인공지능과 심전도 분석: 12유도 ECG에서 딥러닝 기반 자동 파라미터 획득 기술의 혁신

doi:10.9718/JBER.2020.41.2.107

서론

심전도(ECG, Electrocardiogram)는 심장 질환을 조기에 발견하고 환자의 예후를 평가하는 데 가장 널리 사용되는 비침습적 검사법이다. 

특히 12유도(12-lead) 심전도는 심장 전기적 활동을 다양한 각도에서 기록함으로써 부정맥, 심근경색, 전도장애 등을 진단하는 핵심 도구로 자리 잡고 있다.

그러나 기존의 자동 심전도 분석 시스템은 신호처리 기반 알고리즘에 의존하여 잡음(Noise), 환자 특성, 전극 위치 등에 따른 오류 가능성이 높았다. 

반면, 인간 전문가는 파형의 특징을 직관적으로 인식하고 잡음을 배제할 수 있는 장점이 있다. 

최근 인공지능, 특히 심층신경망(Deep Neural Network, DNN) 기술이 의학에 접목되면서, 이러한 전문가의 인지 능력을 모사하려는 시도가 활발히 진행되고 있다.

본 컬럼에서는 연속적 데이터 처리 심층신경망(Continuous Data Processing Deep Neural Network, C-DNN)을 활용하여 12유도 ECG에서 자동으로 파라미터를 획득하는 기술을 분석하고, 인공지능 의료 분야의 새로운 가능성을 고찰한다.

---

본론

1. 기존 자동 심전도 분석의 한계

기존 상용 심전도 분석 시스템은 파형의 크기, 주파수 성분, 시간 간격 등을 기반으로 심장 질환을 자동 판정하였다. 그러나 다음과 같은 문제가 존재하였다.

• 잡음에 취약: 근전도(EMG) 간섭, 전극 접촉 불량 등으로 오류 발생 가능성이 높음.

• 환자 특성에 따른 변이: 체형, 나이, 질환 이력에 따라 파형이 달라질 수 있음.

• 설명 불가능성(Black Box 문제): 기존 DNN 기반 모델들은 판정의 근거를 제시하지 못함.

즉, 기존 AI 심전도 분석은 질환 판정 자체에 집중한 나머지 의학적·병리학적 설명력을 확보하지 못했다.

---

2. C-DNN의 제안

이번 연구에서는 기존의 문제점을 극복하기 위해 연속적 데이터 처리 심층신경망(C-DNN)을 제안하였다.

C-DNN의 특징은 다음과 같다.

1. 소규모 신경망 구조: 입력 150개, 은닉층 2개, 출력 51개로 구성되어 효율적.

2. 연속적 검사: ECG 전체 데이터를 연속적으로 스캔하여 P, QRS, T 파형의 시작점·종료점을 탐지.

3. 적은 데이터로 학습 가능: 기존 CNN, LSTM보다 훈련 데이터 요구량이 낮음.

4. 의사결정 근거 제공: 질환 판정 대신 ‘파라미터 추출’에 집중하여 의학적 설명력 강화.

[그림 1] 딥러닝 기반 12유도 심전도 파라미터 자동 획득 알고리즘

---

3. 연구 방법

• 데이터셋: PhysioNet에서 제공된 5명의 환자 ECG 데이터 활용.

• 샘플링 주파수: 원본 1000Hz → 다운샘플링 250Hz.

• 학습 데이터 수: 환자 4명으로부터 총 112,800개.

• 테스트 데이터: 별도의 환자 1명(#5).

C-DNN은 입력 150개 데이터를 기반으로 연속 구간을 탐지하며, 시작점과 종료점을 별도로 학습한다.

[그림 2] P, QRS, T 파형 시작점 및 종료점 탐지용 C-DNN 모델

---

4. 연구 결과

테스트 환자(#5)의 ECG 분석 결과:

• 평균 오차: 시작점 0.1 msec, 종료점 13.5 msec.

• 표준편차: 시작점 17.6 msec, 종료점 15.7 msec.

• 성공률: 총 33개 파형(P, QRS, T) 모두 탐지 성공.

특히 QRS 파형에서 높은 정확도를 보였으며, P와 T 파형에서 일부 오차가 발생하였으나 임상적으로 허용 가능한 범위였다.

[그림 3] 심전도 파형에서 시작점과 종료점 정의

---

5. 임상적 의미

본 연구는 심장 질환 판정에 필요한 파라미터를 자동으로 확보할 수 있는 가능성을 제시하였다. 예를 들어:

• 심근경색 진단 규칙: “Lead II에서 ST 상승 + T wave inversion” → 본 알고리즘으로 ST 구간, T 파형 지표 자동 획득 가능.

• 부정맥 탐지: P wave 존재 여부 + RR 간격 변화를 통해 PVC(조기심실수축) 검출 가능.

• HRV 분석: R-R interval 표준편차 계산 가능.

즉, C-DNN은 의사의 임상적 판정 규칙을 보조하는 도구로 활용될 수 있다.

[그림 4] 환자 ECG에서 전문가 판정과 C-DNN 판정 비교

---

6. 한계와 향후 과제

• 일부 Lead(V1 등)에서 작은 파형 탐지 실패.

• P wave와 T wave의 모호한 구간에서 오차 증가.

• 향후 다양한 환자군과 질환 데이터를 통한 추가 학습 필요.

그럼에도 불구하고, 본 연구는 소규모 데이터셋으로도 충분히 정확한 ECG 파라미터 추출이 가능함을 입증했다. 이는 임상 현장에서의 실시간 심전도 분석 및 원격 모니터링에 큰 기여를 할 수 있다.

---

결론

본 연구에서 제안된 연속적 데이터 처리 심층신경망(C-DNN)은 기존 딥러닝 모델의 한계를 극복하고, 12유도 ECG에서 높은 정확도의 파라미터 자동 획득을 가능하게 하였다.

이는 앞으로 AI 기반 심전도 진단 시스템 개발의 핵심 기술로 자리매김할 것으로 기대된다. 의료진은 C-DNN이 제공하는 파라미터를 기반으로 임상적 규칙을 적용하여 보다 신뢰성 있는 심장 질환 진단을 수행할 수 있을 것이다.

---

참고문헌

1. H. Kim, R. F. Yazicioglu, P. Merken, C. Van Hoof, and H. J. Yoo, “ECG signal compression and classification algorithm with quad level vector for ECG holter system,” IEEE Trans. Inf. Technol. Biomed., vol. 14, no. 1, pp. 93–100, 2009.

2. T. H. Mäkikallio et al., “Prediction of sudden cardiac death after acute myocardial infarction: role of Holter monitoring in the modern treatment era,” Eur. Heart J., vol. 26, no. 8, pp. 762–769, 2005.

3. H. Atarashi, S. Ogawa, and Idiopathic Ventricular Fibrillation Investigators, “New ECG criteria for high-risk Brugada syndrome,” Circ. J., vol. 67, no. 1, pp. 8–10, 2003.

4. L. Sathyapriya, L. Murali, and T. Manigandan, “Analysis and detection R-peak detection using Modified Pan-Tompkins algorithm,” in Proc. IEEE Int. Conf. Adv. Commun., Control and Computing Technologies, 2014, pp. 483–487.

5. E. D. Übeyli, “Recurrent neural networks employing Lyapunov exponents for analysis of ECG signals,” Expert Syst. Appl., vol. 37, no. 2, pp. 1192–1199, 2010.

6. Ö. Yıldırım, P. Pławiak, R. S. Tan, and U. R. Acharya, “Arrhythmia detection using deep convolutional neural network with long duration ECG signals,” Comput. Biol. Med., vol. 102, pp. 411–420, 2018.

7. U. R. Acharya et al., “Application of deep convolutional neural network for automated detection of myocardial infarction using ECG signals,” Inf. Sci., vol. 415, pp. 190–198, 2017.