Convolutional neural network를 이용한 부정맥 검출

Abstract

딥러닝을 활용한 자동 심전도(electrocardiogram) 분석은 심장 질환의 효과적인 식별 및 치료에 중요한 부분인 부정맥(arrhythmia) 진단의 정확성과 확장성을 향상시키는 중요한 기회를 제공한다. 본 논문에서는 제한된 자원을 사용하는 웨어러블 디바이스에서 활용 가능한 부정맥 감지 알고리즘을 제안하며, 심방 세동 및 조동(AFF), 정상 신호(SNR), 그리고 상실성 빈맥(SVT)의 세 가지 그룹 분류에 초점을 맞추고 있다. 제안된 알고리즘은 데이터 분할, 전처리, 특징 추출, 그리고 1차원 합성곱 신경망(1-dimensional convolutional neural network)을 사용하여 다양한 부정맥을 감지하는 기능을 제공한다. 부정맥 감지를 위한 1차원 합성곱 신경망 모델을 훈련시키고 검증하고 테스트하기 위해 Chapman Shaoxing 및 Physikalisch-Technische Bundesanstalt Extended Leads (PTB-XL)라는 두 가지 심전도 데이터셋이 사용되었다. 이 데이터셋들은 제안된 모델이 다양한 부정맥 유형에 적용되어서 결과를 산출할 수 있도록 활용되었다. 세 가지 유형의 부정맥을 감지하고 분류하는 전반적인 성능이 조사되었으며 검증 정확도는 0.8607이고 테스트 정확도는 0.8509로 나타났다. 모델의 성능은 receiver operating characteristic (ROC) 곡선과 confusion matrix를 분석함으로써 평가되었으며, 이는 제안된 모델의 부정맥 감지 정확성에 대한 종합적인 평가를 제공한다. 본 연구는 1차원 합성곱 신경망이 심전도 데이터에서 부정맥을 정확하게 감지할 때 자원 소비를 최소화하는데 중점을 두었다. 본 연구의 결과는 딥러닝 기반의 심전도 처리 및 분석 분야의 연구를 확장하는데 기여한다. 또한, 이 논문에서 제시된 방법들은 정확하고 효율적인 실시간 모니터링이 중요한 만성 질환 및 감염병 치료에 대한 분산형 임상시험에서 응용될 수 있다. 전반적으로 우수한 성능에도 불구하고 제안된 모델은 SVT의 정확한 예측에서 어려움을 겪었으며, 이는 일부 부정맥 감지 정확도를 높이기 위한 추가적인 개선이 필요함을 나타낸다. 또한 데이터셋의 불균형 데이터를 처리하여 AFF를 구분하는 성능은 부정맥 감지를 위한 다목적 도구로서의 잠재력을 보여준다. 그러나, 모델의 단순성은 계산 효율성 측면에서는 장점이지만 더욱 복잡한 데이터의 부정맥을 정확하게 감지하는 능력을 제한할 수 있다. |Utilizing deep learning for automated electrocardiogram (ECG) analysis presents a significant opportunity to enhance the precision and scalability of arrhythmia diagnosis, which is pivotal for the effective identification and treatment of cardiovascular disorders. This paper proposes the arrhythmia detection algorithm available in wearable devices with limited resources, with a focus on three group classifications: atrial fibrillation and flutter (AFF), sinus rhythm (SNR), and supraventricular tachycardia (SVT). The proposed algorithm combines data segmentation, preprocessing, feature extraction, and one-dimensional convolutional neural network (1D CNN) to provide accurate detection of various arrhythmias. Two ECG datasets, Chapman Shaoxing and Physikalisch-Technische Bundesanstalt Extended Leads (PTB-XL), were employed to train, validate, and test the 1D CNN model for arrhythmia detection. These datasets allowed the model to be exposed to and generalized across various arrhythmia types. The ECG data were segmented, preprocessed, normalized, and fed to a custom 1D CNN architecture. The overall performance of detecting and classifying three types of arrhythmias was investigated, exhibiting a validation accuracy of 0.8607 and a test accuracy of 0.8509. The model's performance was further evaluated by analyzing receiver operating characteristic (ROC) curves and confusion matrices, offering a comprehensive assessment of its accuracy across different classes. This study emphasizes the effectiveness of 1D CNNs in accurately detecting arrhythmia in ECG data while minimizing resource consumption. The results of this study contribute to the expanding body of research in the field of deep learning-based ECG processing and analysis. Furthermore, the techniques presented herein may find applications in decentralized clinical trials for chronic and infectious disease treatments, where accurate and efficient real-time monitoring is pivotal. Despite its overall performance, the model faced challenges in accurately predicting SVT, highlighting the need for further improvement in this specific area. The performance to distinguish AFF by processing imbalanced data from algorithms on datasets demonstrates its potential as a multi-purpose tool for arrhythmia detection. The performance of algorithms in distinguishing AFF, even when processing imbalanced data from datasets, showcases the potential of utilizing them as a versatile tool for arrhythmia detection. However, the model's simplicity, while advantageous in terms of computational efficiency, might limit its ability to accurately detect arrhythmias of more complex data.