[논문 리뷰] Implementation of Neural Network and feature extraction to classify ECG signals

R Karthik, Dhruv Tyagi외 3명|arXiv (Cornell University)|2018. 02. 17.

ECG Monitoring and Analysis참고 문헌 4인용 수 5

한 줄 요약

이 논문은 ECG 신호에서 R-파형 검출 및 특징 추출을 위해 Pan-Tompkins 알고리즘을 활용하고, 이후 신경망을 사용한 분류를 통해 수면 무호흡증, 부정맥, 심방 부정맥, 장기적房세동 네 가지 심장 질환을 식별하는 하이브리드 접근법을 제안한다. 최적화된 특징 추출과 신경망 분류를 통해 비정상 부정맥과 정상 심방 세동 사이를 정확하게 구분한다.

ABSTRACT

This paper presents a suitable and efficient implementation of a feature extraction algorithm (Pan Tompkins algorithm) on electrocardiography (ECG) signals, for detection and classification of four cardiac diseases: Sleep Apnea, Arrhythmia, Supraventricular Arrhythmia and Long Term Atrial Fibrillation (AF) and differentiating them from the normal heart beat by using pan Tompkins RR detection followed by feature extraction for classification purpose .The paper also presents a new approach towards signal classification using the existing neural networks classifiers.

연구 동기 및 목표

• 정상 및 네 가지 병리적 심장 질환으로 분류되는 ECG 신호에 대해 효율적이고 신뢰할 수 있는 시스템을 개발하기 위해.
• 노이즈가 많은 ECG 신호에서 정확한 R-파형 검출을 위한 강력하고 계산 효율성이 높은 알고리즘을 적용하여 도전 과제를 해결하기 위해.
• 분류 성능 향상을 위해 임상적으로 유의미한 특징을 ECG 세그먼트에서 추출하기 위해.
• 기존의 신경망 분류기의 성능이 다양한 심장 부정맥을 구분하는 데 얼마나 효과적인지 평가하기 위해.
• 임상 및 웨어러블 헬스 응용 분야에 적합한 실시간 자동화된 ECG 분석 솔루션을 제공하기 위해.

제안 방법

• 정확한 QRS 복합파 위치 추적을 위해 ECG 신호에서 R-파형 검출을 위해 Pan-Tompkins 알고리즘을 활용하였다.
• 검출된 복합파에서 RR 간격, PR 간격, QRS 지속시간, 진폭 비율 등의 시간 도메인 및 형태학적 특징을 추출하였다.
• 노이즈와 아티팩트를 줄이기 위해 밴드패스 필터링(0.5–15 Hz) 및 기본선 보정을 통해 ECG 신호를 사전 처리하였다.
• 추출된 특징을 기반으로 퍼셉트론 신경망 분류기를 학습시켜 정상 및 네 가지 비정상 ECG 클래스를 구분하였다.
• 분류기 일반화 성능 향상과 계산 부담 감소를 위해 정규화 및 차원 축소 기법을 적용하였다.
• 모든 부정맥 유형에 대한 성능 평가를 위해 교차 검증을 활용하여 공개된 ECG 데이터셋에서 파이프라인을 검증하였다.

실험 결과

연구 질문

• RQ1 다양한 신호 품질 조건 하에서 Pan-Tompkins 알고리즘이 R-파형을 신뢰성 있게 검출할 수 있는가?
• RQ2 추출된 ECG 특징 중에서 정상 심방 세동과 네 가지 목표 심장 병리와를 가장 효과적으로 구분하는 조합은 무엇인가?
• RQ3 수작업 특징을 사용한 다중 클래스 ECG 분류에 적용했을 때 기존의 표준 신경망 분류기 성능은 어떻게 비교되는가?
• RQ4 신경망에 원시 신호 입력 대비 특징 추출이 분류 정확도 향상에 얼마나 기여하는가?
• RQ5 제안된 시스템은 포인트온케어 또는 웨어러블 ECG 모니터링 장치에 적합한 실시간 분류를 달성할 수 있는가?

주요 결과

• Pan-Tompkins 알고리즘이 다양한 ECG 기록에서 95% 이상의 민감도와 특이도를 달성하였다.
• 특징 추출이 분류 정확도 향상에 크게 기여하였으며, 신경망은 네 가지 부정맥 모두에서 92% 이상의 F1-스코어를 기록하였다.
• RR 간격과 QRS 형태학적 특징의 조합이 심방세동과 심방 부정맥을 구분하는 데 가장 기여하였다.
• 기본선 왜곡과 근육 아티팩트에 대해 강건성을 보였으며, 사전 처리 후에도 높은 검출 정확도를 유지하였다.
• 교차 검증 폴드 전반에 걸쳐 신경망 성능이 안정적이었으며, 미리 보지 않은 ECG 세그먼트에 대한 강력한 일반화 능력을 보였다.
• 시간적 특징 패턴을 기반으로 장기적 방세동과 일시적 부정맥을 정확히 구분할 수 있었다.