심전도 자동분류를 위한 딥러닝 아키텍처와 GAN 기반 데이터 증강 종합 평가

초록

본 연구는 MIT‑BIH 데이터셋에 GAN을 활용해 소수 클래스 샘플을 증강하고, CNN, CNN‑LSTM, CNN‑LSTM‑Attention, 1D‑ResNet 네 가지 딥러닝 모델을 동일 조건에서 비교한다. 성능 평가는 정확도·F1·AUC와 95 % 신뢰구간으로 수행했으며, Grad‑CAM을 통해 모델 해석성을 검증하였다. 단일 모델 중 CNN‑LSTM이 F1 = 0.951로 가장 균형 잡힌 결과를 보였고, Top2‑Weighted 앙상블이 F1 = 0.958로 최고 성능을 달성했다.

상세 분석

이 논문은 심전도(ECG) 자동분류 분야에서 현재 가장 많이 사용되는 딥러닝 구조들을 체계적으로 비교함으로써, 모델 선택 시 고려해야 할 핵심 요소들을 명확히 제시한다. 첫 번째 핵심은 데이터 불균형 문제에 대한 접근이다. MIT‑BIH 데이터셋은 정상(N) 클래스가 다수인 반면, 조기심실수축(V) 등은 매우 희소하다. 저자는 시퀀스‑aware GAN을 설계해 소수 클래스의 파형 특성을 보존하면서 합성 데이터를 생성하였다. 이는 단순 오버샘플링이 초래할 수 있는 과적합을 방지하고, 클래스별 민감도 향상에 직접적인 기여한다.

두 번째는 모델 아키텍처의 설계다. CNN은 국소적인 파형 형태를 효과적으로 추출하지만, 시간적 연속성을 충분히 반영하지 못한다. 이를 보완하기 위해 LSTM을 결합한 CNN‑LSTM 구조를 도입했으며, 이는 188 샘플(≈0.52 초) 길이의 윈도우 내에서 P‑QRS‑T 복합 파형을 동시에 학습한다. Attention 메커니즘을 추가한 CNN‑LSTM‑Attention은 각 시점의 중요도를 동적으로 가중치 부여함으로써 미세한 부정맥 신호를 강조한다. 마지막으로 1D‑ResNet은 잔차 연결을 통해 깊은 층에서도 기울기 소실을 방지하고, 보다 복잡한 특징을 학습한다.

실험 결과는 흥미로운 패턴을 보여준다. CNN‑LSTM은 전체적인 정확도와 특이도에서 가장 안정적인 균형을 이루어 F1 = 0.951을 기록했으며, 이는 시간적 의존성을 충분히 모델링했기 때문이다. 반면, CNN‑LSTM‑Attention과 ResNet‑1D는 소수 클래스에 대한 민감도가 높아졌지만, 전체적인 정밀도가 약간 감소했다. 이는 Attention이 특정 구간에 과도하게 집중하거나, ResNet의 깊은 구조가 소수 클래스에 과적합될 가능성을 시사한다.

세 번째 핵심은 앙상블 전략이다. 저자는 동일 데이터와 동일 전처리 파이프라인을 공유하는 네 모델을 기반으로, Equal‑Weight와 Performance‑Weight 두 가지 가중치 방식을 실험했다. 특히 Top2‑Weighted 앙상블은 성능이 가장 높은 두 모델(CNN‑LSTM, CNN‑LSTM‑Attention)의 예측을 가중 평균함으로써, 개별 모델의 약점을 보완하고 전체 F1를 0.958까지 끌어올렸다. 이는 모델 다양성이 앙상블 효과를 극대화한다는 기존 이론을 실증적으로 확인한 사례다.

마지막으로 모델 해석성 검증을 위해 Grad‑CAM을 적용했다. 시각화 결과, 모든 모델이 QRS 복합 파형과 T파의 급격한 변화 구간에 높은 활성화를 보였으며, 특히 Attention이 적용된 모델은 비정상적인 P파 전위에 집중하는 경향을 보였다. 이는 임상의가 모델의 판단 근거를 직관적으로 파악할 수 있게 하여, 실제 임상 적용 가능성을 높인다.

종합적으로, 이 논문은 데이터 증강, 아키텍처 선택, 앙상블 설계, 그리고 해석성 검증이라는 네 축을 균형 있게 다룸으로써, ECG 자동분류 시스템 구축 시 고려해야 할 실용적인 가이드라인을 제공한다. 특히 소수 클래스에 대한 GAN 기반 증강과 Top2‑Weighted 앙상블은 향후 실제 의료 현장에서 신뢰성 높은 부정맥 검출 모델을 구현하는 데 핵심적인 전략으로 활용될 수 있다.