리드 간의 읽기: 전기심장도 신호에 대한 로컬 리드 주의 기반 분류

자기주의(self-attention) 모델은 컴퓨터 비전 및 자연어 처리(NLP) 분야에서 강력한 도구로 부상하고 있다. 그러나 시간 영역 전기심장도(ECG) 신호 분석 분야에서는 전역 수용 영역(global receptive field)의 필요성이 낮아 그 적용이 제한적이었다. 본 연구에서는 PhysioNet/Computing in Cardiology Challenge 2021 데이터셋을 활용하여 다중 클래스 분류 작업을 수행하기 위해 국소적 자기주의(local self-attention)를 활용하는 새로운 접근법을 제안한다. 이 데이터셋은 6개의 서로 다른 데이터셋에서 총 26개의 서로 다른 클래스를 포함하고 있다. 우리는 단일 리드 내 및 설정 가능한 다수의 리드 간 특징을 효과적으로 포착하기 위해 ‘국소 리드-주의(local lead-attention)’라는 혁신적인 개념을 도입하였다. 제안하는 아키텍처는 대회 검증 세트에서 F1 스코어 0.521을 달성하여 우승 솔루션 대비 5.67% 향상된 성능을 보였다. 특히 주목할 점은, 이 성능 향상이 전체 파라미터 수의 1/3에 불과한 240만 개의 파라미터로 달성되었다는 점이다.