KR102222282B1 - Method for prediction of Preterm Birth using Electrohysterogram - Google Patents
Method for prediction of Preterm Birth using Electrohysterogram Download PDFInfo
- Publication number
- KR102222282B1 KR102222282B1 KR1020180148241A KR20180148241A KR102222282B1 KR 102222282 B1 KR102222282 B1 KR 102222282B1 KR 1020180148241 A KR1020180148241 A KR 1020180148241A KR 20180148241 A KR20180148241 A KR 20180148241A KR 102222282 B1 KR102222282 B1 KR 102222282B1
- Authority
- KR
- South Korea
- Prior art keywords
- uterine
- signal
- uterine contraction
- emg signal
- contraction
- Prior art date
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
- A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
- A61B5/4343—Pregnancy and labour monitoring, e.g. for labour onset detection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
- A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
- A61B5/4343—Pregnancy and labour monitoring, e.g. for labour onset detection
- A61B5/4356—Assessing uterine contractions
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/389—Electromyography [EMG]
- A61B5/391—Electromyography [EMG] of genito-urinary organs
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Fuzzy Systems (AREA)
- Pregnancy & Childbirth (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Reproductive Health (AREA)
- Gynecology & Obstetrics (AREA)
- Psychology (AREA)
- Urology & Nephrology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
자궁수축 판단방법, 자궁수축 판단장치 및 조산 위험도 식별방법이 제공된다. 본 자궁수축 판단방법에 의하면, 자궁 근전도 신호에 자궁수축 여부를 라벨링하고, 자궁 근전도 신호를 복수개의 주파수 대역별 신호로 분리하며, 분리된 신호를 일정 시간 단위로 분할하고, 세그멘테이션된 신호를 정규화하며, 세그멘테이션 및 정규화된 신호를 주파수 영역의 이미지 데이터로 변환하고, 변환된 이미지 데이터를 이용한 딥러닝 학습을 통해, 자궁 근전도 신호에 기반하여 자궁수축 여부를 판단하는 자궁수축 판단모델을 생성할 수 있게 되어, 자궁수축 여부 및 조산 위험도를 더욱 쉽고 정확하게 예측할 수 있게 된다. A method for determining uterine contraction, a device for determining uterine contraction, and a method for identifying preterm birth risk are provided. According to this method of determining uterine contraction, labeling whether uterine contraction is present on the uterine EMG signal, separating the uterine EMG signal into signals for each frequency band, dividing the separated signal into predetermined time units, and normalizing the segmented signal. , Segmentation and normalized signals are converted into image data in the frequency domain, and through deep learning learning using the converted image data, it is possible to create a uterine contraction determination model that determines whether or not uterine contraction is based on the uterine EMG signal. In addition, uterine contractions and preterm birth risk can be more easily and accurately predicted.
Description
본 발명은 자궁 근전도 기반의 조산 위험도 식별방법에 관한 것으로, 더욱 상세하게는, 자궁 근전도 신호를 이용하여 자궁 수축 여부를 판단하고 이를 이용하여 조산 위험도를 식별하는 자궁 근전도 기반의 조산 위험도 식별방법에 관한 것이다. The present invention relates to a method for identifying preterm birth risk based on uterine EMG, and more particularly, to a method for identifying preterm birth risk based on uterine EMG to determine whether the uterus contracts using a uterine EMG signal and to identify the risk of premature birth using the uterine EMG signal. will be.
이 부분에 기술된 내용은 단순히 본 실시 예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.The content described in this section merely provides background information on the present embodiment and does not constitute the prior art.
조산(preterm birth)은 일반적으로 임신 20주를 지나 37주 이전에 분만하는 것을 의미한다. 전세계적으로 매년 약 1천 5백만 명의 신생아가 조산으로 태어나며, 우리나라도 이미 조산율이 10 %를 넘어 매년 약 4~5만 명 정도의 미숙아가 출생하는 것으로 추정된다. 이러한 조산아들은 모체로부터 충분한 영양공급을 받지 못했을 뿐만 아니라, 신체의 기관들이 미형성된 상태로 태어나기 때문에 사망의 위험이 매우 크다. 또한 조산아는 기본적으로 면역력이 약해 잔병치레가 많아 성장과 발달에 문제가 있을 수 있다.Preterm birth generally refers to delivery after the 20th week of pregnancy and before the 37th week of pregnancy. Around 15 million newborns are born prematurely every year worldwide, and it is estimated that about 40 to 50,000 premature babies are born every year in Korea, with the preterm birth rate already exceeding 10%. These premature babies not only do not receive sufficient nutrition from the mother, but also have a very high risk of death because the organs of the body are born in an unformed state. In addition, premature infants may have problems with growth and development because they have weak immunity and have a lot of minor illnesses.
따라서, 조산의 위험성을 미리 예측함으로써 조산위험 산모군을 선별하고, 이들에 대한 적절한 관리를 통하여 조산을 방지하거나 효과적인 치료를 하는 것이 매우 필요하다. 또한, 조산의 시기가 빠를수록 신생아에게 후유증을 남길 가능성이 높고, 후유증의 정도도 심하기 때문에 조산을 미리 정확하게 예측할 수 있다면 미숙아와 그로 인한 장애아의 발생률을 현저하게 줄일 수 있을 것으로 기대된다.Therefore, it is very necessary to select a group of mothers at risk of preterm birth by predicting the risk of preterm birth in advance, and to prevent premature birth or to provide effective treatment through appropriate management. In addition, the earlier the preterm birth is, the higher the likelihood of leaving sequelae to the newborn and the severity of the sequelae. Therefore, if premature birth can be accurately predicted, it is expected that the incidence of premature infants and children with disabilities can be remarkably reduced.
이와 같이, 조산은 신생아 사망의 가장 주요한 원인이고, 최근 그 발생이 증가하고 있으나, 아직까지 조산을 100% 예측하고 예방할 수 있는 방법은 없다. 즉, 임산부의 조산을 예방하고 태아의 조산으로 인한 사망율을 낮추기 위해서는 정확한 조산의 예측이 필수적이다.As such, premature birth is the most important cause of neonatal death, and although its incidence is increasing recently, there is no way to predict and prevent preterm birth by 100%. In other words, in order to prevent premature birth of pregnant women and to lower the mortality rate due to premature birth of the fetus, accurate prediction of preterm birth is essential.
또한 임산부는 혈액량이 임신전보다 약 1.5배가 증가하며, 혈압이 변화하며, 심장의 위치 또한 비임신시 대비 왼쪽으로 이동하게 된다. 이에 따라 임신 중기 이후에 빈혈 증세가 나타나거나, 심하게 숨이 차거나 또는 심장에 무리를 줄 수 있다. 또한 임신 중에는 호르몬의 변화, 혈역동학적 변화, 자율신경계의 변화가 필수적으로 일어나게 된다. 즉, Estrogen과 β-human chorionic gonadotropin 등의 호르몬이 증가하며, 혈역동학적으로는 순환 혈류량과 심박출량이 증가하고, 또한 혈장 카테콜라민 농도 및 아드레날린 수용체의 민감도가 증가하여 교감신경계가 활성화 된다. 이러한 모든 변화는 임신 중 부정맥을 일으키는 기전으로 작용할 수 있다. 따라서 임신 중기 이후에는 심전도 검사를 정기적으로 실시하여야 한다.In addition, in pregnant women, blood volume increases by about 1.5 times than before pregnancy, blood pressure changes, and the position of the heart also moves to the left compared to non-pregnancy. Accordingly, symptoms of anemia may appear after the second trimester of pregnancy, severe shortness of breath, or a strain on the heart. Also, during pregnancy, hormonal changes, hemodynamic changes, and changes in the autonomic nervous system are essential. In other words, hormones such as estrogen and β-human chorionic gonadotropin increase, and circulatory blood flow and cardiac output increase in hemodynamics, and plasma catecholamine concentration and sensitivity of adrenergic receptors increase, thereby activating the sympathetic nervous system. All of these changes can act as a mechanism for arrhythmia during pregnancy. Therefore, after the second trimester, an electrocardiogram should be performed regularly.
현재의 조산 예측은 자궁근 수축 측정계(Tocodynamometry, TOCO)를 통한 자궁 수축 또는 자궁경부의 변화를 관찰하는 방법에 크게 의존하고 있다. 그러나 상기 TOCO를 통한 자궁 수축의 측정은 조산 예측을 하기에는 너무 낮은 감도를 갖고 있으며, 또한 자궁경부 검사를 통한 조산의 예측은 임상의에 따라 큰 편차를 갖는 문제가 있으며, 역시 조산 예측 성공율은 낮은 것으로 알려져 있다.The current prediction of preterm birth relies heavily on the method of observing uterine contractions or changes in the cervix through tocodynamometry (TOCO). However, the measurement of uterine contraction through the TOCO has too low sensitivity to predict preterm birth, and the prediction of preterm birth through cervical examination has a problem with large deviations depending on the clinician, and the success rate of predicting preterm birth is also low. Is known.
이와 같이 종래의 조산 예측은 정확도가 떨어지고, 조산을 예측하기 위한 절차 및 방법이 복잡하다는 단점이 있다. As described above, the conventional prediction of preterm birth has a disadvantage in that the accuracy is poor, and the procedure and method for predicting premature birth are complicated.
따라서, 조산 위험 여부를 더욱 정확히 예측하기 위한 방안의 모색이 요청된다. Therefore, there is a need to find a way to more accurately predict the risk of preterm birth.
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 목적은, 자궁 근전도 신호에 자궁수축 여부를 라벨링하고, 자궁 근전도 신호를 복수개의 주파수 대역별 신호로 분리하며, 분리된 신호를 일정 시간 단위로 분할하고, 세그멘테이션된 신호를 정규화하며, 세그멘테이션 및 정규화된 신호를 주파수 영역의 이미지 데이터로 변환하고, 변환된 이미지 데이터를 이용한 딥러닝 학습을 통해, 자궁 근전도 신호에 기반하여 자궁수축 여부를 판단하는 자궁수축 판단모델을 생성하는 자궁수축 판단방법, 자궁수축 판단장치 및 조산 위험도 식별방법을 제공함에 있다. The present invention was conceived to solve the above problems, and an object of the present invention is to label the uterine EMG signal whether or not uterine contraction, separate the uterine EMG signal into a plurality of frequency band-specific signals, and separate the separated signal. Whether the uterine contraction is based on the uterine EMG signal by dividing it by a certain time unit, normalizing the segmented signal, converting the segmentation and normalized signal to image data in the frequency domain, and learning deep learning using the converted image data. It is to provide a method for determining uterine contraction, a device for determining uterine contraction, and a method for identifying premature birth risk, which generates a uterine contraction determination model that determines the
본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.The technical problems to be achieved in the present invention are not limited to the technical problems mentioned above, and other technical problems that are not mentioned will be clearly understood by those of ordinary skill in the technical field to which the present invention belongs from the following description. I will be able to.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른, 자궁수축 판단장치에 의한 자궁수축 판단 방법은, 자궁 근전도 신호를 입력받는 단계; 자궁 근전도 신호에 자궁수축 여부를 라벨링하는 단계; 자궁 근전도 신호를 복수개의 주파수 대역별 신호로 분리하는 단계; 분리된 신호를 일정 시간 단위로 분할하는 세그멘테이션 단계; 분할된 신호를 정규화하는 단계; 분할 및 정규화된 신호를 주파수 영역의 이미지 데이터로 변환하는 단계; 및 변환된 이미지 데이터를 이용한 딥러닝 학습을 통해, 자궁 근전도 신호에 기반하여 자궁수축 여부를 판단하는 자궁수축 판단모델을 생성하는 단계;를 포함한다. According to an embodiment of the present invention for achieving the above object, a method for determining uterine contraction by a device for determining uterine contraction includes receiving a uterine EMG signal; Labeling whether the uterine contraction is present on the uterine EMG signal; Separating the uterine EMG signal into a plurality of frequency band-specific signals; A segmentation step of dividing the separated signal into a predetermined time unit; Normalizing the divided signal; Converting the divided and normalized signal into image data in the frequency domain; And generating a uterine contraction determination model that determines whether or not uterine contraction is based on the uterine EMG signal through deep learning learning using the converted image data.
그리고, 라벨링하는 단계는, 동일 시간대에 자궁수축력측정기(tocodynamometer)에 의해 측정된 신호를 이용하여 자궁 근전도 신호에 자궁수축 여부를 라벨링할 수도 있다. In the labeling step, the uterine EMG signal may be labeled as to whether or not the uterus contracts using a signal measured by a tocodynamometer at the same time.
또한, 분리하는 단계는, 자궁 근전도 신호를 4개의 주파수 대역별 신호로 분리할 수도 있다. In addition, in the separating step, the uterine EMG signal may be divided into signals for each of four frequency bands.
그리고, 분리하는 단계는, 자궁 근전도 신호를 자궁 내압 신호에 해당되는 제1 분리신호, 저주파대역의 자궁신호에 해당되는 제2 분리신호, 고주파대역의 자궁신호에 해당되는 제3 분리신호, 및 기타 신호에 해당되는 제4 분리신호로 분리할 수도 있다. In the separating step, the uterine EMG signal is divided into a first separation signal corresponding to an intrauterine pressure signal, a second separation signal corresponding to a uterine signal in a low frequency band, a third separation signal corresponding to a uterine signal in a high frequency band, and others. It may be separated by a fourth split signal corresponding to the signal.
또한, 제1 분리신호는 자궁 근전도 신호에서 0.001Hz 내지 0.005Hz의 주파수 대역을 분리한 신호이고, 제2 분리신호는 자궁 근전도 신호에서 0.02Hz 내지 0.45Hz의 주파수 대역을 분리한 신호이고, 제3 분리신호는 자궁 근전도 신호에서 0.8Hz 내지 3Hz의 주파수 대역을 분리한 신호이고, 제4 분리신호는 자궁 근전도 신호에서 3Hz 초과의 주파수 대역을 분리한 신호일 수도 있다. In addition, the first separation signal is a signal obtained by separating the frequency band of 0.001 Hz to 0.005 Hz from the uterine EMG signal, the second separation signal is a signal obtained by separating the frequency band from 0.02 Hz to 0.45 Hz from the uterine EMG signal, and the third The separation signal may be a signal obtained by separating a frequency band of 0.8 Hz to 3 Hz from the uterine EMG signal, and the fourth separation signal may be a signal obtained by separating a frequency band of more than 3 Hz from the uterine EMG signal.
그리고, 세그멘테이션 단계는, 분리된 신호를 일정 시간 단위로 분할할 때 일부 시간이 중첩되도록 분할할 수도 있다. Further, in the segmentation step, when the separated signal is divided into a predetermined time unit, it may be divided so that some times are overlapped.
또한, 변환하는 단계는, 분할 및 정규화된 신호를 숏타임푸리에변환(STFT : Short-time Fourier transform)를 이용하여 주파수 영역의 이미지 데이터로 변환할 수도 있다. Further, in the transforming step, the divided and normalized signal may be transformed into image data in the frequency domain using a short-time Fourier transform (STFT).
그리고, 자궁수축 예측모델을 생성하는 단계는, 변환된 이미지 데이터를 학습데이터로 이용한 CNN(Convolutional Neural Network)에 의한 딥러닝 학습을 통해, 자궁 근전도 신호에 기반하여 자궁수축 여부를 판단하는 자궁수축 판단모델을 생성할 수도 있다. And, in the step of generating the uterine contraction prediction model, the uterine contraction is determined based on the uterine EMG signal through deep learning learning by CNN (Convolutional Neural Network) using the converted image data as training data. You can also create a model.
또한, 생성된 자궁수축 판단모델을 이용하여, 입력된 자궁 근전도 신호에 기초하여 일정 시간동안 자궁수축 횟수를 판단하는 단계;를 더 포함할 수도 있다. In addition, the method may further include determining the number of uterine contractions for a predetermined time based on the input uterine EMG signal using the generated uterine contraction determination model.
한편, 본 발명의 일 실시예에 따른, 컴퓨터로 읽을 수 있는 기록매체는, 자궁 근전도 신호를 입력받는 단계; 자궁 근전도 신호에 자궁수축 여부를 라벨링하는 단계; 자궁 근전도 신호를 복수개의 주파수 대역별 신호로 분리하는 단계; 분리된 신호를 일정 시간 단위로 분할하는 세그멘테이션 단계; 세그멘테이션된 신호를 정규화하는 단계; 세그멘테이션 및 정규화된 신호를 주파수 영역의 이미지 데이터로 변환하는 단계; 및 변환된 이미지 데이터를 이용한 딥러닝 학습을 통해, 자궁 근전도 신호에 기반하여 자궁수축 여부를 판단하는 자궁수축 판단모델을 생성하는 단계;를 포함하는 자궁수축 판단방법을 실행하는 컴퓨터 프로그램이 수록된다. On the other hand, according to an embodiment of the present invention, a computer-readable recording medium includes the steps of: receiving a uterine EMG signal; Labeling whether the uterine contraction is present on the uterine EMG signal; Separating the uterine EMG signal into a plurality of frequency band-specific signals; A segmentation step of dividing the separated signal into a predetermined time unit; Normalizing the segmented signal; Converting the segmented and normalized signal into image data in the frequency domain; And generating a uterine contraction determination model that determines whether or not uterine contraction is based on the uterine EMG signal through deep learning learning using the converted image data.
한편, 본 발명의 일 실시예에 따른, 자궁수축 판단장치는, 자궁 근전도 신호를 입력받는 입력부; 자궁 근전도 신호에 자궁수축 여부를 라벨링하고, 자궁 근전도 신호를 복수개의 주파수 대역별 신호로 분리하며, 분리된 신호를 일정 시간 단위로 분할하는 세그멘테이션하고, 세그멘테이션된 신호를 정규화하며, 세그멘테이션 및 정규화된 신호를 주파수 영역의 이미지 데이터로 변환하고, 변환된 이미지 데이터를 이용한 딥러닝 학습을 통해, 자궁 근전도 신호에 기반하여 자궁수축 여부를 판단하는 자궁수축 판단모델을 생성하는 제어부;를 포함한다. On the other hand, according to an embodiment of the present invention, the apparatus for determining uterine contraction includes: an input unit receiving an EMG signal of the uterus; Labeling of uterine contractions on the uterine EMG signal, separating the uterine EMG signal into signals for each frequency band, segmentation by dividing the separated signal into a predetermined time unit, normalizing the segmented signal, and segmentation and normalized signals And a controller configured to generate a uterine contraction determination model that determines whether or not uterine contraction is based on the uterine EMG signal through deep learning learning using the converted image data and converting the image data in the frequency domain.
한편, 본 발명의 일 실시예에 따른, 자궁수축 판단장치에 의한 조산 위험도 식별방법은, 자궁 근전도 신호를 입력받는 단계; 자궁 근전도 신호에 자궁수축 여부를 라벨링하는 단계; 자궁 근전도 신호를 복수개의 주파수 대역별 신호로 분리하는 단계; 분리된 신호를 일정 시간 단위로 분할하는 세그멘테이션 단계; 세그멘테이션된 신호를 정규화하는 단계; 세그멘테이션 및 정규화된 신호를 주파수 영역의 이미지 데이터로 변환하는 단계; 변환된 이미지 데이터를 이용한 딥러닝 학습을 통해, 자궁 근전도 신호에 기반하여 자궁수축 여부를 판단하는 자궁수축 판단모델을 생성하는 단계; 생성된 자궁수축 판단모델을 이용하여, 입력된 자궁 근전도 신호에 기초하여 일정 시간동안 자궁수축 횟수를 판단하는 단계; 및 일정 시간동안 자궁수축 횟수에 기초하여 조산 위험도를 식별하는 단계;를 포함한다. On the other hand, according to an embodiment of the present invention, a method for identifying a preterm birth risk by a device for determining a uterine contraction comprises: receiving a uterine EMG signal; Labeling whether the uterine contraction is present on the uterine EMG signal; Separating the uterine EMG signal into a plurality of frequency band-specific signals; A segmentation step of dividing the separated signal into a predetermined time unit; Normalizing the segmented signal; Converting the segmented and normalized signal into image data in the frequency domain; Generating a uterine contraction determination model that determines whether or not uterine contraction is based on the uterine EMG signal through deep learning learning using the converted image data; Determining the number of uterine contractions for a predetermined time based on the input uterine EMG signal using the generated uterine contraction determination model; And identifying a risk of preterm birth based on the number of uterine contractions for a predetermined period of time.
본 발명의 다양한 실시예에 따르면, 자궁 근전도 신호에 자궁수축 여부를 라벨링하고, 자궁 근전도 신호를 복수개의 주파수 대역별 신호로 분리하며, 분리된 신호를 일정 시간 단위로 분할하고, 세그멘테이션된 신호를 정규화하며, 세그멘테이션 및 정규화된 신호를 주파수 영역의 이미지 데이터로 변환하고, 변환된 이미지 데이터를 이용한 딥러닝 학습을 통해, 자궁 근전도 신호에 기반하여 자궁수축 여부를 판단하는 자궁수축 판단모델을 생성하는 자궁수축 판단방법, 자궁수축 판단장치 및 조산 위험도 식별방법을 제공할 수 있게 되어, 자궁수축 여부 및 조산 위험도를 더욱 쉽고 정확하게 예측할 수 있게 된다. According to various embodiments of the present invention, labeling whether uterine contraction is present on the uterine EMG signal, separating the uterine EMG signal into signals for each frequency band, dividing the separated signal into predetermined time units, and normalizing the segmented signal And, uterine contraction, which converts segmentation and normalized signals into image data in the frequency domain, and creates a uterine contraction judgment model that determines whether or not uterine contraction is based on the uterine EMG signal through deep learning learning using the converted image data. It is possible to provide a determination method, a device for determining uterine contractions, and a method for identifying preterm birth risk, so that uterine contractions and premature birth risk can be more easily and accurately predicted.
본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에 서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.The effects obtainable in the present invention are not limited to the above-mentioned effects, and other effects not mentioned can be clearly understood by those of ordinary skill in the art from the following description. will be.
본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 발명에 대한 실시 예를 제공하고, 상세한 설명과 함께 본 발명의 기술적 특징을 설명한다.
도 1은 본 발명의 일 실시예에 따른, 자궁수축 판단 장치의 구성을 도시한 블록도,
도 2는 본 발명의 일 실시예에 따른, 자궁수축 판단 및 조산 위험도 식별 방법을 설명하기 위해 제공되는 흐름도,
도 3은 본 발명의 일 실시예에 따른, 자궁수축력측정기(tocodynamometer)에 의해 측정된 신호와 자궁 근전도 신호를 도시한 도면,
도 4는 본 발명의 일 실시예에 따른, 자궁 근전도 신호를 4개의 주파수 대역별로 분리한 신호를 도시한 도면,
도 5는 본 발명의 일 실시예에 따른, 분리된 신호를 일정 시간 단위로 분할하는 과정을 도시한 도면,
도 6은 본 발명의 일 실시예에 따른, 숏타임푸리에변환 과정을 도시한 도면,
도 7은 본 발명의 일 실시예에 따른, 사용자가 정상 상태일 때의 숏타임푸리에 변환 결과 얻어지는 이미지 데이터를 도시한 도면,
도 8은 본 발명의 일 실시예에 따른, 사용자가 자궁 수축 상태일 때의 숏타임푸리에 변환 결과 얻어지는 이미지 데이터를 도시한 도면,
도 9는 본 발명의 일 실시예에 따른, 변환된 이미지 데이터를 이용하여 딥러닝 학습을 진행하여 자궁수축 판단모델을 생성하는 과정을 도시한 도면, 및
도 10은 본 발명의 일 실시예에 따른, 자궁수축 판단장치의 테스트 결과를 도시한 도면이다. BRIEF DESCRIPTION OF THE DRAWINGS The accompanying drawings, which are included as part of the detailed description to aid in understanding of the present invention, provide embodiments of the present invention, and describe the technical features of the present invention together with the detailed description.
1 is a block diagram showing the configuration of a device for determining uterine contraction according to an embodiment of the present invention;
2 is a flow chart provided to explain a method for determining uterine contraction and identifying preterm birth risk according to an embodiment of the present invention;
3 is a diagram showing a signal measured by a tocodynamometer and a uterine EMG signal according to an embodiment of the present invention;
4 is a diagram illustrating a signal obtained by dividing a uterine EMG signal for each of four frequency bands according to an embodiment of the present invention;
5 is a diagram illustrating a process of dividing a separated signal into a predetermined time unit according to an embodiment of the present invention;
6 is a diagram showing a short-time Fourier transform process according to an embodiment of the present invention;
FIG. 7 is a diagram illustrating image data obtained as a result of short-time Fourier transform when a user is in a normal state according to an embodiment of the present invention;
FIG. 8 is a diagram illustrating image data obtained as a result of Short-Time Fourier Transformation when a user is in a uterine contraction state, according to an embodiment of the present invention.
9 is a diagram illustrating a process of generating a uterine contraction determination model by performing deep learning learning using converted image data according to an embodiment of the present invention, and
10 is a view showing a test result of the apparatus for determining uterine contraction according to an embodiment of the present invention.
본 발명의 과제 해결 수단의 특징 및 이점을 보다 명확히 하기 위하여, 첨부된 도면에 도시된 본 발명의 특정 실시 예를 참조하여 본 발명을 더 상세하게 설명한다.In order to clarify the features and advantages of the problem solving means of the present invention, the present invention will be described in more detail with reference to specific embodiments of the present invention shown in the accompanying drawings.
다만, 하기의 설명 및 첨부된 도면에서 본 발명의 요지를 흐릴 수 있는 공지기능 또는 구성에 대한 상세한 설명은 생략한다. 또한, 도면 전체에 걸쳐 동일한 구성 요소들은 가능한 한 동일한 도면 부호로 나타내고 있음에 유의하여야 한다.However, in the following description and the accompanying drawings, detailed descriptions of known functions or configurations that may obscure the subject matter of the present invention will be omitted. In addition, it should be noted that the same components are denoted by the same reference numerals as much as possible throughout the drawings.
이하의 설명 및 도면에서 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위한 용어의 개념으로 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.The terms or words used in the following description and drawings should not be interpreted as being limited to their usual or dictionary meanings, and the inventor may appropriately define the concept of terms for describing his or her invention in the best way. It should be interpreted as a meaning and concept consistent with the technical idea of the present invention based on the principle that there is.
따라서 본 명세서에 기재된 실시 예와 도면에 도시된 구성은 본 발명의 가장바람직한 일 실시 예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.Therefore, the embodiments described in the present specification and the configurations shown in the drawings are only the most desirable embodiments of the present invention, and do not represent all the technical ideas of the present invention. It should be understood that there may be equivalents and variations.
또한, 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하기 위해 사용하는 것으로, 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용될 뿐, 상기 구성요소들을 한정하기 위해 사용되지 않는다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제2 구성요소는 제1 구성요소로 명명될 수 있고, 유사하게 제1 구성요소도 제2 구성요소로 명명될 수 있다. In addition, terms including ordinal numbers such as first and second are used to describe various elements, and are used only for the purpose of distinguishing one element from other elements, and to limit the elements. Not used. For example, without departing from the scope of the present invention, the second element may be referred to as the first element, and similarly, the first element may be referred to as the second element.
더하여, 어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급할 경우, 이는 논리적 또는 물리적으로 연결되거나, 접속될 수 있음을의미한다.In addition, when a component is referred to as being "connected" or "connected" to another component, it means that it is logically or physically connected, or can be connected.
다시 말해, 구성요소가 다른 구성요소에 직접적으로 연결되거나 접속되어 있을 수 있지만, 중간에 다른 구성요소가 존재할 수도 있으며, 간접적으로 연결되거나 접속될 수도 있다고 이해되어야 할 것이다.In other words, it should be understood that a component may be directly connected or connected to another component, but another component may exist in the middle, or may be indirectly connected or connected.
또한, 본 명세서에서 기술되는 "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.In addition, terms such as "comprises" or "have" described herein are intended to designate the existence of features, numbers, steps, actions, components, parts, or a combination thereof described in the specification. It is to be understood that the above other features or the possibility of the presence or addition of numbers, steps, actions, components, parts, or combinations thereof are not preliminarily excluded.
또한, 명세서에 기재된 "…부", "…기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.In addition, terms such as "... unit", "... group", and "module" described in the specification mean a unit that processes at least one function or operation, which can be implemented by hardware or software or a combination of hardware and software. have.
또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사어는 본 발명을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.In addition, "a or an", "one", "the" and similar words are indicated otherwise in this specification in the context of describing the present invention (especially in the context of the following claims). It may be used in a sense encompassing both the singular and the plural, unless otherwise clearly contradicted by context.
이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다. Hereinafter, the present invention will be described in more detail with reference to the drawings.
도 1은 본 발명의 일 실시예에 따른, 자궁수축 판단 장치(100)의 구성을 도시한 블록도이다. 도 1에 도시된 바와 같이, 입력부(110) 및 제어부(120)를 포함한다. 1 is a block diagram showing a configuration of an
자궁 근전도 신호는 자궁 수축 등의 자궁 전기 활동(uterine electrical activity)로 인하여 자궁의 근육층(myometrium)에서 발생하는 0.1 ~ 5 Hz와 0.04 ~ 0.5 mV의 특성을 갖는 전기적 신호이다. The uterine EMG signal is an electrical signal having characteristics of 0.1 to 5 Hz and 0.04 to 0.5 mV, which occurs in the myometrium of the uterus due to uterine electrical activity such as uterine contraction.
자궁 근전도 측정장치(10)는 태아가 위치하는 임산부의 복부에 전극을 붙여 검사하는 복부 부착형 근전도 측정 패치로 구성된다. 복부 부착형 근전도 측정 패치는 측정된 자궁 근전도 신호를 입력부(110)로 전송하도록 설계된다. 또한 자궁 근전도 측정 센서는 자궁 근전도(Electrohysterogram) 신호 이 외에 태아 심박수(Tetal heart rate, 이하 THR), 체온 등의 생체 신호에 대해 통합 측정가능하도록 구성될 수도 있다. The uterine
입력부(110)는 자궁 근전도 측정기(10)로부터 자궁 근전도 신호(EHG : Electrohysterogram)를 입력받는다. 입력부(110)는 자궁 근전도 측정기(10)와 유선 또는 무선으로 통신가능하도록 연결되어 있으며, 예를 들어, USB 등의 유선 케이블을 통해 연결될 수도 있고, 와이파이나 블루투스와 같은 무선 통신을 통해 연결될 수도 있다. 그리고, 입력부(110)는 자궁 근전도 신호를 유선 또는 무선 통신을 이용하여 입력받게 된다. The
제어부(120)는 자궁수축 판단 장치(100)의 전반적인 동작을 제어한다. 구체적으로, 제어부(120)는 자궁 근전도 신호에 자궁수축 여부를 라벨링하고, 자궁 근전도 신호를 복수개의 주파수 대역별 신호로 분리하며, 분리된 신호를 일정 시간 단위로 분할하는 세그멘테이션하고, 세그멘테이션된 신호를 정규화하며, 세그멘테이션 및 정규화된 신호를 주파수 영역의 이미지 데이터로 변환하고, 변환된 이미지 데이터를 이용한 딥러닝 학습을 통해, 자궁 근전도 신호에 기반하여 자궁수축 여부를 판단하는 자궁수축 판단모델을 생성한다. 그리고, 제어부(120)는 생성된 자궁수축 예측모델을 이용하여, 입력된 자궁 근전도 신호에 기초하여 일정 시간동안 자궁수축 횟수를 판단하고, 일정 시간동안 자궁수축 횟수에 기초하여 조산 위험도를 식별하게 된다. The
이와 같은 구성의 자궁수축 판단 장치(100)는 사용자로부터 측정된 자궁 근전도 신호를 이용하여 사용자의 자궁수축 여부를 판단하고 이를 이용하여 조산 위험도를 식별할 수 있게 된다. The uterine
한편, 도 1에는 자궁수축 판단 장치(100)와 자궁 근전도 측정기(10)가 별도의 장치인 것으로 설명하였으나, 자궁수축 판단 장치(100)에 자궁 근전도 측정 모듈이 포함되어 구성될 수도 있음은 물론이다. Meanwhile, in FIG. 1, it has been described that the uterine
이하에서는, 도 2를 참고하여 자궁수축 판단 장치(100)에 의한 자궁수축 판단방법 및 조산 위험도 식별방법에 대해 더욱 상세히 설명한다. Hereinafter, a method for determining uterine contraction and a method for identifying preterm birth risk by the
도 2는 본 발명의 일 실시예에 따른, 자궁수축 판단 및 조산 위험도 식별 방법을 설명하기 위해 제공되는 흐름도이다. 2 is a flow chart provided to explain a method of determining uterine contraction and identifying preterm birth risk according to an embodiment of the present invention.
우선, 자궁수축 판단 장치(100)는 자궁 근전도 측정기(10)로부터 사용자의 자궁 근전도 신호를 입력받는다(S210). First, the uterine
그리고, 자궁수축 판단장치(100)는 자궁 근전도 신호에 자궁수축 여부를 라벨링한다(S220). 구체적으로, 자궁수축 판단장치(100)는 동일 시간대에 자궁수축력측정기(tocodynamometer)에 의해 측정된 자궁수축신호를 이용하여 자궁 근전도 신호에 자궁수축 여부를 표시하여 라벨링을 수행하게 된다. Then, the uterine
이와 관련하여 도 3을 참고하여 상세히 설명한다. 도 3은 본 발명의 일 실시예에 따른, 자궁수축력측정기(tocodynamometer)에 의해 측정된 신호와 자궁 근전도 신호를 도시한 도면이다. This will be described in detail with reference to FIG. 3. 3 is a diagram illustrating a signal measured by a tocodynamometer and a uterine EMG signal according to an embodiment of the present invention.
도 3에서 상단에 표시된 그래프는 자궁수축력측정기(tocodynamometer)에 의해 측정된 자궁수축신호(TOCO신호)를 나타낸다. 그리고, 도 3에서 하단에 표시된 그래프는 동일 시간대의 자궁 근전도 신호를 도시한 도면이다. The graph displayed at the top in FIG. 3 represents a uterine contraction signal (TOCO signal) measured by a uterine contraction force meter (tocodynamometer). In addition, the graph displayed at the bottom of FIG. 3 is a diagram showing a uterine EMG signal at the same time.
도 3에 도시된 바와 같이, 자궁수축신호(TOCO신호)는 피크가 존재하는 시간대가 자궁수축이 발생한 시간대를 나타내는 것이다. 따라서, 자궁수축 판단장치(100)는 자궁수축신호를 이용하면 자궁수축이 발생한 시간대를 확인할 수 있으며, 확인된 자궁수축이 발생한 시간대를 이용하여 자궁 근전도 신호에 자궁수축 여부를 라벨링할 수 있게 된다. As shown in FIG. 3, the uterine contraction signal (TOCO signal) represents the time period in which the peak exists and the time period in which the uterine contraction occurs. Accordingly, the uterine
도 3의 하단에 표시된 자궁 근전도 신호에는 빨간색으로 자궁수축 여부가 라벨링되어 있으며, 빨간색 그래프가 높은값에 해당되는 기간이 자궁수축 기간을 나타내고, 빨간색 그래프가 낮은값에 해당되는 기간이 정상상태 기간을 나타낸다. The uterine EMG signal displayed at the bottom of FIG. 3 is labeled with red for uterine contraction, and the period corresponding to the high value in the red graph indicates the period for contraction, and the period corresponding to the low value in the red graph indicates the steady state period Show.
이와 같은 과정을 통해, 자궁수축 판단장치(100)는 동일 시간대에 자궁수축력측정기(tocodynamometer)에 의해 측정된 자궁수축신호를 이용하여 자궁 근전도 신호에 자궁수축 여부를 표시하여 라벨링을 수행할 수 있게 된다. Through this process, the uterine
다시 도 2로 돌아가서, 자궁수축 판단장치(100)는 자궁 근전도 신호를 복수개의 주파수 대역별 신호로 분리한다(S230). 자궁수축 판단장치(100)는 각 대역별 밴드패스필터를 이용하여 자궁 근전도 신호를 복수개의 주파수 대역별 신호로 분리할 수 있게 된다. Returning to FIG. 2 again, the uterine
자궁수축 판단장치(100)는 자궁 근전도 신호를 4개의 주파수 대역별 신호로 분리할 수 있다. 구체적으로, 자궁수축 판단장치(100)는 자궁 근전도 신호를 자궁 내압 신호에 해당되는 제1 분리신호, 저주파대역의 자궁신호에 해당되는 제2 분리신호, 고주파대역의 자궁신호에 해당되는 제3 분리신호, 및 기타 신호에 해당되는 제4 분리신호로 분리할 수도 있다. 여기에서, 제1 분리신호는 자궁 근전도 신호에서 0.001Hz 내지 0.005Hz의 주파수 대역을 분리한 신호이고, 제2 분리신호는 자궁 근전도 신호에서 0.02Hz 내지 0.45Hz의 주파수 대역을 분리한 신호이고, 제3 분리신호는 자궁 근전도 신호에서 0.8Hz 내지 3Hz의 주파수 대역을 분리한 신호이고, 제4 분리신호는 자궁 근전도 신호에서 3Hz 초과의 주파수 대역을 분리한 신호가 될 수도 있다. The uterine
이와 같은 방식으로, 자궁수축 판단장치(100)는 자궁 근전도 신호를 4개의 주파수 대역별 신호로 분리하여 이를 신호처리하여 자궁수축여부를 판단하게 되며, 상술한 4개의 주파수 대역별 신호로 분리할 경우 자궁 수축 여부 판단의 정확도가 향상되는 것을 확인할 수 있다. In this way, the uterine
다시 도 2로 돌아와서, 자궁수축 판단장치(100)는 주파수 대역별로 분리된 신호를 일정 시간 단위로 분할하는 세그멘테이션(segmentation) 단계를 수행한다(S240). 이 때, 자궁수축 판단장치(100)는 분리된 신호를 일정 시간 단위로 분할할 때 일부 시간이 중첩되도록 분할하게 된다. 즉, 자궁수축 판단장치(100)는 분리된 신호를 일정 시간 단위로 분할할 때 시간상으로 앞서는 분할구간의 뒷부분과 시간상으로 뒤지는 분할구간의 앞부분이 일정부분 중첩되도록 시간영역을 설정하게 되는 것이다. 이와 같이, 일부 시간이 중첩되도록 분할할 경우, 자궁수축 판단장치(100)는 분할되는 경계 부분의 특성을 더욱 정확하게 처리할 수 있게 된다. Returning to FIG. 2 again, the uterine
예를 들어, 자궁수축 판단장치(100)는 주파수 대역별로 분리된 신호를 2초 단위로 분할할 수 있으며, 이 때 신호의 25%(즉, 0.5초)가 이전 시간영역과 중첩되도록 분할할 수도 있다. 이에 대해 도 5를 참고하여 더 구체적으로 설명한다. For example, the uterine
도 5는 본 발명의 일 실시예에 따른, 분리된 신호를 일정 시간 단위로 분할하는 과정을 도시한 도면이다. 구체적으로, 도 5는 자궁수축 판단장치(100)가 주파수 대역별로 분리된 신호를 2초 단위의 윈도우로 분할하고, 신호의 25%(즉, 0.5초)가 이전 시간영역 윈도우와 중첩되도록 분할하는 경우를 도시하고 있다. 5 is a diagram illustrating a process of dividing a separated signal into a predetermined time unit according to an embodiment of the present invention. Specifically, FIG. 5 shows that the uterine
도 5의 상단에 표시된 신호 그래프는 입력되는 자궁 근전도 신호(EHG : Electrohysterogram)를 나타내고 있고, 자궁수축 기간은 빨간색으로 라벨링이 되어 있는 것을 확인할 수 있다. The signal graph displayed at the top of FIG. 5 represents an input uterine electrohysterogram (EHG), and it can be seen that the uterine contraction period is labeled in red.
도 5의 하단에 표시된 그래프들은 2초 단위의 윈도우로 분할된 신호들이 표시되어 있으며, 25%(0.5초)씩 중첩되어 분할된 것을 확인할 수 있다. In the graphs displayed at the bottom of FIG. 5, signals divided by a window of 2 seconds are displayed, and it can be seen that the divided signals are overlapped by 25% (0.5 seconds).
자궁수축 판단장치(100)는 이와 같은 세그멘테이션(segmentation) 단계를 상술한 주파수 대역별 4개의 분리신호 즉, 제1 분리신호, 제2 분리신호, 제3 분리신호 및 제4 분리신호에 대해 모두 수행하게 되며, 보든 분리신호들을 시간 영역으로 분할된 복수개의 분할 신호로 만들게 된다. The uterine
그 후에, 자궁수축 판단장치(100)는 분할된 신호를 정규화하게 된다(S250). 구체적으로, 자궁수축 판단장치(100)는 분할된 신호들이 전체적으로 진폭이 -1과 1의 사이값이 되고, 평균이 0이 되고, 표준편차가 0에서 1 사이값이 되도록 정규화 처리를 하게 된다. After that, the uterine
그 다음, 자궁수축 판단장치(100)는 분할 및 정규화된 신호를 주파수 영역의 이미지 데이터로 변환한다(S260). 구체적으로, 자궁수축 판단장치(100)는 분할 및 정규화된 신호를 숏타임푸리에변환(STFT : Short-time Fourier transform)를 이용하여 주파수 영역의 이미지 데이터로 변환하게 된다. 숏타임푸리에변환 과정에 대해서는 도 6 내지 도 8을 참고하여 설명한다. Then, the uterine
도 6은 본 발명의 일 실시예에 따른, 숏타임푸리에변환 과정을 도시한 도면이다. 6 is a diagram illustrating a short-time Fourier transform process according to an embodiment of the present invention.
숏타임푸리에변환은 시계열 신호에 내포되어 있는 시간별 주파수 변화를 표현하는 광범위하게 사용되는 변환 방법이다. 자궁수축 판단장치(100)는 특정 범위의 자궁 근전도 신호와 특정한 특징을 갖는 윈도우 함수를 곱한 후, 이를 FFT (Fast Fourier Transform)을 사용하여 주파수 분석을 수행하며, 시간 축을 따라서 분할된 신호들에 대해 계속적으로 FFT(Fast Fourier Transform)를 수행하면, 숏타임푸리에변환의 결과인 주파수 영역의 이미지 데이터를 얻을 수 있게 된다. The short-time Fourier transform is a widely used transform method that expresses the time-dependent frequency change implied in a time series signal. The uterine
자궁수축 판단장치(100)는 도 6에 도시된 개략적인 과정을 통해 숏타임푸리에변환을 수행하게 되고, 주파수 대역별로 분리된 신호들에 대한 이미지 데이터를 획득하게 된다. 여기에서 이미지 데이터는 주파수 대역별로 분리된 신호들의 숏타임푸리에변환 결과값에 해당되며, 이미지 데이터의 x축은 시간, y축은 주파수, 색깔은 진폭(amplitude)을 나타내게 된다. The uterine
도 7은 본 발명의 일 실시예에 따른, 사용자가 정상 상태일 때의 숏타임푸리에 변환 결과 얻어지는 이미지 데이터를 도시한 도면이다. 7 is a diagram illustrating image data obtained as a result of short-time Fourier transform when a user is in a normal state according to an embodiment of the present invention.
도 7의 상단에 표시된 그래프는 사용자가 정상상태(normal)일 경우의 자궁 근전도 신호(700)를 나타낸다. 그리고, 그 밑에는 제1 분리신호(0.001Hz 내지 0.005Hz)에 대한 숏타임푸리에변환 결과인 제1-1 이미지데이터(710), 제2 분리신호(0.02Hz 내지 0.45Hz)에 대한 숏타임푸리에변환 결과인 제1-2 이미지데이터(720), 제3 분리신호(0.8Hz 내지 3Hz)에 대한 숏타임푸리에변환 결과인 제1-3 이미지데이터(730), 제4 분리신호(3Hz 초과)에 대한 숏타임푸리에변환 결과인 제1-4 이미지데이터(740)가 도시되어 있는 것을 확인할 수 있다. The graph displayed at the top of FIG. 7 shows the
도 8은 본 발명의 일 실시예에 따른, 사용자가 자궁 수축 상태(contraction)일 때의 숏타임푸리에 변환 결과 얻어지는 이미지 데이터를 도시한 도면이다. FIG. 8 is a diagram illustrating image data obtained as a result of Short-Time Fourier Transformation when a user is in a uterine contraction according to an embodiment of the present invention.
도 8의 상단에 표시된 그래프는 사용자가 자궁 수축 상태일 경우의 자궁 근전도 신호(800)를 나타낸다. 그리고, 그 밑에는 제1 분리신호(0.001Hz 내지 0.005Hz)에 대한 숏타임푸리에변환 결과인 제2-1 이미지데이터(810), 제2 분리신호(0.02Hz 내지 0.45Hz)에 대한 숏타임푸리에변환 결과인 제2-2 이미지데이터(820), 제3 분리신호(0.8Hz 내지 3Hz)에 대한 숏타임푸리에변환 결과인 제2-3 이미지데이터(830), 제4 분리신호(3Hz 초과)에 대한 숏타임푸리에변환 결과인 제2-4 이미지데이터(840)가 도시되어 있는 것을 확인할 수 있다. The graph displayed at the top of FIG. 8 shows the
도 7 및 도 8의 제1-1 이미지데이터(710), 제1-2 이미지데이터(720), 제1-3 이미지데이터(730), 및 제1-4 이미지데이터(740)와 제2-1 이미지데이터(810), 제2-2 이미지데이터(820), 제2-3 이미지데이터(830), 및 제2-4 이미지데이터(840)를 서로 비교하면, 서로 패턴이 차이가 있는 것을 확인할 수 있다. 7 and 8, the 1-1
따라서, 자궁수축 판단장치(100)는 분할 및 정규화된 신호를 숏타임푸리에변환(STFT : Short-time Fourier transform)를 이용하여 주파수 영역의 이미지 데이터로 변환하여, 해당 이미지 데이터의 이미지 패턴 차이를 이용하여, 자궁수축 상태인지 여부를 판단하는데 이용할 수 있게 된다. Accordingly, the uterine
다시 도 2로 돌아가서, 자궁수축 판단장치(100)는 변환된 이미지 데이터를 이용한 딥러닝 학습을 통해, 자궁 근전도 신호에 기반하여 자궁수축 여부를 판단하는 자궁수축 판단모델을 생성한다(S270). 구체적으로, 자궁수축 판단장치(100)는 변환된 이미지 데이터를 학습데이터로 이용한 CNN(Convolutional Neural Network)에 의한 딥러닝 학습을 통해, 자궁 근전도 신호에 기반하여 자궁수축 여부를 판단하는 자궁수축 판단모델을 생성하게 된다. 이와 같은 과정에 대해 도 9를 참고하여 설명한다. Returning to FIG. 2 again, the uterine
도 9는 본 발명의 일 실시예에 따른, 변환된 이미지 데이터를 이용하여 딥러닝 학습을 진행하여 자궁수축 판단모델을 생성하는 과정을 도시한 도면이다. 9 is a diagram illustrating a process of generating a uterine contraction determination model by performing deep learning learning using converted image data according to an embodiment of the present invention.
CNN(Convolutional Neural Network)에 의한 학습은 다음과 같은 과정을 통해 수행된다. Learning by CNN (Convolutional Neural Network) is performed through the following process.
먼저 컨볼루셔널 필터(Convolutional Filter)를 통해 입력된 이미지의 특징을 추출한다. 구체적으로, 컨볼루셔널 필터는 이미지를 입력으로 사용하는 딥러닝 모델에 기본적으로 쓰이는 특징 추출 필터이다. 컨볼루셔널 필터는 필터의 종류가 많으면 많을수록 다양한 특징을 추출할 수 있으며, 이미지의 픽셀 데이터들을 다른 도메인으로 변환하는 것을 통해서 다른 패턴의 데이터들을 서로 분리할 수 있게 변환해주는 역할을 한다. 컨볼루셔널 필터는 전체 데이터의 관계를 확인하지 않기 때문에 연산량 및 연산 파라미터가 기존의 신경망(Neural Network)보다 적다. 컨볼루셔널 필터는 각 채널별로 필터 가중 행렬(filter weights matrix)이 존재하며 각 채널과 맞는 가중 행렬에 행렬곱을 수행한 후, 모두 더해 평균을 내는 방식으로 해당 픽셀의 특징을 추출하게 된다. First, features of an input image are extracted through a convolutional filter. Specifically, the convolutional filter is a feature extraction filter basically used in a deep learning model that uses an image as an input. The convolutional filter can extract various features as there are more types of filters, and serves to convert data of different patterns to be separated from each other by converting pixel data of an image into different domains. Since the convolutional filter does not check the relationship between the entire data, the amount of computation and computational parameters are less than that of a conventional neural network. In the convolutional filter, a filter weights matrix exists for each channel, and after performing a matrix multiplication on a weighting matrix matching each channel, features of a corresponding pixel are extracted by adding all of them to average.
그 다음 배치 노멀라이제이션(Batch Normalization)을 수행하게 된다. 배치 노멀라이제이션(Batch Normalization)은 딥러닝 모델 학습시 정규화를 통해 학습 수렴이 안정되게 해주는 기법이다. 필터를 통해 선형 변환되어 나오는 데이터의 평균과 표준편차가 편향되어있다고 가정하고, 배치 노멀라이제이션은 이를 다시 재조정해주는 방식으로 평균과 표준편차를 맞춰주어 학습이 안정적이며 학습 속도 가속화 및 성능 향상에 목적이 있다. 배치 노멀라이제이션은 딥러닝 계층사이에 모듈형태로 삽입이 되며, 스케일 파라미터(scale parameter)와 시프트(shift) 파라미터를 딥러닝 모델 학습 시 데이터에 기반하여 데이터에 맞는 스케일(scale)과 시프트(shift)의 스케일러(scalar) 값을 학습하고, 학습 완료 후, 딥러닝 모델 추론 시 각 배치 노멀라이제이션 파라미터를 이용하여 계층을 통과한 데이터를 다시 재조정하는 역할을 수행하게 된다. Then, batch normalization is performed. Batch normalization is a technique that stabilizes training convergence through normalization when training a deep learning model. Assuming that the mean and standard deviation of the data that is linearly transformed through the filter are biased, batch normalization adjusts the mean and standard deviation in a way that readjusts it, so that learning is stable, and the learning speed is accelerated and the performance is improved. There is this. Batch normalization is inserted in the form of a module between deep learning layers, and scale and shift parameters that fit the data are based on the data when training the deep learning model. ), the scaler value of) is learned, and after training is completed, the data that has passed through the layer is readjusted using each batch normalization parameter when inferring the deep learning model.
그 다음으로는 풀링(Pooling)을 수행하게 된다. 컨볼루셔널 필터(Convolutional Filter)는 필터 가중치(Filter weights)의 크기에 따라서 입력 이미지에서 일정한 부분을 볼 수 있으며, 필터 가중치가 커지면 연산량 및 파라미터 수가 많아지는 트레이드오프(trade-off) 특성을 갖는다. 이를 보완하기 위해 풀링이 수행되며, 풀링은 이미지의 대표적인 성질은 남겨두되 영상 크기를 줄이는 역할을 통해서 같은 컨볼루셔널 필터 크기로 전체 영상을 볼 수 있다는 이점을 갖는다. 본 실시예에서는 선명도는 유지하면서 영상의 크기만 감소시키는 맥스 풀링(Max pooling) 기법을 이용할 수 있다. Next, pooling is performed. The convolutional filter can see a certain portion of the input image according to the size of the filter weights, and has a trade-off characteristic in which the amount of computation and the number of parameters increase as the filter weight increases. To compensate for this, pooling is performed, and pooling has the advantage that the entire image can be viewed with the same convolutional filter size through the role of reducing the image size while leaving the representative properties of the image. In the present embodiment, a max pooling technique in which only the size of an image is reduced while maintaining sharpness may be used.
그 다음으로는 드랍아웃(Drop out)을 수행하게 된다. 드랍아웃은 네트워크의 가중치들을 랜덤하게 사용하지 않는 것을 통해서 정규화하는 효과를 갖는 기법으로 딥러닝 모델의 학습 안정성 및 수렴속도, 성능향상에 목적이 있다. 드랍아웃은 데이터가 임밸런스(imbalance)한 상황에서 특정한 데이터에 대해서 특정 가중치(weight)를 오프(off)하여 모델의 모든 가중치(weight)가 임밸런스(imbalance)한 데이터를 모두 학습하지 못하는 효과를 갖기 때문에 정규화효과가 일어나며, 학습 데이터에 대한 오버피팅(overfitting)을 막는 역할을 하게 된다. Next, drop out is performed. Dropout is a technique that has the effect of normalizing the weights of the network by not using randomly, and aims to improve the learning stability, convergence speed, and performance of the deep learning model. Dropout has the effect of not learning all the data imbalanced by all the weights of the model by turning off specific weights for specific data in a situation where data is imbalanced. Because it has a normalization effect, it plays a role of preventing overfitting on the training data.
그 다음으로 풀리 커넥티드 네트워크(Fully Connected Network)를 생성하게 된다. 풀리 커넥티드 네트워크는 뉴럴 네트워크(Neural Netowrk) 혹은 인공신경망이라고 불리며, 본 실시예에서 컨볼루셔널 필터(Convolutioanl Filter)를 통해서 분리 가능하도록 나타난 데이터 표현에 대해서 경계 함수를 결정하는 네트워크를 나타낸다. Next, a Fully Connected Network is created. The fully connected network is called a neural network or an artificial neural network, and represents a network that determines a boundary function for a data expression that is shown to be separable through a convolutioanl filter in this embodiment.
이와 같은 각 모듈들을 모두 결합하여 CNN(Convolutional Neural network)를 도 9와 같이 설계하게 된다. By combining all of these modules, a convolutional neural network (CNN) is designed as shown in FIG. 9.
자궁수축 판단장치(100)는 4개의 변환된 이미지 데이터를 4채널을 갖는 하나의 이미지로 통합하여 이를 입력으로 도 9에 도시된 구조의 CNN(Convolutional Neural network)를 통해 딥러닝 학습을 수행하게 된다. 이를 통해, 자궁수축 판단장치(100)는 4개의 변환된 이미지 데이터를 학습데이터로 이용한 CNN(Convolutional Neural Network)에 의한 딥러닝 학습을 통해, 자궁 근전도 신호에 기반하여 자궁수축 여부를 판단하는 자궁수축 판단모델을 생성하게 된다The uterine
다시 도 2로 돌아가서, 자궁수축 판단장치(100)는 생성된 자궁수축 판단모델을 이용하여, 입력된 자궁 근전도 신호에 기초하여 일정 시간동안 자궁수축 횟수를 판단한다(S280). 자궁수축 판단장치(100)는 사용자의 기존 자궁 근전도 신호를 이용하여 앞서 설명한 과정을 통해 자궁수축 판단모델을 생성하게 되고, 현재 입력된 자궁 근전도 신호를 해당 자궁수축 판단모델에 입력하여, 현재 입력된 자궁 근전도 신호에 자궁수축이 몇번 포함되어 있는지를 판단할 수 있게 된다. Returning to FIG. 2 again, the uterine
그리고, 자궁수축 판단장치(100)는 일정 시간동안 자궁수축 횟수에 기초하여 조산 위험도를 식별하게 된다(S290). 예를 들어, 자궁수축 판단장치(100)는 5시간동안 10회이상의 자궁수축이 감지된 경우, 조산 위험이 있는 것으로 식별할 수도 있다. Then, the uterine
이와 같은 과정을 통해, 자궁수축 판단장치(100)는 사용자의 자궁 근전도 신호를 이용하여 자궁수축 여부를 판단하고 및 조산 위험도를 식별할 수 있게 된다. Through such a process, the uterine
도 10은 본 발명의 일 실시예에 따른, 자궁수축 판단장치(100)의 테스트 결과를 도시한 도면이다. 10 is a diagram showing a test result of the
도 10의 경우, 자궁수축 판단장치(100)에 총 8개 데이터 셋을 전체데이터를 대상으로 예측 테스트를 실시한 것이며, 정의된 전체 데이터에서 90%를을 자궁수축 판단모델 학습을 위한 학습용 데이터(training dataset)로 이용하고, 나머지 10%를 테스트용 데이터(test dataset)로 데이터를 랜덤 셔플링하여 테스트를 진행한 것이다. In the case of FIG. 10, a total of 8 data sets were subjected to a prediction test for all data in the uterine
도 10에서, TP(true positive)는 실제 자궁 수축 시에 자궁 근전도 신호 샘플을 정확하게 자궁수축상태라고 판단한 경우, TN(true negative)는 실제 정상상태일 때에 자궁 근전도 신호 샘플을 정확하게 정상상태라고 판단한 경우, FP (false positive)는 실제 정상상태일 때에 자궁 근전도 신호 샘플을 자궁수축상태라고 잘못 판단한 경우, FN (false negative)는 실제 자궁수축상태일 때에 자궁 근전도 신호 샘플을 정상상태신호라고 잘못 판단한 경우를 나타낸다. In FIG. 10, when TP (true positive) determines that the uterine EMG signal sample is accurately in the uterine contraction state during actual uterine contraction, TN (true negative) is when it is determined that the uterine EMG signal sample is accurately in the normal state during actual uterine contraction. , FP (false positive) is the case that the uterine EMG signal sample is incorrectly judged as a uterine contraction state when it is in an actual normal state, and FN (false negative) is the case that the uterine EMG signal sample is incorrectly determined as a normal state signal when the uterine contraction state is actually Show.
도 10에서, 자궁수축 판단장치(100)는 총 50회의 테스트에서 틀린 횟수는 FP 3회, FN 1회로 총 4번만 틀리고 나머지 46번은 모두 맞게 판단한 것으로 결과가 도출된 것을 확인할 수 있다. 이와 같은 결과를 통해 정확도를 산출하면, 자궁수축 판단장치(100)의 정확도는 총 92%(=46/50*100)인 것을 확인할 수 있다. In FIG. 10, the uterine
따라서, 본 실시예에 따른 자궁수축 판단장치(100)는 상당히 높은 정확도로 자궁 근전도 신호를 이용하여 자궁수축 여부를 판단할 수 있는 것을 확인할 수 있다. Accordingly, it can be seen that the uterine
한편, 본 실시예에 따른 장치의 기능 및 방법을 수행하게 하는 컴퓨터 프로그램을 수록한 컴퓨터로 읽을 수 있는 기록매체에도 본 발명의 기술적 사상이 적용될 수 있음은 물론이다. 또한, 본 발명의 다양한 실시예에 따른 기술적 사상은 컴퓨터로 읽을 수 있는 기록매체에 기록된 컴퓨터로 읽을 수 있는 프로그래밍 언어 코드 형태로 구현될 수도 있다. 컴퓨터로 읽을 수 있는 기록매체는 컴퓨터에 의해 읽을 수 있고 데이터를 저장할 수 있는 어떤 데이터 저장 장치이더라도 가능하다. 예를 들어, 컴퓨터로 읽을 수 있는 기록매체는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광디스크, 하드 디스크 드라이브, 플래시 메모리, 솔리드 스테이트 디스크(SSD) 등이 될 수 있음은 물론이다. 또한, 컴퓨터로 읽을 수 있는 기록매체에 저장된 컴퓨터로 읽을 수 있는 코드 또는 프로그램은 컴퓨터간에 연결된 네트워크를 통해 전송될 수도 있다. On the other hand, it goes without saying that the technical idea of the present invention can be applied to a computer-readable recording medium containing a computer program for performing functions and methods of the apparatus according to the present embodiment. Further, the technical idea according to various embodiments of the present invention may be implemented in the form of a computer-readable programming language code recorded on a computer-readable recording medium. The computer-readable recording medium can be any data storage device that can be read by a computer and can store data. For example, a computer-readable recording medium may be ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical disk, hard disk drive, flash memory, solid state disk (SSD), and the like. In addition, a computer-readable code or program stored in a computer-readable recording medium may be transmitted through a network connected between computers.
본 명세서와 도면에서는 예시적인 장치 구성을 기술하고 있지만, 본 명세서에서 설명하는 기능적인 동작과 주제의 구현물은 다른 유형의 디지털 전자 회로로구현되거나, 본 명세서에서 개시하는 구조 및 그 구조적인 등가물들을 포함하는 컴퓨터 소프트웨어, 펌웨어 혹은 하드웨어로 구현되거나, 이들 중 하나 이상의 결합으로 구현 가능하다.Although this specification and drawings describe exemplary device configurations, functional operations and implementations of the subject matter described herein are implemented as other types of digital electronic circuits, or include structures disclosed herein and structural equivalents thereof. It may be implemented as computer software, firmware, or hardware, or it may be implemented as a combination of one or more of them.
따라서, 상술한 예를 참조하여 본 발명을 상세하게 설명하였지만, 본 발명이속하는 분야의 통상의 기술자라면 본 발명의 범위를 벗어나지 않으면서도 본 예들에 대한 개조, 변경 및 변형을 가할 수 있다.Accordingly, although the present invention has been described in detail with reference to the above-described examples, modifications, changes, and modifications to the examples can be made without departing from the scope of the present invention by those of ordinary skill in the field to which the present invention belongs.
또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.In addition, although the preferred embodiments of the present invention have been illustrated and described above, the present invention is not limited to the specific embodiments described above, and the technical field to which the present invention belongs without departing from the gist of the present invention claimed in the claims. In addition, various modifications are possible by those of ordinary skill in the art, and these modifications should not be understood individually from the technical spirit or prospect of the present invention.
10 : 자궁 근전도 측정기
100 : 자궁수축 판단장치
110 : 입력부
120 : 제어부10: uterine electromyogram
100: uterine contraction determination device
110: input unit
120: control unit
Claims (12)
자궁 근전도 신호를 입력받는 단계;
자궁 근전도 신호에 자궁수축 여부를 라벨링하는 단계;
자궁 근전도 신호를 복수개의 주파수 대역별 신호로 분리하는 단계;
분리된 신호를 일정 시간 단위로 분할하는 세그멘테이션 단계;
분할된 신호를 정규화하는 단계;
분할 및 정규화된 신호를 주파수 영역의 이미지 데이터로 변환하는 단계; 및
변환된 이미지 데이터를 이용한 딥러닝 학습을 통해, 자궁 근전도 신호에 기반하여 자궁수축 여부를 판단하는 자궁수축 판단모델을 생성하는 단계;를 포함하고,
라벨링하는 단계는,
동일 시간대에 자궁수축력측정기(tocodynamometer)에 의해 측정된 신호를 이용하여 자궁 근전도 신호에 자궁수축 여부를 라벨링하는 것을 특징으로 하는 자궁수축 판단방법.
In the method of determining uterine contraction using a uterine contraction determination device,
Receiving a uterine EMG signal;
Labeling whether the uterine contraction is present on the uterine EMG signal;
Separating the uterine EMG signal into a plurality of frequency band-specific signals;
A segmentation step of dividing the separated signal into a predetermined time unit;
Normalizing the divided signal;
Converting the divided and normalized signal into image data in the frequency domain; And
Including; through deep learning learning using the converted image data, generating a uterine contraction determination model that determines whether or not uterine contraction is based on the uterine EMG signal
The labeling step is:
A method for determining uterine contraction, characterized in that labeling whether or not uterine contraction is present on a uterine EMG signal using a signal measured by a tocodynamometer at the same time period.
자궁 근전도 신호를 입력받는 단계;
자궁 근전도 신호에 자궁수축 여부를 라벨링하는 단계;
자궁 근전도 신호를 복수개의 주파수 대역별 신호로 분리하는 단계;
분리된 신호를 일정 시간 단위로 분할하는 세그멘테이션 단계;
분할된 신호를 정규화하는 단계;
분할 및 정규화된 신호를 주파수 영역의 이미지 데이터로 변환하는 단계; 및
변환된 이미지 데이터를 이용한 딥러닝 학습을 통해, 자궁 근전도 신호에 기반하여 자궁수축 여부를 판단하는 자궁수축 판단모델을 생성하는 단계;를 포함하고,
분리하는 단계는,
자궁 근전도 신호를 4개의 주파수 대역별 신호로 분리하는 것을 특징으로 하는 자궁수축 판단방법.
In the method of determining uterine contraction using a uterine contraction determination device,
Receiving a uterine EMG signal;
Labeling whether the uterine contraction is present on the uterine EMG signal;
Separating the uterine EMG signal into a plurality of frequency band-specific signals;
A segmentation step of dividing the separated signal into a predetermined time unit;
Normalizing the divided signal;
Converting the divided and normalized signal into image data in the frequency domain; And
Including; through deep learning learning using the converted image data, generating a uterine contraction determination model that determines whether or not uterine contraction is based on the uterine EMG signal
The step of separating is,
Cervical contraction determination method, characterized in that separating the uterine EMG signal into four frequency band signals.
분리하는 단계는,
자궁 근전도 신호를 자궁 내압 신호에 해당되는 제1 분리신호, 저주파대역의 자궁신호에 해당되는 제2 분리신호, 고주파대역의 자궁신호에 해당되는 제3 분리신호, 및 기타 신호에 해당되는 제4 분리신호로 분리하는 것을 특징으로 하는 자궁수축 판단방법.
The method of claim 3,
The step of separating is,
The first separation signal corresponding to the intrauterine pressure signal of the uterine EMG signal, the second separation signal corresponding to the uterine signal in the low frequency band, the third separation signal corresponding to the uterine signal in the high frequency band, and the fourth separation corresponding to other signals Method for determining uterine contraction, characterized in that separating by signal.
제1 분리신호는 자궁 근전도 신호에서 0.001Hz 내지 0.005Hz의 주파수 대역을 분리한 신호이고,
제2 분리신호는 자궁 근전도 신호에서 0.02Hz 내지 0.45Hz의 주파수 대역을 분리한 신호이고,
제3 분리신호는 자궁 근전도 신호에서 0.8Hz 내지 3Hz의 주파수 대역을 분리한 신호이고,
제4 분리신호는 자궁 근전도 신호에서 3Hz 초과의 주파수 대역을 분리한 신호인 것을 특징으로 하는 자궁수축 판단방법.
The method of claim 4,
The first separation signal is a signal obtained by separating a frequency band of 0.001 Hz to 0.005 Hz from the uterine EMG signal,
The second split signal is a signal obtained by separating a frequency band of 0.02 Hz to 0.45 Hz from the uterine EMG signal,
The third separation signal is a signal obtained by separating a frequency band of 0.8 Hz to 3 Hz from the uterine EMG signal,
The fourth separation signal is a signal obtained by separating a frequency band of more than 3 Hz from the uterine EMG signal.
자궁 근전도 신호를 입력받는 단계;
자궁 근전도 신호에 자궁수축 여부를 라벨링하는 단계;
자궁 근전도 신호를 복수개의 주파수 대역별 신호로 분리하는 단계;
분리된 신호를 일정 시간 단위로 분할하는 세그멘테이션 단계;
분할된 신호를 정규화하는 단계;
분할 및 정규화된 신호를 주파수 영역의 이미지 데이터로 변환하는 단계; 및
변환된 이미지 데이터를 이용한 딥러닝 학습을 통해, 자궁 근전도 신호에 기반하여 자궁수축 여부를 판단하는 자궁수축 판단모델을 생성하는 단계;를 포함하고,
세그멘테이션 단계는,
분리된 신호를 일정 시간 단위로 분할할 때 일부 시간이 중첩되도록 분할하는 것을 특징으로 하는 자궁수축 판단방법.
In the method of determining uterine contraction using a uterine contraction determination device,
Receiving a uterine EMG signal;
Labeling whether the uterine contraction is present on the uterine EMG signal;
Separating the uterine EMG signal into a plurality of frequency band-specific signals;
A segmentation step of dividing the separated signal into a predetermined time unit;
Normalizing the divided signal;
Converting the divided and normalized signal into image data in the frequency domain; And
Including; through deep learning learning using the converted image data, generating a uterine contraction determination model that determines whether or not uterine contraction is based on the uterine EMG signal
The segmentation step is,
When dividing the separated signal into a predetermined time unit, the method of determining uterine contraction, characterized in that dividing so that some times overlap.
자궁 근전도 신호를 입력받는 단계;
자궁 근전도 신호에 자궁수축 여부를 라벨링하는 단계;
자궁 근전도 신호를 복수개의 주파수 대역별 신호로 분리하는 단계;
분리된 신호를 일정 시간 단위로 분할하는 세그멘테이션 단계;
분할된 신호를 정규화하는 단계;
분할 및 정규화된 신호를 주파수 영역의 이미지 데이터로 변환하는 단계; 및
변환된 이미지 데이터를 이용한 딥러닝 학습을 통해, 자궁 근전도 신호에 기반하여 자궁수축 여부를 판단하는 자궁수축 판단모델을 생성하는 단계;를 포함하고,
변환하는 단계는,
분할 및 정규화된 신호를 숏타임푸리에변환(STFT : Short-time Fourier transform)를 이용하여 주파수 영역의 이미지 데이터로 변환하는 것을 특징으로 하는 자궁수축 판단방법.
In the method of determining uterine contraction using a uterine contraction determination device,
Receiving a uterine EMG signal;
Labeling whether the uterine contraction is present on the uterine EMG signal;
Separating the uterine EMG signal into a plurality of frequency band-specific signals;
A segmentation step of dividing the separated signal into a predetermined time unit;
Normalizing the divided signal;
Converting the divided and normalized signal into image data in the frequency domain; And
Including; through deep learning learning using the converted image data, generating a uterine contraction determination model that determines whether or not uterine contraction is based on the uterine EMG signal
The steps to convert are,
A method of determining uterine contraction, characterized in that the divided and normalized signal is transformed into image data in a frequency domain using a short-time Fourier transform (STFT).
자궁 근전도 신호를 입력받는 단계;
자궁 근전도 신호에 자궁수축 여부를 라벨링하는 단계;
자궁 근전도 신호를 복수개의 주파수 대역별 신호로 분리하는 단계;
분리된 신호를 일정 시간 단위로 분할하는 세그멘테이션 단계;
분할된 신호를 정규화하는 단계;
분할 및 정규화된 신호를 주파수 영역의 이미지 데이터로 변환하는 단계; 및
변환된 이미지 데이터를 이용한 딥러닝 학습을 통해, 자궁 근전도 신호에 기반하여 자궁수축 여부를 판단하는 자궁수축 판단모델을 생성하는 단계;를 포함하고,
자궁수축 예측모델을 생성하는 단계는,
변환된 이미지 데이터를 학습데이터로 이용한 CNN(Convolutional Neural Network)에 의한 딥러닝 학습을 통해, 자궁 근전도 신호에 기반하여 자궁수축 여부를 판단하는 자궁수축 판단모델을 생성하는 것을 특징으로 하는 자궁수축 판단방법.
In the method of determining uterine contraction using a uterine contraction determination device,
Receiving a uterine EMG signal;
Labeling whether the uterine contraction is present on the uterine EMG signal;
Separating the uterine EMG signal into a plurality of frequency band-specific signals;
A segmentation step of dividing the separated signal into a predetermined time unit;
Normalizing the divided signal;
Converting the divided and normalized signal into image data in the frequency domain; And
Including; through deep learning learning using the converted image data, generating a uterine contraction determination model that determines whether or not uterine contraction is based on the uterine EMG signal
Generating the uterine contraction prediction model,
A method for determining uterine contraction, characterized in that, through deep learning learning by CNN (Convolutional Neural Network) using the converted image data as training data, a uterine contraction determination model that determines whether or not uterine contraction is determined based on the uterine EMG signal .
자궁 근전도 신호를 입력받는 단계;
자궁 근전도 신호에 자궁수축 여부를 라벨링하는 단계;
자궁 근전도 신호를 복수개의 주파수 대역별 신호로 분리하는 단계;
분리된 신호를 일정 시간 단위로 분할하는 세그멘테이션 단계;
분할된 신호를 정규화하는 단계;
분할 및 정규화된 신호를 주파수 영역의 이미지 데이터로 변환하는 단계; 및
변환된 이미지 데이터를 이용한 딥러닝 학습을 통해, 자궁 근전도 신호에 기반하여 자궁수축 여부를 판단하는 자궁수축 판단모델을 생성하는 단계;를 포함하고,
생성된 자궁수축 판단모델을 이용하여, 입력된 자궁 근전도 신호에 기초하여 일정 시간동안 자궁수축 횟수를 판단하는 단계;를 더 포함하는 것을 특징으로 하는 자궁수축 판단방법.
In the method of determining uterine contraction using a uterine contraction determination device,
Receiving a uterine EMG signal;
Labeling whether the uterine contraction is present on the uterine EMG signal;
Separating the uterine EMG signal into a plurality of frequency band-specific signals;
A segmentation step of dividing the separated signal into a predetermined time unit;
Normalizing the divided signal;
Converting the divided and normalized signal into image data in the frequency domain; And
Including; through deep learning learning using the converted image data, generating a uterine contraction determination model that determines whether or not uterine contraction is based on the uterine EMG signal
Using the generated uterine contraction determination model, determining the number of uterine contractions for a predetermined time based on the input uterine EMG signal.
자궁 근전도 신호에 자궁수축 여부를 라벨링하는 단계;
자궁 근전도 신호를 복수개의 주파수 대역별 신호로 분리하는 단계;
분리된 신호를 일정 시간 단위로 분할하는 세그멘테이션 단계;
세그멘테이션된 신호를 정규화하는 단계;
세그멘테이션 및 정규화된 신호를 주파수 영역의 이미지 데이터로 변환하는 단계; 및
변환된 이미지 데이터를 이용한 딥러닝 학습을 통해, 자궁 근전도 신호에 기반하여 자궁수축 여부를 판단하는 자궁수축 판단모델을 생성하는 단계;를 포함하고,
라벨링하는 단계는,
동일 시간대에 자궁수축력측정기(tocodynamometer)에 의해 측정된 신호를 이용하여 자궁 근전도 신호에 자궁수축 여부를 라벨링하는 것을 특징으로 하는 자궁수축 판단방법을 실행하는 컴퓨터 프로그램이 수록된 컴퓨터로 읽을 수 있는 기록매체.
Receiving a uterine EMG signal;
Labeling whether the uterine contraction is present on the uterine EMG signal;
Separating the uterine EMG signal into a plurality of frequency band-specific signals;
A segmentation step of dividing the separated signal into a predetermined time unit;
Normalizing the segmented signal;
Converting the segmented and normalized signal into image data in the frequency domain; And
Including; through deep learning learning using the converted image data, generating a uterine contraction determination model that determines whether or not uterine contraction is based on the uterine EMG signal
The labeling step is:
A computer-readable recording medium containing a computer program that executes a method for determining uterine contraction, characterized in that labeling the uterine contraction on the uterine EMG signal using a signal measured by a tocodynamometer at the same time.
자궁 근전도 신호에 자궁수축 여부를 라벨링하고, 자궁 근전도 신호를 복수개의 주파수 대역별 신호로 분리하며, 분리된 신호를 일정 시간 단위로 분할하는 세그멘테이션하고, 세그멘테이션된 신호를 정규화하며, 세그멘테이션 및 정규화된 신호를 주파수 영역의 이미지 데이터로 변환하고, 변환된 이미지 데이터를 이용한 딥러닝 학습을 통해, 자궁 근전도 신호에 기반하여 자궁수축 여부를 판단하는 자궁수축 판단모델을 생성하는 제어부;를 포함하고,
제어부는,
동일 시간대에 자궁수축력측정기(tocodynamometer)에 의해 측정된 신호를 이용하여 자궁 근전도 신호에 자궁수축 여부를 라벨링하는 것을 특징으로 하는 자궁수축 판단장치.
An input unit for receiving a uterine EMG signal;
Labeling of uterine contractions on the uterine EMG signal, separating the uterine EMG signal into signals for each frequency band, segmentation by dividing the separated signal into a predetermined time unit, normalizing the segmented signal, and segmentation and normalized signals Including; a control unit for converting the image data in the frequency domain, and generating a uterine contraction determination model that determines whether or not the uterine contraction is based on the uterine EMG signal through deep learning learning using the converted image data,
The control unit,
Uterine contraction determination device, characterized in that labeling the uterine contraction on the uterine EMG signal using a signal measured by a uterine contraction force meter (tocodynamometer) at the same time.
자궁 근전도 신호를 입력받는 단계;
자궁 근전도 신호에 자궁수축 여부를 라벨링하는 단계;
자궁 근전도 신호를 복수개의 주파수 대역별 신호로 분리하는 단계;
분리된 신호를 일정 시간 단위로 분할하는 세그멘테이션 단계;
세그멘테이션된 신호를 정규화하는 단계;
세그멘테이션 및 정규화된 신호를 주파수 영역의 이미지 데이터로 변환하는 단계;
변환된 이미지 데이터를 이용한 딥러닝 학습을 통해, 자궁 근전도 신호에 기반하여 자궁수축 여부를 판단하는 자궁수축 판단모델을 생성하는 단계;
생성된 자궁수축 판단모델을 이용하여, 입력된 자궁 근전도 신호에 기초하여 일정 시간동안 자궁수축 횟수를 판단하는 단계; 및
일정 시간동안 자궁수축 횟수에 기초하여 조산 위험도를 식별하는 단계;를 포함하는 조산 위험도 식별방법.
In the method of identifying the risk of premature birth by the uterine contraction determination device,
Receiving a uterine EMG signal;
Labeling whether the uterine contraction is present on the uterine EMG signal;
Separating the uterine EMG signal into a plurality of frequency band-specific signals;
A segmentation step of dividing the separated signal into a predetermined time unit;
Normalizing the segmented signal;
Converting the segmented and normalized signal into image data in the frequency domain;
Generating a uterine contraction determination model that determines whether or not uterine contraction is based on the uterine EMG signal through deep learning learning using the converted image data;
Determining the number of uterine contractions for a predetermined time based on the input uterine EMG signal using the generated uterine contraction determination model; And
Preterm birth risk identification method comprising; identifying a preterm birth risk based on the number of uterine contractions for a predetermined time.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180148241A KR102222282B1 (en) | 2018-11-27 | 2018-11-27 | Method for prediction of Preterm Birth using Electrohysterogram |
| PCT/KR2019/011528 WO2020111464A1 (en) | 2018-11-27 | 2019-09-06 | Method for identifying preterm birth risk on basis of uterus electromyogram |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180148241A KR102222282B1 (en) | 2018-11-27 | 2018-11-27 | Method for prediction of Preterm Birth using Electrohysterogram |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200062627A KR20200062627A (en) | 2020-06-04 |
| KR102222282B1 true KR102222282B1 (en) | 2021-03-04 |
Family
ID=70852840
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180148241A KR102222282B1 (en) | 2018-11-27 | 2018-11-27 | Method for prediction of Preterm Birth using Electrohysterogram |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR102222282B1 (en) |
| WO (1) | WO2020111464A1 (en) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113133771B (en) * | 2021-03-18 | 2022-10-28 | 浙江工业大学 | Uterine electromyographic signal analysis and early birth prediction method based on time-frequency domain entropy characteristics |
| KR102603983B1 (en) * | 2021-07-01 | 2023-11-22 | 주식회사 인텔리고 | Deep learning based system and method for recognizing behavior type using emg signal |
| KR102594173B1 (en) * | 2021-11-29 | 2023-11-16 | 주식회사 데이터스튜디오 | Method and apparatus generating training image for time series data prediction |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101858411B1 (en) * | 2017-11-20 | 2018-05-15 | 재단법인 구미전자정보기술원 | Method and apparatus for predicting premature birth using vital sign |
| KR101890072B1 (en) * | 2017-11-28 | 2018-08-21 | 주식회사 멕 아이씨에스 | Smart Prediction System of Preterm Birth using Uterus Electromyographic Signal |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6898460B2 (en) * | 2002-01-15 | 2005-05-24 | General Electric Company | Method and apparatus for uterine contraction monitoring using linear predictive modeling of abdominal surface EMG signals |
| KR101803291B1 (en) * | 2016-05-19 | 2017-12-01 | 한국과학기술연구원 | Device for checking uterine contraction based on user eeg and emg signal and method thereof |
| KR101958863B1 (en) * | 2017-01-24 | 2019-03-15 | 계명대학교 산학협력단 | Pregnancy prediction system and method using wearable uterine emg sensor |
-
2018
- 2018-11-27 KR KR1020180148241A patent/KR102222282B1/en active IP Right Grant
-
2019
- 2019-09-06 WO PCT/KR2019/011528 patent/WO2020111464A1/en active Application Filing
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101858411B1 (en) * | 2017-11-20 | 2018-05-15 | 재단법인 구미전자정보기술원 | Method and apparatus for predicting premature birth using vital sign |
| KR101890072B1 (en) * | 2017-11-28 | 2018-08-21 | 주식회사 멕 아이씨에스 | Smart Prediction System of Preterm Birth using Uterus Electromyographic Signal |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020111464A1 (en) | 2020-06-04 |
| KR20200062627A (en) | 2020-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jager et al. | Characterization and automatic classification of preterm and term uterine records | |
| Fergus et al. | Machine learning ensemble modelling to classify caesarean section and vaginal delivery types using Cardiotocography traces | |
| KR102222282B1 (en) | Method for prediction of Preterm Birth using Electrohysterogram | |
| Cömert et al. | Prognostic model based on image-based time-frequency features and genetic algorithm for fetal hypoxia assessment | |
| Fergus et al. | Prediction of preterm deliveries from EHG signals using machine learning | |
| US8892181B2 (en) | Non-invasive fetal monitoring | |
| US20130102856A1 (en) | Non-invasive detection of fetal or maternal illness | |
| Smrdel et al. | Separating sets of term and pre-term uterine EMG records | |
| Chamidah et al. | Fetal state classification from cardiotocography based on feature extraction using hybrid K-Means and support vector machine | |
| Haritopoulos et al. | Survey on cardiotocography feature extraction algorithms for foetal welfare assessment | |
| Saleem et al. | A strategy for classification of “vaginal vs. cesarean section” delivery: bivariate empirical mode decomposition of cardiotocographic recordings | |
| US20140378855A1 (en) | Apparatus and method for feature extraction and classification of fetal heart rate | |
| Baghel et al. | 1D-FHRNet: automatic diagnosis of fetal acidosis from fetal heart rate signals | |
| Magenes et al. | Comparison of data mining techniques applied to fetal heart rate parameters for the early identification of IUGR fetuses | |
| Lo et al. | Deep learning for detection of fetal ECG from multi-channel abdominal leads | |
| Saleem et al. | Granger causal analysis of electrohysterographic and tocographic recordings for classification of term vs. preterm births | |
| Castro et al. | Systematic review of intrapartum fetal heart rate spectral analysis and an application in the detection of fetal acidemia | |
| Jezewski et al. | Analysis of extracted cardiotocographic signal features to improve automated prediction of fetal outcome | |
| CN104287724A (en) | Fetal electrocardiogram detection method based on constraint blind source separation | |
| Doyle et al. | Predicting the neurodevelopmental outcome in newborns with hypoxic-ischaemic injury | |
| Smith et al. | A systematic review on the utility of non-invasive electrophysiological assessment in evaluating for intra uterine growth restriction | |
| Fergus et al. | Prediction of intrapartum hypoxia from cardiotocography data using machine learning | |
| Khan et al. | Electrohysterogram based term and preterm delivery classification system | |
| Warmerdam et al. | Selective heart rate variability analysis to account for uterine activity during labor and improve classification of fetal distress | |
| KUZU et al. | Fetal Health Pattern Classification Using Ensemble Learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |