The Image Transformation Method for ECG Signals: Proposal and Performance Comparison with Time-Series Representations

초록·키워드 심전도에 대한 관심이 증가함에 따라 전 세계적으로 관련 연구가 활발히 진행되고 있다. 기존 연구들은 심전도의 시간적 흐름을 반영하여 주로 시계열 기반 접근 방식을 사용해 왔다. 그러나 실제 임상환경에서는 심전도의 시각적 패턴을 활용한 진단이 이루어지므로 이미지 기반 연구 또한 중요한 연구 방향이 될 수 있다. 이에 본 논문에서는 심전도를 기존의 시계열 데이터나 정형화된 이미지 데이터가 아닌 새로운 형태의 이미지로 변환하고, 이를 이미지 기반 사전 학습 모델에 적용하여 그 효과를 검증하였다. 특히, 의료 도메인 데이터가 아닌 ImageNet 데이터로 사전 학습된 모델을 활용하였음에도 의미 있는 성능을 보였으며, 이는 범용적인 사전 학습 모델이 심전도 분석에 적용될 가능성을 시사한다. 또한, 설명 가능한 인공지능(XAI) 기법을 활용하여 모델이 심전도 이미지에서 어떤 시각적 패턴을 근거로 질병을 판단하는지 분석함으로써 모델의 해석 가능성을 제시하였다. The increasing interest in electrocardiograms has led to numerous studies worldwide. Previous research has primarily focused on time-series-based approaches to account for the temporal characteristics of ECG signals. However, clinical diagnoses are often made by analyzing the visual patterns of ECGs, underscoring the importance of image-based research. In this study, we propose a novel approach that transforms ECG data into a new type of image, moving beyond traditional time-series data or pre-structured image formats. We then apply this transformed data to image-based pre-trained models and evaluate their effectiveness. Notably, despite utilizing models pre-trained on ImageNet rather than medical domain-specific datasets, our approach demonstrates meaningful performance. This suggests the potential applicability of general-purpose pre-trained models to ECG analysis. Furthermore, by leveraging explainable artificial intelligence (XAI) techniques, we analyze the visual patterns used by the model to make disease predictions, thereby enhancing its interpretability. 전체보기 #심전도 #사전 훈련 심전도 모델 #사전 훈련 이미지 모델 #설명 가능한 인공지능 #electrocardiograms(ECG) #ECG-based pre-trained models #image-based pre-trained models #eXplainable Artificial Intelligence(XAI)