KR101273652B1 - A method to detect myocardial ischemia using comparison analysis of heart rate variability time and frequency domain features - Google Patents
A method to detect myocardial ischemia using comparison analysis of heart rate variability time and frequency domain features Download PDFInfo
- Publication number
- KR101273652B1 KR101273652B1 KR1020110072806A KR20110072806A KR101273652B1 KR 101273652 B1 KR101273652 B1 KR 101273652B1 KR 1020110072806 A KR1020110072806 A KR 1020110072806A KR 20110072806 A KR20110072806 A KR 20110072806A KR 101273652 B1 KR101273652 B1 KR 101273652B1
- Authority
- KR
- South Korea
- Prior art keywords
- myocardial ischemia
- frequency domain
- heart rate
- time
- data set
- Prior art date
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02405—Determining heart rate variability
Abstract
본 발명은 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에 관한 것으로서, 보다 구체적으로는 (1) 신경망 학습을 위한 데이터 세트를 이용하여 가중 퍼지 소속 함수 기반 신경망을 학습시키는 단계; (2) 상기 단계(1)에서 학습된 가중 퍼지 소속 함수 기반 신경망을 토대로 시간 영역의 분류 모델 및 주파수 영역의 분류 모델을 구축하는 단계; 및 (3) 심근 허혈 여부를 검출해야 하는 환자 데이터 세트를, 상기 단계 (2)에서 구축된 시간 영역의 분류 모델 및 주파수 영역의 분류 모델에 적용하여 상기 환자 데이터의 심근 허혈 여부를 검출하는 단계를 포함하는 것을 그 구성상의 특징으로 한다.
본 발명에서 제안하고 있는 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에 따르면, 심근 허혈 감지방법의 데이터 구축에 필요한 데이터량을 줄이고, 심근 허혈 감지에 소요되는 시간 또한 줄여, 총 18개의 시간 및 주파수 영역의 특징들만으로 약 30초안에 심근 허혈을 더욱 효과적으로 감지할 수 있다.
또한, 본 발명에 따르면, 평균 정확도가 다른, 시간 영역의 특징을 이용하여 감지하는 방법과 주파수 영역의 특징을 이용하여 감지하는 방법을 동시에 이용 및 비교 분석함으로써, 각각 방법들의 평균 정확도를 상호 보완하여, 심근 허혈 감지의 전체적인 정확도를 높일 수 있다.The present invention relates to a method for detecting myocardial ischemia using feature comparison analysis in the time and frequency domain of heart rate variability, and more specifically, (1) a weighted fuzzy membership function based neural network using a data set for neural network learning. Learning; (2) constructing a classification model in the time domain and a classification model in the frequency domain based on the weighted fuzzy membership function based neural network learned in step (1); And (3) applying the patient data set for detecting myocardial ischemia to the classification model of the time domain and the classification model of the frequency domain established in step (2) to detect whether the patient data is myocardial ischemia. It is characterized by the configuration thereof.
According to the method for detecting myocardial ischemia using the time comparison of the heart rate variability and the feature comparison in the frequency domain, the amount of data required for data construction of the myocardial ischemia detection method is reduced, and the time required for detecting myocardial ischemia. In addition, the features of the total 18 time and frequency domains alone allow for more effective detection of myocardial ischemia in about 30 seconds.
In addition, according to the present invention, by simultaneously using and comparing the detection method using a feature of the time domain and the detection method using a feature of the frequency domain, the average accuracy is different, complementing the average accuracy of each method This can increase the overall accuracy of myocardial ischemia detection.
Description
본 발명은 심근 허혈을 검출하는 방법에 관한 것으로서, 보다 구체적으로는 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용하여 심근 허혈을 검출하는 방법에 관한 것이다.The present invention relates to a method for detecting myocardial ischemia, and more particularly, to a method for detecting myocardial ischemia using feature comparison analysis in time and frequency domain of heart rate variability.
심박변이도(Heart rate variability)의 분석은 건강상태를 알아보는데 유용하게 쓰인다. 다양한 환경에서 초래되는 심박 수의 변동은 적응반응의 객관적인 지표로 충분히 인정된다. 예를 들어, 심박 수가 줄어드는 현상은 심혈관과 관련된 사망률이 증가함을 예측할 수 있는 하나의 변수이다. 이러한 심박변이도의 분석에는 장기 분석과 단기 분석이 있다. 보통 분석 데이터가 10분 미만일 경우에는 단기 심박변이도 분석으로 다뤄지게 된다.
Analysis of heart rate variability is useful for determining health status. Fluctuations in heart rate resulting from various circumstances are well recognized as objective indicators of adaptive responses. For example, a decrease in heart rate is a variable that can predict an increase in cardiovascular mortality. The analysis of heart rate variability includes long-term and short-term analysis. In general, if the analysis data is less than 10 minutes, short-term heart rate variability will be treated as an analysis.
심박변이도의 분석에는 보통 두 가지 방법이 있다. 하나는 시간 영역의 특징을 이용하는 방법이고, 나머지 하나는 주파수 영역의 특징을 이용하는 방법이다. 시간 영역의 특징을 이용하는 방법에서는, 시간 영역의 특징을 추출하는 방법이 연속적인 심박동수 간격(두 개의 R파들 사이의 지속 시간) 값들의 시리즈에 직접적으로 적용될 수 있다. 이 방법에서 가장 명확한 측정값은 평균 심박동수라고도 불리는 심박동수 간격들의 평균값이다. 또한, 시간 영역의 분석에서 연속적인 심박동수 간격들의 표준편차(SDNN)는 교감 신경 활동을 나타낼 수 있으며, 연속적인 심박동수 간격들의 차이의 제곱평균(RMSSD)은 부교감 신경 활동을 나타낼 수 있다. 교감 신경 활동과 부교감 신경 활동은 소화, 심혈관, 면역, 및 호르몬 관계들과 작용할 수 있다. 이 밖에도, 심박동수 간격들의 시리즈들 안에 존재하는 가변성을 측정하는 다양한 변수들이 존재한다.
There are usually two ways to analyze heart rate variability. One is to use the features of the time domain and the other is to use the features of the frequency domain. In the method using the feature of the time domain, the method of extracting the feature of the time domain can be applied directly to a series of successive heart rate intervals (duration between two R waves). The most obvious measure in this method is the average of heart rate intervals, also called average heart rate. In addition, in the time domain analysis, the standard deviation of consecutive heart rate intervals (SDNN) may represent sympathetic nerve activity, and the square mean of the difference between successive heart rate intervals (RMSSD) may represent parasympathetic nerve activity. Sympathetic and parasympathetic activity can work with digestive, cardiovascular, immune, and hormonal relationships. In addition, there are various variables that measure the variability that exists within the series of heart rate intervals.
심박변이도의 주파수 영역의 분석은 다양한 생물학적 관계들의 주기성에 바탕을 두고 있다. 생물학적 신호는 정해진 기간 동안 반복하며, 이 반복은 하나의 주파수를 띄게 된다. 서로 다른 주파수의 특징들을 가진 신호들이 존재하면 웨이블릿 변환(Wavelet transform)을 이용하여 식별할 수 있다. 반면, 푸리에 변환(Fourier transform)은 비유동적인 신호들에 적용될 수 있다. 하지만, 심박변이도와 같이 다른 많은 신호들은 유동적이면서 일시적인 특징들이 있을 수 있다. 그러므로 이런 신호들에 푸리에 변환을 직접적으로 적용하는 것은 바람직하지 못하다. 심박변이도의 주파수 영역의 분석은 단기 심박변이도의 분석에서 유용하게 쓰일 수 있다.
Analysis of the frequency domain of heart rate variability is based on the periodicity of various biological relationships. The biological signal repeats for a set period of time, which repeats one frequency. If signals with different frequency characteristics exist, they may be identified using a wavelet transform. On the other hand, the Fourier transform can be applied to non-flowing signals. However, many other signals, such as heart rate variability, can have both fluid and transient characteristics. Therefore, it is not desirable to apply the Fourier transform directly to these signals. The frequency domain analysis of heart rate variability can be useful in the analysis of short term heart rate variability.
심근 허혈(Myocardial ischemia)은 심기능의 주요 합병증이며, 심근경색과 심부정맥의 발병 주요 원인으로도 여겨지고 있다. 세포 단계에서 심근 허혈의 주요 특징은 심전도(Electrocardiogram)에서 ST 분절의 하락 또는 상승으로 나타날 수 있다. 종래의 기술들은 심근 허혈을 감지하는 방법에 있어서, 심근 허혈 에피소드(Episode)들을 감지하는 방법과 심박수 하나하나를 토대로 감지하는 방법에 바탕을 두고 있다. 현재의 심근 허혈 감지 연구에서는, 24시간 동안 지속되는 심박변이도의 분석이 심근 허혈 감지에 널리 적용되고 있으며, 이 방법은 높은 감지율을 보이고 있다. 하지만 연구자들은 기존의 심근 허혈 자동 감지와 분류 방법의 문제점들에 대해서 지적한 바가 있다. 지적된 문제점들 중 하나는, 기존의 심근 허혈 감지방법에 사용되는 데이터를 구축하려면 상당한 데이터량이 필요로 하게 된다는 것이다. 또한, 기존의 연구들은 5분 이상이 소요되는 심박변이도의 신호를 이용하여 심근 허혈을 검출한다. 하지만 더욱 효과적인 감지방법을 위해서는, 데이터를 구축하는데 필요한 데이터량을 줄이고, 소요시간 또한 줄이는 것이 중요하다.
Myocardial ischemia is a major complication of cardiac function and is considered to be a major cause of myocardial infarction and deep vein. The main feature of myocardial ischemia at the cellular level can be manifested by the drop or rise of the ST segment in the Electrocardiogram. Conventional techniques are based on a method of detecting myocardial ischemia, a method of detecting myocardial ischemia episodes (Episode) and a method based on one heart rate. In the current myocardial ischemia detection study, the analysis of heart rate variability lasting for 24 hours is widely applied to the detection of myocardial ischemia, which has a high detection rate. However, the researchers pointed out the problems of the existing methods for automatic detection and classification of myocardial ischemia. One of the problems pointed out is that a considerable amount of data is required to build the data used in the conventional myocardial ischemia detection method. Previous studies also detect myocardial ischemia using signals from heart variability that take more than five minutes. However, for more effective detection methods, it is important to reduce the amount of data needed to build the data and also the time required.
뿐만 아니라, 기존의 심근 허혈 감지방법은 시간 영역의 특징을 이용하여 감지하는 방법 또는 주파수 영역의 특징을 이용하여 감지하는 방법 중 보통 한 가지 방법만을 이용한다. 하지만 이 두 방법은 평균 정확도에서 차이를 보인다. 본 발명의 실험결과에 따르면, 주파수 영역의 특징을 이용하여 감지하는 방법은 80.93%의 평균 정확도를 보여주는 반면, 시간 영역의 특징을 이용하여 감지하는 방법은 75.29%의 평균 정확도를 보여준다. 두 방법 모두 완벽한 정확도는 지니고 있지 않다. 또한, 주파수 영역의 특징을 이용하여 감지하는 방법의 평균 정확도가 비교적 높다 하여 시간 영역의 특징을 이용하여 감지하는 방법보다 무조건 뛰어나다고 단정 지을 수는 없다. 더욱 효과적인 감지방법을 위해서는, 가장 널리 쓰이는 이 두 방법의 부족한 정확도를 상호 보완할 수 있는 방법이 필요하다.In addition, the conventional myocardial ischemia detection method uses only one method of detecting using a feature of the time domain or a method using a feature of the frequency domain. However, these two methods differ in average accuracy. According to the experimental results of the present invention, the detection method using the features of the frequency domain shows an average accuracy of 80.93%, while the detection method using the features of the time domain shows an average accuracy of 75.29%. Both methods do not have perfect accuracy. In addition, the average accuracy of the sensing method using the characteristics of the frequency domain is relatively high, so it cannot be concluded that it is superior to the sensing method using the characteristics of the time domain. For more effective detection methods, we need a way to complement the lack of accuracy of the two most widely used methods.
본 발명은 기존에 제안된 방법들의 상기와 같은 문제점들을 해결하기 위해 제안된 것으로서, 심근 허혈 감지방법의 데이터 구축에 필요한 데이터량을 줄이고, 심근 허혈 감지에 소요되는 시간 또한 줄임으로써, 심근 허혈을 더욱 효과적으로 감지할 수 있는, 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용하여 심근 허혈을 검출하는 방법을 제공하는 것을 그 목적으로 한다.
The present invention has been proposed to solve the above problems of the conventionally proposed methods, by reducing the amount of data required for data construction of myocardial ischemia detection method, and also reduces the time required to detect myocardial ischemia, further myocardial ischemia An object of the present invention is to provide a method for detecting myocardial ischemia using feature comparison analysis in time and frequency domain of heart rate variability that can be effectively detected.
또한, 본 발명은, 평균 정확도가 다른, 시간 영역의 특징을 이용하여 감지하는 방법과 주파수 영역의 특징을 이용하여 감지하는 방법을 동시에 이용 및 비교 분석함으로써, 각각의 방법들의 평균 정확도를 상호 보완하여, 심근 허혈 감지의 전체적인 정확도를 높일 수 있는, 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법을 제공하는 것을 또 다른 목적으로 한다.In addition, the present invention by complementing the average accuracy of the respective methods by simultaneously using and comparing the detection method using a feature of the time domain and the detection method using a feature of the frequency domain, the average accuracy is different Another object of the present invention is to provide a method for detecting myocardial ischemia using feature comparison analysis in the time and frequency domain of heart rate variability, which can increase the overall accuracy of myocardial ischemia detection.
상기한 목적을 달성하기 위한 본 발명의 특징에 따른, 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법은,According to a feature of the present invention for achieving the above object, a method for detecting myocardial ischemia using feature comparison analysis in the time and frequency domain of heart rate variability,
(1) 신경망 학습을 위한 데이터 세트를 이용하여 가중 퍼지 소속 함수 기반 신경망을 학습시키는 단계;(1) training a weighted fuzzy membership function based neural network using a data set for neural network learning;
(2) 상기 단계 (1)에서 학습된 가중 퍼지 소속 함수 기반 신경망을 토대로 시간 영역의 분류 모델 및 주파수 영역의 분류 모델을 구축하는 단계; 및(2) constructing a classification model in the time domain and a classification model in the frequency domain based on the weighted fuzzy membership function based neural network learned in step (1); And
(3) 심근 허혈 여부를 검출해야 하는 환자 데이터 세트를, 상기 단계 (2)에서 구축된 시간 영역의 분류 모델 및 주파수 영역의 분류 모델에 적용하여 상기 환자 데이터의 심근 허혈 여부를 검출하는 단계를 포함하는 것을 그 구성상의 특징으로 한다.
(3) detecting the myocardial ischemia of the patient data by applying the patient data set for detecting myocardial ischemia to the classification model of the time domain and the classification model of the frequency domain established in step (2); It is characterized by the configuration.
바람직하게는, 상기 단계 (1)은,Preferably, the step (1)
신경망 학습을 위한 데이터 세트를 구성하는 단계;Constructing a data set for neural network learning;
상기 구성된 데이터 세트로부터 시간 영역 및 주파수 영역의 특징들을 추출하는 단계; 및Extracting features of the time domain and frequency domain from the constructed data set; And
상기 추출된 특징들을 이용하여 가중 퍼지 소속 함수 기반 신경망을 학습시키는 단계를 포함할 수 있다.
Learning the weighted fuzzy membership function based neural network by using the extracted features.
더욱 바람직하게는,More preferably,
상기 신경망 학습을 위한 데이터 세트를 구성하는 단계는,Comprising the data set for learning the neural network,
심근 허혈에 해당하는 데이터 세트를 추출할 ST 에피소드와 정상 동성 리듬에 해당하는 데이터 세트를 추출할 정상 에피소드를 각각 수집하는 단계; 및Collecting ST episodes to extract a data set corresponding to myocardial ischemia and normal episodes to extract a data set corresponding to a normal homosexual rhythm; And
상기 수집된 각각의 에피소드에 대하여, 하나의 에피소드를 각각 미리 설정된 개수의 연속적인 심박동수 간격으로 이루어진 분절들로 나누는 단계를 포함하며,For each of the collected episodes, dividing one episode into segments each consisting of a predetermined number of consecutive heart rate intervals,
상기 ST 에피소드의 수집 시, 심전도에서 ST 분절의 변위(ST 분절의 하락 또는 상승)를 갖고 있는 에피소드만 수집할 수 있다.
When collecting the ST episodes, only episodes with displacements (falling or rising ST segments) of the ST segment in the ECG may be collected.
더욱 바람직하게는,More preferably,
상기 특징들을 추출하는 단계는,Extracting the features,
시간과 주파수 영역의 분석을 통하여, 각각 미리 설정된 개수의 시간 영역의 특징들과 주파수 영역의 특징들을 추출하되,Through the analysis of the time and frequency domain, each of a predetermined number of features of the time domain and the features of the frequency domain is extracted,
시간 영역의 특징들로서, 연속적인 심박동수 간격들의 표준편차(SDNN), 연속적인 심박동수 간격들의 차이의 표준편차(SDSD), 연속적인 심박동수 간격들의 차이의 제곱평균(RMSSD), 및 5㎳, 10㎳, 50㎳, 및 100㎳ 이상 차이 나는 연속적인 심박동수 간격들의 개수들(pNN5, pNN10, pNN50, 및 pNN100)을 추출하고,As features of the time domain, the standard deviation of successive heart rate intervals (SDNN), the standard deviation of the difference of successive heart rate intervals (SDSD), the square mean of the difference of successive heart rate intervals (RMSSD), and 5 Hz, Extract the number of consecutive heart rate intervals (pNN5, pNN10, pNN50, and pNN100) that differ by more than 10 Hz, 50 Hz, and 100 Hz,
주파수 영역의 특징들로서, 웨이블릿 변환을 이용하여 근사성분 A3와 세부성분 D2-D3에 속하는 주파수 대역들의 벡터들을 추출할 수 있다.
As features of the frequency domain, vectors of frequency bands belonging to the approximate component A3 and the subcomponents D2-D3 may be extracted using the wavelet transform.
바람직하게는, 상기 단계 (3)은,Preferably, the step (3)
심근 허혈 여부를 검출해야 하는 상기 환자 데이터 세트를, 상기 단계 (2)에서 구축된 시간 영역의 분류 모델 및 주파수 영역의 분류 모델에 적합하도록 변경하는 단계; 및Modifying the patient data set for detecting whether myocardial ischemia is suitable for the classification model of the time domain and the classification model of the frequency domain established in step (2); And
상기 변경된 환자 데이터 세트를 상기 단계 (2)에서 구축된 시간 영역의 분류 모델 및 주파수 영역의 분류 모델에 적용시켜 정상 동성 리듬 또는 심근 허혈로 분류하는 단계를 포함할 수 있다.And applying the modified patient data set to the classification model of the time domain and the classification model of the frequency domain established in step (2) to classify into normal rhythm or myocardial ischemia.
본 발명에서 제안하고 있는 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에 따르면, 심근 허혈 감지방법의 데이터 구축에 필요한 데이터량을 줄이고, 심근 허혈 감지에 소요되는 시간 또한 줄임으로써 심근 허혈을 더욱 효과적으로 감지할 수 있다.
According to the method for detecting myocardial ischemia using the time comparison of the heart rate variability and the feature comparison in the frequency domain, the amount of data required for data construction of the myocardial ischemia detection method is reduced, and the time required for detecting myocardial ischemia. Reducing it also helps to detect myocardial ischemia more effectively.
또한, 본 발명에 따르면, 평균 정확도가 다른, 시간 영역의 특징을 이용하여 감지하는 방법과 주파수 영역의 특징을 이용하여 감지하는 방법을 동시에 이용 및 비교 분석함으로써, 각각 방법들의 평균 정확도를 상호 보완하여, 심근 허혈 감지의 전체적인 정확도를 높일 수 있다.In addition, according to the present invention, by simultaneously using and comparing the detection method using a feature of the time domain and the detection method using a feature of the frequency domain, the average accuracy is different, complementing the average accuracy of each method This can increase the overall accuracy of myocardial ischemia detection.
도 1은 본 발명의 일실시예에 따른 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법을 나타낸 흐름도.
도 2는 본 발명의 일실시예에 따른 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에서, 단계 S100의 세부 구성을 나타낸 흐름도.
도 3은 본 발명의 일실시예에 따른 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에서, 단계 S110의 세부 구성을 나타낸 흐름도.
도 4는 본 발명의 일실시예에 따른 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에 사용되는, MIT-BIH Normal Sinus Rhythm 데이터베이스에서의 정상 에피소드와 NSR 분절을 도시한 도면.
도 5는 본 발명의 일실시예에 따른 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에 사용되는, European ST-T 데이터베이스에서의 ST 에피소드와 ST 분절을 도시한 도면.
도 6은 본 발명의 일실시예에 따른 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에 사용되는, 시간 영역의 특징들의 가중 퍼지 소속 함수의 경계 합을 나타낸 그래프들을 도시한 도면.
도 7은 본 발명의 일실시예에 따른 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에 사용되는, 주파수 영역의 특징들의 가중 퍼지 소속 함수의 경계 합을 나타낸 그래프들을 도시한 도면.
도 8은 본 발명의 일실시예에 따른 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에서, 단계 S300의 세부 구성을 나타낸 흐름도.1 is a flow chart illustrating a method for detecting myocardial ischemia using a feature comparison analysis in time and frequency domain of heart rate variability according to an embodiment of the present invention.
Figure 2 is a flow chart showing the detailed configuration of the step S100 in the method for detecting myocardial ischemia using feature comparison analysis in the time and frequency domain of the heart rate variability according to an embodiment of the present invention.
3 is a flow chart showing the detailed configuration of step S110 in the method for detecting myocardial ischemia using a feature comparison analysis in time and frequency domain of heart rate variability according to an embodiment of the present invention.
Figure 4 shows the normal episodes and NSR segments in the MIT-BIH Normal Sinus Rhythm database, which is used in the method for detecting myocardial ischemia using the feature comparison analysis in the time and frequency domain of heart rate variability according to an embodiment of the present invention. Figure shown.
FIG. 5 illustrates ST episodes and ST segments in a European ST-T database, which is used in a method for detecting myocardial ischemia using feature comparison analysis in a time and frequency domain of heart rate variability according to an embodiment of the present invention. drawing.
FIG. 6 is a graph showing a boundary sum of weighted fuzzy membership functions of time domain features, which is used in a method for detecting myocardial ischemia using feature comparison analysis in time and frequency domain of heart rate variability according to an embodiment of the present invention. Drawings showing them.
7 is a graph showing a boundary sum of weighted fuzzy membership functions of frequency domain features, which is used in a method for detecting myocardial ischemia using feature comparison analysis in time and frequency domain of heart rate variability according to an embodiment of the present invention. Drawings showing them.
8 is a flow chart showing the detailed configuration of step S300 in the method for detecting myocardial ischemia using feature comparison analysis in time and frequency domain of heart rate variability according to an 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. 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. 또한, 유사한 기능 및 작용을 하는 부분에 대해서는 도면 전체에 걸쳐 동일한 부호를 사용한다.
Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings, in order that those skilled in the art can easily carry out the present invention. In the following detailed description of the preferred embodiments of the present invention, a detailed description of known functions and configurations incorporated herein will be omitted when it may make the subject matter of the present invention rather unclear. In the drawings, like reference numerals are used throughout the drawings.
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. 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, in the entire specification, when a part is referred to as being 'connected' to another part, it may be referred to as 'indirectly connected' not only with 'directly connected' . In addition, the term 'comprising' of an element means that the element may further include other elements, not to exclude other elements unless specifically stated otherwise.
도 1은 본 발명의 일실시예에 따른 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법을 나타낸 흐름도이다. 도 1에 도시된 바와 같이, 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법은 가중 퍼지 소속 함수 기반 신경망을 학습시키는 단계(S100), 시간 영역의 분류 모델 및 주파수 영역의 분류 모델을 구축하는 단계(S200), 및 환자 데이터의 심근 허혈 여부를 검출하는 단계(S300)를 포함하여 구성될 수 있다.
1 is a flowchart illustrating a method for detecting myocardial ischemia using a comparative feature analysis in time and frequency domain of a heart rate variability according to an embodiment of the present invention. As shown in FIG. 1, a method for detecting myocardial ischemia using feature comparison analysis in a time and frequency domain of a heart rate variance includes training a weighted fuzzy membership function based neural network (S100), a classification model and a frequency in a time domain It may be configured to include a step of building a classification model of the region (S200), and detecting the myocardial ischemia of the patient data (S300).
단계 S100에서는, 신경망 학습을 위한 데이터 세트(Data set)를 이용하여 가중 퍼지 소속 함수 기반 신경망을 학습시킨다. 가중 퍼지 소속 함수 기반 신경망은 데이터 세트가 입력되면 상기 데이터 세트를 분류하는 역할을 할 수 있다. 입력된 데이터 세트를 가중 퍼지 소속 함수 기반 신경망이 심근 허혈로 분류하면 심근 허혈이 검출된 것으로 볼 수 있다. 단계 S100에서는, 가중 퍼지 소속 함수 기반 신경망이 입력되는 데이터를 심근 허혈 또는 정상 동성 리듬으로 분류할 수 있게 심근 허혈에 해당하는 데이터 세트와 정상 동성 리듬에 해당하는 데이터 세트를 이용하여 학습시킨다. 신경망 학습을 위한 데이터 세트를 이용하여 가중 퍼지 소속 함수 기반 신경망을 학습시키는 방법(S100)의 세부적인 구성에 대해서는 추후 도 2를 참조하여 상세히 설명하기로 한다.
In step S100, the weighted fuzzy membership function based neural network is trained using a data set for neural network training. The weighted fuzzy membership function based neural network may serve to classify the data set when the data set is input. Myocardial ischemia is detected when the input data set is classified as myocardial ischemia by the weighted fuzzy membership function based neural network. In step S100, the weighted fuzzy belonging function-based neural network is trained using a data set corresponding to myocardial ischemia and a data set corresponding to normal rhythm so as to classify the input data into myocardial ischemia or normal rhythm. The detailed configuration of the method (S100) of learning a weighted fuzzy membership function based neural network using a data set for neural network learning will be described in detail later with reference to FIG. 2.
단계 S200에서는, 시간 영역의 분류 모델 및 주파수 영역의 분류 모델을 구축한다. 상기 시간 영역의 분류 모델 및 주파수 영역의 분류 모델을 구축할 시, 단계 S100에서 학습된 가중 퍼지 소속 함수 기반 신경망을 토대로 구축할 수 있다. 상기 학습된 가중 퍼지 소속 함수 기반 신경망을 토대로 구축된 시간 영역의 분류 모델 및 주파수 영역의 분류 모델은, 심근 허혈 여부를 검출하기 위한 데이터 세트가 입력되면, 정상 동성 리듬 또는 심근 허혈로 분류 및 검출할 수 있다.
In step S200, a classification model of the time domain and a classification model of the frequency domain are constructed. When constructing the classification model of the time domain and the classification model of the frequency domain, it may be constructed based on the weighted fuzzy membership function based neural network learned in step S100. The time domain classification model and the frequency domain classification model constructed based on the learned weighted fuzzy belonging function-based neural network may be classified and detected as normal rhythm or myocardial ischemia when a data set for detecting myocardial ischemia is input. Can be.
단계 S300에서는, 환자 데이터의 심근 허혈 여부를 검출한다. 심근 허혈 여부를 검출해야 하는 환자 데이터 세트를 단계 S200에서 구축된 시간 영역의 분류 모델 및 주파수 영역의 분류 모델에 적용하면 상기 환자 데이터의 심근 허혈 여부를 검출할 수 있다. 상기 환자 데이터의 심근 허혈 여부를 검출하는 방법(S300)의 세부적인 구성에 대해서는 추후 도 8을 참조하여 상세히 설명하기로 한다.
In step S300, whether myocardial ischemia of the patient data is detected. If the patient data set for detecting myocardial ischemia is applied to the classification model of the time domain and the classification model of the frequency domain established in step S200, it may be detected whether the patient data is myocardial ischemia. Detailed configuration of the method (S300) of detecting the myocardial ischemia of the patient data will be described in detail later with reference to FIG. 8.
도 2는 본 발명의 일실시예에 따른 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에서, 단계 S100의 세부 구성을 나타낸 흐름도이다. 도 2에 도시된 바와 같이, 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에서, 단계 S100의 세부 구성은 신경망 학습을 위한 데이터 세트를 구성하는 단계(S110), 구성된 데이터 세트로부터 시간 영역 및 주파수 영역의 특징들을 추출하는 단계(S120), 및 추출된 특징들을 이용하여 가중 퍼지 소속 함수 기반 신경망을 학습시키는 단계(S130)를 포함하여 구성될 수 있다.
2 is a flowchart illustrating a detailed configuration of step S100 in a method for detecting myocardial ischemia using a comparative feature analysis in a time and frequency domain of a heart rate variability according to an embodiment of the present invention. As shown in FIG. 2, in the method for detecting myocardial ischemia using the feature comparison analysis in the time and frequency domain of the heart rate variability, the detailed configuration of step S100 includes configuring a data set for neural network learning (S110), Extracting features of the time domain and the frequency domain from the configured data set (S120), and training the weighted fuzzy membership function based neural network using the extracted features (S130).
단계 S110에서는, 신경망 학습을 위한 데이터 세트를 구성한다. 가중 퍼지 소속 함수 기반 신경망을 학습시키기 위한 데이터 세트는 여러 데이터를 포함하고 있는 데이터베이스에서 추출할 수 있다. 본 발명에서는, 데이터베이스에 있는 데이터들을 하위 단위로 나누어서 선택 및 추출하여 신경망 학습을 위한 데이터 세트로 구성한다. 신경망 학습을 위한 데이터 세트를 구성하는 방법(S110)의 세부적인 구성에 대해서는 추후 도 3을 참조하여 상세히 설명하기로 한다.
In step S110, a data set for neural network learning is constructed. A data set for training weighted fuzzy membership function-based neural networks can be extracted from a database containing multiple data. In the present invention, the data in the database is divided into sub-units, selected and extracted to form a data set for neural network learning. A detailed configuration of the method S110 of configuring a data set for neural network learning will be described in detail later with reference to FIG. 3.
단계 S120에서는, 단계 S110에서 구성된 데이터 세트로부터 시간 영역 및 주파수 영역의 특징들을 추출한다. 단계 S120에서 추출된 특징들은 가중 퍼지 소속 함수 기반 신경망을 학습시킬 수 있다. 시간 영역의 특징들을 추출할 시, 시간 영역의 분석 방법을 이용하여 총 7개의 시간 영역의 특징들을 추출할 수 있다. 시간 영역의 분석 방법은 연속적인 심박동수 간격 값들의 시리즈에 직접적으로 적용될 수 있다. 가장 명확한 측정값은 평균 심박동수(
In step S120, features of the time domain and the frequency domain are extracted from the data set configured in step S110. The features extracted in step S120 may train a weighted fuzzy membership function based neural network. When the features of the time domain are extracted, a total of seven features of the time domain may be extracted using a time domain analysis method. The time domain analysis method can be applied directly to successive series of heart rate interval values. The most obvious measurement is your average heart rate (
한 예로, 연속적인 심박동수 간격들의 표준편차(SDNN)는 다음 수학식 1과 같이 정의될 수 있다.For example, the standard deviation SDNN of consecutive heart rate intervals may be defined as in
상기 수학식 1에서, RRj는 j번째 심박동수 간격의 값을 나타내며, N은 연속되는 심박동수 간격들의 총 개수를 나타낸다. 표준편차는 심박동수 간격 시리즈 안에 존재하는 전체적인 변화(단기적인 변화와 장기적인 변화 모두)를 보여준다.
In
반면, 연속적인 심박동수 간격들의 차이의 표준편차(SDSD)는 다음 수학식 2와 같이 정의될 수 있다.On the other hand, the standard deviation (SDSD) of the difference between successive heart rate intervals may be defined as in
상기 수학식 2는 단기 가변성을 측정하는데 사용될 수 있다.
비유동적인 심박동수 시리즈들은 다음 수학식 3과 같이 정의될 수 있다.Non-flowable heart rate series may be defined as in
연속적인 심박동수 간격들의 차이의 제곱평균(RMSSD)은 다음 수학식 4와 같이 정의될 수 있다.The mean square of the difference between successive heart rate intervals (RMSSD) may be defined as in
연속적인 심박동수 간격들의 차이점을 토대로 계산할 수 있는 또 다른 측정값은 pNN50이다. pNN50은 50㎳ 이상 차이 나는 연속적인 심박동수 간격들의 개수 또는 그에 비슷한 양을 뜻한다. pNN50은 다음 수학식 5와 같이 정의될 수 있다.Another measure that can be calculated based on the difference between successive heart rate intervals is pNN50. pNN50 refers to the number of consecutive heart rate intervals that differ by more than 50 Hz or similar. pNN50 may be defined as in Equation 5 below.
상기 수학식 5는 pNN5, pNN10, 및 pNN100을 구할 때도 적용될 수 있다.
Equation 5 may also be applied to obtain pNN5, pNN10, and pNN100.
본 발명에서는, 연속적인 심박동수 간격들의 표준편차(SDNN), 연속적인 심박동수 간격들의 차이의 표준편차(SDSD), 연속적인 심박동수 간격들의 차이의 제곱평균(RMSSD), 및 5㎳, 10㎳, 50㎳, 및 100㎳ 이상 차이 나는 연속적인 심박동수 간격들의 개수들(pNN5, pNN10, pNN50, 및 pNN100)을 가중 퍼지 소속 함수 기반 신경망에 입력될 시간 영역의 특징들로 추출할 수 있다.
In the present invention, the standard deviation of successive heart rate intervals (SDNN), the standard deviation of the difference of successive heart rate intervals (SDSD), the square mean of the difference of successive heart rate intervals (RMSSD), and 5 Hz, 10 Hz The number of consecutive heart rate intervals (pNN5, pNN10, pNN50, and pNN100) differing by more than, 50 Hz, and 100 Hz can be extracted as features of the time domain to be input to the weighted fuzzy membership function based neural network.
가중 퍼지 소속 함수의 경계 합(BSWFMs)을 이용한 가중 퍼지 소속 함수 기반 신경망 알고리즘은 앞서 입력된 각각의 시간 영역의 특징들을 그래프로 표현할 수 있다. 이러한 과정은 시간 영역의 특징들을 해석하는데 도움을 줄 수 있다. 시간 영역의 특징들의 가중 퍼지 소속 함수의 경계 합은 추후 도 6에서 상세히 설명하기로 한다.
The weighted fuzzy membership function based neural network algorithm using the bounded sums of the weighted fuzzy membership functions (BSWFMs) can graphically represent the characteristics of each time domain input previously. This process can help to interpret the features of the time domain. The boundary sum of the weighted fuzzy membership functions of the features of the time domain will be described in detail later with reference to FIG. 6.
주파수 영역의 특징들을 추출할 경우, 주파수 영역의 분석 방법을 이용하여 총 11개의 주파수 영역의 특징들을 추출할 수 있다. 주파수 영역의 분석 방법에는 두 가지 방법이 있다. 하나는 푸리에 변환이고, 다른 하나는 웨이블릿 변환이다. 서로 다른 주파수의 특징들을 가진 신호들이 존재하면 웨이블릿 변환을 이용하여 식별할 수 있다. 반면, 푸리에 변환은 비유동적인 신호들에 적용될 수 있다. 하지만, 심박변이도와 같이 다른 많은 신호들은 유동적이면서 일시적인 특징들이 있을 수 있다. 그러므로 이런 신호들에 푸리에 변환을 직접적으로 적용하는 것은 바람직하지 못하다. 웨이블릿 변환은 저주파 요소들보다 고주파 요소들을 더욱 선명한 시간적 해상도로 분석할 수 있으며, 하나의 별개의 신호를 각각 절반 길이인 두 개의 하위 신호들로 나눌 수 있다. 하나의 하위 신호는 이동평균 또는 경향을 뜻하며, 다른 하나의 하위 신호는 이동차이 또는 변동을 뜻한다. 추출된 웨이블릿 계수들은 심박변이도 신호의 시간과 주파수 영역에서의 에너지 분포를 간편하게 보여줄 수 있다. 총 4가지 통계학적 요소들이 심박변이도 신호들의 주파수 분포를 나타내는데 쓰일 수 있다. 상기 통계학적 요소들은 (1) 각각의 부대역안 계수들의 절댓값들의 평균, (2) 각각의 부대역안 웨이블릿 계수들의 평균 힘, (3) 각각의 부대역안 계수들의 표준편차, 및 (4) 인접한 부대역의 절대평균값들의 비율을 포함할 수 있다. 상기 (1)번 요소와 (2)번 요소는 신호의 주파수 분포를 나타낼 수 있으며, 상기 (3)번 요소와 (4)번 요소는 주파수 분포 안의 변화량을 나타낼 수 있다. 본 발명은 주파수 영역의 특징들을 수집할 때 웨이블릿 변환의 세 번째 단계를 선택한다. 상기 단계에서는, 심박변이도 신호들을 분류하는데, 근사성분 A3 및 세부성분 D2-D3에 속하는 주파수 대역의 벡터들을 이용할 수 있다.
When the features of the frequency domain are extracted, a total of 11 features of the frequency domain may be extracted using a frequency domain analysis method. There are two methods of analyzing the frequency domain. One is a Fourier transform and the other is a wavelet transform. If signals with different frequency characteristics exist, they can be identified using wavelet transform. On the other hand, the Fourier transform can be applied to non-flowing signals. However, many other signals, such as heart rate variability, can have both fluid and transient characteristics. Therefore, it is not desirable to apply the Fourier transform directly to these signals. The wavelet transform can analyze high frequency components with clearer temporal resolution than low frequency components, and can divide one separate signal into two sub-signals, each half length. One subsignal represents a moving average or a trend, and the other subsignal represents a moving difference or variation. The extracted wavelet coefficients can easily show the energy distribution in the time and frequency domain of the heart rate variance signal. A total of four statistical factors can be used to represent the frequency distribution of heart rate signals. The statistical factors include (1) the mean of the absolute values of the respective subband coefficients, (2) the average force of the wavelet coefficients in each subband, (3) the standard deviation of the respective subband coefficients, and (4) the adjacent subbands. It may include the ratio of the absolute mean value of. Elements (1) and (2) may represent a frequency distribution of a signal, and elements (3) and (4) may represent an amount of change in a frequency distribution. The present invention selects the third stage of wavelet transform when collecting features in the frequency domain. In this step, to classify the heart rate variance signals, vectors of frequency bands belonging to the approximate component A3 and the subcomponents D2-D3 may be used.
가중 퍼지 소속 함수의 경계 합을 이용한 가중 퍼지 소속 함수 기반 신경망 알고리즘은 앞서 입력된 각각의 주파수 영역의 특징들을 그래프로 표현할 수 있다. 이러한 과정은 주파수 영역의 특징들을 해석하는데 도움을 줄 수 있다. 주파수 영역의 특징들의 가중 퍼지 소속 함수의 경계 합은 추후 도 7에서 상세하게 설명하기로 한다.
The neural network algorithm based on the weighted fuzzy membership function using the bounded sum of the weighted fuzzy membership functions may represent the characteristics of each frequency domain input previously. This process can help to interpret the characteristics of the frequency domain. The boundary sum of the weighted fuzzy membership functions of the features of the frequency domain will be described in detail later with reference to FIG. 7.
도 3은 본 발명의 일실시예에 따른 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에서, 단계 S110의 세부 구성을 나타낸 흐름도이다. 도 3에 도시된 바와 같이, 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에서, 단계 S110의 세부 구성은 ST 에피소드와 정상 에피소드를 각각 수집하는 단계(S111), 및 각각 수집된 에피소드를 분절들로 나누는 단계(S112)를 포함하여 구성될 수 있다.
3 is a flowchart illustrating a detailed configuration of step S110 in a method for detecting myocardial ischemia using a feature comparison analysis in a time and frequency domain of a heart rate variability according to an embodiment of the present invention. As shown in FIG. 3, in the method for detecting myocardial ischemia using feature comparison analysis in the time and frequency domain of the heart rate variability, the detailed configuration of step S110 includes collecting ST episodes and normal episodes, respectively (S111), And dividing each collected episode into segments (S112).
단계 S111에서는, ST 에피소드와 정상 에피소드를 각각 수집한다. ST 에피소드는 심근 허혈에 해당하는 데이터 세트를 추출할 때 사용될 수 있으며, 정상 에피소드는 정상 동성 리듬에 해당하는 데이터 세트를 추출하는데 사용될 수 있다. 예를 들어, ST 에피소드는 ST-T 데이터베이스에서 수집할 수 있으며, 정상 에피소드는 MIT-BIH Normal Sinus Rhythm 데이터베이스에서 수집할 수 있다.
In step S111, ST episodes and normal episodes are collected, respectively. ST episodes can be used to extract a data set corresponding to myocardial ischemia, and normal episodes can be used to extract a data set corresponding to normal homosexual rhythm. For example, ST episodes can be collected from the ST-T database, and normal episodes can be collected from the MIT-BIH Normal Sinus Rhythm database.
단계 S112에서는, 각각 수집된 에피소드를 분절들로 나눈다. 단계 S111에서 수집된 각각의 에피소드에 대하여, 하나의 에피소드를 각각 미리 설정된 개수의 연속적인 심박동수 간격으로 이루어진 분절들로 나눌 수 있다. 분절은 에피소드에서 나눠지는 하위 단위이다. 즉, 에피소드는 여러 개의 분절들로 이루어질 수 있다. 더 나아가, 하나의 분절은 총 32개의 연속적인 심박동수 간격들로 이루어질 수 있다. 에피소드들에서 나눠진 모든 분절들 중에서 총 2507개의 분절들만을 선택하여 데이터 세트로 지정할 수 있다.
In step S112, each collected episode is divided into segments. For each episode collected in step S111, one episode may be divided into segments each consisting of a predetermined number of consecutive heart rate intervals. Segments are subunits divided into episodes. In other words, an episode may consist of several segments. Furthermore, one segment may consist of a total of 32 consecutive heart rate intervals. Of all the segments divided in the episodes, only a total of 2507 segments can be selected and designated as the data set.
도 4는 본 발명의 일실시예에 따른 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에 사용되는, MIT-BIH Normal Sinus Rhythm 데이터베이스에서의 정상 에피소드와 NSR 분절을 도시한 도면이다. 도 4에 도시된 바와 같이, MIT-BIH Normal Sinus Rhythm 데이터베이스는 정상 에피소드(100)와 NSR 분절(110)을 포함하여 구성될 수 있다.
Figure 4 shows the normal episodes and NSR segments in the MIT-BIH Normal Sinus Rhythm database, which is used in the method for detecting myocardial ischemia using the feature comparison analysis in the time and frequency domain of heart rate variability according to an embodiment of the present invention. Figure is shown. As shown in FIG. 4, the MIT-BIH Normal Sinus Rhythm database may include a
MIT-BIH Normal Sinus Rhythm 데이터베이스는 줄여서 NSR DB라고도 불릴 수 있다. NSR DB는 보스톤즈 베스 이스라엘 병원(Boston's Beth Israel Hospital)에 위치한 부정맥 연구소(Arrhythmia Laboratory)에서 연구된 실험자들의 18개의 장기 심박변이도 파일들을 포함하고 있다. 이 실험에서 연구된 실험자들은 부정맥을 갖고 있지 않은, 26세에서 45세인 5명의 남성들과, 20세에서 50세인 13명의 여자들을 포함한다. 각각의 파일은 총 24시간 길이이며, 128㎐에서 추출된 2채널 심박변이도를 발췌한다. NSR DB는 신경망 학습을 위한 데이터 세트를 구성하기 위해 사용될 수 있다. 상기 데이터 세트를 구성하기 위해서는 NSR DB에서 총 6개의 파일을 선택할 수 있다. 상기 선택된 각각의 24시간 길이인 NSR DB의 파일에서, 2시간 길이의 심박변이도 파일을 선택할 수 있다. 앞서 선택된 하나의 2시간 길이의 심박변이도 파일은 하나의 정상 에피소드(100)로 지정될 수 있다.
The MIT-BIH Normal Sinus Rhythm database may be called NSR DB for short. The NSR DB contains 18 long-term heart rate variability files from experimenters studied at the Arrhythmia Laboratory at Boston's Beth Israel Hospital. The investigators studied in this experiment included five men, aged 26 to 45, and 13 women aged 20 to 50 without arrhythmia. Each file is a total of 24 hours and extracts two-channel heart rate variability extracted at 128 Hz. The NSR DB can be used to construct a data set for neural network learning. To configure the data set, a total of six files can be selected from the NSR DB. In each of the selected 24-hour long NSR DB files, a 2-hour long heart rate variability file may be selected. One two-hour heart rate variance file selected earlier may be designated as one
NSR 분절(110)은, 정상 에피소드(100)에서 나눠지는 하위 단위이다. 즉, 정상 에피소드(100)는 여러 개의 NSR 분절(110)들로 이루어질 수 있다. 더 나아가, 하나의 NSR 분절(110)은 총 32개의 연속적인 심박동수 간격들로 이루어질 수 있다. 정상 에피소드(100)에서 나눠진 모든 NSR 분절(110)들 중에서 총 2507개의 NSR 분절(110)들을 선택하여 정상 데이터 세트로 지정할 수 있다.
The
본 발명의 일실시예에 따른 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에 사용되는 NSR DB의 상세한 사용 내역을 다음 표 1에 나타내었다. 표 1에서 확인할 수 있는 바와 같이, 총 11개의 파일을 선택하여, 총 11개의 정상 에피소드(100)들을 선택할 수 있다. 상기 선택된 총 11개의 정상 에피소드(100)들에서, 총 2507개의 NSR 분절(110)들을 선택할 수 있다.Table 1 shows a detailed use history of the NSR DB used in the method for detecting myocardial ischemia using the comparative feature analysis in the time and frequency domain of heart rate variability according to an embodiment of the present invention. As can be seen in Table 1, a total of 11 files can be selected, allowing a total of 11
도 5는 본 발명의 일실시예에 따른 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에 사용되는, European ST-T 데이터베이스에서의 ST 에피소드와 ST 분절을 도시한 도면이다. 도 5에 도시된 바와 같이, European ST-T 데이터베이스는 ST 에피소드(200)와 ST 분절(210)을 포함하여 구성될 수 있다.
FIG. 5 illustrates ST episodes and ST segments in a European ST-T database, which is used in a method for detecting myocardial ischemia using feature comparison analysis in a time and frequency domain of heart rate variability according to an embodiment of the present invention. Drawing. As shown in FIG. 5, the European ST-T database may comprise an
European ST-T 데이터베이스는 줄여서 ST-T DB라고도 불릴 수 있다. ST-T DB는 총 48개의 데이터 파일로 이루어져 있다. 각각의 파일은 총 2시간 길이이며, 250㎐에서 추출된 2채널 심박변이도를 발췌한다. 상기 데이터베이스는 ST 분절과 T 파의 변위를 토대로, 허혈 분석의 알고리즘을 평가하는데 사용될 수 있다. 각각의 파일은 최소한 하나의 ST 또는 T 허혈 에피소드를 포함할 수 있다. 본 발명에서 T 파의 도치는 보통 허혈 에피소드의 선별 인자로 인정되지 않기 때문에 ST 분절의 변위(ST 분절의 하락 또는 상승)를 갖고 있는 에피소드들만 다뤄질 수 있다. ST 에피소드(200)는, ST-T DB에 속해 있는 총 22개의 파일 안에 포함된다. 총 119개의 ST 에피소드(200)들은 상기 22개의 파일에서 수집될 수 있다. NSR DB에서는 하나의 2시간 길이의 심박변이도 파일이 하나의 정상 에피소드(100)로 지정될 수 있는 반면, ST-T DB에서는 하나의 2시간 길이의 심박변이도 파일 안에 여러 개의 ST 에피소드(200)들이 포함될 수 있다.
The European ST-T database can also be called ST-T DB for short. ST-T DB consists of a total of 48 data files. Each file is 2 hours in total, and extracts two-channel heart rate variability extracted at 250 Hz. The database can be used to evaluate the algorithm of ischemic analysis based on the displacement of the ST segment and the T wave. Each file may contain at least one ST or T ischemic episode. In the present invention, the inversion of the T wave is usually not recognized as a screening factor for ischemic episodes, so only episodes with displacement (falling or rising ST segment) of the ST segment can be dealt with. The
ST 분절(210)은, ST 에피소드(200)에서 나눠지는 하위 단위이다. 즉, ST 에피소드(200)는 여러 개의 ST 분절(210)들로 이루어질 수 있다. 더 나아가, 하나의 ST 분절(210)은 총 32개의 연속적인 심박동수 간격들로 이루어질 수 있다. ST 에피소드(200)에서 나눠진 모든 ST 분절(210)들 중에서 총 2507개의 ST 분절(110)들을 선택하여 심근 허혈 데이터 세트로 지정할 수 있다.
The
본 발명의 일실시예에 따른 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에 사용되는 ST-T DB의 상세한 사용 내역을 다음 표 2에 나타내었다. 표 2에서 확인할 수 있는 바와 같이, 총 22개의 파일을 선택하여, 총 119개의 ST 에피소드(200)들을 선택할 수 있다. 상기 선택된 총 119개의 ST 에피소드(200)들에서, 총 2507개의 ST 분절(210)들을 선택할 수 있다.Table 2 shows a detailed use history of the ST-T DB used in the method for detecting myocardial ischemia using the comparative feature analysis in the time and frequency domain of heart rate variability according to an embodiment of the present invention. As can be seen in Table 2, a total of 22 files can be selected, so that a total of 119
도 6은 본 발명의 일실시예에 따른 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에 사용되는, 시간 영역의 특징들의 가중 퍼지 소속 함수의 경계 합을 나타낸 그래프들을 도시한 도면이다. 도 6에 도시된 바와 같이, 시간 영역의 특징들의 가중 퍼지 소속 함수의 경계 합을 나타낸 그래프들은 5㎳ 이상 차이 나는 연속적인 심박동수 간격들의 개수(300), 10㎳ 이상 차이 나는 연속적인 심박동수 간격들의 개수(301), 50㎳ 이상 차이 나는 연속적인 심박동수 간격들의 개수(302), 100㎳ 이상 차이 나는 연속적인 심박동수 간격들의 개수(303), 연속적인 심박동수 간격들의 차이의 제곱평균(304), 연속적인 심박동수 간격들의 표준편차(305), 및 연속적인 심박동수 간격들의 차이의 표준편차(306)를 포함하여 구성될 수 있다.
FIG. 6 is a graph showing a boundary sum of weighted fuzzy membership functions of time domain features, which is used in a method for detecting myocardial ischemia using feature comparison analysis in time and frequency domain of heart rate variability according to an embodiment of the present invention. It is a figure which shows them. As shown in FIG. 6, the graphs showing the boundary sums of the weighted fuzzy membership functions of the features of the time domain show the number of successive heart rate intervals that differ by more than 5 Hz (300), and the successive heart rate intervals that differ by more than 10 Hz.
5㎳(300), 10㎳(301), 50㎳(302), 및 100㎳(303) 이상 차이 나는 연속적인 심박동수 간격들의 개수들은 상기 수학식 5를 사용하여 구할 수 있다. 연속적인 심박동수 간격들의 차이의 제곱평균(304)과 연속적인 심박동수 간격들의 표준편차(305)는 각각 상기 수학식 4와 수학식 1로 구할 수 있으며, 연속적인 심박동수 간격들의 차이의 표준편차(306)는 상기 수학식 2로 구할 수 있다. 그래프에서 직선은 심박변이도의 정상 동성 리듬을 뜻하며 점선은 심박변이도의 심근 허혈을 뜻한다.
The number of consecutive heart rate intervals differing by more than 5 Hz (300), 10 Hz (301), 50 Hz (302), and 100 Hz (303) can be obtained using Equation 5 above. The square mean 304 of the difference between successive heart rate intervals and the
도 7은 본 발명의 일실시예에 따른 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에 사용되는, 주파수 영역의 특징들의 가중 퍼지 소속 함수의 경계 합을 나타낸 그래프들을 도시한 도면이다. 도 7에 도시된 바와 같이, 주파수 영역의 특징들의 가중 퍼지 소속 함수의 경계 합을 나타낸 그래프들은 Std_a3(400), Std_d2(401), Std_d3(402), Mean(abs_a3)(403), Mean(abs_d2)(404), Mean(abs_d3)(405), Power_a3(406), Power_d2(407), Power_d3(408), abs(mean_d1)/abs(mean_d2)(409), 및 abs(mean_d2)/abs(mean_d3)(410)를 포함하여 구성될 수 있다.
7 is a graph showing a boundary sum of weighted fuzzy membership functions of frequency domain features, which is used in a method for detecting myocardial ischemia using feature comparison analysis in time and frequency domain of heart rate variability according to an embodiment of the present invention. It is a figure which shows them. As shown in FIG. 7, the graphs showing the boundary sums of the weighted fuzzy membership functions of the features of the frequency domain are Std_a3 (400), Std_d2 (401), Std_d3 (402), Mean (abs_a3) 403, and Mean (abs_d2). ) 404, Mean (abs_d3) 405,
Std_a3(400), Std_d2(401), 및 Std_d3(402)은 a3, d2, 및 d3의 표준편차이다. Mean(abs_a3)(403), Mean(abs_d2)(404), 및 Mean(abs_d3)(405)는 a3, d2, 및 d3의 절댓값들의 평균값이다. Power_a3(406), Power_d2(407), 및 Power_d3(408)은 a3, d2, 및 d3의 평균 힘이다. abs(mean_d1)/abs(mean_d2)(409)와 abs(mean_d2)/abs(mean_d3)(410)는 인접한 부대역들의 절대평균값들의 비율이다. 그래프에서 직선은 심박변이도의 정상 동성 리듬을 뜻하며 점선은 심박변이도의 심근 허혈을 뜻한다.
Std_a3 (400), Std_d2 (401), and Std_d3 (402) are standard deviations of a3, d2, and d3. Mean (abs_a3) 403, Mean (abs_d2) 404, and Mean (abs_d3) 405 are average values of absolute values of a3, d2, and d3.
본 발명의 일실시예에 따른 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법의 감지 알고리즘의 성능을 진양성과 위음성의 개수들로 평가하여 다음 표 3에 나타내었다. 표 3에서 확인할 수 있는 바와 같이, 표 3은 진양성(TP), 위음성(FN), 위양성(FP), 및 진음성(TN) 중에서, 시간 영역과 주파수 영역에서의 심근 허혈 및 정상 동성 리듬 분류의 진양성의 개수와 위음성의 개수를 보여준다. 상기 진양성의 개수와 위음성의 개수는, 위양성의 개수 및 진음성의 개수와 함께 민감도, 특이도, 예보도, 및 정확도를 구하는데 쓰일 수 있다. 상기 민감도, 특이도, 예보도, 및 정확도는 정상 동성 리듬 및 심근 허혈 감지 알고리즘의 성능을 평가하는데 사용될 수 있다. 민감도, 특이도, 예보도, 및 정확도를 이용한 정상 동성 리듬 및 심근 허혈 감지 알고리즘의 성능 평가는 추후 표 4에서 상세하게 설명하기로 한다. The performance of the detection algorithm of the method for detecting myocardial ischemia using the feature comparison analysis in the time and frequency domain of heart rate variability according to an embodiment of the present invention is shown in Table 3 below. As can be seen in Table 3, Table 3 shows myocardial ischemia and normal rhythm classification in the time domain and frequency domain among true positive (TP), false negative (FN), false positive (FP), and true negative (TN). Shows the number of true positives and the number of false negatives. The number of true positives and the number of false negatives, together with the number of false positives and the number of true negatives, may be used to obtain sensitivity, specificity, forecast, and accuracy. The sensitivity, specificity, forecast, and accuracy can be used to evaluate the performance of normal rhythm and myocardial ischemia detection algorithms. Performance evaluation of normal rhythm and myocardial ischemia detection algorithm using sensitivity, specificity, forecast, and accuracy will be described in detail later in Table 4.
본 발명의 일실시예에 따른 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법의 정상 동성 리듬 및 심근 허혈 감지 알고리즘의 성능을 민감도, 특이도, 예보도, 및 정확도로 평가하여 다음 표 4에 나타내었다. 표 4는 시간과 주파수 영역에서의 민감도(Se), 특이도(Sp), 예보도(Pp), 및 정확도(Ac)를 %로 나타낸다. 표 4에서 확인할 수 있는 바와 같이, 시간 영역의 특징들로부터의 민감도는 66.45%, 특이도는 84.12%, 예보도는 80.72%, 마지막으로 정확도는 75.29%이다. 반면, 주파수 영역의 특징들로부터의 민감도는 81.9%, 특이도는 79.18%, 예보도는 79.73%, 마지막으로 정확도는 80.93%이다. 주파수 영역의 특징들로부터의 정확도가 80.93%로 시간 영역의 특징들로부터의 정확도인 75.29%보다 높은 것을 알 수 있다. 두 방법 모두 완벽한 정확도는 지니고 있지 않다. 또한, 주파수 영역의 특징들로부터의 정확도가 시간 영역의 특징들로부터의 정확도보다 비교적 높다 하여, 주파수 영역의 특징을 이용하여 감지하는 방법이 무조건 뛰어나다고 단정 지을 수는 없다. 시간 영역의 특징들을 사용하는 방법과 주파수 영역의 특징들을 사용하는 방법을 동시에 이용 및 비교 분석하면, 서로 부족한 정확도를 상호 보완함으로써, 심근 허혈 검출의 전체적인 정확도를 향상시킬 수 있다.Sensitivity, Specificity, Predictiveness, and Accuracy of the Normal Dynamic Rhythm and Myocardial Ischemia Detection Algorithm of the Method for Detecting Myocardial Ischemia using a Comparative Analysis of Features in Time and Frequency Domain of Heart Rate Variability According to an Embodiment of the Present Invention As shown in Table 4 below. Table 4 shows the sensitivity (Se), specificity (Sp), forecast (Pp), and accuracy (Ac) in the time and frequency domain. As can be seen in Table 4, the sensitivity from the time domain features is 66.45%, the specificity is 84.12%, the forecast is 80.72%, and finally the accuracy is 75.29%. On the other hand, sensitivity from the features of the frequency domain is 81.9%, specificity is 79.18%, forecast is 79.73%, and finally accuracy is 80.93%. It can be seen that the accuracy from the features of the frequency domain is 80.93%, which is higher than 75.29%, which is accuracy from the features of the time domain. Both methods do not have perfect accuracy. Also, since the accuracy from the features of the frequency domain is relatively higher than the accuracy from the features of the time domain, the method of sensing using the features of the frequency domain is not necessarily superior. Simultaneously using and comparing the method of using the features of the time domain and the method of using the features of the frequency domain can complement the lacking accuracy of each other, thereby improving the overall accuracy of myocardial ischemia detection.
상기 민감도, 특이도, 예보도, 및 정확도는 시간 영역과 주파수 영역에서의 심근 허혈 및 정상 동성 리듬 분류의 진양성의 개수 및 위음성의 개수와 위양성의 개수 및 진음성의 개수를 이용하여 구할 수 있다.
The sensitivity, specificity, forecast, and accuracy can be obtained using the number of true positives, the number of false negatives, the number of false positives, and the number of true negatives in the myocardial ischemia and normal rhythm classification in time and frequency domains.
민감도는 심실세동을 감지하는 확률을 뜻한다. 민감도는 다음 수학식 6과 같이 구할 수 있다.Sensitivity is the probability of detecting ventricular fibrillation. Sensitivity can be obtained as shown in
상기 수학식 6에서 TP는 진양성 결정의 개수를 뜻하며, FN은 위음성 결정의 개수를 뜻한다.
In
특이도는 심근 허혈이 아님을 정확히 판정하는 확률을 뜻한다. 특이도는 다음 수학식 7과 같이 구할 수 있다.Specificity refers to the probability of accurately determining that myocardial ischemia is not. The specificity can be obtained as in Equation 7 below.
상기 수학식 7에서 TN은 진음성 결정의 개수를 뜻하며, FP는 위양성 결정의 개수를 뜻한다.
In Equation 7, TN denotes the number of true negative crystals, and FP denotes the number of false positive crystals.
예보도는 심근 허혈로 분류된 결과가 진정한 심근 허혈인 확률을 뜻한다. 예보도는 다음 수학식 8과 같이 구할 수 있다.The forecast map represents the probability that the results classified as myocardial ischemia are true myocardial ischemia. The forecast map can be obtained as in Equation 8 below.
정확도는 정확한 결과를 얻는 확률을 뜻한다. 정확도는 다음 수학식 9와 같이 구할 수 있다.Accuracy is the probability of getting an accurate result. The accuracy can be obtained as shown in Equation 9 below.
도 8은 본 발명의 일실시예에 따른 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에서, 단계 S300의 세부 구성을 나타낸 흐름도이다. 도 8에 도시된 바와 같이, 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에서, 단계 S300은, 환자 데이터 세트를 시간 영역의 분류 모델 및 주파수 영역의 분류 모델에 적합하도록 변경하는 단계(S310), 및 변경된 환자 데이터 세트를 시간 영역의 분류 모델 및 주파수 영역의 분류 모델에 적용시켜 정상 동성 리듬 또는 심근 허혈로 분류하는 단계(S320)를 포함하여 구성될 수 있다.
8 is a flowchart illustrating a detailed configuration of step S300 in the method for detecting myocardial ischemia using the comparative feature analysis in the time and frequency domain of the heart rate variability according to an embodiment of the present invention. As shown in FIG. 8, in the method for detecting myocardial ischemia using the feature comparison analysis in the time and frequency domain of the heart rate variability, step S300 is performed by applying the patient data set to the classification model of the time domain and the classification model of the frequency domain. And a step S320 of applying the changed patient data set to the classification model of the time domain and the classification model of the frequency domain to classify into normal homosexual rhythm or myocardial ischemia (S320).
단계 S310에서는, 심근 허혈 여부를 검출해야 하는 환자 데이터 세트를 단계 S200에서 구축된 시간 영역의 분류 모델 및 주파수 영역의 분류 모델에 적합하도록 변경한다. 먼저, 상기 환자 데이터 세트는 32개의 연속적인 심박동수 간격으로 이루어진 분절들로 나눠질 수 있다. 단계 S120에서의 시간 영역의 분석 방법과 주파수 영역의 분석 방법을 이용하여, 상기 분절들로부터 각각 시간 영역의 특징들과 주파수 영역의 특징들을 추출할 수 있다. 상기 시간 영역과 주파수 영역의 특징들을 추출할 시, 시간 영역의 특징들의 개수는 총 7개일 수 있으며, 주파수 영역의 특징들의 개수는 총 11개일 수 있다.
In step S310, the patient data set for detecting whether myocardial ischemia is changed is adapted to fit the classification model of the time domain and the classification model of the frequency domain established in step S200. First, the patient data set can be divided into segments consisting of 32 consecutive heart rate intervals. Using the analysis method of the time domain and the analysis method of the frequency domain in step S120, the features of the time domain and the features of the frequency domain may be extracted from the segments, respectively. When the features of the time domain and the frequency domain are extracted, the number of features of the time domain may be a total of seven, and the number of features of the frequency domain may be a total of eleven.
단계 S320에서는, 단계 S310에서 변경된 환자 데이터 세트를 단계 S200에서 구축된 시간 영역의 분류 모델 및 주파수 영역의 분류 모델에 적용시켜 정상 동성 리듬 또는 심근 허혈로 분류한다. 단계 S310에서 변경된 환자 데이터 세트는 각각 시간 영역의 분류 모델과 주파수 영역의 분류 모델에 입력될 수 있다. 학습된 가중 퍼지 소속 함수 기반 신경망을 토대로 구축된 각각의 모델은 입력된 환자 데이터 세트를 정상 동성 리듬 또는 심근 허혈로 분류할 수 있다. 시간 영역의 분류 모델은 상기 입력된 환자 데이터 세트를 75.29%의 평균 정확도로 정상 동성 리듬 또는 심근 허혈로 분류할 수 있다. 주파수 영역의 분류 모델은 상기 입력된 환자 데이터 세트를 80.93%의 평균 정확도로 정상 동성 리듬 또는 심근 허혈로 분류할 수 있다.
In step S320, the patient data set changed in step S310 is applied to the classification model of the time domain and the classification model of the frequency domain established in step S200, and classified into normal rhythm or myocardial ischemia. The patient data set changed in step S310 may be input to the classification model of the time domain and the classification model of the frequency domain, respectively. Each model built on the trained weighted fuzzy membership function-based neural network can classify the input patient dataset into normal rhythm or myocardial ischemia. The time domain classification model can classify the input patient data set into normal rhythm or myocardial ischemia with an average accuracy of 75.29%. The frequency domain classification model can classify the input patient data set into normal rhythm or myocardial ischemia with an average accuracy of 80.93%.
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 present invention may be embodied in many other specific forms without departing from the spirit or essential characteristics of the invention.
100: 정상 에피소드 110: NSR 분절
200: ST 에피소드 210: ST 분절
300: 5㎳ 이상 차이 나는 연속적인 심박동수 간격들의 개수
301: 10㎳ 이상 차이 나는 연속적인 심박동수 간격들의 개수
302: 50㎳ 이상 차이 나는 연속적인 심박동수 간격들의 개수
303: 100㎳ 이상 차이 나는 연속적인 심박동수 간격들의 개수
304: 연속적인 심박동수 간격들의 차이의 제곱평균
305: 연속적인 심박동수 간격들의 표준편차
306: 연속적인 심박동수 간격들의 차이의 표준편차
400: Std_a3 401: Std_d2
402: Std_d3 403: Mean(abs_a3)
404: Mean(abs_d2) 405: Mean(abs_d3)
406: Power_a3 407: Power_d2
408: Power_d3 409: abs(mean_d1)/abs(mean_d2)
410: abs(mean_d2)/abs(mean_d3)
S100: 가중 퍼지 소속 함수 기반 신경망을 학습시키는 단계
S110: 신경망 학습을 위한 데이터 세트를 구성하는 단계
S111: ST 에피소드와 정상 에피소드를 각각 수집하는 단계
S112: 각각 수집된 에피소드를 분절들로 나누는 단계
S120: 구성된 데이터 세트로부터 시간 영역 및 주파수 영역의 특징들을 추출하는 단계
S130: 추출된 특징들을 이용하여 가중 퍼지 소속 함수 기반 신경망을 학습시키는 단계
S200: 시간 영역의 분류 모델 및 주파수 영역의 분류 모델을 구축하는 단계
S300: 환자 데이터의 심근 허혈 여부를 검출하는 단계
S310: 환자 데이터 세트를 시간 영역의 분류 모델 및 주파수 영역의 분류 모델에 적합하도록 변경하는 단계
S320: 변경된 환자 데이터 세트를 시간 영역의 분류 모델 및 주파수 영역의 분류 모델에 적용시켜 정상 동성 리듬 또는 심근 허혈로 분류하는 단계100: Normal Episode 110: NSR Segment
200: ST Episode 210: ST Segment
300: Number of consecutive heart rate intervals greater than 5 Hz
301: Number of consecutive heart rate intervals greater than 10 Hz
302: Number of consecutive heart rate intervals greater than 50 Hz
303: Number of consecutive heart rate intervals greater than 100 Hz
304: Square mean of the differences between successive heart rate intervals
305: standard deviation of successive heart rate intervals
306: standard deviation of the difference between successive heart rate intervals
400: Std_a3 401: Std_d2
402: Std_d3 403: Mean (abs_a3)
404: Mean (abs_d2) 405: Mean (abs_d3)
406: Power_a3 407: Power_d2
408: Power_d3 409: abs (mean_d1) / abs (mean_d2)
410: abs (mean_d2) / abs (mean_d3)
S100: training a weighted fuzzy membership function based neural network
S110: constructing a data set for neural network learning
S111: Collecting ST Episodes and Normal Episodes
S112: dividing each collected episode into segments
S120: extracting features of the time domain and the frequency domain from the configured data set
S130: learning weighted fuzzy membership function based neural network using extracted features
S200: step of building a classification model in the time domain and a classification model in the frequency domain
S300: detecting whether myocardial ischemia of patient data
S310: changing the patient data set to suit a classification model in the time domain and a classification model in the frequency domain
S320: applying the changed patient data set to the classification model in the time domain and the classification model in the frequency domain to classify it into normal rhythm or myocardial ischemia
Claims (5)
(1) 신경망 학습을 위한 데이터 세트를 이용하여 가중 퍼지 소속 함수 기반 신경망을 학습시키는 단계;
(2) 상기 단계 (1)에서 학습된 가중 퍼지 소속 함수 기반 신경망을 토대로 시간 영역의 분류 모델 및 주파수 영역의 분류 모델을 구축하는 단계; 및
(3) 심근 허혈 여부를 검출해야 하는 환자 데이터 세트를, 상기 단계 (2)에서 구축된 시간 영역의 분류 모델 및 주파수 영역의 분류 모델에 적용하여 상기 환자 데이터의 심근 허혈 여부를 검출하는 단계를 포함하는 것을 특징으로 하는, 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용하여 심근 허혈을 검출하는 방법.
A method for detecting myocardial ischemia using a comparative analysis of features in the time and frequency domain of heart rate variability,
(1) training a weighted fuzzy membership function based neural network using a data set for neural network learning;
(2) constructing a classification model in the time domain and a classification model in the frequency domain based on the weighted fuzzy membership function based neural network learned in step (1); And
(3) detecting the myocardial ischemia of the patient data by applying the patient data set for detecting myocardial ischemia to the classification model of the time domain and the classification model of the frequency domain established in step (2); A method for detecting myocardial ischemia using feature comparison analysis in time and frequency domain of heart rate variability.
신경망 학습을 위한 데이터 세트를 구성하는 단계;
상기 구성된 데이터 세트로부터 시간 영역 및 주파수 영역의 특징들을 추출하는 단계; 및
상기 추출된 특징들을 이용하여 가중 퍼지 소속 함수 기반 신경망을 학습시키는 단계를 포함하는 것을 특징으로 하는, 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용하여 심근 허혈을 검출하는 방법.
2. The method of claim 1, wherein the step (1)
Constructing a data set for neural network learning;
Extracting features of the time domain and frequency domain from the constructed data set; And
And training the weighted fuzzy membership function based neural network using the extracted features. 11. The method of claim 10, wherein the myocardial ischemia is detected using feature comparison analysis in time and frequency domain of heart rate variability.
상기 신경망 학습을 위한 데이터 세트를 구성하는 단계는,
심근 허혈에 해당하는 데이터 세트를 추출할 ST 에피소드와 정상 동성 리듬에 해당하는 데이터 세트를 추출할 정상 에피소드를 각각 수집하는 단계; 및
상기 수집된 각각의 에피소드에 대하여, 하나의 에피소드를 각각 미리 설정된 개수의 연속적인 심박동수 간격으로 이루어진 분절들로 나누는 단계를 포함하며,
상기 ST 에피소드의 수집 시, 심전도에서 ST 분절의 변위(ST 분절의 하락 또는 상승)를 갖고 있는 에피소드만 수집하는 것을 특징으로 하는, 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용하여 심근 허혈을 검출하는 방법.
The method of claim 2,
Comprising the data set for learning the neural network,
Collecting ST episodes to extract a data set corresponding to myocardial ischemia and normal episodes to extract a data set corresponding to a normal homosexual rhythm; And
For each of the collected episodes, dividing one episode into segments each consisting of a predetermined number of consecutive heart rate intervals,
In the collection of the ST episodes, myocardial ischemia using characteristic comparison analysis in the time and frequency domain of the heart rate variability, characterized in that only the episodes having a displacement (falling or rising ST segment) of the ST segment in the ECG are collected. How to detect.
시간과 주파수 영역의 분석을 통하여, 각각 미리 설정된 개수의 시간 영역의 특징들과 주파수 영역의 특징들을 추출하되,
시간 영역의 특징들로서, 연속적인 심박동수 간격들의 표준편차(SDNN), 연속적인 심박동수 간격들의 차이의 표준편차(SDSD), 연속적인 심박동수 간격들의 차이의 제곱평균(RMSSD), 및 5㎳, 10㎳, 50㎳, 및 100㎳ 이상 차이 나는 연속적인 심박동수 간격들의 개수들(pNN5, pNN10, pNN50, 및 pNN100)을 추출하고,
주파수 영역의 특징들로서, 웨이블릿 변환을 이용하여 근사성분 A3와 세부성분 D2-D3에 속하는 주파수 대역들의 벡터들을 추출하는 것을 특징으로 하는, 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용하여 심근 허혈을 검출하는 방법.
The method of claim 2, wherein extracting the features comprises:
Through the analysis of the time and frequency domain, each of a predetermined number of features of the time domain and the features of the frequency domain is extracted,
As features of the time domain, the standard deviation of successive heart rate intervals (SDNN), the standard deviation of the difference of successive heart rate intervals (SDSD), the square mean of the difference of successive heart rate intervals (RMSSD), and 5 Hz, Extract the number of consecutive heart rate intervals (pNN5, pNN10, pNN50, and pNN100) that differ by more than 10 Hz, 50 Hz, and 100 Hz,
As features of the frequency domain, myocardial muscles using feature comparison analysis in time and frequency domain of the heart rate variability, characterized by extracting vectors of frequency bands belonging to the approximate component A3 and subcomponents D2-D3 using wavelet transform How to detect ischemia.
심근 허혈 여부를 검출해야 하는 상기 환자 데이터 세트를, 상기 단계 (2)에서 구축된 시간 영역의 분류 모델 및 주파수 영역의 분류 모델에 적합하도록 변경하는 단계; 및
상기 변경된 환자 데이터 세트를 상기 단계 (2)에서 구축된 시간 영역의 분류 모델 및 주파수 영역의 분류 모델에 적용시켜 정상 동성 리듬 또는 심근 허혈로 분류하는 단계를 포함하는 것을 특징으로 하는, 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용하여 심근 허혈을 검출하는 방법.2. The method of claim 1, wherein step (3)
Modifying the patient data set for detecting whether myocardial ischemia is suitable for the classification model of the time domain and the classification model of the frequency domain established in step (2); And
And applying the modified patient data set to the classification model of the time domain and the classification model of the frequency domain established in step (2) to classify into normal rhythm or myocardial ischemia. A method for detecting myocardial ischemia using feature comparison analysis in the frequency and frequency domains.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020110072806A KR101273652B1 (en) | 2011-07-22 | 2011-07-22 | A method to detect myocardial ischemia using comparison analysis of heart rate variability time and frequency domain features |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020110072806A KR101273652B1 (en) | 2011-07-22 | 2011-07-22 | A method to detect myocardial ischemia using comparison analysis of heart rate variability time and frequency domain features |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20130011567A KR20130011567A (en) | 2013-01-30 |
| KR101273652B1 true KR101273652B1 (en) | 2013-06-11 |
Family
ID=47840503
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020110072806A KR101273652B1 (en) | 2011-07-22 | 2011-07-22 | A method to detect myocardial ischemia using comparison analysis of heart rate variability time and frequency domain features |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101273652B1 (en) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020091122A1 (en) * | 2018-11-02 | 2020-05-07 | 한국로봇융합연구원 | Deep-learning method and system in which parallel processing of plurality of learning models is performed using time-series data divided according to frequency components |
| KR102152957B1 (en) * | 2019-10-18 | 2020-09-07 | (의료)길의료재단 | The discrimination of panic disorder from other anxiety disorders based on heart rate variability and the apparatus thereof |
| EP3903679A1 (en) | 2020-04-29 | 2021-11-03 | Bionet Co., Ltd. | Ecg data display method for detection of myocardial ischemia |
| WO2023096372A1 (en) * | 2021-11-24 | 2023-06-01 | 조선대학교산학협력단 | Apparatus and method for classifying heart disease using mobilenet |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102653259B1 (en) * | 2021-09-24 | 2024-04-01 | 주식회사 뷰노 | Method for extracting heart rate variability feature value |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20020002475A (en) * | 1999-03-02 | 2002-01-09 | 도크 엘. 칠드레 | Method and apparatus for facilitating physiological coherence and autonomic balance |
| KR20030069586A (en) * | 2002-02-22 | 2003-08-27 | 유기호 | Method of ECG Analysis using Polynomial Approximation |
| KR100954817B1 (en) * | 2009-03-13 | 2010-04-28 | (주)바이오센스크리에티브 | System and method for testing blood vessel's health and stress through signal analysis of pluse wave |
-
2011
- 2011-07-22 KR KR1020110072806A patent/KR101273652B1/en active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20020002475A (en) * | 1999-03-02 | 2002-01-09 | 도크 엘. 칠드레 | Method and apparatus for facilitating physiological coherence and autonomic balance |
| KR20030069586A (en) * | 2002-02-22 | 2003-08-27 | 유기호 | Method of ECG Analysis using Polynomial Approximation |
| KR100954817B1 (en) * | 2009-03-13 | 2010-04-28 | (주)바이오센스크리에티브 | System and method for testing blood vessel's health and stress through signal analysis of pluse wave |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020091122A1 (en) * | 2018-11-02 | 2020-05-07 | 한국로봇융합연구원 | Deep-learning method and system in which parallel processing of plurality of learning models is performed using time-series data divided according to frequency components |
| KR102152957B1 (en) * | 2019-10-18 | 2020-09-07 | (의료)길의료재단 | The discrimination of panic disorder from other anxiety disorders based on heart rate variability and the apparatus thereof |
| EP3903679A1 (en) | 2020-04-29 | 2021-11-03 | Bionet Co., Ltd. | Ecg data display method for detection of myocardial ischemia |
| KR20210133447A (en) | 2020-04-29 | 2021-11-08 | 주식회사 바이오넷 | ECG data display method for detection of myocardial ischemia |
| WO2023096372A1 (en) * | 2021-11-24 | 2023-06-01 | 조선대학교산학협력단 | Apparatus and method for classifying heart disease using mobilenet |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20130011567A (en) | 2013-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102008196B1 (en) | Apparatus for generating of Potassium level determination model using ECG and method thereof | |
| Sayadi et al. | Robust detection of premature ventricular contractions using a wave-based Bayesian framework | |
| Acharya et al. | An integrated index for detection of sudden cardiac death using discrete wavelet transform and nonlinear features | |
| Narin et al. | Early prediction of paroxysmal atrial fibrillation based on short-term heart rate variability | |
| CN105228508A (en) | A kind of system and method measured for the risk score of classifying | |
| KR101273652B1 (en) | A method to detect myocardial ischemia using comparison analysis of heart rate variability time and frequency domain features | |
| Daqrouq et al. | Neural network and wavelet average framing percentage energy for atrial fibrillation classification | |
| Ashtiyani et al. | Heart rate variability classification using support vector machine and genetic algorithm | |
| Sumathi et al. | A wavelet transform based feature extraction and classification of cardiac disorder | |
| Costin et al. | Atrial fibrillation onset prediction using variability of ECG signals | |
| Safarbali et al. | Nonlinear dynamic approaches to identify atrial fibrillation progression based on topological methods | |
| KR20130085632A (en) | R-peak detection method of ecg signal using adaptive local threshold | |
| Fang et al. | Dual-channel neural network for atrial fibrillation detection from a single lead ECG wave | |
| Sharma et al. | QRS complex detection in ECG signals using the synchrosqueezed wavelet transform | |
| CN111557658B (en) | PPG real-time heart rate signal quality evaluation method and device and storage medium | |
| Bruun et al. | Automatic atrial fibrillation detection: A novel approach using discrete wavelet transform and heart rate variability | |
| Bhoi et al. | QRS Complex Detection and Analysis of Cardiovascular Abnormalities: A Review. | |
| Moshawrab et al. | Cardiovascular events prediction using artificial intelligence models and heart rate variability | |
| Lahiri et al. | Analysis of ECG signal by chaos principle to help automatic diagnosis of myocardial infarction | |
| Hossen et al. | A wavelet-based soft decision technique for screening of patients with congestive heart failure | |
| Tsai et al. | Beat-by-beat Classification of ECG Signals with Machine Learning Algorithm for Cardiac Episodes | |
| Silveri et al. | A big-data classification tree for decision support system in the detection of dilated cardiomyopathy using heart rate variability | |
| Murugappan et al. | ECG morphological features based sudden cardiac arrest (SCA) prediction using nonlinear classifiers | |
| Oster et al. | An artificial model of the electrocardiogram during paroxysmal atrial fibrillation | |
| Azzaoui et al. | Classifying heartrate by change detection and wavelet methods for emergency physicians |
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: 20170524 Year of fee payment: 5 |
|
| FPAY | Annual fee payment |
Payment date: 20180724 Year of fee payment: 6 |