Daubechies-4 Wavelet Sub-Band Statistical Feature Extraction Coupled With a Compact 1D Convolutional Neural Network for Five-Class Cardiac Arrhythmia Recognition From Ambulatory ECG Recordings

기술 요약: 5개 클래스 심장 부정맥 인식을 위한 Daubechies-4 웨이브릿 서브 밴드 통계적 특징 추출 및 컴팩트 1D-CNN 결합

문제 정의
단일 유도 휴대용 심전도(ECG) 기록으로부터 심장 부정맥을 자동 분류하는 것은 임상 공학의 중요한 과제입니다. 연속적인 모니터링은 방대한 양의 데이터(24시간 홀터 기록 시 하루 100,000회 이상의 비트 생성)를 생성하지만, 수동 검토는 피로로 인한 오류가 발생하기 쉽습니다. 기존의 자동화된 접근 방식은 일반적으로 다음과 같은 뚜렷한 한계를 가진 두 가지 패러다임으로 나뉩니다:

1. 수작업 특징 공학(Hand-crafted feature engineering): 이러한 방법은 웨이브릿 변환이나 통계적 모멘트를 사용하여 고전적 분류기(예: SVM)에 입력합니다. 계산 부하가 적고 해석 가능하지만, 정확도는 수동으로 설계된 특징의 표현력에 의해 제한됩니다.
2. 엔드 투 엔드 딥러닝(End-to-end deep learning): 이 방법들은 딥 네트워크를 사용하여 원시 파형을 직접 처리합니다. 높은 정확도를 구현할 수 있지만, 수백만 개의 파라미터와 광범한 학습이 필요하여 자원이 제한된 웨어러블 기기에 배포하기 어렵습니다.

본 연구에서 다루는 구체적인 작업은 정상(N), 좌각 차단(LBBB), 우각 차단(RBBB), 심실 조기 수축(PVC), 심방 조기 수축(APC)의 5개 클래스 인식입니다.

방법론
제안된 프레임워크는 신호 처리와 경량 딥러닝 모델을 결합한 2단계 하이브리드 시스템입니다.

1. 데이터 소스 및 프로토콜:

   • 실험에는 MIT-BIH 부정맥 데이터베이스(48개 기록, 47명 피험자, 360 Hz 샘플링 속도)를 활용합니다.
   • 5개의 마이크로 클래스를 포함하는 18개의 기록이 선택되었습니다.
   • 환자 내 평가 프로토콜(층화된 80/10/10 분할)이 사용되었습니다. 여기서 동일 환자의 비트가 훈련, 검증, 테스트 세트에 모두 포함됩니다. 이는 특정 선행 벤치마크(Oh 등, Rana 및 Kim)와 직접 비교를 가능하게 하지만, 환자 간 분할(inter-patient split)에 비해 낙관적인 정확도 추정치를 산출한다는 점을 인정합니다.

2. 전처리 및 세그멘테이션:

   • 원시 MLII 신호는 기선 흔들림(baseline wander)을 제거하기 위한 버터워스 하이패스 필터(0.5 Hz), 60 Hz 전력선 간섭 제거를 위한 IIR 노치 필터, 그리고 z-score 정규화를 거칩니다.
   • Pan–Tompkins 알고리즘을 통해 R-피크를 검출하고, 신호를 217-샘플 윈도우(±300 ms)로 세그먼트하여 P-QRS-T 복합체의 전체 형태를 포착합니다.

3. 특징 추출 (핵심 혁신):

   • 본 시스템은 원시 파형이나 원시 웨이브릿 계수를 사용하는 대신, 각 비트에 **5단계 Daubechies-4 (db4) 이산 웨이브릿 변환(DWT)**을 적용합니다.
   • 이 분해 과정은 하나의 근사 성분(cA5)과 다섯 개의 상세 성분(cD5–cD1)을 포함하는 6개의 서브 밴드를 생성하며, 이는 생리학적으로 유의미한 ECG 구성 요소(예: P/T-파 엔벨로프, QRS 기울기, 고주파 노이즈)와 일치합니다.
   • 각 6개 서브 밴드로부터 네 가지 통계적 기술자(descriptor)인 **평균(Mean), 표준 편차(Standard Deviation), 서브 밴드 에너지(Sub-band Energy), 섀넌 엔트로피(Shannon Entropy)**를 계산합니다.
   • 이 기술자들은 비트당 24차원 특징 벡터를 형성하며, 이는 원시 217-샘플 파형 대비 9:1의 압축률을 달성합니다. 이 표현 방식은 진폭 분포, 스펙트럼 에너지 및 계수의 복잡성을 구조적이고 해석 가능한 형식으로 인코딩합니다.

4. 분류 아키텍처:

   • **컴팩트 1D 합성곱 신경망(1D-CNN)**이 24차원 벡터를 분류합니다.
   • 아키텍처는 커널 크기가 각각 5, 3, 3인 세 개의 합성곱 블록(필터 수 32, 64, 128개)으로 구성됩니다. 각 블록에는 배치 정규화(Batch Normalization), ReLU 활성화 함수, 맥스 풀링(Max Pooling, 스트라이드 2), 공간 드롭아웃(Spatial Dropout, p=0.25)이 포함됩니다.
   • 글로벌 평균 풀링(GAP)이 차원을 축소한 후, 완전 연결 계층(256 유닛)과 5개 클래스 소프트맥스(softmax) 출력을 거칩니다.
   • 총 학습 가능한 파라미터 수는 200,000개 미만으로, 임베디드 배포에 적합합니다.

주요 결과
3,244개의 홀드아웃(held-out) 테스트 비트에 대해 평가되었습니다:

• 전체 정확도: 99.08%.
• 검증 정확도: 99.41% (최적 에포크).
• 평균 AUC-ROC: 0.9884.
• 클래스별 성능:
  • RBBB: 완벽한 민감도(1.0000) 및 높은 특이도(0.9997).
  • Normal: 99.92% 민감도.
  • LBBB: 99.13% 민감도.
  • PVC: 92.81% 민감도 (주로 LBBB와의 형태적 중첩 및 좁은 QRS를 가진 PVC로 인한 오류).
  • APC: 심각한 클래스 불균형(테스트 비트 단 14개)으로 인해 낮은 민감도(0.1429)를 보였으나, 완벽한 특이도(1.0000)와 AUC 0.9435를 기록하여 데이터 부족에도 불구하고 모델이 판별 가능한 특징을 학습했음을 입증함.
• 효율성: 모델은 빠르게 수렴하였으며(에포크 15에서 99% 이상의 정확도로 안정화), 딥러닝 베이스라인 모델들에 비해 현저히 적은 파라미터를 요구합니다.

최신 기술(State-of-the-Art)과의 비교
동일한 환자 내 프로토콜 및 5개 클래스 작업 조건에서, 제안된 방법은 다음을 능가합니다:

• Rana and Kim [2] (1-layer LSTM): 95.00% 정확도.
• Oh et al. [1] (CNN-LSTM): 98.10% 정확도.
  제안된 시스템은 압축된 특징 입력을 사용하면서도 훨씬 작은 파라미터 예산을 사용하여 더 높은 정확도(Oh et al. 대비 +0.98 pp)를 달ach합니다.

의의 및 주장
본 논문은 주요 기여가 웨이브릿 서브 밴드 통계적 요약을 경량 CNN의 기본 특징 표현으로 사용하는 방법론적 참신함에 있다고 주장합니다.

• 해석 가능성 vs 성능: 원시 계수 DWT 방식(고차원이며 중복성이 높음)이나 엔드 투 엔드 딥 네트워크(블랙박스이며 높은 자원 요구)와 달리, 이 접근 방식은 구조적이고 해석 가능한 중간 표현을 제공합니다.
• 임베디드 실행 가능성: 9:1의 데이터 압축과 200,000개 미만의 파라미터를 가진 네트워크의 결합은 웨어러블 모니터에 사용되는 마이크로컨트롤러급 하드웨어의 고정 소수점 DSP 구현에 적합합니다.
• 빠른 수렴: 구조화된 통계적 특징 덕분에 CNN은 원시 파형 학습에 필요한 암묵적인 주파수 학습 단계를 건너뛸 수 있어 더 빠른 수렴이 가능합니다.

한계 및 향후 과제
저자는 두 가지 주요 한계를 솔직하게 인정합니다:

1. 환자 내 프로토콜: 환자 내 분할 방식은 새로운 환자에게 일반화될 수 있는(환자 간 평가) 낙관적인 정확도 추정치를 제공할 수 있습니다.
2. 클래스 불균형: APC 클래스가 테스트 세트에서 매우 적게 나타나, 해당 클래스에 대한 민감도 지표의 신뢰성을 제한합니다.

향후 과제로 AAMI DS1/DS2 분할을 통한 환자 간 평가, APC를 위한 클래스 가중 손실 또는 웨이브릿 도메인 SMOTE 적용, PVC/LBBB 모호성을 해결하기 위한 듀얼 리드 퓨전(dual-lead fusion), 그리고 마이크로컨트롤러에 대한 프로토타입 배포를 제안합니다.