부정맥 분류를 위한 기존 연구들은 개인별 ECG신호의 차이는 고려하지 않고 특정 ECG 데이터에 종속적으로 개발되었기 때문에 다른 환경에 적용할 경우 그 성능에 변화가 많아 임상 적용에 한계가 있다. 또한 기존의 방법들은 각 ECG 특징점의 정확한 측정을 필요로 하며, 연산이 매우 복잡하다. 복잡도를 줄이기 위한 여러 가지 방법들이 제안되었지만, 그에 따른 분류의 정확도가 떨어지는 문제점이 있었다. 따라서 이러한 문제점을 극복하기 위해서는 개인별 다양한 ECG 신호의 패턴에 따라 최소한의 특징점을 추출함으로써 연산의 복잡도를 줄이고 부정맥을 정확하게 분류 할 수 있는 방법이 필요하다. 본 연구에서는 대상 유형별 ECG 신호의 QRS 패턴을 이용한 부정맥 분류 방법을 제안한다. 이를 위해 전처리를 통해 잡음이 제거된 심전도 신호에서 R파를 검출하고 QRS 특징점을 통해 대상 유형별 ECG 신호의 QRS 패턴을 정의하였다. 이후 패턴분류에 따른 오류를 검출 및 수정하고, 중복된 QRS 패턴을 별도의 부정맥으로 분류하였다. 제안한 방법의 우수성을 입증하기 위해 MIT-BIH 부정맥 데이터베이스 43개의 레코드를 대상으로 PVC, PAC, Normal, LBBB, RBBB, Paced beat의 검출율을 비교하였다. 실험결과 Normal, PVC, PAC, LBBB, RBBB, Paced beat의 검출율은 각각 99.98, 97.22 95.14, 91.47, 94.85, 97.48%의 우수한 검출율을 나타내었다.
Several algorithms have been developed to classify arrhythmia which either rely on specific ECG(Electrocardiogram) database. Nevertheless personalized difference of ECG signal exist, performance degradation occurs because of carrying out diagnosis by general classification rule. Most methods require accurate detection of P-QRS-T point, higher computational cost and larger processing time. But it is difficult to detect the P and T wave signal because of person’s individual difference. Therefore it is necessary to design efficient algorithm that classifies different arrhythmia in realtime and decreases computational cost by extracting minimal feature. In this paper, we propose arrhythmia classification method using QRS Pattern of ECG signal according to personalized type. For this purpose, we detected R wave through the preprocessing method and define QRS pattern of ECG signal by QRS feature Also, we detect and modify by pattern classification, classified arrhythmia duplicated QRS pattern in realtime. Normal, PVC, PAC, LBBB, RBBB, Paced beat classification is evaluated by using 43 record of MIT-BIH arrhythmia database. The achieved scores indicate the average of 99.98%, 97.22%, 95.14%, 91.47%, 94.85%, 97.48% in PVC, PAC, Normal, BBB, Paced beat classification.
심장질환 중에서 부정맥은 심장의 리듬이 불규칙하거나 심박동수가 비정상적인 상태를 의미한다. 부정맥의 증상은 심장질환의 종류와 중증도에 따라 경미한 가슴 두근거림, 흉통으로부터 실신과 돌연사에 이르기까지 매우 다양하게 나타난다[1-3]. 특히 조기심실수축 (PVC : Premature Ventricular Contraction), 조기심방수축(PAC : Premature Atrial Contraction), 각차단 (BBB : Bundle Branch Block)과 같은 심장질환은 발작성 빈맥, 심실세동, 관상동맥질환(coronary artery disease)과 같은 위험한 부정맥의 전조일 수 있으므로 적극적인 대처가 필요하다[4,5]. 따라서 위험하고 치명적인 심장 리듬이 발생하기 이전에 이를 검출하여 부정맥을 조기에 진단할 수 있는 방법이 필요하다. 부정맥을 검출하기 위한 기존 방식은 크기에 따른 문턱치 기반의 피크 추출 방법으로 심전도 신호를 회득하여 특성 파라미터들, 예를 들면 심전도 파형에서 최대, 최소값 또는 최대값 간의 시간간격 등을 추출하는 과정을 거치게 된다. 하지만 이러한 방법은 환자 상태에 따른 신호의 모양과 크기 및 주기변동 등의 특성이 다르기 때문에 진단 오차가 발생하게 된다.
이는 심전도 잡음, 다른 생체 신호들의 간섭, 리듬의 변동에 따른 개인 간 ECG(ElectrcCardioGraphy) 신호 차이로 인해 특성 파라미터의 추출에 한계가 있기 때문이다. 또한 데이터의 가공 및 연산이 복잡하여 실시간 적용에 어려움이 발생한다[6-9]. 따라서 이러한 문제점을 극복하기 위해서는 개인별 다양한 ECG 패턴 유형의 특징점을 추출함으로써 연산의 복잡도를 줄이고, 부정맥을 정확하게 분류할 수 있는 방법이 필요하다. 본 연구에서는 대상 유형별 ECG 패턴 기반의 QRS 특징점을 이용한 부정맥 분류 방법을 제안한다. 이를 위해 전처리를 통해 잡음이 제거된 심전도 신호에서 R파를 검출하고 8개의 QRS 특징점을 통해 9가지 개인별 ECG 패턴을 분류하였다. 이후 그 패턴에 따른 RR, QRS 간격과 진폭에 따라 실시간으로 부정맥을 분류하였다. 제안한 방법의 우수성을 입증하기 위해 MIT-BIH 부정맥 데이터베이스 43개의 레코드를 대상으로 PVC, PAC, Normal, LBBB, RBBB, Paced beat의 검출율을 비교하였다.
본본 연구에서 제안한 대상 유형별 ECG 신호의 QRS 패턴을 이용한 부정맥 분류 방법의 전체 구성도는 그림 1과 같은 단계로 나누어진다. 먼저 ECG 신호로부터 전처리 과정을 통해 잡음을 제거한 후 R파를 검출하는 단계, 검출된 R파를 기준으로 특징점의 형태분석을 통해 대상 유형별 QRS 패턴을 분류하는 단계, 분류성능 개선을 위한 패턴오류 검출 및 중복된 패턴을 분류하는 단계, 마지막으로 부정맥을 분류하는 단계로 나누어진다.
정확한 진단을 위해서는 심전도 신호에 포함되어 있는 다양한 잡음을 제거하여 R파를 정확히 검출하는 것이 필요하다. 본 연구에서는 원신호의 변형을 줄이고 연산량을 최소화함으로써 효율적인 QRS를 검출하기 위해 형태연산 기반의 전처리 기법을 적용하였다. R파는 형태연산을 통해 전 처리된 신호의 차감기법을 통해 검출한다. R파 검출 시 P파나 T파를 R파로 오인하는 경우 FP(False Positive)가 발생할 수 있으며, 실제로 R파가 존재함에도 불구하고 이를 검출하지 못하는 TN(True Negative)이 발생할 수 있다. 이러한 오검출을 막기 위해 본 연구에서는 동적 역탐색 기법(Dynamic Backward Searching Method)을 사용하였다[10,11].
R파를 검출한 후에는 대상 유형별 QRS 패턴 분류 과정을 거치게 된다. 본 연구에서는 Q, R, S의 진폭과 위상의 변화를 이용하여 Normal, PVC, PAC, LBBB, RBBB, Paced beat 6개의 정상 및 부정맥 패턴을 분류하였다. 일반적으로 정상 신호는 대부분 같은 QRS 패턴을 가지고 있지만 부정맥의 경우 그 패턴이 개인에 따라 매우 다양한 형태를 나타낸다. 본 연구에서는 진폭과 위상변화에 따른 8개의 특징점을 추출하고, 그 특징점의 형태에 따라 QRS 패턴을 분류하였다. 이를 위해 MIT-BIH 부정맥 데이터베이스 43개의 레코드를 대상으로 Normal, PVC, PAC, LBBB, RBBB, Paced beat 6개의 정상 및 부정맥 형태를 분석하였다. 각 특징점의 형태를 분석한 결과는 표 1과 같다. 정상 신호의 경우는 R의 진폭은 크고, Q와 S의 진폭이 작은 일반적인
QRS 특징점 분석
분석 결과 같은 부정맥의 형태라도 대상 유형에 따라 패턴이 나누어지는 것을 확인할 수 있다. PVC와 RBBB 의 경우 다른 부정맥이지만 같은
대상 유형별 QRS 패턴을 분석한 결과 9개의 형태(A, B, C, D, E, F, G, H, I)로 나누어지는 것을 확인할 수 있었다. 즉, 부정맥의 종류에 따라 정상신호와 PAC 그리고 Paced Beat는 1개, PVC는 4개, RBBB와 LBBB는 2개의 패턴을 각각 가지는 것을 확인할 수 있다.
특히 PVC의 경우 RBBB와는
그림 2에서는 이 두 과정을 나타내었다. 먼저 PVC와 Paced beat사이에 발생하는 패턴오류를 검출하여 RR간격의 변화율과 R파의 진폭을 적용하여 오류를 수정하는 단계. 두 번째로는 PVC와 RBBB, PVC와 LBBB와 같이 중복 QRS 패턴을 가지고 있는 부정맥의 경우 패턴 검출 이후에 QRS 간격과 같은 별도의 분류 과정을 통해 부정맥을 판단하는 단계를 나타내었다.
대상 유형별 QRS 패턴은 9개로 나누어지는 것을 확인할 수 있다. 하지만 PVC와 Paced beat는 서로 다른 QRS 패턴임에도 불구하고 동일한 패턴으로 잘못 분류되는 경우가 발생하였다. 이러한 오류를 해결하기 위해서는 패턴을 재확인함으로써 이를 수정하는 과정이 필요하다. 그림 3은 MIT-BIH 데이터베이스의 6개 부정맥을 대상으로 각 패턴에 따른 RR 시간 간격의 변화를 분석한 화면을 나타내고 있다. 그림과 같이 PVC, PAC와 같이 조기수축에 해당하는 (B, D, E, F, G) 패턴은 다른 부정맥(A, C, H, I)과 비교했을 때 RR 시간 간격이 명확히 차이가 나는 것을 확인할 수 있다.
특히 그림 3 (a), (c), (d), (e), (f)에 나타난 조기수축과 그림 3 (b)에 나타난 Paced Beat를 비교해보면 조기수축은 RR 간격의 변화율이 높은 것에 반해 Paced Beat는 일정한 것을 확인할 수 있다. 6개 부정맥의 RR 간격을 분석한 결과 패턴 오류를 검출하여 수정하는 과정은 현재의 RR 간격(
그림 4는 MIT-BIH 데이터베이스의 118번 레코드를 대상으로 분석한 결과 각 패턴에 따른 R파의 진폭을 분석한 화면을 나타내고 있다. 그림에서와 같이
패턴오류 수정 이후에는 중복된 패턴의 부정맥을 별도로 분류하는 과정을 거치게 된다. 특히 PVC와 LBBB 의
QRS 간격을 찾는 과정은 그림 5와 같이 QRS 시작점 (Q점) 및 종점(S점)을 찾는 과정으로 나누어진다. 먼저 검출된 R파의 위치에서 전후 190ms 내의 최소값을 검출하여 왼쪽에서 발생한 최소값을 Q점, 오른쪽에서 발생한 최소값을 S점이라고 판단하고, Q점에서 S점까지의 시간간격으로 QRS간격을 구하게 된다. QRS를 판단하기 위한 범위로 190ms를 선택한 이유는 P파와 T파를 제외한 QRS파의 폭 간격을 측정하기 위함이다.
본 연구에서는 MIT-BIH 부정맥 데이터베이스를 43개의 레코드를 통하여 패턴 오류에 대한 검출 수정평가가 수행되었다. 그림 6은 RR 간격과 R파의 진폭에 대한 오류 비트를 대상으로 패턴을 수정하는 과정을 나타낸 것이다. 그림 6(a)는 207번 레코드로서 RBBB, LBBB, 다양한 PVC가 혼재된 경우를 나타낸다. 이 레코드의 경우 QRS 패턴 검출 오류가 많이 발생한 것을 확인할 수 있다. 오류가 발생한 지점은 PVC로서
이러한 경우 그림과 같이 RBBB와 PVC와는 다르게 PAC R파의 진폭변화율이 적용되어 B 패턴으로 수정 된 것을 확인할 수 있다. 따라서 PVC와 PAC와 같은 조기수축에 해당하는 (B, D, E, F, G) 패턴은 RR 시간 간격이 다른 부정맥과 구별되는 유용한 정보가 되며, 또한 RBBB와 PVC가 혼재된 PAC는 R파의 진폭이 다른 부정맥과 구별되는 유용한 정보가 된다는 것을 확인하였다.
본 연구에서는 MIT-BIH 부정맥 데이터베이스를 43개의 레코드를 통하여 중복 패턴 검출에 대한 평가가 수행되었다. 그림 7은 QRS 간격을 통한 PVC, LBBB, RBBB 검출 과정을 나타낸 것이다.
그림 7 (a)는 106번 레코드로서
본 연구에서는 MIT-BIH 부정맥 데이터베이스를 43개의 레코드를 통하여 QRS 패턴 검출에 대한 성능 평가가 수행되었다. 부정맥 검출 결과는 그림 8과 같다. 그림 8 (a), (b)는 각각 220번, 217번 레코드로서 A, B, C 패턴을 나타내고 있으며, 그 패턴에 해당하는 부정맥이 하나만 존재하는 경우로 오류 없이 패턴이 정확하게 분류되는 것을 확인할 수 있다. 그림 8 (c)와 (d)는 같은 D 패턴이지만 PVC와 RBBB로 다른 부정맥을 나타낸다. 이와 같은 경우 QRS 간격을 통해 중복패턴에 대한 부정맥 분류를 수행하였다. (c)의 경우 106번 레코드 PVC 의 QRS 간격은 평균적으로 123ms로 나타났으나, (d)와 같이 118번 레코드 RBBB 간격은 142ms을 나타내었다. 따라서 같은 D패턴을 나타내었을 경우 QRS간격이 140ms보다 작을 경우 PVC, 큰 경우에는 RBBB로 판단하였다. 그림 8 (e), (f)는 같은 E 패턴을 가진 PVC와 LBBB를 나타내고 있다. 하지만 이 또한 D 패턴과 마찬가지로 PVC의 QRS 간격은 평균적으로 120ms보다 낮았으며, LBBB의 QRS 간격은 140ms 보다 높은 것으로 나타났다. 그림 8(f)와 같이 207번 레코드의 경우 1차 분류 시 마지막 PVC 비트의 경우 Q파가 상쇄되어 QRS 패턴을 D패턴이라고 잘못 판단하는 경우가 발생하였다. 이는 RR 간격과 그 변화율을 고려하여 2차 분류 시패턴을 재분류하는 과정을 거쳐 오류를 수정하였다.
검출율의 계산은 식 (1)을 통하여 이루어진다. 아래 식에서 FP는 검출알고리즘이 R파를 검출하였으나, MIT-BIH부정맥 데이터베이스에는 존재하지 않을 경우이고, FN은 MIT-BIH부정맥 데이터베이스에는 있으나 알고리즘이 이를 검출하지 못한 경우이다. 전체 비트는 MIT-BIH에 존재하는 R파의 총 개수이다.
제안한 방법으로 MIT-BIH 부정맥 데이터베이스 43개의 레코드를 대상으로 부정맥을 분류한 결과를 표 2 에 나타내었다. Normal, PVC, PAC, LBBB, RBBB, Paced beat의 검출율은 각각 99.98, 97.22 95.14, 91.47, 94.85, 97.48%의 우수한 특징을 나타내었다. 결과적으로 제안한 방법은 부정맥 분류에 우수한 성능을 나타내었다. 따라서 제안한 대상 유형별 ECG 신호의 QRS 패턴 분석 방식의 경우 개인에 따른 ECG 신호의 패턴을 먼저 분류한 후 그 패턴에 따른 부정맥의 비교되는 특징, 즉 RR간격, R파의 진폭, QRS간격과 같은 문턱치 조건을 통해 대상 부정맥을 2차 적으로 분류한다면 분류율 뿐만 아니라 연산량에서도 많은 향상을 가져다 줄 것이다.
부정맥 분류율
본 연구에서는 개인에 따라 상이한 ECG 신호의 패턴에 따라 최소한의 특징점을 추출함으로써 연산의 복잡도를 줄이고 실시간으로 다양한 부정맥을 분류하기 위해 대상 유형별 ECG 신호의 QRS 패턴을 이용한 향상된 부정맥 분류 방법을 제안하였다. 이를 위해 전처리를 통해 잡음이 제거된 심전도 신호에서 R파를 검출하고 QRS 특징점을 통해 대상 유형별 ECG 신호의 QRS 패턴을 정의하였다. 이후 그 패턴에 따른 RR, QRS 간격과 R파의 진폭에 따라 실시간으로 부정맥을 분류하였다. 제안한 방법의 우수성을 입증하기 위해 MIT-BIH 부정맥 데이터베이스 43개의 레코드를 대상으로 분류하였을 때 Normal, PVC, PAC, LBBB, RBBB, Paced beat의 검출율은 각각 99.98, 97.22 95.14, 91.47, 94.85, 97.48% 의 우수한 특징을 나타내었다.
본 연구에서 제안한 대상 유형별 ECG 신호의 QRS 패턴 분석 방식의 경우 개인에 따른 ECG 신호의 패턴을 먼저 분류한 후 그 패턴에 따른 부정맥의 비교되는 특징, 즉 RR 간격, R파의 진폭, QRS 간격과 같은 문턱치 조건을 통해 대상 부정맥을 2차 적으로 분류한다면 실시간으로 정확한 부정맥을 진단하는 헬스케어 시스템에 적용함으로써 분류율 뿐만 아니라 연산량에서도 많은 향상을 가져다 줄 것이다.