심전도 신호 전처리와 딥러닝 기반 수면 무호흡 분류 모델 최적화에 대한 연구 = A Study on Electrocardiogram Signal Preprocessing and Optimization of Deep Learning-Based Sleep Apnea Classification Models

국문 초록 (Abstract)

수면 무호흡 증후군(SAS)은 심각한 수면 장애로, 조기 발견은 치료 비용을 줄일 뿐만 아니라 생 명을 구할 수도 있다. 다수의 생체 신호를 측정하는 전통적인 방법인 수면다원검사(PSG)는 수면 무호흡증 진단의 표준 도구로 널리 사용되지만, 이 방법은 비용이 많이 들고, 시간 소모가 크며, 수면 방해를 일으킬 수 있다. 최근에는 더 쉽게 수집할 수 있는 생체 신호인 심전도(ECG)를 이용 하여 효과적이고 경제적인 수면 무호흡증 진단 대안을 탐구하는 연구가 진행되고 있다. 이러한 배경에서, 본 연구는 단일 리드 심전도(ECG) 데이터를 이용한 수면 무호흡증 진단의 효과적이고 경제적인 대안을 모색하고자 하였다. 이를 위해 7가지 다른 특징 추출 방법을 결합한 총 21개의 실험을 수행하였으며, 특징 추출 방법이 모델의 정확도에 중요한 역할을 한다는 것을 확인하였 다. 또한 수면 무호흡증 분류를 위한 다양한 딥러닝 모델 조합을 실험하였다. CNN, BiLSTM, GRU, BiGRU, Transformer 등 다양한 분류기를 인코더로 사용하여 최적의 방법을 모색하였다. 그 결과, CNN과 Transformer를 결합한 하이브리드 딥러닝 모델의 파라미터 튜닝을 통해 92% 의 정확도, 90.4%의 민감도, 94.1%의 특이도, 92.3%의 AUC, 92.4%의 F1-Score를 달성하였 다. 이러한 성능 지표는 현재 주류 모델에 비해 정확도가 4%p에서 최대 11.3%p 향상되어 우수 함을 입증하였다. 이러한 결과는 의사의 진단 과정을 지원하고 환자에게 더 나은 의료 경험을 제 공할 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

Sleep Apnea Syndrome (SAS) is a serious sleep disorder, and early detection of sleep apnea not only helps to reduce treatment costs but can also be life-saving. The traditional method of measuring multiple biological signals, Polysomnography (PSG), is widely used as a standard diagnostic tool for sleep apnea, but this method is expensive, time-consuming, and can cause sleep disturbances. Recently, there has been research into using more easily collectible biometric signals, like ECG, to explore effective and economical alternatives for diagnosing sleep apnea.
Against this backdrop, our study sought an effective and economical alternative for diagnosing sleep apnea using single-lead electrocardiogram (ECG) data. For this purpose, we conducted a total of 21 experiments, combining seven different feature extraction methods, and confirmed that the feature extraction method plays an important role in the model's accuracy. Furthermore, we experimented with various combinations of deep learning models for the classification of sleep apnea. We used various classifiers such as CNN, BiLSTM, GRU, BiGRU, and Transformer as encoders for classification and sought the optimal method.
As a result, through parameter tuning of the hybrid deep learning model combining CNN and Transformer, we achieved 92% accuracy, 90.4% sensitivity, 94.1% specificity, 92.3% AUC, and 92.4% F1-Score. These performance metrics showed an improvement of 4%p to as much as 11.3%p in accuracy over the current mainstream models, proving their superiority. These results are expected to support the diagnostic process of physicians and provide patients with a better medical experience.

목차 (Table of Contents)

• I. 서론 · 1
• II. 관련 연구 3
• III. 연구 방법 6
• 3.1 특징 추출 · 7
• 3.1.1 FIR 필터 9
• 3.1.2 Butterworth 필터 10
• 3.1.3 Notch 필터 10
• 3.1.4 Median 필터 11
• 3.1.5 Savitzky-Golay 필터 11
• 3.1.6 Hamilton 알고리즘 · 12
• 3.2 ECG 신호의 입력 데이터 구성 12
• 3.3 분류 모델 13
• 3.3.1 CBiLNet 모델 · 13
• 3.3.2 CRUNet 모델 17
• 3.3.3 CiRUNet 모델 · 20
• 3.3.4 CTNet 모델 · 24
• IV. 실험 및 성능 평가 28
• 4.1 데이터셋 28
• 4.1.1 PhysioNet 공공 데이터셋 · 28
• 4.1.2 KNUH 사설 병원 데이터셋 29
• 4.2 성능 평가 방법 · 30
• 4.3 실험 결과 31
• 4.3.1 특징 추출 방법의 효과 31
• 4.3.2 수면 무호흡 분류 33
• 4.4 기대 효과 38
• V. 결론 및 향후 연구 40
• 참고 문헌 · 42