Abstract
심전도(ECG)는 인간 심장의 다양한 심장 상태에 대한 필수 정보를 제공합니다. 이 분석은 생명에 위협을 주는 심장 상태를 탐지하고 예방하기 위한 연구 커뮤니티의 주요 목표였습니다. 기존의 신호 처리 방법, 기계 학습 및 심층 학습과 같은 하위 분기는 심전도 신호를 분석 및 분류하고 주로 심장 상태와 부정맥의 조기 감지 및 치료를 위한 애플리케이션을 개발하는 데 널리 사용되는 기법이다. 심전도 신호 분석에 관한 자세한 문헌 조사가 이 기사에서 제시된다.
먼저 심전도 분석 관련 작업에 대한 조사가 이 단계 기반 프로세스 모델의 형태로 제시되는 심전도 신호 분석을 위한 단계 기반 모델을 소개한다. 모델은 ECG 데이터 수집에서 시작하여 시뮬레이션과 실시간 모니터링 시스템 모두에 대한 분류에 이르기까지 분석 단계마다 발표된 문헌에 보고된 전통적인 시간/주파수 영역과 고급 기계 학습 기법을 모두 설명한다. 우리는 실시간 심전도 신호 획득, 사전 기록된 임상 심전도 데이터, 심전도 신호 처리 및 노이즈 제거, 특징 엔지니어링 및 심전도 신호 분류에 기초한 심전도 기준점의 감지, 검토된 연구들 간의 비교 논의에 대한 포괄적인 문헌 검토를 제시한다.
본 연구는 또한 실시간 심장 상태 모니터링을 위한 휴대용 및 웨어러블 심전도 장치에서 심전도 기반 신체 센서 네트워크를 위한 심전도 신호 분석과 특징 공학에 대한 상세한 문헌 검토를 제공한다. 또한, 과제와 한계가 논의되고 이 분야의 연구를 위한 도구와 향후 작업에 대한 제안사항이 요약된다.
I. Introduction
A. Background and motivation
심혈관 질환(CVDs)이라고도 불리는 심장 질환은 높은 사망률의 주요 원인이다.
그들은 심장 자체에 혈액을 공급하는 관상 동맥의 혈액 부족으로 발생한다.
CVDs는 부정맥이라는 불규칙한 비트가 발생하고 부정맥 상태의 심각도에 따라 갑작스러운 사망이 발생할 수 있습니다.
심전도/전기 심전도(ECG/EKG)는 인간 심장의 전기적 활동을 보여주고 심전도 신호 형태학은 다양한 심장 조건에 기초한 다양한 유형의 부정맥에 대한 정보를 제공한다.
ECG 파형 그래프에서 부정맥을 빠르고 정확하게 식별하면 잠재적으로 많은 생명을 구할 수 있으며 전 세계적으로 의료 비용 측면에서 많은 것을 절약할 수 있습니다 [1].
이는 심전도 분석에 대한 상세한 검토를 수행하고 단계 기반 프로세스 모델의 형태로 제시하여 심전도 신호 분석의 각 단계의 흐름과 중요성을 더욱 명확히 하고 분류하도록 동기를 부여했다.
효과적인 ECG 신호 분석이 공공 보건 및 경제에 미치는 엄청난 영향과 함께, 단계 기반 프로세스의 형태로 ECG 신호를 분석하기 위해 휴대용 및 웨어러블 기기를 사용한 실시간 모니터링과 하드웨어 및 소프트웨어 도구의 관점을 제공하는 것도 이 연구를 수행하게 한 또 다른 동기이다.
심전도 신호를 분석하고 다양한 유형의 부정맥을 감지하려면 CVD의 조기 치료 및 예방을 위해 기존 신호 처리 및/또는 기계 학습 기술의 도움이 필요합니다.
머신 러닝의 발전은 컴퓨터 지원 설계(CAD) 진단 시스템과 연계되어 [2] 이러한 데이터에서 데이터 처리 및 관련 정보 검색과 같은 많은 건강 애플리케이션을 가지고 있다.
이러한 시스템은 CVD를 조기에 감지하는 정확도를 높였으며 심장병 전문의 워크로드도 크게 줄일 수 있었습니다.
기존의 및 커널 기반 신경 네트워크(NN) 방법 [3], [4]는 수작업으로 만든 기능을 사용하여 ECG 파형을 처리, 감지 및 분류한다.
딥러닝 방법은 이러한 시간과 자원이 많이 소모되는 프로세스의 문제를 극복하고 과거 [7]에서 수동으로 결정된 중요 특징을 자동으로 학습하여 형상 엔지니어링 [5], [6], 감지 및 분류를 개선했다.
실시간 모니터링, 감지, 인식 또는 분류에 관계없이 심전도 신호는 서로 다른 프로세스를 거칩니다.
그림 1에 표시된 것처럼 이러한 프로세스를 단계 기반 심전도 신호 분석 모델로 제시합니다.
첫 번째 단계는 임상적으로 사전 기록된 ECG 데이터 소스 및 실시간 ECG 획득 감각 데이터 소스 등 ECG 데이터의 다양한 소스를 설명한다.
두 번째 단계에서는 첫 번째 단계에서 ECG 신호를 획득하는 동안 유입된 노이즈를 제거하기 위해 문헌에 보고된 다양한 기술에 대해 논의합니다.
심전도 신호의 기준점 감지는 서로 다른 심장 상태를 정확하게 분류하는 데 매우 중요합니다.
이러한 기준점을 식별하는 것은 ECG 신호 분석 프로세스의 세 번째 단계의 일부입니다.
심전도 신호의 각 파형과 세그먼트는 콘텍스트에서 부정맥 유형을 결정하는 데 중요합니다.
데이터 소스를 올바르게 선택하고 ECG 기준점을 식별한 후, 기존의 신호 처리 또는 기계 학습 방법을 사용하여 ECG 신호 분석 프로세스의 네 번째 단계에서 서로 다른 심장 상태를 감지하고 분류할 수 있습니다.
각 단계는 섹션 IV에서 자세히 설명합니다.
B. Contrivutions
이 연구는 CVDs를 예방하기 위해 실시간으로 ECG 신호를 분석하고 원격 건강 옵션 및 모범 사례를 탐색함으로써 심장 상태 및 다양한 부정맥을 감지하는 연구 분야의 성장에 기여하는 것을 목표로 합니다.
이 연구 분야에 대한 기여는 다음과 같이 요약할 수 있습니다.
- 심전도, 심전도 파형 및 심전도로부터 검색할 수 있는 다양한 부정맥 유형에 대해 논의함으로써 심장과 심장의 전기적 활동에 대한 자세한 개요를 제시합니다.
- 데이터 수집 소스 선택에서 분류 프로세스에 이르기까지 단계 기반 ECG 신호 분석 프로세스 모델을 제시합니다. 도입된 단계 기반 모델의 형태와 맥락에서 심전도 분석 작업에 대한 종합적인 조사를 제시한다.
- 실시간 검출을 위한 연구 및 휴대용 웨어러블 기기 모두에서 기계 학습 분류 알고리즘을 평가하는 데 사용되는 ECG 데이터 세트(1단계)의 상세한 문헌 검토
- ECG 신호를 세척하여 거짓 경보를 줄이고 분류를 개선하기 위한 노이즈 제거 방법을 논의 및 요약합니다(2단계). 보고된 성과 평가 지표와 함께 다양한 연구 분야에서의 다양한 기법 및 사용법을 비교한다.
- 엔지니어링 기반 ECG 분류 알고리즘(3단계 및 4단계)의 기존 및 기계 학습 기능에 대한 최신 연구에 대한 개요를 제시하고 다양한 데이터셋에서 평가된 성능 지표를 요약합니다.
- 휴대용 및 웨어러블 기기의 신체 센서, 기능 엔지니어링 메커니즘, 심전도 센서 네트워크, 휴대용 및 웨어러블 기기의 심전도 분류를 사용하는 실시간 모니터링 시스템에 대해 논의한다(모든 4단계 및 주로 3단계). 또한 실시간 심장 모니터링을 위한 휴대용 시스템과 웨어러블 스마트 장치의 최신 하드웨어에 대해 간략히 설명합니다.
- 관심 분야에 대한 연구를 수행할 수 있는 도구 논의
- 본 연구 분야의 과제와 한계를 논의하고, 본 설문 조사 및 기타 관련 설문 조사 논문의 비교 요약표를 해당 분야에 제시합니다.
C. Paper Organization
이 글은 다음과 같이 정리되어 있다 섹션 II에는 이 기사의 기사 선택 및 조사 프로세스가 설명되어 있습니다.
섹션 III에서는 심전도에 대한 자세한 설명을 제공합니다.
이 섹션은 4개의 하위 섹션으로 추가로 나뉩니다.
ECG 리드 및 ECG 파형은 각각 III-A 및 III-B 하위 섹션에 설명되어 있습니다.
허혈 및 경색에 대한 심전도 형태학은 III-C 하위 절에 설명되며 III-D 하위섹션은 부정맥 유형에 대해 설명한다.
섹션 IV에서는 데이터 획득 소스에서 분류 프로세스에 이르는 ECG 신호 분석의 각 단계에서 사용되는 기존의 시간/주파수 영역과 고급 기계 학습 방법에 관한 문헌에 발표된 이전 관련 연구를 살펴본다.
이 섹션은 4개의 하위 섹션으로 세분됩니다.
비트 감지 및 분류 알고리즘을 평가하기 위한 심전도 신호 데이터 수집의 다양한 데이터 소스와 그 특성은 섹션 IV-A에 설명되어 있습니다.
섹션 IV-B에는 ECG 신호의 신호 평활 및 노이즈 필터링에 대한 다양한 기술이 설명되어 있습니다.
형상 공학에 이어 섹션 IV-C는 ECG 기준점 및/또는 기타 형상 탐지의 전통적인 및 기계 학습 기반 접근법에 대한 사전 관련 작업을 제시한다.
섹션 IV-D에는 문헌에 게시된 ECG 분류 모델이 설명되어 있습니다.
섹션 V는 차체 센서 네트워크를 사용한 심전도 신호 획득, 기능 엔지니어링 및 분류와 관련하여 문헌에 보고된 설루션을 자세히 설명합니다.
섹션 VI는 연구 및 실시간 모니터링 시스템/시뮬레이션에 사용할 수 있는 장치와 도구에 대해 자세히 설명합니다. 섹션 VII에는 난제에 대한 논의와 비교 요약이 제시되어 있으며 섹션 VII에는 한계가 추가 설명된다.
섹션 IX는 이 기사를 마무리하고 본 연구의 지속을 위한 향후 방향을 설명합니다.
II. ARTICLE SELECTION AND SURVEY PROCESS
이 문서는 지난 20년 동안 신호 사전 처리에서 형상 추출에 이르기까지 심전도 분석과 관련하여 문헌에 발표된 연구를 검토하는 것을 목표로 한다.
2000년부터 2020년까지 IEEE, MDPI, Springer, Ethervier, Sensors, PLOS 및 IOP를 포함한 다양한 자원과 출판사에서 관련 기사를 수집했다.
관련 기사를 수집하기 위해 "기계 학습을 이용한 ECG 분류"와 "심전도 실시간 모니터링 시스템"과 같은 다른 키워드가 사용되었다.
검토는 데이터 획득 소스에서 시작하여 노이즈 제거 단계, 기능 엔지니어링, 마지막으로 분류 단계까지 ECG 데이터가 거치는 다양한 단계를 다룹니다.
다른 변환 및 기계 학습 방법에 의해 감지된 R-피크 및 QRS 복합체와 같은 기준점도 제시된다.
기계 학습과 그 하위 분기를 사용하여 실시간으로 심전도 분류가 추가로 제시된다.
처음에 회수된 물품의 수는 180개였다.
선택 프로세스는 다음과 같은 특정 기준을 기반으로 합니다.
- 심전도 관련성
- 부정맥 유형 관련
- 심전도 분류와 관련된 기계 알고리즘 관련
- ECG 데이터 세트와 관련
- ECG 기능 엔지니어링 기술과 관련이 있음
- ECG 분류 알고리즘의 성능 평가 지표와 관련이 있음
선정기준에 따라 회수된 물품의 제목과 초안을 검토하여 50개 품목을 제외했다.
III. ELECTROCARDIOGRAPHY
심전도는 네덜란드의 생리학자 윌렘 아인트호벤에 의해 100여 년 전에 발명되었습니다.
심전도(ECG)는 심장의 심장 주기에서 발생하는 전기 활동을 기록하는 것입니다.
이 심전도 사이클은 그림 2에 표시된 그래프용지에 캡처됩니다(이 그림에는 두 개의 심전도 사이클이 표시됨).
전기 활동은 심전도 리드의 전극을 통해 집히는 심장 조직에 의해 생성된 작은 전위의 형태입니다.
미니어처 신호는 증폭되어 심전도(ECG)로 기록됩니다.
전기 활동은 일반적으로 자동을 나타내는 동방결절(SA 노드)의 특수 셀에 의해 자발적으로 생성됩니다.
임펄스의 발생은 심장 세포벽의 전기적 극성의 반전에 기인하는데, 이것은 정상적인 휴식 상태에서 그것의 외부 표면에 더 긍정적으로 충전된다.
이 반전은 세포벽의 외부 표면에 부정성을 생성하며, 이것은 인접한 심장 조직에 자극으로 퍼진다.
허혈 및 심근경색(MI) 감지 외에도 부정맥 및 전도 장애 감지에도 ECG가 사용됩니다.
급성 MI(즉, 심장마비)의 현대 의학 요법과 중재적 심장학 개발은 심근 허혈과 MI에서 특이성과 민감성에 관한 ECG의 중요성을 입증했다 [8], [9].
A. ECG LEADS
기존 리드라고 하는 12개의 심전도 리드가 있습니다.
6개의 리드는 사지 리드라고 명명되고, 나머지 6개의 리드는 흉부 또는 전위 리드라고 명명됩니다.
사지 리드는 전위를 기록하며, 전위 리드는 각각의 전극을 통해 수평면을 가로지르는 전위를 기록한다.
세 개의 사지 리드선은 표준 사지 리드라고 하는 양극 리드이고, 나머지 세 개는 단극 증강 리드라고 합니다.
각 표준 사지 리드선은 아래 그림과 같이 두 사지 사이의 전위차를 별도로 기록합니다(그림 3에 나와 있습니다).
- 표준 리드 I: 좌측 암과 우측 암 사이
- 표준 리드 II: 왼쪽 다리와 오른쪽 팔 사이
- 표준 리드 III: 왼쪽 다리와 왼쪽 팔 사이
리드 I, II 및 III에는 각각 왼쪽 암, 오른쪽 암 및 왼쪽 다리에 양극 단자가 부착되어 있다.
세 개의 단극 리드는 전위가 0인 오른쪽 다리에 부착된 전극을 기준으로 한 지점에서 전압 "V"를 측정한다.
단극 사지 유도 단자에 의해 감지된 전위는 그림 3에 나타낸 것처럼 증강되고 작은 'a'로 표시된다.
이러한 증강 리드는 "aVR: 오른쪽 암", "aVL: 왼쪽 암", "aVF: 왼쪽 다리"이며, 양극 단자는 각 다리에 부착되어 있습니다.
6개의 단극 전보선이 흉벽에 부착되어 있으며, V1-V6이라는 이름이 붙습니다.
기존의 심전도 유도 12개는 심장의 전기 활동에 대한 3차원 보기를 반영하는 것으로 간주할 수 있다 [8], [9].
B. 심전도 파형
서로 다른 심전도 파형의 이름은 P, QRS 및 T-U 파형이라고 하는 알파벳 순서로 지정됩니다.
그들의 모양, 진폭 및 시간 간격은 건강과 심장의 상태에 관한 중요한 정보를 제공한다.
P파는 심리적인 양극화 해소를 반영한다. (심방의 탈분극)
QRS 복합체는 심실 탈분극을 반영한다.
심실의 재분극은 T-U 파동에 의해 반영됩니다.
심전도계는 탈분극 전류가 각 리드의 양극으로 확산될 때마다 ECG 리드에 대해 양의 파형을 기록합니다.
반대로 전류가 극에서 멀리 퍼지는 경우에는 음파가 나타납니다.
C. 허혈 및 감염에서의 ECG의 형태학
다양한 심전도 이상을 설명하기 전에 아래 주어진 허혈 및 경색을 국소 화하기 위해 심전도 유도의 방향과 배치, 특히 사지 유도를 이해하는 것이 적절할 것이다.
- 리드 I과 VL, V5-V6은 심장의 측방 표면을 향합니다.
- 리드 II, III, VF는 심장의 하층부를 향한다.
- VR이 심장의 충치를 향하고 있으며 일반적으로 음의 탈분극 파동을 나타냅니다.
사전 심실(흉부) 리드와 관련하여 V1 및 V2는 우측 심실을 향합니다.
리드 V3과 V4는 심실 간 중격에 대해 전방으로 향한다.
V5 및 V6은 좌측 심실을 대동맥으로 향하며, 양극 단자는 흉벽에 별도로 부착됩니다.
MI는 대부분 심실을 포함하며, 그에 따른 QRS 이상도 ST-T 이상과 동반된다.
MI의 초기 단계에서는 ST 세그먼트 상승이 발생하며, 해당 리드에서의 Q파 및/또는 T파의 반전 등장으로 며칠 내에 안정된다.
ST 고도가 연속적으로 증가하는 것은 비 ST 고도 MI(NSTEMI)와 비교하여 의료 치료에 관한 한 중요하다.
심전도(ECG)의 중요성은 심근 허혈 및 MI 진단에서 잘 알려져 있습니다.
그러나 ECG 소견은 가변적입니다.
허혈은 심근 세포막의 전기적 특성에 영향을 미치고, 활동 전위를 짧게 하며, 허혈과 정상 부분 사이의 전위차를 초래한다.
이러한 부상 전류는 ST 세그먼트의 변화로 반영됩니다.
이러한 변경은 허혈 또는 MI의 심각도와 위치에 따라 달라집니다.
(다양한 리드를 통해 심장을 형태학적으로 파악함으로써 MI의 심각도와 위치를 파악)
부상의 전류는 허혈 또는 MI가 투과되는 경우에 대비하여 심장의 외부 표면으로 향합니다.
따라서, 이는 리드에서 ST 고도를 생성하고, 리드의 양극 단자가 심장의 영향을 받는 부분을 향하게 합니다.
이러한 리드가 ST 우울증을 나타내면 부상의 전류가 양극 단자에서 벗어나게 됩니다.
D. 부정맥의 유형
비정상적인 전기 자극은 심장 부정맥이라고 하는 불규칙한 심장 박동을 일으킵니다.
주로 두 가지 부류의 부정맥이 있습니다.
첫 번째 등급은 낮은 심박수 (분당 60 회 미만)를 동반하는 서맥 부정맥입니다.
두 번째 등급은 심박수가 분당 100 회 이상인 빈맥으로 두 가지 유형으로 더 나뉩니다.
첫 번째 유형은 AV 결절성 빈맥 및 AV 접합성 빈맥과 같은 심 실상 빈맥입니다.
두 번째 유형은 조기 심실 박동, 심실 빈맥 및 심실세동과 같은 심실 부정맥이라고 합니다.
네 가지 유형의 부정맥은 정상, 생명을 위협하지 않는 부정맥, 비정상적 및 생명을 위협하는 부정맥 [10]으로 분류할 수 있습니다.
AAMI (Association for Advancement of Medical Instrumentation)는 생명을 위협하지 않는 부정맥을 (N)-비 이소성, (S)-상심 실성 자궁외, (V)-혈관성 이소성, (F)-융합 및 (Q)-기타 미지.
IV. ECG 신호 분석 단계의 관련 작업
지난 20 년 동안 많은 연구자들이 ECG 신호 분석 프로세스의 각 단계에서 다른 실험을 수행했습니다.
이 기사에서는 ECG 신호 분석의 각 단계에 대한 방법과 접근 방식에 대한 철저한 검토를 제공합니다.
이 분야의 연구자들에게 관련 연구의 기여에 대한 더 많은 통찰력과 폭넓은 이해를 제공하기 위해 선택 기준 및 평가 지표 측면에서 그들의 작업을 비교합니다.
A. 1 단계 : 데이터 수집 소스 / 데이터 세트
특징 추출 및 / 또는 다양한 부정맥을 기반으로 한 비트 분류를 위한 ECG 신호 분석의 경우 데이터 세트 선택이 동기를 결정합니다.
ECG 신호와 함께 기록된 속성은 추출하거나 추가로 탐색할 특징을 결정하는 데 도움이 됩니다.
기록에 사용된 주석, 유형, 리드 번호 및 리드 수, 환자 수, 연령, 성별 및 환자의 건강 상태는 모두 분류를 위한 ECG 신호 분석 프로세스의 나머지 단계에 지침을 제공하는 속성입니다..
이 단계에서는 다양한 ECG 데이터 수집 소스를 스테이지 기반 모델에 대한 입력으로 다루며 데이터 소스 (데이터 수집 회로의 전자 장치가 아닌)에 특히 중점을 둡니다.
ECG 분석은 대부분 PC 기반 도구에서 수행되며 공개적으로 사용 가능한 데이터베이스에서 평가됩니다.
이러한 데이터베이스에는 기록된 ECG 신호에 대한 다양한 형태 학적 패턴이 포함되어 있습니다.
일부 데이터베이스는 원격 건강 모니터를 사용하여 특정 기록 조건에서 이러한 ECG 신호를 기록했습니다.
이러한 데이터베이스에 대한 ECG 기록 사양은 표 1에 요약되어 있습니다.
연구에 따르면 일부 경우 단일 리드 기록을 기반으로 하는 ECG 분류는 12 개의 리드 ECG 기록만큼 효과적 일 수 있습니다.
따라서 ESC-ST-T 데이터베이스는 단일 리드 (사지 리드)의 녹음을 포함하고 웨어러블 ECG 센서 및 장치의 성능을 평가하는 데 사용할 수 있으므로 연구원에게 인기가 있습니다.
Scopus에 따르면 CSE 데이터베이스는 두 번째로 많이 인용된 데이터베이스입니다.
B. 2 단계 : 노이즈 제거
ECG 분석 및 분류에는 기본 입력으로 사전 기록된 또는 실시간 ECG 신호가 필요합니다.
두 경우 모두 ECG 데이터 수집은 센서와 리드를 신체에 부착하여 이루어집니다.
ECG 신호 수집 중에 노이즈도 원래 신호와 함께 캡처되어 ECG의 품질과 분류에 큰 영향을 미칩니다.
노이즈 제거를 노이즈 제거라고 하며, 다른 이상을 정확하게 식별하기 위해 ECG 신호에서 노이즈를 제거하는 것이 연구자들의 가장 큰 관심사였습니다.
ECG 신호의 노이즈를 제거하는 기존 방법에는 샘플 엔트로피와 함께 대역 통과 필터 (0.05-45Hz)를 적용하여 품질을 확인하는 방법이 있습니다.
소음은 건강 상태를 평가하는 데 중요한 오경보를 유발할 수 있습니다.
노이즈는 어떤 형태로든 가능하지만 내부 임베디드 노이즈와 외부 노이즈의 두 가지 기본 형식으로 분류할 수 있습니다.
외부 소음은 전력선 소음 또는 기타 백색 소음 일 수 있습니다.
ECG 분석에서 노이즈는 일반적으로 데이터 소스에서 데이터를 수집한 후 제거됩니다.
잡음이 있는 신호를 청소하는 방법에는 여러 가지가 있습니다.
ECG 신호의 품질은 SSIM (Structural Similarity Matrix) [30]으로 확인하고 신호 대 잡음비 (SNR)와 같은 측정으로 평가할 수 있습니다.
ECG 노이즈 제거 단계에서 연구원이 보고한 다른 성능 메트릭에는 정확도 (acc), 평균 제곱 오차 (mse), 평균 제곱근 오차 (rsme) 또는 수렴률이 있습니다.
표 2에 요약된 바와 같이, FIR (Finite Impulse Response) 필터, ANF (Adaptive Notch Filter) 및 기타 필터 기반 접근 방식과 같은 다양한 필터가 최근 연구에서 ECG 신호에서 노이즈를 제거하기 위해 채택되었습니다.
케이블이 있는 기존 리드이든 무선 신체 센서이든 모든 장비는 그림 4와 같이 ECG 신호에 노이즈를 도입할 수 있습니다.
[25]의 저자는 FIR 필터를 사용하여 ECG 신호를 평활화하여 내부 노이즈를 제거하려고 시도했으며 99.3 % 의 정확도를 달성했습니다.
반면에 외부 PLI (Power-Line Interference)는 ECG 신호가 취약한 가장 방해가 되는 노이즈입니다.
PLI는 50-60Hz의 주파수 범위에서 중요한 노이즈 소스입니다.
State Space Recursive Least Square Adaptive Filter (SSRLS), ANF 및 FFT (Fast Fourier Transform) 전력선 간섭의 필터 기반 잡음 제거는 [26] – [28], [31]에 의해 수행되며 알려지지 않은 외부 방해는 [32]의 적응 제어 방식.
기타 외부 백색 잡음은 HDL (Hardware Descriptive Language) 기반 FIR (Finite Impulse Response) 필터와 NN 기반 DAE (Denoising Autoencoder) [22] – [24], [29]에 의해 제거될 수 있습니다.
C. 3 단계 : 기능 엔지니어링
ECG 분류는 파형에서 기준점을 올바르게 감지해야 합니다.
QRS 복합체는 심장의 심실 수축 활동을 반영하는 ECG 신호의 중요한 파동입니다.
그 모양은 다양한 특성을 자동으로 감지하는 기반을 제공하며, 이는 다양한 분류 방법의 시작점입니다.
QRS 복합 감지는 거의 모든 자동화된 ECG 분석 알고리즘의 기반을 제공합니다.
그러나 생리적 변동성과 ECG 신호에 다양한 노이즈 소스가 존재하기 때문에 정확한 QRS 감지에 어려움이 있습니다.
미분 기반 접근 방식은 저주파 잡음에 대해 더 높은 성능 지수를 갖는 반면 디지털 필터링 기반 알고리즘은 고주파 잡음에 대해 잘 수행되었습니다.
지난 10 년 동안 QRS 콤플렉스, ST- 세그먼트, R- 피크 및 기타 기준점을 감지하기 위해 피처 엔지니어링 (FE)에 대한 많은 전통적인 신호 처리 및 머신 러닝 접근 방식이 제안되었습니다.
다음 두 섹션에서는 보고 된 문헌에 게시된 이러한 접근 방식을 보여줍니다.
1) 전통적인 신호 처리 방식
QRS 콤플렉스는 ECG 신호의 중요한 부분이며, 그 감지는 다른 기준점을 감지하고 모든 종류의 다른 특징을 추출하는 데 가장 먼저 이루어집니다.
모든 QRS 감지기는 서로 다른 유형의 부정맥을 감지하기 위해 ECG 신호를 분류하는 데 도움이 되는 서로 다른 QRS 형태를 감지해야 합니다.
ECG 신호가 노이즈 제거 단계를 통과하면 깨끗하고 좋은 품질의 ECG 신호를 얻을 수 있습니다.
그런 다음 ECG 신호는 R-R 간격, ST- 세그먼트, J- 포인트 및 T- 파와 같은 기준 포인트가 감지되는 기능 엔지니어링 단계를 거칩니다.
그림 2는 두 주기 ECG에서 서로 다른 ECG 파와 R-R 간격 사이의 R- 피크와 함께 기준점을 보여줍니다. 또한 ST 세그먼트 변경 식별을 개선하기 위해 J- 포인트 및 심박수 기능은 ECG 비트 분류에 필수적인 역할을 하는 추가 특성입니다.
ST 세그먼트는 허혈성 질환에 대한 정보를 제공하는 ECG주기의 필수 부분입니다.
MI와 협심증은 ST 세그먼트의 변화와 이상을 초래하는 생명을 위협하는 상태입니다.
이 섹션에서는 QRS 복합체, ST 세그먼트 및 기타 기준점을 감지하는 문헌에 보고 된 다양한 방법과 기술을 제시합니다.
Wavelet Transform (WT)은 많은 연구자들이 ECG 신호의 다른 지점을 감지하기 위해 채택한 인기 있는 방법 중 하나입니다.
웨이블릿 변환은 신호를 분해하여 신호에 대한 시간 및 주파수 정보를 동시에 관찰할 수 있는 공간으로 변환합니다.
이 정보를 제공하는 Wigner 분포 및 푸리에 변환과 같은 다른 변환도 있지만 특정 부분이 연구에 필수적인 경우 WT와 시간 및 주파수 표현이 중요할 수 있습니다.
예를 들어 ECG의 QRS 콤플렉스는 이벤트 관련 정보를 제공할 수 있으며, 시간 간격을 알면 ECG 기준점을 식별하고 특징을 추출할 수 있습니다.
WT는 몇 가지 단점을 극복하고 STFT (Short Time Fourier Transform)의 대안으로 도입되었습니다.
계산 효율성이 있는 신호 분석과 관련하여 Discrete Wavelet Transform (DWT)은 더 적은 계산 시간으로 신호의 분석 및 합성을 위한 정보를 제공합니다.
DWT는 구현하기가 더 쉬우며 Croiser, Galand 및 Esteban이 시간 도메인 신호를 개별 표현으로 분해하는 기술을 고안 한 1976 년으로 거슬러 올라갑니다.
DWT는 시간 및 주파수 영역에서 신호를 나타냅니다.
이 변환은 ECG와 같은 생의학 신호를 분석하는 인기 있는 도구가 되었습니다.
DWT는 신호를 분해하여 ECG 신호를 다른 수준의 해상도로 변환합니다.
이 스케일링된 신호는 다른 필터를 사용하여 추가로 분석하여 다른 지점을 추출할 수 있습니다.
WT, DWT 및 CWT (Continuous Wavelet Transform), XWT (Cross Wavelet Transform) 등과 같은 기타 변형에 대한 자세한 내용은 [33]에 제공됩니다.
그럼에도 불구하고 WT는 방정식 1로 나타낼 수 있습니다. 여기서 *는 복합 켤레를 나타냅니다.
다양한 변환을 사용한 경험적 접근 기반 방법이 [34]–[37]에 QRS 검출 기법으로 제안되었다.
99.95%의 최고 감도는 [38]–[41]에 의해 제시된 DWT 기반 윈도 설정 방법을 통해 달성됩니다.
DWT 기반 윈도우 설정 방법과 관련하여 설명 알고리즘 [42]이 여러 데이터베이스에서 평가한 QRS, P 및 T파 검출을 99.84%의 감도로 능가했다.
[43]–[45]에 의해 윈도우 알고리즘에 의한 다른 기준점 검출이 제안되었다.
99%의 최고 정확도는 DWT 기반 윈도우 설정 방법과 비슷합니다.
시간 영역(TD)[46]–[48], 초대형 통합(VLSI)을 사용한 수학적 형태론(MM) [49]–[51], 가우스 필터 기반 통합 수학적 모델(SMM) 기반 [53] 및 파생 모델 기반 [54] 방법에 기반한 방법들이 99%의 최고 민감도를 보였다.
Karhunen-Love Transform(KLT)과 [55], [56]에 사용된 Legendre 다항식 기반 Transform(LPT)은 ST 세그먼트를 감지하는 데 유용했지만 민감도는 [34]보다 훨씬 낮습니다.
QRS 검출을 개선하려면 일반적으로 파형에 두 개 이상의 임계값이 필요합니다.
그러나 PT(Pasor Transform)는 진폭에 관계없이 R 피크를 감지하는 데 안정적으로 사용할 수 있습니다.
이는 ECG 신호에서 저 진폭 QRS 복합체를 감지하는 장점[57]입니다.
Dyadic Wavelet Transform(다이 나치 Wavelet Transform)이라고 불리는 수정된 Wavelet TransformWT)는 심전도 회전을 취하며 분석 중인 신호의 동적 시간 스케일 웨이블릿을 제공합니다.
DyWT는 해밀턴-톰 플린(HT) 알고리즘과 유사하며 그에 비해 두 가지 이점이 있다.
[58] 및 [59]의 저자가 Dy를 사용하였다. QRS 콤플렉스를 감지하기 위한 WT 및 다중 웨이블릿 변환이지만 평균 정확도 수준을 달성했습니다.
파생 기반 알고리즘 [54]과(와)의 QRS 복합 검출은 특징을 경험적으로 발견된 규칙에 의해 계산된 임계값과 비교한다.
QRS 복합 검출에 가장 높은 민감도를 가진 최선의 방법은 적응 임계값을 사용하는 다중 리드 영역 곡선 길이(ACL) 기반 DWT 및 FIR 필터를 기반으로 한 [39], [60]에 의해 제안되었으며, [34]는 MITDB의 동일한 데이터 세트에서 평가된 웨이블릿 변환을 사용하여 ST-세그먼트 검출에서 가장 높은 민감도를 달성했다.
표 3에는 보고된 민감도(sen), 특이도(sp), 양의 예측 값(ppv), F1-점수(F1), 평균 오차(er), 오차(err), 루트 평균 제곱 오차(rmse) 및 정확도(acc)의 성능 메트릭스를 사용하여 ECG 신호 기능을 추출하는 기존의 신호 처리 접근 방식의 목록이 나와 있습니다.
2) 기계 학습 접근법
심장의 다양한 불규칙한 상태는 서로 다른 부정맥으로 분류되며, 심전도 신호를 분석하면 부정맥의 각 유형에 대한 분류 과정을 안내할 수 있습니다.
훈련된 심장전문의가 육안 검사를 통해 ECG 신호를 분석하여 ECG 신호를 적절한 부정맥 클래스로 분류할 수 있습니다.
그러나, 이러한 전통적인 과정은 환자들이 가정이나 직장에서 증상을 경험하는 순간부터 응급실(ER)을 방문하고 의사가 심전도 기록을 하고 분석할 때까지 기다리는 시간까지 많은 시간이 걸린다.
허혈성 또는 MI 검출 과정의 이러한 지연은 건강에 매우 중요하며 더 빠른 방법이 개발될 경우 예방할 수 있다.
기술과 자동화가 증가하면서 수학 컴퓨팅과 인공 신경망을 통해 심전도 상태를 감지함으로써 이것을 가능하게 했다.
그러나 이러한 스마트 기술은 QRS 복합체가 ECG 신호의 중요한 형태이자 지배적인 특징인 기준점의 적절한 검출에 크게 의존한다.
심전도 신호에서 QRS 검출은 40년 이상 연구의 관심사였습니다.
GPU와 같은 최근의 고급 컴퓨팅 개발은 소프트웨어 기반 QRS 탐지 기술을 발전시켰습니다.
QRS 복합, ST 세그먼트 및 기타 기준점을 감지하기 위해 많은 인공지능(AI) 알고리즘이 제안되었다.
지난 20년 동안 심전도 기준점의 소프트웨어 감지 접근법이 하드웨어 감지기를 대체했다.
[61], [62], 12 유도 심전도 데이터와 99.93%의 단일 유도 심전도 데이터를 사용하여 99.79%의 최고의 감도를 달성한 [VMD], K-가장 가까운 이웃(KNN), Nauny Bayes(NB) 및 서포트 벡터 머신(SVM) 기반 접근 방식을 사용하여 QRS 복합체가 감지되었다.
반면에 ST 세그먼트와 그 변화는 의사 결정 트리[63]와 구글의 인셉션 기반 2-D 컨볼루션 신경 네트워크[CNN] [64]를 사용하여 감지되었지만, 앙상블 NN 기반 등전 위 감지기를 사용한 [41]에 비해 감도에서는 잘 수행되지 않았다.
이러한 서로 다른 방법은 민감도(sen), 특이도(sp), 양의 예측 값(ppv), F1 점수(F1), 오류(err), 루트 평균 제곱 오차(rmse) 및 정확도(acc)의 보고된 성능 메트릭과 함께 표 4에 요약되어 있다.
D. 4단계: 분류
ECG 신호를 획득하고 노이즈 필터링 및 형상 엔지니어링 단계를 통과한 후, ECG 신호 분석 프로세스의 마지막 단계는 관심 문제에 기초하여 검출된 기준점을 사용하여 ECG 신호를 다른 등급으로 분류합니다.
이 섹션에서는 ECG 신호를 분류하기 위해 문헌에 보고된 기존의 학습 방식과 기계 학습 방식을 모두 설명합니다.
1) 전통적인 심전도 분류 접근법
정상 및 비정상 비트의 심전도 비트 분류는 임계값 기반 기술에 의해 시도되었습니다 [67], [68].
수정된 Pan-Tompkins [70] 기반 적응 임계값 접근법이 [65]에 제시되었습니다.
또한 DWT는 [3]에 설명된 대로 PCA(Principle Component Analysis) 및 ICA(Independent Component Analysis)의 도움을 받아 ECG를 분류하는 데 사용됩니다.
그러나 다중 모델 의사 결정 학습(MDL) 알고리즘은 MIT-BIH 부정맥 데이터 세트에서 평가했을 때 심전도(ECG)를 정상 및 비정상(Normal)으로 분류할 때 100%의 감도를 더 잘 달성했다.
이러한 다른 방법은 표 5에 요약되어 있다.
2) 기계 학습 분류 접근법
인공지능과 기계학습은 컴퓨터의 지능적인 행동을 다루는 컴퓨터 과학의 한 분야이다.
그것은 컴퓨터가 다른 알고리즘의 도움으로 효율적인 데이터 표현을 배울 수 있게 하는 다른 방법들로 구성되어 있다.
AI는 예측 또는 분류에 사용되며, 다른 목표를 가진 감독되지 않거나 감독되지 않은 학습을 사용하여 수행될 수 있다.
비지도 학습은 기본 구조 발견에 초점을 맞추는 반면, 지도 학습은 '정상 대 비정상 리듬'과 같은 여러 범주의 분류를 포함한다.
지도 학습은 레이블이 지정되거나 구조화된 데이터가 있는 데이터 세트에 크게 의존합니다.
모든 예측 모형화에는 예측 변수라는 형상을 선택해야 합니다.
AI는 FE에서 매우 유용한 것으로 입증되었다.
ANN은 인간의 뇌에서 영감을 받은 기계 학습 모델이다.
그림 5에 표시된 NN은 입력 계층 뒤에 하나 이상의 숨겨진 계층과 출력 계층을 포함한 여러 계층으로 구성된다.
각 계층에는 뉴런이라고 불리는 여러 노드가 있는데, 이는 이전 계층 뉴런의 출력에 대한 가중치 합입니다.
이것이 각 레이어가 다음 레이어에 연결되는 방법입니다.
각 뉴런의 가중치 합계는 sigmoid, relu, TanH 또는 Softmax와 같은 활성화 함수를 통해 더 나아가 전달된다.
모델 및 목표에 따라 적절한 활성화 기능이 선택됩니다.
출력은 입력에서 마지막 레이어까지의 가중치 합계에 의해 계산되며, 이를 순방향 통과 또는 순방향 전파라고 한다.
그런 다음 예측된 출력과 레이블이 지정된 출력을 기준으로 오차가 계산됩니다.
그런 다음 각 가중치는 확률적 경사 하강법(SGD), 아담 등과 같은 다른 방법을 사용하여 오류를 줄이기 위해 업데이트된다.
이 프로세스를 백패스 또는 백프로포테이션이라고 합니다.
전진 및 역전파의 하나의 완전한 주기를 반복 또는 시대라고 한다.
에포크의 수는 오류의 수렴에 따라 달라지며 반복 실험 또는 휴리스틱으로 결정된다.
NN은 [113]에서 제시한 바와 같이 피드백 시스템에 사용할 경우 최적화될 수 있다.
본 연구에서는 알려진 AI-NN과 ECG 분석 및 다른 이상성의 분류를 위해 최근 문헌에 보고된 기법을 제시한다.
적응형 노이즈(CEEMDAN)[110] 및 다중 모듈 신경 네트워크 시스템[2]을 사용한 완전한 앙상블 경험적 모드 분해의 도움으로, ECG 신호 분석에서 다양한 유형의 부정맥을 정상 대 비정상(Normal 대 비정상)으로 분류하려는 시도가 있었으며, 앙상블 의사 결정 트리(DT)[108] 이온(PSO) 기반 Fast forward Neural Network(FFNN) [109]
서포트 벡터 머신(SVM)은 어느 정도 ANN과 유사하며 고차원 공간에서 하이퍼 플레인(hyperplane)을 생성한 다음 클래스를 선형으로 분리합니다.
따라서 SVM은 일반적으로 선형 분류기로 알려져 있습니다.
연구자들은 SVM [96], [98], [101], 순차 최소 최적화-SVM(SMO-SVM) [102], 다중 클래스 지원 벡터 머신(MSVM)/복합 지원 벡터 머신(CSVM)[104]을 사용하여 부정맥을 탐지했으며, 앙상블과 같은 다른 ML 방법과 함께 [97]
SVM은 선형 분류기이지만 심혈관 기능에서 비선형 관계를 포착할 수 있으며, 심전도(ECG)를 정상 대 비정상(Normal vs Normal) [99], [100], 다양한 하트비트(Heartbit) 검출과 같은 매우 정확한 예측을 할 수 있다.
그러나 고차원 공간에서는 어려울 수 있고 분할된 결과와 같은 비확률적 분류를 초래할 수 있다는 점에서 계산상 한계가 있다.
동위원소 회귀와 같은 다른 방법들이 이 문제를 극복했다.
CNN(Convolutional Neural Network)은 기계 학습의 한 분야이며 그림 6에 나타낸 것처럼 네트워크의 여러 레이어로 ANN에 대한 확장이다.
심장학과에 대한 그것의 적용은 20년 이상 전으로 거슬러 올라갑니다 [114], [115년]
심장학, 특히 심전도 분석에서 CNN은 부정맥[85], [87], ST-변화 감지 [86] 및 정상 대 비정상 [116] 분류와 같은 많은 응용 프로그램을 가지고 있다.
CNN에는 많은 변화가 있으며, 이 기사에는 잔류 CNN [88], 반복 신경망(RNN) 및 LSTM(Long-Short Term Memory) 네트워크[89], [92]–[95] 및 MI [91] 이벤트를 감지하기 위해 거의 언급되지 않았다.
딥러닝이라고도 하는 심층 신경망은 기계학습의 한 분과이며 또한 ANN과 CNN의 특수한 사례에 대한 확장으로 간주되고 있다.
그것은 데이터에서 복잡한 형상을 자동으로 학습하는 비선형 분류기로서 형상 공학의 최첨단 기술이 되고 있다.
특징에 대한 비선형 표현 학습은 매우 매력적이다.
GPU(Graphical Processing Unit) 기반 컴퓨팅의 가용성으로 인해 딥 러닝이 대두되고 있습니다.
생체 인식 인증, 물체 감지, 분류, 압축, 이미지 분류, 기타 컴퓨터 비전 관련 기술 분야 등 다양한 응용 분야를 보유하고 있다.
딥러닝은 심전도 부정맥 검출과 같은 심장학 분야에서 심층-CNN [71], [72], [74], [77], [79], [80], 견고한 심층 사전 언어(RDDL) [73], 제한된 볼츠만 기계와 [DB+RM][75]의 응용 가능성이 크다.
MI 검출은 딥-CNN [81]과 딥 뉴럴 네트워크[82]로 수행되고, 심장 박동 검출은 [83]에서 DNN에 의해 수행된다.
레쿤 등 다양한 신경망이 있다. [6] 심층 학습에 대한 자세한 소개를 제시했습니다.
의사 결정 트리 감지, 유전 알고리즘(GA), KNN 및 확률적 신경 네트워크(PNN)와 같은 다른 기계 학습 방법을 사용하여 각각 PCA와 선형 판별 분석(LDA) [4]를 사용하여 허혈성 [105], [106] 사건, MI [107] 및 부정맥을 탐지한다.
이러한 다른 방법들은 민감도(sen), 특이도(sp), 긍정적 예측값(ppv), F1-점수(F1), 오류(err), 루트 평균 제곱 오차(rmse) 및 정확도(acc)의 보고된 성능 메트릭과 함께 표 6에 요약되어 있다.
V. REAL-TIME MONITORING
생략
VI. RESEARCH TOOLS
생략
VII. 토론
전통적인 및 고급 알고리즘을 사용한 AI의 출현은 많은 실제 작업에서 수많은 개선을 가능하게 했다.
로지스틱 회귀 분석 예를 들어 보겠습니다.
예를 들어, 통계적 값과 계수의 추정에는 변수 간의 상관성과 독립적 관측치 같은 강력한 가정이 필요하며, 이 경우 통계적 추론이 모델의 성능을 방해할 수 있다.
AI 알고리즘은 예측과 분류를 개선하여 그러한 가정을 극복한다.
따라서 심장학에서는 다른 실시간 모니터링 시스템과 함께 AI 및 기계 학습의 이점을 얻을 수 있습니다.
전자 장치의 높은 컴퓨팅 기능과 모바일 연결은 스마트 및 웨어러블 장치와 지리적으로 독립적인 모바일 건강 기술의 급증을 가져왔다.
실시간 데이터 스트리밍은 의사 결정 지원 도구를 사용하여 임상 관리를 자동화된 방식으로 향상했습니다.
그러나 비용, 규제 표준 및 보안 프로토콜에 대한 프레임워크의 부족은 이러한 현대 기술의 실제 적용에서 큰 장애물이다.
의료 분야, 특히 심장학[163]에서 모바일 건강, 원격 건강, 실시간 모니터링 및 관리를 최대한 활용하기 위한 이러한 장벽을 극복하기 위한 노력이 필요합니다.
이 글에서는 심전도 분석 시 심전도 기준점의 자동 검출과 MI와 같은 관련 조건의 분류를 보여주기 위해 다양한 기법을 검토했다.
그러나 모든 연구가 동일한 리드 및/또는 데이터베이스를 사용하여 실험을 수행한 것은 아닙니다.
일부는 단일 유도 심전도[81], [164], [165]를 사용했으며, 다른 일부는 12 유도 [107], [166], [167]을 사용하여 심전도 모델과 분석을 도입했다.
또 다른 주요 과제는 일반적으로 모든 12개의 심전도 유도가 MI에 대한 ST-세그먼트 변경을 정확하게 식별하기 위해 필요하다는 것입니다.
이는 12 유도 심전도 대부분이 임상 설정에 사용되고 휴대용/마모 가능한 심전도 장치로 실시간 모니터링을 하기에는 불편하다.
단일 리드만 사용하여 다른 리드의 심전도 데이터를 나타내기 위해 매우 정확하고 시간에 의존하는 순차적 데이터 보간 방법이 필요할 수 있다.
본 연구의 기여를 더 잘 이해하기 위해, 우리는 해당 분야의 다른 관련 조사 논문과 비교하여 우리의 기여도를 나열한 비교 요약표(표 8)를 제시한다.
ECG는 잘 연구된 분야이며, 현재까지 많은 ECG 조사 논문이 발표되었다.
이 비교 요약에는 인용 횟수가 많은 평판이 좋은 ECG 설문지가 선택되었다.
각 조사 논문의 주요 포커스 영역이 비교표에 나열되어 있습니다.
표는 그림 1과 같이 ECG 신호 분석 프로세스 모델의 각 단계에서 ECG 데이터베이스, 실시간 모니터링 및 연구 도구에 관한 더 많은 수의 논문을 본 연구가 전체적으로 검토했음을 명확히 보여준다.
이 설문조사는 또한 보고된 다른 조사 및 검토 논문과 관련하여 비교 연구에 포함된 보다 집중적인 영역과 성과 지표 측면에서 다른 것들 사이에서 두드러진다. 단계 기반 모델의 구조에서 ECG 신호 분석 기법을 종합적으로 검토함으로써 ECG 분석을 위한 연구 도구에 대한 상세한 연구와 과제/한계의 상세한 논의와 함께 실시간 ECG 모니터링 시스템에 대한 연구가 본 조사 논문의 주요 기여 사항 중 하나이다.
이 조사는 신생 및 경험 있는 연구자가 이 경쟁 분야에서 초기 또는 더 나아가 계속 진행할 수 있는 단계 기반 심전도 신호 분석 프로세스 모델에서 심전도 연구 방법을 조명한다.
정확도와 f1 점수와 같은 성능 지표는 ECG 분석 시스템의 효율성을 평가하는 잘 알려진 척도 중 하나이다.
반면에, 시스템 엔지니어링과 시스템 역학은 더 넓은 맥락에서 ECG 분석 시스템의 효과를 평가하기 위한 다른 정량적 및 정성적 접근법입니다 [168].
이러한 접근 방식에서 비선형 피드백 관계 모델이 설계되어 ECG 시스템의 장치 및 분석 알고리즘 요소 외에도 다른 사회적 (환자 치료 및 웰빙), 환경 (녹색 자원 및 에너지) 및 경제적 (비용) 요소가 작용합니다. ECG 분석 시스템의 전반적인 효과를 결정하는 데 중요한 역할을 합니다.
VIII. 한계
수많은 아이디어를 비교 및 대조한 ECG 신호 분석 분야에서 기존 논문의 많은 부분을 주의 깊게 검토한 후, 기존의 신호 처리 접근법이 최근의 심층 및 기계 학습 접근법만큼 정확하지 않을 수 있음을 관찰할 수 있다.
반면에, 딥/머신 학습 접근법은 일반적으로 계산 복잡성이 더 높기 때문에 작동하려면 더 높은 비용 처리기가 필요할 것이다.
다양한 ECG 연구의 주요 한계는 성능 메트릭(예: 정확도와 f1 점수 등) 및 시간 및 계산 복잡성(일반적으로 빅 O 주석에 보고됨) 측면에서 정량적으로 확인할 수 있다.
이러한 제한사항에 대한 해결책은 설계 절차의 절충과 기술 앙상블의 채택을 포함한다.
기타 제한 사항으로는 ECG 리드, 데이터베이스, ECG 분석 플랫폼, 통합 성능 메트릭 및 보안 프로토콜의 수에 대한 글로벌 통합 규제 표준화의 결여에 대한 우려가 있다.
이 포괄적인 문헌 연구는 심전도 신호 분석에 관한 방대한 연구 본체를 발견하지만, 이 경쟁적 연구 분야에서도 특정한 도전과 불안을 드러낸다.
장치/데이터 세트 간 ECG 신호 분포가 일관되지 않은 것은 물론 서로 다른 기법의 성능을 보고하는 데 사용되는 통일된 지표의 부족이 가장 큰 관심사 중 하나이다.
의료 및 연구 설정에 사용되는 ECG 장치의 다양성으로 인해 ECG 데이터의 분포가 변화하므로, 한 개의 ECG 분석 기법이 실제로 다르게 캡처된 ECG 데이터에 적합하지 않다.
일반적으로 딥/머신 학습 기법은 높은 분산을 방지하기 위해 훈련에 사용되는 개발 세트가 시험 세트의 동일한 분포로부터 와야 한다.
따라서 데이터 분포에서 결과의 정량화에 이르기까지 ECG 신호 분석을 위한 통일된 표준 또는 공통 접지의 프레임워크가 필요하다. 여기서 휴대용 및 웨어러블 ECG 장치를 개발하는 연구원 및/또는 업계가 아이디어와 결과를 서로 비교하고 거기서부터 더 나은 결과를 얻기 위해 구축해야 한다. 심전도 신호 분류의 성능. 이러한 프레임워크 또는 표준의 인가 또는 인증에 따라 실시간 심전도 원격 상태 및 조기 치료를 개선할 수 있다.
더욱이, 특히 교육 및 연구 목적을 위한 의과대학뿐만 아니라 심장 수술 환경에서 요구되는 심전도 신호로부터 심장 기능의 생물학적 데이터 증가는 그러한 통일된 표준으로부터 상당한 이익을 얻을 수 있다.
본 조사 논문의 맥락에서, 문헌에 존재하는 ECG 연구의 방대한 본문과 함께 일부만 검토되었다는 사실이 추가 제한에 포함된다.
우리는 심전도 연구의 신체 대부분의 부분과 광범위한 심전도 분석 문헌에 대한 종합적인 검토를 제공하기 위해 최선의 노력을 다했지만, 심전도 신호를 더 검토하고 검증할 수 있는 더 많은 방법과 기술이 있다.
본 연구의 기여와 장점을 비교하기 위한 관련 조사 논문(표 8)의 선정은 매우 평판이 좋은 다른 조사 논문으로 구성된다.
그러나, 우리는 그들이 보고한 것을 위해 이러한 작업의 무결성에 의존한다.
다른 관련 작업에 보고된 결과를 확인하는 것은 본 설문 조사의 범위를 벗어난다.
IX. 결론 및 향후 작업
심전도(ECG)는 중요한 도구이며 심장 기능의 이상을 진단하는 데 사용할 수 있습니다.
MI의 조기 진단은 생명을 구할 수 있고 어려운 과제이지만 CAD 및 기계 학습 기법을 사용하면 심전도 분석 및 분류를 통해 MI의 자동 진단을 달성할 수 있다.
이 글은 ECG 신호 분석의 모든 단계, 특히 ECG 분류 작업에 사용되는 다양한 기존 및 기계 학습 방법에 대한 포괄적인 검토를 제시했다.
R-피크 및 QRS 복합체와 같은 심전도 기준점을 감지하기 위한 자동화된 기계 학습 기법이 제시되었다.
딥러닝 기법은 최근 발표된 연구에서 보다 효율적인 감지 및 분류 결과를 보여준다.
이 글에서는 ECG 신호 분석을 위한 단계 기반 모델을 소개했는데, 이 모델에서는 ECG 문헌의 대부분을 제시된 모델의 하나 이상의 단계로 분류할 수 있다.
본 조사 논문에서 연구자들은 ECG 신호가 다른 단계/프로세스를 어떻게 거치는지와 데이터 획득의 관점에서 각 단계에 포함되는 것, ECG 신호 분석의 각 단계와 관련된 방법/기법과 알고리즘에 대한 통찰력을 가지고 ECG 연구 문헌의 거대한 말뭉치로 보내진다.
또한 이 분야의 연구를 위한 다양한 소프트웨어 및 하드웨어 툴이 간략하게 설명되었습니다.
또한 주요 과제와 한계가 논의되었으며 향후 연구를 위한 제안도 제공되었다.
우리는 최근 문헌에 발표된 심전도 분석을 위한 다양한 딥러닝 방법을 표 형식으로 요약했다.
우리의 조사를 통해, 대부분의 연구자들은 1차원 심전도 데이터를 기반으로 심전도 분석 및 분류 방법을 평가하기 위해 MITDB를 사용해 왔다.
그러나, 조사 문헌에서 ECG의 2-D 이미지 기반 분류에는 거의 주의를 기울이지 않는다. 이 영역에서 최근 발표된 예비 연구[116]를 토대로, 우리는 심전도 비트의 여러 클래스를 구별하기 위해 2-D 이미지 기반 심전도 분류를 위한 심층 CNN을 추가로 탐색할 계획이다.
