심장 부정맥 진단을 위한 SVM‑EHO 하이브리드 모델

본 논문은 심장 부정맥을 조기에 탐지하기 위한 자동 ECG 분류 시스템을 제안한다. 서론에서는 전 세계 사망 원인 1위인 심혈관 질환의 심각성을 강조하고, ECG가 저비용·비침습적 진단 도구로 널리 사용됨을 언급한다. 기존 연구들을 검토하면서, 특징 추출·선택과 분류기 파라미터 최적화가 성능에 결정적 영향을 미친다는 점을 지적한다. 재료와 방법 섹션에서는 MIT‑BIH arrhythmia 데이터베이스의 10명 환자(다양한 부정맥 레코드 포함)를 사용했으며, 각 레코드에서 P, Q, R, S, T 파형을 식별한다. 전처리 단계는 Modified Pan‑Tompkins Algorithm(MPTA)를 적용해 전력선 잡음(≈60 Hz)과 베이스라인 워터링(0.15–0.3 Hz)을 제거한다. MPTA는 저역·고역 필터링 → 미분 → 제곱 → 이동 평균 적분 → 임계값 검출 순서로 진행돼 QRS 복합체와 P·T 파형을 정확히 검출한다. 특징 추출은 두 단계로 이루어진다. 첫 번째 단계인 MPTA 기반 추출에서는 9개의 기본 파형 특징(예: P‑peak 진폭, Q‑R 간격, S‑peak 지속시간 등)을 얻는다. 두 번째 단계인 Improved Feature Extraction Algorithm(IFEA)는 MPTA 출력에서 파형 라벨을 해석해 추가 10개의 파생 특징(예: RR 간격 변동, 심박 변동성, 파형 형태 비율 등)을 생성한다. 이렇게 총 19개의 후보 특징이 확보된다. 특징 선택 및 SVM 파라미터 최적화는 Elephant Herding Optimization(EHO)으로 수행한다. EHO는 무리(clan)와 수컷 분리 연산을 통해 탐색(Exploration)과 이용(Exploitation)을 균형 있게 수행한다. 각 코끼리 개체는 선택된 특징 집합과 SVM의 C, γ(가우시안 커널 폭) 값을 포함하는 위치벡터이며, 적합도는 3‑fold leave‑one‑out 교차검증에서 얻은 평균 정확도로 정의된다. 알고리즘은 초기 무작위 군집을 생성하고, 매 세대마다 클랜 업데이트와 분리 연산을 적용해 최적 개체를 탐색한다. 최종 최적 개체는 19개 중 일부 특징(예: R‑peak 진폭, RR 간격, T‑wave 지속시간 등)과 최적 C, γ 값을 제공한다. 분류 단계에서는 최적화된 특징 집합과 파라미터를 사용해 Support Vector Machine(SVM) 모델을 학습한다. SVM은 가우시안(RBF) 커널을 채택했으며, 하이퍼파라미터 C와 γ는 EHO에 의해 동시에 최적화된다. 평가 지표는 정확도, 민감도, 정밀도, F‑measure, 특이도이며, 3‑fold 교차검증을 통해 평균값을 보고한다. 실험 결과, 제안된 EHO‑SVM 모델은 전체 정확도 93.31%를 달성했으며, 이는 기존 PSO‑NN(≈88%), BFO‑NN(≈86%) 등과 비교해 유의미하게 향상된 수치이다. 그러나 민감도(45.49%), 정밀도(46.45%), 특이도(45.48%)가 모두 50% 이하로, 양성(부정맥) 사례를 놓치는 비율이 높다. 이는 데이터셋 내 정상·비정상 비율 불균형과 이진 분류 설계가 주요 원인으로 추정된다. 논문은 이러한 한계를 인정하고, 클래스 가중치 부여, 오버샘플링, 다중 클래스 확장 등을 통한 개선 방안을 제시한다. 결론에서는 EHO를 활용한 단계적 특징 선택과 SVM 파라미터 최적화가 ECG 부정맥 분류에 효과적임을 강조한다. 또한, 향후 연구 방향으로 (1) 다중 부정맥 유형을 포함한 다중 클래스 분류, (2) 실시간 적용을 위한 연산량 최적화, (3) 다른 메타휴리스틱과의 비교 및 하이브리드 모델 개발, (4) 임상 현장 데이터와의 검증을 제시한다.