건조 전극으로부터 얻은 심전도(ECG) 신호는 웨어러블 기기에서 흔히 사용되지만, 피부-전극 임피던스가 높아 잡음에 취약하다. 본 연구에서는 잡음이 포함된 신호를 깨끗한 ECG 신호 생성을 위한 조건으로 취급하는, 조건부 생성적 적대 신경망(conditional generative adversarial networks)에 기반한 잡음 제거(denoising) 방법을 제안한다. 일반화 성능이 높은 딥러닝 모델을 개발하기 위해서는 학습 데이터셋에서의 다양성을 보장하는 것이 중요하다. 그러나 대부분의 기존 잡음 제거 방법은 습식 접촉(wet-contact) 전극에 의해 수집된 ECG 데이터에 의존한다. 이를 보완하기 위해, 측정 장치의 회로 수준에서 입력에 준거한 전압 잡음(input-referred voltage noise) 모델을 채택하여 증폭기(amplifier), 열(thermal), 플리커(flicker) 잡음의 세 가지 내부 잡음을 포함한다. 또한 기준선 왜곡(baseline wander), 근육 인공물(muscle artifact), 전극 운동 잡음(electrode motion noise)을 추가하여 포괄적인 잡음 집합을 구성한다. 이를 통해 고주파 및 저주파 성분 모두에서 다양성을 갖는 데이터셋을 합성할 수 있다. 제안 방법은 적대적 손실(adversarial loss) 프레임워크를 사용하며, 판별기(discriminator) 네트워크는 잡음 제거된 신호가 깨끗한 ECG 신호의 분포를 따르는지 여부를 결정한다. 한편 생성기(generator) 네트워크는 추가적인 두 가지 손실 성분, 즉 L1 및 항등성(identity type) 유형의 손실을 최소화하며, 이 손실은 잡음 제거 과정에서 잡음이 없는 구간을 보존하는 역할을 한다. 결과 섹션의 모든 예시에서 견고한 잡음 제거 성능을 관찰하였다. 한 예시에서는 본 연구의 부산물로서 새로운 분류(classification) 방법을 제안한다. 잡음이 포함된 신호와 잡음 제거된 신호를 모두 활용함으로써, 제안 방법은 이상 ECG 신호를 검출하기 위한 분류 정확도를 향상시킨다.
*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.