초록
심전도 신호는 다양한 요인에 의해 발생하는 여러 가지 노이즈의 영향을 받습니다. 따라서 이러한 신호를 추가 분석하기 전에 노이즈 제거를 수행하는 것이 일반적인 관행입니다. 딥 러닝이라는 새로운 기계 학습 분야의 발전으로, 이 작업을 위한 최신 성능을 보장하는 새로운 방법들이 등장했습니다. 본 연구에서는 심전도 신호에서 노이즈를 제거하기 위해 딥 순환 노이즈 제거 신경망을 사용한 혁신적인 접근 방식을 제시합니다. 우리는 동적 심전도 모델로 생성된 합성 데이터를 사용하여 네트워크를 사전 훈련시키고, 실제 데이터로 미세 조정(fine-tuning)하는 전이 학습(transfer learning) 기법을 활용합니다. 또한, 합성 훈련 데이터가 실제 신호에서의 네트워크 성능에 미치는 영향을 조사하였습니다. 제안된 방법은 다양한 수준의 노이즈가 포함된 실제 데이터셋에서 테스트되었습니다. 결과는 네 개 층으로 구성된 딥 순환 신경망이 고농도 노이즈가 포함된 신호에서 기준 방법들을 능가할 수 있음을 나타냅니다. 더욱이, 합성 데이터로 사전 훈련된 네트워크는 실제 데이터만으로 훈련된 네트워크보다 더 우수한 결과를 보이는 것으로 나타났습니다. 우리는 적절한 미세 조정 후, 인공 데이터로 사전 훈련된 최신 성능의 노이즈 제거 신경망이 실제 심전도 신호에서 매우 우수한 성능을 발휘할 수 있음을 보여주었습니다.