[논문 리뷰] Heart Rate Variability Analysis Using Threshold of Wavelet Package Coefficients

G. Kheder, Abdennacer Kachouri외 2명|ArXiv.org|2009. 12. 11.

Heart Rate Variability and Autonomic Control참고 문헌 12인용 수 10

한 줄 요약

이 논문은 db4 모체 웨이브릿을 사용한 6단계 웨이브릿 패킷 분해를 통해 심박수 변동성(HRV) 분석을 위한 새로운 특징 추출 방법을 제안한다. 저주파수(LF) 및 고주파수(HF) 대역을 포함한 12개의 하위대역으로 분리된 6단계 웨이브릿 패킷 분해를 통해 HRV 신호의 정밀한 시간-주파수 표현이 가능해지며, 이는 자율신경계 평가를 향상시킨다. 분산분석(ANOVA) 결과, 추출된 특징이 생리적 상태를 구분하는 데 통계적으로 유의미하다는 것이 확인되었다.

ABSTRACT

In this paper, a new efficient feature extraction method based on the adaptive threshold of wavelet package coefficients is presented. This paper especially deals with the assessment of autonomic nervous system using the background variation of the signal Heart Rate Variability HRV extracted from the wavelet package coefficients. The application of a wavelet package transform allows us to obtain a time-frequency representation of the signal, which provides better insight in the frequency distribution of the signal with time. A 6 level decomposition of HRV was achieved with db4 as mother wavelet, and the above two bands LF and HF were combined in 12 specialized frequencies sub-bands obtained in wavelet package transform. Features extracted from these coefficients can efficiently represent the characteristics of the original signal. ANOVA statistical test is used for the evaluation of proposed algorithm.

연구 동기 및 목표

• 웨이브릿 패킷 변환을 사용한 HRV 분석을 위한 효율적인 특징 추출 방법 개발
• HRV 신호의 시간-주파수 해상도 향상으로 자율신경계 활동 평가 향상
• 웨이브릿 패킷 계수에 적응형 임계처리를 적용하여 생리신호 특성의 특징 표현 향상
• 분산분석(ANOVA)을 통한 통계적 검증을 통해 추출된 특징의 분류 능력 평가

제안 방법

• HRV 신호에 대해 db4 모체 웨이브릿을 사용한 6단계 웨이브릿 패킷 분해 수행
• 분해 과정에서 자율조절과 관련된 LF 및 HF 대역에 중점을 둔 12개의 전문화된 주파수 하위대역 생성
• 노이즈 억제 및 생리적으로 관련된 성분 유지 목적으로 웨이브릿 패킷 계수에 적응형 임계처리 적용
• 원래 HRV 신호의 시간-주파수 특성 표현을 위한 임계처리된 계수에서 특징 추출
• 시간 및 주파수 도메인에서 신호 에너지 분포의 세부 분석 가능
• 생리적 상태 간 구분 능력에 대한 추출된 특징의 통계적 유의성 검증을 위해 ANOVA 사용

실험 결과

연구 질문

• RQ1 웨이브릿 패킷 계수의 적응형 임계처리가 자율신경계 평가를 위한 HRV 신호 특징 표현을 향상시키는가?
• RQ2 웨이브릿 패킷 분해의 시간-주파수 해상도가 전통적 방법과 비교해 HRV 분석에 어떤 영향을 미치는가?
• RQ3 하위대역 선택(LF 및 HF)이 추출된 특징의 분류 능력에 어떤 영향을 미치는가?
• RQ4 임계처리된 웨이브릿 패킷 계수는 HRV 신호의 생리적 특성을 어느 정도 유지하는가?
• RQ5 ANOVA를 통한 검증 결과, 제안된 특징 집합은 생리적 상태를 분류하는 데 통계적으로 유의미한가?

주요 결과

• 6단계 분해와 db4 모체 웨이브릿을 사용한 웨이브릿 패킷 변환은 HRV 신호의 시간-주파수 역학을 효과적으로 포착한다.
• 웨이브릿 패킷 계수에 대한 적응형 임계처리가 노이즈를 크게 감소시키면서도 생리적으로 관련된 신호 성분을 유지한다.
• LF 및 HF 대역에서 유도된 12개의 하위대역은 자율신경계 활동을 세밀하게 표현한다.
• ANOVA를 통한 통계적 평가 결과, 추출된 특징이 생리적 조건 간에 유의미하게 분류 가능하다는 것이 확인되었다.
• 특히 임계적인 자율신경 조절 변화를 해상하는 데 있어 기존 HRV 분석 기법에 비해 향상된 특징 표현 능력을 보였다.