KR101191667B1 - 시간 영역 특징을 이용한 심장 질환 진단 장치 - Google Patents

Abstract

심장 질환 진단 장치는 전자 청진기로부터 연속 심음 신호를 입력받는 입력부와, 심장 질환의 종류를 판단하기 위하여 연속 심음 신호에서 분할한 단일 주기 심음 신호에서 켑스트럼(Cepstral) 영역의 제1 특징 정보와 시간 영역의 심음 신호의 제2 특징 정보를 추출하는 특징 추출부와, 제1 특징 정보와 제2 특징 정보를 분석하여 심장 질환의 패턴을 분류하고 단일 주기 심음 신호에 대한 심장 질환의 종류 및 유무를 판단하는 진단부를 제공한다.

Description

시간 영역 특징을 이용한 심장 질환 진단 장치{Cardiac Disorder Diagnosis Apparatus by Using Temporal Features}

본 발명은 심장 질환 진단 장치에 관한 것으로서, 특히 단일 주기 심음 신호에서의 켑스트럽 영역 특징과 시간 영역 특징을 분석하여 심장 질환의 종류 및 유무를 판단하는 시간 영역 특징을 이용한 심장 질환 진단 장치에 관한 것이다.

심장 질환은 전체 사망 원인 중에서 차지하는 비중이 점점 늘고 있는 치명적인 질병으로서 예방과 조기 발견을 위하여 간편하고 정확한 초기 진단의 필요성이 대두되고 있다.

심장 질환은 전 세계적으로 사망의 주요 원인으로 사망률이 점점 늘어나고 있는 추세이다.

심장 질환을 진단하기 위한 심초음파 또는 심전도 검사는 정확하지만 환자들에게 많은 진단 시간과 비용이 소요되는 단점이 있다.

또한, 심초음파 검사는 공기, 지방, 뼈 등을 잘 투과하지 못하는 특수성 때문에 비만 환자나 폐질환이 있는 환자에 있어 좋은 영상을 얻을 수 없다.

따라서, 심초음파 또는 심전도 검사 전에 전자 청진기로 획득한 심음 신호를 이용하여 심장 질환의 유무나 종류에 대한 정확한 사전 정보를 얻을 수 있는 시스템이 필요한 실정이다.

이와 같은 문제점을 해결하기 위하여, 본 발명은 전자 청진기를 통해 획득한 연속 심음 신호의 한 주기로부터 켑스트럼 영역 특징에 심잡음의 위치와 특성을 판단하기 위해 심음 포락선, 심잡음 확률 벡터, 심잡음 진폭값 변동과 같은 새로운 시간 영역 특징을 추가하여 심장 질환의 종류 및 유무를 판단하는데 그 목적이 있다.

이러한 기술적 과제를 달성하기 위한 본 발명의 특징에 따른 심장 질환 진단 장치는 전자 청진기로부터 연속 심음 신호를 입력받는 입력부; 심장 질환의 종류를 판단하기 위하여 상기 연속 심음 신호에서 분할한 단일 주기 심음 신호에서 켑스트럼(Cepstral) 영역의 제1 특징 정보와 시간 영역의 심음 신호의 제2 특징 정보를 추출하는 특징 추출부; 및 상기 제1 특징 정보와 상기 제2 특징 정보를 분석하여 심장 질환의 패턴을 분류하고 상기 단일 주기 심음 신호에 대한 심장 질환의 종류 및 유무를 판단하는 진단부를 포함한다.

전술한 구성에 의하여, 본 발명은 심음 기반의 심장 질환 분류를 위한 새로운 시간 영역 특징을 추가하는 심장 질환 진단 장치를 이용하여 심장 질환 분류의 성능을 개선하는 효과가 있다.

본 발명은 심장 질환 진단 장치를 이용하여 심장 질환을 판단시 켑스트럼 영역 특징에 시간 영역의 특징을 추가하여 심잡음의 위치와 특성을 효과적으로 분석할 수 있어 심장 질환의 분류 정확도를 높이는 효과가 있다.

도 1은 본 발명의 실시예에 따른 일반적인 한 주기 심음 신호의 기본 파형을 나타낸 도면이다.
도 2a는 본 발명의 실시예에 따른 심잡음의 위치에 따른 심장 질환의 제1 실시예를 나타낸 도면이다.
도 2b는 본 발명의 실시예에 따른 심잡음의 위치에 따른 심장 질환의 제2 실시예를 나타낸 도면이다.
도 3은 본 발명의 실시예에 따른 시간 영역 특징을 이용한 전자 청진음 기반의 심장 질환 진단 장치의 내부 구성을 간략하게 나타낸 블록도이다.
도 4는 본 발명의 실시예에 따른 특징 추출부의 내부 구성을 간략하게 나타낸 블록도이다.
도 5는 본 발명의 실시예에 따른 켑스트럼 특징부의 내부 구성을 간략하게 나타낸 블록도이다.
도 6은 본 발명의 실시예에 따른 심음 포락선부의 기능을 간락하게 나타낸 개념도이다.
도 7은 본 발명의 실시예에 따른 심잡음 확률 벡터부의 내부 구성을 간략하게 나타낸 블록도이다.
도 8a는 본 발명의 실시예에 따른 진폭값이 -1에서 1사이의 값을 가지도록 정규화된 단일 주기 심음 신호를 나타낸 도면이다.
도 8b는 본 발명의 실시예에 따른 단일 주기 심음 신호에 대역 통과 필터를 적용하여 얻은 출력 신호의 일예를 나타낸 도면이다.
도 8c는 본 발명의 실시예에 따른 제1음, 제2음 클래스(실선)와 심잡음 클래스(점선)의 감마 확률 분포를 나타낸 도면이다.
도 8d는 본 발명의 실시예에 따른 절대값 출력 신호에 겹쳐진 각 부세그먼트의 심잡음 사후 확률을 나타낸 것이다.
도 9는 본 발명의 실시예에 따른 심잡음 진폭값 변동부의 내부 구성을 간략하게 나타낸 블록도이다.
도 10은 본 발명의 실시예에 따른 진단부의 내부 구성을 간략하게 나타낸 블록도이다.

아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

도 1은 본 발명의 실시예에 따른 일반적인 한 주기 심음 신호의 기본 파형을 나타낸 도면이고, 도 2a 및 도 2b는 본 발명의 실시예에 따른 심잡음의 위치에 따른 심장 질환을 나타낸 도면이다.

도 1에 도시된 바와 같이, 심음 신호의 한 주기는 제1음(S1)(100) -> 심실 수축기(Systole)(102) -> 제2음(S2)(104) -> 심실 확장기(Diastole)(106)의 순서로 이루어진다.

제1음(S1)(100)은 심실 수축기(102)에 해당하고 저음(50~70Hz)으로 둔하며 소리의 지속이 길다.

제2음(S2)(104)은 심실 확장기(106)에 해당하고 고음(90~100Hz)으로 예리하며 소리의 지속이 짧다.

제1음(S1)(100)은 승모판막, 삼천판막의 폐쇄음과 대동맥판막, 폐동맥판막의 개방음이 주성분이다. 제2음(S2)(104)은 승모판막, 삼천판막의 개방음과 대동맥판막, 폐동맥판막의 폐쇄음이 주성분이다.

정상적인 심음 신호에서는 심실 수축기(102)와 심실 확장기(106)에서 거의 소리가 들리지 않지만 비정상적인 심음 신호에서는 심잡음(Murmur)과 클릭음(Click)이 들린다.

비정상적인 심음 신호는 도 2a 및 도 2b에 도시된 바와 같이, 심잡음과 클릭음의 위치에 따라 여러 질환으로 구분한다.

심실 수축기(102)에서 심잡음이 존재하는 심장 질환에는 대동맥판 협착(Aortic Stenosis, AS), 승모판 역류(Mitral Regurgitation, MR), 심실강모결손(Ventricular Septal Defect, VSD)의 질환들이 있다.

심실 수축기(102)에서 클릭음이 존재하는 질환에는 승모판 탈출(Mitral Valve Prolapse, MVP)의 질환이 있다.

심실 확장기(106)에서 심잡음이 존재하는 심장 질환에는 대동맥판 역류(Aortic Regurgitation, AR), 승모판 협착(Mitral Stenosis, MS)의 질환들이 있다.

다음, 도 3을 참조하여 시간 영역 특징을 이용한 전자 청진음 기반의 심장 질환 진단 장치의 내부 구성을 간략하게 나타낸 블록도이다.

도 3은 본 발명의 실시예에 따른 시간 영역 특징을 이용한 전자 청진음 기반의 심장 질환 진단 장치의 내부 구성을 간략하게 나타낸 블록도이다.

본 발명의 실시예에 따른 심장 질환 진단 장치는 입력부(200), 심음 신호 분할부(300), 특징 추출부(400) 및 진단부(500)를 포함한다.

입력부(200)는 전자 청진기(210)에 블루투스 오디오 트랜스미터(Bluetooth Audio Transmitter)(220)을 장착하여 연속 심음 신호를 무선으로 블루투스 오디오 리시버(Bluetooth Audio Receiver)(230)로 전송한다. 여기서, 전자 청진기(210)는 일예로 심음 신호를 전송할 수 있는 기능을 수행하는 장치면 어떠한 장치도 가능하다.

심음 신호 분할부(300)는 전자 청진기(210)로부터 연속 심음 신호를 자동 분할 알고리즘을 이용하여 단일 주기 심음 신호를 추출한다. 여기서, 자동 분할 알고리즘은 심장 질환을 분류하기 위해서 심잡음 또는 클릭음의 위치 정보가 중요하므로 연속 심음 신호에서 단일 주기의 심음 신호를 검출하기 위해 제1음(S1)(100)과 제2음(S2)(104)의 위치를 검출하는 방법을 의미한다.

특징 추출부(400)는 심음 신호 분할부(300)에서 추출한 단일 주기 심음 신호를 이용하여 심장 질환의 종류와 유무를 판단하기 위한 켑스트럼 영역과 시간 영역의 특징을 추출한다. 다시 말해, 특징 추출부(400)는 단일 주기 심음 신호로부터 켑스트럼 영역 특징인 멜주파수 켑스트럼 계수(Mel-Frequency Cepstral Coefficient, MFCC)와 시간 영역의 심음 포락선, 심잡음 확률 벡터, 심잡음 진폭값 변동과 같은 심음 신호의 특징 벡터를 추출한다. 이하에서 특징 추출부(400)의 내부 구성을 상세하게 설명하기로 한다.

진단부(500)는 특징 추출부(400)로부터 특징 벡터를 입력받아 심장 질환의 패턴을 분류하여 입력되는 심음 신호에 대한 심장 질환 유무 및 심장 질환을 분류한다. 진단부(500)는 학습 모델링부(512) 및 패턴 인식부(520)를 포함한다. 이하의 도 10에서 학습 모델링부(512) 및 패턴 인식부(520)를 상세하게 설명하기로 한다.

다음, 도 4를 참조하여 심장 질환 진단 장치 중 특징 추출부(400)의 내부 구성을 상세하게 설명한다.

도 4는 본 발명의 실시예에 따른 특징 추출부(400)의 내부 구성을 간략하게 나타낸 블록도이다.

본 발명의 실시예에 따른 특징 추출부(400)는 다운 샘플링부(410), 켑스트럼 특징부(420), 심음 포락선부(430), 심잡음 확률 벡터부(440), 심잡음 진폭값 변동부(450) 및 결합부(460)를 포함한다.

다운 샘플링부(410)는 단일 주기 심음 신호의 주파수 특성을 고려하여 심음 신호의 샘플링률을 다운샘플링한다.

켑스트럼 특징부(420)는 다운 샘플링부(410)로부터 수신한 다운샘플링된 심음 신호의 켑스트럼 영역인 멜주파수 켑스트럼 계수를 계산한다.

심음 포락선부(430)는 다운 샘플링부(410)로부터 수신한 다운샘플링된 심음 신호의 포락선값을 계산한다.

심잡음 확률 벡터부(440)는 다운 샘플링부(410)로부터 수신한 다운샘플링된 심음 신호의 심잡음 확률벡터를 계산한다.

심잡음 진폭값 변동부(450)는 다운 샘플링부(410)로부터 수신한 다운샘플링된 심음 신호의 심잡음 진폭값 변동을 계산한다.

결합부(460)는 켑스트럼 특징부(420), 심음 포락선부(430), 심잡음 확률 벡터부(440), 심잡음 진폭값 변동부(450)의 각각의 특징 벡터를 결합하여 최종 특징 벡터를 출력한다.

다음, 도 5를 참조하여 특징 추출부(400)의 켑스트럼 특징부(420)의 내부 구성을 상세하게 설명한다.

도 5는 본 발명의 실시예에 따른 켑스트럼 특징부(420)의 내부 구성을 간략하게 나타낸 블록도이다.

본 발명의 실시예에 따른 켑스트럼 특징부(420)는 선택부(422), 고속 푸리에 변환부(424), 멜 척도 필터 뱅크부(426) 및 이산 코사인 변환부(428)를 포함한다.

선택부(422)는 다운 샘플링부(410)로부터 수신한 다운샘플링된 심음 신호에서 제1음(100), 제2음(104)의 첫 번째 하모닉(Harmonic) 요소의 3사이클을 포함하도록 해밍 윈도우(Hamming Window) 크기를 30ms로 해밍 윈도우 크기를 10ms로 선택한다.

고속 푸리에 변환부(424)는 선택된 해밍 윈도우 크기를 10ms씩 이동하면서 고속 푸리에 변환(Fast Fourier Transform, FFT)를 수행한다.

멜 척도 필터 뱅크부(Mel-Scale Filter Bank)(426)는 전체 주파수 범위를 멜 척도(Mel-Scale)에 따라 분할하여 필터 뱅크 계수를 계산한다.

이산 코사인 변환부(428)는 계산한 필터 뱅크 계수에 로그값을 취한 후 이산 코사인 변환(Discrete Consine Transform, DCT)을 수행하여 MFCC를 계산한다.

이산 코사인 변환부(428)는 계산한 MFCC에 프레임 로그 에너지를 추가적으로 사용하여 켑스트럼 영역인 멜주파수 켑스트럼 계수 특징 벡터를 계산한다.

다음, 도 6을 참조하여 특징 추출부(400)의 심음 포락선부(430)를 상세하게 설명한다.

도 6은 본 발명의 실시예에 따른 심음 포락선부(430)의 기능을 간락하게 나타낸 개념도이다.

본 발명의 실시예에 따른 심음 포락선부(430)는 다운 샘플링부(410)로부터 수신한 다운샘플링된 심음 신호로부터 균일한 길이를 가지도록 부세그먼트(Subsegment)로 분할하는 유니폼 사이즈 부세그먼트(Uniform Size Subsegment)로 분할하고 균일하게 나누어지지 않는 심음 신호의 마지막 부분에 N개의 균일한 길이를 가지는 부세그먼트로 분할할 수 있게 '0'으로 채워준다.

심음 포락선부(430)는 분할한 부세그먼트를 기초로 다음의 [수학식 1]를 통해 N개의 각 부세그먼트의 절대값의 평균값을 계산하고 N개의 심음 신호의 포락선 값을 계산하여 심음 포락선 특징 벡터를 얻는다.

여기서,

는 심음 포락선을 의미하고,

는 n번째 부세그먼트의 k번째 샘플값을 의미하고,

은 부세그먼트의 개수를 의미하며,

는 부세그먼트의 샘플 개수를 의미한다.

다음, 도 7를 참조하여 특징 추출부(400)의 심잡음 확률 벡터부(440)의 내부 구성을 상세하게 설명한다.

도 7은 본 발명의 실시예에 따른 심잡음 확률 벡터부(440)의 내부 구성을 간략하게 나타낸 블록도이고, 도 8a는 본 발명의 실시예에 따른 진폭값이 -1에서 1사이의 값을 가지도록 정규화된 단일 주기 심음 신호를 나타낸 도면이고, 도 8b는 본 발명의 실시예에 따른 단일 주기 심음 신호에 대역 통과 필터를 적용하여 얻은 출력 신호의 일예를 나타낸 도면이다.

비정상적인 심장 질환은 시간 영역에서 심잡음 신호의 시간적 위치 정보가 심장 질환을 분류하는데 있어서 중요하다. 보다 정확한 심잡음 신호의 위치를 분석하기 위하여 심잡음 확률 벡터를 구한다.

본 발명의 실시예에 따른 심잡음 확률 벡터부(440)는 제1 대역 통과 필터부(442), 확률 분포부(444), 제1 부세그먼트 분할부(446) 및 사후 확률 계산부(448)를 포함한다.

제1 대역 통과 필터부(442)는 다운 샘플링부(410)로부터 수신한 다운샘플링된 심음 신호로부터 제1음(100), 제2음(104)을 감소시키고, 진폭값이 -1에서 1사이의 값을 가지도록 정규화된 단일 주기 심음 신호(도 8a에 도시됨)에 대역 통과 필터를 적용한 후, 도 8b에 도시된 심잡음 신호를 강조한 출력 신호(

)를 얻는다.

확률 분포부(444)는는 출력 신호에 절대값을 취하고 묵음 부분을 배제하여 절대값 출력 신호를 얻는다.

확률 분포부(444)는 절대값 출력 신호를 제1음, 제2음 클래스(w1)과 심잡음 클래스(w2)로 표현되는 2개의 감마 확률 분포(Gamma Probability Distribution) 또는 2개의 가우시안 확률 분포(Gaussian Probability Distribution)를 다음의 [수학식 2], [수학식 3] 및 [수학식 4]를 이용하여 모델링한다.

확률 분포부(444)는 [수학식 2], [수학식 3] 및 [수학식 4]를 이용한 모델링을 통해 심음 확률

및 심잡음 확률

을 계산한다.

여기서,

는 i번째 클래스에 대한 감마 확률 분포 또는 가우시안 확률 분포를 의미하고,

는 정수로 i번째 클래스에 대한 형태(Shape)를,

는 i번째 클래스에 대한 범위를 의미한다.

와

는 최대 우도비 측정(Maximum Likelihood Estimates, MLEs)를 이용하여 i번째 클래스에 대한 데이터의 감마 분포 파라미터인 형태와 범위를 계산한다.

여기서,

는 i번째 클래스에 대한 평균을,

는 i번째 클래스에 대한 표준 편차를 의미한다.

와

는 가우시안 혼합 모델(Gaussian Mixure Model, GMM)을 이용하여 가우시안 분포 파라미터인 평균과 표준 편차를 계산한다.

제1 부세그먼트 분할부(446)는 M개의 균일한 길이를 가지도록 부세그먼트로 분할하는 유니폼 사이즈 부세그먼트(Uniform Size Subsegment)로 분할하고 균일하게 나누어지지 않는 심음 신호의 마지막 부분에 M개의 균일한 길이를 가지는 부세그먼트로 분할할 수 있게 '0'으로 채운 후 다음의 [수학식 5]를 계산하여 m번째 부세그먼트의 절대값에 대한 평균값(

)을 계산한다.

여기서, 대역 통과 필터를 적용한

는 m번째 부세그먼트의 k번째 샘플값을 의미한다.

사후 확률 계산부(448)는 m번째 부세그먼트의 평균 절대값을 얻은 후 감마 확률 분포 또는 가우시안 확률 분포로부터 얻은 심음 확률 및 심잡음 확률을 기초로 다음의 [수학식 6]을 통해 사후 확률(a Posteriori Probability)을 계산한다.

사후 확률 계산부(448)는 계산한 사후 확률을 이용하여 M개의 심잡음 확률값을 계산하여 심잡음 확률벡터 특징 벡터를 얻는다.

도 8c는 제1음, 제2음 클래스(실선)와 심잡음 클래스(점선)의 감마 확률 분포를 나타낸 것이다.

도 8d는 절대값 출력 신호에 겹쳐진 각 부세그먼트의 심잡음 사후 확률을 나타낸 것이다.

다음, 도 9를 참조하여 특징 추출부(400)의 심잡음 진폭값 진동부(450)의 내부 구성을 상세하게 설명한다.

도 9는 본 발명의 실시예에 따른 심잡음 진폭값 변동부(450)의 내부 구성을 간략하게 나타낸 블록도이다.

비정상적인 심장 질환은 시간 영역에서 심잡음 진폭값의 변화가 심장 질환을 분류하는데 있어서 중요하다.

본 발명의 실시예에 따른 심잡음 진폭값 변동부(450)는 제2 대역 통과 필터부(452), 제2 부세그먼트 분할부(454) 및 최대값 계산부(456)를 포함한다.

제2 대역 통과 필터부(452)는 다운 샘플링부(410)로부터 수신한 다운샘플링된 심음 신호에서 심잡음 신호를 강조하기 위해 제1음(100), 제2음(104)을 감소시키고, 대역 통과 필터를 적용하여 심잡음 신호를 강조한 출력 신호(

)를 얻는다.

제2 부세그먼트 분할부(454)는 심잡음 신호를 강조한 출력 신호를 심잡음 신호의 진폭값 변동을 표현하기 위해 L개의 균일한 길이를 가지도록 부세그먼트로 분할하는 유니폼 사이즈 부세그먼트(Uniform Size Subsegment)로 분할하고 균일하게 나누어지지 않는 심음 신호의 마지막 부분에 L개의 균일한 길이를 가지는 부세그먼트로 분할할 수 있게 '0'으로 채운다.

최대값 계산부(456)는 분할한 복수개의 부세그먼트를 다음의 [수학식 7]를 통해 각 부세그먼트의 절대값에 대한 최대값을 계산하고 L개의 심잡음 진폭값 변동을 계산하여 심잡음 진폭값 변동 특징 벡터를 얻는다.

여기서,

는 심잡음 진폭값 변동을 의미하고,

는 대역 통과 필터를 적용한 l번째 부세그먼트의 k번째 샘플값을 의미한다.

다음, 도 10을 참조하여 심장 질환 진단 장치의 진단부(500)의 내부 구성을 상세하게 설명한다.

도 10은 본 발명의 실시예에 따른 진단부(500)의 내부 구성을 간략하게 나타낸 블록도이다.

본 발명의 실시예에 따른 진단부(500)는 학습 모델링부(510) 및 패턴 인식부(520)를 포함한다.

학습 모델링부(510)는 특징 추출부(400)의 결합부(460)로부터 수신한 멜주파수 켑스트럼 계수 특징 벡터, 심음 포락선 특징 벡터, 심잡음 확률 벡터 특징 벡터, 심잡음 진폭값 변동 특징 벡터를 모델링하여 질병의 기준 벡터를 생성한다. 다시 말해, 학습 모델링부(510)는 멜주파수 켑스트럼 계수 특징 벡터, 심음 포락선 특징 벡터, 심잡음 확률 벡터 특징 벡터, 심잡음 진폭값 변동 특징 벡터가 A 질병에서 특정 벡터를 나타내는 경우, 이러한 특징들을 심장 질환의 패턴으로 분류하여 학습한다.

패턴 인식부(520)는 특징 추출부(400)의 결합부(460)로부터 멜주파수 켑스트럼 계수 특징 벡터, 심음 포락선 특징 벡터, 심잡음 확률 벡터 특징 벡터, 심잡음 진폭값 변동 특징 벡터가 수신되면, 학습 모델링부(510)와 연동하여 해당 특징 벡터의 각각의 기준 벡터와 비교하여 입력된 심음 신호에 대한 심장 질환 종류 및 유무를 판단한다.

진단부(500)에 구비된 학습 모델링부(510)의 학습 방법은 MLP(MultiLayer Perceptron), SVM(Support Vector Machine), ELM(Extreme Learning Machine) 기반의 심음 신호를 분류하는 방법을 사용한다.

MLP 기반의 학습 모델링부(510)는 입력층을 특징 벡터로 구성되고 2개의 은닉층을 가지고 출력층이 9가지 심장 질환 확률을 가지는 신경 회로망으로 구성한다.

첫 번째 은닉층의 노드 개수는 100이고 두 번째 은닉층의 노드 개수는 20이다. 최대 epoch의 수는 300이고 목표 에러값은 0.0001로 설정한다. 학습률은 0.1이고 모멘텀 상수는 0.5로 설정한다.

활성화 함수는 시그모이드(Sigmoid) 함수를 사용하고 학습 함수는 Scaled Conjugate Gradient 알고리즘을 사용한다.

SVM 기반의 학습 모델링부(510)는 입력층을 특징 벡터로 구성하고 출력층이 9가지 신경 질환 확률을 가지는 신경 회로망으로 구성한다.

방사 기저 함수 구조(Radial Basis Function Networks, RBFN) 커널을 사용하고 상반 관계 가중치값 C는 상대적으로 좋은 성능을 보이는 500으로 설정한다. One-Against-All을 사용하여 멀티 클래스로 확장한다.

ELM 기반의 학습 모델링부(510)는 입력을 특징 벡터로 구성하고 활성 함수를 가지는 1개의 은닉층을 있고 출력층이 9가지 심장 질환 확률을 가지는 신경 회로망으로 구성한다.

MLP, SVM, ELM 기반의 진단부(500)는 패턴 인식부(520)에서 켑스트럼 영역인 41차 MFCC를 사용하는 경우, 각각 73.4%, 74.7%, 75.0%의 분류 정확도를 나타낸다.

본 발명에서 켑스트럼 영역과 시간 영역의 모든 특징을 사용한 경우 MLP, SVM, ELM 기반의 진단부(500)는 각각 80.0%, 81.6%, 85.3%의 분류 정확도를 나타낸다.

이러한 결과, 본 발명의 실시예에서는 종래의 켑스트럼 영역인 41차 MFCC 특징과 비교하여 24.8%, 27.3%, 41.2%의 상대적 개선율을 나타내었다.

이상에서 설명한 본 발명의 실시예는 장치 및/또는 방법을 통해서만 구현이 되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하기 위한 프로그램, 그 프로그램이 기록된 기록 매체 등을 통해 구현될 수도 있으며, 이러한 구현은 앞서 설명한 실시예의 기재로부터 본 발명이 속하는 기술분야의 전문가라면 쉽게 구현할 수 있는 것이다.

이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

Claims (9)

1. 전자 청진음 기반의 심음 신호를 이용한 심장 질환 진단 장치에 있어서,
   전자 청진기로부터 연속 심음 신호를 입력받는 입력부;
   심장 질환의 종류를 판단하기 위하여 상기 연속 심음 신호에서 분할한 단일 주기 심음 신호에서 켑스트럼(Cepstral) 영역의 제1 특징 정보와 시간 영역의 심음 신호의 제2 특징 정보를 추출하는 특징 추출부; 및
   상기 제1 특징 정보와 상기 제2 특징 정보를 분석하여 심장 질환의 패턴을 분류하고 상기 단일 주기 심음 신호에 대한 심장 질환의 종류 및 유무를 판단하는 진단부를 포함하되,
   상기 특징 추출부는,
   상기 단일 주기 심음 신호의 주파수 특성을 고려하여 심음 신호의 샘플링률을 다운샘플링하는 다운 샘플링부;
   상기 다운샘플링된 심음 신호로부터 켑스트럼 영역인 멜주파수 켑스트럼 계수를 계산하는 켑스트럼 특징부;
   상기 다운샘플링된 심음 신호로부터 심음 신호의 포락선값을 계산하는 심음 포락선부;
   상기 다운샘플링된 심음 신호로부터 심음 신호의 심잡음 확률 벡터를 계산하는 심잡음 확률 벡터부;
   상기 다운샘플링된 심음 신호로부터 심음 신호의 심잡음 진폭값 변동을 계산하는 심잡음 진폭값 변동부; 및
   상기 켑스트럼 특징부, 상기 심음 포락선부, 상기 심잡음 확률 벡터부, 상기 심잡음 진폭값 변동부의 각각의 출력값을 결합하여 특징 벡터들을 생성하는 결합부를 포함하는 것을 특징으로 하는 심장 질환 진단 장치.
2. 제1항에 있어서,
   상기 제1 특징 정보는 멜 주파수 켑스트럼 계수(Mel-Frequency Cepstral Coefficient, MFCC)이고, 상기 제2 특징 정보는 시간 영역의 심음 포락선, 심잡음 확률 벡터, 심잡음 진폭값 변동 중 하나 이상의 정보를 나타내는 것을 특징으로 하는 심장 질환 진단 장치.
3. 삭제
4. 제1항에 있어서,
   상기 켑스트럼 특징부는,
   상기 다운샘플링된 심음 신호에서 일정 크기를 선택하여 고속 푸리에 변환(Fast Fourier Transform, FFT)을 수행하고 고속 푸리에 변환한 출력값을 멜 척도에 따라 분할한 후 이산 코사인 변환(Discrete Consine Transform, DCT)을 수행하여 상기 멜주파수 켑스트럼 계수를 계산하는 것을 특징으로 하는 심장 질환 진단 장치.
5. 제1항에 있어서,
   상기 심음 포락선부는,
   상기 다운샘플링된 심음 신호로부터 균일한 길이를 가지도록 복수개의 부세그먼트로 분할하고 상기 복수개의 부세그먼트의 각각 복수개 심음 신호의 포락선 값을 구하여 심음 포락선 특징 벡터를 계산하는 것을 특징으로 하는 심장 질환 진단 장치.
6. 제1항에 있어서,
   상기 심잡음 확률 벡터부는,
   상기 다운샘플링된 심음 신호로부터 심잡음 신호를 강조하기 위하여 대역 통과 필터를 적용하여 상기 심잡음 신호가 강조된 출력 신호를 생성하는 대역 통과 필터부;
   상기 생성한 출력 신호를 감마 확률 분포 또는 가우시안 확률 분포를 통해 모델링하여 심음 확률 및 심잡음 확률을 계산하는 확률 분포부;
   상기 생성한 출력 신호를 균일한 길이를 가지도록 복수개의 부세그먼트로 분할하는 부세그먼트 분할부; 및
   상기 계산한 심음 확률 및 심잡음 확률과 상기 복수개의 부세그먼트를 이용하여 시간 영역에서의 심잡음 위치를 나타내는 복수개의 심잡음 확률값을 계산하여 심잡음 확률 벡터 특징 벡터를 얻는 사후 확률 계산부
   를 포함하는 것을 특징으로 하는 심장 질환 진단 장치.
7. 제1항에 있어서,
   상기 심잡음 진폭값 변동부는,
   상기 다운샘플링된 심음 신호로부터 심잡음 신호를 강조하기 위하여 대역 통과 필터를 적용하여 상기 심잡음 신호가 강조된 출력 신호를 생성하는 대역 통과 필터부;
   상기 생성한 출력 신호를 균일한 길이를 가지도록 복수개의 부세그먼트로 분할하는 부세그먼트 분할부; 및
   상기 분할한 복수개의 부세그먼트의 각각 절대값에 대한 최대값을 계산하고 상기 계산한 최대값을 기초로 심잡음 진폭값 변동을 계산하여 심잡음 진폭값 변동 특징 벡터를 얻는 최대값 계산부
   를 포함하는 것을 특징으로 하는 심장 질환 진단 장치.
8. 제1항에 있어서,
   상기 진단부는,
   상기 결합부로부터 수신한 복수의 제1 특징 벡터를 모델링하여 각 심장 질환의 기준 벡터를 생성하고 심장 질환의 패턴으로 분류하는 학습 모델링부; 및
   상기 단일 주기 심음 신호에서 추출한 복수의 제2 특징 벡터를 상기 기준 벡터와 비교하여 심장 질환의 종류 및 유무를 판단하는 패턴 인식부
   를 포함하는 것을 특징으로 하는 심장 질환 진단 장치.
9. 삭제

Images