Development of Diagnostic Method for Heart Disease using Infrasonic Heart Sound

Abstract

In this paper, the method of diagnosing cardiovascular diseases was improved using microphones that can measure up to infrasound areas. Cardiovascular diseases have a high mortality rate worldwide, and acute diseases require rapid response due to sequela if not treated within Golden Time. Continuous health monitoring can be used to reduce the mortality of acute diseases through diagnosis of the pre-symptoms, and the development of monitoring diagnostic technology is necessary. The accuracy of the cardiac diagnosis algorithm as a monitoring technique is still insufficient. I think this is a problem that occurs because the existing method of diagnosing diseases using heart sounds only measures the heart sounds of the audible frequency domain, and this paper tried to solve the problem by using the information of the heart sounds entirely through low frequency measurements. To measure heart sounds in low frequency areas, sound sensors that can be measured up to 1 Hz bands were selected, and sound adapters, which are measurement aids, were manufactured to measure the correct low frequency heart sounds. In addition, new measurement methods were determined by controlling the variables that could occur in cardiac measurement experiments, and experimental devices were built for signal amplification and storage. The data sets were collected by measuring the heart sounds of subjects in the hospital with a built measurement device. The characteristics of the heart sounds were analyzed using the signal processing of the collected heart sound data. An analysis of the frequency characteristics with Fast Fourier Transform showed that the amplitude of the subjects with heart failure was higher than that of the normal subjects. However, the amplitude alone was not enough to determine whether there was more than that. To analyse patterns occurring over time, the Time-Frequency domain conversion algorithm, Continuous wavelet transform, was used. A common pattern extraction was performed using cross-correlation of the CWT-converted image to confirm that the pattern appeared in the low frequency area. A deep learning model based on the Convolutional Neural network was used to develop diagnostic algorithms. The diagnostic algorithm using deep learning model was able to develop efficiently with end-to-end technique. The performance of the model was verified using PhysioNet's open source heart sound data. The high-pass filter was used as a control group of low-frequency components to create a sound frequency data set with removed low-frequency components. A comparative study of the learning results of the two datasets confirmed that the datasets containing low frequency components performed better. Cardiac sound measurements extended to low frequency areas showed the potential to improve higher diagnostic performance. Further study of the characteristics of low frequency components will lead to great improvement in diagnosing cardiovascular disease as a health monitoring device.

심혈관계 질환은 전세계적으로 높은 사망률을 보이며, 급성 질환의 경우 후유증 비율이 높아 빠른 대처가 요구된다. ‘골든 타임’ 이내에 치료를 받지 못하면 높은 확률로 사망하거나 심각한 후유증을 가지게 되므로, 빠른 조치를 취하거나 질환이 발생하기 전에 감지할 수 있다면 사망률을 획기적으로 낮출 수 있다. 급성 심혈관계 질환은 전조 증상이 나타나기 때문에, 지속적이ㄴ 모니터링을 통해서 수십 분 전에만 예고할 수 있다면 돌연사 확률을 획기적으로 낮출 수 있다. 선행 연구에서는 청진 방법으로부터 연구되었기 때문에 심음의 정보가 가청 주파수 대역에서만 있다고 생각하고, 기존의 심음을 이용한 질환 진단 방법은 가청 주파수 영역의 심음만을 측정하고 분석했다. 그러나 헬스 케어를 위해 사용하기에는 아직 심음 진단 알고리즘의 성능은 부족한 문제가 있다. 본 논문에서는 심음의 정보가 저주파 영역대에도 존재함을 밝히고, 저주파 심음 성분의 측정을 통해 심혈관계 질환 진단 정확성의 향상을 얻고자 한다. 본 논문에서는 첫번째로 저주파 마이크로폰의 특성에 맞추어 측정 보조 장치인 음향 어댑터를 설계하여 저주파인 1 Hz부터 심음 성분의 최대 주파수인 1 kHz까지 주파수 영역 전역을 평탄하게 측정할 수 있게 제작했다. 그리고 측정 장치인 저주파 마이크로폰의 특성에 맞는 저주파 심음의 측정 방법을 개발하고, 신호 증폭 및 저장을 위한 실험 장치를 제작했다. 제작한 이동식 실험 장치를 사용하여 병원에 입원 중인 피실험자들 199명으로부터 데이터셋을 수집했다. 두번째로 Fast Fourier Transform(FFT)으로 주파수 특성을 분석한 결과 비정상으로 분류된 피실험자의 진폭이 정상 피실험자의 진폭보다 높았지만, 진폭을 feature로 사용하기에는 차이가 작았다. 시간에 따라 발생하는 패턴을 분석하기 위해서 Time-Frequency domain 변환 알고리즘인 Continuous wavelet transform(CWT)을 사용하여 저주파 성분을 휴먼 인지를 통해 확인할 수 있게 가시화 했다. Cross-correlation을 이용해서 공통 패턴 추출을 진행하여 수축기 동안 저주파 영역인 10 Hz에서 규칙적인 패턴이 나타나는 것을 확인했다. 마지막으로 Convolutional neural network 기반의 딥러닝 모델을 사용해서 진단 알고리즘을 개발했다. PhysioNet의 open source heart sound dataset을 사용해서 모델의 성능을 검증했다. CNN-LSTM 구조의 학습 결과 93.16 %의 정확성을 얻을 수 있었다. 저주파 성분이 포함된 데이터셋의 대조군으로 high-pass filter를 이용해서 저주파 성분이 제거된 가청주파수 데이터셋을 만들었다. 두 데이터셋을 CNN과 CNN-LSTM 모델에 대해서 학습한 결과 비교 실험을 통해서 저주파 성분이 포함된 데이터셋이 2.2 ~ 3.16% 정확성이 더 높은 것을 확인했다. 그리고 민감도는 4.56 ~ 7.01 % 상승했다. 반면 STFT를 이용해 학습한 두 모델에 대해서는 정확성이 낮은 것과 더불어 저주파 데이터와 가청주파수 데이터의 정확성 차이가 거의 없었다. 저주파 영역으로 확장된 심음 측정은 더 높은 진단 성능과 진단 범위를 개선할 수 있는 가능성을 보여주었다. 더 많은 데이터 측정을 통해 과적합 문제를 해결하고, 신호 처리 방법을 개선하면 충분히 심혈관계 질환의 모니터링 기술로서 사용할 수 있다. 그리고 초소형 저주파 음향 마이로폰을 개발하여 센서의 크기로 인해 측정할 수 없었던 지점을 측정하거나 다중 채널 측정을 통한 성능 개선도 가능하다. 또한 저주파 성분에 대한 연구를 계속 진행한다면 심장의 기계적인 특성에 대한 더 심도 깊은 이해를 통해 더 넓은 영역의 진단이 가능할 것으로 기대된다.