폐쇄성 수면무호흡증(obstructive sleep apnea, OSA)은 흔한 수면장애로, 특히 심혈관 질환을 포함한 다양한 다른 질환과 밀접하게 연관되어 있다. 통상적인 진단 방법인 야간 다원수면검사(nocturnal polysomnography, PSG)는 널리 사용되고 있음에도 불구하고 높은 비용과 장시간 소요로 인해 어려움이 있다. 최근에는 심전도 기반 진단 기법의 발전이 이러한 문제를 해결할 새로운 가능성을 열었으나, 대체로 특징 공학(feature engineering)에 대한 깊은 이해를 요구한다. 본 연구에서는 자동 특징 추출을 위한 멀티모달 전략과 합성(composite) 딥 컨볼루션 신경망 모델을 결합한 OSA 분류의 혁신적인 방법을 제안한다. 이 접근법은 원래의 데이터셋을 심박변이도 특성을 반영하는 스칼로그램(scalogram) 이미지로 변환하고, 시간적 특성을 드러내는 그라미안 각도장(Gramian angular field) 행렬 이미지를 생성하여 데이터 특징의 다양성과 풍부함을 향상시키고자 한다. 모델은 자동 특징 추출 및 특징 향상(feature enhancement) 구성요소로 이루어져 있으며 PhysioNet Apnea-ECG 데이터베이스에서 훈련 및 검증되었다. 실험 결과는 OSA 진단에서 모델의 뛰어난 성능을 보여주었으며, 정확도 96.37%, 민감도 94.67%, 특이도 97.44%, AUC 0.96을 달성하였다. 이러한 결과는 본 연구에서 제안한 모델이 OSA 진단을 위한 효율적이고 정확하며 편리한 도구로서의 잠재력을 지님을 시사한다.
*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.