연속 웨이블릿 변환과 2차원 합성곱 신경망을 기반으로 한 심방세동의 자동 탐지

심방세동(AF)은 질병 발생과 사망률을 유발하는 가장 흔한 심장 부정맥이다. AF는 매우 짧은 지속 시간(즉, 급성 AF) 또는 지속적인 기간(즉, 지속성 AF)으로 나타날 수 있으며, 어느 형태든 심실의 불규칙한 자극을 유발하여 심장의 전반적인 기능에 영향을 준다. AF의 조기 자동 진단은 여전히 해결되지 않은 과제이며, 이는 AF에 대한 효율적인 치료 전략의 제한 요인이 된다. 본 연구에서는 연속 웨이블릿 변환(continuous wavelet transform)과 2차원 합성곱 신경망(CNN)을 기반으로 한 새로운 AF 감지 방법을 개발하였다. 제안된 방법은 전기심장도(ECG)의 시간-주파수 특성을 분석함으로써, 기존의 심방 또는 심실 활동을 독립적으로 분리하는 방식과는 차별화된다. 이후 2차원 CNN을 학습시켜 AF 감지 성능을 향상시켰다. 알고리즘의 성능 평가는 MIT-BIH 심방세동 데이터베이스를 활용하여 수행되었으며, 기존의 대부분의 방법들과 동일한 데이터셋을 사용하여 비교 분석이 이루어졌다. 새로 개발된 CNN 기반 알고리즘은 민감도(sensitivity) 99.41%, 특이도(specificity) 98.91%, 긍정 예측도(positive predictive value) 99.39%, 전체 정확도(ACC) 99.23%의 높은 성능을 기록하였다. 제안된 알고리즘이 심방 또는 심실 활동을 독립적으로 분리하는 것이 아니라 ECG 신호의 시간-주파수 특징에 초점을 맞추고 있어, 단 5회의 심박만으로도 AF 발작을 감지할 수 있는 가능성을 보이며, 향후 실용적 응용 가능성에 기여할 것으로 기대된다.