부정맥 진단을 위한 딥러닝 기반 잡음 제거 및 이미지 인코딩
Deep Learning-Based Noise Reduction and Image Encoding for Arrhythmia Diagnosis
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 심전도(ECG) 신호의 잡음 제거와 이미지 인코딩을 통해 딥러닝 기반 부정맥 분류 성능을 향상시키고자 한다. FCN 기반 오토인코더를 활용하여 다양한 SNR 수준의 잡음을 효과적으로 제거하였으며, 제거된 1D 신호를 시각적 패턴을 강화한 이미지로 변환하여 분류 모델에 적용하였다. 실험 결과, 제안 모델은 기존 필터 대비 우수한 잡음 제거 성능(SNR 9.831, RMSE 0.045, PRD 20.887, 상관계수 0.935)을 보였으며, 이미지 기반 분류에서는 99%의 정확도와 25.3초의 추론 속도로 우수한 실시간 처리 성능을 입증하였다. 본 기법은 향후 모바일 환경 및 다양한 생체신호 분석에 활용될 수 있는 기반 기술로 기대된다.
Abstract
This study aims to improve deep learning-based arrhythmia classification performance by denoising electrocardiogram (ECG) signals and encoding them into images. A Fully Convolutional Network (FCN)-based autoencoder was employed to effectively remove noise across various Signal-to-Noise Ratio (SNR) levels. The denoised 1D signals were then transformed into visually enhanced images to be used in the classification model. Experimental results demonstrated that the proposed model outperformed traditional filtering methods in noise reduction (SNR: 9.831, RMSE: 0.045, PRD: 20.887, Correlation Coefficient: 0.935). In image-based classification, it achieved 99% accuracy and a fast inference time of 25.3 seconds, validating its excellent real-time processing capabilities. This approach is expected to serve as a foundational technology for future applications in mobile environments and diverse biosignal analysis tasks.