KR102141617B1 - 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 - Google Patents

인공 신경망을 이용하여 부정맥을 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 Download PDF

Info

Publication number
KR102141617B1
KR102141617B1 KR1020190152676A KR20190152676A KR102141617B1 KR 102141617 B1 KR102141617 B1 KR 102141617B1 KR 1020190152676 A KR1020190152676 A KR 1020190152676A KR 20190152676 A KR20190152676 A KR 20190152676A KR 102141617 B1 KR102141617 B1 KR 102141617B1
Authority
KR
South Korea
Prior art keywords
arrhythmia
artificial neural
state
neural network
biosignal
Prior art date
Application number
KR1020190152676A
Other languages
English (en)
Inventor
정성훈
김진국
길영준
Original Assignee
주식회사 휴이노
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 휴이노 filed Critical 주식회사 휴이노
Priority to KR1020190152676A priority Critical patent/KR102141617B1/ko
Priority to US16/816,581 priority patent/US20210153761A1/en
Priority to KR1020200092631A priority patent/KR20210064029A/ko
Application granted granted Critical
Publication of KR102141617B1 publication Critical patent/KR102141617B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/04012—
    • 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]
    • A61B5/333—Recording apparatus specially adapted therefor
    • 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
    • A61B5/24—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
    • A61B5/364—Detecting abnormal ECG interval, e.g. extrasystoles, ectopic heartbeats
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H70/00—ICT specially adapted for the handling or processing of medical references

Abstract

본 발명의 일 태양에 따르면, 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법으로서, 제1 종류의 부정맥 상태에 해당하는 생체 신호에 관한 데이터에 기초하여 학습되는 이진 분류(binary classification) 기반의 제1 인공 신경망과 제2 종류의 부정맥 상태에 해당하는 생체 신호에 관한 데이터에 기초하여 학습되는 이진 분류 기반의 제2 인공 신경망을 이용하여 피측정자의 대상 생체 신호를 분석함으로써, 상기 대상 생체 신호 중 적어도 일부가 상기 제1 종류의 부정맥 상태에 해당하는지에 관한 제1 스코어와 상기 대상 생체 신호 중 적어도 일부가 상기 제2 종류의 부정맥 상태에 해당하는지에 관한 제2 스코어를 각각 산출하는 단계, 및 상기 제1 인공 신경망 및 상기 제2 인공 신경망을 포함하는 복수의 인공 신경망 각각의 학습 지표 및 스코어에 기초하여 상기 대상 생체 신호 중 적어도 일부가 어떤 종류의 부정맥 상태에 해당하는지를 추정하는 단계를 포함하는 방법이 제공된다.

Description

인공 신경망을 이용하여 부정맥을 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체{METHOD, SYSTEM AND NON-TRANSITORY COMPUTER-READABLE RECORDING MEDIUM FOR ESTIMATING ARRHYTHMIA BY USING ARTIFICIAL NEURAL NETWORK}
본 발명은 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체에 관한 것이다.
최근 과학 기술의 비약적인 발전으로 인해 인류 전체의 삶의 질이 향상되고 있으며, 의료 환경에서도 많은 변화가 발생하였다. 과거에는 병원에서 X-ray, CT, fMRI 등의 의료영상을 촬영한 후 몇 시간 또는 며칠을 기다려야 영상 판독이 가능했었다.
최근에는, 피측정자의 다양한 신체 부위(가슴, 손목, 발목, 등)와 접점을 형성시켜 생체 신호(ECG 신호 등)를 측정하는 웨어러블 디바이스가 널리 보급됨에 따라, 일상 생활 중에 생체 신호를 상시적으로 측정 또는 분석할 수 있는 기술이 소개되고 있고, 특히, 상시적으로 측정되는 심전도(ECG) 신호를 분석함으로써 부정맥을 인식하는 기술이 주목을 받고 있다.
종래에는 숙련된 의료진이 자신의 임상적인 판단에 기초하여 심전도 신호를 직접 판독함으로써 부정맥을 판별하는 전통적으로 방식에 의존하였지만, 최근에는 비약적으로 발전하고 있는 인공지능(또는 인공 신경망) 기술을 활용하여 심전도 신호를 분석함으로써 부정맥 여부를 판별하거나 부정맥의 종류(유형)을 인식하는 기술이 소개되고 있다.
구체적으로, 부정맥은 그 특성에 따라 10가지 이상의 다양한 종류로 세분화될 수 있으며, 어떤 심전도 신호가 어떤 종류의 부정맥 상태에 해당하는지를 정확하게 인식하기 위해서는 정상 상태에 해당하는 심전도 신호와 다양한 종류의 부정맥 상태에 해당하는 심전도 신호에 관한 다양하고 방대한 데이터를 이용하여 인공 신경망을 학습시킬 필요가 있다.
이에 관한 종래 기술의 일 예로서, 한국공개특허공보 제2019-88680호에 개시된 기술을 예로 들 수 있는데, 이에 따르면, 환자에 대해 기설정된 시간 동안 소정의 시간 간격마다 N회 측정된 혈압 신호를 입력 받는 입력부, 상기 혈압 신호로부터 혈압 파라미터를 획득하는 파라미터 획득부, 및 상기 혈압 파라미터와 상기 환자의 심실 부정맥 발생 여부를 기초로 상기 혈압 파라미터와 상기 환자의 심실 부정맥 발생 여부와의 상관 관계를 학습시킨 인공 신경망을 생성하는 생성부를 포함하고, 상기 혈압 파라미터는 측정된 혈압 신호가 바로 이전에 측정된 혈압 신호에 대하여 변한 정도를 나타내는 혈압 변화도에 대한 정보를 포함하는 인공 신경망 생성 장치가 소개된 바 있다.
하지만, 위와 같은 종래 기술을 비롯하여 지금까지 소개된 기술에 의하면, 복수의 부정맥 상태의 종류 및 부정맥 상태 발생 여부를 모두 판정하는 멀티 분류(multi-class) 기반의 단일망으로 구성되어 있어, 망의 형태가 결정된 이후에 분류(class)의 수를 증가시키게 되면, 망의 제한된 분류 능력으로 인해 분류별 민감도가 낮아지게 된다. 분류별 민감도를 유지시키기 위하여 은닉층(hidden layer)의 수를 증가시키거나 특징 추출을 위한 커널(kernel)의 수를 증가시키는 등 망의 분류 능력을 높이는 방안을 고려해 볼 수 있으나, 망의 복잡도가 증가할수록 학습이 제대로 이루어지지 않거나 더 많은 양의 학습 데이터를 요구하게 되는 등의 문제가 발생하게 된다.
또한, 위와 같은 멀티 분류 기반의 단일망으로 구성하게 되면, 학습 데이터의 비대칭 등으로 해당 망의 학습이 부실하게 이루어진 경우에, 부정맥에 관한 결과 전체가 부실하게 되는 문제도 발생하게 된다.
이에, 본 발명자(들)는, 부정맥 상태 종류별 또는 부정맥 상태 여부에 관하여 각각 학습된 이진 분류(binary classification) 기반의 복수의 인공 신경망을 병렬적으로 구축하여 부정맥 상태 종류 및 부정맥 상태 여부를 정확하게 추정하는 신규하고도 진보된 기술을 제안하는 바이다.
본 발명은 상술한 문제점을 모두 해결하는 것을 그 목적으로 한다.
본 발명은 부정맥 상태 종류별 또는 부정맥 상태 여부에 관한 이진 분류(binary classification) 기반의 인공 신경망을 병렬적으로 구축하여 부정맥 상태 종류별 또는 부정맥 상태 여부에 관한 분류(class)가 증가되더라도 높은 민감도(sensitivity)로 부정맥을 추정하는 것을 다른 목적으로 한다.
또한, 본 발명은 부정맥 상태 종류별 또는 부정맥 상태 여부에 관한 이진 분류(binary classification) 기반의 인공 신경망을 병렬적으로 구성하여 활용 용도, 검진 목적 등에 따라 추가 또는 제거될 수 있어, 부정맥 추정을 위한 맞춤화된 인공 신경망을 구성하는 것을 다른 목적으로 한다.
상기 목적을 달성하기 위한 본 발명의 대표적인 구성은 다음과 같다.
본 발명의 일 태양에 따르면, 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법으로서, 제1 종류의 부정맥 상태에 해당하는 생체 신호에 관한 데이터에 기초하여 학습되는 이진 분류(binary classification) 기반의 제1 인공 신경망과 제2 종류의 부정맥 상태에 해당하는 생체 신호에 관한 데이터에 기초하여 학습되는 이진 분류 기반의 제2 인공 신경망을 이용하여 피측정자의 대상 생체 신호를 분석함으로써, 상기 대상 생체 신호 중 적어도 일부가 상기 제1 종류의 부정맥 상태에 해당하는지에 관한 제1 스코어와 상기 대상 생체 신호 중 적어도 일부가 상기 제2 종류의 부정맥 상태에 해당하는지에 관한 제2 스코어를 각각 산출하는 단계, 및 상기 제1 인공 신경망 및 상기 제2 인공 신경망을 포함하는 복수의 인공 신경망 각각의 학습 지표 및 스코어에 기초하여 상기 대상 생체 신호 중 적어도 일부가 어떤 종류의 부정맥 상태에 해당하는지를 추정하는 단계를 포함하는 방법이 제공된다.
본 발명의 다른 태양에 따르면, 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법으로서, 특정 종류의 부정맥 상태에 해당하는 생체 신호에 관한 데이터에 기초하여 학습되는 이진 분류(binary classification) 기반의 제1 인공 신경망과 정상 상태 생체 신호에 관한 데이터 및 부정맥 상태 생체 신호에 관한 데이터 중 적어도 하나에 기초하여 학습되는 이진 분류(binary classification) 기반의 제2 인공 신경망을 이용하여 피측정자의 대상 생체 신호를 분석함으로써, 상기 대상 생체 신호 중 적어도 일부가 상기 특정 종류의 부정맥 상태에 해당하는지에 관한 스코어와, 상기 대상 생체 신호 중 적어도 일부가 부정맥 상태에 해당하는지에 관한 스코어를 각각 산출하는 단계, 및 상기 제1 인공 신경망 및 상기 제2 인공 신경망을 포함하는 복수의 인공 신경망 각각의 학습 지표 및 스코어에 기초하여 상기 대상 생체 신호 중 적어도 일부가 어떤 종류의 부정맥 상태에 해당하는지를 추정하는 단계를 포함하는 방법이 제공된다.
본 발명의 다른 태양에 따르면, 인공 신경망을 이용하여 부정맥을 추정하기 위한 시스템으로서, 피측정자로부터 측정되는 대상 생체 신호를 획득하는 생체 신호 획득부, 제1 종류의 부정맥 상태에 해당하는 생체 신호에 관한 데이터에 기초하여 학습되는 이진 분류(binary classification) 기반의 제1 인공 신경망과 제2 종류의 부정맥 상태에 해당하는 생체 신호에 관한 데이터에 기초하여 학습되는 이진 분류 기반의 제2 인공 신경망을 이용하여 상기 피측정자의 대상 생체 신호를 분석함으로써, 상기 피측정자의 대상 생체 신호 중 적어도 일부가 상기 제1 종류의 부정맥 상태에 해당하는지에 관한 제1 스코어와 상기 피측정자의 대상 생체 신호 중 적어도 일부가 상기 제2 종류의 부정맥 상태에 해당하는지에 관한 제2 스코어를 각각 산출하는 스코어 산출부, 및 상기 제1 인공 신경망 및 상기 제2 인공 신경망을 포함하는 복수의 인공 신경망 각각의 학습 지표 및 스코어에 기초하여 상기 대상 생체 신호 중 적어도 일부가 어떤 종류의 부정맥 상태에 해당하는지를 추정하는 상태 추정부를 포함하는 시스템이 제공된다.
본 발명의 다른 태양에 따르면, 인공 신경망을 이용하여 부정맥을 추정하기 위한 시스템으로서, 피측정자로부터 측정되는 대상 생체 신호를 획득하는 생체 신호 획득부, 특정 종류의 부정맥 상태에 해당하는 생체 신호에 관한 데이터에 기초하여 학습되는 이진 분류(binary classification) 기반의 제1 인공 신경망과 정상 상태 생체 신호에 관한 데이터 및 부정맥 상태 생체 신호에 관한 데이터 중 적어도 하나에 기초하여 학습되는 이진 분류(binary classification) 기반의 제2 인공 신경망을 이용하여 상기 대상 생체 신호를 분석함으로써, 상기 대상 생체 신호 중 적어도 일부가 상기 특정 종류의 부정맥 상태에 해당하는지에 관한 스코어와 상기 대상 생체 신호 중 적어도 일부가 부정맥 상태에 해당하는지에 관한 스코어를 각각 산출하는 스코어 산출부, 및 상기 제1 인공 신경망 및 상기 제2 인공 신경망을 포함하는 복수의 인공 신경망 각각의 학습 지표 및 스코어에 기초하여 상기 대상 생체 신호 중 적어도 일부가 어떤 종류의 부정맥 상태에 해당하는지를 추정하는 상태 추정부를 포함하는 시스템이 제공된다.
이 외에도, 본 발명을 구현하기 위한 다른 방법, 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램을 기록하기 위한 비일시성의 컴퓨터 판독 가능한 기록 매체가 더 제공된다.
본 발명에 의하면, 부정맥 상태 종류별 또는 부정맥 상태 여부에 관한 이진 분류(binary classification) 기반의 인공 신경망을 병렬적으로 구축하여 부정맥 상태 종류별 또는 부정맥 상태 여부에 관한 분류(class)가 증가되더라도 높은 민감도(sensitivity)로 부정맥을 추정할 수 있게 된다.
또한, 본 발명에 의하면, 부정맥 상태 종류별 또는 부정맥 상태 여부에 관한 이진 분류(binary classification) 기반의 인공 신경망을 병렬적으로 구성하여 활용 용도, 검진 목적 등에 따라 추가 또는 제거될 수 있어, 부정맥 추정을 위한 맞춤화된 인공 신경망을 구성할 수 있게 된다.
도 1은 본 발명에 따른 전체 시스템의 구성을 개략적으로 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 부정맥 추정 시스템의 내부 구성을 예시적으로 나타내는 도면이다.
도 3은 본 발명의 일 실시예에 따라 부정맥을 추정하는데 이용되는 인공 신경망의 구성을 예시적으로 나타내는 도면이다.
도 4 및 도 5는 본 발명의 일 실시예에 따라 복수의 인공 신경망을 이용하여 부정맥의 종류를 추정하는 과정을 예시적으로 나타내는 도면이다.
도 6은 인공 신경망의 분류(class)가 증가될수록 그 민감도가 낮아지게 되는 실험 결과를 나타내는 도면이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 바람직한 실시예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
전체 시스템의 구성
이하, 본 발명에 따른 부정맥 추정 시스템의 바람직한 실시예에 관하여 상세히 설명하면 다음과 같다.
도 1은 본 발명에 따른 전체 시스템의 구성을 개략적으로 나타내는 도면이다.
도 1에 도시되어 있는 바와 같이, 본 발명의 일 실시예에 따른 전체 시스템은, 통신망(100), 부정맥 추정 시스템(200) 및 디바이스(300)로 구성될 수 있다.
먼저, 본 발명의 일 실시예에 따른 통신망(100)은 유선 통신이나 무선 통신과 같은 통신 양태를 가리지 않고 구성될 수 있으며, 근거리 통신망(LAN, Local Area Network), 도시권 통신망(MAN, Metropolitan Area Network), 광역 통신망(WAN, Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 바람직하게는, 본 명세서에서 말하는 통신망(100)은 와이파이(Wi-Fi), 와이파이 다이렉트(Wi-Fi Direct), LTE 다이렉트(LTE Direct), 블루투스(Bluetooth)와 같은 공지의 근거리 무선 통신망을 포함할 수 있다. 그러나, 통신망(100)은, 굳이 이에 국한될 필요 없이, 공지의 유무선 데이터 통신망, 공지의 전화망 또는 공지의 유무선 텔레비전 통신망을 그 적어도 일부에 있어서 포함할 수도 있다.
예를 들면, 통신망(100)은 무선 데이터 통신망으로서, 와이파이(WiFi) 통신, 와이파이 다이렉트(WiFi-Direct) 통신, 롱텀 에볼루션(LTE, Long Term Evolution) 통신, 블루투스 통신(저전력 블루투스(BLE; Bluetooth Low Energy) 포함), 적외선 통신, 초음파 통신 등과 같은 종래의 통신 방법을 적어도 그 일부분에 있어서 구현하는 것일 수 있다. 다른 예를 들면, 통신망(100)은 광 통신망으로서, 라이파이(LiFi, Light Fidelity) 등과 같은 종래의 통신 방법을 적어도 그 일부분에 있어서 구현하는 것일 수 있다.
다음으로, 본 발명의 일 실시예에 따른 부정맥 추정 시스템(200)은, 제1 종류의 부정맥 상태에 해당하는 생체 신호에 관한 데이터에 기초하여 학습되는 이진 분류(binary classification) 기반의 제1 인공 신경망과 제2 종류의 부정맥 상태에 해당하는 생체 신호에 관한 데이터에 기초하여 학습되는 이진 분류 기반의 제2 인공 신경망을 이용하여 피측정자의 대상 생체 신호를 분석함으로써, 위의 대상 생체 신호 중 적어도 일부가 제1 종류의 부정맥 상태에 해당하는지에 관한 제1 스코어와 위의 대상 생체 신호 중 적어도 일부가 제2 종류의 부정맥 상태에 해당하는지에 관한 제2 스코어를 각각 산출하고, 위의 제1 인공 신경망 및 위의 제2 인공 신경망을 포함하는 복수의 인공 신경망 각각의 학습 지표 및 스코어에 기초하여 위의 대상 생체 신호 중 적어도 일부가 어떤 종류의 부정맥 상태에 해당하는지를 추정하는 기능을 수행할 수 있다.
또한, 본 발명의 일 실시예에 따른 부정맥 추정 시스템(200)은, 특정 종류의 부정맥 상태에 해당하는 생체 신호에 관한 데이터에 기초하여 학습되는 이진 분류(binary classification) 기반의 제3 인공 신경망과 정상 상태 생체 신호에 관한 데이터 및 부정맥 상태 생체 신호에 관한 데이터 중 적어도 하나에 기초하여 학습되는 이진 분류(binary classification) 기반의 제4 인공 신경망을 이용하여 피측정자의 대상 생체 신호를 분석함으로써, 위의 대상 생체 신호 중 적어도 일부가 특정 종류의 부정맥 상태에 해당하는지에 관한 스코어와, 위의 대상 생체 신호 중 적어도 일부가 부정맥 상태에 해당하는지에 관한 스코어를 각각 산출하고, 위의 제3 인공 신경망 및 위의 제4 인공 신경망을 포함하는 복수의 인공 신경망 각각의 학습 지표 및 스코어에 기초하여 위의 대상 생체 신호 중 적어도 일부가 어떤 종류의 부정맥 상태에 해당하는지를 추정하는 기능을 수행할 수 있다.
본 발명의 일 실시예에 따른 이진 분류(binary-class) 기반의 인공 신경망은, 어떤 생체 신호에 관한 데이터가 입력되는 경우에, 두 클래스(class) 중 어느 클래스에 속하는지에 관한 결과를 출력하는 인공 신경망을 의미할 수 있다. 예를 들어, 어떤 생체 신호에 관한 데이터가 정상(normal) 및 비정상(abnormal)를 두 클래스로 갖는 이진 분류 기반의 인공 신경망에 입력되는 경우에, 그 결과로서 출력되는 값이 0.7이면, 70%의 가능성으로 정상(normal)임을 의미할 수 있다.
부정맥 추정 시스템(200)의 기능에 관하여는 아래에서 더 자세하게 알아보기로 한다. 한편, 부정맥 추정 시스템(200)에 관하여 위와 같이 설명되었으나, 이러한 설명은 예시적인 것이고, 부정맥 추정 시스템(200)에 요구되는 기능이나 구성요소의 적어도 일부가 필요에 따라 디바이스(300) 내에서 실현되거나 디바이스(300) 내에 포함될 수도 있음은 당업자에게 자명하다.
마지막으로, 본 발명의 일 실시예에 따른 디바이스(300)는 부정맥 추정 시스템(200)에 접속한 후 통신할 수 있는 기능을 포함하는 디지털 기기로서, 메모리 수단을 구비하고 마이크로 프로세서를 탑재하여 연산 능력을 갖춘 디지털 기기라면 얼마든지 본 발명에 따른 디바이스(300)로서 채택될 수 있다. 디바이스(300)는 스마트 글래스, 스마트 워치, 스마트 밴드, 스마트 링, 스마트 넥클리스 등과 같은 웨어러블 디바이스이거나 스마트폰, 스마트 패드, 데스크탑 컴퓨터, 노트북 컴퓨터, 워크스테이션, PDA, 웹 패드, 이동 전화기 등과 같은 다소 전통적인 디바이스일 수 있다.
특히, 본 발명의 일 실시예에 따른 디바이스(300)는 인체로부터 소정의 생체 신호를 획득하기 위한 센싱 수단(예를 들면, 접촉 전극, 영상 촬영 장치 등)을 포함할 수 있고, 생체 신호 측정에 관한 다양한 정보를 사용자에게 제공하기 위한 표시 수단을 포함할 수 있다.
또한, 본 발명의 일 실시예에 따르면, 디바이스(300)에는 본 발명에 따른 기능을 수행하기 위한 애플리케이션 프로그램이 더 포함되어 있을 수 있다. 이러한 애플리케이션은 해당 디바이스(300) 내에서 프로그램 모듈의 형태로 존재할 수 있다. 이러한 프로그램 모듈의 성격은 후술할 바와 같은 부정맥 추정 시스템(200)의 생체 신호 획득부(210), 스코어 산출부(220), 상태 추정부(230), 통신부(240) 및 제어부(250)와 전반적으로 유사할 수 있다. 여기서, 애플리케이션은 그 적어도 일부가 필요에 따라 그것과 실질적으로 동일하거나 균등한 기능을 수행할 수 있는 하드웨어 장치나 펌웨어 장치로 치환될 수도 있다.
부정맥 추정 시스템의 구성
이하에서는, 본 발명의 구현을 위하여 중요한 기능을 수행하는 부정맥 추정 시스템(200)의 내부 구성 및 각 구성요소의 기능에 대하여 살펴보기로 한다.
도 2는 본 발명의 일 실시예에 따른 부정맥 추정 시스템의 내부 구성을 예시적으로 나타내는 도면이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 부정맥 추정 시스템(200)은 생체 신호 획득부(210), 스코어 산출부(220), 상태 추정부(230), 통신부(240) 및 제어부(250)를 포함할 수 있다. 본 발명의 일 실시예에 따르면, 부정맥 추정 시스템(200)의 생체 신호 획득부(210), 스코어 산출부(220), 상태 추정부(230), 통신부(240) 및 제어부(250)는 그 중 적어도 일부가 외부 시스템(미도시됨)과 통신하는 프로그램 모듈들일 수 있다. 이러한 프로그램 모듈들은 운영 시스템, 응용 프로그램 모듈 및 기타 프로그램 모듈의 형태로 부정맥 추정 시스템(200)에 포함될 수 있으며, 물리적으로는 여러 가지 공지의 기억 장치 상에 저장될 수 있다. 또한, 이러한 프로그램 모듈들은 부정맥 추정 시스템(200)과 통신 가능한 원격 기억 장치에 저장될 수도 있다. 한편, 이러한 프로그램 모듈들은 본 발명에 따라 후술할 특정 업무를 수행하거나 특정 추상 데이터 유형을 실행하는 루틴, 서브루틴, 프로그램, 오브젝트, 컴포넌트, 데이터 구조 등을 포괄하지만, 이에 제한되지는 않는다.
먼저, 본 발명의 일 실시예에 따른 생체 신호 획득부(210)는 피측정자의 신체 부위와 접촉되는 디바이스(300) 또는 적어도 하나의 측정 모듈(미도시됨, 예를 들어, 생체 신호 측정 센서 모듈)로부터 생체 신호를 획득하는 기능을 수행할 수 있다. 본 발명의 일 실시예에 따른 생체 신호는, 심전도(ECG), 근전도(EMG), 뇌파(EEG), 맥파(PPG), 심장 박동, 체온, 혈당, 동공 변화, 혈압 및 혈중 용존 산소량 중 적어도 하나에 관한 신호를 포함할 수 있다.
예를 들어, 본 발명의 일 실시예에 따른 생체 신호 획득부(210)는 무선 통신망(예를 들어, 와이파이(Wi-Fi), 와이파이 다이렉트(Wi-Fi Direct), LTE 다이렉트(LTE Direct), 블루투스(Bluetooth)와 같은 공지의 근거리 무선 통신망)을 통하여 연결되는 위의 적어도 하나의 측정 모듈로부터 피측정자의 심전도 신호를 위의 생체 신호로서 획득할 수 있다.
또한, 본 발명의 일 실시예에 따른 생체 신호 획득부(210)는 피측정자의 생체 신호가 기저장된 적어도 하나의 기록 디바이스(예를 들어, 서버(server), 클라우드(cloud) 등)로부터 피측정자의 생체 신호를 획득할 수도 있다.
다음으로, 본 발명의 일 실시예에 따른 스코어 산출부(220)는 제1 종류의 부정맥 상태에 해당하는 생체 신호(예를 들어, 심전도 신호)에 관한 데이터에 기초하여 학습되는 이진 분류(binary classification) 기반의 제1 인공 신경망과 제2 종류의 부정맥 상태에 해당하는 생체 신호에 관한 데이터에 기초하여 학습되는 이진 분류 기반의 제2 인공 신경망을 이용하여 생체 신호 획득부(210)에 의해 획득되는 피측정자의 대상 생체 신호를 분석함으로써, 위의 대상 생체 신호 중 적어도 일부가 제1 종류의 부정맥 상태에 해당하는지에 관한 제1 스코어(score)와 위의 대상 생체 신호 중 적어도 일부가 제2 종류의 부정맥 상태에 해당하는지에 관한 제2 스코어(score)를 각각 산출하는 기능을 수행할 수 있다. 본 발명의 일 실시예에 따른 스코어는 특정 종류의 부정맥 상태에 해당하는지(또는 해당하지 않는지)에 관한 확률(probability), 벡터(vector), 행렬(matrix) 및 좌표(coordinate) 중 적어도 하나에 관한 값을 포함하는 개념일 수 있다.
예를 들어, 본 발명의 일 실시예에 따른 스코어 산출부(220)는 입력층(input layer), 적어도 하나의 은닉층(hidden layer) 및 출력층(output layer)에 기초하여 이진 분류(binary classification) 기반의 제1 인공 신경망 및 제2 인공 신경망을 구현하고 제1 종류의 부정맥 상태에 해당하는 심전도 신호(즉, 생체 신호)에 관한 데이터 및 제2 종류의 부정맥 상태에 해당하는 심전도 신호에 관한 데이터에 기초하여 위의 제1 인공 신경망 및 제2 인공 신경망을 각각 학습시킬 수 있다.
그 다음에, 본 발명의 일 실시예에 따른 스코어 산출부(220)는 위의 대상 심전도 신호 중 적어도 일부가 제1 종류의 부정맥 상태에 해당하는 심전도 신호에 관한 데이터에 기초하여 학습되는 이진 분류(binary classification) 기반의 제1 인공 신경망에 입력되는 경우에 출력되는 확률(예를 들어, 제1 종류의 부정맥 상태에 해당할 확률)을 제1 스코어로서 산출하고, 위의 대상 심전도 신호 중 적어도 일부가 제2 종류의 부정맥 상태에 해당하는 심전도 신호에 관한 데이터에 기초하여 학습되는 이진 분류 기반의 제2 인공 신경망에 입력되는 경우에 출력되는 확률(예를 들어, 제2 종류의 부정맥 상태에 해당할 확률)을 제2 스코어로서 산출할 수 있다.
또한, 본 발명의 일 실시예에 따른 스코어 산출부(220)는 특정 종류의 부정맥 상태에 해당하는 생체 신호에 관한 데이터에 기초하여 학습되는 이진 분류(binary classification) 기반의 제3 인공 신경망과 정상 상태 생체 신호에 관한 데이터 및 부정맥 상태 생체 신호에 관한 데이터 중 적어도 하나에 기초하여 학습되는 이진 분류(binary classification) 기반의 제4 인공 신경망을 이용하여 피측정자의 대상 생체 신호를 분석함으로써, 위의 대상 생체 신호 중 적어도 일부가 특정 종류의 부정맥 상태에 해당하는지에 관한 스코어와, 위의 대상 생체 신호 중 적어도 일부가 부정맥 상태에 해당하는지에 관한 스코어를 각각 산출할 수 있다.
예를 들어, 본 발명의 일 실시예에 따른 스코어 산출부(220)는 입력층(input layer), 적어도 하나의 은닉층(hidden layer) 및 출력층(output layer)에 기초하여 이진 분류(binary classification) 기반의 위의 제3 인공 신경망 및 제4 인공 신경망을 구현하고 특정 종류의 부정맥 상태에 해당하는 심전도 신호에 관한 데이터와 정상 상태 심전도 신호에 관한 데이터 및 부정맥 상태 심전도 신호에 관한 데이터 중 적어도 하나에 기초하여 위의 제3 인공 신경망 및 제4 인공 신경망을 각각 학습시킬 수 있다.
그 다음에, 본 발명의 일 실시예에 따른 스코어 산출부(220)는 피측정자의 대상 심전도 신호 중 적어도 일부가 특정 종류의 부정맥 상태에 해당하는 심전도 신호에 관한 데이터에 기초하여 학습되는 이진 분류(binary classification) 기반의 제3 인공 신경망에 입력되는 경우에 출력되는 확률(예를 들어, 특정 종류의 부정맥 상태에 해당할 확률)을 제3 스코어로서 산출하고, 위의 대상 심전도 신호 중 적어도 일부가 정상 상태 심전도 신호에 관한 데이터 및 부정맥 상태 심전도 신호에 관한 데이터 중 적어도 하나에 기초하여 학습되는 이진 분류 기반의 제4 인공 신경망에 입력되는 경우에 출력되는 확률(예를 들어, 정상 상태 또는 부정맥 상태에 해당할 확률)을 제4 스코어로서 산출할 수 있다.
다만, 본 발명에서 제1 인공 신경망, 제2 인공 신경망, 제3 인공 신경망 및 제4 인공 신경망을 구현하고 학습시키는 데에 이용될 수 있는 기술이 반드시 상기 열거된 것에 한정되는 것은 아니며, 본 발명의 목적을 달성할 수 있는 범위 내에서 합성곱 신경망(Convolutional Neural Network; CNN), 순환 신경망(Recurrent Neural Network; RNN), 오토 인코더(auto-encoder) 등으로 얼마든지 변경될 수 있음을 밝혀 둔다.
도 3은 본 발명의 일 실시예에 따라 부정맥을 추정하는데 이용되는 인공 신경망의 구성을 예시적으로 나타내는 도면이다.
먼저, 도 3의 (a)를 참조하면, 부정맥 여부를 판별하기 위해 이용되는 인공 신경망은 입력층(input layer), 적어도 하나의 은닉층(hidden layer) 및 출력층(output layer)이 순차적으로 결합되는 구조로 구현될 수 있다. 인공 신경망을 구성하는 입력층, 은닉층 및 출력층 각각의 차원은 동일하거나 다르게 구현될 수 있다.
계속하여, 도 3의 (a)를 살펴보면, 본 발명의 일 실시예에 따른 스코어 산출부(220)는, 정상 상태 생체 신호 및 부정맥 상태 생체 신호에 기초하여 위의 인공 신경망을 학습시킬 수 있다. 예를 들어, 정상 상태의 신호는 0으로 라벨링(labeling)하고, 부정맥 상태 생체 신호는 1로 라벨링(labeling)하여 위의 인공 신경망을 학습시킬 수 있다.
따라서, 도 3의 (a)를 참조하면, 본 발명의 일 실시예에 따른 스코어 산출부(220)는 피측정자의 대상 생체 신호를 위의 인공 신경망에 입력시키는 경우에, 위의 대상 생체 신호가 정상 상태 생체 신호에 해당할 확률 또는 부정맥 상태 생체 신호에 해당할 확률이 그 출력으로서 제공되도록 할 수 있다. 예를 들어, 위의 출력되는 확률이 0.5를 기준으로 하여 0에 가까우면 위의 대상 생체 신호가 정상 상태 생체 신호일 가능성이 높은 것이고, 1에 가까우면 위의 대상 생체 신호가 부정맥 상태 생체 신호에 해당될 가능성이 높은 것일 수 있다.
다음으로, 도 3의 (b)를 참조하면, 부정맥 여부를 판별하기 위해 이용되는 인공 신경망은, 인코더(encoder) 및 디코더(decoder)가 순차적으로 결합되는 구조로 구현될 수 있고, 인코더의 입력단의 차원과 디코더의 출력단의 차원이 서로 동일하게 되도록 구현될 수 있으며, 인코더에 입력되는 생체 신호(X)와 디코더로부터 출력되는 생체 신호(X')가 서로 동일해지는 방향으로 학습될 수 있다.
계속하여, 도 3의 (b)를 중심으로 살펴보면, 본 발명의 일 실시예에 따른 스코어 산출부(220)는, 정상 상태 생체 신호에만 기초하여 위의 인공 신경망을 학습시킬 수 있다. 이러한 학습 방식에 따라 위의 인공 신경망이 성공적으로 학습되었다고 가정하면, 정상 상태에 해당하는 생체 신호가 위의 인공 신경망에 입력되는 경우에 그 입력되는 생체 신호와 위의 인공 신경망으로부터 출력되는 생체 신호의 차이가 상대적으로 작게 나타날 수 있고, 부정맥 상태에 해당하는 생체 신호가 위의 인공 신경망에 입력되는 경우에 그 입력되는 생체 신호와 위의 인공 신경망으로부터 출력되는 생체 신호의 차이가 상대적으로 크게 나타날 수 있다.
따라서, 도 3의 (b)를 참조하면, 본 발명의 일 실시예에 따른 스코어 산출부(220)는 피측정자의 대상 생체 신호를 위의 인공 신경망에 입력시키는 경우에, 그 입력되는 대상 생체 신호와 위의 인공 신경망으로부터 출력되는 생체 신호 사이의 차이가 기설정된 수준 미만이면 대상 생체 신호가 정상 상태 생체 신호인 것으로 결정할 수 있고, 그 차이가 기설정된 수준 이상이면 대상 생체 신호가 부정맥 상태 생체 신호인 것으로 결정할 수 있다. 또한, 본 발명의 일 실시예에 따른 스코어 산출부(220)는 피측정자의 대상 생체 신호를 위의 인공 신경망에 입력시키는 경우에, 그 입력되는 대상 생체 신호와 위의 인공 신경망으로부터 출력되는 생체 신호 사이의 차이에 기초하여 정상 상태 생체 신호에 해당할 확률 또는 부정맥 상태 생체 신호에 해당할 확률을 그 출력으로 제공할 수 있다.
한편, 본 발명의 일 실시예에 따른 스코어 산출부(220)는 정상 상태 생체 신호에 관한 데이터 및 부정맥 상태 생체 신호에 관한 데이터 중 적어도 하나에 기초하여 학습되는 이진 분류(binary classification) 기반의 인공 신경망을 이용하여 피측정자의 대상 생체 신호를 분석함으로써, 피측정자의 대상 생체 신호 중 적어도 일부가 부정맥 상태에 해당하는지 여부를 사전 결정하고, 제1 종류의 부정맥 상태에 해당하는 생체 신호에 관한 데이터에 기초하여 학습되는 이진 분류(binary classification) 기반의 제1 인공 신경망과 제2 종류의 부정맥 상태에 해당하는 생체 신호에 관한 데이터에 기초하여 학습되는 이진 분류 기반의 제2 인공 신경망을 이용하여 위의 부정맥 상태에 해당하는 것으로 결정된 생체 신호를 분석함으로써, 위의 부정맥 상태에 해당하는 것으로 결정된 생체 신호 중 적어도 일부가 제1 종류의 부정맥 상태에 해당하는지에 관한 제1 스코어(score)와 위의 부정맥 상태에 해당하는 것으로 결정된 생체 신호 중 적어도 일부가 제2 종류의 부정맥 상태에 해당하는지에 관한 제2 스코어(score)를 각각 산출할 수도 있다. 즉, 부정맥 상태에 해당하는 것으로 사전 결정된 생체 신호를 대상으로 앞서 살펴본 스코어 산출을 수행함으로써, 효율적으로 빠른 결과를 도출할 수도 있게 된다.
다음으로, 본 발명의 일 실시예에 따른 상태 추정부(230)는 앞서 살펴본 제1 인공 신경망 및 제2 인공 신경망이나 제3 인공 신경망 및 제4 인공 신경망을 포함하는 복수의 인공 신경망 각각의 학습 지표 및 스코어에 기초하여 위의 대상 생체 신호 중 적어도 일부가 어떤 종류의 부정맥 상태에 해당하는지를 추정하는 기능을 수행할 수 있다. 본 발명의 일 실시예에 따른 학습 지표는 인공 신경망의 정밀도(precision), 재현율(recall) 및 정확도(accuracy) 중 적어도 하나를 포함하는 개념일 수 있다.
예를 들어, 본 발명의 일 실시예에 따른 상태 추정부(230)는 복수의 인공 신경망 각각의 학습 지표 및 스코어를 연산함에 따라 산출되는 값에 기초하여 피측정자의 대상 심전도 신호 중 적어도 일부가 복수의 종류의 부정맥 상태 중 어느 종류의 부정맥 상태에 해당되는지를 추정할 수 있다.
또한, 본 발명의 일 실시예에 따른 상태 추정부(230)는 위의 대상 생체 신호 중 적어도 일부가 해당하는 것으로 추정되는 종류의 부정맥 상태 중 소정의 기준을 만족하는 적어도 한 종류의 부정맥 상태에 관한 정보를 제공될 정보로서 결정할 수 있다.
예를 들어, 본 발명의 일 실시예에 따른 상태 추정부(230)는 위의 추정되는 종류의 부정맥 상태 중 위의 산출되는 값이 0.5 이상에 해당되는 종류의 부정맥 상태의 순위 정보(ranking) 및 해당 종류의 부정맥 상태의 명칭에 관한 정보를 제공될 정보로 결정할 수 있다. 즉, 본 발명의 일 실시예에 따른 상태 추정부(230)는 위의 산출되는 값이 0.5 미만인 종류의 부정맥 상태의 경우에 해당 인공 신경망을 통해 정확하게 추정할 수 없는 대상으로 결정하고 위의 제공될 정보에서 제외할 수 있다.
다음으로, 본 발명의 일 실시예에 따른 통신부(240)는 생체 신호 획득부(210), 스코어 산출부(220) 및 상태 추정부(230)로부터의/로의 데이터 송수신이 가능하도록 하는 기능을 수행할 수 있다.
마지막으로, 본 발명의 일 실시예에 따른 제어부(250)는 생체 신호 획득부(210), 스코어 산출부(220), 상태 추정부(230) 및 통신부(240) 간의 데이터의 흐름을 제어하는 기능을 수행할 수 있다. 즉, 본 발명에 따른 제어부(250)는 부정맥 추정 시스템(200)의 외부로부터의/로의 데이터 흐름 또는 부정맥 추정 시스템(200)의 각 구성요소 간의 데이터 흐름을 제어함으로써, 생체 신호 획득부(210), 스코어 산출부(220), 상태 추정부(230) 및 통신부(240)에서 각각 고유 기능을 수행하도록 제어할 수 있다.
도 4 및 도 5는 본 발명의 일 실시예에 따라 부정맥 상태가 추정되는 과정을 예시적으로 나타내는 도면이다.
먼저, 도 4 및 도 5를 참조하면, 본 발명의 일 실시예에 따라 피측정자로부터 측정되는 대상 심전도 신호가 생체 신호로서 획득될 수 있다.
그 다음에, 본 발명의 일 실시예에 따라 정상 상태 심전도 신호에 관한 데이터 및 부정맥 상태 심전도 신호에 관한 데이터 중 적어도 하나에 기초하여 학습되는 이진 분류(binary classification) 기반의 인공 신경망(410)을 이용하여 피측정자의 대상 심전도 신호를 분석함으로써, 위의 획득되는 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는지 여부가 사전 결정될 수 있다. 즉, 위의 획득되는 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는 심전도 신호가 후술할 제1 인공 신경망 내지 제3 인공 신경망 각각의 입력으로서 제공될 수 있다.
그 다음에, 본 발명의 일 실시예에 따라 심방세동(A.Fib; Atrial fibrillation)(즉, 제1 종류의 부정맥 상태)에 해당하는 심전도 신호에 관한 데이터에 기초하여 학습되는 이진 분류(binary classification) 기반의 제1 인공 신경망(420)과 발작성상실성빈맥(PSVT; Paroxysmal Supra Ventricular Tachycardia)(즉, 제2 종류의 부정맥 상태)에 해당하는 심전도 신호에 관한 데이터에 기초하여 학습되는 이진 분류 기반의 제2 인공 신경망(430)과, 심실조기수축(VPC; Ventricular Premature Complexes)(즉, 제3 종류의 부정맥 상태)에 해당하는 심전도 신호에 관한 데이터에 기초하여 학습되는 이진 분류 기반의 제3 인공 신경망(440)을 이용하여 위의 사전 결정된 부정맥 상태에 해당하는 심전도 신호를 분석함으로써, 위의 부정맥 상태에 해당하는 심전도 신호 중 적어도 일부가 심방세동(즉, 제1 종류의 부정맥 상태)에 해당하는지에 관한 제1 스코어(score)(450의 (a))와, 위의 부정맥 상태에 해당하는 심전도 신호 중 적어도 일부가 발작성상실성빈맥(즉, 제2 종류의 부정맥 상태)에 해당하는지에 관한 제2 스코어(450의 (b))와, 위의 부정맥 상태에 해당하는 심전도 신호 중 적어도 일부가 심실조기수축(즉, 제3 종류의 부정맥 상태)에 해당하는지에 관한 제3 스코어(450의 (c))가 각각 산출될 수 있다.
그 다음에, 위의 제1 인공 신경망의 학습 정확도(511) 및 위의 제1 스코어(521)를 연산한 값과, 위의 제2 인공 신경망의 학습 정확도(512) 및 위의 제2 스코어(522)를 연산한 값과, 위의 제3 인공 신경망의 학습 정확도(513) 및 위의 제3 스코어(523)을 연산한 값이 각각 0.54, 0.49 및 0.12로 산출되면, 그 값(530)에 기초하여 각 종류별 부정맥 상태의 순위를 결정하고, 그 결정되는 순위(540) 및 해당 종류의 부정맥 상태 명칭(550)에 관한 정보가 제공될 수 있다. 한편, 본 발명의 일 실시예에 따라 위의 연산된 값(530)이 소정 수준(예를 들어, 0.5) 이하에 해당되는 종류의 부정맥 상태는 해당 인공 신경망에 의해 추정이 불가능한 종류의 부정맥 상태로 결정될 수 있고, 이에 따라 해당 종류의 부정맥 상태는 위의 제공되는 정보에서 제외될 수 있다.
도 6은 인공 신경망의 분류(class)가 증가될수록 그 민감도가 낮아지게 되는 실험 결과를 나타내는 도면이다.
도 6을 참조하면, 정상 상태 및 부정맥 상태에 관한 이진 분류(binary-class) 기반의 인공 신경망을 이용하여 분류한 실험 결과(610)와 정상 상태, 심방세동(A.Fib; Atrial fibrillation) 및 기타 상태에 관한 멀티 분류(multi-class) 기반의 인공 신경망을 이용하여 소정의 심전도 데이터가 분류된 실험 결과(620)를 나타낸 것이다.
위의 이진 분류 기반의 인공 신경망에서 부정맥 상태의 민감도(sensitivity) 및 멀티 분류 기반의 인공 신경망에서 심방세동(A.Fib; Atrial fibrillation)의 민감도(sensitivity) 각각을 산출한 결과를 살펴보면, 0.99(즉, (6241)/(6241+58)) 및 0.96(즉, (4618)/(30+4618+162))으로서 멀티 분류 기반의 인공 신경망의 민감도가 이진 분류 기반의 인공 신경망에 비해 낮게 산출되는 것이 확인될 수 있다. 본 발명의 일 실시예에 따라 이진 분류 기반의 인공 신경망을 병렬적으로 구축함으로써 분류(class)를 증가시키면서도 이진 분류 기반의 민감도 높은 장점을 살려 멀티 분류 기반의 단일망보다 정확하게(구체적으로는, 높은 민감도로) 부정맥을 추정할 수 있게 된다.
이상에서는, 인공 신경망을 이용하여 부정맥을 추정하는 실시예에 대하여 주로 설명되어 있지만, 본 발명이 반드시 부정맥 내에서만 한정되는 것은 아니며, 본 발명의 목적을 달성할 수 있는 범위 내에서 다른 질병(예를 들어, 호흡기 질환 여부 및 그 질환 유형을 추정)이나 다른 기술 분야(예를 들어, 기기의 이상 진단 분야; 복수의 센서로부터 획득되는 진동 및 음향 데이터 중 적어도 하나를 복수의 인공 신경망에 입력하고 그 출력되는 결과에 기초하여 기기의 이상 여부 및 그 이상 유형을 추정) 등까지 얼마든지 이용될 수 있음을 밝혀 둔다.
이상 설명된 본 발명에 따른 실시예들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 비일시성의 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 비일시성의 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 비일시성의 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다. 비일시성의 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 상기 실시예들에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등하게 또는 등가적으로 변형된 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다.
100: 통신망
200: 부정맥 추정 시스템
210: 생체 신호 획득부
220: 스코어 산출부
230: 상태 추정부
240: 통신부
250: 제어부
300: 디바이스

Claims (19)

  1. 인공 신경망을 이용하여 부정맥을 추정하기 위한 부정맥 추정 시스템에서 구현되는 방법으로서 - 상기 부정맥 추정 시스템은 스코어 산출부 및 상태 추정부를 포함함 - ,
    상기 스코어 산출부에 의해, 제1 종류의 부정맥 상태에 해당하는 생체 신호에 관한 데이터에 기초하여 학습되는 이진 분류(binary classification) 기반의 제1 인공 신경망과 제2 종류의 부정맥 상태에 해당하는 생체 신호에 관한 데이터에 기초하여 학습되는 이진 분류 기반의 제2 인공 신경망을 각각 이용하여 피측정자의 대상 생체 신호를 분석함으로써, 상기 대상 생체 신호 중 적어도 일부가 상기 제1 종류의 부정맥 상태에 해당하는지에 관하여 상기 제1 인공 신경망으로부터 산출되는 제1 스코어와 상기 대상 생체 신호 중 적어도 일부가 상기 제2 종류의 부정맥 상태에 해당하는지에 관하여 상기 제2 인공 신경망으로부터 산출되는 제2 스코어를 각각 산출하는 단계, 및
    상기 상태 추정부에 의해, 상기 제1 인공 신경망 및 상기 제2 인공 신경망을 포함하여 병렬적으로 구성되는 복수의 인공 신경망 각각의 학습 지표 및 스코어에 기초하여 상기 대상 생체 신호 중 적어도 일부가 어떤 종류의 부정맥 상태에 해당하는지를 추정하는 단계를 포함하고,
    상기 추정 단계에서, 상기 상태 추정부에 의해, 상기 제1 인공 신경망의 학습 지표 및 상기 제1 스코어에 기초하여 산출되는 결과와 상기 제2 인공 신경망의 학습 지표 및 상기 제2 스코어에 기초하여 산출되는 결과를 참조하여 상기 대상 생체 신호 중 적어도 일부가 상기 제1 종류의 부정맥 상태 및 상기 제2 종류의 부정맥 상태 중 어떤 종류의 부정맥 상태에 해당하는지를 추정하고,
    상기 추정 단계는, 상기 상태 추정부에 의해, 상기 대상 생체 신호 중 적어도 일부가 해당하는 것으로 추정되는 종류의 부정맥 상태 중 소정의 기준을 만족하는 적어도 한 종류의 부정맥 상태에 관한 정보 모두를 상기 추정 결과로서 제공하는 단계를 포함하는
    방법.
  2. 제1항에 있어서,
    상기 산출 단계는, 상기 스코어 산출부에 의해, 정상 상태 생체 신호에 관한 데이터 및 부정맥 상태 생체 신호에 관한 데이터 중 적어도 하나에 기초하여 학습되는 이진 분류(binary classification) 기반의 인공 신경망을 이용하여 상기 대상 생체 신호를 분석함으로써, 상기 대상 생체 신호 중 적어도 일부가 부정맥 상태에 해당하는지 여부를 사전 결정하는 단계를 포함하는
    방법.
  3. 삭제
  4. 제1항에 있어서,
    상기 스코어는 상기 제1 종류의 부정맥 상태에 해당할 확률 및 상기 제2 종류의 부정맥 상태에 해당할 확률을 포함하는
    방법.
  5. 제1항에 있어서,
    상기 학습 지표는 상기 인공 신경망의 학습 정확도를 포함하는
    방법.
  6. 인공 신경망을 이용하여 부정맥을 추정하기 위한 부정맥 추정 시스템에서 구현되는 방법으로서 - 상기 부정맥 추정 시스템은 스코어 산출부 및 상태 추정부를 포함함 - ,
    상기 스코어 산출부에 의해, 특정 종류의 부정맥 상태에 해당하는 생체 신호에 관한 데이터에 기초하여 학습되는 이진 분류(binary classification) 기반의 제1 인공 신경망과 정상 상태 생체 신호에 관한 데이터 및 부정맥 상태 생체 신호에 관한 데이터 중 적어도 하나에 기초하여 학습되는 이진 분류(binary classification) 기반의 제2 인공 신경망을 각각 이용하여 피측정자의 대상 생체 신호를 분석함으로써, 상기 대상 생체 신호 중 적어도 일부가 상기 특정 종류의 부정맥 상태에 해당하는지에 관하여 상기 제1 인공 신경망으로부터 산출되는 제1 스코어와, 상기 대상 생체 신호 중 적어도 일부가 부정맥 상태에 해당하는지에 관하여 상기 제2 인공 신경망으로부터 산출되는 제2 스코어를 각각 산출하는 단계, 및
    상기 상태 추정부에 의해, 상기 제1 인공 신경망 및 상기 제2 인공 신경망을 포함하여 병렬적으로 구성되는 복수의 인공 신경망 각각의 학습 지표 및 스코어에 기초하여 상기 대상 생체 신호 중 적어도 일부가 어떤 종류의 부정맥 상태에 해당하는지를 추정하거나 부정맥 상태에 해당하는지 여부를 추정하는 단계를 포함하고,
    상기 추정 단계에서, 상기 상태 추정부에 의해, 상기 제1 인공 신경망의 학습 지표 및 상기 제1 스코어에 기초하여 산출되는 결과와 상기 제2 인공 신경망의 학습 지표 및 상기 제2 스코어에 기초하여 산출되는 결과를 참조하여 상기 대상 생체 신호 중 적어도 일부가 상기 특정 종류의 부정맥 상태에 해당하는지를 추정하거나 부정맥 상태에 해당하는지 여부를 추정하고,
    상기 추정 단계는,
    상기 상태 추정부에 의해, 상기 대상 생체 신호 중 적어도 일부가 상기 특정 종류의 부정맥 상태에 해당하는지에 관한 정보 및 상기 대상 생체 신호 중 적어도 일부가 부정맥 상태에 해당하는지 여부에 관한 정보 중 소정의 기준을 만족하는 적어도 한 정보 모두를 상기 추정 결과로서 제공하는 단계를 포함하는
    방법.
  7. 삭제
  8. 제6항에 있어서,
    상기 스코어는 상기 특정 종류의 부정맥 상태에 해당할 확률 및 부정맥 상태에 해당할 확률을 포함하는
    방법.
  9. 제6항에 있어서,
    상기 학습 지표는 상기 인공 신경망의 학습 정확도를 포함하는
    방법.
  10. 제1항 및 제6항 중 어느 한 항에 따른 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 비일시성의 컴퓨터 판독 가능 기록 매체.
  11. 인공 신경망을 이용하여 부정맥을 추정하기 위한 시스템으로서,
    피측정자로부터 측정되는 대상 생체 신호를 획득하는 생체 신호 획득부,
    제1 종류의 부정맥 상태에 해당하는 생체 신호에 관한 데이터에 기초하여 학습되는 이진 분류(binary classification) 기반의 제1 인공 신경망과 제2 종류의 부정맥 상태에 해당하는 생체 신호에 관한 데이터에 기초하여 학습되는 이진 분류 기반의 제2 인공 신경망을 각각 이용하여 상기 피측정자의 대상 생체 신호를 분석함으로써, 상기 피측정자의 대상 생체 신호 중 적어도 일부가 상기 제1 종류의 부정맥 상태에 해당하는지에 관하여 상기 제1 인공 신경망으로부터 산출되는 제1 스코어와 상기 피측정자의 대상 생체 신호 중 적어도 일부가 상기 제2 종류의 부정맥 상태에 해당하는지에 관하여 상기 제2 인공 신경망으로부터 산출되는 제2 스코어를 각각 산출하는 스코어 산출부, 및
    상기 제1 인공 신경망 및 상기 제2 인공 신경망을 포함하여 병렬적으로 구성되는 복수의 인공 신경망 각각의 학습 지표 및 스코어에 기초하여 상기 대상 생체 신호 중 적어도 일부가 어떤 종류의 부정맥 상태에 해당하는지를 추정하는 상태 추정부를 포함하고,
    상기 상태 추정부에 의해, 상기 제1 인공 신경망의 학습 지표 및 상기 제1 스코어에 기초하여 산출되는 결과와 상기 제2 인공 신경망의 학습 지표 및 상기 제2 스코어에 기초하여 산출되는 결과를 참조하여 상기 대상 생체 신호 중 적어도 일부가 상기 제1 종류의 부정맥 상태 및 상기 제2 종류의 부정맥 상태 중 어떤 종류의 부정맥 상태에 해당하는지를 추정하고,
    상기 상태 추정부에 의해, 상기 대상 생체 신호 중 적어도 일부가 해당하는 것으로 추정되는 종류의 부정맥 상태 중 소정의 기준을 만족하는 적어도 한 종류의 부정맥 상태에 관한 정보 모두를 상기 추정 결과로서 제공하는
    시스템.
  12. 제11항에 있어서,
    상기 스코어 산출부에 의해, 정상 상태 생체 신호에 관한 데이터 및 부정맥 상태 생체 신호에 관한 데이터 중 적어도 하나에 기초하여 학습되는 이진 분류(binary classification) 기반의 인공 신경망을 이용하여 상기 대상 생체 신호를 분석함으로써, 상기 대상 생체 신호 중 적어도 일부가 부정맥 상태에 해당하는지 여부를 사전 결정하는
    시스템.
  13. 삭제
  14. 제11항에 있어서,
    상기 스코어는 상기 제1 종류의 부정맥 상태에 해당할 확률 및 상기 제2 종류의 부정맥 상태에 해당할 확률을 포함하는
    시스템.
  15. 제11항에 있어서,
    상기 학습 지표는 상기 인공 신경망의 학습 정확도를 포함하는
    시스템.
  16. 인공 신경망을 이용하여 부정맥을 추정하기 위한 시스템으로서,
    피측정자로부터 측정되는 대상 생체 신호를 획득하는 생체 신호 획득부,
    특정 종류의 부정맥 상태에 해당하는 생체 신호에 관한 데이터에 기초하여 학습되는 이진 분류(binary classification) 기반의 제1 인공 신경망과 정상 상태 생체 신호에 관한 데이터 및 부정맥 상태 생체 신호에 관한 데이터 중 적어도 하나에 기초하여 학습되는 이진 분류(binary classification) 기반의 제2 인공 신경망을 각각 이용하여 상기 대상 생체 신호를 분석함으로써, 상기 대상 생체 신호 중 적어도 일부가 상기 특정 종류의 부정맥 상태에 해당하는지에 관하여 상기 제1 인공 신경망으로부터 산출되는 제1 스코어와 상기 대상 생체 신호 중 적어도 일부가 부정맥 상태에 해당하는지에 관하여 상기 제2 인공 신경망으로부터 산출되는 제2 스코어를 각각 산출하는 스코어 산출부, 및
    상기 제1 인공 신경망 및 상기 제2 인공 신경망을 포함하여 병렬적으로 구성되는 복수의 인공 신경망 각각의 학습 지표 및 스코어에 기초하여 상기 대상 생체 신호 중 적어도 일부가 어떤 종류의 부정맥 상태에 해당하는지를 추정하거나 부정맥 상태에 해당하는지 여부를 추정하는 상태 추정부를 포함하고,
    상기 상태 추정부에 의해, 상기 제1 인공 신경망의 학습 지표 및 상기 제1 스코어에 기초하여 산출되는 결과 및 상기 제2 인공 신경망의 학습 지표 및 상기 제2 스코어에 기초하여 산출되는 결과를 참조하여 상기 대상 생체 신호 중 적어도 일부가 상기 특정 종류의 부정맥 상태에 해당하는지를 추정하거나 부정맥 상태에 해당하는지 여부를 추정하고,
    상기 상태 추정부는, 상기 대상 생체 신호 중 적어도 일부가 상기 특정 종류의 부정맥 상태에 해당하는지에 관한 정보 및 상기 대상 생체 신호 중 적어도 일부가 부정맥 상태에 해당하는지 여부에 관한 정보 중 소정의 기준을 만족하는 적어도 한 정보 모두를 상기 추정 결과로서 제공하는
    시스템.
  17. 삭제
  18. 제16항에 있어서,
    상기 스코어는 상기 특정 종류의 부정맥 상태에 해당할 확률 및 부정맥 상태에 해당할 확률을 포함하는
    시스템.
  19. 제16항에 있어서,
    상기 학습 지표는 상기 인공 신경망의 학습 정확도를 포함하는
    시스템.
KR1020190152676A 2019-11-25 2019-11-25 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 KR102141617B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020190152676A KR102141617B1 (ko) 2019-11-25 2019-11-25 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
US16/816,581 US20210153761A1 (en) 2019-11-25 2020-03-12 Method, system and non-transitory computer-readable recording medium for estimating arrhythmia by using artificial neural network
KR1020200092631A KR20210064029A (ko) 2019-11-25 2020-07-24 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190152676A KR102141617B1 (ko) 2019-11-25 2019-11-25 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020200092631A Division KR20210064029A (ko) 2019-11-25 2020-07-24 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체

Publications (1)

Publication Number Publication Date
KR102141617B1 true KR102141617B1 (ko) 2020-08-05

Family

ID=72041627

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020190152676A KR102141617B1 (ko) 2019-11-25 2019-11-25 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
KR1020200092631A KR20210064029A (ko) 2019-11-25 2020-07-24 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020200092631A KR20210064029A (ko) 2019-11-25 2020-07-24 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체

Country Status (2)

Country Link
US (1) US20210153761A1 (ko)
KR (2) KR102141617B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023287118A1 (ko) * 2021-07-16 2023-01-19 주식회사 휴이노 생체 신호 분석 모델의 출력 데이터를 관리하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160120434A1 (en) 2014-10-31 2016-05-05 Irhythm Technologies, Inc. Wireless physiological monitoring device and systems
CN110379506B (zh) * 2019-06-14 2022-06-14 杭州电子科技大学 针对心电图数据使用二值化神经网络的心律不齐检测方法
US11657921B2 (en) 2019-09-18 2023-05-23 Tempus Labs, Inc. Artificial intelligence based cardiac event predictor systems and methods
US20210174961A1 (en) * 2019-12-09 2021-06-10 The Regents Of The University Of California Deep neural network (dnn) assisted sensor for energy-efficient electrocardiogram (ecg) monitoring
US11083371B1 (en) 2020-02-12 2021-08-10 Irhythm Technologies, Inc. Methods and systems for processing data via an executable file on a monitor to reduce the dimensionality of the data and encrypting the data being transmitted over the wireless network
CN116322497A (zh) 2020-08-06 2023-06-23 意锐瑟科技公司 粘性生理监测装置
WO2022032118A1 (en) 2020-08-06 2022-02-10 Irhythm Technologies, Inc. Electrical components for physiological monitoring device
WO2022251750A1 (en) * 2021-05-28 2022-12-01 Tempus Labs, Inc. Artificial intelligence based cardiac event predictor systems and methods
KR102549010B1 (ko) * 2022-08-30 2023-06-28 주식회사 휴이노 복합 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100794516B1 (ko) * 2007-12-03 2008-01-14 한국정보통신대학교 산학협력단 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목선정 시스템 및 방법
JP2014100473A (ja) * 2012-11-16 2014-06-05 Samsung Electronics Co Ltd 遠隔疾病管理装置及び遠隔疾病管理方法並びに無線センサ
JP2018503885A (ja) * 2014-11-14 2018-02-08 ゾール メディカル コーポレイションＺＯＬＬ Ｍｅｄｉｃａｌ Ｃｏｒｐｏｒａｔｉｏｎ 医療前兆イベント予測
KR20190030876A (ko) * 2017-09-15 2019-03-25 주식회사 셀바스에이아이 건강 위험 예측 방법

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9492138B2 (en) * 2012-10-15 2016-11-15 Rijuven Corp Mobile front-end system for comprehensive cardiac diagnosis
US10417653B2 (en) * 2013-01-04 2019-09-17 PlaceIQ, Inc. Inferring consumer affinities based on shopping behaviors with unsupervised machine learning models
US20200042825A1 (en) * 2018-08-02 2020-02-06 Veritone, Inc. Neural network orchestration
WO2020056028A1 (en) * 2018-09-14 2020-03-19 Avive Solutions, Inc. Shockable heart rhythm classifier for defibrillators
US11267128B2 (en) * 2019-05-08 2022-03-08 International Business Machines Corporation Online utility-driven spatially-referenced data collector for classification
US11475278B2 (en) * 2019-10-28 2022-10-18 Ai4Medimaging—Medical Solutions, S.A. Artificial intelligence based cardiac motion classification

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100794516B1 (ko) * 2007-12-03 2008-01-14 한국정보통신대학교 산학협력단 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목선정 시스템 및 방법
JP2014100473A (ja) * 2012-11-16 2014-06-05 Samsung Electronics Co Ltd 遠隔疾病管理装置及び遠隔疾病管理方法並びに無線センサ
JP2018503885A (ja) * 2014-11-14 2018-02-08 ゾール メディカル コーポレイションＺＯＬＬ Ｍｅｄｉｃａｌ Ｃｏｒｐｏｒａｔｉｏｎ 医療前兆イベント予測
KR20190030876A (ko) * 2017-09-15 2019-03-25 주식회사 셀바스에이아이 건강 위험 예측 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023287118A1 (ko) * 2021-07-16 2023-01-19 주식회사 휴이노 생체 신호 분석 모델의 출력 데이터를 관리하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체

Also Published As

Publication number Publication date
KR20210064029A (ko) 2021-06-02
US20210153761A1 (en) 2021-05-27

Similar Documents

Publication Publication Date Title
KR102141617B1 (ko) 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
Pandey Machine learning and IoT for prediction and detection of stress
US20230355188A1 (en) Systems and methods for image data acquisition
CN109480800B (zh) 用于估计生物信息的设备和方法及血压监视装置
Tazarv et al. A deep learning approach to predict blood pressure from ppg signals
CN109009084B (zh) 多导联心电信号的qrs波群校验方法、装置及设备、介质
US10765374B2 (en) Methods and apparatus for adaptable presentation of sensor data
US11617545B2 (en) Methods and systems for adaptable presentation of sensor data
Lu et al. An arrhythmia classification algorithm using C-LSTM in physiological parameters monitoring system under internet of health things environment
Papageorgiou et al. Analysis of digitalized ECG signals based on artificial intelligence and spectral analysis methods specialized in ARVC
Premalatha et al. Design and implementation of intelligent patient in-house monitoring system based on efficient XGBoost-CNN approach
KR102219378B1 (ko) 인공 신경망을 이용하여 부정맥을 인식하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
KR102573416B1 (ko) 생체 신호 분석 모델의 출력 데이터를 관리하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
US20240057902A1 (en) Apparatus and method for measuring blood components
KR102418544B1 (ko) 생체 신호 측정 장치, 생체 신호 처리 장치 및 생체 신호 처리 장치의 동작 방법
Abirami AI Clinical Decision Support System (AI-CDSS) for Cardiovascular Diseases
Durga Intelligent Support for Cardiovascular Diagnosis: The AI-CDSS Approach
US20230404488A1 (en) Noninvasive cardiovascular event detection
Sweeney et al. A Review of the State of the Art in Artifact Removal Technologies as used in an Assisted Living Domain
US20220031208A1 (en) Machine learning training for medical monitoring systems
Zhao et al. ECG-Based Arrhythmia Detection Using Attention-Based Convolutional Neural Network
Ameta et al. Analysis & prediction of cardiac arrhythmia using deep learning techniques
KR20220129283A (ko) 인공지능 알고리즘 기반의 생체신호 비정상 측정상태 알림 시스템 및 방법
KR20240013676A (ko) 심전도를 이용한 심근경색 진단 방법, 프로그램 및장치
Baker Development of machine learning schemes for use in non-invasive and continuous patient health monitoring

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
A107 Divisional application of patent
GRNT Written decision to grant