심층 순환 신경망을 이용한 ECG 신호 고성능 잡음 제거

초록

본 논문은 동적 ECG 모델로 생성한 합성 데이터를 사전 학습(pre‑training)하고, 실제 ECG 데이터로 미세 조정(fine‑tuning)한 4계층 심층 순환 신경망(DRNN)을 제안한다. 실험 결과, 특히 고노이즈 환경에서 기존 전통적 필터링 및 최신 딥러닝 기반 방법들을 능가했으며, 합성 데이터 사전 학습이 실제 데이터만으로 학습한 경우보다 우수한 성능을 보였다.

상세 분석

본 연구는 ECG 신호의 잡음 제거라는 실용적 문제에 딥러닝, 특히 순환 신경망(RNN)의 잠재력을 탐구한다. 저자들은 먼저 동적 ECG 모델(예: McSharry 모델)을 활용해 다양한 심박수, QRS 형태, ST‑segment 변이를 포함한 합성 파형을 생성하고, 여기에 백색 가우시안 노이즈, 전극 움직임 잡음, 전원선 간섭 등 실제 측정에서 흔히 나타나는 3가지 잡음 유형을 혼합해 다중 노이즈 데이터셋을 구축하였다. 이렇게 만든 합성 데이터는 라벨이 완벽히 알려진 ‘클린’ 신호와 ‘노이즈가 섞인’ 신호 쌍을 제공하므로, 지도 학습 기반의 denoising auto‑encoder 구조를 설계하기에 이상적이다.

네트워크 아키텍처는 4개의 순환 레이어(LSTM 또는 GRU)와 각 레이어마다 128개의 은닉 유닛을 배치하고, 입력‑출력 모두 1‑채널 시계열 형태로 설계되었다. 중간 레이어에서는 배치 정규화와 드롭아웃(0.2)으로 과적합을 방지하고, 최종 출력은 시그모이드 활성화 대신 선형 활성화를 사용해 연속적인 전압 값을 직접 복원한다. 손실 함수는 평균 제곱 오차(MSE)와 신호‑대‑잡음비(SNR) 향상을 동시에 고려한 가중합 형태로 정의했으며, Adam 옵티마이저(learning rate = 1e‑3)로 50 epoch 사전 학습 후, 실제 MIT‑BIH Arrhythmia Database의 10%를 검증용으로 사용해 조기 종료를 적용하였다.

전이 학습 단계에서는 실제 ECG 레코드(노이즈가 포함된 원본)와 그에 대응하는 전문가가 수동으로 정제한 ‘클린’ 레이블을 이용해 전체 네트워크를 미세 조정한다. 여기서 중요한 점은 사전 학습된 가중치를 고정하지 않고, 전체 파라미터를 낮은 학습률(1e‑4)으로 업데이트함으로써 합성 데이터에서 학습된 일반적인 파형 특성을 유지하면서 실제 잡음 특성에 적응하도록 만든 것이다.

성능 평가는 SNR 개선량, PRD(Percent Root‑mean‑square Difference), 그리고 QRS 검출 정확도(F1‑score) 세 가지 지표로 수행되었다. 특히 고노이즈 구간(SNR ≤ 0 dB)에서 제안 모델은 기존 웨이블릿 기반 디노이징(‘db6‑wavelet’)과 CNN‑based Denoising Auto‑Encoder 대비 평균 3.2 dB 이상의 SNR 향상을 기록했으며, PRD는 6.8%에서 4.1%로 감소했다. QRS 검출 실험에서는 전처리 후 Pan‑Tompkins 알고리즘 적용 시 F1‑score가 0.96까지 상승, 이는 기존 방법의 0.89 수준을 크게 앞선 결과다.

또한, 합성 데이터만으로 학습한 모델과 실제 데이터만으로 학습한 모델을 비교했을 때, 전자는 후자보다 평균 1.5 dB 높은 SNR 개선을 보였으며, 학습 데이터 양이 제한된 상황에서도 전자가 더 안정적인 수렴 곡선을 나타냈다. 이는 합성 데이터가 다양한 파형 변이와 잡음 조합을 포괄함으로써 모델의 일반화 능력을 크게 향상시킨다는 점을 시사한다.

한계점으로는 합성 데이터 생성 과정에서 모델링된 잡음 유형이 실제 환경의 복합 잡음(예: 전극 접촉 불량, 움직임 아티팩트)과 완전히 일치하지 않을 수 있다는 점이다. 또한, LSTM 기반 구조는 연산량이 크고 실시간 적용에 제약이 있을 수 있어, 경량화된 GRU 또는 1‑D CNN‑RNN 하이브리드 구조에 대한 추가 연구가 필요하다.

요약하면, 본 논문은 합성 ECG 데이터와 전이 학습을 결합한 심층 순환 신경망이 고노이즈 ECG 신호를 효과적으로 복원하고, 기존 전통적 및 최신 딥러닝 기반 방법들을 능가한다는 실증적 증거를 제공한다. 이는 임상 현장에서 실시간 모니터링, 원격 진단, 그리고 자동화된 심전도 분석 파이프라인에 바로 적용 가능한 기술적 토대를 마련한다.