ECG 기반 발작성 심방세동 예측을 위한 시계열 커널 유사도 연구

본 논문은 착용형 디바이스가 수집한 장시간 ECG 데이터를 활용해 발작성 심방세동(PAF) 발현을 사전에 예측하는 새로운 방법론을 제시한다. 서론에서는 PAF가 가장 흔한 부정맥이며, 많은 경우 무증상으로 진행돼 조기 진단이 어려운 현실을 강조한다. 기존 연구들은 엔트로피, P‑wave 특성, R‑R 간격 변동성 등 다양한 단일 특징에 의존했지만, 시계열 전체 구조를 포괄적으로 활용한 접근은 부족했다는 점을 지적한다. 데이터는 PhysioNet PAF Prediction Challenge에서 제공된 30분 길이의 ECG 레코드 106개를 사용한다. 각 레코드는 두 개의 센서(리드)에서 동시에 수집되며, 훈련 세트는 PAF‑prone 50개와 정상 50개, 테스트 세트는 PAF‑prone 28개를 “발현 직전”(close‑to‑onset)과 “비발현”(far‑from‑onset)으로 구분해 56개 샘플을 만든다. 이 데이터는 PAF 발생을 15분 전까지 예측하는 과제를 포함한다. 방법론은 세 단계로 구성된다. 첫 번째 단계는 특징 추출이다. 원시 ECG에 형태학적 필터링을 적용해 베이스라인 드리프트와 근육 잡음을 제거하고, 두 리드의 신호를 RMS 방식으로 결합한다. 이후 디지털 웨이블릿 변환을 이용해 각 심장 박동의 R‑R 간격과 P, QRS, T 파형의 시작·피크·끝 위치, 진폭, 면적, 폭 등을 95개의 시간적 특징으로 추출한다. 두 번째 단계는 특징 선택이다. Pearson 상관계수를 기반으로 높은 상관성을 보이는 변수를 제거해 22개의 핵심 변수를 선정한다. 이는 변수 간 중복을 최소화하고 메모리·연산 부담을 크게 낮춘다. 세 번째 단계는 커널 기반 분류이다. 두 종류의 시계열 커널, Learned Pattern Similarity(LPS)와 Time Series Cluster Kernel(TCK)를 사용한다. LPS는 회귀 트리 기반 “bag‑of‑words” 표현을 통해 부분 패턴을 학습하고, 트리 구조가 결측치를 자연스럽게 처리한다. TCK는 다중 Gaussian Mixture Model 앙상블을 이용해 각 시계열의 사후 분포를 구하고, 이들 간 내적을 합산해 커널을 만든다. 두 커널 모두 고정 길이 T(최장 시계열 길이의 1/25 배)로 선형 보간한 뒤 표준화(평균·표준편차)한다(단, LPS는 스케일 불변성을 활용해 표준화를 생략). 커널 행렬 Ktr(훈련‑훈련)과 Kte(테스트‑훈련)를 구한 뒤, 두 가지 분류 전략을 적용한다. 첫 번째는 원본 MTS 공간에서 커널 SVM을 직접 학습하는 방법이며, 두 번째는 각 시계열을 훈련 샘플에 대한 유사도 벡터(임베딩)로 변환해 선형 SVM을 학습하는 방법이다. 임베딩 방식은 차원 축소와 동시에 데이터 간 관계를 명시적으로 반영한다. 실험 결과, LPS와 TCK 모두 기존 최고 수준의 정확도(≈0.80 이상)를 달성했으며, 특히 15분 전까지 PAF 발현을 예측하는 경우에도 민감도와 특이도가 모두 0.75 이상으로 유지되었다. 임베딩 기반 분류가 원본 커널 SVM보다 약간 빠른 학습·추론 시간을 보였으며, 두 커널 모두 높은 병렬화 가능성을 보여 임베디드 시스템에 적합함을 입증했다. 논문의 주요 기여는 다음과 같다. (1) 결측치를 직접 처리할 수 있는 최신 MTS 커널을 PAF 예측에 최초 적용, (2) 원본 시계열 공간과 커널 임베딩 공간 두 가지에서의 분류 성능을 체계적으로 비교, (3) 조기 예측(최대 15분 전) 가능성을 실증, (4) 병렬 처리 친화적인 설계로 실시간 의료 모니터링 시스템에 적용 가능성을 제시. 한계점으로는 데이터셋 규모가 제한적이며, 전처리 단계에서 RMS 결합 및 웨이블릿 기반 특징 추출이 계산 비용을 요구한다는 점이다. 향후 연구에서는 더 큰 코호트와 다양한 센서 구성을 포함한 일반화 검증, 그리고 전처리 경량화를 통한 실제 착용형 디바이스 구현을 목표로 할 수 있다.