XGBoost Optimization using Single Lead ECG based on Multi-feature of ECG Morphologies for Automatic Sleep Disorder Classification

수면은 단순히 하루의 일시적인 중단이 아니라, 우리의 몸과 마음을 회복시키는 필수적인 생물학적 과정입니다. 이러한 휴식이 방해받을 때, 만성 피로에서부터 심각한 심장 질환에 이르기까지 그 결과는 매우 가혹할 수 있습니다. 가장 흔하면서도 위험한 방해 요소 중 하나는 수면 무호흡증으로, 이는 수면 중에 호흡이 반복적으로 멈추거나 시작되는 질환입니다. 수십 년 동안 이 장애를 진단하는 유일하고 신뢰할 수 있는 방법은 '폴리솜노그래피(수면다원검사)'라고 불리는 복잡한 병원 검사를 통하는 것이었습니다. 이 절차는 환자의 몸에 수십 개의 센서를 부착하여 잠을 자는 동안 뇌파, 근육 활동, 심장 리듬을 모니터링하는 과정을 포함합니다. 효과적이기는 하지만, 이 과정은 번거롭고 비용이 많이 들며 종종 불편함을 유발하기 때문에, 수면 무호흡증을 앓고 있는 대다수의 사람들이 검사를 받지 못해 진단조차 받지 못하는 상황이 발생합니다.

이 문제를 해결하기 위해 연구자들은 더 단순한 신호인 심전도(ECG), 즉 심장의 전기적 활동을 기록하는 것에 주목했습니다. 심장은 완벽하게 일정한 리듬으로 뛰지 않습니다. 심박수와 강도는 호흡 및 기타 신체 기능에 반응하여 미묘하게 변화합니다. 수면 무호흡증이 있는 사람들의 경우, 이러한 미묘한 변화는 건강한 수면자의 패턴과는 다른 뚜렷한 양상을 보입니다. 과제는 인간 전문가가 수 시간 분량의 데이터를 수동으로 검토할 필요 없이, 컴퓨터가 이러한 패턴을 자동으로 인식하도록 가르치는 것이었습니다. 인도네시아의 폴리테크닉 네게리 바탐(Politeknik Negeri Batam)에서 나온 새로운 연구는 심장을 기록하는 단 하나의 선과 데이터를 해석하는 강력한 수학적 도구를 사용하는 솔루션을 제안하며, 수면 장애를 위한 간단한 가정용 스크리닝의 길을 열어주고 있습니다.

연구진은 먼저 공공 데이터베이스에서 대량의 심장 기록을 수집했는데, 여기서 각 1분 단위의 신호는 이미 의료 전문가에 의해 '무호흡' 또는 '정상'으로 라벨링되어 있었습니다. 연구팀은 임상적 세부 사항을 충분히 포착하여 두 상태를 구분할 수 있는 지속 시간인 약 16분 길이의 기록들에 집중했습니다. 컴퓨터가 이 데이터로부터 학습하기 전에, 팀은 신호를 정화해야 했습니다. 사진이 먼지나 흔들림에 의해 망가질 수 있듯이, 심장 기록 또한 전기적 간섭이나 환자의 움직임에 의해 왜곡될 수 있습니다. 연구팀은 디지털 필터를 사용하여 이러한 원치 않는 노이즈를 제거함으로써, 심장의 진정한 리듬이 명확하게 드러나도록 했습니다.

신호가 깨끗해지자, 연구진은 가공되지 않은 심박수를 컴퓨터가 이해할 수 있는 언어로 번역하는 과제에 직면했습니다. 단순히 심박수만을 보는 대신, 그들은 심장의 전기적 파형의 모양과 거동을 설명하는 26가지의 서로 다른 특성(feature), 즉 특징들을 추출했습니다. 어떤 특징들은 심박 사이의 시간을 측정했고, 다른 특징들은 시간 경과에 따른 리듬의 안정성을 분석했습니다. 또한 그들은 'QRS 복합체'라고 알려진 심장 전기 파형의 주요 스파이크 형태를 살펴보고, 그 높이와 너비를 측정했습니다. 더욱 깊은 패턴을 포착하기 위해, 그들은 신호를 단순한 선이 아닌 복잡하고 자기 유사적인 구조로 취급하며 짧은 기간과 긴 기간 동안 심장 리듬이 어떻게 변동하는지를 조사하는 고급 수학적 기법을 적용했습니다. 이러한 다각적인 접근 방식은 컴퓨터가 단일 스냅샷이 아닌, 심장 거동에 대한 완전한 그림을 가질 수 있도록 보장했습니다.

이러한 특징들이 준비되자, 팀은 XGBoost라고 알려진 정교한 머신러닝 알고-리즘을 훈련시켰습니다. 이 알고리즘을 수많은 단순한 의사 결정자들이 함께 협력하는 팀이라고 생각해보십시오. 각 팀원은 데이터의 작은 조각을 살펴보고 환자가 무호흡 증상을 겪고 있는지에 대해 추측을 내립니다. 그런 다음 팀은 이전 구성원의 실수를 수정해가며 이 추측들을 결합하여, 단 하나의 매우 정확한 결론에 도달합니다. 연구진은 알고리즘이 단순히 훈련 예제를 암기하는 것이 아니라 실제로 새로운 패턴을 인식할 수 있도록, 데이터의 분석 깊이와 학습 속도를 조정하며 알고리즘의 설정을 튜닝하는 데 상당한 시간을 할애했습니다. 또한 그들은 26가지 특징 중 어떤 것이 가장 중요한지 테스트했으며, 심박 사이의 시간과 전기적 스파이크의 특정 형태가 가장 신뢰할 수 있는 지표라는 것을 발견했습니다.

이러한 접근 방식의 결과는 놀라웠습니다. 한 번도 본 적 없는 데이터로 테스트했을 때, 시스템은 96.1%의 정확도로 수면 무호흡 사건을 정확히 식별해 냈습니다. 특히 건강한 수면자를 가려내는 데는 탁월하여, 질환이 없는 사람들을 식별하는 데 있어 100%의 완벽한 점수를 기록하면서도 실제 무호흡 사례의 92.1%를 잡아냈습니다. 표준 신경망이나 더 단순한 통계 모델과 같은 의료 연구에서 흔히 사용되는 다른 방법들과 비교했을 때, 이 최적화된 시스템은 그 모든 것들을 능가했습니다. 이 연구는 심장의 형태와 리듬에 대한 상세한 분석을 강력한 학습 알고리즘과 결합함으로써, 복잡한 다중 센서 병원 검사에 필적하는 정밀도로 수면 장애를 감지하는 것이 가능하다는 것을 보여줍니다. 이는 가까운 미래에 단 하나의 리드(lead)를 가진 간단한 장치가 수면 무호흡증 진단의 신뢰할 수 있는 첫 단계가 되어, 그 어느 때보다 많은 사람에게 이 과정을 접근 가능하게 만들 수 있음을 시사합니다.