Deep Neural Network Architectures for Electrocardiogram Classification: A Comprehensive Evaluation

1. 연구 배경 및 문제 정의 (Problem)

• 심혈관 질환의 심각성: 심혈관 질환은 전 세계 사망 원인 1 위이며, 심전도 (ECG) 는 비침습적 진단의 핵심 도구입니다.
• 기존 방법의 한계: 수동 ECG 해석은 시간이 많이 소요되고 판독자 간 편차 (inter-observer variability) 가 크며, 24 시간 홀터 기록과 같은 대규모 모니터링에는 비실용적입니다.
• 심층 학습의 과제:
  • 기존 연구들은 종종 일관되지 않은 실험 환경에서 개별 모델을 평가하여 공정한 비교가 어렵습니다.
  • 데이터 불균형 (Class Imbalance): 희귀한 부정맥 (소수 클래스) 의 데이터 부족으로 인해 모델이 주류 클래스 (정상 심박동) 에 편향되어 민감도가 떨어지는 문제가 발생합니다.
  • 아키텍처 선택의 불명확성: CNN, RNN(LSTM), 어텐션 메커니즘, ResNet 등 다양한 구조가 제안되었으나, ECG 신호의 국소적 형태 (morphology) 와 장기적 시간 의존성 (temporal dependency) 을 어떻게 가장 효과적으로 결합할지에 대한 체계적인 벤치마킹이 부족했습니다.

2. 방법론 (Methodology)

가. 데이터 전처리 및 증강 (Data Preprocessing & Augmentation)

• 데이터셋: MIT-BIH 부정맥 데이터베이스 (47 명의 48 개 기록, MLII 리드 사용) 를 사용했습니다.
• 클래스 매핑: 5 가지 임상적으로 중요한 리듬으로 분류했습니다.
  1. 정상 (N): 정상, 좌/우 다발 차단 포함.
  2. 심방 조기 수축 (A).
  3. 심실 조기 수축 (V).
  4. 심박조율기 및 정상 융합 (f).
  5. 심실 및 정상 융합 (F).
• GAN 기반 데이터 증강: 소수 클래스 (A, V 등) 의 데이터 불균형을 해결하기 위해 **시퀀스 인식형 GAN(Sequence-aware GAN)**을 개발했습니다.
  • 생성자 (Generator) 와 판별자 (Discriminator) 모두 양방향 LSTM 을 사용하여 ECG 파형의 시간적 연속성과 생리학적 충실도 (fidelity) 를 유지하면서 합성 데이터를 생성했습니다.
  • 이를 통해 소수 클래스의 샘플 수를 균형을 맞추고 모델의 과적합을 방지했습니다.

나. 비교 대상 모델 아키텍처 (Model Architectures)

네 가지 심층 신경망 구조를 동일한 조건에서 평가했습니다.

1. CNN (Convolutional Neural Network): 1D 컨볼루션을 통해 ECG 파형의 **국소적 형태적 특징 (QRS, P 파 등)**을 추출합니다.
2. CNN-LSTM: CNN 의 특징 추출 능력에 양방향 LSTM 을 결합하여 **심박동 간의 장기적 시간 의존성 (temporal dependencies)**을 모델링합니다.
3. CNN-LSTM-Attention: LSTM 출력에 어텐션 메커니즘을 추가하여 진단적으로 중요한 시간 구간을 동적으로 강조하고 해석 가능성 (interpretability) 을 높입니다.
4. ResNet-1D: 잔차 연결 (Residual Connection) 을 사용하여 깊은 네트워크에서도 안정적인 그래디언트 전파와 계층적 특징 학습을 가능하게 합니다.

다. 앙상블 전략 (Ensemble Learning)

개별 모델의 한계를 보완하기 위해 Late-fusion(후기 융합) 앙상블 전략을 적용했습니다.

• 방식: 각 모델의 출력 로짓 (logits) 을 가중 평균하여 최종 예측을 수행합니다.
• 전략:
  • All-Equal-Weight (전체 모델 균등 가중치)
  • Top3-Equal-Weight (성능 상위 3 개 모델 균등)
  • Top2-Equal-Weight (성능 상위 2 개 모델 균등)
  • Top2-Weighted: 검증 세트의 F1 점수에 비례하여 가중치를 부여한 방식 (CNN 과 CNN-LSTM 조합).

라. 학습 설정 및 평가 지표

• 손실 함수: 클래스 불균형 해결을 위해 Focal Loss 사용.
• 옵티마이저: 일반화 성능 향상을 위한 AdamW 사용.
• 학습률 스케줄러: ReduceLROnPlateau 사용.
• 평가 지표: 정확도 (Accuracy), 정밀도 (Precision), 재현율 (Recall), F1 점수, AUC, 95% 신뢰 구간 (CI).
• 해석 가능성: Grad-CAM을 사용하여 모델이 ECG 신호의 어떤 부분 (QRS, ST-T 등) 에 주의를 기울이는지 시각화했습니다.

3. 주요 기여 (Key Contributions)

1. GAN 기반 데이터 증강: 생리학적 파형의 충실도를 유지하면서 소수 부정맥 클래스의 불균형을 해결하는 시퀀스 인식형 GAN 프레임워크를 제시했습니다.
2. 포괄적 비교 평가: 동일한 데이터 전처리 및 학습 조건 하에서 CNN, CNN-LSTM, 어텐션, ResNet 등 4 가지 주요 아키텍처를 체계적으로 비교 분석했습니다.
3. 앙상블 융합 설계: 균등 가중치와 성능 기반 가중치 전략을 도입하여 모델의 강건성 (robustness) 과 소수 클래스 민감도를 향상시켰습니다.
4. 실증적 발견: 시간적 모델링 (LSTM) 과 앙상블 융합의 결합이 단일 모델보다 우월한 성능을 보임을 입증했습니다.

4. 실험 결과 (Results)

가. 개별 모델 성능

• CNN-LSTM: 가장 균형 잡힌 성능을 보였습니다. 재현율 (Recall) 과 정밀도 (Precision) 의 균형이 가장 좋았으며 (F1 점수 0.951), 학습 안정성과 일반화 성능이 가장 우수했습니다.
• CNN: 국소적 형태 특징 추출에 강점이 있어 A 형 (심방 조기 수축) 에 대한 재현율이 높았으나, 장기적 시간 의존성 모델링 부족으로 전체적인 일반화에는 한계가 있었습니다.
• CNN-LSTM-Attention & ResNet-1D: 소수 클래스 (특히 A 형) 에서 성능이 급격히 저하되는 경향을 보였습니다. 어텐션 메커니즘은 데이터 불균형 하에서 오히려 편향을 증폭시켰으며, ResNet 은 깊은 구조로 인해 과적합 및 불안정한 수렴을 보였습니다.

나. 앙상블 모델 성능

• Top2-Weighted Ensemble (최고 성능): CNN 과 CNN-LSTM 의 성능 기반 가중치 융합 모델이 최종 F1 점수 0.958을 기록하여 모든 모델 중 최고 성능을 달성했습니다.
  • 정밀도: 0.986
  • 재현율: 0.934
  • 이 모델은 소수 부정맥의 탐지 민감도를 높이면서도 전체적인 분류 안정성을 유지했습니다.

다. 해석 가능성 (Grad-CAM)

• CNN-LSTM 모델은 정상 심박동에서는 QRS 복합체에 집중하고, 비정상 심박동에서는 ST-T 구간 등 병리학적 변화가 있는 영역으로 주의를 확장하는 등 생리학적 의미 있는 영역을 학습하고 있음을 확인했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 시스템적 벤치마킹: ECG 분류를 위한 다양한 심층 신경망 아키텍처의 장단점을 명확히 규명하여, 향후 연구의 기준점 (Benchmark) 을 제공했습니다.
• 임상적 신뢰성: 시간적 모델링 (LSTM) 과 앙상블 학습의 결합이 소수 클래스에 대한 편향을 줄이고, 해석 가능한 진단을 가능하게 하여 지능형 부정맥 탐지 시스템의 신뢰성을 크게 향상시켰습니다.
• 향후 과제: 희귀 부정맥 샘플의 추가 증강, 적응형 어텐션 메커니즘 개발, 실시간 모니터링을 위한 경량화 아키텍처 설계, 그리고 임상 의사결정 지원 시스템 (CDSS) 과의 통합이 향후 연구 방향입니다.

핵심 요약: 본 연구는 MIT-BIH 데이터셋을 기반으로 GAN 을 활용한 데이터 불균형 해결과 4 가지 심층 학습 모델의 체계적 비교를 수행했습니다. 그 결과, **CNN 과 CNN-LSTM 을 성능 가중치로 융합한 앙상블 모델 (Top2-Weighted)**이 가장 높은 F1 점수 (0.958) 를 기록하며, 심전도 자동 분류에 있어 시간적 모델링과 앙상블 전략의 결합이 가장 효과적임을 증명했습니다.