Progress Seminar 2019.03.13 양승만

연구 진행 상황 보고서 응급의학과-재난대응 혈압 연구 삼성 과제 소아마취통증의학과 신경외과 기타 연구 결과 문제점 및 대책 전체연구진 회의 (3/7) SCG feature extraction using RNN Dataset 재점검 BEPATCH 분석 코드 (by 박종현) 공부 임상시험 결과 통계 분석 임상시험 진행 중 중환자 case 수집 문제점 및 대책 Validation loss가 큼 목표 및 계획 시제품 1대 추가제작 삼성 피쳐 통계 분석 ICG 장비에서 측정한 ECG, ear PPG, ICG 이용하여 PTT, PEP 등 추출하여 분석 임상시험 데이터 분석

SCG feature extraction using RNN CEBS Database (from PHYSIONET PhysioBank) 20 healthy volunteers ECG (leads I & II), Respiratory signal, SCG 측정 Very still in supine position on a single bed and awake Basal state during 5 minutes [records b001~b020] Listening classical music during 50 minutes [records m001~m020] After the music ended during 5 minutes [records p001~p020]

SCG feature extraction using RNN Training dataset 생성 (Feature point annotation 및 good segment 선별) CEBS Database b001~b020, m001~m020, p001~p020 데이터 사용 ECG Q wave 기준으로 SCG beat segmentation 10개 segment ensemble averaging Normalization 125개 sample로 resampling IM, AO, AC point 후보들 선정 SCG의 W-complex에서 첫 번째 valley/peak와 두 번째 valley/peak로 IM, AO point 후보를 두 개씩 선정 AC point의 경우, ECG T-wave 이후 시점에 SCG 파형에서 나타나는 첫 번째 peak를 후보 하나로, 20Hz high-pass filte를 통과한 SCG 파형에서 나타나는 첫 번째 peak를 또 하나의 후보로 선정 (SCG의 High frequency 성분이 심음 파형에 유사해 AC point가 더 잘 보인다는 기존 논문 참조) IM, AO, AC point 확정 및 good segment 선별 기존 문헌들을 기준으로 PEP & LVET & PEP/LVET의 normal range를 다음과 같이 정함 PEP: 60~165ms, LVET: 260~340ms, PEP/LVET: 0.18~0.64 앞서 선정한 AO, AC point 후보들로 계산한 PEP & LVET 조합 중, PEP, LVET, PEP/LVET가 정상 범위에서 벗어난 정도의 합이 가장 적은 경우를 IM, AO, AC point 정답으로 확정 인접한 10개의 segment에 대해 결정된 IM, AO, AC point location의 std가 모두 2 미만인 경우만 저장 최종적으로 저장한 segment들에 대해 visual inspection 진행 PEP2=204ms LVET2=226ms PEP1=98ms LVET1=332ms PEP2/LVET2=0.9 PEP1/LVET1=0.3 PEP1&LVET1 채택

SCG feature extraction using RNN Training dataset 생성 (Feature point annotation 및 good segment 선별) CEBS Database b001~b020, m001~m020, p001~p020 데이터 사용 ECG Q wave 기준으로 SCG beat segmentation 10개 segment ensemble averaging Normalization 125개 sample로 resampling IM, AO, AC point 후보들 선정 SCG의 W-complex에서 첫 번째 valley/peak와 두 번째 valley/peak로 IM, AO point 후보를 두 개씩 선정 AC point의 경우, ECG T-wave 이후 시점에 SCG 파형에서 나타나는 첫 번째 peak를 후보 하나로, 20Hz high-pass filte를 통과한 SCG 파형에서 나타나는 첫 번째 peak를 또 하나의 후보로 선정 (SCG의 High frequency 성분이 심음 파형에 유사해 AC point가 더 잘 보인다는 기존 논문 참조) IM, AO, AC point 확정 및 good segment 선별 기존 문헌들을 기준으로 PEP & LVET & PEP/LVET의 normal range를 다음과 같이 정함 PEP: 60~165ms, LVET: 260~340ms, PEP/LVET: 0.18~0.64 앞서 선정한 AO, AC point 후보들로 계산한 PEP & LVET 조합 중, PEP, LVET, PEP/LVET가 정상 범위에서 벗어난 정도의 합이 가장 적은 경우를 IM, AO, AC point 정답으로 확정 인접한 10개의 segment에 대해 결정된 IM, AO, AC point location의 std가 모두 2 미만인 경우만 저장 최종적으로 저장한 segment들에 대해 visual inspection 진행 PEP2=120ms LVET2=307ms PEP1=66ms LVET1=360ms PEP2/LVET2=0.39 PEP1/LVET1=0.18 PEP2&LVET2 채택

SCG feature extraction using RNN 최종 선별된 segment 및 feature point annotation 예시 S N PEP LVET PEP/LVET 1 2240 100.0±2.9 311.3±12.2 0.32±0.02 2 250 191.3±6.2 326.6±8.9 0.59±0.03 3 2540 154.9±5.1 311.3±8.3 0.50±0.02 4 530 63.0±3.1 306.8±7.9 0.21±0.01 5 950 135.8±3.9 320.2±9.2 0.42±0.02 6 400 78.5±2.9 315.2±12.6 0.25±0.01 7 2460 115.5±3.2 303.0±8.5 0.38±0.01 8 840 64.5±2.2 272.0±14.2 0.24±0.01 9 97.8±4.2 313.4±20.9 0.31±0.03 10 2900 98.0±3.3 301.2±7.7 0.33±0.01 11 630 83.4±5.1 310.7±10.7 0.27±0.02 12 910 65.3±2.4 290.0±6.1 0.23±0.01 13 2480 83.3±2.2 316.5±8.1 0.26±0.01 14 1400 86.7±2.7 297.9±11.5 0.29±0.02 15 ECG 이상 16 1110 120.2±2.9 293.1±7.8 0.41±0.01 17 270 88.3±3.9 245.3±8.8 0.36±0.02 18 190 117.4±5.3 290.8±14.3 0.40±0.03 19 80 73.3±3.8 321.1±9.4 20 1050 117.9±4.0 303.1±9.7 0.39±0.02

SCG feature extraction using RNN Training dataset 생성 (noise 합성) 선별한 segment에 3가지 noise (white noise, sloping noise, saturation noise)를 섞어서 10배로 augmentation 총 214800개의 training dataset 생성

SCG feature extraction using RNN LSTM cell (Long Short Term Memory) Feature point location Ex) [9, 13, 57] Output layer [1 X 3] Hidden layer [125 X 40] . . . . . . Input layer [125 X 1] Time steps (samples) t-124 t-123 t-1 t <Many to one>

SCG feature extraction using RNN Result 19명 중 16명 data로 training, 3명 data로 validation Training loss: 4.8344 / Validation loss: 18.3752

SCG feature extraction using RNN Result (noise 안 섞은 경우) 19명 중 16명 data로 training, 3명 data로 validation Training loss: 2.0098 / Validation loss: 11.0195

SCG feature extraction using 1d CNN [125X1X32] [63X1X64] [32X1X64 -> 1024] [125X1X1] [63X1X32] [32X1X64] [1024 -> 3] Result 19명 중 16명 data로 training, 3명 data로 validation Training loss: 5.7326 / Validation loss: 13.7208

SCG feature extraction using 1d CNN [125X1X32] [63X1X64] [32X1X64 -> 1024] [125X1X1] [63X1X32] [32X1X64] [1024 -> 3] Result (noise 안 섞은 경우) 19명 중 16명 data로 training, 3명 data로 validation Training loss: 2.5734 / Validation loss: 19.7105

SCG DAE using RNN . . . . . . . . . DAE로 선회하여 시도 t-124 t-123 t-1 t Output layer [125 X 1] . . . LSTM cell Hidden layer [125 X 40] . . . . . . Input layer [125 X 1] Time steps (samples) t-124 t-123 t-1 t <Many to many>

PPG DAE using RNN Result PPG data로 DAE를 진행 PPG dataset (from 이준녕) 사용 Training dataset (n=392448), Validation dataset (n=98112) Training loss (RMSE): 0.0075 / Validation loss (RMSE): 0.0071

SCG DAE using RNN Result 16명 data로 training (n=153900), 3명 data로 validation (n=60900) Training loss (RMSE): 0.0067 / Validation loss (RMSE): 0.0212