A novel EMG artifact removal algorithm based on complete local convolutional sparse dictionary learning in ECG signals

인간의 심장은 의사들이 건강 상태를 측정하기 위해 오랫동안 의존해 온 리듬에 맞춰 박동하며, 이는 종이 스트립이나 디지털 화면 위에 포착되는 일정한 전기적 펄스로 나타난다. 심전도(ECG)라고 알려진 이 기록은 심장의 전기적 활동을 시간에 따라 매핑하여, 장기의 수축과 이완에 상응하는 뚜렷한 파형을 보여준다. 그러나 이 신호를 포착하는 과정은 결코 깨끗하게 이루어지는 법이 없다. 인체는 노이즈가 많은 환경이며, 심장에서 생성되는 미세한 전류는 골격근에서 발생하는 훨씬 더 크고 무질서한 전기 신호에 의해 쉽게 묻혀버린다. 사람이 움직이거나, 몸을 떨거나, 단순히 근육에 힘을 줄 때, 근전도(EMG)라고 불리는 이러한 근육 신호가 심장 기록 속으로 침범한다. 근육 노이즈와 심장 신호의 주파수가 상당 부분 겹치기 때문에, 단순히 노이즈를 필터링하는 것만으로는 심장 신호까지 함께 제거해 버릴 수 있으며, 이는 의사들에게 생명을 위협하는 질환을 숨기거나 가짜 경보를 만들어내는 왜곡된 그림을 제공할 수 있다.

수십 년 동안 연구자들은 심장의 일정한 박동을 그 형태의 섬세한 디테일을 잃지 않으면서 근육의 무작위적인 잡음으로부터 분리해 낼 방법을 찾아왔다. 전통적인 방식은 신호를 분석하기 위해 작은 단위로 잘라 처리하는 데 의존하는 경우가 많지만, 이러한 접근 방식은 의사가 반드시 확인해야 할 특징들까지 실수로 잘라내어 인위적인 스파이크를 만들거나 실제 신호를 놓치는 결과를 초래할 수 있다. 상하이 공학 과학 대학교와 유니버시티 칼리지 더블린의 연구진이 발표한 새로운 연구는 다른 길을 제시한다. 그들은 신호를 조각으로 나누는 대신, 노이즈가 섞인 기록으로부터 심장 박동의 고유한 형태를 직접 학습하여, 근육 노이즈라는 군중이 소리를 지르는 와중에도 컴퓨터가 심장의 목소리를 인식할 수 있도록 효과적으로 가르치는 방법을 개발했다.

연구진의 접근 방식은 심장의 전기 신호는 반복적이고 예측 가능한 반면, 근육 노이즈는 무작와하고 혼란스럽다는 아이디어에 기반한다. 그들은 혼란 속에서도 특정 패턴을 식별할 수 있는 매우 숙련된 청취자처럼 작동하는 시스템을 만들었다. 데이터를 고정된 사전 정의된 형태에 강제로 맞추는 대신, 이 시스템은 노이즈가 섞인 신호 자체를 연구함으로써 패턴의 맞춤형 사전을 구축한다. 시스템은 심장 박동을 구성하는 짧고 날카로운 에너지 분출인 QRS 복합체를 찾고, 이를 분리하는 법을 배운다. 이 새로운 방법이 차별화되는 점은 데이터를 다루는 방식이다. 전체 기록을 한꺼번에 처리하거나 임의의 구간으로 자르는 대신, 시스템은 심장 신호가 존재하는 아주 작은 활성 영역에만 집중한다. 시스템은 침묵이나 순수한 노이즈가 지속되는 광범위한 구간을 무시하며, 신호가 실제로 존재하는 곳에서만 심장 박동 패턴에 대한 이해를 업데이트한다. 이러한 전략 덕분에 컴퓨터는 훨씬 빠르게 작동하고 메모리 사용량도 크게 줄일 수 있어, 신호 처리에 과부하가 걸리지 않고도 긴 심장 활동 기록을 처리하는 것이 가능해졌다.

이 방법의 효과를 검증하기 위해 연구진은 표준적인 심장 리듬을 포함하는 컬렉션과 심각한 근육 간섭이 가득한 컬렉션이라는 두 가지 잘 알려진 심장 기록 데이터 세트에 이 기술을 적용했다. 그들은 복잡한 수학적 분해 기법과 현대적인 인공지능 모델을 포함한 여러 기존 방식들과 이 새로운 기술을 비교했다. 결과에 따르면, 다른 방식들은 심장 신호와 노이즈를 구별하는 데 어려움을 겪으며 종종 왜곡된 파형을 남기거나 가짜 심박을 만들어낸 반면, 새로운 방법은 근육 간섭을 성공적으로 제거했다. 이 기술은 심장 신호를 놀라운 명확도로 복원하여 의사가 진단을 내리는 데 필요한 날카로운 정점과 부드러운 곡선을 보존했다. 근육 노이즈가 너무 강해 심장 신호가 거의 보이지 않는 테스트 상황에서도, 새로운 방법은 여전히 심박을 복구해 냈으나 다른 접근 방식들은 사용할 만한 이미지를 만들어내는 데 실패했다.

또한 연구진은 데이터 구간의 길이를 조절하거나 노이즈의 양을 변화시키는 등 다양한 조건에서 이 기술이 어떻게 작동하는지 조사했다. 기존 방식들은 제대로 작동하기 위해 데이터를 특정 길이로 잘라야 했지만, 새로운 접근 방식은 데이터가 어떻게 배열되든 상관없이 정확한 결과를 전달하는 유연성을 입증했다. 이러한 엄격한 데이터 형식으로부터의 독립성은 실제 응용 분야에서 큰 장점인데, 심장 신호는 속도와 지속 시간이 매우 다양할 수 있기 때문이다. 나아가 연구진은 이 방법이 모바일 기기에서 실행될 만큼 효율적임을 입증했으며, 이는 웨어러블 헬스 기술의 미래에 있어 중요한 단계이다. 신호를 로컬에서 빠르고 직접 처리함으로써, 언젠가는 스마트워치나 휴대용 모니터가 실시간으로 심장 데이터를 정제하여 사용자 및 의사에게 즉각적이고 정확한 피드백을 제공할 수 있을 것이다.

단순히 신호를 정제하는 것을 넘어, 연구진은 복원된 심박이 의학적으로 유용한지도 검증했다. 그들은 심장 박동 사이의 타이밍이나 심근 건강을 나타내는 파형의 형태와 같은 심장 전기 주기의 특정 특징들을 분석했다. 심장의 전기 경로 차단이나 심근경색과 같은 특정 심장 질환이 포함된 사례에서도, 이 방법은 이러한 문제를 식별하는 데 필요한 미세한 디테일을 성공적으로 보존했다. 정제된 신호는 부정맥 및 기타 심장 문제를 진단하는 데 결정적인 역할을 하는 심장 전기 간격을 정밀하게 측정할 수 있게 해주었다. 이 연구는 근육 노이즈를 심장의 자연스러운 형태를 왜곡하지 않고 제거함으로써, 원격 건강 모니터링의 신뢰도를 높일 수 있음을 시사한다. 즉, 환자의 집에서 의사에게 전달되는 데이터가 병원에서 촬영한 기록만큼 명확하고 정확하도록 보장할 수 있다는 것이다.

이 작업은 혼합된 신호를 분리하는 방식에 대한 사고의 전환을 의미한다. 데이터를 기존 이론에 맞는 틀에 억지로 끼워 맞추는 대신, 이 새로운 방법은 데이터가 컴퓨터에게 무엇을 찾아야 할지 가르치도록 만든다. 신호의 활성 부분에 집중하고 노이즈로부터 심장 박동 패턴을 직접 학습함으로써, 이 방식은 이전 기술들이 도달할 수 없었던 수준의 명확성을 달anim다. 연구 결과는 이 접근 방식이 특히 움직임과 노이즈가 불가피한 환경에서 심장 신호를 처리하는 표준 도구가 될 수 있음을 시사한다. 웨어러블 기기가 보편화되고 지속적인 건강 모니터링에 대한 수요가 증가함에 따라, 움직임과 노이즈가 많은 신체로부터 깨끗한 진단 품질의 심장 신호를 추출하는 능력은 점점 더 중요해질 것이다. 이 새로운 방법은 주변의 소음이 아무리 크더라도 심장의 진정한 이야기가 들릴 수 있는 길을 열어준다.