MFE-LSTM : 대규모 12-lead ECG 신호 데이터를 이용한 다중 심장 질환 예측 네트워크

초록

최근 심층학습은 컴퓨터 비전, 자연어 처리, 로보틱스 등 다양한 분야에서 실제 어플리케이션으로 활용되고 있다. 특히, MRI, CT, 그리고 X-Ray와 같은 영상의료분야에서 심층학습을 적용하여 활발하게 연구되고 있다. 하지만, 심전도 (Electrocardiography; ECG) 데이터를 활용한 심혈관질환의 분류를 심층신경망에 적용하는 연구는 여전히 미지의 영역이다. 본 논문에서는 12-Lead ECG 데이터를 기반으로 6개의 질병을 분류할 수 있는 새로운 네트워크인 MFE-LSTM (Multi Feature Extractor-LSTM)을 제안한다. MFE-LSTM은 12개의 특징 추출기를 통해 12개의 서로 다른 지점에서 검출된 ECG 데이터로부터 전체 길이가 감소된 잠재벡터를 추출한다. 추출된 잠재벡터로부터 lead 간의 중요도를 추출하고 이를 잠재벡터에 적용된다. 다음으로 Bi-LSTM에 각 시간별로 잠재벡터가 입력되어 최종적으로 질병을 분류하게 된다. MFE-LSTM은 기존의 시계열 모델보다 약 10% 더 높은 분류성능을 얻었다.