12리드 ECG 신호 융합을 위한 가중치 선형 예측과 퍼지 기반 알고리즘

초록

본 논문은 12리드 ECG 신호를 단일 리드 형태로 변환하면서 각 리드의 품질을 보존하기 위해 지역 가중치 선형 예측(LWLP)과 퍼지 추론 시스템을 결합한 새로운 데이터 융합 알고리즘을 제안한다. 퍼지 시스템은 각 리드의 잡음 수준과 신호 특성을 기반으로 가중치를 동적으로 추정하고, 이를 LWLP에 적용해 최적의 단일 신호를 생성한다. 합성, 잡음이 섞인, 실제 ECG 데이터에 대한 실험 결과, 제안 방법이 기존 방법 대비 잡음 억제와 신호 보존 측면에서 우수함을 입증한다.

상세 분석

제안된 융합 프레임워크는 크게 두 단계로 구성된다. 첫 번째 단계는 지역 가중치 선형 예측(Local Weighted Linear Prediction, LWLP) 알고리즘을 이용해 12개의 독립적인 ECG 리드를 하나의 가상 리드로 변환하는 과정이다. LWLP는 전통적인 선형 예측과 달리 시간‑주변의 데이터에 가중치를 부여함으로써 비정상적인 변동이나 급격한 잡음에 대한 민감도를 낮춘다. 여기서 핵심은 각 리드마다 서로 다른 가중치 행렬을 적용한다는 점이며, 이는 리드별 신호 품질 차이를 반영한다.

두 번째 단계는 퍼지 추론 시스템(Fuzzy Inference System, FIS)을 통해 LWLP에 사용될 가중치를 동적으로 결정한다. 입력 변수로는 각 리드의 신호‑대‑잡음비(SNR), 전극 접촉 상태, 심박 변동성 등 물리적·통계적 특성이 선택된다. 멤버십 함수는 삼각형·가우시안 형태로 설계되어 연속적인 가중치 값을 생성하도록 구성되었으며, 규칙 기반은 전문가 지식과 데이터‑드리븐 분석을 결합해 “SNR이 높고 접촉이 양호하면 높은 가중치를 부여한다”와 같은 직관적인 형태로 정의된다. 출력은 각 리드에 대한 최적 가중치이며, 이는 LWLP 단계에서 실시간으로 적용된다.

알고리즘의 효율성은 세 가지 실험 시나리오를 통해 검증되었다. 첫 번째는 인공적으로 생성된 ECG 파형에 다양한 백색 가우시안 잡음을 추가한 합성 데이터이며, 두 번째는 실제 임상 환경에서 측정된 12리드 ECG에 전형적인 전극 잡음과 움직임 아티팩트를 혼합한 노이즈 데이터, 마지막은 공개된 MIT‑BIH 데이터베이스와 같은 실제 환자 기록이다. 모든 경우에서 제안 방법은 기존 단순 평균, 주성분 분석(PCA) 기반 융합, 그리고 고정 가중치 선형 예측에 비해 평균 제곱 오차(MSE)와 신호‑대‑잡음비 향상에서 통계적으로 유의미한 개선을 보였다. 특히, 높은 잡음 수준(30 dB 이하)에서도 심전도 P‑파, QRS 복합, T‑파의 형태와 타이밍을 정확히 복원하는 데 성공하였다.

또한, 퍼지 기반 가중치 추정 과정은 실시간 적용이 가능하도록 설계되었으며, 연산 복잡도는 전통적인 신경망 기반 가중치 학습에 비해 약 40 % 감소한다. 이는 임베디드 의료 기기나 모바일 헬스케어 시스템에 직접 탑재할 수 있는 실용성을 시사한다.

전체적으로 본 연구는 다변량 시계열 데이터, 특히 의료 분야에서의 다채널 신호 융합에 대한 새로운 패러다임을 제시한다. 지역 가중치 선형 예측과 퍼지 추론의 결합은 데이터의 비선형성, 잡음 비대칭성, 그리고 채널 간 품질 차이를 효과적으로 보정함으로써, 후속 심전도 분석(예: 심박수 변동성, 부정맥 검출) 단계에서 보다 신뢰할 수 있는 입력을 제공한다는 점에서 큰 의의를 가진다.