MINA: 다중 수준 지식 유도 주의 메커니즘을 활용한 심전도 신호 모델링

전기심장도(ECG) 신호는 다양한 심장 이상을 진단하는 데 일반적으로 사용됩니다. 최근에 딥러닝 모델이 ECG 데이터 모델링에서 초기 성공을 보였지만, 대부분의 모델은 흑상자(black-box) 특성을 가지고 있어 임상적 사용에 필요한 해석성이 부족합니다. 본 연구에서는 의학 지식과 연관된 직관적인 설명을 제공하며 ECG 신호로부터 심장 질환을 예측하는 다중수준 지식 유도 주의 네트워크(MultIlevel kNowledge-guided Attention networks, MINA)를 제안합니다. MINA는 비트 수준, 리듬 수준 및 주파수 수준의 다중수준 도메인 지식 특징을 개별적으로 추출하여, 다중수준 주의 모델을 통해 의학 지식과 ECG 데이터를 결합함으로써 학습된 모델의 해석성을 크게 향상시킵니다. 실험 결과, MINA는 실제 세계 ECG 데이터셋에서 PR-AUC 0.9436(최고 베이스라인보다 5.51% 우수)를 달성했습니다. 또한, MINA는 신호 왜곡 및 노이즈 오염에 대해 강력한 성능과 뛰어난 해석성을 보여주었습니다.