딥러닝 모델을 이용한 실시간 부정맥 감지 이중화 모바일 시스템

2-1 웨어러블 심전도 센서 디바이스

웨어러블 심전도 센서 디바이스는 그림 2에 나타난 바와 같이 외형적으로는 3개의 부착형 전극을 가지고 있다. 내부에는 배터리를 포함하여 움직임을 측정하는 가속도 센서와 심전도 센서 및 블루투스 통신 모듈로 구성되어 있으며, 전극은 특정 위치에 부착하여야 한다. 감지된 심전도 신호의 처리에 필수적으로 필요한 디바이스의 서비스 정보는 표 1과 같으며, 디바이스의 서비스 정보는 휴대형 모바일 장치와 연결된 이후 서버에 전송되어 저장 및 사용되게 된다. 웨어러블 디바이스에 포함된 가속도 센서는 과도한 움직임 발생을 감지하여 분석을 포기하는 목적으로 탑재되었으나, 본 논문에서는 상세 내용에 대한 설명을 포함하지 않는다.

Fig. 2.

Wearable ECG device components and placement

Table 1.

Wearable ECG device service info

MAC Address는 웨어러블 심전도 센서 디바이스에 할당된 고유한 식별자로 이를 통해 모바일 애플리케이션에서 디바이스를 식별하고 연결 및 통신을 수행한다. 연속적인 신호에서 단위 시간당 얻어진 샘플 수를 의미하는 sample rate, 하나의 샘플을 표현하는데 필요한 바이트 수를 의미하는 byte per sample, 신호에서 동시에 처리되는 독립적인 신호의 개수를 의미하는 number of channel, A/D conversion bit 정보는 심전도 신호의 획득, 전송, 데이터 처리 및 분석에 이용된다. 모바일 장치와 연결된 디바이스는 250ms를 주기로 130 Byte의 패킷을 보내게 되며, 이때 심전도 신호의 경우 단일채널의 100 Byte, 50 sample로 구성되어 있다. 모바일 장치에서는 Little-Endian 방식으로 저장된 패킷을 처리하여 신호에 대한 값을 얻어내게 된다.

2-2 심전도 신호 데이터

심전도를 분석하는 것은 심장의 전기적 활동을 해석하는 것으로 심장 질환의 적절한 진단에 중요한 역할을 한다. 일반적으로 심전도 신호는 P, Q, R, S, T, U 파형을 가지며 정상적인 심전도는 순서대로 이 파형이 반복된다. 각 파형의 모양, 위치를 통해 심장의 문제를 확인할 수 있으며 특히 심실이 수축 전에 탈분극될 때 생성되는 전류로 인해 발생하는 QRS 복합체에 기반한 특징은 심전도 분석에 유용하게 이용된다[6].

본 논문의 정밀분석 서버시스템에서 심장 박동 이상 징후를 감지하기 위해서는 먼저 부정맥 감지 시스템이 구현되어야 하며, 이를 위해서는 심전도의 R-peak 검출이 선행되어야 한다. 먼저, 심전도 신호는 대역 통과 필터링, 정규화, 미분 및 절댓값 반환, 이동 적분 윈도우, peak 감지, 교정 순서의 과정을 거쳐 R-peak가 감지된다. 이때, R-peak 감지 알고리즘은 심전도 신호에서 QRS 복합체를 감지하기 위하여 가장 일반적으로 사용되는 Pan-Tompkins의 알고리즘 방식을 바탕으로 구현하였다[7].

본 연구를 위하여 사용된 심전도 신호는 MIT-BIH에서 제공하는 Arrhythmia 데이터를 이용하였다[8]. MIT-BIH 데이터는 ‘정상’과 15종의 부정맥으로 구성된 ‘비정상’ 두 개의 클래스로 나누어 구성되어있다. 부정맥 감지 알고리즘 개발을 위하여 MIT-BIH 데이터에 제공된 R-peak의 위치를 기준으로 좌측 2.5초와 우측 0.5초 총 3초의 분할된 신호를 사용하였으며, 그 결과 ‘정상’ 74,666개와 부정맥을 의미하는 ‘비정상’ 30,712개로 총 105,378개의 심전도 신호 데이터를 추출하였다. 정상과 비정상에 대한 데이터의 분할 결과 예시는 그림 3과 같다. 그림 3에 보이는 바와 같이, 2.5초 지점을 벗어난 지점들에서도 수많은 R-peak의 형상이 나타나는데, 이는 건강한 성인의 안정기 평균 심박수가 60~100이라는 점을 고려하면 3초 동안 R-peak는 3~5개가 나타날 수 있기 때문이다.

Fig. 3.

Example of normal and abnormal data segmentation

2-3 모바일 애플리케이션 및 서버

사용자가 모바일 애플리케이션을 이용하고자 할 경우 먼저 사용자 등록을 진행하게 된다. 이때 중복 등록을 방지하기 위해 서버에 저장되어있는 사용자 데이터베이스를 참조한다. 서버에서 중복되지 않음을 검증받게 되면 등록 과정이 종료되고 다음과 같은 4가지의 기능을 사용할 수 있게 된다.

먼저 현재 착용하고 있는 센서 디바이스 장치를 연결하기 위해 주변의 블루투스 장치를 스캔하고 스캔 된 장치들의 리스트들 중에서 심전도 센서 장치와 연결을 맺는 기능이다. 연결 후 심전도 모니터링과 데이터 처리에 필요한 장치의 서비스 정보는 모바일 기기를 거쳐 서버에 전송되어 저장된다.

두 번째로는 심전도 신호의 수신 및 분석으로 심전도 센서 디바이스로부터 신호를 수신하고 분석을 통해 비정상적 리듬의 발생 여부를 판단한다. 이때 수신된 심전도 신호의 실시간 부정맥 발생 여부의 판정은 모바일 애플리케이션 및 서버에서 모두 이루어진다. 서버에서는 대용량 모델을 통하여 정밀한 진단이 이루어지며, 서버와의 통신이 어려울 경우를 대비하여 모바일 애플리케이션에서는 정확도가 떨어지는 경량모델을 실행한다. 서버와의 통신 장애 발생 시 모바일 애플리케이션에서 수집 및 실행된 모든 신호 및 데이터는 서버로 전송된다.

세 번째로는 부정맥이 감지되었을 경우에 대한 알람 송출 기능으로 서버 또는 단말 애플리케이션에서의 분석에서 부정맥이 감지된 경우 사용자가 미리 설정한 연락처로 알람 메시지를 보내 위험 상황에 대비할 수 있다.

마지막으로는 부정맥 감지 여부가 포함된 분석 리포트의 조회 기능으로 날짜 정보를 통해 심전도의 분석에 대한 리포트를 열람할 수 있다.

다음 그림 4에서는 사용자, 모바일 단말 및 서버 사이에서 이루어지는 서비스 기능의 작동 시나리오 및 데이터 송수신에 대한 흐름을 나타내고 있다.

Fig. 4.

Process of data processing and saving data in mobile application and server

3-1 R-peak 감지 및 부정맥 감지 알고리즘

제 II 장에서 설명한 심전도의 R-peak 감지 알고리즘의 구현에 있어서 대역 통과 필터링은 저주파와 고주파 노이즈를 제거하여 QRS 복합체를 잘 감지할 수 있도록 신호 대 잡음비를 높이는데 사용되었으며, 미분 및 절댓값 반환 과정은 ECG 신호에서 급격한 상승과 하강을 나타내는 특징을 이용하여 신호율을 계산하고 큰 피크를 더 강하게 강조하기 위해 사용되었다. 이후 QRS 복합체를 뚜렷하게 감지하기 위해 신호의 변화를 통합하여 감지하는 과정인 이동 적분 윈도우 필터링 과정을 거치며, 최종적으로 임계점이 2.1 이상인 피크의 위치를 R-peak의 위치로 지정하였다[7]. 이때, 이동 적분 윈도우의 길이는 알고리즘 성능에 영향을 주지 않으므로 임의의 길이를 선택할 수 있으나 본 연구에서는 1초의 길이를 선택하였다. 또한, 임계치 값 2.1은 반복적 검증을 통하여 선정하였으며, 전처리 및 정규화 방법의 차이로 인하여 달라질 수 있을 것이다.

그림 5는 최종적으로 얻어진 R-peak 감지 결과의 예시로 R-peak는 ECG 신호에 빨간색 점으로 표시되었다. 이 그림에서 보는 바와 같이 R-peak의 강도는 다른 peak들에 비해 월등히 높으며, 리듬이 불규칙하거나 신호가 왜곡된 구간에서도 peak 감지가 잘 이루어지고 있음을 보여주고 있다.

Fig. 5.

Example of ECG R-peak detection algorithm

심전도 신호는 시간에 따른 전압 변화를 기록한 1차원 시계열 데이터로 정상적인 심박동인지 판별하는데 있어 신호의 연속적인 패턴이 중요한 역할을 한다. 따라서 연속적인 데이터의 상관관계를 학습하고 신호의 주요 특징이 발생하는 구간을 알아내기 위해 합성곱 신경망 모델을 이용하였다.

부정맥을 감지하기 위한 합성곱 신경망 모델의 구조는 그림 6와 같으며 1차원 1D convolution layer 2개와 2개의 은닉층을 가진 MLP(multi-layer perceptron)로 구성되었다[9],[10]. 2개의 1D convolution layer의 mask는 각각 16개이고 크기는 31이며 활성함수는 ReLU를 사용하였으며, 각 1D convolution layer마다 maxpooling 통해 출력 크기를 절반으로 줄였다. 또한, 2개의 MLP 은닉층은 각각 128개의 뉴런을 가지며, 출력층의 1개의 뉴런을 포함하여 모든 뉴런의 활성함수는 모두 sigmoid 함수로 설정하였다.

Fig. 6.

Architecture of CNN model for arrhythmia detection

신경망 학습과 성능 검증을 위하여 총 105,378개의 심전도 segment 신호를 5:5로 분할하여 학습용과 성능 시험용으로 사용하였다. 신경망의 매개변수를 효과적으로 학습시키기 위한 최적화는 Adam 방식을 사용하였고, convolution layer에 Batch-Normalization 층과 Drop-Out 층을 적용하여 과적합(overfitting)의 발생 가능성을 최소화하였다. 또한, ‘정상’과 ‘비정상’ 클래스 간의 데이터의 수는 각각 74,666개, 30,712개로 데이터가 균일하지 않아 이를 해결하기 위한 방안으로 클래스별로 상이한 가중치를 학습률(learning rate)에 적용하였다.

학습의 결과에 대한 평가 척도는 일반적으로 사용되는 정확도(accuracy), 민감도(sensitivity) 및 특이도(specificity)를 이용하였으며, 이의 계산은 식 (1), 식 (2) 및 식(3)과 같다. 수식에서 사용된 TP, TN, FP, FN은 각각 True Positive, True Negative, False Positive, False Negative를 의미한다.

부정맥을 감지하기 위한 1차원 합성곱 신경망 모델의 성능 평가를 위한 데이터 52,689개에 대하여 부정맥을 의미하는 비정상과 정상을 판별하는 모델은 임곗값이 0.5인 sigmoid 함수를 출력 노드의 활성 함수로 가지며 0.5 이상이면 비정상으로 출력하고 0.5 미만이면 정상으로 출력한다. 그에 따른 평가 결과는 그림 7(a)의 혼돈 행렬과 같다.

Fig. 7.

Confusion matrix and performance index for threshold value of (a) 0.5 and (b) 0.075

모든 클래스의 중요도를 동일하게 다루는 일반적인 문제와 다르게 부정맥의 감지는 특정 클래스로의 분류가 중대한 문제를 일으킬 수 있다. 즉, ‘정상’을 ‘비정상’으로 분류하는 오류를 의미하는 False positive는 단순히 주의해야 하는 정도의 비용을 요구하지만, ‘비정상’을 ‘정상’으로 분류하는 오류를 의미하는 False negative는 치명적인 비용을 요구할 수 있다. 따라서, 양성인 부정맥 사례를 음성인 정상으로 판단하는 False negative의 비율을 최대한 낮춰야 하는 점이 학습의 중요한 고려 사항이다. 이를 위해서는, 그림 7(a)의 혼돈행렬 중 부정맥을 정상으로 판별한 데이터의 개수가 350개, 오류율 2.28%를 나타내는 우상 구역을 최소로 하는 판정 기준을 설정하여야 한다.

간단한 방법으로 출력 노드의 임곗값을 낮춤으로써, 비록 ‘정상’을 ‘비정상’으로 분류하는 오류인 False positive의 비율은 상승할지라도, ‘비정상’ 즉 부정맥 사례를 ‘정상’으로 판단하는 False negative의 비율을 낮출 수 있다. 그림 7(b)는 임곗값을 0.075로 설정한 경우인데, 혼돈행렬의 우상 구역의 오류가 1.00%로 그림 7(a)의 2.28% 경우보다 현격히 낮아졌다. 반면 False positive를 나타내는 좌하 구역의 오류는 0.55%에서 2.75%로 높아졌고, 정확도(Accuracy) 역시 98.95%에서 97.76%로 낮아졌다.

TensorFlow 모델을 TensorFlow Lite로 변환하여 동일한 구조의 학습된 모델을 모바일 환경에 적용하여 부정맥 진단에 활용하였다. 삼성 갤럭시 탭 S9의 모바일 단말에서 약 40ms 내외의 분류 시간이 소요되었으며, 이는 실시간 부정맥 진단이 가능함을 보여주는 수치이다. 따라서 서버용으로 설계된 모델은 TensorFlow Lite를 탑재한 적절한 컴퓨팅 성능을 갖는 모바일 단말에서 서버와 동일한 정확도를 제공하는 모바일용 경량 모델로도 활용할 수 있을 것이다. 또한, 필요에 따라서는 정확도가 조금 낮아질지라도 모델의 구조를 경량화하여 컴퓨팅 성능이 낮은 모바일 단말에도 적용이 가능할 것이다.

3-2 주요 기능 구현

모바일 애플리케이션은 사용자가 휴대하는 단말기에서 실행되며, 단말기로는 스마트폰이나 태블릿 등이 대표적이다. 사용자는 모바일 애플리케이션을 통하여 사용자 등록, 심전도 웨어러블 장치와 연결, 심전도 신호 수신, 서버와의 통신 관리, 수신 신호 및 사용자 정보를 서버로 송신, 서버의 분석 결과 및 경고 메시지 수신, 실시간 부정맥 진단 등의 기능을 수행한다. 이와 더불어 심전도의 기록 및 분석에 대한 보고서 생성을 포함한 다양한 사용자 인터페이스를 제공한다. 그림 8은 구현된 모바일 애플리케이션의 화면을 보여주고 있다.

Fig. 8.

An example of the mobile application screen

모바일 애플리케이션을 최초로 실행할 때 사용자는 로그인 및 회원가입 기능을 통하여 사용자 등록을 수행하게 되며, 부정맥이 감지되었을 때 알람 메시지를 보내기 위한 연락처를 추가 등록하게 된다. 입력된 사용자 정보와 알람 메시지의 연락처 정보는 서버로 전송되어 저장되며 이후 매뉴얼의 안내에 따라 웨어러블 심전도 디바이스를 착용한 후 사용자는 블루투스 장치를 스캔하여 장치명 또는 MAC 주소를 통해 착용하고 있는 센서 디바이스와 연결을 진행한다.

이상의 과정이 모두 완료되면 심전도 측정 페이지에 접근이 가능하며, 오프셋이 5초인 심전도 신호와 사용자의 움직임에 대한 가속도계 신호를 나타내는 총 2개의 그래프를 실시간으로 모니터링을 할 수 있으며 1초마다 업데이트된다. 측정된 신호는 단말에 그래프로 제공하는 것과 동시에 서버로 전송된다. 또한, 서버로부터 부정맥 발생 경고 메시지를 수신하였을 경우 소리, 진동, 화면 깜빡임 등과 같은 경고를 발생한다. 이때, 옵션에 따라 미리 설정된 연락처로 문자, 전화, 메신저 등을 발송할 수 있으며, 이는 서버에서도 이루어진다.

만약 모바일 단말기가 서버와 통신이 불가한 경우 모바일 단말기는 미리 탑재된 경량 부정맥 감지 모델을 구동하여 부정맥의 발생 여부를 실시간으로 분석한다. 이때 경량 분석 모델은 서버의 정밀분석 모델과 동일한 알고리즘을 사용하거나 계산 부담이 적은 모델을 채용할 수 있으며, 모델의 파라미터는 별도로 학습되어 서버로부터 전송을 받는다. 한편, 통신 장애 기간에 수신된 신호 정보는 모두 단말에 저장되었다가 서버와의 통신이 재개될 때 서버로 전송한다.

서버의 주요 기능은 사용자 정보와 심전도 및 움직임에 대한 데이터 신호의 수신 및 저장, 관리하는 기능을 수행하며, 분석 및 리포트 생성과 관련된 다양한 기능들을 포함하고 있다. 특히 분석 결과에 따라 부정맥이 발생하였을 경우 발생 시간, 지속 시간 등의 상세 정보를 포함한 경고 메시지를 모바일 단말로 송신하여 사용자가 대응할 수 있도록 지원한다.