)에서 학습부(120)는 전처리 과정이 수행된 입력 데이터를 발작성 심방세동 예측을 위하여 구성된 진단 모델에 학습시킬 수 있다. 학습부(120)는 심전도에서의 Q 지점을 기점으로 P-wave 구간을 포함하는 방향으로 구간 크기를 늘려가면서 지정된 맥박의 구간길이에 해당하는 구간을 입력 시퀀스를 진단 모델의 입력 신호로 입력할 수 있다. 학습부(120)는 RNN 기반의 발작성 심방세동 예측을 위한 진단 모델을 구성할 수 있다. 이때, RNN 기반의 발작성 심방세동 예측을 위한 진단 모델은 시간축의 흐름을 순방향 및 역방향으로 전후 관계를 고려하기 위한 bi-directional connection을 추가하고, 일련의 정보를 단기 및 장기적으로 유지하기 위하여 Long Short-Term Memory(LSTM)과 Gated Recurrent Unit(GRU)를 사용할 수 있다.

단계(230)에서 판단부(130)는 진단 모델을 통하여 학습된 학습 결과를 잠재적으로 PAF로 분류된 그룹(PAF normal case)및 실제의 정상 그룹(Real normal case)을 포함하는 케이스에 따라 발작성 심방세동(PAF-normal)의 잠재 확률을 판단할 수 있다. 판단부(130)는 통계적인 분석방법을 이용하여 최종적인 발작성 심방세동으로 진단하기 위해 발작성 심방세동으로 검출되는 맥박의 최적 개수를 설정하는 후처리 과정을 수행할 수 있다.

도 3은 일 실시예에 따른 발작성 심방세동 예측 시스템에서 학습을 위한 kernel 크기 최적화 방법을 설명하기 위한 도면이다.

데이터 셋은 모두 정상 그룹(normal case)으로 분류되는 전기적 생체 신호(예를 들면, 심전도)를 포함한다. 이러한 데이터는 두 가지 그룹으로 라벨링 되어있다. 모든 진단(true label)과 심전도 데이터는 전문 의료진들에 의해 검증 후 제공될 수 있다. 이때, 이러한 데이터는 예시일 뿐, 한정되는 것은 아니며, 다양한 병원들로부터 제공받을 수 있다. 예를 들면, 기존에 PAF 진단을 받은 병력이 있는 환자로부터 취득한 데이터가 547case, 그리고 심장에 이상이 없는 정상인으로부터 취득한 데이터가 2506case이다.

모든 데이터 파일은 xml format으로, GE MAC5500 기계로 측정될 수 있다. 원래 12 leads에서 심전도를 측정하지만, 기기 내 데이터저장 방식에 따르면, xml 내부에서 Lead III, avR, avL, avF를 제외한 8가지 lead의 데이터를 담고 있다. 네 개의 lead는 간단한 사칙연산 수식으로 합성할 수 있으며 이러한 연산으로 데이터를 근사 시키는 것은 일반적으로 많이 사용하는 방식이다. 실시예에서는 Lead I, II, V1, V2, V3, V4, V5, V6으로 총 8가지의 측정된 lead신호만 사용할 수 있다. 각 lead들에서 동시에 10초간 측정하여 데이터를 취득했다. 대부분의 신호에서 sampling rate는 500(samples/sec)이며, 하나의 측정 단위당 5000개의 샘플을 가진다. xml 파일 하나가 한 번의 측정 case이며, <WaveFormData> tag에서 Base64 Encoding된 값을 읽어오면, xml파일 하나 당 1차원 배열을 8개 획득할 수 있다. 10초간의 신호 내에는 복수 번의 맥박(pulse)이 있으며, 사람의 심박수에 따라 박동수가 달라, 한 사람당 약 10개 이상의 pulse를 획득할 수 있다. 이‹š, 실험 과정에서 이 8-by-5000으로 가공된 데이터를 한 묶음으로서 처리하도록 한다.

발작성 심방세동 예측 시스템은 전기적 생체 신호로부터 진단 모델에 기반한 입력 데이터로 변환하는 전처리 과정을 수행할 수 있다. 발작성 심방세동 예측 시스템은 전기적 생체 신호로부터 baseline drift를 제거하고, QRS detector를 이용하여 R-peak의 위치를 탐지할 수 있다. 그 후 R-R Interval(RRI)로 신호를 커팅한 다음, RRI length에 따라 이상점(outlier)을 제거할 수 있다. 이후 QRS complex 부근의 비정상적인 신호로 간주되는 급격한 변화를 학습에서 배제시키기 위한 작업을 거친다.

발작성 심방세동 예측 시스템은 진단 모델에 필요한 입력 데이터로 baseline drift가 제거된 8-by-5000 신호 및 R-R interval로 가공하기 위한 R -peak index 정보가 필요하다. ECG baseline wander는 자주 발생하는 노이즈로, 임피던스와 호흡, 움직임 등에 의해 발생한다. 이 노이즈는 기 설정된 시간(예를 들면, 10초간)동안 측정한 신호 내에서 완만하게 전반적으로 나타난다. 맥박 단위로 데이터를 가공하기 위해서는 전기적 생체 신호 전반에 나타나는 드리프트(drift)의 제거가 우선적으로 필요하다. Polynominal curve fitting방식을 사용하여 baseline drift를 제거할 수 있다. 이때 dimension parameter는30으로, baseline drift가 효과적으로 제거되면서 세부적인 데이터는 훼손되지 않는 정도로 설정할 수 있다.

전기적 생체 신호(심전도)를 맥박 단위로 추출하는 전처리 과정에서, R peak 검출방법인 Pan Tompkins QRS detector를 사용하여 R-peak 인덱스를 추출하고, R-R Interval을 추출할 수 있다. 이때, 8 lead가 동시에 측정되었기 때문에, 각 lead들의 R-peak index값은 거의 일치한다. 또한, 측정 시작부터 첫 R-peak까지의 신호와, 마지막 peak부터 마지막까지의 신호는 노이즈가 자주 발생하여 학습에서 제외시킬 수 있다. 통계적으로 real-normal과 PAF-normal 그룹 간의 RRI length에는 평균적으로 큰 차이가 없었으나, 측정 케이스마다 심박수는 다양하게 나타남을 보였다.

학습에 있어서 방해가 되는 요인이 되는 두 가지 이상점 기준을 설정할 수 있다. 평균 R-R Interval의 약 절반 정도의 값인 200샘플을 임계값으로 설정하고 그 미만의 RRI을 포함하는 케이스는 모두 이상점으로 간주할 수 있다. 이는 심박수가 약150 이상이거나 노이즈가 발생한 경우를 제거한 것인데, 이런 경우는 ECG가 안정적으로 측정된 환경이 아니라고 판단하여 설정한 기준치이다. RRI의 상한선은 고려하지 않았는데, 이는 RRI가 길더라도 ECG의 P, QRS complex등의 구간 길이에는 큰 영향을 받지는 않기 때문이다.

또한, QRS complex는 변화폭이 크고 신호마다 크기가 매우 다르게 나타나며, 진단과는 거의 무관하여 역시 배제해야 하는 요소이므로 Q-R 부분은 R-peak지점에서 Q방향으로 20 샘플을 제외시킬 수 있다. 이러한 전처리 과정을 수행하여 이상점을 제외한 케이스에서 추출한 8-lead pulse를 최종적인 데이터 셋으로 사용할 수 있다.

진단 모델의 입력으로RRI 단위로 가공한 데이터를 전부 사용하지는 않는다. 심방이 미세하게 비정상적인 전기적 신호에 의해 떨리면서 발생하는 AF 는 심전도에서 P-파의 불규칙성으로 표현되며, 심전도에서의 QRS 는 심실의 탈분극을 나타내는 것이므로 AF발생 유무에 있어서 가장 차이가 유력할 구간으로 QRS complex가 나타나기 이전의 P-wave 부근에서의 신호로 가정하기로 한다. 이러한 정보를 반영하여, Q지점을 기점으로 점진적으로 P-wave구간을 포함하는 방향으로 구간 크기를 늘려가면서 최적의 구간 길이(sequence length)를 지정할 수 있다. 예를 들면, 도 1을 참고하면, 20-180 샘플의 범위 내에서 10 샘플씩 늘려가면서 구간길이로 지정하여 실험을 수행하여 분류 정확도의 추이를 관측할 수 있다. 이는 RRI outlier 임계값인 200 샘플에서 Q-R interval 20 샘플을 제외한 모든 구간을 관측하는 검사범위이다. 맥박의 특정 구간길이에 해당하는 구간이 이후 진단모델의 입력신호의 시퀀스(sequence)가 된다.

도 4는 일 실시예에 따른 발작성 심방세동 예측 시스템에서 Bi-directional LSRM을 이용한 진단 모델의 구조를 설명하기 위한 도면이다.

발작성 심방세동 예측 시스템은 전처리 과정과 최적화된 구간이 적용된 입력 시퀀스의 데이터 셋을 Bi-directional LSTM학습에 이용할 수 있다. 제1 Bi-LSTM layer에서 획득한 값을 제2 Bi-LSTM에 입력하여, 복수 개의 Bi-LSTM layer에서 복수 개(예를 들면, 20개)의 code를 획득할 수 있다. 이를 fully-connected layer에 입력하여PAF-normal ECG과 Real-normal ECG의 binary classification을 수행할 수 있다. 이때, binary classification는 맥박 단위로 이루어질 수 있다. 이후에, 후처리 과정에서 binary classification된 정보를 이용하여 케이스 별로 PAF-normal의 잠재 확률을 평가할 수 있다.

구체적으로, 발작성 심방세동 예측 시스템은 시퀀스 데이터를 처리하는 데에 있어 Recurrent Neural Network(RNN)을 기반의 진단 모델을 구성할 수 있다. 이때, RNN은 시간을 기준으로 연속적으로 발생하는 신호를 순차적으로 입력받고, 각 시각마다 압축한 정보를 전달하여 다음의 time-step에서의 연산에 연결되는 구조이다. 전기적 생체 신호는 시간 순서대로 측정된 일련의 신호이고, 각 구간은 심방, 심실의 작용으로 인한 입출력의 연속이므로 이러한 데이터의 관점에서 접근할 수 있다. 시간 축에서의 관계를 긴밀하게 관측해내면 이는 심장의 물리적인 요소와 직결되며, RNN을 통하여 인접한 시간에서의 관계만 포착하는 것이 아니라, 입력 신호를 전반적으로 고려하게 된다.

진단 모델에 적용한RNN을 이용하여 추가로 고려한 사항은 다음과 같다. 발작성 심방세동 예측 시스템은 시간축의 흐름을 양방향으로 고려하기 위해 forward 및 backward states를 동시에 구성된 구조를 이중으로 중첩하고, 1차적으로 획득된 코드를 다시 양방향으로 학습하여보다 고수준의 특징(high level feature)을 학습할 수 있게 모델을 구성할 수 있다. 예를 들면, 입력 시퀀스가 입력되는 첫번째 레이어의 forward와 backward states는 각각 50개이다. 첫번째 레이어에서 생성된 출력은 네트워크를 거쳐 최종적으로 100개의 은닉상태(hidden state) 정보를 생성하게 된다. 이 코드가 두번째 레이어의 입력으로 학습되며, 역시 한 방향당 10개의 상태(states)로 구성된다. 결과적으로, Bi-directional RNN의 출력은 20개의 코드이고, 두 그룹간의 차이를 판별하기 위한 정보가 함축되어있다. 이렇게 생성된 코드들은 classification layer를 거쳐 최종 분류를 수행하게 된다.

일례로, RNN기반으로 각 time-step간에 저장하는 다른 종류의 메모리 블럭을 사용하는 LSTM(Long Short-Term Memory) 과GRU(Gated Recurrent Unit)에 대해 실험이 진행될 수 있다. LSTM는 시퀀스 데이터의 정보 중에서 필요한 정보를 적절히 기억하거나 잊을 수 있어, 두 그룹의 분별에 있어 의미있는 정보를 판단하여 축적할 수 있다. LSTM block은 input, forget, output 3가지의 gate로 구성되어 현재 time-step까지의 압축된 정보를 계산한다. GRU은 LSTM의 장점을 살리면서 간소화된 구조이다.

도 5는 일 실시예에 따른 발작성 심방세동 예측 시스템에서 후처리를 위한 검출빈도의 예를 나타낸 도면이다.

발작성 심방세동 예측 시스템은 케이스 내에서도 발작성 심방세동(PAF-normal)으로 분류되는 맥박의 개수가 차이를 보이므로, 최종적인 분류를 위해서는 통계적인 분석방법을 이용하여 최종적인 발작성 심방세동으로 진단하기 위하여 발작성 심방세동으로 검출되는 맥박의 최적 개수를 설정할 수 있다. 도 5를 참고하면, 예를 들면, 총 12개의 맥박 중 3개의 맥박만이 PAF로 검출된 것을 나타낸 예이다. 해당 케이스는 12개의 맥박으로 구성되어 있으며 그 중에서 3개의 pulse가 학습된 진단모델에 의해 발작성 심방세동으로 탐지될 수 있다. 이러한 케이스는 25%의 맥박이 발작성 심방세동으로 관측된 경우이다. 만약 통계적으로 설정된 검출 임계치가 40%일 경우, 이러한 케이스는 심장에 이상이 없는 정상 심전도(real-normal ECG)로 진단될 수 있다.

도 6은 일 실시예에 따른 발작성 심방세동 예측 시스템에서 PAF-normal 및 real-normal의 확률 분포함수의 예를 나타낸 도면이다.

일례로, 5-fold cross validation으로 실험이 진행될 수 있다. 하나의 묶음은 평가를 위해 제외시키고, 나머지 4묶음으로 진단모델을 학습할 수 있다. 전처리 과정과 진단모델을 적용하며 pulse-by-pulse로 학습할 수 있다. 학습이 완료되면, 각 케이스마다 평가를 수행할 수 있다. 이때, 매번의 진단 및 평가는 동일한 조건에서 독립적으로 수행되며, 학습에 사용되는 케이스들과 평가되는 케이스들이 섞이지 않기 때문에 이후에 완전히 새로운 전기적 생체 신호를 진단 내린 것과 같은 환경을 조성하였다.

이러한 과정으로 모든 데이터에 대해 도 6과 같이 PAF-normal 및 real-normal의 확률 분포함수를 도출할 수 있다. 확률 분포함수의 가로축은 진단모델을 이용하였을 때의 PAF-normal의 발생비율이다([PAF-normal로 분류된 pulse의 개수]/[case당 pulse의 개수]). 세로축은 각 비율의 발생 빈도에 대한 확률분포이다. 진한 회색으로 표시된 그래프는 real-normal, 연한 회색은 PAF-normal에 대한 확률 분포함수이다. 다시 말해서, real normal의 경우 해당 케이스에서 PAF-normal로 탐지된 pulse 의 비율이0(하나도 PAF-normal로 분류되지 않음)에서 약 0.65로 가장 높고 점차 감소하여 0.4에서 안정화 되는 것을 확인할 수 있다. 반대로 PAF-normal의 경우 해당 케이스에서 PAF-normal로 탐지된 pulse 의 비율이 1.0(모든 pulse가 PAF-normal로 분류됨)에서 약 0.2의 확률로 가장 높은 것을 확인할 수 있다. 이러한 확률 분포함수를 이용하여 최소에러(minimum error)를 갖는 결정 경계값(decision boundary)를 설정할 수 있다.

도 7은 일 실시예에 따른 발작성 심방세동 예측 시스템에서 최적의 구간을 탐지하는 것을 설명하기 위한 예이다.

예를 들면, 학습 데이터의 균형을 위하여 PAF-normal 및 real-normal은 각각 547 case 와 1000 case를 무작위로 추출하여 사용할 수 있다. 최적 구간크기는 120sample로 설정하였으며 R-peak의 0.28초부터 0.04초로 설정할 수 있다. 원본 신호를 사용하기 보다는 연속된 신호의1계 미분값을 사용하는 것이 성능뿐만 아니라 더욱 안정된 결과를 획득할 수 있다.

도 7(a)를 참고하면, 학습에 사용한 신호의 길이를 R-peak로부터 시작하여 Q방향으로 20부터 180까지 늘려가면서 실험한 결과이고, 도 7(b)는 진단 모델의 hyper parameter와 학습 조건에 대한 정보이다. 전처리가 완료된 신호에 1계 미분을 적용한 신호를 진단 모델의 입력으로 사용하였다. 그래프의 가로축은 입력구간의 길이이며, 세로축은 5-fold cross validation으로 모든 데이터에 대해 한번씩 평가하였을 때, 각 case가 PAF-normal ECG인지 real-normal ECG인지 이진분류를 수행한 결과의 정확도이다. 대략 40 샘플 정도를 사용하였을 때부터 정확도가 증가하기 시작하며, 100 이상이 되었을 때, 진단 성능이 수렴함을 알 수 있다. 이를 시간으로 환산하면60-100 sample은0.12-0.2 초 정도이다. 시작점이 Q지점이므로 이 시간을 ECG상에서 보면 대략 P-R interval을 포함하는 구간이다. 대략 120 샘플이상을 진단모델의 입력으로 사용했을 경우 성능의 차이는 실험 오차 범위 내에서 나타나는 것으로 관측된다. 따라서, pulse-by-pulse로 평가함에 있어서 입력으로는 대략 120 샘플 정도를 사용하여 0.24초구간을 고정적으로 확인하는 것이 합리적이다.

전처리와 구간크기 최적화 이후, 신호에 미분 적용 여부에 따라 성능이 다르게 나타날 수 있다. 연속 신호의1-계 미분을 이용하였을 때가 전반적으로 정확도(accuracy)가 높게 관측되었으며, 같은 조건에서 여러 번 실험하여 확인한 각 그룹에 대한 정확도, 전체 정확도와 임계값 또한 더욱 안정적이었다. 표 1은 모두 동일한 조건으로 진단 모델에서 학습을 진행하되, 미분 여부만 달리하여 반복실험을 통하여 얻은 결과이다. 분류기의 성능이 매 번의 학습마다 달라질 수 있기 때문에 이 과정을 복수 번 수행될 수 있다. 표 1은 최종적으로 분류기 학습에 사용된 파라미터이다.

표 1:

도 8 및 도 9는 일 실시예에 따른 발작성 심방세동 예측 시스템에서 입력 신호를 이용한 분류 정확도를 나타낸 예이다.

도 8은 원래의 입력신호를 학습에 이용했을 때의 분류 결과이며, 도 9는 1-계 미분값을 이용했을 때의 분류 정확도이다. 전체적으로 약 3~5%의 분류 정확도의 향상을 관찰할 수 있다.

이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (8)

1. 발작성 심방세동 예측 시스템에 의해 수행되는 발작성 심방세동 예측 방법에 있어서,
   전기적 생체 신호로부터 진단 모델에 기반한 입력 데이터로 변환하는 전처리 과정을 수행하는 단계;
   상기 전처리 과정이 수행된 입력 데이터를 발작성 심방세동 예측을 위하여 구성된 진단 모델에 학습시키는 단계; 및
   상기 진단 모델을 통하여 학습된 학습 결과를 잠재적으로 PAF로 분류된 그룹(PAF normal case)및 실제의 정상 그룹(Real normal case)을 포함하는 케이스에 따라 발작성 심방세동(PAF-normal)의 잠재 확률을 판단하는 단계
   를 포함하는 발작성 심방세동 예측 방법.
2. 제1항에 있어서,
   상기 발작성 심방세동의 잠재 확률을 판단하는 단계는,
   통계적인 분석방법을 이용하여 최종적인 발작성 심방세동으로 진단하기 위해 발작성 심방세동으로 검출되는 맥박의 최적 개수를 설정하는 후처리 과정을 수행하는 단계
   를 포함하는 발작성 심방세동 예측 방법.
3. 제1항에 있어서,
   상기 전기적 생체 신호로부터 진단 모델에 기반한 입력 데이터로 변환하는 전처리 과정을 수행하는 단계는,
   상기 전기적 생체 신호로부터 baseline drift가 제거된 8-by-5000 신호와, R-R interval로 가공하기 위한 R -peak index 정보를 입력 데이터로 변환하는 단계
   를 포함하는 발작성 심방세동 예측 방법.
4. 제3항에 있어서,
   상기 전기적 생체 신호로부터 진단 모델에 기반한 입력 데이터로 변환하는 전처리 과정을 수행하는 단계는,
   상기 전기적 생체 신호로부터 Polynominal curve fitting방식을 사용하여 baseline drift를 제거하는 단계;
   상기baseline drift이 제거된 전기적 생체 신호로부터 Pan Tompkins QRS detector를 사용하여 R-peak 인덱스를 추출하는 단계;
   상기 추출된 R-peak 인덱스에 기반하여 상기baseline drift이 제거된 전기적 생체 신호를 R-R Interval로 커팅하고, RRI length에 따라 이상점(Outlier)를 제거하는 단계; 및
   상기 이상점이 제거된 신호로부터 QRS complex 부근의 비정상적인 신호로 간주되는 급격한 변화를 학습에서 배제시키는 단계
   를 포함하는 발작성 심방세동 예측 방법.
5. 제1항에 있어서,
   상기 전처리 과정이 수행된 입력 데이터를 발작성 심방세동 예측을 위하여 구성된 진단 모델에 학습시키는 단계는,
   심전도에서의 Q 지점을 기점으로 P-wave 구간을 포함하는 방향으로 구간 크기를 늘려가면서 지정된 맥박의 구간길이에 해당하는 구간을 입력 시퀀스를 상기 진단 모델의 입력 신호로 입력하는 단계
   를 포함하는 발작성 심방세동 예측 방법.
6. 제5항에 있어서,
   상기 전처리 과정이 수행된 입력 데이터를 발작성 심방세동 예측을 위하여 구성된 진단 모델에 학습시키는 단계는,
   RNN 기반의 발작성 심방세동 예측을 위한 진단 모델을 구성하는 단계를 포함하고,
   상기 RNN 기반의 발작성 심방세동 예측을 위한 진단 모델은,
   시간축의 흐름을 순방향 및 역방향으로 전후 관계를 고려하기 위한 bi-directional connection을 추가하고, 일련의 정보를 단기 및 장기적으로 유지하기 위하여 Long Short-Term Memory(LSTM)과 Gated Recurrent Unit(GRU)를 사용하는
   것을 특징으로 하는 발작성 심방세동 예측 방법.
7. 제6항에 있어서,
   상기 학습을 수행하는 단계는,
   제1 Bi-LSTM layer에서 획득된 값을 제2 Bi-LSTM에 입력함에 따라 복수 개의 코드를 획득하고, 획득된 복수 개의 코드를 fully-connected layer에 입력하여PAF-normal ECG과Real-normal ECG의 binary classification을 통과하여 최종 분류를 수행하는 단계
   를 포함하는 발작성 심방세동 예측 방법.
8. 발작성 심방세동 예측 시스템에 있어서,
   전기적 생체 신호로부터 진단 모델에 기반한 입력 데이터로 변환하는 전처리 과정을 수행하는 전처리부;
   상기 전처리 과정이 수행된 입력 데이터를 발작성 심방세동 예측을 위하여 구성된 진단 모델에 학습시키는 학습부; 및
   상기 진단 모델을 통하여 학습된 학습 결과를 잠재적으로 PAF로 분류된 그룹(PAF normal case)및 실제의 정상 그룹(Real normal case)을 포함하는 케이스에 따라 발작성 심방세동의 잠재 확률을 판단하는 판단부
   를 포함하는 발작성 심방세동 예측 시스템.
   

Images