KR101251081B1 - A shockable signal detection method of automated external defibrillator using neural network with weighted fuzzy membership function - Google Patents

A shockable signal detection method of automated external defibrillator using neural network with weighted fuzzy membership function Download PDF

Info

Publication number
KR101251081B1
KR101251081B1 KR20110014305A KR20110014305A KR101251081B1 KR 101251081 B1 KR101251081 B1 KR 101251081B1 KR 20110014305 A KR20110014305 A KR 20110014305A KR 20110014305 A KR20110014305 A KR 20110014305A KR 101251081 B1 KR101251081 B1 KR 101251081B1
Authority
KR
Grant status
Grant
Patent type
Prior art keywords
signal
shock
neural network
fuzzy membership
method
Prior art date
Application number
KR20110014305A
Other languages
Korean (ko)
Other versions
KR20120094811A (en )
Inventor
임준식
짱쩐씽
Original Assignee
(의료)길의료재단
짱쩐씽
임준식
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Grant date

Links

Images

Abstract

본 발명은 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법에 관한 것으로서, 보다 구체적으로는 (1) 심전계 신호를 수집하는 단계; The present invention relates to a shock signal detection method of the defibrillator by the weighted fuzzy membership functions based on a neural network, comprising the steps of More specifically, the collecting ECG signals (1); (2) 단계 (1)에서 수집한 심전계 신호로부터 비트를 검출하는 단계; (2) detecting a bit from the ECG signals collected in step (1); (3) 상기 비트로부터 맥박수가 소정의 값 이상이면 빠른 심실 빈맥으로 판단하여 쇼크 신호를 검출하는 단계; (3) comprising: pulse rate is detected the shock signal to determine the fast ventricular tachycardia is above a predetermined value from said bit; (4) 신호 필터링을 통해 상기 비트 신호를 전처리하는 단계; Further comprising: preconditioning the bit signal through a 4 filter signal; (5) 상기 단계 (4)에서 전처리된 신호로부터 특징을 추출하는 단계; (5) extracting the features from the signal pre-processing in the above step (4); 및 (6) 상기 추출된 특징을 가중 퍼지 소속 함수 기반 신경망의 입력 특징으로 하여 쇼크 신호와 비-쇼크 신호를 검출하는 단계를 포함하는 것을 그 구성상의 특징으로 한다. And in that it comprises the steps of detecting a shock on the signal it characterized in that the configuration -, and (6) and non-shock signal with the input characteristics of the weighted extracted features fuzzy membership functions based on a neural network.
본 발명에서 제안하고 있는 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법에 따르면, 가중 퍼지 소속 함수 기반 신경망을 사용하여 심질환 환자의 생존율을 높일 수 있는 쇼크(shockable) 심장 신호를 짧은 시간 내에 정확하게 검출하여 급심 정지 환자의 소생률을 높이는데 기여할 수 있다. According to the shock signal detection method of the defibrillator by the weighted fuzzy membership functions based on a neural network proposed in the present invention, the less time the weighted fuzzy membership functions based shock using a neural network that can increase the survival rate of heart disease (shockable) cardiac signal to accurately detect in which can contribute to enhance the resuscitation rate of geupsim stop patients.
또한, 본 발명에 따르면, 소형의 모바일 기기에 이식될 수 있는 최소의 퍼지 규칙을 제공함으로써, 향후 휴대폰이나 PDA 등을 연계한 실시간 모니터링을 통해서 더욱 신속한 급심 정지 환자의 응급조치를 가능하게 하고, 유비쿼터스 환경의 헬스케어 시스템에서 요구되는 휴대 가능한 제세동기와의 융합을 통해 심질환 환자의 건강 상태를 원격으로 관리할 수 있도록 한다. According to the present invention, by providing a minimum fuzzy rules that can be implanted in small-sized mobile devices, and enabling the first aid in faster geupsim stop patient through the next real-time monitoring in conjunction with a mobile phone or PDA or the like, a ubiquitous environment through the convergence of mobile defibrillator available as required in the health care system to help manage the health of heart disease patients remotely.

Description

가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법{A SHOCKABLE SIGNAL DETECTION METHOD OF AUTOMATED EXTERNAL DEFIBRILLATOR USING NEURAL NETWORK WITH WEIGHTED FUZZY MEMBERSHIP FUNCTION} Weighting the detection signal of the defibrillator shock method using the fuzzy membership functions based on a neural network {A SHOCKABLE SIGNAL DETECTION METHOD OF AUTOMATED EXTERNAL DEFIBRILLATOR USING NEURAL NETWORK WITH WEIGHTED FUZZY MEMBERSHIP FUNCTION}

본 발명은 급심 정지 소생을 위한 제세동기의 쇼크 신호 검출 방법에 관한 것으로서, 보다 구체적으로는 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법에 관한 것이다. The present invention relates to a shock signal detection method of the defibrillator for geupsim stop resuscitation, and more particularly to a shock signal detection method of the defibrillator weighting using fuzzy membership functions based on a neural network.

최근 국내에서는 매년 3만 명 정도가 급심 정지(Sudden Cardiac Arrest; SCA)로 사망하고 있으며, 이의 대부분은 생명을 위협하는 부정맥(life-threatening cardiac arrhythmias)에 기인하고 있다. In recent years, domestic approximately 30,000 people each year geupsim stop; has been killed in a (Sudden Cardiac Arrest SCA), most objections are due to arrhythmia (life-threatening cardiac arrhythmias) are life-threatening. 생명을 위협하는 부정맥이 나타난 환자의 생존확률은 자동제세동기(Automated External Defibrillator; AED)에 의한 신속한 응급조치와 밀접한 관계가 있는 것으로 알려져 있다. Probability of survival of patients with life-threatening arrhythmia is shown an automated external defibrillator; is known to be closely related to the rapid first aid by (Automated External Defibrillator AED). 자동 제세동기는 병원 이외의 장소에서 전문 의료인의 심전도(ECG) 진단 없이도 전기충격을 가할 수 있는 쇼크(shockable) 신호인지를 감지하고 제세동을 주는 장치로서, 심정지 환자의 생존율을 높이게 된다. An apparatus automatic defibrillator detects whether the electrocardiogram (ECG) shock capable of applying an electric shock (shockable) signal without the need for the diagnosis of healthcare professionals at a place other than a hospital and that the shock is nopyige the survival of cardiac arrest patients.

국내 급심 정지 환자의 생존율은 4.6%로서 다른 나라의 15∼40%에 비해 훨씬 낮으며, 특히 미국 심장마비 환자의 생존 퇴원율 40%에 비하면 매우 낮은 형편이다. Survival of the domestic geupsim stop patients was much lower than the 15-40% in other countries as 4.6%, especially very low compared to the poor survival rate of discharge, 40% of US heart attack patients. 이를 해결하기 위해서 응급 구조사 등에 의해 자동 제세동기를 사용한 조기 제세동을 신속히 실시하고 병원으로 이동시키는 방안이 요구되고 있다. Early defibrillation with an automatic defibrillation by emergency medical technician to quickly conducted to solve this problem and a plan for moving the hospital is required. 급심 정지 환자에게 나타나는 부정맥은 거친 심실 세동(coarse ventricular fibrillation, coarse VF) 또는 빠른 심실빈맥(rapid ventricular tachycardia, rapid VT)이 가장 많이 관찰되며, coarse VF나 rapid VT가 있는 급심 정지 환자의 유일한 치료는 신속한 제세동이다. Geupsim arrhythmia appears to stop the patient's rough ventricular fibrillation (coarse ventricular fibrillation, coarse VF) or rapid ventricular tachycardia (rapid ventricular tachycardia, rapid VT) only treat the most are much observed geupsim stopped in patients with coarse VF or rapid VT is a rapid defibrillation. coarse VF이나 rapid VT가 나타난 급심 정지 환자를 10분 이내에 제세동하지 않으면 생존 가능성이 거의 없으며, 시간이 경과할수록 분당 7~10%씩 생존율은 급격히 감소한다. If the coarse VF or VT rapid defibrillation is not indicated for patients geupsim stopped within 10 minutes almost no chance of survival, the more time passes the survival rate by 7-10% per minute is dramatically reduced. 따라서 이러한 환자를 AED를 이용하여 제세동을 조기에 시행할수록 생존의 가능성은 커진다. Therefore, more and these patients performed using the AED defibrillation early, the greater the chance of survival. 이러한 AED를 사용하여 급심 정지 환자의 쇼크 신호를 최단시간에 정확히 검출할 수 있는 알고리즘의 개발이 필요한 실정이다. Using such a situation the shock AED signals geupsim still a patient in need is capable of detecting accurately the development of the algorithm in the shortest amount of time.

이와 같은 AED를 위한 쇼크 신호(coarse VF, rapid VT) 검출 알고리즘은 현재까지 지속적으로 발표되고 있으며, 인식률의 증가와 검출 시간의 단축, 소형기기를 위한 로직의 단순화를 지향하고 있다. The shock signal for AED such (coarse VF, VT rapid) detection algorithm may be continually released to date, and is directed to shorten the detection time and the increase in the recognition rate, the simplification of the logic for a small device. 2007년에 발표된 Time-Delay 알고리즘은 8초 ECG신호를 통하여 VF를 검출하였으나 CPU 부하와 다소 낮은 검출률, 8초의 신호를 사용하는 문제점을 가지고 있다. The Time-Delay algorithm published in 2007, but the VF detection through 8 seconds ECG signal has a problem that the CPU load and slightly lower detection rate, 8-second signal. 또한 Parameter Set 알고리즘은 10초 ECG 신호를 통하여 Coarse VF/rapid VT, NSR과 N(기타 부정맥)을 검출하였으나 10초의 신호를 사용하는 문제점을 가지고 있다. Parameter Set algorithm also has a problem of using the 10-second signal but detects the Coarse VF / VT rapid, NSR and N (other arrhythmia) through a 10-second ECG signal. 2008년에 발표된 RBF 검출 알고리즘은 VF/VT와 NSR/N을 검출하여 좋은 결과를 보였으나 실험용 ECG 신호를 미리 선택하여 일반성이 떨어지는 단점이 있다. The RBF detection algorithm published in 2008, has the disadvantage poor generality to preselect the laboratory or ECG signal showed good results in detecting VF / VT and NSR / N. 따라서 불필요한 제세동을 줄이고 동시에 쇼크 신호가 생기면 정확히 검출하여 제세동을 시키며, 빠른 시간 안에 검출할 수 있는 알고리즘의 개발이 지속적으로 요구되고 있다. Therefore, to reduce unnecessary defibrillation shock signals simultaneously detected accurately saenggimyeon sikimyeo defibrillation, and is constantly required to develop an algorithm that can be detected in a short time.

본 발명은 기존에 제안된 방법들의 상기와 같은 문제점들을 해결하기 위해 제안된 것으로서, 가중 퍼지 소속 함수 기반 신경망을 사용하여 심질환 환자의 생존율을 높일 수 있는 쇼크(shockable) 심장 신호를 짧은 시간 내에 정확하게 검출하여 급심 정지 환자의 소생률을 높이는데 기여할 수 있는, 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법을 제공하는 것을 그 목적으로 한다. The present invention is proposed to solve the above problems of the method proposed in the conventional, weighted fuzzy membership functions based on a neural network by using the detected accurately shock (shockable) cardiac signal to increase the survival rate of heart disease in a short period of time geupsim to the present invention is to provide a shock signal detection method of a still defibrillator patients with, weighted fuzzy membership functions based on a neural network, which can contribute to enhance the resuscitation rate of the for that purpose.

또한, 본 발명은, 소형의 모바일 기기에 이식될 수 있는 최소의 퍼지 규칙을 제공함으로써, 향후 휴대폰이나 PDA 등을 연계한 실시간 모니터링을 통해서 더욱 신속한 급심 정지 환자의 응급조치를 가능하게 하고, 유비쿼터스 환경의 헬스케어 시스템에서 요구되는 휴대 가능한 제세동기와의 융합을 통해 심질환 환자의 건강 상태를 원격으로 관리할 수 있도록 하는, 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법을 제공하는 것을 또 다른 목적으로 한다. In addition, the present invention, by providing a minimum fuzzy rules that can be implanted in small-sized mobile devices, and enabling the first aid in faster geupsim stop patient through the next real-time monitoring in conjunction with a mobile phone or PDA or the like, a ubiquitous environment through the fusion of a portable defibrillator required by the health care system to manage the health of the heart disease patient remotely, weighted fuzzy membership another object of the present invention to provide a shock signal detection method of the defibrillator with function-based neural network It shall be.

상기한 목적을 달성하기 위한 본 발명의 특징에 따른 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법은, Shock signal detecting method of using a weighted fuzzy membership functions based on a neural network in accordance with aspects of the present invention for achieving the above object is a defibrillator,

(1) 심전계 신호를 수집하는 단계; (1) collecting an ECG signal;

(2) 상기 단계 (1)에서 수집한 심전계 신호로부터 비트를 검출하는 단계; (2) detecting a bit from the ECG signal acquisition in the above step (1);

(3) 상기 비트로부터 맥박수가 소정의 값 이상이면 빠른 심실 빈맥으로 판단하여 쇼크 신호를 검출하는 단계; (3) comprising: pulse rate is detected the shock signal to determine the fast ventricular tachycardia is above a predetermined value from said bit;

(4) 신호 필터링을 통해 상기 비트 신호를 전처리하는 단계; Further comprising: preconditioning the bit signal through a 4 filter signal;

(5) 상기 단계 (4)에서 전처리된 신호로부터 특징을 추출하는 단계; (5) extracting the features from the signal pre-processing in the above step (4); And

(6) 상기 추출된 특징을 가중 퍼지 소속 함수 기반 신경망의 입력 특징으로 하여 쇼크 신호와 비-쇼크 신호를 검출하는 단계를 포함하는 것을 그 구성상의 특징으로 한다. 6, the shock signal by the non-input characteristic of the weighted extracted features fuzzy membership functions based on a neural network - and in that it comprises the steps of detecting a shock on the signal characterized in that configuration.

바람직하게는, 상기 단계 (4)에서, Preferably, in the step (4),

상기 신호 필터링은 웨이블릿 변환에 의할 수 있다. The filtered signal may be a wavelet transform.

바람직하게는, 상기 단계 (5)는, Preferably, the step (5),

상기 단계 (4)에서 전처리된 신호로부터 최대 피크 평균값을 통해 심장 무수축 신호를 검출하는 단계를 더 포함하며, Further comprising the step of detecting heart signals through the non-contraction up to a peak average value from the signal pre-processing in the above step (4),

심장 무수축 신호가 아닌 경우에 상기 특징을 추출할 수 있다. It is possible to extract the feature for non-cardiac non-contraction signal.

바람직하게는, 상기 단계 (5)에서는, In Advantageously, the step (5),

시간 지연 방법, 첨단개수 추출 방법, 첨단 앞뒤의 특정 계수 추출 방법, 및 특정구역의 계수들의 표준편차 특징 추출 방법 중 적어도 어느 하나를 이용하여 특징을 추출할 수 있다. Time delay method, the high number of extraction methods, can be used to extract a specific coefficient of the art method and forth, and at least one of a standard deviation feature extraction method of the coefficients of the specific areas to extract features.

바람직하게는, 상기 단계 (6)에서는, In Advantageously, the step (6),

비 중복 면적 측정법을 이용하여 상기 추출된 특징 중 소정 개수의 특징을 선택하여 상기 가중 퍼지 소속 함수 기반 신경망의 입력 특징으로 할 수 있다. Ratio may be of the extracted features using a redundant area of ​​measurement by selecting the characteristics of a predetermined number to the input characteristics of the weighted fuzzy membership functions based on a neural network.

더욱 바람직하게는, More preferably,

상기 소정 개수의 특징은 6개일 수 있다. It characterized the predetermined number may be six days.

본 발명에서 제안하고 있는 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법에 따르면, 가중 퍼지 소속 함수 기반 신경망을 사용하여 심질환 환자의 생존율을 높일 수 있는 쇼크(shockable) 심장 신호를 짧은 시간 내에 정확하게 검출하여 급심 정지 환자의 소생률을 높이는데 기여할 수 있다. According to the shock signal detection method of the defibrillator by the weighted fuzzy membership functions based on a neural network proposed in the present invention, the less time the weighted fuzzy membership functions based shock using a neural network that can increase the survival rate of heart disease (shockable) cardiac signal to accurately detect in which can contribute to enhance the resuscitation rate of geupsim stop patients.

또한, 본 발명에 따르면, 소형의 모바일 기기에 이식될 수 있는 최소의 퍼지 규칙을 제공함으로써, 향후 휴대폰이나 PDA 등을 연계한 실시간 모니터링을 통해서 더욱 신속한 급심 정지 환자의 응급조치를 가능하게 하고, 유비쿼터스 환경의 헬스케어 시스템에서 요구되는 휴대 가능한 제세동기와의 융합을 통해 심질환 환자의 건강 상태를 원격으로 관리할 수 있도록 한다. According to the present invention, by providing a minimum fuzzy rules that can be implanted in small-sized mobile devices, and enabling the first aid in faster geupsim stop patient through the next real-time monitoring in conjunction with a mobile phone or PDA or the like, a ubiquitous environment through the convergence of mobile defibrillator available as required in the health care system to help manage the health of heart disease patients remotely.

도 1은 본 발명의 일실시예에 따른 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법의 흐름을 도시한 도면. 1 is a diagram showing a weighted fuzzy membership function based on the flow of the shock signal detection method of the defibrillator using neural network according to one embodiment of the present invention.
도 2는 본 발명의 일실시예에 따른 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법에서 단계 S200이 수행된 결과를 도시한 도면. Figure 2 is a view showing a result of step S200 is performed on the weighted fuzzy membership signal of the defibrillation shock with a function based on a neural network detecting method according to an embodiment of the present invention.
도 3은 본 발명의 일실시예에 따른 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법에서 단계 S300에 의해 검출된 rapid VT 신호를 도시한 도면. Figure 3 is a diagram illustrating the rapid VT signals detected by the step S300 in the shock signal detection method of the defibrillator by the weighted fuzzy membership functions based on a neural network according to one embodiment of the present invention.
도 4는 본 발명의 일실시예에 따른 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법의 단계 S400에서 사용될 수 있는 이분 비연속 웨이블릿 분리 구현을 위한 필터 뱅크를 도시한 도면. Figure 4 shows a filter bank for wavelet half discontinuous separation implements which can be used in step S400 of the shock signal detection method of the defibrillator by the weighted fuzzy membership functions based on a neural network according to one embodiment of the present invention.
도 5는 본 발명의 일실시예에 따른 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법의 단계 S600에서 특징 추출을 위한 시간 지연 방법의 적용을 나타낸 도면. Figure 5 is a view of the application of time-delay method for feature extraction at step S600 in the shock signal detection method of the defibrillator by the weighted fuzzy membership functions based on a neural network according to one embodiment of the present invention.
도 6은 본 발명의 일실시예에 따른 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법의 단계 S600에서 특징 추출을 위한 첨단들의 개수 추출을 나타낸 도면. Figure 6 is a view of the high number of extraction for feature extraction in the step S600 of the weighted fuzzy membership of the defibrillator shock with function-based neural network signal detection method according to an embodiment of the present invention.
도 7은 본 발명의 일실시예에 따른 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법의 단계 S600에서 특징 추출을 위한 첨단 앞뒤의 특정 계수 추출을 나타낸 도면. Figure 7 is a view of the extraction coefficient of the high-specific forth for feature extraction at step S600 in the shock signal detection method of the defibrillator by the weighted fuzzy membership functions based on a neural network according to one embodiment of the present invention.
도 8은 본 발명의 일실시예에 따른 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법의 단계 S600에서 특징 추출을 위한 특정구역의 계수의 분포를 나타낸 도면. Figure 8 is a view of the distribution of the coefficient of specific areas for feature extraction at step S600 in the shock signal detection method of the defibrillator by the weighted fuzzy membership functions based on a neural network according to one embodiment of the present invention.
도 9는 본 발명의 일실시예에 따른 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법에서 사용되는 가중 퍼지 소속 함수 기반 신경망의 구조를 도시한 도면. 9 is a diagram showing a structure of the weighted fuzzy membership functions based on a neural network used in the detection methods of defibrillator shock signal with the weighted fuzzy membership functions based on a neural network according to one embodiment of the present invention.
도 10은 본 발명의 일실시예에 따른 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법에서 사용되는 비 중복 면적 분산 측정법을 예를 들어 도시한 도면. Figure 10 is one embodiment for example, the weighted fuzzy membership functions based on the non-overlapping area distribution measuring method used in the detection methods of defibrillator shock signal using neural network according to the example shown by the drawings of the present invention.
도 11은 본 발명의 일실시예에 따른 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법에서 특징 입력의 개수에 따른 검출 성능의 평균값의 변화를 도시한 도면. Figure 11 is a view showing the change in the average value of the detection performance according to the number of features in the input signal detecting method of the shock defibrillation using a weighted fuzzy membership functions based on a neural network according to one embodiment of the present invention.

이하, 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다. With reference to the accompanying drawings, in self having ordinary skill in the art will be described in detail a preferred embodiment to easily carry out the present invention. 다만, 본 발명의 바람직한 실시예를 상세하게 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. However, in describing in detail the preferred embodiment of the present invention, a detailed description of known functions and configurations that are determined to unnecessarily obscure the subject matter of the present invention, a detailed description thereof will be omitted. 또한, 유사한 기능 및 작용을 하는 부분에 대해서는 도면 전체에 걸쳐 동일한 부호를 사용한다. In addition, the same reference numerals throughout the drawings for parts that a similar function and operation.

덧붙여, 명세서 전체에서, 어떤 부분이 다른 부분과 '연결' 되어 있다고 할 때, 이는 '직접적으로 연결' 되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 '간접적으로 연결' 되어 있는 경우도 포함한다. In addition, throughout the specification, to that which is part of the "connected" with another part, which even if it is the case that is "directly connected to", as well as, interposed between the other element or intervening "indirectly connected to" It includes. 또한, 어떤 구성요소를 '포함' 한다는 것은, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다. In addition, it should "include" any component, it means that not to exclude other components not specifically described that are opposite may further contain other components.

도 1은 본 발명의 일실시예에 따른 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법의 흐름을 도시한 도면이다. 1 is a diagram showing a weighted fuzzy membership function based on the flow of the shock signal detection method of the defibrillator using neural network according to one embodiment of the present invention. 도 1에 도시된 바와 같이, 본 발명의 일실시예에 따른 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법은, 심전계 신호를 수집하는 단계(S100), 심전계 신호로부터 비트를 검출하는 단계(S200), 맥박수가 소정의 값 이상이면 쇼크 신호를 검출하는 단계(S300), 웨이블릿 변환을 통해 비트 신호를 전처리하는 단계(S400), 비중복 면적 측정법을 이용하여 전처리 된 비트 신호로부터 특징을 추출하는 단계(S600), 및 추출된 특징을 가중 퍼지 소속 함수 기반 신경망의 입력 특징으로 하여 쇼크 신호와 비-쇼크 신호를 검출하는 단계(S700)를 포함하여 구현될 수 있으며, 최대 피크 평균값을 통해 심장 무수축 신호를 검출하는 단계(S500)를 더 포함하여 구현될 수 있다. 1, the shock signal detection method of the defibrillator by the weighted fuzzy membership functions based on a neural network in accordance with one embodiment of the present invention, collecting the ECG signal (S100), for detecting a bit from the ECG signal step (S200), the pulse rate is a feature from the bit signal preprocessing using a step (S400), the non-overlapping area measurement method for pre-processing the bit signal through the step (S300), the wavelet transform for detecting a shock signal is above a predetermined value Due to the input characteristics of the weighted fuzzy membership functions based on a neural network to step (S600), and the extracted feature extracting shock signal with the non-may be implemented by a step (S700) for detecting a shock signal from the maximum peak mean value a step (S500) for detecting a non-contraction heart signal can be implemented by further comprising.

단계 S100에서는, 심전계 신호를 수집할 수 있다. In step S100, it may collect ECG signals. 쇼크 신호 검출을 위한 심전계(Electro cardiograph, ECG) 신호는 8초 동안 수집할 수 있다. ECG (Electro cardiograph, ECG) signal for the shock detection signal may be collected for 8 seconds. 본 발명의 일실시예에 따른 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법에 따르면, 빠른 시간 내에 쇼크 신호 검출이 가능하기 때문에, 종래 10초 정도의 ECG 신호의 수집이 필요했던 것과는 달리 8초 정도의 ECG 신호만으로도 쇼크 신호의 검출을 할 수 있다. According to the shock signal detection method of the defibrillator by the weighted fuzzy membership functions based on a neural network according to one embodiment of the present invention, fast because it can be a shock signal detected within the time, from those conventionally required the collection of the ECG signal of about 10 seconds, otherwise only the ECG signal to 8 seconds can be the detection of a shock signal.

단계 S200에서는, 단계 S100에서 수집한 심전계 신호로부터 비트를 검출할 수 있다. In step S200, it is possible to detect the bits from the ECG signal acquisition in step S100. 단계 S200에서는, 단계 S100에서 수집한 ECG 신호로부터 비트 검출 과정을 거쳐 비트를 검출할 수 있는데, 실시간 맥박과 QRS가 비트 검출 알고리즘에 의해 검출될 수 있다. In step S200, may be detected through a bit bit detection process from the ECG signal acquisition in step S100, can be detected by the real-time pulse and the bit detection algorithm QRS. 단계 S200에서 사용되는 비트 검출 알고리즘은 부정맥 검출, ECG 진단, Holter 그리고 heart rate variabillity(HRV, 심장변이도) 등의 연구에도 사용된다. Bit detection algorithm used in step S200 is also used for the study, such as arrhythmia detection, diagnostic ECG, and heart rate Holter variabillity (HRV, heart variability). 본 발명의 단계 S200에서 사용하는 비트 검출 알고리즘에는 가장 유명한 Hamilton 알고리즘이 사용될 수 있다. Bit detection algorithm used in step S200 of the present invention has the most famous Hamilton algorithm may be used.

비트 검출 알고리즘은 총 일곱 개의 단계로 나눌 수 있다. Bit detection algorithm can be divided into a total of seven stages. 즉, Low pass filtering(저주파 통과 필터), High pass filtering(고주파 통과 필터), Taking the derivative(유도), Taking the absolute value of the signal(신호의 절댓값 구함), Averaging the absolute value over an 80㎳ window(80㎳ window 이상 값의 절댓값 평균), Peak Detection(첨단 검출), 및 Rule Detection(규칙 검출) 단계에 의해 비트를 검출할 수 있다. I.e., Low pass filtering (low-pass filter), High pass filtering (high pass filter), Taking the derivative (induction), Taking the absolute value of the signal (absolute value of the wanted signal), the absolute value Averaging over an 80㎳ window (80㎳ average absolute value of the window than the value), it is possible to detect the bits by the Peak detection (Enhanced detection), and detection rule (rule detection) step. 이와 같은 비트 검출 알고리즘 통하여 ECG신호의 RR 간격과 실시간 심박 수를 계산할 수 있다. Through this bit detection algorithm may compute the number of RR intervals and a real-time heart rate of the ECG signal. 도 2는 본 발명의 일실시예에 따른 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법에서 단계 S200이 수행된 결과를 도시한 도면이다. 2 is a view showing the result of step S200 is performed on the weighted fuzzy membership signal of the defibrillation shock with a function based on a neural network detecting method according to an embodiment of the present invention. 도 2의 (a)는 단계 S100에서 수집된 ECG 신호를 나타낸 도면이고, (b)는 (a)의 신호를 비트 검출 알고리즘에 적용한 신호를 나타낸 것이다. 2 (a) is a view showing an ECG signal acquisition in step S100, (b) shows a signal applied to a bit detection algorithm, the signal (a).

단계 S300에서는, 상기 비트로부터 맥박수가 소정의 값 이상이면 빠른 심실 빈맥으로 판단하여 쇼크 신호를 검출할 수 있다. In step S300, a pulse rate from the bit to detect a shock signal to determine the fast ventricular tachycardia is above a predetermined value. 수집된 8초 정도의 비트 신호를 이용하여 쇼크 신호 범위 내에 있는 rapid VT(빠른 심실 빈맥) 신호를 검출한다. Using a bit signal of about 8 seconds collected detects a rapid VT (fast ventricular tachycardia) signal in the shock signal range. AAMI 표준에 따라 맥박수가 180회/분이면 rapid VT가 되며 동시에 shockable 신호가 된다. If the pulse rate is 180 times / min and a rapid VT at the same time it is a shockable signal according to AAMI standards.

가능한 빠른 시간 내에 rapid VT신호를 검출하기 위하여 맥박수 조건 판단 방법에 의해 쇼크 신호를 검출할 수 있다. As quickly as possible it is possible to detect the shock signal by the pulse condition judging method for detecting the rapid VT signal. 맥박수 조건 판단 방법에서 실시간 맥박 개수는 단계 200에서 검출된 8초 ECG 비트 신호를 가지고 계산한다. Real-time pulse count in the pulse condition judging method is to be calculated with the 8-bit cho ECG signal detected in step 200. 만약 실시간 맥박의 개수가 24보다 크면, 해당 8초 ECG 신호는 rapid VR(쇼크 신호)로 인식된다. If real-time the number of pulses is greater than 24, the eight seconds ECG signal is recognized as a rapid VR (shock signal). 도 3은 본 발명의 일실시예에 따른 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법에서 단계 S300에 의해 검출된 rapid VT 신호를 도시한 도면이다. 3 is a diagram illustrating the rapid VT signals detected by the step S300 in the shock signal detection method of the defibrillator by the weighted fuzzy membership functions based on a neural network according to one embodiment of the present invention. 도 3에 도시된 바와 같이, rapid VT 신호는 26개의 beat로 구성된 8초 ECG 에피소드로 나타날 수 있다. As shown in Figure 3, rapid VT signal may appear as 8 seconds ECG episode consisting of 26 beat. 맥박의 개수가 24보다 크기 때문에 본 발명에 의해 rapid VT, 즉 쇼크 신호로 검출될 수 있다. The number of pulses may be detected by rapid VT, that is the shock signal by the present invention because of the size greater than 24.

단계 S400에서는, 신호 필터링을 통해 상기 비트 신호를 전처리할 수 있다. In step S400, it is possible to precondition the bit signal through the signal filter. 단계 S300에서 실시간 맥박 수가 24 이하이면, 다음 단계 수행을 위한 전처리 과정으로서 단계 S400을 수행하게 되는데, ECG 신호를 웨이블릿 변환을 통해 필터링 처리할 수 있다. If the number of real-time heart rate less than 24 in step S300, there is performed a step S400 a pre-processing for performing the next step, a wavelet ECG signal may be filtered through a converting process. 웨이블릿 변환은 신호 처리에 있어서 시간상의 국소적인 특정 지점에서의 주파수 특성을 동시에 분석함으로써 전역적 주파수 특성 정보를 주는 푸리에 분석의 단점을 보완해 준다. Wavelet transform it complements the disadvantage of the Fourier analysis to the global frequency characteristic data by analyzing the temporal frequency characteristic of the local at a particular point in the signal processing at the same time. 비연속 웨이블릿 변환은 시간-주파수 신호를 다양한 스케일의 비연속 신호로 분리해 줄 수 있다. Non-continuous wavelet transform is a time-line may separate the frequency signal as a non-continuous signals of different scales.

도 4는 본 발명의 일실시예에 따른 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법의 단계 S400에서 사용될 수 있는 이분 비연속 웨이블릿 분리 구현을 위한 필터 뱅크를 도시한 도면이다. 4 shows a filter bank for wavelet half discontinuous separation implements which can be used in step S400 of the shock signal detection method of the defibrillator by the weighted fuzzy membership functions based on a neural network according to one embodiment of the present invention. 도 4에 도시된 바와 같이, detail이라고 하는 g(n)은 웨이블릿 계수와 관련된 FIR(finite impulse response filters) 고대역필터(high-pass filters) 계수이고, approximation이라고 하는 h(n)은 스케일 함수 계수와 관련된 FIR 저대역필터(low-pass filters) 계수이다. A, g (n) is a FIR (finite impulse response filters) and a band pass filter (high-pass filters) coefficients, h (n) is a scaling function coefficient, called approximation related to the wavelet coefficients called detail, as shown in Figure 4 and a FIR low-pass filter (low-pass filters) coefficient associated. 각 필터를 지난 신호는 그 길이가 반으로 감소하고, h(n) 신호로 다시 다음 스케일 레벨에서 반복하여 변환 시킨다. Each filter is the last signal length is reduced by half, and converts again to repeat the next scale level as h (n) signal. 웨이블릿 변환으로 추출된 웨이블릿 계수는 웨이블릿 모함수(mother wavelet)에 대한 유사도로써 이는 스케일에 의해 주어진 시간에 따른 주파수 신호를 나타낸다. The wavelet coefficients in the wavelet transform are extracted, which represents the frequency of the signal given by the time scale as the degree of similarity to the carrier wavelet number (mother wavelet).

단계 S500에서는, 상기 단계 S400에서 전처리 된 신호로부터 최대 피크 평균값을 통해 심장 무수축 신호(ASYS)를 검출할 수 있다. In step S500, it is possible to detect the maximum peak average cardiac signal by non-contraction (ASYS) from the signal pre-processing in step S400. 즉, 단계 S500에서는, ASYS 검출 처리를 위해 MPA(Max Peaks Average) 값을 이용할 수 있다. That is, in step S500, is the MPA (Max Peaks Average) value can be used for ASYS detecting process.

ASYS 검출 처리는 심장 무수축(asystole) 신호를 검출하는데, 최단 시간 내에 asystole 신호를 검출하기 위하여 Max Peaks Average(MPA) 검출 방법을 사용할 수 있다. ASYS detecting process to detect the heart non-contraction (asystole) signal, it is possible to use the Max Average Peaks (MPA) detection method to detect an asystole signal in the shortest time. MPA 검출 방법은 단계 S400에 의한 전처리과정의 웨이블릿 변환을 이용하는데, ECG 신호가 웨이블릿 변환을 거쳐서 나온 값 중에 첨단의 값이 가장 큰 다섯 개 첨단을 구해서 첨단들의 평균을 구한다. MPA detection method is to use a wavelet transform of the pre-treatment process according to step S400, the value of the state-of-the-art, obtain the best state-of-the-art five large value during the ECG signal from the wavelet transform is obtained through the mean of the peak. 이 평균값이 소정의 값보다 작으면 asystole 신호로 인식되며 크면 다음 단계 S600을 계속해서 수행하게 된다. The average value is less than a predetermined value are recognized as asystole signal is large, continues the next step S600. 이때, MPA 검출 방법은 도 4에 도시된 스케일 레벨3 주파수 대역을 d3 기반으로 수행할 수 있고, 소정의 값은 0.2로 할 수 있다. At this time, MPA detection method can perform a three-level scale frequency band shown in Figure 4 as d3 based on a predetermined value may be 0.2.

단계 S600에서는, 상기 단계 S400에서 전처리 된 신호로부터 특징을 추출할 수 있다. In step S600, it is possible to extract a feature from the signal pre-processing in step S400. 이때, 단계 S600에서는 도 4에 도시된 d3 과 d4를 기반으로 소정 개수의 특징을 추출할 수 있다. At this time, in step S600 it is possible to extract the characteristics of a predetermined number in a based on d3 and d4 shown in FIG. 특징 추출 방법에는 다양한 방법이 있을 수 있는데, 시간 지연 방법(Time-Delay Methods), 첨단개수 추출 방법, 첨단 앞뒤의 특정 계수 추출 방법, 및 특정구역의 계수들의 표준편차 특징 추출 방법 중 적어도 어느 하나를 이용하여 특징을 추출할 수 있다. There feature extraction method, there can be a variety of methods, the time delay method (Time-Delay Methods), high number of extraction, extracts a specific coefficient of the high-back and forth manner, and at least one of a standard deviation feature extraction method of the coefficients of the specific region It can be used to extract the characteristics. 이하에서는, 위에 언급한 네 가지 특징 추출 방법에 대해 상세히 설명하기로 한다. Hereinafter, it will be described in detail for the four characteristics extraction method mentioned above.

첫째, 시간 지연 방법에 의한 d값을 특징으로 추출할 수 있다. First, it is possible to extract characterized by the d value by a time delay method. 시간 지연 방법(Time-Delay Methods 또는 Phase Space Reconstruction, PSR)는 Phase Space를 기반으로 동적인 파형이나 무작위적인 신호를 분석하기 위한 기법이다. Time delay method (Time-Delay or Phase Space Reconstruction Methods, PSR) is a technique for analyzing the dynamic wave or random signal based on the Phase Space. ECG신호를 x(y+τ)라고 할 때 Phase Space의 x축에는x(t)를 사상시키고 y축에는 x(t+τ)를 사상시켜 2차원 다이어그램을 생성한다. In the spirit of x (t) x-axis in Phase Space to say the ECG signal x (y + τ) and y axis, by mapping the x (t + τ) to produce a two-dimensional diagram. τ는 시간 상수로서 0.5초이다. τ is a time constant of 0.5 seconds as.

도 5는 본 발명의 일실시예에 따른 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법의 단계 S600에서 특징 추출을 위한 시간 지연 방법의 적용을 나타낸 도면이다. 5 is a view showing the application of time-delay method for feature extraction at step S600 in the shock signal detection method of the defibrillator by the weighted fuzzy membership functions based on a neural network according to one embodiment of the present invention. 도 5에 도시된 바와 같이, 정상파형을 시간 지연 방법에 적용하였을 때 다이어그램은 규칙적인 형태를 보이며 적은 공간을 차지하나 심실세동의 경우 다이어그램은 불규칙한 형태를 보이며 많은 공간을 차지하게 된다. 5, the diagram when applying the normal waveform in the time delay method of the diagram, if a ventricular fibrillation take up less space showed the regular shape is an irregular shape that looks up a lot of space. 특히, 구성된 Phase Space를 기반으로 다음 수학식 1에 의해 특징 d값을 구할 수 있다. In particular, utilizing a Phase Space can be obtained a characteristic d values ​​by the following equation (1).

Figure 112011011599292-pat00001

둘째, 첨단들의 개수를 특징으로 추출할 수 있다. Second, it is possible to extract features a number of state-of-the-art. 첨단개수 추출 방법은 단계 S400에서 웨이블릿 변환된 심전도 신호를 받아서 그 중에서 첨단들을 추출할 수 있다. High number of extraction method receives the converted wavelet ECG signal in step S400 can be extracted from the state-of-the-art. 도 6은 본 발명의 일실시예에 따른 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법의 단계 S600에서 특징 추출을 위한 첨단들의 개수 추출을 나타낸 도면이다. 6 is a view showing a high number of extraction for feature extraction at step S600 in the shock signal detection method of the defibrillator by the weighted fuzzy membership functions based on a neural network according to one embodiment of the present invention. 도 6에 도시된 바와 같이, 비-쇼크(Non-shockable) 신호(a)의 첨단들의 개수와 쇼크(Shockable) 신호(b)의 첨단들의 개수가 확연히 다르게 된다. 6, the non-state-of-the-art that the number of the shock (Non-shockable) signal (a) and the high number of shocks (Shockable) signal (b) is of a distinctly different.

셋째, 첨단 앞뒤의 특정 계수를 특징으로 추출할 수 있다. Third, it is possible to extract characterized by a specific coefficient of the high-back and forth. 첨단 앞뒤의 특정 계수 추출(Characteristic Features Extraction, CFE) 방법은 단계 S400의 웨이블릿 변환을 기반으로 최대첨단계수의 주변계수 값을 검출해내는 기법이다. Extracting a specific coefficient of the high-back and forth (Characteristic Features Extraction, CFE) method is a technique that detects the ambient coefficient value of the maximum high coefficient based on the wavelet transform of the step S400. ECG 신호가 웨이블릿 변환을 거쳐서 나온 값 중에 첨단의 값이 가장 큰 각 첨단에서 바로 앞 4개의 계수의 값을 before(b1, b2, b3, b4), 바로 뒤 4개의 계수 값을 after(a1, a2, a3, a4)라 하면, 첨단 값이 가장 큰 세 개의 before와 after를 구해서 각각(a1은 a1끼리 세 개의 값)의 평균을 구할 수 있다. ECG signal is the right value for the previous four coefficients in the value of the state-of-the-art the greatest each advanced in the value resulted through the wavelet transform before (b1, b2, b3, b4), immediately following the four coefficients after (a1, a2 When La a3, a4), obtain a high value of the three large before and after can be determined an average of each of (a1 has three values ​​between a1). 도 7은 본 발명의 일실시예에 따른 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법의 단계 S600에서 특징 추출을 위한 첨단 앞뒤의 특정 계수 추출을 나타낸 도면이다. 7 is a view showing an extraction coefficient of the high-specific forth for feature extraction at step S600 in the shock signal detection method of the defibrillator by the weighted fuzzy membership functions based on a neural network according to one embodiment of the present invention. 도 7에 도시된 바와 같이, Non-shockable 신호(a)의 첨단들의 개수와 Shockable 신호(b)를 입력한 값이 확연히 다르게 된다. As it is shown in Figure 7, the Non-shockable a value, enter the number and Shockable signal (b) of the peak of the signal (a) is significantly different.

넷째, 특정구역의 계수들의 표준편차를 특징으로 추출할 수 있다. Fourth, it is possible to extract characterized by a standard deviation of the coefficients of the specific region. 특정구역의 계수들의 표준편차 특징(Standard Deviations of the Specific Intervals, SDSI)추출 방법은 웨이블릿 변환을 기반으로 나온 신호에서 특정 y축 범위에서 계수의 값들의 표준편차를 검출해내는 기법이다. The standard deviation of the coefficients characteristic of the particular zone (Standard Deviations of the Specific Intervals, SDSI) extraction method is a technique that detects the standard deviation of the values ​​of the coefficients in a specific range in the y-axis based on the signal from the wavelet transform.

도 8은 본 발명의 일실시예에 따른 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법의 단계 S600에서 특징 추출을 위한 특정구역의 계수의 분포를 나타낸 도면이다. 8 is a view showing the distribution of the coefficient of specific areas for feature extraction at step S600 in the shock signal detection method of the defibrillator by the weighted fuzzy membership functions based on a neural network according to one embodiment of the present invention. 도 8에 도시된 바와 같이, 웨이블릿 변환된 Non-shockable 신호(a)와 Shockable 신호(b)가 구성하고 있는 모든 d3 계수점들을 표시한 다음 ECG 신호가 웨이블릿 변환으로 거쳐서 나온 값을 기준으로 Y축 값의 범위(±0.05, ±0.1, ±0.2, ±0.3)안에 포함된 계수의 값들을 추출하면, Non-shockable인 경우와 Shockable인 경우 분포에 큰 차이를 보이게 된다. 8, the wavelet display the converted Non-shockable signal (a) and all d3 coefficient point that Shockable signal (b) is configured, and then the Y-axis based on the value of the ECG signal out through the wavelet transform. the range of values ​​(± 0.05, ± 0.1, ± 0.2, ± 0.3) when extracting the values ​​of the coefficients contained within, and look for a difference in the distribution when the shockable and if the Non-shockable. 따라서 표준 편차는 Non-shockable인 경우와 Shockable인 경우 분포 특징의 차이를 분명하게 보여줄 수 있다. Therefore, the standard deviation can clearly show the difference between distribution characteristics when the Shockable the case of Non-shockable.

단계 S700에서는, 상기 추출된 특징을 가중 퍼지 소속 함수 기반 신경망의 입력 특징으로 하여 쇼크 신호와 비-쇼크 신호를 검출할 수 있다. In step S700, the shock signal by the non-input characteristic of the weighted extracted features fuzzy membership functions based on a neural network can detect a shock signal. 가중 퍼지 소속 함수 기반 신경망(Neural Network with Weighted Fuzzy Membership Function, NEWFM)은, 입력으로부터 학습된 가중 퍼지 소속 함수의 경계 합을 이용하여 클래스를 분류하는 지도학습 퍼지 신경망이다. Weighted fuzzy membership functions based on neural networks (Neural Network with Weighted Fuzzy Membership Function, NEWFM) is a supervised learning fuzzy neural network to classify the class using the boundary sum of the weighted fuzzy membership functions from the input learning.

도 9는 본 발명의 일실시예에 따른 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법에서 사용되는 가중 퍼지 소속 함수 기반 신경망의 구조를 도시한 도면이다. 9 is a diagram showing a structure of the weighted fuzzy membership functions based on a neural network used in the detection methods of defibrillator shock signal with the weighted fuzzy membership functions based on a neural network according to one embodiment of the present invention. 도 9에 도시된 바와 같이, NEWFM의 구조는 입력, 하이퍼박스, 클래스의 3개 계층으로 구성되어 있다. 9, the structure of NEWFM is configured as an input, three layers of hyper-boxes, class. 입력 계층은 n개의 입력 노드들로 구성되며, 각 입력 노드는 하나의 특징 입력을 입력받게 된다. Input layer is composed of n number of input nodes, each input node is subjected to input a feature type. 하이퍼박스 계층은 m개의 하이퍼박스 노드로 구성되고, l번째 하이퍼박스 노드 B l 은 단 하나의 클래스 노드에 연결되며 n개의 퍼지집합을 갖는다. Hyperbox layer is composed of m hyper box node, l-th hyperbox node B l is connected to a single class node has an n number of fuzzy sets.

단계 S700에서는, 비 중복 면적 측정법을 이용하여 상기 추출된 특징 중 소정 개수의 특징을 선택하여 상기 가중 퍼지 소속 함수 기반 신경망의 입력 특징으로 할 수 있는데, 신경망에서 입력되는 특징은 단계 S600에서 추출된 특징 중 소정 개수일 수 있으며, 좋은 특징을 입력하는 것이 신경망의 인식률을 증가시키는 주요한 요인이 된다. In step S700, the non-using the redundant area measurement method selecting the characteristics of the predetermined number of the extracted features and may be the input characteristics of the weighted fuzzy membership functions based on a neural network, it characterized in that the input in the neural network are features extracted in step S600 this is of major factors that increase the recognition rate of a neural network that may be a predetermined number, a good input characteristics.

특징 선택은 단계 S600에서 추출된 특징 중에서 가장 좋은 특징을 선택하는 과정이다. Feature Selection is the process of selecting the best features from the features extracted in step S600. 특징은 신경망 성능에 저해되는 경우가 있으며 저해되지 않더라도 특징의 수를 줄이는 것이 성능을 개선시킬 수 있을 뿐만 아니라 신경망의 복잡도를 낮추게 된다. Feature is only possible to reduce the number of characteristics even if it is not inhibited, and the inhibition when the neural network capabilities to improve performance, but lowers the complexity of the neural network. 본 발명에서는 비 중복 면적 분산 측정법을 사용하여 특징을 선택함으로써, 인식률을 향상시킬 수 있으며 이는 신경망 성능개선을 기할 수 있게 한다. In the present invention, by selecting the feature using the non-overlapping area distribution measuring method, it is possible to improve the recognition rate, which makes it possible to talk to a neural network performance improvement.

도 10은 본 발명의 일실시예에 따른 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법에서 사용되는 비 중복 면적 분산 측정법을 예를 들어 도시한 도면이다. 10 is a diagram showing, for the non-overlapping area distribution measuring method used in the detection methods of defibrillator shock signal with the weighted fuzzy membership functions based on a neural network in accordance with one embodiment of the present invention. 도 10에 도시된 바와 같이, 비 중복 면적 분산 측정법은 가중 퍼지 소속 함수(Weighted Fuzzy Membership Function, WFM)의 경계 합(bounded sum of WFM, BSWFM)을 사용하며, 클래스 1과 클래스 2를 분류하는 경우 두 클래스가 중복되지 않는 넓이가 더 넓고 그 분포가 고를 때 좋은 특징이 된다. As shown in Fig. 10 case, the non-overlapping area distribution measuring method is weighted and using the boundary sum (bounded sum of WFM, BSWFM) of fuzzy membership functions (Weighted Fuzzy Membership Function, WFM), for classifying the class 1 and class 2 the width of the two classes do not overlap is a nice feature when the distribution is wider choices.

본 발명의 일실시예에 따른 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법의 성능을 평가하기 위해 CUDB, MIT-BIHDB, MIT-BIH-MVADB를 사용하여, 전체 데이터 중 Shockable 신호 1442개, Non-shockable 신호 15811개를 8초 단위의 심전계 신호로 샘플링하여 실험하였다. In order to evaluate the weighted fuzzy membership functions based on the performance of the shock signal detection method of the defibrillator using neural network according to one embodiment of the present invention CUDB, MIT-BIHDB, using the MIT-BIH-MVADB, the total data Shockable signal 1442 one, was tested by sampling the one Non-shockable ECG signal 15 811 a signal of 8 seconds.

도 11은 본 발명의 일실시예에 따른 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법에서 특징 입력의 개수에 따른 검출 성능의 평균값의 변화를 도시한 도면이다. 11 is a view showing the change of the average value of the detection performance according to the number of features in the input signal detecting method of the shock defibrillation using a weighted fuzzy membership functions based on a neural network according to one embodiment of the present invention. 도 11에 도시된 바와 같이, 6개의 특징 입력을 사용할 때가 평균값이 가장 높게 측정되었다. As shown in Figure 11, the average time for the six input characteristics were measured highest. 따라서 단계 S700에서는, 비 중복 면적 측정법을 이용하여 상기 추출된 특징 중 6개의 특징을 선택하여 상기 중 퍼지 소속 함수 기반 신경망의 입력 특징으로 할 수 있다. Therefore, in the step S700, it is possible to input the characteristics of the non-overlapping areas by using a measurement method, select the six characteristics of the extracted features to the above fuzzy membership functions based on a neural network.

기존 연구에 의한 방법(Irena Jekova, “Shock advisory tool: Detection of life-threatening cardiac arrhythmias and shock success prediction by means of a common parameter set”, Biomedical Signal Processing and Control Volume 2, Issue 1, Pages 25-33, January 2007)과 본 발명의 일실시예에 따른 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법을 이용하여, 쇼크 신호 검출 방법의 성능을 평가하여 다음 표 1에 나타내었다. Method according to previous studies (Irena Jekova, "Shock advisory tool: Detection of life-threatening cardiac arrhythmias and shock success prediction by means of a common parameter set", Biomedical Signal Processing and Control Volume 2, Issue 1, Pages 25-33, January 2007), and using a shock signal detection method of the defibrillator by the weighted fuzzy membership functions based on a neural network according to one embodiment of the present invention, to evaluate the performance of a shock signal detection method shown in Table 1. 표 1에서 확인할 수 있는 바와 같이, 검출시간은 기존연구의 샘플링 시간이 10초이고 본 발명의 샘플링 시간이 8초로 2초 정도 빠르게 검출이 되었고, 기존 연구의 민감도는 91.4%, 특이도는 93.4%이었고, 본 발명의 민감도는 91%, 특이도는 97.1%, 평균인식률은 95%로 기존 연구에 비해 높은 성능을 보였다. As can be seen from Table 1, the detection time is 10 seconds sampling time of the previous studies, and became the sampling time of the present invention to 8 seconds 2 seconds to fast detection, the sensitivity of existing research are 91.4% and a specificity of 93.4% was, the sensitivity of the invention is 91%, the specificity was 97.1%, the average recognition rate showed higher performance than previous studies to be 95%.

Figure 112011011599292-pat00002

이상 설명한 본 발명은 본 발명이 속한 기술분야에서 통상의 지식을 가진 자에 의하여 다양한 변형이나 응용이 가능하며, 본 발명에 따른 기술적 사상의 범위는 아래의 특허청구범위에 의하여 정해져야 할 것이다. The above described invention is capable of various modifications or applications by those of ordinary skill in the art, and the scope of the technical idea of ​​the present invention as defined by the claims.

S100: 심전계 신호를 수집하는 단계 S100: step of collecting ECG signals
S200: 심전계 신호로부터 비트를 검출하는 단계 S200: detecting a bit from the ECG signal
S300: 맥박수가 소정의 값 이상이면 쇼크 신호를 검출하는 단계 S300: If the pulse rate is above the predetermined value, detecting a shock signal
S400: 웨이블릿 변환을 통해 비트 신호를 전처리 하는 단계 S400: pre-processing step of the beat signal by the wavelet transform
S500: 최대 피크 평균값을 통해 심장 무수축 신호를 검출하는 단계 S500: detecting the heart non-contraction signals through the up peak mean value
S600: 비중복 면적 측정법을 이용하여 전처리 된 비트 신호로부터 특징을 추출하는 단계 S600: extracting a feature from the signal pre-processing the bits using a non-overlapping area measurement
S700: 추출된 특징을 가중 퍼지 소속 함수 기반 신경망의 입력 특징으로 하여 쇼크 신호와 비-쇼크 신호를 검출하는 단계 S700: the shock signal by the ratio to the input characteristics of the weighted fuzzy membership functions based on a neural network for the extracted feature comprising the steps of detecting a shock signal

Claims (6)

  1. 급심 정지 소생을 위한 제세동기의 쇼크 신호 검출 방법으로서, A shock signal detection method of the defibrillator for geupsim stop resuscitation,
    (1) 심전계 신호로부터 비트를 검출하는 단계; (1) detecting a bit from the ECG signal;
    (2) 상기 비트로부터 쇼크 신호를 검출하는 단계; (2) detecting a shock signal from the bit;
    (3) 신호 필터링을 통해 상기 비트 신호를 전처리하는 단계; 3, the method comprising preconditioning the bit signal through the signal filter;
    (4) 상기 단계 (3)에서 전처리된 신호로부터 특징을 추출하는 단계; (4) extracting a feature from the signal pre-processing in the above step (3); And
    (5) 상기 추출된 특징을 가중 퍼지 소속 함수 기반 신경망의 입력 특징으로 하여 쇼크 신호와 비-쇼크 신호를 검출하는 단계를 포함하는 것을 특징으로 하는, 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법. (5) a shock signal with the ratio to the input characteristics of the weighted extracted features fuzzy membership functions based on a neural network-shock defibrillation using, weighted fuzzy membership functions based on a neural network comprising the steps of detecting a shock signal signal detection method.
  2. 제1항에 있어서, 상기 단계 (3)에서, The method of claim 1, wherein in the step (3),
    상기 신호 필터링은 웨이블릿 변환에 의한 것을 특징으로 하는, 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법. The signal filtering, signal detection method of the defibrillation shock with a weighting fuzzy membership functions based on a neural network, characterized in that by the wavelet transform.
  3. 1항에 있어서, 상기 단계 (4)는, According to one of the preceding claims, wherein step (4),
    상기 단계 (3)에서 전처리된 신호로부터 최대 피크 평균값을 통해 심장 무수축 신호를 검출하는 단계를 더 포함하며, Further comprising the step of detecting heart signals through the non-contraction up to a peak average value from the signal pre-processing in the above step (3),
    심장 무수축 신호가 아닌 경우에 상기 특징을 추출하는 것을 특징으로 하는, 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법. For non-cardiac non-contraction signal, characterized in that for extracting the feature, weighted fuzzy membership shock detection signal of the defibrillator based method using a neural network function.
  4. 제1항에 있어서, 상기 단계 (4)에서는, The method according to claim 1, wherein step (4),
    시간 지연 방법, 첨단개수 추출 방법, 첨단 앞뒤의 특정 계수 추출 방법, 및 특정구역의 계수들의 표준편차 특징 추출 방법 중 적어도 어느 하나를 이용하여 특징을 추출하는 것을 특징으로 하는, 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법. Time delay method, the high number of extraction, extracts a specific coefficient of the high-back and forth manner, and by using at least one of a standard deviation feature extraction method of the coefficients of the specific region, characterized in that for extracting the feature, weighted fuzzy membership functions based on a neural network detection methods of defibrillator shock signal with.
  5. 제1항에 있어서, 상기 단계 (5)에서는, The method according to claim 1, wherein said step (5),
    비 중복 면적 측정법을 이용하여 상기 추출된 특징 중 소정 개수의 특징을 선택하여 상기 가중 퍼지 소속 함수 기반 신경망의 입력 특징으로 하는 것을 특징으로 하는, 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법. Nonredundant using area measurement method selecting the characteristics of the predetermined number of the extracted features to the weighted fuzzy membership function, it characterized in that the input feature-based neural network, weighted fuzzy membership functions based on a neural network detects the shock signal from the defibrillator with Way.
  6. 제5항에 있어서, 6. The method of claim 5,
    상기 소정 개수의 특징은 6개인 것을 특징으로 하는, 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법. The characteristics of a predetermined number of 6 detection signal of the shock defibrillation method using, weighted fuzzy membership functions based on a neural network, characterized in that individual.
KR20110014305A 2011-02-17 2011-02-17 A shockable signal detection method of automated external defibrillator using neural network with weighted fuzzy membership function KR101251081B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR20110014305A KR101251081B1 (en) 2011-02-17 2011-02-17 A shockable signal detection method of automated external defibrillator using neural network with weighted fuzzy membership function

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR20110014305A KR101251081B1 (en) 2011-02-17 2011-02-17 A shockable signal detection method of automated external defibrillator using neural network with weighted fuzzy membership function

Publications (2)

Publication Number Publication Date
KR20120094811A true KR20120094811A (en) 2012-08-27
KR101251081B1 true KR101251081B1 (en) 2013-04-05

Family

ID=46885593

Family Applications (1)

Application Number Title Priority Date Filing Date
KR20110014305A KR101251081B1 (en) 2011-02-17 2011-02-17 A shockable signal detection method of automated external defibrillator using neural network with weighted fuzzy membership function

Country Status (1)

Country Link
KR (1) KR101251081B1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101751815B1 (en) * 2015-12-18 2017-06-28 가천대학교 산학협력단 Method for detecting shockable signal of automated defibrillator
US9757580B2 (en) 2015-05-08 2017-09-12 Samsung Electronics Co., Ltd. Controller, and patch type automated external defibrillator for controlling defibrillation using the same

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100439192B1 (en) 2001-12-04 2004-07-07 주식회사 씨유메디칼시스템 Defibrillate method and appratus of using organism signal
KR100439193B1 (en) 2001-12-04 2004-07-07 주식회사 씨유메디칼시스템 Automatic defibrillator and method of defibrillate
JP2005528939A (en) 2002-04-08 2005-09-29 メドトロニック・インコーポレーテッド Method and apparatus for providing an arrhythmia determination
KR100883185B1 (en) 2007-06-29 2009-02-13 임준식 System and Method for Detecting Abnormality of Biosignal using Neural Network with Weighted Fuzzy Membership Funtions

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100439192B1 (en) 2001-12-04 2004-07-07 주식회사 씨유메디칼시스템 Defibrillate method and appratus of using organism signal
KR100439193B1 (en) 2001-12-04 2004-07-07 주식회사 씨유메디칼시스템 Automatic defibrillator and method of defibrillate
JP2005528939A (en) 2002-04-08 2005-09-29 メドトロニック・インコーポレーテッド Method and apparatus for providing an arrhythmia determination
KR100883185B1 (en) 2007-06-29 2009-02-13 임준식 System and Method for Detecting Abnormality of Biosignal using Neural Network with Weighted Fuzzy Membership Funtions

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9757580B2 (en) 2015-05-08 2017-09-12 Samsung Electronics Co., Ltd. Controller, and patch type automated external defibrillator for controlling defibrillation using the same
KR101751815B1 (en) * 2015-12-18 2017-06-28 가천대학교 산학협력단 Method for detecting shockable signal of automated defibrillator

Also Published As

Publication number Publication date Type
KR20120094811A (en) 2012-08-27 application

Similar Documents

Publication Publication Date Title
Krishnan et al. Two-stage approach for detection and reduction of motion artifacts in photoplethysmographic data
Kohler et al. The principles of software QRS detection
US5542430A (en) Apparatus and method for discriminating between cardiac rhythms on the basis of their morphology using a neural network
US20080097537A1 (en) Method And System For Cardiac Signal Decomposition
Legarreta et al. Continuous wavelet transform modulus maxima analysis of the electrocardiogram: beat characterisation and beat-to-beat measurement
US20030060724A1 (en) Method and apparatus for monitoring cardiac patients for T-wave alternans
US20120232417A1 (en) Signal Analysis System for Heart Condition Determination
Chouhan et al. Detection of QRS complexes in 12-lead ECG using adaptive quantized threshold
US6490478B1 (en) System and method for complexity analysis-based cardiac tachyarrhythmia detection
Amann et al. Reliability of old and new ventricular fibrillation detection algorithms for automated external defibrillators
Alcaraz et al. Adaptive singular value cancelation of ventricular activity in single-lead atrial fibrillation electrocardiograms
Chen A two-stage discrimination of cardiac arrhythmias using a total least squares-based Prony modeling algorithm
US20140005988A1 (en) Physiological signal denoising
Güler et al. Application of adaptive neuro-fuzzy inference system for detection of electrocardiographic changes in patients with partial epilepsy using feature extraction
Castro et al. ECG feature extraction using optimal mother wavelet
Rai et al. ECG signal processing for abnormalities detection using multi-resolution wavelet transform and Artificial Neural Network classifier
Kara et al. Atrial fibrillation classification with artificial neural networks
Lin Frequency-domain features for ECG beat discrimination using grey relational analysis-based classifier
Anuradha et al. CARDIAC ARRHYTHMIA CLASSIFICATION USING FUZZY CLASSIFIERS.
Jekova Comparison of five algorithms for the detection of ventricular fibrillation from the surface ECG
Acharya et al. Automated detection of arrhythmias using different intervals of tachycardia ECG segments with convolutional neural network
Anuradha et al. ANN for classification of cardiac arrhythmias
Elhaj et al. Arrhythmia recognition and classification using combined linear and nonlinear features of ECG signals
US20100137727A1 (en) Extraction of fetal cardiac signals
Tsipouras et al. Arrhythmia classification using the RR-interval duration signal

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20160302

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20180420

Year of fee payment: 6