기울기 가중 가시성 그래프와 가중 교차 엔트로피 손실 함수를 적용한CNN 기반 심전도 분류 모델
CNN-Based ECG Classification Model Using Gradient Weighted Visibility Graph and Weighted Cross-Entropy Loss Function
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구에서는 심전도(ECG) 신호를 효과적으로 분류하기 위해 기울기 가중 가시성 그래프(Gradient Weighted Visibility Graph, GWVG) 변환과 가중 교차 엔트로피 손실 함수(Weighted Cross-Entropy Loss Function)를 적용한 CNN 모델을 제안하였다. ECG 신호는 R-피크 검출 및 윈도우링 과정을 통해 360 샘플 단위로 분할되었으며, Z-점수 정규화를 거쳐 GWVG 알고리즘을 통해 2차원 이미지로 변환되었다. 이를 CNN에 입력하여 분류한 결과, 정상(N), L, R 파형에서 높은 정확도와 재현율을 달성하였고, 데이터 불균형으로 성능이 저하되던 A 및 V 파형에서도 가중 손실 함수를 적용함으로써 성능 향상이 확인되었다. 전체적으로 99% 이상의 분류 정확도를 달성하며, GWVG 기반 특징 추출과 가중 손실 함수의 결합이 ECG 신호의 복잡한 패턴을 효과적으로 반영하고 불균형 문제를 완화할 수 있음을 보여주었다.
Abstract
Electrocardiogram (ECG) analysis plays a crucial role in the early detection of cardiovascular diseases. In this study, we propose a novel CNN-based classification model that incorporates Gradient Weighted Visibility Graph (GWVG) transformation and a Weighted Cross-Entropy Loss Function (WCELF) to address class imbalance issues. Raw ECG signals were preprocessed through R-peak detection and windowing, followed by Z-score normalization, and then converted into 2D GWVG images for CNN classification. Experimental results using the MIT-BIH Arrhythmia Database demonstrated that the proposed model achieved high accuracy across most arrhythmia categories, with particularly improved performance in minority classes such as R and V beats. The weighted loss function effectively reduced misclassification errors caused by data imbalance, while GWVG transformation captured morphological variations of ECG signals. Overall, the proposed approach achieved over 99% classification accuracy.