단일 유도 ECG 기반 폐쇄성 수면무호흡 조기 진단 딥러닝 연구

Deep Learning for OSA Diagnosis from Single-Lead ECG Signals

연구 내용

단일 유도 ECG를 시간-주파수 표현으로 변환하고 CNN-LSTM 및 잔차 기반 모델로 폐쇄성 수면무호흡을 분류하는 연구

폐쇄성 수면무호흡증은 비침습적 신호 기반 진단 요구가 커서 심전도(ECG) 분석을 통한 분류가 중요한 연구 주제입니다. 연구실은 ECG의 시간 의존성과 비정상성을 반영하기 위해 스칼로그램과 Gramian angular field 같은 표현으로 변환해 특징의 다양성을 확보하고, 자동 특징 추출과 향상 모듈을 결합합니다. 또한 Bi-LSTM-CNN 및 Bi-LSTM-ResNet 하이브리드 구조로 과거와 미래 문맥을 함께 반영하며, 이상탐지 관점의 학습으로 미세한 패턴 차이를 식별합니다. 이를 통해 임상 적용을 고려한 OSA 진단 자동화 파이프라인을 구성합니다.

관련 프로젝트

0건

연구 흐름

초기에는 의학에서 AI 활용 가능성을 정리하고 신호 기반 분석의 문제 정의를 확립하는 방향으로 연구를 수행했습니다. 이후 ECG 신호를 시간-주파수 표현으로 변환하여 특징 추출을 자동화하는 방식으로 OSA 분류 성능을 높였습니다. 최근에는 CNN과 Bi-LSTM을 결합해 시계열 문맥을 강화하고, 잔차 신경망을 함께 사용하는 하이브리드 구조로 이상 패턴 탐지를 심화했습니다. 전반적으로 비침습 의료 신호에서 시간적 의존성을 다루는 모델 설계가 연구의 궤적을 이룹니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

원격 수면무호흡 스크리닝
웨어러블 ECG 이상탐지
수면 진단 보조 시스템
비침습 모니터링 의료기기
수면 데이터 자동 전처리
진단 단계별 분류 파이프라인
개인별 신호 적합 모델
임상 워크플로우 의사결정 보조
이상 패턴 기반 위험도 예측 연계
ECG 기반 모델 경량 추론