신체 진동 심전도 신호의 적응형 특징 추출 및 분류 알고리즘

초록

본 연구는 심장 진동을 기록한 Seismocardiographic(SCG) 신호를 신호 변화량에 따라 가변 길이의 구간으로 나누는 적응형 특징 추출 방식을 제안한다. 7명의 건강한 피험자에서 고·저 폐용량 단계의 SCG 데이터를 수집하고, 추출된 특징을 서포트 벡터 머신(SVM)으로 분류하였다. 고정 구간(비적응형) 방식과 비교했을 때, 특히 구간 수가 적을수록 분류 정확도와 F1 점수가 크게 향상되어 평균 90% 수준의 정확도를 달성하였다.

상세 분석

이 논문은 기존의 고정 길이 구간을 이용한 특징 추출 방식이 SCG와 같이 비선형적이고 시간에 따라 급격히 변하는 생리 신호에 적합하지 않다는 점을 지적한다. 제안된 적응형 알고리즘은 신호의 미분값 혹은 변동성을 실시간으로 평가하여, 변화가 큰 구간에서는 짧은 bin을, 변화가 완만한 구간에서는 긴 bin을 할당한다. 이는 정보 손실을 최소화하면서도 차원 축소 효과를 유지한다는 장점을 가진다.

구체적으로, 알고리즘은 다음과 같은 단계로 구성된다. 첫째, 원시 SCG 신호에 저역통과 필터링을 적용해 잡음을 억제한다. 둘째, 연속적인 샘플 간 차분을 구해 절대값을 취하고, 이를 누적하여 구간 경계 후보를 생성한다. 셋째, 사전에 정의된 누적 변화 임계값(threshold)을 초과하면 새로운 bin을 시작한다. 이 과정에서 임계값은 실험적으로 최적화되며, 구간 수가 제한된 상황에서도 중요한 특징을 포착하도록 설계된다.

특징 추출 단계에서는 각 bin 내 평균값, 최대·최소값, 표준편차, 그리고 파워 스펙트럼의 주요 주파수 성분 등을 계산한다. 이렇게 얻어진 특징 벡터는 차원 수가 구간 수에 비례하므로, 구간 수를 16, 32, 64 등으로 조절하면서 성능을 평가한다. 분류기에는 선형 커널 SVM을 사용했으며, 교차 검증을 통해 하이퍼파라미터(C값)를 최적화하였다.

실험 결과는 두드러진 차이를 보인다. 비적응형 고정 구간 방식에서는 구간 수가 감소할수록 정보 손실이 급격히 늘어나, 16개의 bin에서는 평균 F1 점수가 0.63±0.08에 머물렀다. 반면 적응형 방식은 동일한 16개의 bin에서도 F1 점수가 0.91±0.05로 크게 향상되었으며, 전체 정확도 역시 90%에 육박했다. 이는 신호 변화에 따라 구간을 동적으로 조정함으로써, 중요한 심장 이벤트(예: S1, S2)의 타이밍 정보를 보존한 결과로 해석할 수 있다.

또한, 저용량(LLV)과 고용량(HLV) 단계 간의 SCG 파형 차이는 폐압에 따른 심장 위치 변화와 전도 경로 변동으로 설명될 수 있다. 적응형 특징 추출은 이러한 미세한 차이를 효과적으로 포착해, 임상적 상황에서 폐용량 변화를 비침습적으로 모니터링하는 가능성을 제시한다.

한계점으로는 피험자 수가 7명에 불과해 일반화에 제한이 있으며, 다양한 연령·성별·심혈관 상태를 포함한 대규모 코호트에서 검증이 필요하다. 또한, 현재는 SVM 단일 분류기에 의존하고 있어, 딥러닝 기반 시계열 모델과의 비교가 이루어지지 않았다. 향후 연구에서는 실시간 구현을 위한 저전력 임베디드 시스템 적용, 다중 클래스(예: 중간 폐용량) 분류, 그리고 심장 질환 환자군에 대한 적용 가능성을 탐색할 수 있다.

요약하면, 이 논문은 SCG 신호의 비정형성을 고려한 가변 구간 기반 특징 추출이 기존 고정 구간 방식보다 효율적이며, 특히 제한된 특징 차원에서 높은 분류 성능을 유지한다는 중요한 교훈을 제공한다. 이는 비침습적 심혈관·호흡 모니터링 기술 발전에 실질적인 기여를 할 것으로 기대된다.