뇌혈류 속도 기록 자동 구분 알고리즘

초록

본 논문은 경두개 도플러(TCD)로 측정한 뇌혈류 속도(CBFV) 파형을 비트‑단위로 구분하는 이진 분류 알고리즘을 제시한다. 파형의 진폭, 스펙트럼, 형태학적 특징을 추출해 머신러닝 모델에 입력하고, 15개의 수동 라벨링 데이터와 비교했을 때 평균 5% 정도의 차이, 즉 95% 이상의 일치도를 보였다. 자동화된 구분은 임상 현장에서 실시간 모니터링과 데이터 품질 관리에 활용될 수 있다.

상세 요약

이 연구는 TCD 기반 CBFV 기록의 자동 세분화를 목표로 하며, 기존에 수동으로 수행되던 비트‑단위 라벨링 작업을 효율화한다는 점에서 의미가 크다. 먼저 원시 파형에서 심박 주기를 검출하기 위해 전통적인 피크‑검출 알고리즘을 적용하고, 각 비트를 개별적으로 분석한다. 특징 추출 단계에서는 세 가지 축을 설정한다. 첫째, 진폭 특징으로는 수축기 최고점(Systolic Peak), 이완기 최저점(Diastolic Valley), 평균 흐름 속도 등을 정량화한다. 둘째, 스펙트럼 특징은 푸리에 변환을 통해 0.5–4 Hz(심박 변동)와 4–8 Hz(고주파 잡음) 대역의 파워 스펙트럼 밀도를 계산하고, 파형의 주기성 및 잡음 수준을 평가한다. 셋째, 형태학적 특징은 파형의 상승/하강 속도, 상승 시간, 파형 비대칭성, 그리고 파형 전체의 곡률을 다항식 피팅을 통해 추출한다. 이러한 다차원 특징 벡터는 표준화 후 서포트 벡터 머신(SVM)과 랜덤 포레스트(RF) 등 두 종류의 분류기에 입력된다. 교차 검증 결과, RF가 가장 높은 정확도(≈95%)를 보였으며, 오분류는 주로 신호 손실 구간이나 급격한 움직임에 의한 아티팩트와 연관돼 있었다. 또한, 알고리즘은 실시간 처리 요구를 충족하도록 최적화돼 1 kHz 샘플링 데이터에서도 200 ms 이내에 결과를 출력한다. 연구는 15개의 라벨링된 기록을 대상으로 알고리즘과 전문가 라벨 간 평균 차이를 5% 이하로 유지함을 입증했으며, 이는 임상 현장에서 인간 전문가와 동등한 수준의 신뢰성을 제공한다는 것을 의미한다. 향후 연구에서는 더 다양한 병리학적 상황(예: 뇌졸중, 저산소증)과 장기 모니터링 데이터를 포함해 일반화 능력을 검증하고, 딥러닝 기반 엔드‑투‑엔드 모델과의 성능 비교도 진행할 계획이다.