ECG-ABP 생체신호 기반 두개내압(ICP) 예측을 위한 스태킹 앙상블 분류모델 개발 및 검증 = Development and Validation of a Stacking Ensemble Classification Model for Predicting Intracranial Pressure (ICP) Based on ECG-ABP Biosignals

국문 초록 (Abstract)

두개내압(Intracranial Pressure, ICP)의 상승은 뇌관류압 저하와 허혈성 뇌손상을 유발할 수 있는 치명적인 상태로, 신경계 중환자 치료에서 조기 감지와 지속적인 모니터링이 필수적이다. 현재의 표준적인 ICP 측정 방식은 뇌실 내 카테터 등을 삽입하는 침습적 방법으로, 감염 및 출혈 등의 합병증 위험과 전문 인력의 필요성으로 인해 시공간적 제약이 따른다. 이에 따라 환자의 안전성을 확보하면서도 연속적인 감시가 가능한 비침습적 ICP 예측 기술의 필요성이 대두되고 있다.
본 연구에서는 심전도(ECG)와 동맥혈압(ABP) 생체신호를 융합하여 ICP 상승을 비침습적으로 예측하는 스태킹 앙상블(Stacking Ensemble) 기반의 분류 모델을 제안하였다. 연구를 위해 중증 두부 외상(TBI) 환자의 생체신호 데이터베이스인 CHARIS DB를 활용하였으며, 총 13명 환자의 데이터로부터 30초 단위의 윈도(window)를 생성하여 분석을 수행하였다. 전처리 과정을 거친 신호로부터 시간 영역, 주파수 영역, 그리고 비선형 특징을 추출하여 다각적인 생리학적 정보를 모델에 반영하였다.
예측 모델은 Random Forest, XGBoost, SVM을 기본 학습기(Base Learner)로 하고, Logistic Regression을 메타 학습기(Meta Learner)로 결합한 스태킹 앙상블 구조로 설계되었다. 모델의 일반화 성능을 검증하기 위해 환자 단위의 교차 검증(Group Shuffle Split)을 수행하여 데이터 누수를 방지하였다. 실험 결과, 제안된 스태킹 앙상블 모델은 단일 머신러닝 모델 대비 우수한 분류 정확도와 예측 안정성을 보였다. 또한, SHAP(SHapley Additive exPlanations) 기법을 적용한 모델 해석을 통해, ABP 파형의 형태학적 특징과 심박변동성(HRV) 관련 지표가 ICP 상승 예측에 주요하게 기여함을 확인하였다. 이는 뇌혈류 자율조절 기능 저하 시 나타나는 생리학적 변화와 일치하는 결과이다.
본 연구는 ECG와 ABP의 복합적인 상호작용을 머신러닝 앙상블 기법으로 분석함으로써, 비침습적 ICP 모니터링의 정확도와 신뢰성을 높일 수 있음을 입증하였다. 이는 향후 임상 현장에서 침습적 측정의 보조 수단이나 조기 경보 시스템으로서의 활용 가능성을 시사하며, 생체신호 기반 의료 인공지능 연구의 발전에 기여할 것으로 기대된다.

목차 (Table of Contents)

• 제 1 장 서 론 1
• 1.1 연구의 배경 및 필요성 1
• 1.2 기존 연구의 한계점 3
• 1.3 연구의 목적 및 차별성 5
• 제 2 장 이론적 배경 7
• 2.1 두개내압(ICP)의 생리학적 개요 7
• 2.1.1 ICP의 정의 및 정상 범위 7
• 2.1.2 ICP 상승의 병태생리 8
• 2.1.3 ICP 조절 메커니즘 및 뇌혈류 자율조절 10
• 2.2 생체신호 기반 비침습적 ICP 예측 연구 동향 11
• 2.2.1 동맥혈압(ABP)과 두개내압(ICP)의 상관관계 11
• 2.2.2 ECG-ABP 융합 신호 분석 연구 사례 13
• 2.3 인공지능을 활용한 ICP 예측 연구 15
• 2.3.1 머신러닝 모델 기반 접근(RandomForest, SVM, XGBoost) 16
• 2.3.2 신호 기반 의학 예측 모델의 해석 가능성(XAI) 17
• 제 3 장 연구 방법 19
• 3.1 데이터셋 19
• 3.1.1 데이터 출처 19
• 3.1.2 데이터 구조 및 수집 프로토콜 20
• 3.1.3 환자군 특성 및 신호 구성 21
• 3.2 데이터 전처리 22
• 3.2.1 필터링 및 정규화 22
• 3.2.2 다운샘플링 및 수집 프로토콜 22
• 3.2.3 라벨링 및 클래스 정의 23
• 3.3 특징 추출방법 24
• 3.3.1 시간영역 특징 24
• 3.3.2 주파수영역 특징 25
• 3.3.3 비선형 및 상호상관 특징 26
• 3.4 분류모델 설계 27
• 3.4.1 RandomForest, XGBoost, SVM 27
• 3.4.2 메타분류기(Logistic Regression) 28
• 3.4.3 Stacking Ensemble 구성 절차 28
• 3.5 평가 방법 29
• 3.5.1 교차검증 및 데이터 분할 29
• 3.5.2 성능지표(Accuracy, F1-score, ROC-AUC, Confusion Matrix) 30
• 3.6 모델 해석 32
• 3.6.1 중요도 기반 해석 32
• 3.6.2 SHAP 기반 해석 32
• 3.6.3 SHAP Summary Plot 및 Dependence Plot 33
• 제 4 장 실험 결과 34
• 4.1 성능 비교 분석 34
• 4.1.1 단일모델 vs 스태킹 모델 비교 34
• 4.1.2 학습/테스트 정확도 및 과적합 검토 35
• 4.1.3 클래스별 Precision, Recall, F1-score 37
• 4.2 혼동행렬(Confusion Matrix) 분석 38
• 4.3 중요 특징(feature importance) 분석 40
• 4.4 모델 해석(XAI) SHAP 분석 결과 42
• 4.5 ROC 곡선 및 AUC 해석 45
• 제 5 장 결 론 49
• 5.1 연구 요약 49
• 5.2 연구 결과 및 학술적 의의 49
• 5.3 연구의 한계 50
• 5.4 향후 연구 방향 51
• 5.5 종합적 결론 53
• 참 고 문 헌 54
• Abstract 61
• 국 문 요 약 64