지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 최아영
- 발행연도
- 2018
- 저작권
- 가천대학교 논문은 저작권에 의해 보호받습니다.
이용수17
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
본 논문에서는 1D 합성곱 신경망을 기반으로 시계열 심전도와 맥파 신호를 입력 데이터로 사용하여 혈압을 추정하는 알고리즘을 제안한다. 제안하는 모델은 두 개의 합성곱 신경망을 통하여 심전도와 맥파의 특징 값을 추출한다. 각 합성곱 신경망은 1D 합성곱과 배치 정규화, ReLU 활성화 함수와 Max-pooling으로 구성된다. 입력 신호는 고정된 크기의 주기적인 신호를 활용하여 혈압을 추정하도록 하였다. 입력 신호는 생체 신호 데이터를 제공하는 Physionet의 MIMIC Database을 활용하였다. 총 38 명의 중환자실 환자 데이터로부터 약 200 만 데이터 표본을 획득하여 학습 및 성능 검증 데이터로 사용하였다.
약 48 만 개의 데이터 샘플을 사용하여 Intra subject와 Inter subject의 환경에서 수축기 혈압과 이완기 혈압에 대한 예측 정확도를 측정하였다. 그 결과 Intra subject의 경우 평균 절대 오차 기준 SBP 4.30 mmHg, DBP 2.06 mmHg 의 높은 정확도를 얻었다. 5 mmHg 미만의 누적 오차 비율이 수축기 혈압이 68%, 이완기 혈압이 93% 이며, 15 mmHg 미만의 누적 오차 비율이 수축기 혈압의 경우 98%, 이완기 혈압의 경우 99%의 결과를 얻었다. 이 결과는 제안한 혈압 추정 방법이 BHS (British Hypertension Society, 영국 고혈압 학회)에서 인증하는 혈압계 성능 Grade A를 만족하는 것을 확인하였다. 반면 Inter subject의 경우 평균 절대 오차 9.04 mmHg, 3.85 mmHg 정확도를 얻었다. DBP는 5 mmHg 이하의 누적 오차 비율이 70%, 15 mmHg 이하의 누적 오차 비율이 99%로 BHS 기준 Grade A를 만족하는 높은 정확도를 보여주었다. 반면 SBP의 경우 BHS 기준 Grade C를 만족하지 못하는 정확도를 보여, 이를 보완할 후속 연구가 필요하다.
약 48 만 개의 데이터 샘플을 사용하여 Intra subject와 Inter subject의 환경에서 수축기 혈압과 이완기 혈압에 대한 예측 정확도를 측정하였다. 그 결과 Intra subject의 경우 평균 절대 오차 기준 SBP 4.30 mmHg, DBP 2.06 mmHg 의 높은 정확도를 얻었다. 5 mmHg 미만의 누적 오차 비율이 수축기 혈압이 68%, 이완기 혈압이 93% 이며, 15 mmHg 미만의 누적 오차 비율이 수축기 혈압의 경우 98%, 이완기 혈압의 경우 99%의 결과를 얻었다. 이 결과는 제안한 혈압 추정 방법이 BHS (British Hypertension Society, 영국 고혈압 학회)에서 인증하는 혈압계 성능 Grade A를 만족하는 것을 확인하였다. 반면 Inter subject의 경우 평균 절대 오차 9.04 mmHg, 3.85 mmHg 정확도를 얻었다. DBP는 5 mmHg 이하의 누적 오차 비율이 70%, 15 mmHg 이하의 누적 오차 비율이 99%로 BHS 기준 Grade A를 만족하는 높은 정확도를 보여주었다. 반면 SBP의 경우 BHS 기준 Grade C를 만족하지 못하는 정확도를 보여, 이를 보완할 후속 연구가 필요하다.
목차
목 차I. 서론 1II. 용어 3III. 관련연구 41. 비침습 가압식 혈압예측 방법 41.1 청진법 41.2 오실로메트릭 52. 비침습 비가압식 혈압예측 방법 62.1 토노메트리 62.2 PWV (Pulse Wave Velocity) 7IV. ECG와 PPG를 활용한 딥러닝 기반의 혈압 추정 91. 전체 프로시저 92. 데이터 전처리 112.1 데이터 세그먼테이션 112.2 노이즈와 아웃라이어 제거 132.3 데이터 통합 및 딥러닝 입력 데이터 생성 153. 1D-CNN 기반 혈압 추정 모델 173.1 입력신호 분석 173.2 1D-CNN 모델 18V. 실험 및 결과 221. 데이터 수집 및 실험 환경 222. 실험 결과 및 분석 232.1 Intra-subject 기반 결과 분석 232.2 Inter-subject 기반 결과 분석 282.2.1 데이터 분포가 적은 구간의 혈압 292.2.2 잡음 312.2.3 Annotation 오류 322.2.4 편향된 예측 32VI. 결론 35참고문헌 36ABSTRACT 39
최근 본 자료
댓글(0)
0