KR20140097039A

KR20140097039A - Method and apparatus for classifying cardiac arrhythmia using an auto associative neural network

Info

Publication number: KR20140097039A
Application number: KR1020140010794A
Authority: KR
Inventors: 베라 뎁; 샌디펜 첵로볼티
Original assignee: 삼성전자주식회사
Priority date: 2013-01-28
Filing date: 2014-01-28
Publication date: 2014-08-06
Also published as: IN2013CH00359A; KR102216047B1

Abstract

Disclosed are a method and an apparatus for classifying a cardiac arrhythmia by using an automatic binding neurons network. The cardiac arrhythmia classifying method according to an embodiment includes the following steps of: receiving an electrocardiogram signal, which indicates an electrical activity of the heart of a person and includes cardiogram beats, for a predetermined time section; generating synthetic heartbeats which correspond each of the cardiogram beats by using an automatic automatic binding neurons network which corresponds to each arrhythmia class; determining that a synthetic heartbeat which effectively corresponds to one of arrhythmia classes among the synthetic heartbeats which correspond to each of inputted cardiogram beats; and providing a arrhythmia class which corresponds to a arrhythmia of a specific type based on identified synthetic heartbeats which effectively correspond to the cardiogram beats. Each arrhythmia class corresponds to a specific type of heart problem.

Description

METHOD AND APPARATUS FOR CLASSIFYING CARDIAC ARRHYTHMIA USING AN AUTO ASSOCIATIVE NEURAL NETWORK FIELD OF THE INVENTION [0001]

헬스 모니터링 시스템에 관한 것으로서, 보다 상세하게는 심장부정맥을 분류하는 방법 및 장치에 관한 것이다. And more particularly to a method and apparatus for classifying cardiac arrhythmias.

심전도 패턴을 자동 검출 및 분류하는 것은 다양한 심장부정맥 상태를 진단하고 치료함에 있어서 매우 중요하다. 이는 부정맥이 극심한 심근경색으로부터 회복 중인 환자들을 심각하게 위협하는 원인이기 때문이다. 자동 부정맥 검출기는 삶의 질을 향상시키는 데에 큰 도움을 주며, 고위험군 심장질환자의 뇌졸중이나 갑작스러운 심장질환 사망의 위험성을 경감시켜준다. 따라서, 다양한 심장부정맥 상태를 적시에 실시간으로 검출하는 기술에 관한 요청이 있다.The automatic detection and classification of ECG patterns is very important in diagnosing and treating various heart arrhythmia conditions. This is because arrhythmia is a serious threat to patients recovering from severe myocardial infarction. Automatic arrhythmia detectors are a great help in improving quality of life and reduce the risk of stroke or sudden cardiac death from high-risk heart disease. Thus, there is a need for a technique for detecting various heart arrhythmia conditions in real time in a timely manner.

심장부정맥 검출 및 분류의 문제는 논문들에서 다양하게 논의되어 왔다. 뛰어난 정확도를 갖는 복잡한 분류 알고리즘은 고성능 프로세서로 비교적 용이하게 구현할 수 있다. 그러나, 그러한 기법은 고용량의 메모리와 시간을 잡아먹는 반복 연산을 필요로 한다. 따라서, 현존하는 기술은 (저성능 프로세서를 갖는) 이동식 기기나 휴대 기기에 적용될 수 없었다. 그러나, 스마트폰/이동식 기기 환경에서 분류 알고리즘을 실시간으로 구현하는 것은 원격의료 시나리오에서 부정맥을 조기 검출하기 위하여 필요한 사항이다. The problem of cardiac arrhythmia detection and classification has been discussed in various manuscripts. Complex classification algorithms with excellent accuracy can be implemented relatively easily with high performance processors. However, such techniques require large amounts of memory and time consuming iterative operations. Therefore, existing techniques could not be applied to mobile devices (with low performance processors) or portable devices. However, implementing real-time classification algorithms in a smartphone / mobile device environment is a prerequisite for early detection of arrhythmias in remote medical scenarios.

감축된 계산량만으로도 심장부정맥을 분류할 수 있는 방법 및 장치를 제공한다. A method and apparatus for classifying cardiac arrhythmias with a reduced amount of computation are provided.

일측면에 따른 심장부정맥 분류 방법은, 개인의 심장의 전기적인 활동을 나타내며 심전도 박동들을 포함하는 심전도 신호를, 일정 시구간 동안 수신하는 단계; 각각의 부정맥 클래스에 대응하는 자동 결합 뉴런 네트워크를 이용하여 심전도 박동의 각각에 대응하는 합성 박동들을 생성하는 단계; 합성 박동들 중에서 부정맥 클래스 중 하나에 대응하는 합성 박동을 각각의 입력 심전도 박동과 실질적으로 부합하는 것으로 판단하는 단계; 및 심전도 박동에 실질적으로 부합하는 식별된 합성 박동에 기초하여 특정 유형의 심장부정맥에 대응하는 부정맥 클래스를 제공하는 단계;를 포함한다. A cardiac arrhythmia classification method according to one aspect includes: receiving an electrocardiogram signal indicative of an electrical activity of an individual's heart and including electrocardiographic beats for a predetermined period of time; Generating synthetic beats corresponding to each of the electrocardiographic beats using an auto-associative neuron network corresponding to each arrhythmia class; Determining that the synthesized heartbeat corresponding to one of the arrhythmia classes among the synthetic heartbeats substantially matches the respective input ECG heartbeat; And providing an arrhythmia class corresponding to a particular type of cardiac arrhythmia based on the identified synthetic heartbeat substantially corresponding to the electrocardiogram heartbeat.

이 때, 각각의 부정맥 클래스는 특정 유형의 심장 이상에 대응될 수 있다. At this time, each arrhythmia class may correspond to a particular type of cardiac anomaly.

또한, 심전도 신호의 심전도 박동들의 각각에 대하여 R-피크를 검출하는 단계; R-피크의 각각의 부근에서 심전도 신호의 심전도 박동들의 각각의 영역을 분할하는 단계; 및 심전도 신호의 심전도 박동들의 영역을 정규화하는 단계;를 더 포함할 수 있다. Detecting an R-peak for each of electrocardiogram beats of the electrocardiogram signal; Dividing each region of the electrocardiographic beats of the ECG signal in the vicinity of each of the R-peaks; And normalizing the area of the electrocardiogram beats of the electrocardiogram signal.

또한, 심전도 박동들을 스플라인 보간을 이용하여 감축된 크기의 심전도 박동으로 압축하는 단계;를 더 포함할 수 있다. The method may further include compressing the electrocardiogram waveforms into a reduced electrocardiogram waveform using spline interpolation.

이 때, 압축된 크기의 심전도 박동은 심전도 박동의 특정 형상을 포함할 수 있다. At this time, the compressed size electrocardiogram pulse may include a specific shape of the electrocardiogram pulse.

또한, 합성 박동들 중에서 부정맥 클래스 중 하나에 대응하는 합성 박동을 각각의 입력 심전도 박동과 실질적으로 부합하는 것으로 판단하는 단계는, 심전도 박동과 각각의 부정맥 클래스에 대응하는 합성 박동들의 각각과의 오차제곱합 편차를 계산하는 단계; 및 합성 박동들 중 가장 작은 오차제곱 합 편차를 갖는 것을 식별하는 단계;를 더 포함할 수 있다. The step of determining that a synthetic heartbeat corresponding to one of the arrhythmia classes in the synthetic heartbeats substantially corresponds to each input heartbeat heartbeats includes the step of determining an error sum of squared deviations between the electrocardiogram heartbeat and each of the synthetic heartbeats corresponding to each arrhythmia class Calculating; And having the smallest error sum deviation of the synthesized beats.

다른 측면에 따른 부정맥 분류 장치는, 개인의 심장의 전기적인 활동을 나타내며 복수의 심전도 박동들을 포함하는 심전도 신호를, 획득 장치로부터 일정 시구간 동안 획득하는 통신 인터페이스; 통신 인터페이스와 연결된 프로세서; 프로세서와 연결된 메모리; 및 프로세서와 연결된 표시부;를 포함한다. An arrhythmia classifying device according to another aspect includes: a communication interface for acquiring an electrocardiogram signal indicative of an electrical activity of an individual's heart and including a plurality of electrocardiographic beats from the acquiring device for a predetermined period of time; A processor coupled to the communication interface; A memory coupled to the processor; And a display unit connected to the processor.

상기 메모리는, 입력 심전도 신호를 처리하는 박동 처리 모듈; 심전도 박동들의 각각에 대응하는 합성 박동을 생성하는 심장부정맥 클래스에 대응하는 자동 결합 뉴런 네트워크; 및 합성 박동들 중에서 부정맥 클래스 중 하나에 대응하는 합성 박동을 각각의 입력 심전도 박동과 실질적으로 부합하는 것으로 판단하고, 심전도 박동에 실질적으로 부합하는 식별된 합성 박동에 기초하여 특정 유형의 심장부정맥에 대응하는 부정맥 클래스를 제공하는, 부정맥 분류 모듈;을 더 포함할 수 있다. The memory includes: a heartbeat processing module for processing an input electrocardiogram signal; An auto-coupling neuron network corresponding to a cardiac arrhythmia class that produces a synthetic heartbeat corresponding to each of the electrocardiographic beats; And determining that the synthetic heartbeat corresponding to one of the arrhythmia classes in the synthetic beats is substantially consistent with the respective input ECG heartbeat and determining that the corresponding synthetic heartbeat corresponds to a particular type of cardiac arrhythmia based on the identified synthetic heartbeat substantially corresponding to the electrocardiogram heartbeat An arrhythmia classification module that provides an arrhythmia class.

상기 박동 처리 모듈은, 심전도 신호의 각각의 심전도 박동에 관한 R-피크를 검출하는 R-피크 검출 모듈; R-피크의 각각의 부근에서 심전도 신호의 심전도 박동의 각각으로 영역을 분할하는 박동 분할 모듈; 및 심전도 신호의 심전도 박동들의 각각의 영역을 정규화하는 Z-스코어 정규화 모듈;을 더 포함할 수 있다. Wherein the heartbeat processing module comprises: an R-peak detection module for detecting an R-peak relating to each electrocardiogram pulse of the electrocardiogram signal; A beating module for dividing the area of each of the electrocardiogram beats of the electrocardiogram signal in the vicinity of each of the R-peaks; And a Z-score normalization module for normalizing each region of the electrocardiogram beats of the electrocardiogram signal.

박동 처리 모듈은, 심전도 박동들을 스플라인 보간을 이용하여 감축된 크기의 심전도 박동으로 압축하는 스플라인 보간 모듈;을 더 포함할 수 있다. 이 때, 압축된 크기의 심전도 박동은 심전도 박동의 특정 형상을 포함할 수 있다. The beat processing module may further include a spline interpolation module that compresses the electrocardiogram beats into a reduced electrocardiogram beats using spline interpolation. At this time, the compressed size electrocardiogram pulse may include a specific shape of the electrocardiogram pulse.

합성 박동들 중에서 부정맥 클래스 중 하나에 대응하는 합성 박동을 각각의 입력 심전도 박동과 실질적으로 부합하는 것으로 판단하기 위하여, 부정맥 분류 모듈은, 심전도 박동과 각각의 부정맥 클래스에 대응하는 합성 박동들의 각각과의 오차제곱합 편차를 계산하고, 합성 박동들 중 가장 작은 오차제곱 합 편차를 갖는 것을 식별할 수 있다. In order to determine that the synthetic heartbeat corresponding to one of the arrhythmia classes substantially corresponds to the respective input ECG heartbeat among the synthetic heartbeats, the arrhythmia classifying module is configured to determine whether the heartbeat- Calculate deviations, and identify those having the smallest error sum deviation of the synthesized beats.

또 다른 측면에 따른 시스템은, 일정 시구간 동안의 개인의 심장의 전기적인 활동을 나타내며 복수의 심전도 박동들을 포함하는 심전도 신호를, 수신하는 획득 장치; 심전도 박동에 실질적으로 부합하는 식별된 합성 박동에 기초하여 특정 유형의 심장부정맥에 대응하는 부정맥 클래스를 표시하는 전용 헬스 모니터링 장치; 및 부정맥 클래스들의 각각에 대응하는 자동 결합 뉴런 네트워크를 이용하여 심전도 박동의 각각에 대응하는 합성 박동을 생성하고, 합성 박동들 중 부정맥 클래스의 하나에 대응하는 합성 박동을 심전도 박동에 실질적으로 부합하는 것으로 판단하고, 심전도 박동에 실질적으로 부합하는 식별된 합성 박동에 기초하여 특정 유형의 심장부정맥에 대응하는 부정맥 클래스를 제공하는 서버;를 포함한다. A system according to another aspect is an acquisition device for receiving an electrocardiogram signal representing a cardiac electrical activity of an individual during a period of time and comprising a plurality of electrocardiograms; A dedicated health monitoring device that displays an arrhythmia class corresponding to a particular type of cardiac arrhythmia based on the identified synthetic heartbeat that substantially conforms to the electrocardiogram heartbeat; And using an auto-coupled neuron network corresponding to each of the arrhythmia classes to generate a synthetic beat corresponding to each of the electrocardiogram beats and to substantially match the synthetic beat corresponding to one of the arrhythmia classes in the synthetic beats And a server that provides an arrhythmia class corresponding to a particular type of cardiac arrhythmia based on the identified synthetic heartbeat that substantially matches the electrocardiogram heartbeat.

서버는, 심전도 신호의 심전도 박동들의 각각에 대하여 R-피크를 검출하고, R-피크의 각각의 부근에서 심전도 신호의 심전도 박동들의 각각의 영역을 분할하고, 심전도 신호의 심전도 박동들의 영역을 정규화하는, 박동 처리 모듈;을 더 포함할 수 있다. The server detects the R-peak for each of the electrocardiogram beats of the electrocardiogram signal, divides each region of the electrocardiogram beats of the electrocardiogram signal near each of the R-peaks, and normalizes the area of the electrocardiogram beats of the electrocardiogram signal , And a heartbeat processing module.

서버는, 심전도 박동들을 스플라인 보간을 이용하여 감축된 크기의 심전도 박동으로 압축하는 스플라인 보간 모듈;을 더 포함하며, 압축된 크기의 심전도 박동은 심전도 박동의 특정 형상을 포함할 수 있다. The server further includes a spline interpolation module that compresses the electrocardiogram beats into a reduced-sized electrocardiogram beats using spline interpolation, wherein the compressed-sized electrocardiogram beats may include a specific shape of the electrocardiogram beats.

서버가 합성 박동들 중에서 부정맥 클래스 중 하나에 대응하는 합성 박동을 각각의 입력 심전도 박동과 실질적으로 부합하는 것으로 판단할 때에, 심전도 박동과 각각의 부정맥 클래스에 대응하는 합성 박동들의 각각과의 오차제곱합 편차를 계산하고, 합성 박동들 중 가장 작은 오차제곱 합 편차를 갖는 것을 식별할 수 있다. When the server determines that the synthetic beats corresponding to one of the arrhythmia classes in the synthetic beats substantially match the respective input ECG beats, calculate the error sum of squared differences between each of the electrocardiogram beats and each of the synthetic beats corresponding to each arrhythmia class , And it can be discriminated that the smallest error sum deviation among the synthetic beats is.

또 다른 측면에 따른 컴퓨터로 읽을 수 있는 저장 매체는, 개인의 심장의 전기적인 활동을 나타내며 심전도 박동들을 포함하는 심전도 신호를, 일정 시구간 동안 수신하는 단계; 각각의 부정맥 클래스에 대응하는 자동 결합 뉴런 네트워크를 이용하여 심전도 박동의 각각에 대응하는 합성 박동들을 생성하는 단계; 합성 박동들 중에서 부정맥 클래스 중 하나에 대응하는 합성 박동을 각각의 입력 심전도 박동과 실질적으로 부합하는 것으로 판단하는 단계; 및 심전도 박동에 실질적으로 부합하는 식별된 합성 박동에 기초하여 특정 유형의 심장부정맥에 대응하는 부정맥 클래스를 제공하는 단계;를 서버 내의 프로세서를 이용하여 수행하는 프로그램을 저장할 수 있다. According to another aspect, a computer-readable storage medium comprises: receiving an electrocardiogram signal indicative of an electrical activity of an individual's heart and including electrocardiographic beats for a period of time; Generating synthetic beats corresponding to each of the electrocardiographic beats using an auto-associative neuron network corresponding to each arrhythmia class; Determining that the synthesized heartbeat corresponding to one of the arrhythmia classes among the synthetic heartbeats substantially matches the respective input ECG heartbeat; And providing an arrhythmia class corresponding to a particular type of cardiac arrhythmia based on the identified synthetic heartbeat that substantially conforms to the electrocardiogram beats, using a processor within the server.

R-피크를 검출할 때의 계산량을 감축함으로써 핸드헬드 기기 등에서도 빠르게 동작하는 심장부정맥 분류 방법 및 장치를 구현할 수 있는 효과가 있다. It is possible to implement a cardiac arrhythmia classification method and apparatus which can operate rapidly even in a handheld device or the like by reducing the amount of calculation when detecting an R-peak.

도 1a는 헬스 모니터링 환경의 일례를 나타낸 블록도,
도 1b는 도 1a의 박동 처리 모듈을 더욱 자세히 나타낸 도면,
도 1c는 도 1a의 자동 결합 뉴런 네트워크를 더욱 자세히 나타낸 도면,
도 1d는 도 1a의 심장부정맥 분류 모듈을 더욱 자세히 나타낸 도면,
도 2는 자동 결합 뉴런 네트워크를 이용한 부정맥 분류 방법의 일례를 나타낸 흐름도,
도 3은 심전도 신호의 각각의 심전도 박동에서 R-피크를 검출하는 방법의 일례를 나타낸 흐름도,
도 4는 도 1a의 실시예를 구현하기 위한 다양한 구성요소를 나타낸 서버(16)를 예시한 블록도이다.1A is a block diagram illustrating an example of a health monitoring environment,
1B is a more detailed illustration of the pulse processing module of FIG. 1A,
1C is a more detailed illustration of the auto-coupling neuron network of FIG. 1A,
1D is a more detailed illustration of the cardiac arrhythmia classification module of FIG. 1A,
FIG. 2 is a flowchart showing an example of an arrhythmia classification method using an automatic binding neuron network;
FIG. 3 is a flowchart showing an example of a method of detecting an R-peak in each electrocardiogram pulse of an electrocardiogram signal;
FIG. 4 is a block diagram illustrating a server 16 illustrating various components for implementing the embodiment of FIG. 1A.

자동 결합 뉴런 네트워크를 이용하여 심장부정맥을 분류하는 방법 및 장치가 제공된다. 이하, 첨부된 도면을 참조하여 실시를 위한 구체적인 예를 상세히 설명한다. 아래에서는 평균적인 기술자가 실시하기에 충분한 정도로 설명을 제공하고 있으며, 발명의 권리범위를 벗어나지 않는 범위에서 다양하게 변형될 수도 있다. 아래의 설명은 발명의 범위를 제한하는 의도에서 제공되는 것이 아니며, 발명의 범위는 특허청구범위에 의해서만 정의된다.Methods and apparatus for classifying cardiac arrhythmias using an auto-coupled neuron network are provided. Hereinafter, specific examples for carrying out the invention will be described in detail with reference to the accompanying drawings. The following description is provided to an average technician to the extent sufficient to carry out the invention, and may be variously modified without departing from the scope of the invention. The following description is not intended to limit the scope of the invention, and the scope of the invention is defined only by the claims.

도 1a는 헬스 모니터링 환경의 일례를 나타낸 블록도이다. 도 1a에서 나타낸 바와 같이, 헬스 모니터링 환경은 헬스 모니터링 장치(102), 서버(106) 및 획득 장치(116)를 포함한다. 전용 헬스 모니터링 장치(102)는 서버(106)를 경유하여 무선으로 획득 장치(116)에 연결되는 전자 장치일 수 있다. 획득 장치(116)는 심장 질환을 겪고 있는 개인(예컨대 환자)의 신체 상에 배치된 1 또는 그 이상의 센서와 결합된 장치일 수 있다. 일 실시예에서, 전용 헬스 모니터링 장치(102)는 환자의 심장 활동을 모니터링하는 임무를 맡은 의사에게 제공될 수 있다. 예컨대, 전용 헬스 모니터링 장치(102)는 의사에 관한 스마트폰이나 태블릿PC가 될 수 있다. 다른 실시예에서, 전용 헬스 모니터링 장치(102)는 환자에 관한 간병인에게 제공될 수도 있다. 이 실시예에서, 전용 헬스 모니터링 장치(102)는 병원 당국이 지정한 간병인에게 제공되는 핸드헬드 장치가 될 수 있다. 서버(106)는 박동 처리 모듈(108), 자동 결합 뉴런 네트워크(110), 심장부정맥 분류 모듈(112) 및 자동 결합 뉴런 네트워크(110)에 연결된 가중치 데이터베이스(114)를 포함한다. 일 실시예에서, 서버(106)는 어떤 영역에 배치되고, 별도의 주체가 서버(106)를 모니터링하고 관리하도록 지정될 수도 있다. 별도의 주체는 병원이 될 수도 있고, 그 밖의 조직이 될 수도 있다. 1A is a block diagram illustrating an example of a health monitoring environment. 1A, the health monitoring environment includes a health monitoring device 102, a server 106, and an acquisition device 116. As shown in FIG. The dedicated health monitoring device 102 may be an electronic device that is connected to the acquisition device 116 wirelessly via the server 106. [ Acquiring device 116 may be a device associated with one or more sensors disposed on the body of an individual (e.g., a patient) experiencing heart disease. In one embodiment, the dedicated health monitoring device 102 may be provided to a physician in charge of monitoring the cardiac activity of the patient. For example, the dedicated health monitoring device 102 may be a smart phone or tablet PC for a physician. In another embodiment, a dedicated health monitoring device 102 may be provided to the caregiver with respect to the patient. In this embodiment, the dedicated health monitoring device 102 may be a handheld device provided to the caregiver designated by the hospital authority. The server 106 includes a heartbeat processing module 108, an auto-coupling neuron network 110, a cardiac arrhythmia classification module 112 and a weight database 114 coupled to the auto-coupling neuron network 110. In one embodiment, the server 106 is located in an area, and a separate entity may be designated to monitor and manage the server 106. A separate subject may be a hospital or other organization.

예시적인 동작으로서, 획득 장치(116)는 주기적으로 개인의 신체 상에 배치된 센서들로부터 개인의 심장의 전기적 활동을 수집하여 심전도 신호를 생성한다. 그 후, 획득 장치(116)는 개인의 심장의 전기적 활동을 심전도 신호로서 서버(106)로 전달한다. 심전도 신호는 서버(106)의 박동 처리 모듈(108)에서 수신된다. 수신된 심전도 신호는 복수의 심전도 박동으로 이루어지며, 각각의 심전도 박동은 심장의 1 사이클에 대한 심장의 전기적 활동을 나타낸다. 박동 처리 모듈(108)은 개인의 전기적 활동을 나타내는 심전도 신호를 밴드패스필터(152)를 이용하여 필터링하여, 심전도 신호의 각각의 심전도 박동 내에서 R-피크(R-peak)를 검출한다. 박동 처리 모듈(108)은 또한 각각의 R-피크 주위로 각각의 심전도 박동의 영역을 분할하고 각각의 심전도 신호의 각각의 심전도 박동의 영역을 z-스코어 정규화(z-score normalization)를 이용하여 정규화한다. As an exemplary operation, acquisition device 116 periodically collects electrical activity of an individual's heart from sensors disposed on the body of an individual to generate an electrocardiogram signal. The acquiring device 116 then transmits the electrical activity of the heart of the individual to the server 106 as an electrocardiogram signal. The electrocardiogram signal is received at the heartbeat processing module 108 of the server 106. The received electrocardiogram signal consists of a plurality of electrocardiogram beats, each electrocardiogram showing the electrical activity of the heart for one cycle of the heart. The heartbeat processing module 108 filters an electrocardiogram signal indicative of an individual's electrical activity using a bandpass filter 152 to detect an R-peak within each electrocardiogram pulse of the electrocardiogram signal. The pacer processing module 108 also divides the area of each electrocardiogram pulse around each R-peak and normalizes the area of each electrocardiogram pulse of each electrocardiogram signal using z-score normalization do.

서버(106)는 5개의 자동 결합 뉴런 네트워크(110(1), 110(2), 110(3), 110(4), 110(5))를 포함하여 이루어지며, 각각의 자동 결합 뉴런 네트워크는 서로 다른 심장부정맥 클래스에 대응된다. 박동 처리 모듈(108)의 출력은 서로 다른 심장부정맥 클래스에 대응되는 각각의 자동 결합 뉴런 네트워크(110)로 인가된다. 자동 결합 뉴런 네트워크(110)는 심전도 신호의 입력 심전도 박동을 수신하고, 각각의 부정맥 클래스에 대응되는 합성 박동을 생성하는데, 각각의 부정맥 클래스는 특정 유형의 심장부정맥에 대응된다.The server 106 comprises five autonegotiation neuron networks 110 (1), 110 (2), 110 (3), 110 (4), 110 Corresponds to different cardiac arrhythmia classes. The output of the heartbeat processing module 108 is applied to each of the auto-coupling neuron networks 110 corresponding to different cardiac arrhythmia classes. The auto-coupling neuron network 110 receives the input EK beat of the electrocardiogram signal and generates a synthetic beat corresponding to each arrhythmia class, each arrhythmia class corresponding to a particular type of cardiac arrhythmia.

심장부정맥 분류 모듈(112)은 각각의 입력 심전도 박동에 실질적으로 대응되는 합성 박동 중 하나의 심장부정맥 클래스에 대응되는 합성 박동을 결정하며, 입력 심전도 박동에 실질적으로 대응되는 식별된 합성 박동에 기초하여 특정 유형의 심장부정맥에 대응되는 부정맥 클래스를 제공한다. The cardiac arrhythmia classifying module 112 determines a synthetic heartbeat corresponding to one of the synthetic heartbeats that corresponds substantially to each input ECB heartbeat based on the identified synthetic heartbeat substantially corresponding to the input ECB heartbeat Provides an arrhythmia class corresponding to a particular type of cardiac arrhythmia.

가중치 데이터베이스(114)는 학습 단계(training phase) 동안에 자동 결합 뉴런 네트워크(110)의 가중치를 저장한다. 자동 결합 뉴런 네트워크(110)의 가중치들은 최소의 오류를 갖는 출력을 생성하기 위하여 필요한 값의 수치적 범위이다. 자동 결합 뉴런 네트워크(110)의 가중치들은 입력 레이어의 각각의 노드의 출력부에서 입력된 심전도 박동 값과 곱해지며, 자동 결합 뉴런 네트워크(110)의 히든 레이어(hidden layer)로 공급된다. 데이터베이스에서 가중치들을 저장하고 갱신하는 절차를 학습 단계라고 부른다.The weight database 114 stores the weights of the auto-coupling neural network 110 during the training phase. The weights of the autonegotiation neuron network 110 are a numerical range of values needed to produce an output with a minimum error. The weights of the auto-coupling neuron network 110 are multiplied by the electrocardiogram beat value input at the output of each node of the input layer and supplied to the hidden layer of the auto-coupling neuron network 110. The process of storing and updating weights in the database is called the learning phase.

일 실시예에서, 처음에 가중치 데이터베이스(114)는 서로 다른 클래스의 심장부정맥에 속하는 다수의 심전도 박동들을 포함하여 이루어진다. 이들 심전도 박동이 각각 분류되면, 동일한 부정맥 클래스에 속하는 심전도 박동의 그룹이 얻어진다. 현재로서는 5개의 부정맥 클래스가 존재하므로, 다섯 그룹의 심전도 박동이 얻어지며, 각각의 그룹은 유사한 심전도 박동들을 포함한다. 처음에는 심전도 박동을 이들 다섯 개의 심장부정맥 클래스로 분류하기 위하여, 각각의 부정맥 클래스에 대응되는 자동 결합 뉴런 네트워크(110)의 가중치들이 계산되어 가중치 데이터베이스(114)에 저장된다. 예컨대, 동일 패턴의 클래스로부터의 입력 심전도 박동을 학습하는 중에, 자동 결합 뉴런 네트워크(110)의 가중치는 그 패컨의 클래스를 나타내도록 저장된다. 먼저, 자동 결합 뉴런 네트워크(110)의 입력 및 출력 레이어의 노드의 개수가 직접 자동 결합 뉴런 네트워크(110)로 입력된 심전도 박동들의 개수에 비례하도록 정해진다. 입력 심전도 박동이 자동 결합 뉴런 네트워크(110)의 입력 레이어에서 수신되면, 심전도 박동은 1 세트의 가중치들과 곱해지며, 곱한 결과의 합계가 다음 레이어(히든 레이어일 수 있다)의 입력으로 인가된다. 히든 레이어에서는, 활성화 함수(activation function)가 적용되어 입력된 심전도 박동과 유사한 출력이 얻어질 수 있다. In one embodiment, the weight database 114 initially comprises a plurality of electrocardiograms belonging to different classes of cardiac arrhythmias. When these electrocardiograms are each classified, a group of electrocardiograms belonging to the same arrhythmia class is obtained. Since there are currently five arrhythmia classes, five groups of electrocardiograms are obtained, each containing similar electrocardiograms. Initially, the weights of the auto-coupling neuron network 110 corresponding to each arrhythmia class are calculated and stored in the weight database 114 to classify the electrocardiogram beats into these five cardiac arrhythmia classes. For example, during learning of the input ECG pulse from a class of the same pattern, the weight of the automatic coupling neuron network 110 is stored so as to indicate the class of the pacon. First, the number of nodes of the input and output layers of the auto-coupling neuron network 110 is determined to be proportional to the number of electrocardiogram beats input directly to the auto-coupling neural network 110. When the input EK beat is received at the input layer of the auto-associative neuron network 110, the electrocardiogram pulse is multiplied with a set of weights and the sum of the multiplied results is applied to the input of the next layer (which may be a hidden layer). In the hidden layer, an activation function may be applied to obtain an output similar to the input electrocardiogram pulse.

동일한 활성화 함수가 출력 레이어에도 적용됨으로써 입력된 박동과 유사한 출력 박동이 얻어진다. 일 실시예에서, 활성화 함수는 하이퍼볼릭 탄젠트 함수(Hyperbolic Tangent function)가 될 수 있다. 그러나, 그 밖의 함수도 활성화 함수로 적용할 수 있음은 평균적인 기술자에게 자명한 사항이다. 자동 결합 뉴런 네트워크(110)가 (합성 박동이라고 부르는) 출력 박동을 생성할 때, 입력 심전도 박동과 생성된 합성 박동 사이의 오차제곱합 편차(sum square error difference)가 계산된다. 이 오차제곱합 편차는 미리 설정된 임계값과 비교된다. 만약 오차제곱합 편차가 미리 설정된 임계값보다 큰 경우에는 자동 결합 뉴런 네트워크(110)의 가중치가 합성 박동을 얻기 위하여 입력된 심전도 박동에 더욱 유사한 새로운 값으로 설정된다. 이제 자동 결합 뉴런 네트워크(110)는 다시 신규 가중치 값을 가지고 동일한 입력 심전도 박동에 대한 신규 합성 박동을 생성한다. 이 합성 박동에 대한 오차제곱합 편차는 다시 계산된 후 미리 설정된 임계값과 비교된다. 반복이 계속될 수록, 오차제곱합 편차는 감소하며, 이에 따라 학습 및 더욱 최적화된 가중치가 보장된다. 이와 같이, 특정 부정맥 클래스의 자동 결합 뉴런 네트워크에 대한 최적화된 가중치값을 갖는 가중치 데이터베이스(114)가 생성된다. 이것은 반복적 방법으로서, 수 회의 반복을 통하여 가중치 변경이 안정화될 수 있다. The same activation function is also applied to the output layer, resulting in an output beep similar to the input beats. In one embodiment, the activation function may be a Hyperbolic Tangent function. However, it is obvious to the average technician that other functions can also be applied as the activation function. When the auto-coupling neuron network 110 generates an output beep (called a synthesized beep), a sum square error difference between the input electrocardiogram beep and the generated synthesized beep is calculated. This error sum of squared deviation is compared with a preset threshold value. If the error sum of squared deviations is greater than a predetermined threshold, the weight of the auto-coupling neuron network 110 is set to a new value that is more similar to the entered electrocardiogram pulse to obtain a synthetic heartbeat. The auto-associative neuron network 110 now generates a new synthesized beats for the same input ECB again with a new weight value. The error sum of squared deviations for this synthetic heartbeat is recalculated and compared with a preset threshold. As the iteration continues, the error sum of squared deviations decreases, thereby ensuring learning and more optimized weights. In this manner, a weight database 114 is generated having an optimized weight value for the auto-coupling neuron network of a particular arrhythmia class. This is an iterative method, and the weight change can be stabilized through several iterations.

도 1b는 도 1a의 박동 처리 모듈을 더욱 자세히 나타낸 도면이다. 도 1b에 나타낸 바와 같이, 박동 처리 모듈(108)은 밴드패스필터(152), R-피크 검출 모듈(154), 박동 분할 모듈(156), z-스코어 정규화 모듈(158) 및 스플라인 보간 모듈(160)을 포함한다. 1B is a more detailed view of the pulse processing module of FIG. 1A. 1B, the beating process module 108 includes a bandpass filter 152, an R-peak detection module 154, a beat division module 156, a z-score normalization module 158, and a spline interpolation module 160).

밴드패스필터(152)는 하이패스필터 및 로우패스필터를 이용하여 개인의 심장의 전기적 활동을 나타내는 획득된 심전도 신호를 필터링한다. R-피크 검출 모듈(154)은 심전도 신호 내의 각각의 심전도 박동에 대응되는 R-피크의 위치를 검출한다. 박동 분할 모듈(156)은 검출된 R-피크들에 기초하여 심전도 박동의 영역을 분할한다. Z-스코어 정규화 모듈(158)은 z-스코어 정규화를 이용하여 심전도 신호의 심전도 박동을 정규화하여 평균이 0이 되고 분산이 1이 되도록 한다. The bandpass filter 152 filters the acquired electrocardiogram signal indicative of the electrical activity of the heart of the individual using a high pass filter and a low pass filter. The R-peak detection module 154 detects the position of the R-peak corresponding to each electrocardiogram pulse in the electrocardiogram signal. The beat division module 156 divides the region of the electrocardiogram beats based on the detected R-peaks. The Z-score normalization module 158 normalizes the electrocardiogram waveform of the electrocardiogram signal using z-score normalization so that the mean is zero and the variance is one.

이 때, x, x_norm, μ 및 σ는 각각 원래 신호, 정규화된 신호, 평균 및 분산을 의미한다. Where x, x _norm , mu, and sigma signify the original signal, normalized signal, mean and variance, respectively.

스플라인 보간 모듈(160)은 감축된 크기의 심전도 박동이 심전도 박동의 특정 형상을 포함하도록 심전도 박동들을 감축된 크기의 심전도 박동으로 압축한다. 스플라인(spline)은, 충분히 매끄러운 다항 함수(sufficiently smooth polynomial function)로서, 구간 연속적으로 정의되고, 다항 함수의 구간들이 연결되는 지점("노트(knot)"라고 불리우는 지점)에서 고차의 매끄러움을 갖는 함수를 말한다. 스플라인 보간 다항식은 쿼리에 기초하여 정확한 샘플 지점을 재생산한다. 스플라인 보간 모듈(160)은 심전도 신호의 형상을 포착하기 위하여 심전도 박동 내에서 노트를 발견한다. 심전도 박동이 스플라인 보간 모듈(160)에서 수신되면, 스플라인 보간 모듈(160)은 가장 중요한 지점을 신호의 서브 디비전(sub division) 내에서 선택하고, 심전도 박동의 특정 형상을 포함하는 감축된 크기로 압축된 심전도 박동을 생성한다. The spline interpolation module 160 compresses the electrocardiogram beats into a reduced-sized electrocardiogram beep so that the reduced-sized electrocardiogram beats include a specific shape of the electrocardiogram beats. A spline is a sufficiently smooth polynomial function that is defined continuously in intervals and has a function of higher order smoothness at the point where points of the polynomial function are connected (called a "knot"). . The spline interpolation polynomial reproduces the correct sample points based on the query. The spline interpolation module 160 finds the note within the electrocardiogram beats to capture the shape of the electrocardiogram signal. When the electrocardiogram beats are received at the spline interpolation module 160, the spline interpolation module 160 selects the most important points within the subdivision of the signal, compresses it to a reduced size that includes a particular shape of the electrocardiogram beats Thereby generating an electrocardiogram pulse.

도 1c는 도 1a의 자동 결합 뉴런 네트워크를 더욱 자세히 나타낸 도면이다. 도 1c에서 나타낸 바와 같이, 자동 결합 뉴런 네트워크(110)는 입력 레이어, 입력 레이어와 동일한 차원의 출력 레이어 및 1 또는 그 이상의 히든 레이어를 포함한다. 1C is a more detailed view of the auto-coupling neuron network of FIG. 1A. As shown in FIG. 1C, the auto-coupling neuron network 110 includes an input layer, an output layer that is the same dimension as the input layer, and one or more hidden layers.

자동 결합 뉴런 네트워크(110)는 아이덴티티 매핑(identity mapping)을 수행하는 피드 포워드(feed forward) 뉴런 네트워크 모델이다. 즉, 자동 결합 뉴런 네트워크(110)는 학습 데이터를, 특정 네트워크 아키텍처를 통하여, 그 자신에게 매핑한다. 자동 결합 뉴런 네트워크(110)는 출력 레이어에서 최소의 오류를 갖도록 입력 심전도 박동의 각각에 대하여 합성 박동을 생성한다. 다섯 개의 자동 결합 뉴런 네트워크(110(1), 110(2), 110(3), 110(4), 110(5))마다 심장부정맥 클래스가 각각 대응된다. 32개의 샘플을 포함하는 압축된 심전도 박동이 자동 결합 뉴런 네트워크(110)에서 수신되면, 심전도 박동의 32개 샘플에 관한 자동 결합 뉴런 네트워크의 구조는 32L-20NL-20L-20NL-32L이 되며, 이 때 NL은 하이퍼볼릭 탄젠트 활성화 함수와 같은 불연속성(non-linearity)을 의미하고, L은 학습 박동의 완전한 길이를 수용하는 연속적인 노드들(linear nodes)을 의미한다. The auto-associative neuron network 110 is a feed forward neuron network model for performing identity mapping. That is, the auto-associative neuron network 110 maps learning data to itself through a particular network architecture. The auto-coupling neural network 110 generates a synthetic beat for each of the input ECG beats with a minimum error at the output layer. Each of the five autonegotic neuron networks 110 (1), 110 (2), 110 (3), 110 (4), 110 (5) corresponds to a cardiac arrhythmia class. When a compressed EKG pulse including 32 samples is received at the auto-coupling neuron network 110, the structure of the auto-coupling neuron network for 32 samples of ECG is 32L-20NL-20L-20NL-32L, NL means non-linearity such as the hyperbolic tangent activation function, and L means linear nodes that accommodate the full length of the learning beats.

자동 결합 뉴런 네트워크(110)는 가중치 데이터베이스(114)에 저장된 1 세트의 최적화된 가중치들을 포함한다. 자동 결합 뉴런 네트워크(110)는 입력 레이어, 입력 레이어에 뒤따르는 불연속 히든 레이어(병목 레이어(bottleneck layer), 제2 불연속 히든 레이어 및 입력 레이어와 동일한 차원의 출력 레이어를 포함한다. 자동 결합 뉴런 네트워크(110)는 2개의 독립적인 3 레이어 뉴런 네트워크가 직렬로 연결된, 5개의 레이어를 갖는 피드 포워드 네트워크로 보여질 수 있다. 제1 네트워크는 n개의 여분의 측정값을 몇 개의 특성 변수(characteristics variables)로 혼합하여 압축하는데, 특성 변수는 이상적으로는 입력의 필수 특성(essential characteristics)을 나타내어야 한다. 제2 네트워크는 제1 네트워크와 정반대로 동작하는데, 압축된 정보를 이용하여 원래의 n개의 여분의 측정값을 재생성(압축해제)한다. The auto-coupling neural network 110 includes a set of optimized weights stored in the weight database 114. [ The auto-coupling neural network 110 includes an input layer, a discontinuous hidden layer following the input layer (a bottleneck layer, a second discontinuous hidden layer, and an output layer at the same dimension as the input layer). 110 may be viewed as a feed-forward network with five layers, in which two independent three-layer neuron networks are connected in series. The first network may store n extra measurements as a number of characteristic variables The second network operates in opposition to the first network and uses the compressed information to reconstruct the original n extra measurements < RTI ID = 0.0 > The value is regenerated (decompressed).

자동 결합 뉴런 네트워크(110)는 데이터베이스의 학습을 위하여 다양한 기법을 활용할 수 있다. 일 실시예에서, 변별적 학습(discriminative training) 기법을 적용하여 자동 결합 뉴런 네트워크(110)를 학습할 수 있다. 변별적 학습에서는, 입력 데이터가 타겟 클래스를 위한 입력 레이어와 출력 레이어에 모두 입력으로서 인가된다. 그러나, 변별성(discrimination)을 얻기 위하여, 반대 클래스(anti class)에는 입력 데이터가 반전되어 출력측에 제시된다. 동일한 심전도 박동이 타겟 클래스에 대해서 자동 결합 뉴런 네트워크(110)의 입력 스테이지와 출력 스테이지에 모두 인가되면, 두 입력 박동 사이의 자기상관계수(auto correlation)은 최대(즉, "+1")가 되며, 입력된 박동들은 완벽하게 서로 정렬된다. 반면, 반대 클래스에 대해서는, 복제된 입력이 반전되어 자동 결합 뉴런 네트워크(110)의 출력 레이어에 인가됨으로써, 입력 레이어와 출력 레이어 사이에는 180도의 위상 차가 발생하게 된다. 따라서, 학습 데이터베이스가 특정 부정맥 클래스에 대응되는 비슷한 심전도 박동의 각각에 대하여 생성된다. The auto-coupling neural network 110 may utilize various techniques for learning the database. In one embodiment, a discriminative training technique may be applied to learn the auto-associative neuron network 110. In discriminant learning, input data is applied as input to both the input layer and the output layer for the target class. However, in order to obtain discrimination, the input data is inverted and presented to the output side in the anti class. When the same electrocardiogram is applied to both the input stage and the output stage of the auto-coupling neural network 110 for the target class, the auto correlation between the two input beats is maximized (i.e., "+1 ") , The input beats are perfectly aligned with each other. On the other hand, for the opposite class, the replicated input is inverted and applied to the output layer of the auto-coupling neuron network 110, resulting in a phase difference of 180 degrees between the input layer and the output layer. Thus, a learning database is generated for each of a similar electrocardiogram corresponding to a particular arrhythmia class.

도 1d는 도 1a의 심장부정맥 분류 모듈을 더욱 자세히 나타낸 도면이다. 도 1d에서 나타낸 바와 같이, 심장부정맥 분류 모듈(112)은 오차제곱합 편차 계산 모듈(252), 합성 박동 식별 모듈(254) 및 출력 모듈(256)을 포함한다. FIG. 1D is a more detailed view of the cardiac arrhythmia classification module of FIG. 1A. 1D, the cardiac arrhythmia classification module 112 includes an error squared deviation calculation module 252, a synthetic heartbeat identification module 254, and an output module 256.

오차제곱합 편차 계산 모듈(252)은 입력 심전도 박동에 대한 오차제곱합 값을 계산한다. 부정맥 클래스에 대응되는 자동 결합 뉴런 네트워크의 출력(즉, 합성 박동)은 오차제곱합 편차 계산 모듈(252)이 수신한다. 오차제곱합 편차 계산 모듈(252)은 입력 심전도 박동과 합성 박동 사이의 유사도를 오차제곱합 값을 이용하여 계산한다. 오차제곱합 값은 입력 심전도 박동과 그에 대한 각각의 합성 박동 사이의 편차의 제곱을 더한 값이다. The error sum squared deviation calculation module 252 calculates an error sum squared value for the input electrocardiogram pulse. The output of the auto-coupling neuron network corresponding to the arrhythmia class (i. E., The synthesized heartbeat) is received by the error sum squared deviation calculation module 252. [ The error square sum calculation module 252 calculates the similarity between the input electrocardiogram pulse and the synthetic pulse using the error square sum value. The error squared value is the sum of the squared deviations between the input ECG pulse and each of the synthetic pulses.

이 때, D는 오차제곱합 값이다. D 값이 낮을수록, 유사도는 높아진다. In this case, D is an error sum of squares. The lower the D value, the higher the degree of similarity.

심전도 박동의 학습 단계 중에, 입력된 합성 박동의 오차제곱합 편차는 미리 설정된 임계값과 비교된다. 만약 합성 박동의 오차제곱합 편차가 미리 설정된 임계값보다 큰 경우에는 부정맥 분류 모듈(112)은 입력 심전도 박동을 분류되지 않은 박동으로 선택하고, 그 심전도 박동을 "분류되지 않은 심전도 박동 데이터베이스"라고 부르는 신규 학습 데이터베이스의 신규 클래스로 갱신한다. 만약 합성 박동의 오차제곱합 편차가 미리 설정된 임계값보다 작은 경우에는, 부정맥 분류 모듈(112)은 미리 설정된 임계값보다 작은 오차제곱합 편차를 갖는 그 합성 박동에 대응되는 부정맥 클래스를 심전도 박동에 적용한다. 임계값이 낮을수록, 학습 세트와 데이터베이스 중 어디에도 제시되지 않는 정보를 갖는 신규 클래스가 존재할 가능성이 있음을 더 고려하여야 한다. During the learning phase of the electrocardiogram pulse, the error sum of squared deviation of the input synthetic pulse is compared with a predetermined threshold value. If the error sum squared deviation of the synthesized heartbeat is greater than a predetermined threshold value, the arrhythmia classification module 112 selects the input ECG heartbeat as an unclassified heartbeat, and the ECG heartbeat is referred to as an "unclassified ECG heartbeat database" And updates it to a new class of the learning database. If the error sum squared deviation of the synthesized heartbeat is smaller than a predetermined threshold, the arteriovenous classification module 112 applies an arrhythmia class corresponding to the synthetic heartbeat having an error square sum deviation smaller than a predetermined threshold value to the electrocardiogram pulse. It should be further noted that the lower the threshold, the more likely there is a new class with information not presented in either the learning set or the database.

합성 박동 식별 모듈(254)은 오차제곱합 편차를 이용하여 입력 심전도 박동에 실질적으로 대응되는 합성 박동을 식별한다. 합성 박동 식별 모듈(254)은 부정맥 클래스에 대응되는 각각의 자동 결합 뉴런 네트워크에서 생성된 각각의 합성 박동의 오차제곱합 편차(D)를 비교하여, 합성 박동들 중 가장 작은 D 값을 갖는 합성 박동이 어느 것인지를 판단한다. 또한, 합성 박동 식별 모듈(254)은 가장 작은 D값을 갖는 합성 박동을 출력 모듈(256)을 통하여 출력한다. The synthetic heartbeat identification module 254 uses the error sum of squared differences to identify a synthetic heartbeat that substantially corresponds to the input EK heartbeat. The synthetic heartbeat identification module 254 compares the error sum of squares D of each synthetic heartbeat generated in each of the automatically coupled neuron networks corresponding to the arrhythmia class to determine if the synthetic heartbeat with the smallest D value of the synthetic heartbeats . In addition, the synthetic heartbeat identification module 254 outputs the synthetic heartbeat with the smallest D value through the output module 256.

출력 모듈(256)은 심전도 박동에 실질적으로 대응되는 식별된 합성 박동에 기초하여 특정 유형의 심장부정맥에 대응되는 부정맥 클래스를 제공한다. 출력 모듈(256)은 가장 작은 D 값을 갖는 합성 박동을 합성 박동 식별 모듈(254)로부터 수신하여, 특정 유형의 심장부정맥에 대응되는 식별된 합성 박동에 관한 부정맥 클래스를 결정한다. 그 후, 출력 모듈(256)은 결정된 부정맥 클래스를 입력 심전도 박동이 속하는 클래스로서 제공한다. 전용 헬스 모니터링 장치(102)의 표시부(104)는 개인에 관한 심장부정맥의 유형을 나타내는 부정맥 클래스를 표시한다. Output module 256 provides an arrhythmia class corresponding to a particular type of cardiac arrhythmia based on the identified synthetic heartbeat substantially corresponding to the electrocardiogram heartbeat. Output module 256 receives a synthetic beats having the smallest D value from synthetic beat identification module 254 to determine an arrhythmia class for identified synthetic beats corresponding to a particular type of cardiac arrhythmia. The output module 256 then provides the determined arrhythmia class as the class to which the input ECG pulse belongs. The display portion 104 of the dedicated health monitoring device 102 displays an arrhythmia class that indicates the type of cardiac arrhythmia associated with the individual.

도 2는 자동 결합 뉴런 네트워크를 이용한 부정맥 분류 방법의 일례를 나타낸 흐름도이다. 일례로서, 도 2의 방법은 도 1a의 서버(106)에 의하여 수행될 수 있다. 2 is a flowchart illustrating an example of an arrhythmia classification method using an automatic coupling neuron network. As an example, the method of FIG. 2 may be performed by the server 106 of FIG. 1A.

단계(202)에서, 심전도 신호는 획득 장치(116)로부터 일정 시간구간 동안 얻어진 개인의 심장의 전기적 활동을 나타낸다. 심전도 신호는 복수의 심전도 박동을 포함하여 이루어진다. 단계(204)에서, 개인의 심장의 전기적 활동을 나타내는 획득된 심전도 신호가 필터링된다. 실시예에 따라서는, 획득된 심전도 신호는 컷오프 주파수 0.5Hz 및 40Hz를 갖는 밴드패스필터를 이용하여 필터링될 수 있다. 예컨대, 심전도 신호는 0.5Hz의 컷오프 주파수를 갖는 하이패스필터와 40Hz의 컷오프 주파수를 갖는 로우패스필터를 이용하여 필터링될 수 있다. 단계(206)에서, 심전도 신호 내의 각각의 심전도 박동에 대응되는 R-피크가 검출된다. 각각의 심전도 박동에 대응되는 R-피크를 검출하는 프로세스는 도 3을 참조하여 더욱 상세히 설명한다. In step 202, the electrocardiogram signal represents the electrical activity of the heart of the individual obtained over a period of time from the acquisition device 116. The electrocardiogram signal comprises a plurality of electrocardiogram beats. In step 204, the acquired electrocardiogram signal indicative of the electrical activity of the heart of the individual is filtered. Depending on the embodiment, the acquired electrocardiogram signal may be filtered using a bandpass filter having a cutoff frequency of 0.5 Hz and 40 Hz. For example, the electrocardiogram signal may be filtered using a high pass filter having a cutoff frequency of 0.5 Hz and a lowpass filter having a cutoff frequency of 40 Hz. In step 206, an R-peak corresponding to each electrocardiogram pulse in the electrocardiogram signal is detected. The process of detecting the R-peak corresponding to each electrocardiogram pulse will be described in more detail with reference to FIG.

단계(208)에서, 각각의 심전도 박동의 영역이 각각의 심전도 박동의 검출된 R-피크 근처로 분할된다. 각각의 심전도 박동의 영역은 검출된 R-피크 영역 근처에서 전방 및 후방으로 이동하면서 분할된다. 단계(210)에서, 각각의 심전도 박동의 분할된 영역은 z-스코어 정규화 모듈(158)을 이용하여, 평균은 0이 되고, 분산은 1이 되도록 정규화된다. 단계(212)에서, 정규화된 심전도 박동은 스플라인 보간 모듈(160)을 이용하여 감축된 크기의 심전도 박동으로 압축된다. 일 실시예에서, 351개의 샘플을 포함하는 심전도 박동은 스플라인 보간 모듈(160)을 이용하여 (32개의 차원에 대한) 32개의 샘플로 감축된다. In step 208, the area of each ECG is divided around the detected R-peak of each ECG pulse. The area of each ECG is divided while moving forward and backward near the detected R-peak area. In step 210, the divided regions of each electrocardiogram pulse are normalized using a z-score normalization module 158 such that the mean is zero and the variance is one. In step 212, the normalized electrocardiogram pulse is compressed into a reduced-sized electrocardiogram pulse using the spline interpolation module 160. [ In one embodiment, the electrocardiogram beats, including 351 samples, are reduced to 32 samples (for 32 dimensions) using the spline interpolation module 160.

단계(214)에서, (32개의 샘플에 대한) 압축된 심전도 박동은 각각의 부정맥 클래스에 대응되는 자동 결합 뉴런 네트워크로 입력된다. 일 실시예에서, 부정맥 클래스들은 노멀(N: Normal), 좌각차단(LBBB: Left Bundle Branch Block), 우각차단(RBBB: Right Bundle Branch Block), 조기심실수축(PVC: Premature Ventricular Contraction) 및 조기심방수축(APC: Atrial Premature Contraction)이 될 수 있다. 그러한 경우, 5종의 자동 결합 뉴런 네트워크, 즉 자동 결합 뉴런 네트워크(N), 자동 결합 뉴런 네트워크(LBBB), 자동 결합 뉴런 네트워크(RBBB), 자동 결합 뉴런 네트워크(PVC) 및 자동 결합 뉴런 네트워크(APC)가 존재할 수 있다. 따라서, 압축된 심전도 박동은 각각의 부정맥 클래스에 대응되는 이들 5종의 자동 결합 뉴런 네트워크 전부로 입력된다. In step 214, the compressed electrocardiogram pulse (for 32 samples) is input into the auto-coupling neuron network corresponding to each arrhythmia class. In one embodiment, the arrhythmia classes include normal (N), left bundle branch block (LBBB), right bundle branch block (RBBB), premature ventricular contraction (PVC) (APC: Atrial Premature Contraction). In such a case, five types of auto-coupling neuron networks, namely, an auto-coupling neuron network (N), an auto-coupling neuron network (LBBB), an automatic coupling neuron network (RBBB) ) May be present. Thus, the compressed electrocardiogram beats are input to all five of these auto-associative neuron networks corresponding to each arrhythmia class.

단계(216)에서, 각각의 압축된 심전도 박동에 대응되는 합성 박동이 각각의 부정맥 클래스에 대응되는 각각의 자동 결합 뉴런 네트워크에서 생성된다. 일 실시예에서, 각각의 압축된 심전도 박동의 입력마다 5종의 자동 결합 뉴런 네트워크(11)에 대한 5종의 합성 박동이 생성된다. 단계(218)에서, 입력된 압축 심전도 박동과 각각의 부정맥 클래스에 대응되는 각각의 합성 박동과의 오차제곱합 편차가 계산된다. 예컨대, 5종의 합성 박동의 각각과 입력된 압축 심전도 박동에 대한 오차제곱합 편차("D")가 계산된다. 따라서, 각각의 부정맥 클래스마다 자동 결합 뉴런 네트워크(110)에 대응되는 5종의 D 값을 얻게 된다. 단계(220)에서, 가장 작은 D 값, 즉 가장 작은 오차제곱합 편차를 갖는 합성 박동이 식별된다. 예컨대, 자동 결합 뉴런 네트워크(110)의 각각에 대응되는 5종의 D값 중에는 다른 모든 D 값들보다 작은 D 값이 존재한다. 간단하게, 자동 결합 뉴런 네트워크마다 계산된 D 값이 각각 자동 결합 뉴런 네트워크(N)에서는 2, 자동 결합 뉴런 네트워크(LBBB)에서는 3, 자동 결합 뉴런 네트워크(RBBB)에서는 4, 자동 결합 뉴런 네트워크(PVC)에서는 5, 자동 결합 뉴런 네트워크(APC)에서는 5.5가 될 수 있다. 그러면, 가장 작은 D 값은, 자동 결합 뉴런 네트워크(N)에 대응되는 D값이 된다. 단계(222)에서, 가장 작은 D 값을 갖는 것으로 식별된 합성 박동에 관한 부정맥 클래스가 입력 심전도 박동이 속하는 클래스로서 사용자에게 제공된다.
In step 216, a synthetic beat corresponding to each compressed ECG beats is generated in each of the auto-associative neuron networks corresponding to each arrhythmia class. In one embodiment, five types of synthetic beats for five types of auto-coupling neuron network 11 are generated for each input of each compressed ECG pulse. In step 218, the error sum of squared deviations between the input compression ECG beats and the respective synthetic beats corresponding to each arrhythmia class are calculated. For example, the error sum of squared deviations ("D") for each of the five types of synthesized beats and the input compressed ECG beats is calculated. Therefore, five kinds of D values corresponding to the auto-coupling neuron network 110 are obtained for each arrhythmia class. In step 220, the synthetic beats having the smallest D value, i.e., the smallest error sum of squared deviations, are identified. For example, among the five types of D values corresponding to each of the auto-coupling neuron networks 110, there is a smaller D value than all other D values. Briefly, the calculated D values for each of the autonegotiation neuron networks are 2 in the auto-coupling neuron network (N), 3 in the auto-coupling neuron network (LBBB), 4 in the auto-coupling neuron network (RBBB) ) And 5.5 for the Automated Coupling Neuron Network (APC). Then, the smallest D value becomes a D value corresponding to the auto-coupling neuron network (N). At step 222, the arrhythmia class associated with the identified synthetic beats with the smallest D value is provided to the user as a class to which the input ECG pulse belongs.

도 3은 심전도 신호의 각각의 심전도 박동에서 R-피크를 검출하는 방법의 일례를 나타낸 흐름도이다. 단계(302)에서, 개인의 심장의 전기적 활동을 나타내는 필터링된 심전도 신호가 윈도우된다. 필터링된 심전도 신호가 x₀[n]으로 표시되고, 심전도 신호가 F_s[Hz]의 샘플링 주파수로 샘플링되는 경우를 고려할 수 있다. 적응형 임계값(adaptive threshold)을 결정하기 위해서, 윈도우 크기는 T=2초로 선택되며, T 값은 수용 가능한 가장 느린 심박수가 분당 30회(30 BPM: 30 Beats Per Minute), 즉 2초에 1회라는 추정에 기초한다. 또한, R-피크의 일부만이 윈도우에 포착되는 경우를 설명하기 위하여, 인접한 윈도우들이 T₀만큼(즉, 0.61초만큼) 그 윈도우에 겹쳐진다. 3 is a flowchart showing an example of a method of detecting an R-peak in each electrocardiogram pulse of an electrocardiogram signal. In step 302, a filtered electrocardiogram signal indicative of the electrical activity of the heart of the individual is windowed. It can be considered that the filtered electrocardiogram signal is represented by x ₀ [n] and the electrocardiogram signal is sampled at a sampling frequency of F _s [Hz]. To determine the adaptive threshold, the window size is chosen to be T = 2 seconds, and the T value is the lowest acceptable heart rate 30 times (30 BPM: 30 Beats Per Minute) It is based on the assumption that Also, to illustrate the case where only a portion of the R-peak is captured in a window, adjacent windows overlap that window by T ₀ (i.e., 0.61 seconds).

단계(304)에서, 적응형 임계값(Th)이 윈도우에서의 절대 편차 신호(absolute difference signal)에 기초하여 계산된다. 절대 편차 신호는 심전도 신호들 사이에서 계산된 편차의 절대값을 나타낸다. 실시예에 따라서는, 필터링된 심전도 신호(x₀[n])는 절대 미분기(absolute differentiator component)(도면에 나타내지 않음)를 경유하며, 절대 미분 컴포넌트는 평균 필터(averaging filter) 및 하이패스필터의 결합으로서 다음과 같은 x₁[n]을 얻는다. In step 304, the adaptive threshold Th is calculated based on an absolute difference signal in the window. The absolute deviation signal represents the absolute value of the deviation calculated between electrocardiographic signals. Depending upon the embodiment, the filtered ECG signal (x ₀ [n]) is the absolute differentiator (absolute differentiator component) and via the (not shown), the absolute differential component average filter (averaging filter) and the high-pass filter As a combination, x ₁ [n] is obtained as follows.

또한, 적응형 임계값(Th)은 다음과 같이 계산된다. Further, the adaptive threshold value Th is calculated as follows.

이 때, τ는 임계값(threshold value)을 의미한다. In this case, τ denotes a threshold value.

필터링된 심전도 신호의 z-변환(z-transform)은 다음과 같이 이루어진다. The z-transform of the filtered electrocardiogram signal is performed as follows.

이 때, x₀(z) 및 x₁(z)는 원래 심전도 신호 및 필터링된 심전도 신호의 z-변환된 형태이다. 이것은 다음과 같은 두 개의 필터를 이용하여 구현될 수 있다. Here, x ₀ (z) and x ₁ (z) are the z-transformed form of the original electrocardiogram signal and the filtered electrocardiogram signal. This can be implemented using the following two filters.

또한, 스케일된 평균 필터(scaled averaging filter)는 다음과 같다. In addition, a scaled averaging filter is as follows.

또한, 하이패스필터는 다음과 같다. The high-pass filter is as follows.

절대 미분기는 윈도우로 분할된 심전도 신호에 대한 두 개의 윈도우 사이의 기울기를 계산한다. 이는 중간 분산(intermediate variance)의 영향을 감소시키는 데에 기여한다. 기울기의 크기는 R-피크를 배치하기 위하여 필요하드는 점 때문에, 적응형 임계값은 절대 미분 값(absolute differentiated value)을 이용하여 계산된다는 점을 주목하여야 한다. The absolute differentiator computes the slope between two windows for a windowed electrocardiogram signal. This contributes to reducing the effect of the intermediate variance. It should be noted that because the magnitude of the gradient is hard to place the R-peak, the adaptive threshold is computed using an absolute differentiated value.

단계(306)에서, 심전도 신호의 윈도우 부분 내의 기준 피크에 대한 탐색이 적응형 임계값(Th)에 기초하여 수행된다. 실시예에 따라서는 적응형 임계값(Th)은 R-피크의 기울기가 실질적으로 곡선(P)의 기울기나 곡선(T)의 기울기보다 크기 때문에 각각의 심전도 박동에서 P나 T와 같은 기준 피크를 제거하는 데에 기여한다. 따라서, 곡선의 기울기가 적응형 임계값보다 크다는 것은 R-피크가 심전도 신호의 윈도우 영역 내에 존재함을 가리킨다. In step 306, a search for a reference peak in the window portion of the electrocardiogram signal is performed based on the adaptive threshold Th. According to an embodiment, the adaptive threshold value Th may be set such that the slope of the R-peak is substantially larger than the slope of the curve P or the slope of the curve T so that a reference peak such as P or T in each electrocardiogram beats Contributing to the removal. Thus, the fact that the slope of the curve is greater than the adaptive threshold indicates that the R-peak is within the window region of the electrocardiogram signal.

단계(308)에서, 심전도 신호의 윈도우 영역 내에서 거짓 피크가 제거된다. 윈도우 겹침으로 인하여 동일한 피크가 중복적으로 검출되거나 피크가 윈도우의 경계에 걸쳐질 수가 있으며, 그 결과 피크의 위치가 R-피크의 실제 최대값이 아니라 윈도우 내에서의 최대값에 대응될 수 있다. 이러한 거짓 검출을 피하기 위하여, 연속한 두 개의 피크의 위치가 계산된다. 만약 연속한 두 개의 피크 사이의 거리가 미리 정의된 값(즉, "SKIP_WINDOW")보다 작으면, 최소 진폭(minimum amplitude)의 위치는 버려지고, 최대 진폭(maximum amplitude)의 위치가 R-피크인 것으로 선언된다. In step 308, the false peak is removed in the window region of the electrocardiogram signal. Due to the window overlapping, the same peak may be detected redundantly or the peak may span the boundary of the window, so that the position of the peak may correspond to the maximum value in the window, not the actual maximum value of the R-peak. In order to avoid such false detection, the positions of two consecutive peaks are calculated. If the distance between two successive peaks is less than a predefined value (i.e., "SKIP_WINDOW"), then the position of minimum amplitude is discarded and the position of maximum amplitude is R- .

단계(310)에서, 심전도 신호의 심전도 박동 내에서의 R-피크의 위치가 윈도우 영역 내에서 검출된다. 심전도 신호의 각각의 윈도우 영역 내에서 R-피크를 검출하기 위하여, x₁[n]의 값이 적응형 임계값(Th)과 교차하는 지점마다 샘플들이 기준으로서 표시된다. 그 후, 피크의 최대값이 심전도 신호의 각각의 윈도우 영역 내에서 기준으로 표시된 샘플위치로부터 시작하여 심전도 신호(x₀[n])의 최대 탐색 윈도우(MAX_SR_WINDOW = 0.2초) 내에서 탐색된다. 효과적으로, 최대값은, 심전도 신호의 각각의 윈도우 영역 내에서 QRS 복합체 (QRS complex)의 기준 R-피크를 나타낸다. 일단 R-피크가 검출되면, 더 이상의 QRS 복합체는 수용 가능한 특정 시간 프레임(즉, SKIP_WIN = 0.25초) 내에 존재하지 않을 것이므로, 수용 가능한 그 시간 프레임 내에 존재하는 그 밖의 기준으로 표시된 샘플들은 버려진다. 이러한 절차를 통하여 R-피크를 탐색할 때의 계산량은 수용 가능한 시간 프레임 내에서 기준으로 표시된 샘플들을 버림으로써 획기적으로 감축된다. In step 310, the position of the R-peak within the electrocardiogram beats of the electrocardiogram signal is detected within the window region. In order to detect the R-peak within each window region of the electrocardiogram signal, samples are displayed as a reference at each point where the value of x ₁ [n] crosses the adaptive threshold Th. Then, the maximum value of the peaks from the starting position indicated by the reference sample in each of the window region of the ECG signal is searched for in the ECG signal (x ₀ [n]) up search window (MAX_SR_WINDOW = 0.2 seconds). Effectively, the maximum value represents the reference R-peak of the QRS complex in each window region of the electrocardiogram signal. Once the R-peak is detected, the samples marked with other criteria present within the acceptable time frame are discarded, since no more QRS complexes will be present within an acceptable specific time frame (i.e., SKIP_WIN = 0.25 seconds). The amount of computation when searching for R-peaks through this procedure is drastically reduced by discarding the reference samples in an acceptable time frame.

도 4는 도 1a의 실시예를 구현하기 위한 다양한 구성요소를 나타낸 서버(16)를 예시한 블록도이다. 도 4에서 나타낸 바와 같이, 서버(106)는 프로세서(402), 메모리(410), 저장부(404), 통신 인터페이스(406), 버스(408), 표시부(104) 및 입력 장치(412)를 포함한다. FIG. 4 is a block diagram illustrating a server 16 illustrating various components for implementing the embodiment of FIG. 1A. 4, the server 106 includes a processor 402, a memory 410, a storage 404, a communication interface 406, a bus 408, a display 104, and an input device 412 .

여기에서 사용되는 프로세서(402)는 마이크로프로세서, 마이크로콘트롤러, CISC(complex instruction set computing) 마이크로프로세서, RISC(reduced instruction set computing) 마이크로프로세서, VLIW(very long instruction word) 마이크로프로세서, EPIC(explicitly parallel instruction computing) 마이크로프로세서, 그래픽 프로세서, 디지털 신호 처리 프로세서, 그 밖의 어떠한 유형의 연산 회로도 적용할 수 있으며, 특정 프로세서로 한정되지 않는다. 또한, 프로세서(402)는 제네릭 로직 디바이스나 프로그래머블 로직 디바이스, 어레이, ASIC(application specific integrated circuit), 단일칩 컴퓨터(single-chip computer), 스마트카드 및 그 밖의 임베디드 콘트롤러를 포함할 수도 있다. The processor 402 may be a microprocessor, a microcontroller, a complex instruction set computing (CISC) microprocessor, a reduced instruction set computing (RISC) microprocessor, a very long instruction word (VLIW) microprocessor, an explicitly parallel instruction computing < / RTI > microprocessor, graphics processor, digital signal processing processor, or any other type of computing circuitry, and is not limited to any particular processor. The processor 402 may also include a generic logic device or programmable logic device, an array, an application specific integrated circuit (ASIC), a single-chip computer, a smart card, and other embedded controllers.

메모리(410)는 휘발성 메모리일 수도 있고 비휘발성 메모리일 수도 있다. 도 1a 내지 도 3에서 설명한 실시예들에 따르면, 메모리(410)는 심전도 신호의 심전도 박동을 처리하는 박동 처리 모듈(108), 입력 심전도 박동에 관한 합성 박동을 생성하는 자동 결합 뉴런 네트워크(110) 및 자동 결합 뉴런 네트워크를 이용하여 심장부정맥을 분료하기 위한 부정맥 분류 모듈(112)을 포함한다. The memory 410 may be a volatile memory or a non-volatile memory. 1A-3, the memory 410 includes a heartbeat processing module 108 that processes the electrocardiogram pulse of the electrocardiogram signal, an auto-coupling neuron network 110 that generates a synthetic heartbeat for the input electrocardiogram pulse, And an arrhythmia classifying module 112 for distributing cardiac arrhythmia using an automatic joining neuron network.

저장부(404)는 복수의 부정맥 클래스에 대응되는 심전도 박동에 관한 학습된 가중치들을 저장하는 가중치 데이터베이스(114)를 포함한다. The storage unit 404 includes a weight database 114 that stores learned weights related to ECG beats corresponding to a plurality of arrhythmia classes.

메모리(410)와 저장부(404)는 데이터 및 기계적으로 판독 가능한 명령어(machine-readable instructions)를 저장하기에 적절한 메모리 장치, 예컨대 ROM, RAM, EPROM, EEPROM, 하드드라이브, 기록 가능한 CD, DVD, 디스켓, 자기 테이프 카트리지, 메모리 카드, 메모리 스틱 등을 포함할 수 있다. The memory 410 and the storage 404 may be implemented in a memory device suitable for storing data and machine-readable instructions, such as ROM, RAM, EPROM, EEPROM, hard drive, recordable CD, DVD, Diskettes, magnetic tape cartridges, memory cards, memory sticks, and the like.

실시예들은 기능, 절차, 데이터 구조 및 애플리케이션 프로그램을 포함하는 모듈로서 구현되어, 태스크를 수행하거나 추상적인 데이터 타입 또는 로우레벨 하드웨어 컨텍스트를 정의할 수 있다. 자동 결합 뉴런 네트워크(110)는 기계적으로 판독 가능한 명령어의 형태로 위에서 설명한 저장 매체에 저장될 수 있으며, 프로세서(402)에 의하여 실행될 수 있다. 예컨대, 컴퓨터 프로그램이 명세서에서 언급된 실시예가 시사하는 바에 따라 획득 장치(116)로부터 획득된 심전도 신호를 이용하여 심장부정맥을 분류할 수 있는 기계적으로 판독 가능한 명령어들을 포함할 수 있다. 일 실시예에서, 프로그램은 CD-ROM 상에 포함된 후 CD-ROM으로부터 하드 드라이브로 로딩되어 비휘발성 메모리에 저장될 수 있다. Embodiments may be implemented as modules that include functions, procedures, data structures, and application programs to perform tasks or to define abstract data types or low-level hardware contexts. The autonegotiation neuron network 110 may be stored in the storage medium described above in the form of mechanically readable instructions and may be executed by the processor 402. [ For example, a computer program may include mechanically readable instructions that can classify cardiac arrhythmias using electrocardiographic signals obtained from acquisition device 116 as suggested by the embodiments described in the specification. In one embodiment, the program may be loaded onto a CD-ROM and then loaded from a CD-ROM to a hard drive and stored in non-volatile memory.

통신 인터페이스(406)는 획득 장치(116)로부터 개인의 심장의 전기적 활동을 나타내는 심전도 신호를 수신한다. 표시부(104)는 심전도 신호에 기초하여 분류된 개인의 부정맥의 유형을 나타내는 부정맥 클래스를 표시한다. 버스(408)는 전용 헬스 모니터링 장치(102)의 다양한 구성요소를 서로 연결한다. 입력 장치(412)와 같은 구성요소는 평균적인 기술자에게 자명한 사항이므로 구체적인 설명을 생략한다. The communication interface 406 receives an electrocardiogram signal indicative of the electrical activity of the heart of the individual from the acquisition device 116. The display unit 104 displays an arrhythmia class indicating the type of arrhythmia of the individual classified based on the electrocardiogram signal. The bus 408 couples the various components of the dedicated health monitoring device 102 to each other. The components such as the input device 412 are obvious to the average technician, so a detailed description thereof will be omitted.

특정 실시예를 참조하여 설명을 기술하였으나, 다양한 실시예에 나타난 개념과 범위를 벗어나지 않으면서 다양한 변형과 변경이 가능함은 자명하다. 또한, 다양한 장치, 모듈 등은 CMOS 기반 논리회로 등의 하드웨어나, 펌웨어, 소프트웨어를 이용하여 구현되고 실행되거나, 하드웨어, 펌웨어 및/또는 소프트웨어의 조합을 이용하여 구현되고 실행될 수 있다. 예컨대, 다양한 전기적 구조와 방법이 트랜지스터, 논리회로 및 전기 회로를 이용하여 ASIC(application specific integrated circuit) 등의 형태로 구현될 수 있다. Although the description has been made with reference to specific embodiments, it is apparent that various modifications and changes may be made without departing from the concept and scope of the various embodiments. In addition, various devices, modules, and the like may be implemented and executed using hardware, firmware, or software such as a CMOS-based logic circuit, or may be implemented and executed using hardware, firmware, and / or a combination of software. For example, various electrical structures and methods can be implemented in the form of application specific integrated circuits (ASICs) using transistors, logic circuits, and electrical circuits.

Claims

Receiving an electrocardiogram signal representing an electrical activity of an individual's heart and including electrocardiographic beats for a period of time;
Generating synthetic beats corresponding to each of the electrocardiographic beats using an auto-associative neuron network corresponding to each arrhythmia class;
Determining that a synthetic heartbeat corresponding to one of the arrhythmia classes substantially matches the respective input electrocardiogram pulse; And
Providing the arrhythmia class corresponding to the particular type of cardiac arrhythmia based on the identified synthetic heartbeat substantially corresponding to the electrocardiographic heartbeat,
Wherein each of the arrhythmia classes corresponds to a particular type of cardiac abnormality.

The method according to claim 1,
Detecting an R-peak for each of the electrocardiographic beats of the electrocardiogram signal;
Dividing each region of the electrocardiographic beats of the electrocardiogram signal in the vicinity of each of the R-peaks; And
And normalizing the region of the electrocardiographic beats of the electrocardiogram signal.

The method according to claim 1,
Compressing the electrocardiogram waveforms into a reduced electrocardiogram waveform using spline interpolation,
Wherein the compressed magnitude electrocardiogram comprises a specific shape of the electrocardiogram beats.

The method of claim 3,
Wherein determining that a synthetic heartbeat corresponding to one of said arrhythmia classes substantially corresponds to each input electrocardiogram pulse,
Calculating an error sum squared deviation between the electrocardiogram pulse and each of the synthetic beats corresponding to the respective arrhythmia class; And
Further comprising identifying a first one of the plurality of synthetic beats having a least square sum deviation of the synthetic beats.

A communication interface for acquiring an electrocardiogram signal indicative of an electrical activity of the heart of the individual and including a plurality of electrocardiogram beats from the acquiring device for a predetermined period of time;
A processor coupled to the communication interface;
A memory coupled to the processor; And
And a display coupled to the processor,
The memory comprising:
A heartbeat processing module for processing an input electrocardiogram signal;
An auto-coupled neuron network corresponding to a cardiac arrhythmia class that produces a synthetic heartbeat corresponding to each of the electrocardiographic beats; And
Determining that a synthetic heartbeat corresponding to one of the arrhythmia classes substantially matches the respective input ECG heartbeat among the synthetic heartbeats, and based on the identified synthetic heartbeat substantially corresponding to the electrocardiographic heartbeat, Wherein the arrhythmia classification module provides the arrhythmia class corresponding to the arrhythmia class.

6. The method of claim 5,
Wherein the heartbeat processing module comprises:
An R-peak detection module for detecting an R-peak relating to each electrocardiogram pulse of the electrocardiogram signal;
A beating module for dividing an area of each of the ECG beats of the electrocardiogram signal in the vicinity of each of the R-peaks; And
And a Z-score normalization module for normalizing each of the regions of the electrocardiographic beats of the electrocardiogram signal.

The method according to claim 6,
Wherein the heartbeat processing module comprises:
And a spline interpolation module for compressing the electrocardiogram waveforms to a reduced electrocardiogram waveform using spline interpolation,
Wherein the compressed size electrocardiogram comprises a specific shape of the electrocardiogram pulse.

8. The method of claim 7,
To determine that the synthetic heartbeats corresponding to one of the arrhythmia classes substantially match the respective input ECG heartbeats,
Calculating an error sum of squared differences between the electrocardiogram pulse and each of the synthetic beats corresponding to each of the arrhythmia classes,
And a least square sum deviation of said synthesized beats.

An acquisition device for receiving an electrocardiogram signal indicative of an electrical activity of an individual's heart during a predetermined time period and including a plurality of electrocardiogram waveforms;
A dedicated health monitoring device that displays an arrhythmia class corresponding to a particular type of cardiac arrhythmia based on the identified synthetic heartbeat that substantially conforms to the electrocardiographic heartbeat; And
Generating a synthetic beat corresponding to each of the electrocardiographic beats using an auto-associative neuron network corresponding to each of the arrhythmia classes,
Determining that a synthetic heartbeat corresponding to one of the arrhythmia classes substantially matches the electrocardiogram pulse,
And a server that provides the arrhythmia class corresponding to the particular type of cardiac arrhythmia based on the identified synthetic heartbeat substantially corresponding to the electrocardiogram heartbeat.

10. The method of claim 9,
The server comprises:
Detecting an R-peak for each of the electrocardiographic beats of the electrocardiogram signal,
Each region of the electrocardiographic beats of the electrocardiographic signal in the vicinity of each of the R-peaks,
Normalizing said region of said electrocardiogram beats of said electrocardiogram signal,
And a heartbeat processing module.

11. The method of claim 10,
The server comprises:
And a spline interpolation module for compressing the electrocardiogram waveforms to a reduced electrocardiogram waveform using spline interpolation,
Wherein the compressed size electrocardiogram comprises a particular shape of the electrocardiogram beats.

12. The method of claim 11,
When the server determines that a synthetic heartbeat corresponding to one of the arrhythmia classes among the synthetic heartbeats substantially corresponds to each input EKB,
Calculating an error sum of squared differences between the electrocardiogram pulse and each of the synthetic beats corresponding to each of the arrhythmia classes,
And wherein the system has a least square sum deviation of the synthesized beats.

Receiving an electrocardiogram signal representing an electrical activity of an individual's heart and including electrocardiographic beats for a period of time;
Generating synthetic beats corresponding to each of the electrocardiographic beats using an auto-associative neuron network corresponding to each arrhythmia class;
Determining that a synthetic heartbeat corresponding to one of the arrhythmia classes substantially matches the respective input electrocardiogram pulse; And
Providing the arrhythmia class corresponding to the particular type of cardiac arrhythmia based on the identified synthetic heartbeat that substantially corresponds to the electrocardiogram pulse; storing the program in a computer readable storage media.

14. The method of claim 13,
The program includes:
Detecting an R-peak for each of the electrocardiographic beats of the electrocardiogram signal;
Dividing each region of the electrocardiographic beats of the electrocardiogram signal in the vicinity of each of the R-peaks; And
And normalizing the region of the electrocardiographic beats of the electrocardiogram signal using the processor.

15. The method of claim 14,
The program includes:
Compressing the electrocardiogram waveforms into a reduced electrocardiogram waveform using spline interpolation, using the processor,
Wherein said compressed size electrocardiogram comprises a particular shape of said electrocardiogram beats.

16. The method of claim 15,
In order to determine that the synthesized heartbeat corresponding to one of the arrhythmia classes substantially matches the respective input ECG heartbeat,
Calculating an error sum squared deviation between the electrocardiogram pulse and each of the synthetic beats corresponding to the respective arrhythmia class; And
Further comprising: identifying one having the smallest error sum deviation of the synthesized beats, using the processor.