특징 축소를 이용한 서포트 벡터 머신 기반 부정맥 분류

본 논문에서는 선형 판별 분석(Linear Discriminant Analysis, LDA)을 통한 특성 차원 감소와 서포트 벡터 머신(Support Vector Machine, SVM) 기반 분류기와 결합한 부정맥 분류 알고리즘을 제안하였다. 먼저 웨이브렛 변환을 통해 전처리된 신호로부터 17개의 원시 입력 특성(feature)을 추출한 후, LDA를 이용하여 이들 특성의 선형 조합으로 구성된 4개의 특성으로 차원을 감소시켰다. LDA를 통해 감소된 특성을 사용한 SVM 분류기의 성능은 주성분 분석(Principal Component Analysis, PCA)을 통해 감소된 특성과 원시 특성을 사용한 경우보다 뛰어났으며, 특히 교차 검증(cross-validation) 절차에서 다층 퍼셉트론(Multilayer Perceptron, MLP) 및 퍼지 추론 시스템(Fuzzy Inference System, FIS) 분류기와 비교하여 전체적으로 가장 우수한 성능을 보였다. 특히 정상 심방 세동( normal sinus rhythm, NSR), 동맥성 조기 수축(arterial premature contraction, APC), 심방성 빈맥(supraventricular tachycardia, SVT), 심실성 조기 수축(premature ventricular contraction, PVC), 심실성 빈맥(ventricular tachycardia, VT), 심실성 진동(ventricular fibrillation, VF)의 구분 정확도는 각각 99.307%, 99.274%, 99.854%, 98.344%, 99.441%, 99.883%로 매우 높은 수준을 나타냈다. 또한 학습 데이터가 제한적인 경우에도 SVM 분류기는 MLP 분류기보다 우수한 성능을 제공함을 확인하였다.