부정맥 검출을 효율적으로 수행하기 위한 적응형 신경 퍼지 추론 시스템 구현

국문 초록 (Abstract)

본 연구는 사물인터넷(IoT) 기반 환경에서 심전도(ECG) 신호를 실시간으로 수집·처리하고 부정맥을 자동 분류할 수 있는 해석 가능한 분류 모델을 설계 하는 것을 목표로 한다. 기존 딥러닝 기반 접근은 높은 성능에도 불구하고 모 델의 결정 근거를 확인하기 어렵고, 결과 해석이 필요한 임상 현장에서 활용 하기 어려운 한계가 존재한다. 이에 본 연구는 ANFIS 모델을 적용하여 퍼지 규칙 기반의 설명 가능성을 제공하며, ECG 패턴 분석 및 실시간 분류를 수행 한다. DWT, Butterworth, 그리고 Chebyshev 필터 기법의 성능을 비교하기 위하여, ECG 신호는 이들 3개의 필터에 의해 전처리된다. R-peak 기반 세그 먼트 분할을 통해 형태학적·통계적 특징을 추출한 후, ANFIS 모델에 입력할 특징을 선택하기 위하여 SVM-RFE 기법을 사용한다. MIT-BIH Arrhythmia 데이터셋은 모델의 학습 및 성능 검증에 활용된다. 또한 실시간 모니터링에서 발생 가능한 신호 변화에 대한 제안된 모델의 우수성을 검증하기 위하여, 두 종류의 데이터셋-①학습에 참여하지 않은 PTB-XL 및 INCART 데이터셋과 ②ECG 시뮬레이터(MS400)을 통해 수집된 데이터셋-이 교차검증에 활용된다. 단지, ECG 시뮬레이터는 반복적 파형을 발생시키므로, 이를 보완하기 위해 VAE 기법을 적용하여 신호를 수집한다. 실험 결과, MIT-BIH 데이터셋뿐만 아니라 교차검증용 데이터셋에서도 제안된 모델은 95.20%의 높은 분류 정확 도를 성취한다. 특히 실시간 모니터링 환경하에서 제안된 모델은 99.10% 정확 도를 성취한다. 이러한 결과를 바탕으로 IoT 기반 ECG 모니터링 시스템에서 제안된 모델은 임상 지원 도구로의 활용 가능성이 확인된다.

목차 (Table of Contents)

• Ⅰ. 서론 1
• 1. 연구 배경 1
• 2. 연구 동기 및 기여6
• Ⅱ. 관련 연구 7
• 1. ANFIS 기반 ECG 연구7
• 2. 머신러닝 기반 ECG 연구10
• 3. 딥러닝 기반 ECG 연구 12
• 4. IoT 기반 ECG 연구 15
• Ⅲ. ANFIS 기반 부정맥 분류 시스템 제안18
• 1. 시스템 아키텍처 18
• 2. Dataset21
• 3. Data Preprocessing 23
• 1) Denoising 23
• 2) Signal Resampling26
• 3) R-Peak Detection 28
• 4) ECG Segmentation 29
• 5) Amplitude Normalization30
• 6) QRS Detection and Calculation Features 31
• 7) ANFIS Training 35
• Ⅳ. 실험결과39
• 1. 실험환경 39
• 2. 성능 평가 지표 41
• 3. 시스템 검증 43
• 1) 학습 데이터셋 성능평가 43
• 2) 외부 데이터셋 기반 모델 검증 45
• 3) VAE 변형 데이터 기반 모델 검증 48
• 4. 실시간 모니터링 결과 50
• 1) 웹 기반 실시간 모니터링 50
• 2) 모바일 기반 실시간 모니터링 결과 54
• Ⅴ. 결론 56
• 참고문헌 58
• 영문초록 66