시계열 데이터는 시간의 흐름에 따라 관측한 데이터로 변화의 패턴, 주기성, 추세 등의 정보를 내포하고 있다. 시계열 데이터는 에너지, 교통, 의료, 금융 등 다양한 분야에서 센서나 기록 등으로 취득된다. 각 분야에서는 취득한 시계열 데이터를 여러 형태로 가공하여 분석하기 위한 다양한 방법론을 제시하였다.
특히 의료 분야에서는 질병 진단 및 분석을 위하여 이미지를 활용한 딥러닝 연구가 많이 이루어졌다. 하지만 최근에는 센서나 의료 장비를 통해 데이터 수집이 상대적으로 용이한 시계열 데이터를 활용하여 질병의 진단 및 분석을 위한 연구가 활발하게 수행되고 있다. 특히, electrocardiogram (ECG)에서 추출한 시계열 데이터 값을 토대로 심방세동 (atrial fibrillation, AF)을 식별하는 연구는 활발하게 이루어졌다. AF는 가장 흔한 심장 부정맥으로 뇌졸중, 전신 색전증, 심부전 등 심각한 합병증을 유발할 수 있다. 이전에 수행되었던 많은 연구에서 AF를 식별하기 위해 딥러닝 기법을 적용하였다. 이전 연구에서는 AF 식별을 위해 ECG에서 R-peak 간의 간격의 불규칙성과 P-wave의 부재를 포착하기 위하여 long-short term memory (LSTM) or convolutional neural networks (CNNs)을 사용하는 딥러닝 모델 구조를 제안하였다. AF는 ECG 상에서 나타나는 특징이 뚜렷하기 때문에 기존의 방법으로도 좋은 식별 결과를 제시하였다. 하지만 발작성 심방세동 (paroxysmal atrial fibrillation, PAF)의 경우 증상이 없는 경우가 꽤 있고, 특히 정상 동율동 (normal sinus rhythm, NSR) 상에서 수집된 ECG에서는 PAF 환자에게서 AF의 특징이 잘 보이지 않기 때문에 전문의도 쉽게 구별하기 어렵다는 문제점이 있다.
본 논문에서는 NSR 동안 수집한 PAF 환자의 ECG와 건강한 사람의 ECG를 분류하기 위한 딥러닝 모델을 제안한다. 우리는 AF의 대표적인 두 가지 특징인 R-peak 간격이 불규칙하다는 것과, P-wave 파형이 잘 보이지 않는다는 점이 PAF 환자에게도 미세하지만 발생할 것이라는 가정하에 딥러닝 모델을 설계하였다. 두 가지 특징을 반영하기 위하여 우리는 이전에 수행하였던 전력 수요 예측 연구에 적용한 〈Key, Context〉 pair 데이터 구성을 변형하여 사용하였다. 우리가 제안하는 TS-ECG network는 전체 파형을 학습하는 첫 번째 프레임워크와 동시에 P-wave segments를 학습하는 두 번째 프레임워크로 구성된다. 학습을 위하여 인하대학교 병원에서 수집한 PAF NSR ECG 3,951건과 Healthy NSR ECG 4,385건을 사용하였다. 또한, 우리는 추가 검증을 위하여 타 대학병원에서 수집한 환자의 ECG 데이터에 대해 제안하는 모델의 성능을 검증하였다. 인하대학교 병원의 PAF NSR 테스트 데이터셋으로 제안하는 모델을 평가하였을 때 AUC-ROC, precision, recall 그리고 F1-score 지표로 각각 0.94, 87.4%, 87.9%, 87.6%를 달성하였다.