Earticle

초록

영어

ECG(electrocardiogram) is used to measure the rate and regularity of heartbeats, as well as the size and position of the chambers, the presence of any damage to the heart, and the cause of all heart diseases can be found. Because the ECG signal obtained using the ECG-KIT includes noise in the ECG signal, noise must be removed from the ECG signal to apply to the deep learning. In this paper, Noise included in the ECG signal was removed by using a lowpass filter of the Digital FIR Hamming window function. When the performance evaluation of the three activation functions, sigmoid(), ReLU(), and tanh() functions, which was confirmed that the activation function with the smallest error was the tanh() function, the elapsed time was longer when the batch size was small than large. Also, it was confirmed that result of the performance evaluation for the GRU model was superior to that of the LSTM model.

한국어

심전도(electrocardiogram, ECG)는 심박동의 속도와 규칙성, 심실의 크기와 위치, 심장 손상 여부를 측정하는 데 사용되며, 모든 심장질환의 원인을 찾아낼 수 있다. ECG-KIT를 이용하여 획득한 ECG 신호는 ECG 신호에 잡음 을 포함하기 때문에 딥러닝에 적용하기 위해서는 ECG 신호에서 잡음을 제거해야만 한다. 본 논문에서는, ECG 신호 에 포함된 잡음은 Digital FIR 해밍 창함수를 이용한 저역통과 필터를 사용하여 제거하였다. LSTM의 딥러닝 모델 을 사용하여 3가지 활성화 함수인 sigmoid(), ReLU(), tanh() 에 대한 성능 평가를 비교했을 때, 오차가 가장 작은 활성화 함수는 tanh() 함수 임을 확인하였고, batch size가 작은 경우가 큰 경우보다 시간이 많이 소요되었다. 또한 GRU 모델의 성능 평가의 결과가 LSTM 모델보다 우수한 것을 확인하였다.

목차

요약
Abstract
Ⅰ. 서론
Ⅱ. ECG 신호 획득 및 잡음 제거
1. 사지유도법과 ECG 신호 측정 [1]
2. 디지털 FIR(Finite impulse response)필터 [4]
Ⅲ. 딥러닝 알고리즘
1. LSTM(Long short term memory) 모델 [5, 6]
2. GRU(Gated Recurrent Unit) 모델 [7, 9]
Ⅳ. 활성화 및 성능평가 함수
1. 활성화 함수(Activation function) [5]
2. 성능 평가 함수 및 최적화 함수 [5]
V. 디지털 필터설계 및 성능평가 실험
1. 디지털 IIR 저역통과 필터 설계
2. LSTM 및 GRU 모델의 성능 평가 실험
Ⅵ. 결론
References

키워드

심전도 디지털 FIR 저역 통과 필터 해밍 윈도우 딥러닝 LSTM GRU ECG Digital FIR lowpass filter Hamming window Deep learning LSTM GRU

저자

• 윤의중 [ Uei-Joong Yoon | 정회원, 가천대학교 의공학과 교수 ] 단독저자

참고문헌

발행기관

간행물