심방세동은 전 세계적으로 약 3,350만 명이 영향을 받는 심장 부정맥으로, 60세 이상 환자의 뇌졸중 중 약 3분의 1을 잠재적으로 유발할 수 있습니다. 심방세동(AFIB)의 검출 및 진단은 임상 환경에서 비침습적으로 전기심장도(ECG) 평가를 통해 이루어집니다. AFIB 검출을 위한 자동화 방법에 대한 초기 연구는 통계적 분류 모델에서 사용하기 위한 중요한 특성을 추출하기 위해 전통적인 생체-의학 신호 분석에 초점을 맞추었습니다. 최근에는 합성곱 네트워크와/또는 순환 네트워크 구조를 활용하는 인공지능 모델이 사용되었습니다. 본 연구에서는 ECG 신호의 시간 영역과 주파수 영역의 중요한 특성을 단시간 푸리에 변환(short-time Fourier transform)을 적용하여 추출하고, 이를 스펙트로그램에서 시각적으로 표현하였습니다. ECG 세그먼트로 구성된 스펙트로그램에서 깊은 특성을 활용한 두 가지 다른 분류 접근법을 조사하였습니다. 첫 번째 접근법은 사전 학습된 DenseNet 모델을 사용하여 특성을 추출한 후, 서포트 벡터 머신(Support Vector Machines)을 이용하여 분류하였으며, 두 번째 접근법은 스펙트로그램을 합성곱 네트워크의 직접 입력으로 사용하였습니다. 두 접근법 모두 MIT-BIH AFIB 데이터셋에 대해 평가되었으며, 합성곱 네트워크 접근법은 93.16%의 분류 정확도를 달성했습니다. 이러한 결과가 기존의 자동화된 심방세동 검출 방법들을 능가하지는 못했지만, 노이즈 사전 필터링이나 수작업으로 만든 특성, 그리고 박동 검출에 의존하지 않았다는 점에서 유망하며 추가 연구가 필요합니다.