[논문 리뷰] ECG beats classification using waveform similarity and RR interval

Ahmad Khoureich Ka|arXiv (Cornell University)|2011. 01. 10.

ECG Monitoring and Analysis참고 문헌 9인용 수 21

한 줄 요약

이 논문은 파형 유사도와 RR 간격 특징을 활용한 환자 적응형 심전도 심박수 분류 방법을 제안한다. 이는 이산 웨이블릿 변환을 통해 노이즈 제거 및 심박수 압축을 수행한다. 6종의 심박수 유형에 대해 MIT-BIH 심 arrhythmia 데이터베이스의 46건 기록에서 97.52%의 분류 정확도를 달성하였으며, RR 간격 변동성이 높은 기록을 제외한 경우 정확도는 98.53%로 향상되었다.

ABSTRACT

This paper present an electrocardiogram (ECG) beat classification method based on waveform similarity and RR interval. The purpose of the method is to classify six types of heart beats (normal beat, atrial premature beat, paced beat, premature ventricular beat, left bundle branch block beat and right bundle branch block beat). The electrocardiogram signal is first denoised using wavelet transform based techniques. Heart beats of 128 samples data centered on the R peak are extracted from the ECG signal and thence reduced to 16 samples data to constitute a feature. RR intervals surrounding the beat are also exploited as feature. A database of annotated beats is built for the classifier for waveform comparison to unknown beats. Tested on 46 records in the MIT/BIH arrhythmia database, the method shows classification rate of 97.52%.

연구 동기 및 목표

• 개인별 심장 박동 형태를 고려하여 정확도를 향상시키는 저복잡도, 환자 적응형 심전도 심박수 분류 시스템을 개발하는 것.
• 환자 간 및 환자 내에서 심전도 심박수의 형태 변동성 문제를 해결하여 기존 자동 분류 기법의 성능을 저해하는 요소를 극복하는 것.
• 이산 웨이블릿 변환을 활용해 심전도 신호의 노이즈를 제거하여 심박수 특징 추출의 정확도를 향상시키는 것.
• 실시간 분류기 적응을 위한 수동으로 주석 처리된 심박수로부터 동적 심박수 데이터베이스를 구축하는 것.
• 신경망이나 복잡한 모델에 의존하지 않고 유사도 기반 분류기를 사용하여 높은 분류 정확도를 달성하는 것.

제안 방법

• 심전도 신호는 기저선 왜곡 제거와 이산 웨이블릿 변환(DWT)을 통한 소프트 임계처리를 조합하여 노이즈 제거된다.
• 심박수는 R파 정점 기준으로 중심이 된 128샘플 세그먼트로 추출되며, DWT를 활용해 16샘플 특징으로 압축되어 압축된 표현을 제공한다.
• 각 심박수의 이전 및 이후 RR 간격이 추가 특징으로 사용되어 분류 성능을 향상시킨다.
• 각 심전도 기록의 처음 5분 동안 수동으로 주석 처리된 심박수로부터 환자별 전용 심박수 데이터베이스가 구축된다.
• 심박수는 파형 유사도 기반 군집화(임계값 ≥ 0.95)를 통해 분류되며, 심박수 데이터베이스 내 가장 가까운 매칭 항목의 레이블이 할당된다.
• 유사도 함수는 정규화된 16샘플 파형을 비교하며, 분류 과정은 환자별 지식 축적에 의존한다.

실험 결과

연구 질문

• RQ1 파형 유사도와 RR 간격 특징만을 사용하는 환자 적응형 심전도 심박수 분류기가 높은 정확도를 달성할 수 있는가?
• RQ2 환자별 주석 처리된 심박수 통합이 일반 모델 대비 분류 성능 향상에 얼마나 기여하는가?
• RQ3 RR 간격 변동성이 심전도 심박수 분류에서 오분류 비율에 얼마나 큰 영향을 미치는가?
• RQ4 웨이블릿 기반 전처리가 진단적 형태를 유지하면서 효과적으로 노이즈를 감소시킬 수 있는가?
• RQ5 신경망 또는 퍼지 논리 기반 접근법과 비교해 본 결과, 제안된 방법은 정확도와 계산 비용 측면에서 어떤가?

주요 결과

• 제안된 방법은 MIT-BIH 심 arrhythmia 데이터베이스의 46건 기록에서 총 분류 정확도 97.52%를 달성하였다.
• RR 간격 변동성이 높은 기록(203, 222, 223)을 제외한 경우 정확도는 98.53%로 상승하였다.
• 기록 203번은 가장 낮은 정확도(76.00%)를 보였으며, 주로 RR 간격 변동성으로 인해 정상 심박수와 심방 조기 심박수의 형태가 혼동되어 발생하였다.
• 6종의 심박수 유형에 대해 기존의 여러 접근법보다 높은 정확도를 기록하였으며, ICA의 경우 99.51%, FHNN의 경우 98.35%의 정확도를 기록하였지만, 테스트 조건이 다름을 감안해야 한다.
• 환자별 심박수 데이터베이스 업데이트를 통한 점진적 학습을 통해 저비용이며 확장 가능한 분류기가 구현되었다.
• 오분류의 대부분은 MIT-BIH 주석 파일 내 R파 정점의 잘못된 정렬과 관련이 있었으며, 향후 연구에서는 R파 검출의 정밀도 향상 필요성이 제기된다.