심방세동 분류를 위한 전기심장도 신호를 이용한 새로운 심층 부정맥 진단 네트워크

심방세동(Atrial Fibrillation, AF)은 노인층에게 흔히 발생하는 위험한 반복성 심장 리듬 장애로, 생명을 위협할 수 있다. 자동 분류는 의학 과학 및 생정보학 분야에서 매우 중요한 주제 중 하나이며, 특히 심방세동의 탐지에 있어 핵심적인 역할을 한다. 그러나 전기심장도(ECG) 신호는 진폭이 작고 지속 시간이 짧아서, 복잡하고 비선형적인 특성을 지니고 있어 수동적인 분석을 통해 지역적 특징을 정확히 설명하는 것은 매우 어렵다. 이에 본 연구에서는 ECG 신호를 이용하여 심방세동 심장박동을 자동으로 탐지하기 위해 새로운 딥러닝 심장비정상 리듬 진단 방법인 '딥 CNN-BLSTM 네트워크 모델'을 제안한다. 이 모델은 주로 네 개의 합성곱 층, 두 개의 BLSTM 층, 그리고 두 개의 완전 연결 층으로 구성되어 있다. RR 간격 데이터셋(이하 세트 A)과 심장박동 시계열 데이터셋(즉, P-QRS-T파, 이하 세트 B)이 위의 모델에 입력된다. 특히 중요한 점은, 제안된 방법이 세트 A의 학습 및 검증 세트에서 각각 99.94%, 98.63%의 높은 정확도를 달성했다는 점이다. 검증 세트(미사용 데이터셋)에서의 성능을 평가한 결과, 정확도는 96.59%, 민감도(sensitivity)는 99.93%, 특이도(specificity)는 97.03%를 기록하였다. 본 연구에서 제안한 알고리즘이 기존의 많은 최신 연구들과 비교하여 뛰어난 성능을 보였으며, 이는 심방세동의 자동 탐지에 새로운 해결책을 제시하는 데 기여할 수 있다.