ECG 데이터셋의 다양성이 CNN 모델의 QRS 복합체 탐지에 대한 일반화 능력에 미치는 영향

심전도(ECG) 신호에서 QRS 복합파를 탐지하는 것은 자동 심장 진단에 있어 핵심적인 과정이다. 자동 QRS 탐지에 관한 연구는 30년 이상 지속되어 왔으며, 여러 전통적인 QRS 탐지 방법들은 합리적인 탐지 정확도를 보이고 있으나, 이러한 방법들이 연구에 특화된 데이터베이스 외부에서의 적용 가능성에 대해서는 탐구되지 않았다. ECG 신호의 비정상성과 환자 내 및 환자 간 신호 변동성은 단일 QRS 탐지기의 성능을 유지하는 데 큰 도전 과제를 제기한다. 실제 임상 환경에서는, 유능한 QRS 탐지기는 다양한 심전도 기록에서 일관된 정확도를 달성할 수 있어야 하므로, 모델의 일반화 능력에 대한 조사가 필수적이다. 본 논문은 공개된 세 가지 심전도 데이터베이스(MIT-BIH Arrhythmia, INCART, QT)를 대상으로, 주체별 교차검증(하나의 주체를 제외한 교차검증 및 5배 교차검증)과 데이터베이스 간 교차검증(단일 및 다중 데이터베이스를 활용한 학습)의 관점에서 합성곱 신경망(CNN) 기반 모델의 일반화 능력을 분석한다. 하나의 주체를 제외한 검증에서 각 데이터베이스의 정확도는 차례로 99.22%, 97.13%, 96.25%를 기록하였으며, 데이터베이스 간 검증에서는 INCART를 제외한 모든 경우에서 90% 이상의 정확도를 달성하였다. 성능의 변동성은 CNN 모델의 일반화 능력이 단순히 더 많은 학습 샘플을 추가하는 것으로 향상되지 않으며, 다양한 환자군에서 수집된 샘플을 포함하는 것이 합리적인 QRS 탐지 정확도를 달성하기 위해 필수적임을 시사한다.