Autoencoder와 SVM을 결합한 심전도 이상 탐지 연구

Abstract

심전도(Electrocardiogram, ECG)는 심장의 전기적 신호를 기록하여 심혈관 질환을 조기에 진단하는 데 중요한 의료 데이터이다. 이상 심전도를 탐지하기 위해 다양한 딥러닝 모델들이 제안되었으나, 심전도 데이터의 불균형으로 인해 이상 탐지(anomaly detection) 성능의 한계를 보이고 있다. 이러한 문제를 해결하기 위해 정상 데이터를 학습하고 복원하는 데 강점을 가진 AE(Autoencoder)와 이상 신호를 분류하는 SVM(Support Vector Machine)을 결합한 자동화된 탐지 모델을 제안한다. AE는 데이터 복잡성을 학습하여 이상 탐지 성능을 높이는 데 효과적이지만, 임계값을 직접 설정해야 하는 단점이 있다. SVM 같은 경우 이상 탐지에 많이 사용되는 모델이지만 데이터의 불균형과 복잡성으로 인해 성능이 저하되는 문제가 있다. 본 논문에서 두 모델을 결합하여 AE가 데이터의 복잡성을 보완하고, 재구성된 데이터를 기반으로 SVM이 이상 신호를 자동으로 분류하도록 모델을 설계하였다. 제안한 모델과 기존 SVM을 실험을 통해 성능을 비교해 본 결과, 제안한 모델이 더 우수한 성능을 보였다.