ECGNET: 심방세동 감지에 대한 깊은 시각적 주의 학습

심방세동(Atrial Fibrillation, AF)과 관련된 패턴의 복잡성과 이러한 패턴에 미치는 높은 수준의 노이즈는 현재 신호 처리 및 얕은 기계 학습 접근 방식이 정확한 AF 검출 결과를 얻는데 크게 제약을 주고 있습니다. 깊은 신경망은 데이터에서 비선형 패턴을 학습하는 데 매우 강력한 능력을 보여주었습니다. 깊은 학습 접근 방식이 ECG에서 AF 존재와 관련된 복잡한 패턴을 학습하려고 시도할 때, 학습 중에 집중해야 할 신호의 어느 부분이 중요한지를 알고 있으면 이점이 있을 수 있습니다. 본 논문에서는 ECG 신호에서 AF를 더 정확히 검출하기 위해 두 채널 깊은 신경망을 소개합니다. 첫 번째 채널은 전처리된 ECG 신호를 입력받아 AF 검출을 위해 어디에 주목해야 하는지를 자동으로 학습합니다. 두 번째 채널은 동시에 전처리된 ECG 신호를 입력받아 전체 신호의 모든 특성을 고려합니다. 모델은 시각화를 통해 AF 검출을 시도할 때 주어진 ECG 신호의 어느 부분이 중요한지 나타냅니다. 또한, 이 조합은 심방세동 검출 성능을 크게 향상시키며(MIT-BIH 심방세동 데이터베이스에서 5초 길이의 ECG 세그먼트를 사용하여 감도 99.53%, 특이도 99.26%, 정확도 99.40%를 달성했습니다.)