심전도 부정맥 자동 라벨링을 위한 변분 오토인코더 기반 딥러닝 모델

** 본 논문은 심전도(ECG) 신호를 자동으로 부정맥 종류에 라벨링하기 위한 새로운 딥러닝 프레임워크를 제안한다. 연구에 사용된 데이터는 MIT‑PhysioNet의 악성 심실 부정맥 데이터베이스(VFDB)와 정상 심박 리듬 데이터베이스이며, 각각 13 초 길이의 limb lead 청크를 추출해 200 Hz로 재샘플링한다. 베이스라인 워터링은 고역통과 FIR 필터(‑24 dB at 0.05 Hz)로 제거하고, Welch 방법을 이용해 60개의 주파수 빈을 갖는 2‑D 회색 스펙트럼(60 × 512)으로 변환한다. 이렇게 만든 스펙트럼 이미지는 기존 1‑D CNN 방식과 달리 시간‑주파수 정보를 동시에 제공한다. 네트워크는 크게 두 부분으로 나뉜다. 첫 번째 부분은 잔차 블록(ResUnit)과 풀링을 통해 20 차원의 피처 벡터를 만든 뒤, 변분 오토인코더(VAE)로 8 차원의 잠재 변수 z를 추출한다. VAE의 손실 함수는 재구성 오차와 KL‑다이버전스의 가중합이며, 학습 초기에 재구성 손실 비중을 크게 두어 빠른 수렴을 유도하고, 점진적으로 KL‑항을 강화해 잠재 공간을 Gaussian 분포에 맞춘다. 이렇게 얻어진 잠재 표현은 고정된 상태로 두 번째 단계에 전달된다. 두 번째 단계는 4개의 양방향 RNN(예: LSTM) 레이어와 다중 레이어 어텐션 메커니즘으로 구성된다. 어텐션 윈도우는 다항식 형태로 설계되어, 하위 레이어에서는 작은 윈도우(크기 3)로 세부 정보를, 상위 레이어에서는 큰 윈도우로 전역 패턴을 학습한다. 최종 출력은 5‑클래스(정상, Asys, Tachy, VF/VFL, VT) softmax이며, 교차 엔트로피 손실로 최적화한다. 데이터 불균형을 해결하기 위해 소수 클래스에 대해 오버샘플링을 적용하고, 미니배치 크기 140을 유지한다. 5‑fold 교차검증 결과, Asys와 Tachy에서 각각 0.92·0.95, 0.88·0.80의 민감도와 0.74·0.82, 0.70·0.72의 정밀도를 기록했으며, VF/VFL와 VT에서는 0.89·0.93 민감도와 0.96·0.94 정밀도를 달성했다. 전체 정확도는 90% 수준이며, 이는 기존 1‑D CNN 기반 모델보다 경쟁력 있는 성능이다. 추가 실험에서는 VAE 대신 단순 Dense 레이어를 사용해 잠재 변수를 얻는 경우와 비교하였다. VAE를 사용한 경우가 학습 수렴 속도가 현저히 빠르고, 최종 정확도가 약 2~3% 높았다. 또한, RNN 유닛 수를 10→15로 늘리거나 어텐션 윈도우 크기를 3→5로 확대하는 등 하이퍼파라미터 변동은 성능에 큰 차이를 보이지 않아 모델의 구조적 안정성을 확인할 수 있었다. 배포 측면에서는 학습된 모델을 Docker 이미지로 패키징하고, 엣지 디바이스 혹은 가상 사설 클라우드(VPC)에서 RESTful API 형태로 제공한다는 실용적인 방안을 제시한다. 이는 의료 현장에서 실시간 부정맥 감지를 위한 시스템 통합을 용이하게 만든다. 하지만 몇 가지 한계점도 존재한다. 첫째, 데이터셋이 MIT‑PhysioNet의 두 데이터베이스에만 국한되어 있어, 다양한 인구통계학적 특성이나 다른 리드 구성을 가진 실제 임상 데이터에 대한 일반화 검증이 부족하다. 둘째, 13 초 청크 기반 라벨링은 부정맥 발작이 짧은 경우(예: 조기 PVC) 탐지에 제한적일 수 있다. 셋째, 실시간 처리 지연, 메모리 사용량, 전원 제한이 있는 의료 디바이스에서의 성능 평가는 논문에 포함되지 않았다. 결론적으로, 변분 오토인코더를 이용한 잠재 표현과 다단계 어텐션 RNN을 결합한 이 새로운 두 단계 학습 구조는 부정맥 분류 정확도와 학습 효율을 동시에 향상시켰으며, 기존 1‑D CNN 기반 접근법에 비해 새로운 설계 패러다임을 제시한다. 향후 연구에서는 보다 다양한 데이터셋, 실시간 시스템 구현, 그리고 임상 시험을 통해 실제 의료 현장에서의 적용 가능성을 검증할 필요가 있다. **