심장 박동별 RNN으로 부정맥 자동 분류

본 논문은 모바일 심장 이벤트 레코더를 통해 수집된 단일 리드 ECG 데이터를 자동으로 부정맥을 분류하는 시스템을 제안한다. 전체 12,186개의 라벨링된 ECG 레코드를 활용해 정상 리듬, 심방세동(AF), 기타 부정맥, 잡음 신호 네 클래스로 구분한다. 주요 아이디어는 ECG를 심장 박동 단위로 세분화하여 시퀀스 길이를 크게 축소하고, 각 박동에서 도출한 풍부한 특징을 RNN에 입력함으로써 시간적·형태학적 패턴을 효과적으로 학습하는 것이다. 1. **데이터 전처리 및 세그멘테이션** - ECG를 평균 0, 표준편차 1로 정규화하고, Pan‑Tompkins 기반 QRS 검출기로 R‑peak를 찾는다. - R‑peak를 중심으로 ±0.33 초(총 0.66 초) 윈도우를 잡아 각 박동을 추출한다. - 평균 9,000개의 원시 샘플이 33개의 박동 시퀀스로 압축된다. 2. **특징 추출** - 전통적인 도메인 특성: δRR, 5대역 상대·전체 웨이블릿 에너지(RWE, TWE), R‑peak 진폭, Q‑amplitude, QRS 지속시간, 웨이블릿 엔트로피(WE). - 두 개의 Stacked Denoising Autoencoder(SDAE)를 각각 원시 박동 파형과 웨이블릿 계수에 비지도 학습시켜 저차원 임베딩을 얻는다. - 모든 특성을 하나의 벡터로 결합해 박동당 입력으로 사용한다. 3. **Level 1 모델** - 15개의 RNN(1~5층 GRU 또는 양방향 LSTM, 각 80유닛)과 선택적 어텐션 레이어를 다양한 이진 분류 설정(정상 vs. 나머지, AF vs. 나머지 등)으로 학습한다. - 각 클래스별 64상태 Hidden Semi‑Markov Model(HSMM)을 비지도 방식으로 학습해 로그‑우도값을 산출한다. - RNN의 softmax 출력과 HSMM 로그우도를 연결해 19차원 예측 벡터를 만든다. 4. **Level 2 블렌더** - 다층 퍼셉트론(MLP)으로 Level 1 예측 벡터와 전체 ECG의 RWE, WE, 평균 절대 편차(AAD) 등 전역 특성을 결합한다. - 블렌더는 검증 세트에서 학습해 과적합을 방지한다. - 최종 출력은 소프트맥스 형태의 클래스 확률이다. 5. **어텐션 메커니즘 및 해석 가능성** - 각 박동의 은닉 상태 h_t에 대해 u_t = tanh(W_beath_t + b_beat)를 계산하고, 전역 컨텍스트 u_beat와의 내적을 softmax로 정규화해 가중치 a_t를 얻는다. - 컨텍스트 벡터 c = ∑a_t h_t는 분류에 사용되며, a_t 값을 시각화하면 모델이 어떤 박동에 주목했는지 확인 가능하다. - 정상 리듬 모델은 모든 박동에 고르게 가중치를 부여하고, ‘기타 부정맥’ 모델은 비정상적인 PR 연장 구간에 집중한다는 결과가 제시된다. 6. **실험 및 결과** - PhysioNet 2017 Challenge 데이터(비공개 테스트 3,658개)에서 평균 F1 = 0.79를 기록했다. 클래스별 F1은 정상 0.90, AF 0.79, 기타 0.68이다. - 클래스 불균형을 완화하기 위해 가중치 손실, 외부 데이터 보강, 샘플 가중치를 적용했다. - 파라미터 수가 적음에도 불구하고 Rajpurkar 등(34‑layer CNN)과 비슷하거나 우수한 성능을 보이며, 어텐션 기반 해석이 추가적인 임상적 가치를 제공한다. 7. **한계 및 향후 연구** - 현재는 ECG 신호와 박동 특성만 사용했으며, 환자 연령·성별·기저질환 등 메타데이터를 통합하면 성능 향상이 기대된다. - 실시간 모바일 디바이스에 경량 모델을 배포하고, 임상 현장에서 의사와 협업해 어텐션 결과를 진단 보조에 직접 활용하는 방안을 제시한다. 결론적으로, 이 연구는 심장 박동 단위의 시퀀스 모델링과 어텐션 기반 해석을 결합해 단일 리드 ECG에서 부정맥을 정확히 구분하고, 의료 현장에서 신뢰성 있는 AI 도구로 활용될 가능성을 보여준다.