KR101776504B1 - 심실 부정맥 예측 장치 및 그 방법 - Google Patents
심실 부정맥 예측 장치 및 그 방법 Download PDFInfo
- Publication number
- KR101776504B1 KR101776504B1 KR1020160068340A KR20160068340A KR101776504B1 KR 101776504 B1 KR101776504 B1 KR 101776504B1 KR 1020160068340 A KR1020160068340 A KR 1020160068340A KR 20160068340 A KR20160068340 A KR 20160068340A KR 101776504 B1 KR101776504 B1 KR 101776504B1
- Authority
- KR
- South Korea
- Prior art keywords
- ventricular arrhythmia
- heart rate
- rate variability
- respiratory
- patient
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 206010047302 ventricular tachycardia Diseases 0.000 title description 2
- 206010065341 Ventricular tachyarrhythmia Diseases 0.000 title 1
- 206010047281 Ventricular arrhythmia Diseases 0.000 claims abstract description 184
- 230000000241 respiratory effect Effects 0.000 claims abstract description 52
- 230000036387 respiratory rate Effects 0.000 claims abstract description 29
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 29
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 206010003119 arrhythmia Diseases 0.000 claims description 9
- 230000006793 arrhythmia Effects 0.000 claims description 9
- 238000010009 beating Methods 0.000 claims description 9
- 230000007774 longterm Effects 0.000 claims description 8
- 208000000418 Premature Cardiac Complexes Diseases 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 9
- 230000003595 spectral effect Effects 0.000 description 7
- 206010015856 Extrasystoles Diseases 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000035772 mutation Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002861 ventricular Effects 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 101100202645 Arabidopsis thaliana SDN1 gene Proteins 0.000 description 1
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000002837 heart atrium Anatomy 0.000 description 1
- 230000004217 heart function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 206010042772 syncope Diseases 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 208000003663 ventricular fibrillation Diseases 0.000 description 1
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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- 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
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- 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
-
- A61B5/0456—
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/0816—Measuring devices for examining respiratory frequency
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/347—Detecting the frequency distribution of signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/363—Detecting tachycardia or bradycardia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
-
- 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
- A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Physiology (AREA)
- Pulmonology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
Abstract
본 발명은 심실 부정맥 예측 장치 및 그 방법에 관한 것이다. 본 발명에 따른 심실 부정맥 예측 방법에 따르면, 심실 부정맥 환자의 심전도 신호 및 호흡 신호 중 적어도 하나를 입력받는 단계, 상기 심실 부정맥 환자의 심전도 신호 및 호흡 신호 중 적어도 하나를 분석하여 상기 심실 부정맥 환자의 심박 변이도 및 호흡 변이도에 대한 파라미터 값 중 적어도 하나를 획득하는 단계, 상기 획득한 파라미터 값을 이용하여 심실 부정맥의 발생 여부를 예측하는 심실 부정맥 추정 알고리즘을 생성하는 단계, 사용자의 심박 변이도 및 호흡 변이도에 대한 파라미터 값 중 적어도 하나를 상기 심실 부정맥 추정 알고리즘에 적용하여 상기 사용자의 심실 부정맥 발생 여부를 예측하는 단계, 그리고 상기 심실 부정맥 발생 여부의 예측 결과를 출력하는 단계를 포함한다.
이와 같이 본 발명에 따르면, 심실 부정맥 예측 방법은 심실 부정맥이 발생하기 이전에 높은 확률로 발병을 예측하게 한다. 특히, 심실 부정맥이 발생되기 한 시간 이전에 예측을 가능하게 하는바, 환자가 심실 부정맥의 발생에 대처하기 위한 충분한 시간을 확보할 수 있다.
이와 같이 본 발명에 따르면, 심실 부정맥 예측 방법은 심실 부정맥이 발생하기 이전에 높은 확률로 발병을 예측하게 한다. 특히, 심실 부정맥이 발생되기 한 시간 이전에 예측을 가능하게 하는바, 환자가 심실 부정맥의 발생에 대처하기 위한 충분한 시간을 확보할 수 있다.
Description
본 발명은 심실 부정맥 예측 장치 및 그 방법에 관한 것으로서, 더욱 상세하게는 심박 변이도와 호흡 변이도를 이용하여 심실 부정맥을 예측하는 장치 및 그 방법에 관한 것이다.
심장은 좌우 두개의 심방과 심실로 구성이 되며 심장 근육의 전기적 자극에 의해 수축과 이완을 한다. 이때 정상 전도가 아닌 심실 조직에서 전기적 신호가 발생하거나 전달에 이상이 있는 경우를 심실 부정맥이라고 한다.
심실 부정맥이 발생하면 혈액을 박출하는 심장의 능력이 저하되어 뿜어져 나오는 혈액량이 감소하고, 이로 인해 호흡곤란, 현기증, 실신 등이 나타날 수 있다. 또한 심실 무수축, 심실빈맥, 심실세동과 같은 악성 부정맥이 발생하면 순간적으로 심장 기능이 완전히 마비되어 곧바로 심장마비로 사망할 수 있다. 따라서 심실 부정맥이 발생하면 나타나면 즉시 응급치료를 받아야 하며, 발생 원인을 정확하게 찾아내어 원인질환을 치료해야 한다.
하지만 심실 부정맥은 환자에게 갑자기 발생하는 경우가 많고, 병원에서 치료를 받기 전에 이미 사망에 이르는 경우도 많으므로, 심실 부정맥을 조기에 예측하지 못하는 한 응급치료를 받기 어렵다.
최근 심실 부정맥을 조기 예측하기 위하여 빅데이터를 활용하는 등 다양한 연구가 진행되고 있으나, 병원에 입원한 환자에게 적용되고 조기 예측 시간이 수분이내로 짧기 때문에 심실 부정맥의 발생에 대처하기 위한 충분한 시간을 확보하기 어려운 실정이다.
본 발명의 배경이 되는 기술은 한국공개특허 제10-2012-0133793호(2012.12.11.공개)에 개시되어 있다.
본 발명이 이루고자 하는 기술적 과제는 심박 변이도와 호흡 변이도를 이용하여 심실 부정맥을 예측하는 장치 및 그 방법을 제공하기 위한 것이다.
이러한 기술적 과제를 이루기 위한 본 발명의 실시예에 따르면, 심실 부정맥 예측 방법은 심실 부정맥 환자의 심전도 신호 및 호흡 신호 중 적어도 하나를 입력받는 단계, 상기 심실 부정맥 환자의 심전도 신호 및 호흡 신호 중 적어도 하나를 분석하여 상기 심실 부정맥 환자의 심박 변이도 및 호흡 변이도에 대한 파라미터 값 중 적어도 하나를 획득하는 단계, 상기 획득한 파라미터 값을 이용하여 심실 부정맥의 발생 여부를 예측하는 심실 부정맥 추정 알고리즘을 생성하는 단계, 사용자의 심박 변이도 및 호흡 변이도에 대한 파라미터 값 중 적어도 하나를 상기 심실 부정맥 추정 알고리즘에 적용하여 상기 사용자의 심실 부정맥 발생 여부를 예측하는 단계, 그리고 상기 심실 부정맥 발생 여부의 예측 결과를 출력하는 단계를 포함한다.
상기 심박 변이도에 대한 파라미터는 NN 간격 평균(Mean Normal-Normal interval), NN 간격 표준편차(SDNN), 인접한 NN 간격의 차이에 대한 제곱의 합을 평균한 값에 대한 제곱근(RMSSD), 연속적인 NN 간격의 차이가 50 ms를 초과하는 NN 간격 수의 비율(pNN50), 0~0.04 Hz 사이의 저저주파 영역의 신호의 강도(VLF), 0.04~0.15 Hz 사이의 저주파 영역의 신호의 강도(LF), 0.15~0.40 Hz 사이의 고주파 영역의 신호의 강도(HF), LF와 HF의 비율(LF/HF), 단기 심박 변이율(SD1), 장기 심박 변이율(SD2) 및 단기 심박 변이율과 장기 심박 변이율의 비율(SD1/SD2) 중에서 적어도 하나를 포함하고, 상기 호흡 변이도에 대한 파라미터는 호흡 주기의 평균(RPdM), 호흡 주기의 표준편차(RPdSD) 및 호흡 주기의 평균과 호흡 주기의 표준편차간의 비율(RPdV) 중에서 적어도 하나를 포함할 수 있다.
상기 파라미터 정보를 획득하는 단계는, 상기 심전도 신호에서 R피크를 검출하여 RR간격 데이터를 생성하는 단계, 상기 RR간격 데이터에서 이소성 박동을 제거하는 단계, 상기 이소성 박동이 제거된 RR간격 데이터를 이용하여 상기 파라미터에 대한 결과 값을 획득하는 단계를 포함할 수 있다.
상기 RR간격 데이터에서 이소성 박동을 제거하는 단계는, 상기 RR간격의 크기가 임계 값보다 큰 경우, 해당되는 RR간격 구간을 삭제할 수 있다.
상기 심실 부정맥 추정 알고리즘을 생성하는 단계는, 인공 신경 회로망에 상기 심실 부정맥 환자의 심박 변이도 및 호흡 변이도에 대한 파라미터 값 중 적어도 하나를 입력하여 상기 심실 부정맥 추정 알고리즘을 생성하며, 상기 인공 신경 회로망은, 하나의 입력 레이어, 복수의 히든 레이어 및 하나의 출력 레이어를 포함하고, 상기 입력 레이어에 상기 심박 변이도에 대한 파라미터 값 및 상기 심박 변이도에 대한 파라미터 값 중 적어도 하나가 입력될 수 있다.
본 발명의 다른 실시예에 따른 심실 부정맥 예측 장치는, 심실 부정맥 환자의 심전도 신호 및 호흡 신호 중 적어도 하나를 입력받는 입력부, 상기 심실 부정맥 환자의 심전도 신호 및 호흡 중 적어도 하나를 분석하여 상기 심실 부정맥 환자의 심박 변이도 및 호흡 변이도에 대한 파라미터 값 중 적어도 하나를 획득하는 획득부, 상기 획득한 파라미터 값을 이용하여 심실 부정맥의 발생 여부를 예측하는 심실 부정맥 추정 알고리즘을 생성하는 생성부, 사용자의 심박 변이도 및 호흡 변이도에 대한 파라미터 값 중 적어도 하나를 상기 심실 부정맥 추정 알고리즘에 적용하여 상기 사용자의 심실 부정맥 발생 여부를 예측하는 예측부, 그리고 상기 심실 부정맥 발생 여부의 예측 결과를 출력하는 출력부를 포함한다.
이와 같이 본 발명에 따르면, 심실 부정맥 예측 방법은 심실 부정맥이 발생하기 이전에 높은 확률로 발병을 예측하게 한다. 특히, 심실 부정맥이 발생되기 한 시간 이전에 예측을 가능하게 하는바, 환자가 심실 부정맥의 발생에 대처하기 위한 충분한 시간을 확보할 수 있다.
또한, 병원내에 구비된 환자 감시장치와 연동하여 서비스를 제공할 수 있을 뿐만 아니라, 휴대용 심전도 측정기 또는 휴대용 호흡 측정기와 같은 유헬스(u-health) 장비와 연동하여 서비스를 제공할 수 있으므로, 환자가 일상 생활중에도 심실 부정맥의 발생에 빠르게 대처할 수 있다.
도 1은 본 발명의 실시예에 따른 심실 부정맥 예측 장치의 구성도이다.
도 2는 본 발명의 실시예에 따른 심실 부정맥 예측 방법을 나타낸 순서도이다.
도 3은 도 2의 S220 단계를 상세하게 설명하기 위한 순서도이다.
도 4a는 본 발명의 실시예에 따른 RR간격 데이터를 나타낸 그래프이다.
도 4b는 본 발명의 실시예에 따른 RR간격 데이터에서 이소성 박동을 제거한 그래프이다.
도 4c는 본 발명의 실시예에 따른 이소성 박동을 제거한 데이터에서 디트렌딩 등을 수행한 그래프이다.
도 4d는 본 발명의 실시에에 따른 파워 스펙트럼 밀도를 나타낸 그래프이다.
도 5는 본 발명의 실시예에 따른 심박 변이도에 대한 심실 부정맥 예측 알고리즘의 구조를 나타낸 도면이다.
도 6은 본 발명의 실시예에 따른 심실 부정맥 예측 결과를 나타낸 그래프이다.
도 2는 본 발명의 실시예에 따른 심실 부정맥 예측 방법을 나타낸 순서도이다.
도 3은 도 2의 S220 단계를 상세하게 설명하기 위한 순서도이다.
도 4a는 본 발명의 실시예에 따른 RR간격 데이터를 나타낸 그래프이다.
도 4b는 본 발명의 실시예에 따른 RR간격 데이터에서 이소성 박동을 제거한 그래프이다.
도 4c는 본 발명의 실시예에 따른 이소성 박동을 제거한 데이터에서 디트렌딩 등을 수행한 그래프이다.
도 4d는 본 발명의 실시에에 따른 파워 스펙트럼 밀도를 나타낸 그래프이다.
도 5는 본 발명의 실시예에 따른 심박 변이도에 대한 심실 부정맥 예측 알고리즘의 구조를 나타낸 도면이다.
도 6은 본 발명의 실시예에 따른 심실 부정맥 예측 결과를 나타낸 그래프이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.
그러면 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.
먼저, 도 1을 통해 본 발명의 실시예에 따른 심실 부정맥 예측 장치(100)의 구성에 대하여 살펴본다. 도 1은 본 발명의 실시예에 따른 심실 부정맥 예측 장치의 구성도이다.
도 1을 참조하면, 본 발명의 실시예에 따른 심실 부정맥 예측 장치(100)는 입력부(110), 획득부(120), 생성부(130), 예측부(140) 및 출력부(150)를 포함한다.
우선, 입력부(110)는 환자의 바이탈 신호를 입력받는다. 이때, 환자는 심실 부정맥 환자를 의미하며, 환자의 바이탈 신호는 환자의 심전도 신호(ECG signal) 및 호흡 신호(respiratory signal) 중 적어도 하나를 포함한다. 또한, 환자의 바이탈 신호는 심실 부정맥 환자가 정상일 경우, 심실 부정맥 발생 직전 및 심실 부정맥 발생 후의 바이탈 신호를 포함한다.
다음으로, 획득부(120)는 환자의 바이탈 신호를 분석하여 바이탈 변이도에 대한 파라미터 값을 획득한다. 여기서, 바이탈 변이도는 심박 변이도 및 호흡 변이도 중 적어도 하나를 포함한다.
표 1은 심박 변이도 및 호흡 변이도에 대한 파라미터를 나타낸 것이다.
각 파라미터에 대해 구체적으로 살펴보면, 먼저, 심박 변이도(HRV, heart rate variability) 파라미터는 Mean NN, SDNN, RMSSD, pNN50, VLF, LF, HF, LF/HF, SD1, SD2 및 SD1/SD2 중에서 적어도 하나를 포함한다.
여기서, Mean NN, SDNN, RMSSD 및 pNN50의 파라미터 값은 시간 영역 분석을 통해 획득된다. 구체적으로, Mean NN은 NN 간격(NN interval, Normal-Normal interval)의 평균을 의미하고, SDNN(standard deviation of NN intervals)은 NN 간격의 표준편차를 의미하고, RMSSD(Square root of the mean squared differences of successive NN intervals)는 인접한 NN 간격의 차이에 대한 제곱의 합을 평균한 값에 대한 제곱근을 의미하며, pNN50(proportion of interval differences of successive NN intervals greater than 50ms)은 연속적인 NN 간격의 차이가 50ms를 초과하는 NN 간격 수의 비율을 의미한다.
그리고, VLF, LF, HF 및 LF/HF의 파라미터 값은 주파수 영역 분석을 통해 획득된다. 구체적으로, VLF(very low frequency)는 0~0.04 Hz 사이의 저저주파 영역의 신호의 강도를 의미하고, LF(low frequency)는 0.04~0.15 Hz 사이의 저주파 영역의 신호의 강도를 의미하고, HF(high frequency)는 0.15~0.40 Hz 사이의 고주파 영역의 신호의 강도를 의미하며, LF/HF는 LF와 HF의 비율을 의미한다.
그리고, SD1, SD2 및 SD1/SD2의 파라미터 값은 비선형 분석을 통해 획득된다. 구체적으로, SD1(standard deviation 1)은 단기 심박 변이율을 의미하고, SD2(standard deviation 2)는 장기 심박 변이율을 의미하며, SD1/SD2는 단기 심박 변이율과 장기 심박 변이율의 비율을 의미한다.
다음으로, 호흡 변이도(RRV, respiratory rate variability) 파라미터는 RPdV, RPdSD 및 RPdM 중에서 적어도 하나를 포함한다. 이때, RPdV, RPdSD 및 RPdM의 파라미터 값은 시간 영역 분석을 통해 획득된다. 구체적으로, RPdM(respiration period mean)은 호흡 주기의 평균을 의미하고, RPdSD(respiration period standard deviation)는 호흡 주기의 표준편차를 의미하며, RPdV(respiration period variability)는 RPdSD과 RPdM의 비율을 의미한다.
그리고, 생성부(130)는 획득한 바이탈 변이도에 대한 파라미터 값과 인공 신경 회로망을 이용하여 심실 부정맥 예측 알고리즘을 생성한다. 여기서, 심실 부정맥 예측 알고리즘은 인공 신경 회로망을 기반으로 생성될 수 있다. 또한, 심실 부정맥 예측 알고리즘은 심박 변이도 파라미터를 이용한 심실 부정맥 예측 알고리즘, 호흡 변이도 파라미터를 이용한 심실 부정맥 예측 알고리즘 및 심박 변이도 파라미터와 호흡 변이도 파라미터를 모두 이용한 심실 부정맥 예측 알고리즘 중 적어도 하나를 포함한다.
다음으로, 예측부(140)는 사용자의 바이탈 정보를 입력받아 심실 부정맥 예측 알고리즘에 적용하여 사용자의 심실 부정맥 발생 여부를 예측한다.
그리고, 출력부(150)는 사용자의 심실 부정맥 발생 여부에 대한 예측 결과를 출력한다. 이때, 예측 결과는 사용자 단말을 통하여 표시될 수 있다.
한편, 본 발명의 실시예에 따르면, 예측부(140) 및 출력부(150)는 입력부(110), 획득부(120) 및 생성부(130)와 별도의 장치로 구현되거나, 심실 부정맥 예측 서버로 구현될 수 있다.
예를 들어, 예측부(140) 및 출력부(150)가 심실 부정맥 예측 서버로 구현되는 경우, 심실 부정맥 예측 서버는 사용자 단말로부터 사용자의 심박 변이도 및 호흡 변이도에 파라미터 값 중 적어도 하나를 수신하여 사용자의 심실 부정맥 발생 여부를 예측한다. 그리고, 심실 부정맥 예측 서버는 예측 결과를 사용자 단말로 출력하여 사용자에게 제공한다.
이하에서는 도 2 내지 도 5을 통해 본 발명의 실시예에 따른 심실 부정맥 예측 장치를 이용한 심실 부정맥 예측 방법에 대하여 살펴본다. 도 2는 본 발명의 실시예에 따른 심실 부정맥 예측 방법을 나타낸 순서도이다.
먼저, 입력부(110)는 다수의 심실 부정맥 환자의 바이탈 신호를 입력받는다(S210).
그리고, 획득부(120)는 입력받은 환자의 바이탈 신호를 분석하여 바이탈 변이도에 대한 파라미터 값을 획득한다(S220).
본 발명의 실시예에 따르면, 획득부(120)는 환자의 바이탈 신호 중 심전도 신호에서 R피크를 검출하여 RR간격 데이터를 생성할 수 있다. 그리고, 획득부(120)는 생성된 RR간격 데이터를 이용하여 심박 변이도 파라미터 값을 획득할 수 있다.
또한, 획득부(120)는 환자의 바이탈 신호 중 호흡 신호에서 호흡피크를 검출하여 호흡피크간격 데이터를 생성할 수 있다. 그리고, 획득부(120)는 생성된 호흡피크간격 데이터를 이용하여 호흡 변이도 파라미터 값을 획득할 수 있다.
그러면, 도 3 내지 도 4d를 통해 S220 단계인 심박 변이도 대한 파라미터 값의 획득 과정에 대하여 구체적으로 살펴본다. 도 3은 도 2의 S220 단계를 상세하게 설명하기 위한 순서도이다.
그리고, 도 4a는 본 발명의 실시예에 따른 RR간격 데이터를 나타낸 그래프이며, 도 4b는 본 발명의 실시예에 따른 RR간격 데이터에서 이소성 박동을 제거한 그래프이고, 도 4c는 본 발명의 실시예에 따른 이소성 박동을 제거한 데이터에서 디트렌딩 등을 수행한 그래프이며, 도 4d는 본 발명의 실시에에 따른 파워 스펙트럼 밀도를 나타낸 그래프이다.
먼저, 획득부(120)는 입력 받은 심전도 신호에서 R피크를 검출하여 RR간격 데이터를 생성한다(S221). 여기서, RR간격(RR interval)이란 심장 박동의 R-피크(R-peak)간 간격을 의미하며, NN 간격이라고도 한다. 도 4a를 참조하면, 생성된 RR간격 데이터는 시간을 x축으로 하고 RR간격을 y축으로 하는 데이터로 표현될 수 있다.
RR간격 데이터가 생성된 후, 획득부(120)는 RR간격 데이터에서 이소성 박동을 제거한다(S222). 이때, 이소성 박동(ectopic beat)이란 정상적인 심장 박동 이후에 불규칙하게 한 번씩 나타나는 심장 박동을 말하며, 도 4a에서 보는 바와 같이, RR 간격이 불규칙적으로 크게 발생하는 지점이 이소성 박동이 발생한 지점이다.
이소성 박동의 제거는 RR간격의 크기가 임계값보다 큰 경우 해당되는 RR간격 구간을 삭제하는 방법으로 진행된다. 예를 들어 임계치가 0.1이라고 가정할 때, RR간격이 0.2인 경우 해당 구간은 삭제되며, 0.05인 경우 삭제되지 않는다. 획득부(120)는 도 4a와 같은 RR간격 데이터에서 이소성 박동 구간을 제거하여 도 4b와 같은 형태의 데이터를 획득할 수 있다.
그러면, 획득부(120)는 이소성 박동이 제거된 RR간격 데이터로부터 시간 영역 분석을 통하여 Mean NN, SDNN, RMSSD, pNN50에 대한 파라미터 값을 획득하고, 비선형 분석을 통하여 SD1, SD2, SD1/SD2에 대한 파라미터 값을 획득한다(S223).
다음으로, 획득부(120)는 이소성 박동이 제거된 데이터를 디트랜딩(detrending), 리샘플링(resampling), 큐빅 스프라인 보간(cubic spline interpolation) 및 파워 스팩트럼 밀도(power spectral density) 계산을 통해 주파수 영역 분석을 위한 데이터를 생성한다(S224, S225).
구체적으로, 획득부(120)는 시변 유한 임펄스 응답 고역 통과 필터(time-varying fininte impulse response high-pass filter)를 이용하여 이소성 박동이 제거된 데이터를 디트랜딩한다. 이때, 디트랜딩(detrending)이란 이소성 박동이 제거된 데이터의 장기적 트랜드를 제거하고 단기적 변화를 강조하는 데이터 조작을 의미한다.
그리고, 획득부(120)는 디트랜드(detrend)된 데이터를 7Hz로 리샘플링하고, 큐빅 스플라인 보간을 수행하여 주파수 영역 분석을 위한 데이터를 생성한다. 여기서, 큐빅 스플라인 보간(cubic spline interpolation)이란 주어진 모든 점을 지나는 3차의 다항식을 작성하여 두 점 사이를 부드러운 곡선으로 연결하는 보간 방법을 의미한다. 위의 과정을 통해 생성된 데이터는 도 4c와 같은 형태의 그래프로 표현될 수 있다.
또한 디트랜딩, 리샘플링 및 큐빅 스플라인 보간을 마친 후, 획득부(120)는 파워 스팩트럼 밀도(PSD, power spectral density)를 계산하며, 파워 스팩트럼 밀도는 도 4b와 같은 형태의 그래프로 표현될 수 있다.
S225단계에서 파워 스펙트럼 밀도가 계산된 후, 획득부(120)는 파워 스팩트럼 밀도로부터 주파수 영역 분석을 통해 VLF, LF, HF에 대한 파라미터 값을 획득한다(S226).
표 2는 획득부(120)가 바이탈 신호의 분석을 통해 획득한 바이탈 변이도에 대한 파라미터 값을 나타낸 표이다.
여기서, Mean은 평균값, SD는 표준편차, p-value는 유의 확률을 의미하며, 유의 확률(p-value)이란 귀무가설이 맞다고 가정할 때 얻은 결과보다 극단적인 결과가 실제로 관측될 확률을 의미한다.
이와 같이, S220 단계를 통해 바이탈 변이도에 대한 파라미터 값을 획득한 후, 생성부(130)는 바이탈 변이도에 대한 파라미터 값 및 인공 신경 회로망을 이용하여 심실 부정맥 예측 알고리즘을 생성한다(S230).
여기서 인공 신경 회로망(ANN, artificial neural network)이란 생물학의 신경망(동물의 중추신경계, 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘으로 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜 문제 해결 능력을 가지는 모델 전반을 가리키며, 본 발명의 실시예에서 심실 부정맥 예측 알고리즘은 인공 신경 회로망을 기반으로 생성된다. 본 발명의 실시예에 따른 심실 부정맥 예측 장치(100)는 인공 신경 회로망뿐만 아니라 지지 벡터 머신(SVM, support vector machine)과 같은 기계 학습 알고리즘(machine learning algorithm)을 이용할 수 있다.
그러면, 도 5를 통해 본 발명의 일 실시예인 인공 신경 회로망을 이용하여 심박 변이도에 대한 파라미터를 이용한 심실 부정맥 예측 알고리즘의 생성 과정을 살펴본다. 도 5는 본 발명의 실시예에 따른 심박 변이도에 대한 심실 부정맥 예측 알고리즘의 구조를 나타낸 도면이다.
도 5에서 보는 바와 같이, 파라미터가 표시된 사각형의 노드 및 각 원모양의 노드는 인공 뉴런을 나타낸다. 그리고, 연결선은 하나의 뉴런의 출력에서 다른 하나의 뉴런으로의 입력을 나타낸다.
구체적으로, 인공 신경 회로망은 11개의 노드를 포함하는 입력 레이어, 25개의 노드를 포함하는 제1 히든 레이어는, 25개의 노드를 포함하는 제2 히든 레이어 및 1개의 출력노드로 형성될 수 있다. 그리고, 인공 신경 회로망은 각 파라미터 정보에 대해서 정상일 때에는 -1의 값을 가지고 심실 부정맥에 예측 될 때에는 +1의 값을 가지도록 학습하여 심실 부정맥 예측 알고리즘을 생성할 수 있다.
이때, 학습은 역전파 학습 규칙(back propagation learning rule)이 이용되며, 역전파 학습 규칙이란 입력이 주어짐에 따라 원하는 출력 값이 활성화 되도록 가중치를 조절하는 학습법을 말한다. 본 발명의 실시예에서, 학습의 종료는 평균 제곱 오차(mean square error)가 10-5 이하가 되면 종료하도록 하여 가중치를 조절한다.
한편, 호흡 변이도 및 심박 변이도에 대한 파라미터를 이용한 심실 부정맥 예측 알고리즘과 호흡 변이도에 대한 파라미터를 이용한 심실 부정맥 예측 알고리즘도 심박 변이도에 대한 파라미터를 이용한 심실 부정맥 예측 알고리즘의 생성 과정과 유사한 방법으로 생성될 수 있다.
S230 단계를 통해 심실 부정맥 예측 알고리즘이 생성된 후, 예측부(140)는 사용자의 바이탈 정보를 입력받아 심실 부정맥 예측을 위한 알고리즘에 적용하여 사용자의 심실 부정맥 발생 여부를 예측하고(S240), 예측 결과를 출력한다(S250). 이때, 사용자의 바이탈 정보는 사용자 단말을 통해 획득될 수 있다.
한편, S210 내지 S250 단계는 심실 부정맥 예측 방법을 실행하기 위한 프로그램이 기록된 컴퓨터 판독이 가능한 기록매체로 구현될 수 있다. 뿐만 아니라, S240 및 S250 단계는 심실 부정맥 예측 방법을 실행하기 위한 프로그램이 기록된 컴퓨터 판독이 가능한 기록매체로 구현될 수 있으며, S210 내지 S230 단계를 통해 생성된 심실 부정맥 예측 알고리즘 역시 프로그램이 기록된 컴퓨터 판독이 가능한 기록매체로 구현될 수 있다.
이하에서는 도 6을 통해 본 발명의 실시예에 따른 사용자의 심실 부정맥 예측 결과에 대하여 살펴본다. 도 6은 본 발명의 실시예에 따른 심실 부정맥 예측 결과를 나타낸 그래프이다.
먼저, 아래 표 3은 본 발명의 실시예에 따른 심실 부정맥 예측 방법을 이용하여 사용자의 심실 부정맥 발생 여부의 판단 결과를 나타낸 도표이다.
표 3에서 보는 바와 같이, 심박 변이도 파라미터를 이용한 심실 부정맥 예측 알고리즘의 경우, 심실 부정맥의 예측 결과는 정확도 86.1%, 특이도 86.1%, 민감도 86.1%, PPV(positive predictive value) 확률 86.1%, NPV(negative predictive value) 확률 86.1%, AUC(area under the roccurve) 0.882 이고, 호흡 변이도 파라미터를 이용한 심실 부정맥 예측 알고리즘의 경우, 심실 부정맥의 예측 결과는 정확도 94.4%, 특이도 97.2%, 민감도 91.7%, PPV(positive predictive value) 확률 86.1%, NPV(negative predictive value) 확률 86.1%, AUC(area under the roccurve) 0.938이다.
그리고, 심박 변이도 파라미터와 호흡 변이도 파라미터를 모두 이용한 알고리즘의 경우, 심실 부정맥의 예측 결과는 정확도 94.4%, 특이도 97.2%, 민감도 91.7%, PPV(positive predictive value) 확률 86.1%, NPV(negative predictive value) 확률 86.1%, AUC(area under the roccurve) 0.940이다.
도 6을 참조하면, 표 3에 나타난 AUC(area under the roccurve)의 비교 결과, 심박 변이도와 호흡 변이도에 대한 파라미터를 모두 이용한 알고리즘의 경우, 심박 변이도 및 호흡 변이도 중 어느 하나를 이용한 알고리즘보다 더 우수한 예측 성능을 보여준다.
이와 같이 본 발명의 실시예에 따르면, 심실 부정맥 예측 방법은 심실 부정맥이 발생하기 이전에 높은 확률로 발병을 예측하게 한다. 특히, 심실 부정맥이 발생되기 한 시간 이전에 예측을 가능하게 하는바, 환자가 심실 부정맥의 발생에 대처하기 위한 충분한 시간을 확보할 수 있다.
또한, 병원내에 구비된 환자 감시장치와 연동하여 서비스를 제공할 수 있을 뿐만 아니라, 휴대용 심전도 측정기 또는 휴대용 호흡 측정기와 같은 유헬스(u-health) 장비와 연동하여 서비스를 제공할 수 있으므로, 환자가 일상 생활중에도 심실 부정맥의 발생에 빠르게 대처할 수 있다.
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
100 : 심실 부정맥 예측 장치 110 : 입력부
120 : 획득부 130 : 생성부
140 : 예측부 150 : 출력부
120 : 획득부 130 : 생성부
140 : 예측부 150 : 출력부
Claims (15)
- 심실 부정맥 예측 장치를 이용한 심실 부정맥 예측 방법에 있어서,
심실 부정맥 환자의 심전도 신호 및 호흡 신호 중 적어도 하나를 입력받는 단계,
상기 심실 부정맥 환자의 심전도 신호 및 호흡 신호 중 적어도 하나를 분석하여 상기 심실 부정맥 환자의 심박 변이도 및 호흡 변이도에 대한 파라미터 값 중 적어도 하나를 획득하는 단계,
상기 획득한 파라미터 값을 이용하여 심실 부정맥의 발생 여부를 예측하는 심실 부정맥 추정 알고리즘을 생성하는 단계,
사용자의 심박 변이도 및 호흡 변이도에 대한 파라미터 값 중 적어도 하나를 상기 심실 부정맥 추정 알고리즘에 적용하여 상기 사용자의 심실 부정맥 발생 여부를 예측하는 단계, 그리고
상기 심실 부정맥 발생 여부의 예측 결과를 출력하는 단계를 포함하며,
상기 심실 부정맥 추정 알고리즘을 생성하는 단계는,
인공 신경 회로망에 상기 심실 부정맥 환자의 심박 변이도 및 호흡 변이도에 대한 파라미터 값 중 적어도 하나를 입력하여 상기 심실 부정맥 추정 알고리즘을 생성하며,
상기 인공 신경 회로망은,
하나의 입력 레이어, 복수의 히든 레이어 및 하나의 출력 레이어를 포함하고, 상기 입력 레이어에 상기 심박 변이도에 대한 파라미터 값 및 상기 심박 변이도에 대한 파라미터 값 중 적어도 하나가 입력되는 심실 부정맥 예측 방법. - 심실 부정맥 예측 장치를 이용한 심실 부정맥 예측 방법에 있어서,
사용자의 심박 변이도 및 호흡 변이도에 대한 파라미터 값 중 적어도 하나를 심실 부정맥 추정 알고리즘에 적용하여 상기 사용자의 심실 부정맥 발생 여부를 예측하는 단계, 그리고
상기 심실 부정맥 발생 여부의 예측 결과를 출력하는 단계를 포함하며,
상기 심실 부정맥 추정 알고리즘은,
심실 부정맥 환자의 심전도 신호 및 호흡 중 적어도 하나를 분석하여 획득된 상기 심실 부정맥 환자의 심박 변이도 및 호흡 변이도에 대한 파라미터 값 중 적어도 하나를 이용하여 생성되며,
상기 심박 변이도에 대한 파라미터는 NN 간격 평균(Mean Normal-Normal interval), NN 간격 표준편차(SDNN), 인접한 NN 간격의 차이에 대한 제곱의 합을 평균한 값에 대한 제곱근(RMSSD), 연속적인 NN 간격의 차이가 50 ms를 초과하는 NN 간격 수의 비율(pNN50), 0~0.04 Hz 사이의 저저주파 영역의 신호의 강도(VLF), 0.04~0.15 Hz 사이의 저주파 영역의 신호의 강도(LF), 0.15~0.40 Hz 사이의 고주파 영역의 신호의 강도(HF), LF와 HF의 비율(LF/HF), 단기 심박 변이율(SD1), 장기 심박 변이율(SD2) 및 단기 심박 변이율과 장기 심박 변이율의 비율(SD1/SD2) 중에서 적어도 하나를 포함하고,
상기 호흡 변이도에 대한 파라미터는 호흡 주기의 평균(RPdM), 호흡 주기의 표준편차(RPdSD) 및 호흡 주기의 평균과 호흡 주기의 표준편차간의 비율(RPdV) 중에서 적어도 하나를 포함하며,
상기 심박 변이도 및 호흡 변이도에 대한 파라미터는,
상기 심전도 신호에서 R피크를 검출하여 RR간격 데이터를 생성하고, 상기 RR간격 데이터에서 이소성 박동을 제거하며, 상기 이소성 박동이 제거된 RR간격 데이터를 이용하여 상기 파라미터에 대한 결과 값을 획득되는 심실 부정맥 예측 방법. - 심실 부정맥 예측 장치를 이용한 심실 부정맥 예측 방법에 있어서,
심실 부정맥 환자의 심전도 신호 및 호흡 신호 중 적어도 하나를 입력받는 단계,
상기 심실 부정맥 환자의 심전도 신호 및 호흡 신호 중 적어도 하나를 분석하여 상기 심실 부정맥 환자의 심박 변이도 및 호흡 변이도에 대한 파라미터 값 중 적어도 하나를 획득하는 단계,
상기 획득한 파라미터 값을 이용하여 심실 부정맥의 발생 여부를 예측하는 심실 부정맥 추정 알고리즘을 생성하는 단계,
사용자의 심박 변이도 및 호흡 변이도에 대한 파라미터 값 중 적어도 하나를 상기 심실 부정맥 추정 알고리즘에 적용하여 상기 사용자의 심실 부정맥 발생 여부를 예측하는 단계, 그리고
상기 심실 부정맥 발생 여부의 예측 결과를 출력하는 단계를 포함하며,
상기 심박 변이도에 대한 파라미터는 NN 간격 평균(Mean Normal-Normal interval), NN 간격 표준편차(SDNN), 인접한 NN 간격의 차이에 대한 제곱의 합을 평균한 값에 대한 제곱근(RMSSD), 연속적인 NN 간격의 차이가 50 ms를 초과하는 NN 간격 수의 비율(pNN50), 0~0.04 Hz 사이의 저저주파 영역의 신호의 강도(VLF), 0.04~0.15 Hz 사이의 저주파 영역의 신호의 강도(LF), 0.15~0.40 Hz 사이의 고주파 영역의 신호의 강도(HF), LF와 HF의 비율(LF/HF), 단기 심박 변이율(SD1), 장기 심박 변이율(SD2) 및 단기 심박 변이율과 장기 심박 변이율의 비율(SD1/SD2) 중에서 적어도 하나를 포함하고,
상기 호흡 변이도에 대한 파라미터는 호흡 주기의 평균(RPdM), 호흡 주기의 표준편차(RPdSD) 및 호흡 주기의 평균과 호흡 주기의 표준편차간의 비율(RPdV) 중에서 적어도 하나를 포함하며,
상기 파라미터 정보를 획득하는 단계는,
상기 심전도 신호에서 R피크를 검출하여 RR간격 데이터를 생성하는 단계,
상기 RR간격 데이터에서 이소성 박동을 제거하는 단계, 및
상기 이소성 박동이 제거된 RR간격 데이터를 이용하여 상기 파라미터에 대한 결과 값을 획득하는 단계를 포함하는 심실 부정맥 예측 방법. - 제3항에 있어서,
상기 RR간격 데이터에서 이소성 박동을 제거하는 단계는,
상기 RR간격의 크기가 임계 값보다 큰 경우, 해당되는 RR간격 구간을 삭제하는 심실 부정맥 예측 방법. - 제3항에 있어서,
상기 심실 부정맥 추정 알고리즘을 생성하는 단계는,
인공 신경 회로망에 상기 심실 부정맥 환자의 심박 변이도 및 호흡 변이도에 대한 파라미터 값 중 적어도 하나를 입력하여 상기 심실 부정맥 추정 알고리즘을 생성하며,
상기 인공 신경 회로망은,
하나의 입력 레이어, 복수의 히든 레이어 및 하나의 출력 레이어를 포함하고, 상기 입력 레이어에 상기 심박 변이도에 대한 파라미터 값 및 상기 심박 변이도에 대한 파라미터 값 중 적어도 하나가 입력되는 심실 부정맥 예측 방법. - 심실 부정맥 환자의 심전도 신호 및 호흡 신호 중 적어도 하나를 입력받는 입력부,
상기 심실 부정맥 환자의 심전도 신호 및 호흡 중 적어도 하나를 분석하여 상기 심실 부정맥 환자의 심박 변이도 및 호흡 변이도에 대한 파라미터 값 중 적어도 하나를 획득하는 획득부,
상기 획득한 파라미터 값을 이용하여 심실 부정맥의 발생 여부를 예측하는 심실 부정맥 추정 알고리즘을 생성하는 생성부,
사용자의 심박 변이도 및 호흡 변이도에 대한 파라미터 값 중 적어도 하나를 상기 심실 부정맥 추정 알고리즘에 적용하여 상기 사용자의 심실 부정맥 발생 여부를 예측하는 예측부, 그리고
상기 심실 부정맥 발생 여부의 예측 결과를 출력하는 출력부를 포함하며,
상기 생성부는,
인공 신경 회로망에 상기 심실 부정맥 환자의 심박 변이도 및 호흡 변이도에 대한 파라미터 값 중 적어도 하나를 입력하여 상기 심실 부정맥 추정 알고리즘을 생성하며,
상기 인공 신경 회로망은,
하나의 입력 레이어, 복수의 히든 레이어 및 하나의 출력 레이어를 포함하고, 상기 입력 레이어에 상기 심박 변이도에 대한 파라미터 값 및 상기 심박 변이도에 대한 파라미터 값 중 적어도 하나가 입력되는 심실 부정맥 예측 장치. - 사용자의 심박 변이도 및 호흡 변이도에 대한 파라미터 값 중 적어도 하나를 심실 부정맥 추정 알고리즘에 적용하여 상기 사용자의 심실 부정맥 발생 여부를 예측하는 예측부, 그리고
상기 심실 부정맥 발생 여부의 예측 결과를 출력하는 출력부를 포함하며,
상기 심실 부정맥 추정 알고리즘은,
심실 부정맥 환자의 심전도 신호 및 호흡 중 적어도 하나를 분석하여 상기 심실 부정맥 환자의 심박 변이도 및 호흡 변이도에 대한 파라미터 값 중 적어도 하나를 획득하고, 상기 획득한 파라미터 값을 이용하여 생성되며,
상기 심박 변이도에 대한 파라미터는 NN 간격 평균(Mean Normal-Normal interval), NN 간격 표준편차(SDNN), 인접한 NN 간격의 차이에 대한 제곱의 합을 평균한 값에 대한 제곱근(RMSSD), 연속적인 NN 간격의 차이가 50 ms를 초과하는 NN 간격 수의 비율(pNN50), 0~0.04 Hz 사이의 저저주파 영역의 신호의 강도(VLF), 0.04~0.15 Hz 사이의 저주파 영역의 신호의 강도(LF), 0.15~0.40 Hz 사이의 고주파 영역의 신호의 강도(HF), LF와 HF의 비율(LF/HF), 단기 심박 변이율(SD1), 장기 심박 변이율(SD2) 및 단기 심박 변이율과 장기 심박 변이율의 비율(SD1/SD2) 중에서 적어도 하나를 포함하고,
상기 호흡 변이도에 대한 파라미터는 호흡 주기의 평균(RPdM), 호흡 주기의 표준편차(RPdSD) 및 호흡 주기의 평균과 호흡 주기의 표준편차간의 비율(RPdV) 중에서 적어도 하나를 포함하며,
상기 심박 변이도 및 호흡 변이도에 대한 파라미터는,
상기 심전도 신호에서 R피크를 검출하여 RR간격 데이터를 생성하고, 상기 RR간격 데이터에서 이소성 박동을 제거하며, 상기 이소성 박동이 제거된 RR간격 데이터를 이용하여 획득되는 심실 부정맥 예측 장치. - 사용자의 심박 변이도 및 호흡 변이도에 대한 파라미터 값 중 적어도 하나를 심실 부정맥 추정 알고리즘에 적용하여 상기 사용자의 심실 부정맥 발생 여부를 예측하고, 상기 심실 부정맥 발생 여부의 예측 결과를 출력하며,
상기 심실 부정맥 추정 알고리즘은,
심실 부정맥 환자의 심전도 신호 및 호흡 중 적어도 하나를 분석하여 획득된 상기 심실 부정맥 환자의 심박 변이도 및 호흡 변이도에 대한 파라미터 값 중 적어도 하나를 이용하여 생성되며,
상기 심박 변이도에 대한 파라미터는 NN 간격 평균(Mean Normal-Normal interval), NN 간격 표준편차(SDNN), 인접한 NN 간격의 차이에 대한 제곱의 합을 평균한 값에 대한 제곱근(RMSSD), 연속적인 NN 간격의 차이가 50 ms를 초과하는 NN 간격 수의 비율(pNN50), 0~0.04 Hz 사이의 저저주파 영역의 신호의 강도(VLF), 0.04~0.15 Hz 사이의 저주파 영역의 신호의 강도(LF), 0.15~0.40 Hz 사이의 고주파 영역의 신호의 강도(HF), LF와 HF의 비율(LF/HF), 단기 심박 변이율(SD1), 장기 심박 변이율(SD2) 및 단기 심박 변이율과 장기 심박 변이율의 비율(SD1/SD2) 중에서 적어도 하나를 포함하고,
상기 호흡 변이도에 대한 파라미터는 호흡 주기의 평균(RPdM), 호흡 주기의 표준편차(RPdSD) 및 호흡 주기의 평균과 호흡 주기의 표준편차간의 비율(RPdV) 중에서 적어도 하나를 포함하며,
상기 심박 변이도 및 호흡 변이도에 대한 파라미터는,
상기 심전도 신호에서 R피크를 검출하여 RR간격 데이터를 생성하고, 상기 RR간격 데이터에서 이소성 박동을 제거하며, 상기 이소성 박동이 제거된 RR간격 데이터를 이용하여 상기 파라미터에 대한 결과 값을 획득되는 심실 부정맥 예측 서비스 서버. - 심실 부정맥 환자의 심전도 신호 및 호흡 신호 중 적어도 하나를 입력받는 입력부,
상기 심실 부정맥 환자의 심전도 신호 및 호흡 중 적어도 하나를 분석하여 상기 심실 부정맥 환자의 심박 변이도 및 호흡 변이도에 대한 파라미터 값 중 적어도 하나를 획득하는 획득부,
상기 획득한 파라미터 값을 이용하여 심실 부정맥의 발생 여부를 예측하는 심실 부정맥 추정 알고리즘을 생성하는 생성부,
사용자의 심박 변이도 및 호흡 변이도에 대한 파라미터 값 중 적어도 하나를 상기 심실 부정맥 추정 알고리즘에 적용하여 상기 사용자의 심실 부정맥 발생 여부를 예측하는 예측부, 그리고
상기 심실 부정맥 발생 여부의 예측 결과를 출력하는 출력부를 포함하며,
상기 심박 변이도에 대한 파라미터는 NN 간격 평균(Mean Normal-Normal interval), NN 간격 표준편차(SDNN), 인접한 NN 간격의 차이에 대한 제곱의 합을 평균한 값에 대한 제곱근(RMSSD), 연속적인 NN 간격의 차이가 50 ms를 초과하는 NN 간격 수의 비율(pNN50), 0~0.04 Hz 사이의 저저주파 영역의 신호의 강도(VLF), 0.04~0.15 Hz 사이의 저주파 영역의 신호의 강도(LF), 0.15~0.40 Hz 사이의 고주파 영역의 신호의 강도(HF), LF와 HF의 비율(LF/HF), 단기 심박 변이율(SD1), 장기 심박 변이율(SD2) 및 단기 심박 변이율과 장기 심박 변이율의 비율(SD1/SD2) 중에서 적어도 하나를 포함하고,
상기 호흡 변이도에 대한 파라미터는 호흡 주기의 평균(RPdM), 호흡 주기의 표준편차(RPdSD) 및 호흡 주기의 평균과 호흡 주기의 표준편차간의 비율(RPdV) 중에서 적어도 하나를 포함하며,
상기 획득부는,
상기 심전도 신호에서 R피크를 검출하여 RR간격 데이터를 생성하고, 상기 RR간격 데이터에서 이소성 박동을 제거하며, 상기 이소성 박동이 제거된 RR간격 데이터를 이용하여 상기 파라미터에 대한 결과 값을 획득하는 심실 부정맥 예측 장치. - 제9항에 있어서,
상기 획득부는,
상기 RR간격의 크기가 임계 값보다 큰 경우, 해당되는 RR간격 구간을 삭제하여 상기 RR간격 데이터에서 이소성 박동을 제거하는 심실 부정맥 예측 장치. - 제9항에 있어서,
상기 생성부는,
인공 신경 회로망에 상기 심실 부정맥 환자의 심박 변이도 및 호흡 변이도에 대한 파라미터 값 중 적어도 하나를 입력하여 상기 심실 부정맥 추정 알고리즘을 생성하며,
상기 인공 신경 회로망은,
하나의 입력 레이어, 복수의 히든 레이어 및 하나의 출력 레이어를 포함하고, 상기 입력 레이어에 상기 심박 변이도에 대한 파라미터 값 및 상기 심박 변이도에 대한 파라미터 값 중 적어도 하나가 입력되는 심실 부정맥 예측 장치. - 사용자의 심박 변이도 및 호흡 변이도에 대한 파라미터 값 중 적어도 하나를 심실 부정맥 추정 알고리즘에 적용하여 상기 사용자의 심실 부정맥 발생 여부를 예측하는 예측부, 그리고
상기 심실 부정맥 발생 여부의 예측 결과를 출력하는 출력부를 포함하며,
상기 심실 부정맥 추정 알고리즘은,
심실 부정맥 환자의 심전도 신호 및 호흡 중 적어도 하나를 분석하여 상기 심실 부정맥 환자의 심박 변이도 및 호흡 변이도에 대한 파라미터 값 중 적어도 하나를 획득하고, 상기 획득한 파라미터 값을 이용하여 생성되되, 인공 신경 회로망에 상기 심실 부정맥 환자의 심박 변이도 및 호흡 변이도에 대한 파라미터 값 중 적어도 하나를 입력하여 생성되며,
상기 인공 신경 회로망은,
하나의 입력 레이어, 복수의 히든 레이어 및 하나의 출력 레이어를 포함하고, 상기 입력 레이어에 상기 심박 변이도에 대한 파라미터 값 및 상기 심박 변이도에 대한 파라미터 값 중 적어도 하나가 입력되는 심실 부정맥 예측 장치. - 사용자의 심박 변이도 및 호흡 변이도에 대한 파라미터 값 중 적어도 하나를 심실 부정맥 추정 알고리즘에 적용하여 상기 사용자의 심실 부정맥 발생 여부를 예측하고, 상기 심실 부정맥 발생 여부의 예측 결과를 출력하며,
상기 심실 부정맥 추정 알고리즘은,
심실 부정맥 환자의 심전도 신호 및 호흡 중 적어도 하나를 분석하여 획득된 상기 심실 부정맥 환자의 심박 변이도 및 호흡 변이도에 대한 파라미터 값 중 적어도 하나를 이용하여 생성되되, 인공 신경 회로망에 상기 심실 부정맥 환자의 심박 변이도 및 호흡 변이도에 대한 파라미터 값 중 적어도 하나를 입력하여 생성되며,
상기 인공 신경 회로망은,
하나의 입력 레이어, 복수의 히든 레이어 및 하나의 출력 레이어를 포함하고, 상기 입력 레이어에 상기 심박 변이도에 대한 파라미터 값 및 상기 심박 변이도에 대한 파라미터 값 중 적어도 하나가 입력되는 심실 부정맥 예측 서비스 서버. - 사용자의 심박 변이도 및 호흡 변이도에 대한 파라미터 값 중 적어도 하나를 심실 부정맥 추정 알고리즘에 적용하여 상기 사용자의 심실 부정맥 발생 여부를 예측하는 단계, 그리고
상기 심실 부정맥 발생 여부의 예측 결과를 출력하는 단계를 포함하며,
상기 심실 부정맥 추정 알고리즘은,
심실 부정맥 환자의 심전도 신호 및 호흡 중 적어도 하나를 분석하여 획득된 상기 심실 부정맥 환자의 심박 변이도 및 호흡 변이도에 대한 파라미터 값 중 적어도 하나를 이용하여 생성되되, 인공 신경 회로망에 상기 심실 부정맥 환자의 심박 변이도 및 호흡 변이도에 대한 파라미터 값 중 적어도 하나를 입력하여 생성되며,
상기 인공 신경 회로망은,
하나의 입력 레이어, 복수의 히든 레이어 및 하나의 출력 레이어를 포함하고, 상기 입력 레이어에 상기 심박 변이도에 대한 파라미터 값 및 상기 심박 변이도에 대한 파라미터 값 중 적어도 하나가 입력되는 심실 부정맥 예측 방법. - 제1항 내지 제5항, 제14항 중 어느 한 항의 심실 부정맥 예측 방법을 실행하기 위한 프로그램이 기록된 컴퓨터 판독이 가능한 기록매체.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20150077305 | 2015-06-01 | ||
| KR1020150077305 | 2015-06-01 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20160141679A KR20160141679A (ko) | 2016-12-09 |
| KR101776504B1 true KR101776504B1 (ko) | 2017-09-07 |
Family
ID=57440629
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020160068340A KR101776504B1 (ko) | 2015-06-01 | 2016-06-01 | 심실 부정맥 예측 장치 및 그 방법 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20180146929A1 (ko) |
| KR (1) | KR101776504B1 (ko) |
| WO (1) | WO2016195366A1 (ko) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190088680A (ko) * | 2018-01-19 | 2019-07-29 | 울산대학교 산학협력단 | 인공 신경망 생성 장치 및 심실 부정맥 예측 장치 |
| US11623102B2 (en) | 2018-07-31 | 2023-04-11 | Medtronic, Inc. | Wearable defibrillation apparatus configured to apply a machine learning algorithm |
| WO2020049571A1 (en) * | 2018-09-06 | 2020-03-12 | Technion Research & Development Foundation Limited | Predicting ventricular fibrillation |
| CN112789083A (zh) | 2018-10-05 | 2021-05-11 | 美敦力公司 | 心脏快速性心律失常的多层预测 |
| US20220047201A1 (en) | 2018-10-26 | 2022-02-17 | Mayo Foundation For Medical Education And Research | Neural networks for atrial fibrillation screening |
| US11723577B2 (en) | 2019-05-06 | 2023-08-15 | Medtronic, Inc. | Visualization of arrhythmia detection by machine learning |
| US11776691B2 (en) | 2019-05-06 | 2023-10-03 | Medtronic, Inc. | Machine learning based depolarization identification and arrhythmia localization visualization |
| US20200352466A1 (en) | 2019-05-06 | 2020-11-12 | Medtronic, Inc. | Arrythmia detection with feature delineation and machine learning |
| US11475998B2 (en) * | 2019-05-06 | 2022-10-18 | Medtronic, Inc. | Data preparation for artificial intelligence-based cardiac arrhythmia detection |
| US11583687B2 (en) | 2019-05-06 | 2023-02-21 | Medtronic, Inc. | Selection of probability thresholds for generating cardiac arrhythmia notifications |
| US11694804B2 (en) | 2019-05-06 | 2023-07-04 | Medtronic, Inc. | Reduced power machine learning system for arrhythmia detection |
| KR102229909B1 (ko) * | 2019-06-20 | 2021-03-19 | 김건훈 | 사용자 빅데이터를 활용한 사고위험 예측방법 및 장치 |
| KR102342106B1 (ko) * | 2021-03-20 | 2021-12-27 | 한밭대학교 산학협력단 | 인체상태 판단을 위한 비접촉식 생체신호 분석 시스템 |
| CN115177263A (zh) * | 2022-09-13 | 2022-10-14 | 毕胜普生物科技有限公司 | 基于动静结合的心脏检测方法、系统和可读存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007517553A (ja) * | 2004-01-16 | 2007-07-05 | コンプメディクス リミテッド | 心電図から導出された睡眠呼吸障害の監視、検出及び分類のための装置及び方法 |
| JP2009542265A (ja) * | 2006-07-07 | 2009-12-03 | ザ・ロイヤル・インスティテューション・フォア・ザ・アドバンスメント・オブ・ラーニング／マクギル・ユニヴァーシティ | 心臓活動データを用いて病態を検出するための方法 |
| JP2010508065A (ja) * | 2006-10-31 | 2010-03-18 | カーディアック ペースメイカーズ， インコーポレイテッド | 健康管理のための時間生物学的リズムの監視 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100400212B1 (ko) * | 1997-01-31 | 2003-11-14 | 삼성전자주식회사 | 부정맥검출기능을 가진 심전도장치 |
| KR101109738B1 (ko) * | 2009-04-06 | 2012-02-24 | 강원대학교산학협력단 | 심장 부정맥 진단방법 및 그 진단장치 |
| KR20120133793A (ko) * | 2011-06-01 | 2012-12-11 | (주)한국티이에스 | 특징점 추출을 통한 심실부정맥 검출방법 |
| IN2013CH00359A (ko) * | 2013-01-28 | 2015-08-07 | Samsung R & D Inst India Bangalore Private Ltd |
-
2016
- 2016-06-01 US US15/578,219 patent/US20180146929A1/en not_active Abandoned
- 2016-06-01 KR KR1020160068340A patent/KR101776504B1/ko active IP Right Grant
- 2016-06-01 WO PCT/KR2016/005782 patent/WO2016195366A1/ko active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007517553A (ja) * | 2004-01-16 | 2007-07-05 | コンプメディクス リミテッド | 心電図から導出された睡眠呼吸障害の監視、検出及び分類のための装置及び方法 |
| JP2009542265A (ja) * | 2006-07-07 | 2009-12-03 | ザ・ロイヤル・インスティテューション・フォア・ザ・アドバンスメント・オブ・ラーニング／マクギル・ユニヴァーシティ | 心臓活動データを用いて病態を検出するための方法 |
| JP2010508065A (ja) * | 2006-10-31 | 2010-03-18 | カーディアック ペースメイカーズ， インコーポレイテッド | 健康管理のための時間生物学的リズムの監視 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20160141679A (ko) | 2016-12-09 |
| US20180146929A1 (en) | 2018-05-31 |
| WO2016195366A1 (ko) | 2016-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101776504B1 (ko) | 심실 부정맥 예측 장치 및 그 방법 | |
| US11109793B2 (en) | Medical device for sensing cardiac function | |
| KR100748184B1 (ko) | 신경망을 이용한 심전도 기반의 심장질환 진단장치 및방법 | |
| Gothwal et al. | Cardiac arrhythmias detection in an ECG beat signal using fast fourier transform and artificial neural network | |
| CN103356182B (zh) | 用于预测室性快速型心律失常的方法、设备和计算机程序产品 | |
| US20160235368A1 (en) | Device, method and system for processing a physiological signal | |
| Houshyarifar et al. | Early detection of sudden cardiac death using Poincaré plots and recurrence plot-based features from HRV signals | |
| EP3020330A1 (en) | Detecting apparatus for arrhythmia and detecting method of the detecting apparatus | |
| KR20190088680A (ko) | 인공 신경망 생성 장치 및 심실 부정맥 예측 장치 | |
| Li et al. | Bridging time series dynamics and complex network theory with application to electrocardiogram analysis | |
| Maji et al. | Characterization of cardiac arrhythmias by variational mode decomposition technique | |
| Mykoliuk et al. | Machine learning methods in ECG classification | |
| Mohamad et al. | Principal component analysis and arrhythmia recognition using elman neural network | |
| Butt et al. | Classifying normal sinus rhythm and cardiac arrhythmias in ECG signals using statistical features in temporal domain | |
| Sohal et al. | Interpretation of cardio vascular diseases using electrocardiogram: A study | |
| Jose et al. | HRV analysis using ballistocardiogram with LabVIEW | |
| Varon et al. | Detection of epileptic seizures by means of morphological changes in the ECG | |
| US20230346305A1 (en) | Parameter determination method, parameter determination apparatus, storage medium, and electronic device | |
| EP4216232A1 (en) | Methods and system for cardiac arrhythmia prediction using transformer-based neural networks | |
| Khandait et al. | Efficient ECG abnormalities recognition using neuro-fuzzy approach | |
| CN112603324B (zh) | 基于改进损失函数的神经网络的训练方法 | |
| Rhaman et al. | Successive RR Interval Analysis of PVC with Sinus Rhythm Using Fractal Dimension, Poincaré plot and Sample Entropy Method‖ | |
| Othman et al. | Characterization of ventricular arrhythmias using a semantic mining algorithm | |
| Mahananto et al. | Cardiac arrhythmia detection using combination of heart rate variability analyses and PUCK analysis | |
| Ouelli et al. | AR modeling for automatic cardiac arrhythmia diagnosis using QDF based algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| GRNT | Written decision to grant |