Wavelet-Domain Multi-Representation and Ensemble Learning for Automated ECG Analysis

본 논문은 PTB-XL 데이터셋을 활용하여 연속 웨이블릿 변환으로 생성된 시간 - 주파수 표현과 시간 표현을 앙상블 학습으로 융합하고 가중 포커스 손실 함수를 적용함으로써 12 리드 ECG 신호의 자동 분류 정확도를 0.9233 의 AUC 로 향상시킨 다중 표현 및 앙상블 학습 기반의 심전도 분석 기법을 제안합니다.

핵심

이 논문은 심장 건강을 진단하는 '심전도 (ECG)' 신호를 인공지능 (AI) 으로 더 정확하게 분석하는 방법을 연구한 내용입니다.

기존의 AI 는 심전도 파형을 '시간'만 보고 분석했지만, 이 연구는 소리의 높낮이 (주파수) 와 위상 (모양) 을 함께 보는 새로운 안경을 개발했습니다.

이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

---

🎵 1. 문제: 심장의 노래를 듣는 방법

심장 질환을 진단할 때 의사는 심전도 그래프를 봅니다. 이는 마치 심장이 부르는 노래를 보는 것과 같습니다.

• 기존 방법 (시간 영역): AI 는 이 노래를 '시간의 흐름'만 따라가며 들었습니다. "이 부분은 빠르고, 저 부분은 느리네"라고만 파악했습니다. 하지만 숨겨진 병변은 시간만으로는 잘 보이지 않을 때가 많습니다.
• 이 연구의 아이디어: 노래를 들을 때 **주파수 (음의 높이)**와 **위상 (소리의 울림)**까지 함께 분석하면 훨씬 더 정확한 소리를 들을 수 있습니다.

🔍 2. 해결책: '스케일로그램'과 '파사로그램' 안경

연구팀은 심전도 신호를 **CWT(연속 웨이블릿 변환)**라는 기술을 통해 두 가지 특별한 이미지로 변환했습니다.

1. 스케일로그램 (Scalogram) = '에너지 지도'
   • 비유: 노래를 들을 때 **"어떤 음이 얼마나 강하게 들리는지"**를 보여주는 스펙트럼 그래프입니다. 마치 노래의 에너지가 어디에 집중되어 있는지를 붉은색으로 표시한 지도 같아요.
2. 파사로그램 (Phasogram) = '위상 지도'
   • 비유: 소리가 어떤 순서와 모양으로 움직이는지를 보여주는 지도입니다. 에너지의 강도뿐만 아니라 소리의 흐름과 패턴을 잡아냅니다.

이 두 가지는 서로 다른 정보를 담고 있어서, 하나만 보는 것보다 둘을 함께 보면 심장의 이상을 훨씬 더 잘 찾아낼 수 있습니다.

🧩 3. AI 의 학습 전략: 혼자 vs 함께

연구팀은 이 두 가지 지도를 AI 에게 어떻게 가르칠지 두 가지 방법을 실험했습니다.

• 후기 융합 (Late Fusion): "각자 공부해서 합치기"
  • AI 가 스케일로그램만 보는 팀과 파사로그램만 보는 팀으로 나뉘어 따로 공부합니다. 그리고 마지막에 두 팀의 의견을 모아 "우리 생각은 이렇다"라고 결론을 내립니다.
• 초기 융합 (Early Fusion): "한 팀이 함께 공부하기" (성공!)
  • 두 가지 지도를 한 장의 큰 지도처럼 합쳐서 AI 가 한 번에 모두 공부하게 합니다.
  • 결과: 이 방법이 더 좋았습니다. 마치 음악 이론 (에너지) 과 악보의 흐름 (위상) 을 동시에 배운 음악가가 더 훌륭한 연주를 하듯, AI 도 두 정보를 동시에 학습할 때 병변을 더 잘 찾아냈습니다.

🏆 4. 최고의 조합: "엔semble (앙상블)"

이 연구에서 가장 뛰어난 성능을 낸 방법은 바로 세 명의 전문가를 한 팀으로 모은 것입니다.

1. 기존 전문가: 원래 심전도 파형 (시간만 본 것) 을 잘 분석하는 AI.
2. 에너지 전문가: 스케일로그램을 분석하는 최신 AI (하이브리드 모델).
3. 위상 전문가: 파사로그램을 분석하는 AI.

이 세 AI 가 서로의 의견을 종합하여 최종 진단을 내렸습니다. 그 결과, 92.38% 의 정확도를 기록하며 기존 어떤 방법보다도 뛰어난 성과를 냈습니다.

💡 5. 왜 중요한가요? (결론)

• 더 정확한 진단: 심장의 미세한 이상도 놓치지 않고 찾아낼 수 있습니다.
• 빠른 처리: 이 기술은 실시간으로 심전도를 분석해도 될 만큼 빠릅니다 (약 22 밀리초).
• 미래: 앞으로는 데이터가 부족할 때 AI 가 스스로 심전도 데이터를 만들어내거나 (데이터 증강), 더 적은 전극으로도 진단할 수 있도록 발전시킬 계획입니다.

한 줄 요약:

"심장의 소리를 시간뿐만 아니라 에너지와 흐름의 지도로 변환해서 AI 가 함께 분석하게 하니, 심장병 진단의 정확도가 비약적으로 상승했습니다!"

기술 요약

논문 요약: 웨이블릿 도메인 다중 표현 및 앙상블 학습을 활용한 자동 심전도 (ECG) 분석

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 심혈관 질환 (CVD) 은 전 세계적 사망 원인 1 위이며, 심전도 (ECG) 는 비침습적 진단의 핵심 도구입니다. 그러나 수동 해석은 시간이 많이 소요되고 전문가 간 편차가 존재합니다.
• 현황: 최근 딥러닝 (CNN, RNN 등) 을 이용한 자동 분류 연구가 활발하지만, 대부분의 모델은 **시간 영역 (Time-domain)**의 파형만 사용합니다. 이는 ECG 의 병리적 패턴을 특징짓는 시간 - 주파수 (Time-Frequency) 정보를 간과한다는 한계가 있습니다.
• 문제점: PTB-XL 과 같은 대규모 데이터셋을 활용하더라도, 스칼로그램 (Scalogram, 진폭) 과 페이저그램 (Phasogram, 위상) 을 결합한 다중 표현 (Multi-representation) 을 활용한 다중 클래스 - 다중 레이블 (Multi-class Multi-label) 분류 연구는 부족합니다. 또한, 데이터 불균형으로 인한 소수 클래스의 낮은 분류 성능 문제도 해결해야 할 과제입니다.

2. 제안된 방법론 (Methodology)

이 연구는 PTB-XL 데이터셋 (21,837 개 12-리드 ECG 기록) 을 기반으로 한 웨이블릿 기반 다중 표현 프레임워크를 제안합니다.

가. 데이터 전처리 및 표현 (Data Preprocessing & Representation)

• 데이터: 10 초 길이, 500Hz/100Hz 샘플링된 12-리드 ECG.
• 전처리:
  • 대역 통과 필터링: 0.05~47Hz 대역으로 노이즈 제거 및 베이스라인 웨이더 제거.
  • Z-score 표준화: 각 리드별 평균 0, 분산 1 로 정규화.
• 연속 웨이블릿 변환 (CWT):
  • Morlet 웨이블릿을 사용하여 시간 - 주파수 영역 변환 수행.
  • 스칼로그램 (Scalogram): CWT 계수의 크기 (진폭) 를 기반으로 한 에너지 분포 이미지.
  • 페이저그램 (Phasogram): CWT 계수의 위상 (Phase) 분포 이미지.
  • 두 이미지 모두 224x224 픽셀 크기로 리사이징되어 모델 입력으로 사용됨.

나. 모델 아키텍처 및 전략 (Model Architectures & Strategies)
연구는 세 가지 주요 도메인과 결합 전략을 실험합니다.

1. 시간 영역 (Raw Signals):
   • XResNet1d101: 1D 시퀀스 데이터에 특화된 ResNet 변형 모델을 베이스라인으로 사용.
2. 시간 - 주파수 도메인 (Scalogram & Phasogram):
   • 커스텀 CNN: 12 채널 입력을 처리하는 CWT2DCNN.
   • 전이 학습 (Transfer Learning): Swin Transformer, ResNet50, EfficientNetB0 등 사전 학습된 이미지 모델 미세 조정 (1x1 컨볼루션으로 12 채널을 3 채널로 매핑).
   • 하이브리드 모델: CNN 과 Swin Transformer 를 결합한 구조.
3. 융합 전략 (Fusion Strategies):
   • 조기 융합 (Early Fusion): 스칼로그램과 페이저그램을 채널 단위로 연결 (24 채널) 하여 단일 네트워크가 공동 학습.
   • 후기 융합 (Late Fusion): 각 모달리티별 독립적인 인코더 학습 후, 출력 로짓 (Logits) 을 가중 평균하여 결합.
4. 앙상블 및 손실 함수:
   • 가중 Focal Loss: 클래스 불균형 (특히 소수 클래스) 을 해결하기 위해 클래스별 가중치를 적용한 Focal Loss 사용.
   • 앙상블 학습: 시간 영역 모델 (XResNet1d101) 과 최적의 시간 - 주파수 융합 모델들을 결합하여 최종 예측 수행.

3. 주요 실험 결과 (Results)

PTB-XL 데이터셋의 5 가지 진단 슈퍼 클래스 (Normal, MI, ST/T Change, Conduction Disturbance, Hypertrophy) 분류 성능을 평가했습니다.

• 성능 지표: Macro AUC, F1-score, Fβ (β=2).
• 단일 모달리티 성능:
  • 시간 영역 (Raw) 모델인 XResNet1d101 이 AUC 0.9224로 가장 높은 단일 모델 성능을 보임.
  • 시간 - 주파수 도메인에서는 하이브리드 Swin Transformer가 스칼로그램과 페이저그램 모두에서 가장 우수한 성능을 보임 (Scalogram: 0.8819, Phasogram: 0.8712).
• 융합 전략 비교:
  • **조기 융합 (Early Fusion)**이 후기 융합 (Late Fusion) 보다 약간 더 우수한 성능을 보임 (하이브리드 Swin 기준: 조기 0.9018 vs 후기 0.8839). 이는 위상과 진폭 정보를 동시에 학습하는 것이 유리함을 시사.
• 최종 최적 성능 (Ensemble):
  • 가중 Focal Loss를 적용하고, 시간 영역 모델 (XResNet1d101) 과 조기 융합 하이브리드 모델 (Swin, ResNet50) 을 앙상블한 결과가 AUC 0.9238로 전체 최고 성능을 기록함.
  • 이는 단일 시간 영역 모델 (0.9224) 보다도 미세하게 향상된 결과입니다.
• 추론 시간:
  • 시간 영역 모델: 1.4ms/샘플.
  • 앙상블 모델: 22.3ms/샘플. (실시간 적용 가능성 있음).

4. 주요 기여 (Key Contributions)

1. 다중 표현 프레임워크 제안: PTB-XL 데이터셋에서 스칼로그램 (진폭) 과 페이저그램 (위상) 을 결합한 최초의 딥러닝 기반 다중 클래스 - 다중 레이블 분류 연구 중 하나.
2. 융합 전략의 유효성 입증: 시간 - 주파수 정보 (CWT) 와 시간 영역 정보를 결합한 앙상블 학습이 단일 모달리티보다 우월한 일반화 성능을 보임을 증명.
3. 불균형 데이터 해결: 가중 Focal Loss 를 적용하여 소수 클래스의 분류 정확도를 향상시키고, 모델의 전반적인 견고성 (Robustness) 을 강화.
4. 해석 가능성 및 효율성: 진폭과 위상 정보를 시각적으로 표현하여 모델의 의사결정 과정을 더 잘 이해할 수 있게 하며, 실시간 진단이 가능한 수준의 추론 속도를 유지.

5. 의의 및 결론 (Significance & Conclusion)

이 연구는 심전도 분석에 있어 시간 - 주파수 도메인의 정보가 시간 영역 정보만큼이나 중요하며, 이를 효과적으로 통합할 때 진단 정확도가 극대화됨을 보여줍니다. 특히, 다중 표현 (Multi-representation) 과 앙상블 학습을 결합한 접근법은 복잡한 심혈관 질환의 미세한 병리 패턴을 포착하는 데 매우 효과적입니다.

향후 연구 방향으로는 다중 헤드 분류, 생성적 데이터 증강 (Generative Augmentation) 을 통한 불균형 완화, 그리고 더 효율적인 모델을 위한 리드 (Lead) 부분집합 분석 등을 계획하고 있습니다. 이 프레임워크는 임상 현장에서 자동화된 ECG 진단 시스템의 정확도와 신뢰성을 높이는 데 기여할 것으로 기대됩니다.