CRUNet: 최적의 특징 추출 조합을 적용한 단일-리드 심전도 데이터 기반 수면 무호흡 분류 모델 (CRUNet: A Sleep Apnea Classification Model Utilizing Single-Lead Electrocardiogram Data with Optimal Feature Extraction Combination)

서지정보

· 발행기관 : 한국정보과학회
· 수록지 정보 : 정보과학회 컴퓨팅의 실제 논문지 / 30권 / 5호 / 228 ~ 235페이지
· 저자명 : 박예진, 서영균, 김지영

초록

수면 무호흡(Sleep Apnea) 진단은 비용과 시간이 많이 소요되는 수면다원검사(PSG)로 진행된다. 최근에는 단일 리드 심전도 (ECG) 데이터와 같이 더 쉽게 수집할 수 있는 생체신호를 사용하여 수면 무호흡 진단을 위한 효과적이고 경제적인 대안을 모색하는 데 많은 연구가 진행되고 있다. 지금까지 다양한 모델이 제안되어 왔으나 수면 무호흡 분류 성능의 개선은 크게 이루어지지 못하였고 이러한 모델들에 대한 최적화 연구는 여전히 부족한 실정이다. 본 논문은 수면 무호흡 분류 성능을 더 개선하기 위해 단일-리드 심전도 데이터에 대한 최적의 특징 추출 방법을 탐색하고 이를 적용한 새로운 딥러닝 모델인 CRUNet을 제안한다. 제안하는 CRUNet모델은 합성곱 신경망(CNN)과 게이트 순환 유닛(GRU)을 기반으로 구축되어 데이터 특징 파악과 시계열 데이터 변화 파악에 뛰어나다는 특징을 갖는다. 우리는 실제 데이터셋을 이용하여 제안하는 CRUNet 모델을 비롯한 유사 모델에 다양한 특징 추출 조합을 실험하여, 신호의 노이즈를 감소시키고 모델이 핵심적인 신호만을 사용하도록 한다. 이를 적용하여 수면 무호흡 분류 성능을 개선하였다. 그 결과 최고 정확도 90.6%, 민감도 91%, 특이도 94%를 기록하며 수면 무호흡 분류에서 효과적으로 작동함을 입증하였다. 해당 결과는 GRU의 간단한 구조와 특징 추출 시 사용한 버터월스 대역 통과 필터의 부드러운 감쇠 특성이 모델에 상호 보완적으로 작용하여 최적의 성능을 도출했음을 시사한다. 본 논문의 실험 결과는 수면 무호흡 분류 모델을 개선하는 중요한 통찰력을 제공하며, 향후 수면 무호흡 환자의 사전 선별도구로 발전할 수 있다.

영어초록

The diagnosis of sleep apnea is typically done through polysomnography (PSG), which is both costly and time-consuming. Recent research has focused on exploring more effective and economical alternatives for diagnosing sleep apnea using readily available biosignals such as single-lead electrocardiogram (ECG) data. Several models have been proposed so far, but they have not significantly improved the classification performance of sleep apnea, and research on optimizing these models is still lacking. This paper aims to explore the optimal feature extraction method for single-lead ECG data in order to further enhance the classification performance of sleep apnea. We also introduce a new deep learning model called CRUNet, which is built based on Convolutional Neural Networks (CNNs) and Gated Recurrent Units (GRUs). This model demonstrates excellent capabilities in feature extraction and capturing temporal changes in data. We conducted experiments using real datasets to test various combinations of feature extraction on the CRUNet model, as well as similar models. Our goal was to reduce signal noise and enable the model to utilize only the most significant signals. By applying this method, we were able to improve the classification performance for sleep apnea. As a result, we achieved an accuracy rate of 90.6%, sensitivity of 91%, and specificity of 94% at best, thus proving the effectiveness of our model in sleep apnea classification. Our experiments provide valuable insights into enhancing sleep apnea classification models and this research could potentially lead to the development of a pre-screening tool for sleep apnea patients in the future.

참고자료

· 없음