신경망 기반 위상유사 변환을 이용한 심장 단극 전기신호 매핑

초록

본 논문은 기존 위상 변환 대신 0‒1 구간의 사다리꼴 파형을 목표 신호로 삼아, 1차원 심근 모델에서 생성한 데이터로 학습한 컨볼루션 신경망(U‑Net 변형)을 통해 단극 전기신호를 변환한다. 변환된 사다리꼴 파형(위상유사 변환, PLT)을 이용해 인간 심실‑흉부 모델의 전기활동을 시각화한 위상 지도(phase map)를 생성하고, 실제 전위 분포와의 일치를 검증한다. 실험 결과 PLT가 전통적인 힐버트 기반 위상 변환과 유사한 공간 정보를 제공하면서, 복잡한 비정상 주기 신호에서도 높은 정확도를 보임을 확인하였다.

상세 분석

이 연구는 심장 전기생리학에서 널리 사용되는 위상 매핑 기법을 근본적으로 재구성한다. 기존 방법은 힐버트 변환이나 시간 이동을 통해 신호의 위상을 추출하고, 이를 공간적으로 보간해 회전 코어나 파동 전파 경로를 파악한다. 그러나 이러한 수학적 변환은 잡음에 취약하고, 파라미터 선택이 주관적이며, 비정상적인 주기(예: 심방 플러터, 심실 빈맥)에서는 위상 정의가 모호해지는 문제가 있다. 저자들은 위상 신호의 핵심 특성—즉, 탈분극 시점에서 급격히 1에서 0으로 전이되는 ‘브레이크’와 그 사이의 선형 감소 구간—을 단순한 사다리꼴 파형으로 모델링하고, 이를 목표 출력으로 삼는 위상유사 변환(PLT)을 제안한다.

PLT를 구현하기 위해 1‑D 심근 스트랜드 모델을 이용해 다양한 전도 속도, 자극 주파수, 전극 위치·높이 등을 변형시킨 300개의 전기신호를 생성하고, 이를 학습·검증 데이터셋으로 분할하였다. 각 신호는 전압을 정규화한 뒤 0 mV 임계값을 기준으로 탈분극 시점을 탐지해 사다리꼴 파형을 만든다. 이러한 데이터에 대해 저자들은 U‑Net 구조를 1‑D 컨볼루션으로 변형하였다. 커널 크기를 3×1, 풀링·업샘플링을 4×1로 조정해 시계열의 장기 의존성을 포착하고, 드롭아웃(30 %)과 가우시안 노이즈 층을 추가해 일반화 능력을 강화하였다. 손실 함수는 MAE와 MSE를 동일 가중치로 합산했으며, Adam 옵티마이저와 학습률 감소 스케줄을 적용해 100 epoch 이상 학습하였다.

학습 결과, 1‑D 검증 데이터에서 평균 절대 오차(MAE) 0.0327, 평균 제곱 오차(MSE) 0.0024를 기록했으며, 탈분극 상승을 잘못 탐지한 경우는 전체 859개 중 10개(1.16 %)에 불과했다. 특히 정상 주기와 고주파 자극에 의한 교대 현상(Alternans) 모두를 정확히 사다리꼴 파형으로 변환하였다. 다만, 매우 짧은 간격의 이중 피크가 존재하는 비정상 신호에서는 파형의 최저값이 0에 도달하지 못하는 등 소규모 오류가 관찰되었다.

다음 단계로, 저자들은 개인화된 3‑D 심실‑흉부 모델을 사용해 34 354개의 전극 신호를 생성하였다. 이 모델은 CT 기반 해부학적 형상, 조직별 전도도, 전기이방성, 그리고 TNNP06 세포 모델을 포함한 고해상도 바이도메인 시뮬레이션이다. 동일한 PLT 신경망을 적용해 각 전극의 사다리꼴 파형을 얻고, 이를 공간적으로 보간해 위상 지도를 작성하였다. 결과 위상 지도는 회전 코어와 파동 전선(front)를 명확히 드러냈으며, 실제 전위 분포와 시각적으로 높은 일치를 보였다. 다만, 1‑D 모델 대비 MAE가 약 3.5배 상승(0.0888)했으며, 이는 복잡한 3‑D 전기장과 잡음, 그리고 모델링 오차가 누적된 결과로 해석된다.

이 논문의 주요 기여는 (1) 위상 변환을 수학적 연산이 아닌 데이터‑드리븐 신경망으로 대체함으로써 파라미터 선택의 주관성을 제거하고, (2) 사다리꼴 파형이라는 직관적이고 해석 가능한 목표를 설정해 변환 과정을 투명하게 만든 점, (3) 1‑D 모델에서 학습한 네트워크가 복잡한 3‑D 개인화 모델에서도 실용적인 성능을 보인 점이다. 또한, PLT는 기존 위상 매핑이 어려운 비정상 주기, 고주파 교대, 그리고 잡음이 많은 임상 전기신호에도 적용 가능성을 시사한다. 향후 연구에서는 실제 환자 데이터에 대한 검증, 실시간 임상 적용을 위한 경량화, 그리고 다채널(다중 전극) 입력을 동시에 처리하는 2‑D/3‑D CNN 구조 확장이 기대된다.