단일 복부 ECG에서 태아 심전도 추출: 디쉐이프 STFT와 비국소 중위값 방법

본 논문은 단일 채널 복부 ECG(aECG) 신호에서 모체와 태아의 심전도 신호를 동시에 분리·복원하는 새로운 방법론을 제시한다. 서론에서는 aECG가 모체 심전도(maECG)와 태아 심전도(fECG)라는 두 개의 주요 성분과 다양한 비정상 잡음으로 이루어져 있어, 기존의 다채널 기반 방법이나 단순 템플릿 서브트랙션 방식은 실용성이나 정확도 면에서 한계가 있음을 지적한다. 특히, 단일 채널만을 이용하는 경우에는 신호‑대‑잡음비(SNR)가 낮고, 두 심전도의 순간 심박수(mIHR, fIHR)가 시간에 따라 변동하기 때문에 전통적인 선형 신호 처리 기법이 적용되기 어렵다. 이를 해결하기 위해 저자들은 aECG를 적응 비조화 모델(Adaptive Non‑Harmonic, ANH)로 수학화한다. ANH 모델은 각 성분이 시간에 따라 변하는 진폭·주파수·비정현 파형을 갖는 비선형 진동으로 표현되며, 이를 통해 모체와 태아의 기본 즉시 주파수(IF)가 각각 mIHR, fIHR에 해당함을 명시한다. 모델 정의 뒤에는 두 성분 사이의 주파수 분리 조건과 비배수 조건을 제시해, 두 신호가 서로 겹치지 않도록 보장한다. 핵심 알고리즘은 네 단계로 구성된다. 첫 번째 단계는 디쉐이프 단시간 푸리에 변환(de‑shape STFT)이다. 기존 STFT와 켑스트럼을 결합한 비선형 시간‑주파수 분석 기법으로, aECG의 복합 스펙트럼에서 기본 주파수 성분을 효과적으로 분리한다. 이를 통해 모체와 태아의 순간 심박수를 직접 추정한다. 두 번째 단계는 동적 프로그래밍 기반 비트 트래킹(beat tracking)으로, 추정된 심박수 곡선을 가이드라인으로 삼아 정확한 R‑peak 위치를 찾는다. 이 과정에서 주파수 정보와 형태학적 피처를 동시에 활용함으로써 잡음에 강인한 검출이 가능하다. 세 번째 단계는 비국소 중위값(non‑local median) 알고리즘을 이용한 파형 복원이다. R‑peak를 중심으로 일정 길이의 윈도우를 잡아 세그먼트를 추출하고, 비유클리드 거리 기준으로 형태가 유사한 세그먼트를 군집화한다. 각 군집의 중위값을 템플릿으로 사용해 모체 ECG를 재구성한다. 네 번째 단계에서는 재구성된 모체 템플릿을 원 신호에서 빼고, 남은 신호에 다시 디쉐이프 STFT와 비트 트래킹을 적용해 태아의 순간 심박수를 추정한다. 이후 동일한 비국소 중위값 절차를 거쳐 최종 fECG를 복원한다. 알고리즘의 성능은 공개된 시뮬레이션 데이터베이스(fecgsyn)와 두 실제 데이터베이스(adfecgdb, CinC2013)에서 평가되었다. 시뮬레이션 실험에서는 다양한 SNR 조건(-5 dB~5 dB)에서 모체와 태아 심박수 추정 평균 오차가 각각 2.1 bpm, 2.8 bpm 이하였으며, fECG 복원 시 F1‑score가 0.92에 달했다. 실제 데이터에서는 전문가가 제공한 어노테이션과 비교했을 때, 모체 R‑peak 검출 정확도는 99 % 이상, 태아 R‑peak 검출 정확도는 95 % 이상을 기록했다. 특히, 기존 단일 채널 방법들(템플릿 서브트랙션, S‑transform 기반 방법 등)보다 잡음에 대한 강인성이 현저히 향상되었다는 점이 강조된다. 논문의 한계점으로는 매우 낮은 SNR(≤ -10 dB) 상황에서 fECG R‑peak 검출이 불안정하고, 알고리즘에 사용되는 윈도우 길이·거리 임계값 등 파라미터가 데이터 특성에 따라 민감하게 작용한다는 점을 들었다. 또한, 현재는 비선형 모델 파라미터를 사전에 설정해야 하므로, 실시간 임상 적용을 위해서는 자동 파라미터 최적화가 필요하다. 결론에서는 디쉐이프 STFT가 비선형, 비조화 신호의 기본 주파수를 정확히 추출함으로써 심박수 추정에 강점을 보였으며, 비국소 중위값이 형태 변동과 잡음에 대한 견고한 파형 복원을 가능하게 했다고 정리한다. 향후 연구 방향으로는 딥러닝 기반 사전 모델과 결합한 하이브리드 시스템, 실시간 구현을 위한 연산 최적화, 그리고 다채널 데이터와의 통합을 통한 성능 향상을 제시한다.