1차원 Inception Time 컨볼루셔널 신경망을 이용한 심음도 분류

무음은 혈류의 난류로 인해 발생하는 소리로, 구조적 심장 질환의 초기 징후인 경우가 많다. 이러한 소리는 청진기(스테스코프)를 이용한 심장 청진을 통해 감지되며, 최근에는 심음도(phonocardiogram, PCG)를 통해 감지되고 있다. 본 연구에서는 PCG 기록을 활용하여 무음의 존재 여부, 부재 여부, 또는 불분명한 경우를 식별하고, 정상 또는 비정상적인 임상 결과를 예측하기 위해 머신러닝 기법을 적용하고자 한다.우리는 1,568명의 소아 환자 집단으로부터 수집된 PCG 데이터셋을 이용하여, 일차원 컨볼루션 신경망(1D CNN) 두 개를 학습 및 테스트하였다. 하나의 모델은 무음을 예측하도록 설계되었으며, 다른 하나는 임상 결과를 예측하도록 설계되었다. 두 모델 모두 기록 단위(record-wise) 예측을 수행하도록 학습되었지만, 최종적으로는 환자 단위(patient-wise) 예측 결과를 도출하였다.본 논문은 2022년 조지 B. 무디 PhysioNet 챌린지에 참가한 우리의 연구를 기술한다. 이 챌린지의 목적은 PCG를 통해 심장 무음을 식별하고 임상 결과를 예측하는 것이었다. 우리 팀인 Simulab은 임상 결과 분류 모델을 개발하여 챌린지 비용 점수(Challenge cost score) 12,419를 기록하였으며, 이는 참가 팀 39개 중 14위에 해당하였다. 또한 무음 분류 모델은 테스트 세트에서 가중 평균 정확도(Weighted Accuracy) 0.593을 달성하여, 참가 팀 40개 중 30위를 기록하였다.