Detection of Arrhythmia using 1D Convolution Neural Network with LSTM Model

Q: 이 논문에서 정의한 부정맥이란 무엇인가?

부정맥은 심장이 너무 느리거나 빠르게 뛰는 등 불규칙한 심장 박동을 유발하는 일련의 상태를 의미한다. 이는 심혈관 질환 중 하나로, 심각한 경우 뇌졸중이나 심장마비와 같은 치명적인 결과를 초래할 수 있어 조기 감지가 매우 중요하다고 정의한다.

Q: 1D CNN-LSTM 모델이 부정맥 탐지에 효과적인 이유는 무엇인가?

연구 결과, 1D CNN-LSTM 모델은 1D CNN 단독 모델이나 MLP 모델보다 부정맥 탐지에서 더 높은 정확도, 정밀도, 재현율을 보였다. 이는 1D CNN이 ECG 신호의 지역적 특징을 추출하고 LSTM이 시계열 데이터의 장기 의존성을 학습하여 복합적인 패턴을 효과적으로 인식하기 때문이다.

Seungwoo Han; Wongyu Lee; Heesang Eom; Juhyeong Kim; Cheolsoo Park

doi:10.5573/IEIESPC.2020.9.4.261

학술저널

저자정보: Seungwoo Han (Kwangwoon University) Wongyu Lee (Kwangwoon University) Heesang Eom (Kwangwoon University) Juhyeong Kim (Kwangwoon University) Cheolsoo Park (Kwangwoon University)

저널정보: 대한전자공학회 IEIE Transactions on Smart Processing & Computing IEIE Transactions on Smart Processing & Computing Vol.9 No.4

오류 신고하기

피인용 2

검색

초록·키워드

Considering the high death rate from cardiovascular diseases, it is important to detect an irregular heart rhythm in order to prevent potential tragedy. The purpose of this paper is to present automatic detection of arrhythmia based on electrocardiography. We suggest a one-dimensional convolutional neural network (1D CNN) with long short-term memory (LSTM). The suggested architecture is compared with two other deep learning methods: the 1D CNN and the multi-layer perceptron (MLP) model. To evaluate performance, we measured the overall accuracy, macroaveraged precision, and macro-averaged recall of our proposed method as being 92.03%, 90.98%, and 86.15%, respectively. The results demonstrate that the 1D CNN-with-LSTM model outperforms the two other models.

#Arrhythmia #Heartbeat detection #Deep learning

본문·목차

DBpia Pick! 추천 자료

함께 본 자료

저자 정보

최근 본 자료 전체보기

UCI(KEPA) : I410-ECN-0101-2020-569-001078726

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록·키워드

참고문헌

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

본문·목차

DBpia Pick! 추천 자료

함께 본 자료

저자 정보

최근 본 자료 전체보기

피인용 자료 DBpia에 구축된 참고문헌을기준으로 집계되어, 타 사이트의피인용 수와 다를 수 있습니다.

댓글(0)

피인용 자료