Z-score정규화와 평균 풀링을 활용한 심층 1D CNN 기반의 부정맥 분류

• Published in: 한국정보통신학회논문지, 29(4) pp. 487 - 494
• Main Authors: 조익성, 권혁숭
• Format: Journal Article
• Language: Korean
• Published: 한국정보통신학회 01.04.2025
• Subjects: 전자/정보통신공학
• ISSN: 2234-4772; 2288-4165

본 논문에서는 Z-score 정규화와 평균 풀링을 활용한 심층 1D CNN 기반의 부정맥 분류 모델을 제안한다. 이를 위해 웨이블릿 변환 기반의 잡음 제거, Z-score 정규화, 혼합 샘플링, 심층 1D CNN 구조를 결합한 딥러닝 모델을 사용하였다. 본 연구에서는 웨이블릿 변환을 통해 고주파 잡음을 제거하고, Z-score 정규화를 통해 데이터의 스케일 차이를 조정하여 신경망 모델이 신호 패턴에 집중할 수 있도록 한다. 또한, 혼합 샘플링 기법을 통해 데이터 불균형을 해결하고, 12층 심층 1D CNN 구조에 평균 풀링과 드롭아웃 레이어를 적용하여 신호의 패턴을 유지하고 과적합을 방지하였다. 제안된 모델의 유효성을 검증하기 위해 MIT-BIH 부정맥 데이터베이스를 활용하여 정확도, 정밀도, 재현율, F1-score를 기준으로 성능 평가를 진행하였다. 그 결과, 해당 지표들은 각각 99.66%, 98.73%, 98.80%, 98.82%를 기록하며, 제안된 모델이 부정맥 분류에서 뛰어난 성능을 나타내는 것을 확인할 수 있었다. This paper proposes an arrhythmia classification model based on a deep 1D CNN using Z-score normalization and average pooling techniques. The model effectively integrates wavelet transform-based noise reduction, Z-score normalization, mixed sampling strategies, and a carefully designed deep 1D CNN architecture. Specifically, high-frequency noise is filtered out using wavelet transform, and Z-score normalization standardizes data by adjusting scale differences, enabling the neural network to better focus on essential signal patterns. Furthermore, a mixed sampling technique addresses data imbalance, enhancing the model's robustness, while a 12-layer deep 1D CNN structure combined with average pooling and dropout layers helps to preserve signal patterns and prevents overfitting. To rigorously validate the proposed model's performance, the MIT-BIH Arrhythmia Database was utilized. The evaluation metrics included accuracy, precision, recall, and F1-score, achieving impressive results of 99.66%, 98.73%, 98.80%, and 98.82%, respectively. These findings demonstrate the superior performance and reliability of the model in arrhythmia classification. KCI Citation Count: 0