KR102180135B1 - System and method of implementing ecg pattern simulation biometric signals according to cardiovascular disease type - Google Patents
System and method of implementing ecg pattern simulation biometric signals according to cardiovascular disease type Download PDFInfo
- Publication number
- KR102180135B1 KR102180135B1 KR1020180122110A KR20180122110A KR102180135B1 KR 102180135 B1 KR102180135 B1 KR 102180135B1 KR 1020180122110 A KR1020180122110 A KR 1020180122110A KR 20180122110 A KR20180122110 A KR 20180122110A KR 102180135 B1 KR102180135 B1 KR 102180135B1
- Authority
- KR
- South Korea
- Prior art keywords
- electrocardiogram
- bio
- cardiovascular disease
- signal
- pattern simulation
- Prior art date
Links
Images
Classifications
-
- A61B5/04021—
-
- 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]
- A61B5/319—Circuits for simulating ECG signals
-
- A61B5/0452—
-
- 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
-
- 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
Abstract
본 발명은 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템(10)에 관한 것으로서, 보다 구체적으로는 심전도 패턴 시뮬레이션 생체신호 구현 시스템(10)에 있어서, 심전도 생체신호를 측정하는 생체신호 측정부(100); 상기 생체신호 측정부(100)에 의해 측정된 심전도 생체신호에서 변수를 추출하는 변수 추출부(200); 상기 변수 추출부(200)에 의해 추출된 변수를 분석하는 변수 분석부(300); 상기 변수 분석부(300)의 의해 분석된 결과에 따라 심혈관 질환 종류별로 심전도 생체신호를 축적하는 생체신호 축적부(400); 및 상기 생체신호 축적부(400)에 축적된 심전도 생체신호를 이용하여 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호를 구현하는 생체신호 구현부(500)를 포함하는 것을 특징으로 한다.
또한, 본 발명은 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 방법에 관한 것으로서, 보다 구체적으로는 심전도 패턴 시뮬레이션 생체신호 구현 방법에 있어서, (1) 심전도 생체신호를 측정하는 단계; (2) 상기 단계 (1)에서 측정된 심전도 생체신호에서 변수를 추출하는 단계; (3) 상기 단계 (2)에서 추출된 변수를 분석하는 단계; (4) 상기 단계 (3)에서 분석된 결과에 따라 심혈관 질환 종류별로 심전도 생체신호를 축적하는 단계; 및 (5) 상기 단계 (4)에서 축적된 심전도 생체신호를 이용하여 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호를 구현하는 단계를 포함하는 것을 특징으로 한다.
본 발명에서 제안하고 있는 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템(10) 및 방법에 따르면, 심혈관 질환 종류에 따른 특정 심전도 패턴 시뮬레이션 생체신호 구현을 통해, 훈련자의 진단 능력 및 수술 진행 능력을 향상시킬 수 있으며, 세계 의료 시술 훈련 시뮬레이터 시장을 조기에 선점할 수 있다.
또한, 본 발명에서 제안하고 있는 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템 및 방법에 따르면, 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현을 통해, 증강현실 기술을 적용한 심혈관 질환 시술 가상훈련 시뮬레이터 개발 및 훈련 프로그램 초기 유효성을 확보하여, 국내외 심혈관 시술 교육 및 훈련 프로그램 기초 확립을 통한 세계 의료 시술 훈련 기술을 선도할 수 있다.The present invention relates to a system 10 for implementing an electrocardiogram pattern simulation bio-signal according to the type of cardiovascular disease, and more specifically, in the system 10 for implementing an electrocardiogram pattern simulation bio-signal, a bio-signal measuring unit ( 100); A variable extraction unit 200 for extracting a variable from the electrocardiogram biometric signal measured by the biosignal measurement unit 100; A variable analysis unit 300 that analyzes the variables extracted by the variable extraction unit 200; A bio-signal accumulating unit 400 for accumulating an electrocardiogram bio-signal for each cardiovascular disease type according to a result analyzed by the variable analysis unit 300; And a bio-signal implementation unit 500 for implementing an electrocardiogram pattern simulation bio-signal according to a cardiovascular disease type by using the electrocardiogram bio-signal accumulated in the bio-signal accumulating unit 400.
In addition, the present invention relates to a method of implementing an electrocardiogram pattern simulation biosignal according to a cardiovascular disease type, and more specifically, in a method of implementing an electrocardiogram pattern simulation biosignal, the method comprising: (1) measuring an electrocardiogram biosignal; (2) extracting a variable from the electrocardiogram bio-signal measured in step (1); (3) analyzing the variables extracted in step (2); (4) accumulating an electrocardiogram bio-signal for each cardiovascular disease type according to the result analyzed in step (3); And (5) implementing an electrocardiogram pattern simulation bio-signal according to a cardiovascular disease type by using the electrocardiogram bio-signal accumulated in step (4).
According to the system 10 and method for implementing an electrocardiogram pattern simulation bio-signal according to the type of cardiovascular disease proposed in the present invention, through the implementation of a bio-signal for a specific electrocardiogram pattern simulation according to the type of cardiovascular disease, the diagnostic ability of the trainee and the ability to proceed with surgery are improved. It can be improved, and the global medical procedure training simulator market can be preoccupied early.
In addition, according to the system and method for realizing an electrocardiogram pattern simulation bio-signal according to the cardiovascular disease type proposed in the present invention, a virtual training simulator for cardiovascular disease treatment applying augmented reality technology through the implementation of an electrocardiogram pattern simulation bio-signal according to the cardiovascular disease type By securing the initial effectiveness of the development and training program, it can lead the world's medical procedure training technology by establishing the basis for domestic and international cardiovascular treatment education and training programs.
Description
본 발명은 심전도 패턴 시뮬레이션 생체신호 구현 시스템 및 방법에 관한 것으로서, 보다 구체적으로는 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템 및 방법에 관한 것이다.The present invention relates to a system and method for implementing an electrocardiogram pattern simulation bio-signal, and more particularly, to a system and method for implementing an electrocardiogram pattern simulation bio-signal according to a cardiovascular disease type.
심장은 우리 몸에 혈액을 공급해주는 중요한 부위로, 생명과 매우 밀접한 관련을 갖는다. 심혈관 질환은 심장과 주요 동맥에 발생하는 질환을 말하며, 심장의 구조와 판막, 전기 신호 등에 이상이 생겨 발생하게 된다. 특히, 심장으로 혈액을 공급하는 관상동맥 혈관이 좁아져 흉통이 발생하는 협심증과 혈관이 막혀 심장 근육 괴사로 이어지는 심근경색이 대표적인 심혈관 질환이다.
The heart is an important part that supplies blood to our body, and is closely related to life. Cardiovascular disease refers to a disease that occurs in the heart and major arteries, and is caused by abnormalities in the structure of the heart, valves, and electrical signals. In particular, angina pectoris, which causes chest pain due to narrowing of coronary artery blood vessels supplying blood to the heart, and myocardial infarction leading to heart muscle necrosis due to blockage of blood vessels are typical cardiovascular diseases.
심혈관 질환의 대표적인 원인은 동맥경화로서, 동맥경화는 나이가 들면서 나타나는 일종의 노화현상을 말한다. 동맥경화는 관상동맥, 대동맥, 말초동맥에 모두 나타날 수 있으며, 혈관의 가장 안쪽에 있는 내막에 콜레스테롤이나 중성지방이 쌓이면서 혈관이 좁아지고 딱딱하게 굳어지면서 막히게 되는 것을 말한다. 이러한 동맥경화의 위험 인자로는, 고지혈증, 고혈압, 당뇨병, 유전, 흡연, 운동부족, 과체중, 복부비만 등이 있으며, 위와 같은 위험 인자를 갖고 있다면, 동맥경화가 더 빠르게 진행될 수 있다.
The representative cause of cardiovascular disease is arteriosclerosis, and arteriosclerosis is a kind of aging phenomenon that appears with age. Arteriosclerosis can appear in both coronary arteries, aorta, and peripheral arteries, and refers to clogging as cholesterol or triglycerides accumulate in the innermost lining of blood vessels, resulting in narrowing and hardening of blood vessels. Risk factors for such arteriosclerosis include hyperlipidemia, high blood pressure, diabetes, genetics, smoking, lack of exercise, overweight, and abdominal obesity. If you have the above risk factors, arteriosclerosis may progress more rapidly.
심혈관 질환은 어느 정도 진행이 되고 나서 증상이 발생되기 때문에 모르고 지내는 경우가 많고, 증상이 있더라도 대수롭지 않게 지나쳐 조기진단 및 치료시기를 놓치는 경우가 많다. 도 1은 우리나라의 사망원인 순위를 나타낸 도면이다. 도 1에 도시된 바와 같이, 우리나라 사망원인 순위 중 2위가 심혈관 질환이며, 세계보건기구(World Health Organization, WHO)에 따르면 세계인의 사망원인 1위가 바로 심혈관 질환으로 조사되었다.
Cardiovascular disease has progressed to some extent, and symptoms arise, so many people don't know, and even if there are symptoms, they are not very much overlooked, and the timing of early diagnosis and treatment is often missed. 1 is a diagram showing the ranking of causes of death in Korea. As shown in FIG. 1, cardiovascular disease is ranked second among the causes of death in Korea, and according to the World Health Organization (WHO), cardiovascular disease is the number one cause of death in the world.
요즘에는, 심혈관 질환에 대해 수술을 하지 않고, 좁아진 혈관에 스텐트를 삽입하여 혈관을 확장하는 방법의 치료법을 사용하고 있다. 스텐트 시술은 안전하다고 알려져 있지만 시술 중 많은 변수가 존재하고, 특히, 대동맥판막 스텐트 시술의 경우 난이도가 상당히 높다.
Nowadays, a method of expanding blood vessels by inserting a stent into a narrowed blood vessel is used without surgery for cardiovascular disease. Although it is known that stent surgery is safe, there are many variables during the procedure. In particular, the aortic valve stent procedure is very difficult.
따라서, 심혈관 질환에 대해 수술 또는 시술을 진행하는 의사의 능력을 향상시킬 수 있는 심혈관 질환 시술 훈련 시뮬레이터의 개발이 필요하며, 이에 앞서, 환자의 심전도 생체신호를 구현하는 심전도 패턴 시뮬레이션 생체신호 구현 시스템 및 방법의 개발이 필요한 실정이다.
Therefore, there is a need to develop a cardiovascular disease treatment training simulator that can improve the ability of a doctor to perform surgery or treatment on cardiovascular disease. Prior to this, an electrocardiogram pattern simulation biosignal realization system and There is a need to develop a method.
한편, 본 발명과 관련된 선행기술로서, 등록특허 제10-1887805호(발명의 명칭: 증강현실 기반의 복강경 수술용 시뮬레이션 시스템 및 이를 이용한 방법) 등이 개시된 바 있다.On the other hand, as a prior art related to the present invention, Patent No. 10-1887805 (name of the invention: augmented reality-based laparoscopic surgery simulation system and method using the same) has been disclosed.
본 발명은 기존에 제안된 방법들의 상기와 같은 문제점들을 해결하기 위해 제안된 것으로서, 심혈관 질환 종류에 따른 특정 심전도 패턴 시뮬레이션 생체신호 구현을 통해, 훈련자의 진단 능력 및 수술 진행 능력을 향상시킬 수 있으며, 세계 의료 시술 훈련 시뮬레이터 시장을 조기에 선점할 수 있는, 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템 및 방법을 제공하는 것을 그 목적으로 한다.
The present invention has been proposed to solve the above-described problems of the previously proposed methods, and through the implementation of bio-signals for simulation of specific electrocardiogram patterns according to the type of cardiovascular disease, it is possible to improve the diagnostic ability of the trainee and the ability to proceed with surgery, It is an object of the present invention to provide a system and method for implementing an electrocardiogram pattern simulation bio-signal according to cardiovascular disease types, which can preempt the global medical procedure training simulator market early.
또한, 본 발명은, 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현을 통해, 증강현실 기술을 적용한 심혈관 질환 시술 가상훈련 시뮬레이터 개발 및 훈련 프로그램 초기 유효성을 확보하여, 국내외 심혈관 시술 교육 및 훈련 프로그램 기초 확립을 통한 세계 의료 시술 훈련 기술을 선도할 수 있는, 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템 및 방법을 제공하는 것을 다른 목적으로 한다.In addition, the present invention secures the initial validity of the cardiovascular disease treatment virtual training simulator applying augmented reality technology and establishing the basis of the training program at home and abroad through the realization of bio-signals that simulate the ECG pattern according to the cardiovascular disease type. Another object is to provide a system and method for implementing an electrocardiogram pattern simulation bio-signal according to the type of cardiovascular disease, which can lead the world medical procedure training technology.
상기한 목적을 달성하기 위한 본 발명의 특징에 따른 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템은,An electrocardiogram pattern simulation bio-signal implementation system according to a cardiovascular disease type according to a feature of the present invention for achieving the above object,
심전도 패턴 시뮬레이션 생체신호 구현 시스템에 있어서,In the electrocardiogram pattern simulation bio-signal implementation system,
심전도 생체신호를 측정하는 생체신호 측정부;A bio-signal measuring unit for measuring an electrocardiogram bio-signal;
상기 생체신호 측정부에 의해 측정된 심전도 생체신호에서 변수를 추출하는 변수 추출부;A variable extracting unit for extracting a variable from the electrocardiogram biological signal measured by the biological signal measuring unit;
상기 변수 추출부에 의해 추출된 변수를 분석하는 변수 분석부;A variable analysis unit for analyzing the variables extracted by the variable extraction unit;
상기 변수 분석부의 의해 분석된 결과에 따라 심혈관 질환 종류별로 심전도 생체신호를 축적하는 생체신호 축적부; 및A bio-signal accumulating unit for accumulating an electrocardiogram bio-signal for each cardiovascular disease type according to a result analyzed by the variable analysis unit; And
상기 생체신호 축적부에 축적된 심전도 생체신호를 이용하여 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호를 구현하는 생체신호 구현부를 포함하는 것을 그 구성상의 특징으로 한다.
It is characterized in that it comprises a bio-signal implementation unit that implements an electrocardiogram pattern simulation bio-signal according to a cardiovascular disease type by using the electrocardiogram bio-signal accumulated in the bio-signal accumulation unit.
바람직하게는, 상기 생체신호 측정부는,Preferably, the biological signal measuring unit,
휴대용 스마트기기를 통해 심전도 생체신호를 측정할 수 있다.
ECG bio-signals can be measured through a portable smart device.
바람직하게는, 상기 변수 추출부에서 추출하는 변수는,Preferably, the variable extracted by the variable extraction unit,
QRS Complex, RR interval 및 PR segment일 수 있다.
It may be QRS Complex, RR interval and PR segment.
바람직하게는, 상기 변수 분석부는,Preferably, the variable analysis unit,
상기 변수 추출부에 의해 추출된 변수를 분석하여, 심혈관 질환 종류를 판단할 수 있다.
By analyzing the variables extracted by the variable extraction unit, it is possible to determine the type of cardiovascular disease.
바람직하게는, 상기 생체신호 축적부는,Preferably, the bio-signal accumulating unit,
상기 변수 분석부(300)에 의해 분석된 결과에 따라 심전도 데이터베이스에 심혈관 질환 종류별로 심전도 생체신호를 축적할 수 있다.
According to a result analyzed by the
바람직하게는, 상기 생체신호 구현부는,Preferably, the bio-signal implementation unit,
증강현실로 구현된 가상의 환자 감시장치에서 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호를 구현할 수 있다.
In a virtual patient monitoring device implemented in augmented reality, it is possible to implement an electrocardiogram pattern simulation biosignal according to the cardiovascular disease type.
더욱 바람직하게는, 상기 심혈관 질환은,More preferably, the cardiovascular disease,
조기수축, 서맥, 빈맥 및 심방세동 중 적어도 어느 하나를 포함할 수 있다.
It may include at least one of premature contraction, bradycardia, tachycardia and atrial fibrillation.
바람직하게는, 상기 생체신호 구현부는,Preferably, the bio-signal implementation unit,
심전도 패턴 시뮬레이션 생체신호 구현을 통해 훈련자가 심혈관 질환을 진단하고 시술하는 훈련 환경을 제공할 수 있다.
Through the realization of the bio-signal of the electrocardiogram pattern simulation, a training environment for a trainee to diagnose and perform cardiovascular disease can be provided.
바람직하게는, 상기 생체신호 구현부는,Preferably, the bio-signal implementation unit,
인공신경망 모델을 이용하여, 심전도 패턴 시뮬레이션 생체신호 구현을 통해 훈련자의 진단능력, 시술 진행 과정, 및 시술 목표 설정에 대한 정보를 예측 및 습득 가능한 훈련 환경을 제공할 수 있다.
Using an artificial neural network model, it is possible to provide a training environment capable of predicting and acquiring information on a trainee's diagnostic ability, a procedure progression, and a procedure target setting through the realization of bio-signals simulating an electrocardiogram pattern.
더욱 바람직하게는, 상기 인공신경망 모델은,More preferably, the artificial neural network model,
딥 러닝 기반으로서, MLP(Multi Layer Perceptron) 및 LSTM(Long Short Term Memory) 중 적어도 어느 하나의 인공신경망 모델일 수 있다.
As a deep learning base, it may be an artificial neural network model of at least one of a multi-layer perceptron (MLP) and a long short term memory (LSTM).
상기한 목적을 달성하기 위한 본 발명의 특징에 따른 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 방법은,A method of implementing an electrocardiogram pattern simulation biosignal according to a cardiovascular disease type according to a feature of the present invention for achieving the above object,
심전도 패턴 시뮬레이션 생체신호 구현 방법에 있어서,In the electrocardiogram pattern simulation bio-signal implementation method,
(1) 심전도 생체신호를 측정하는 단계;(1) measuring an electrocardiogram bio-signal;
(2) 상기 단계 (1)에서 측정된 심전도 생체신호에서 변수를 추출하는 단계;(2) extracting a variable from the electrocardiogram bio-signal measured in step (1);
(3) 상기 단계 (2)에서 추출된 변수를 분석하는 단계;(3) analyzing the variables extracted in step (2);
(4) 상기 단계 (3)에서 분석된 결과에 따라 심혈관 질환 종류별로 심전도 생체신호를 축적하는 단계; 및(4) accumulating an electrocardiogram bio-signal for each cardiovascular disease type according to the result analyzed in step (3); And
(5) 상기 단계 (4)에서 축적된 심전도 생체신호를 이용하여 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호를 구현하는 단계를 포함하는 것을 그 구성상의 특징으로 한다.
(5) using the electrocardiogram bio-signals accumulated in step (4) to implement an electrocardiogram pattern simulation bio-signal according to the cardiovascular disease type.
바람직하게는, 상기 단계 (1)에서는,Preferably, in step (1),
휴대용 스마트기기를 통해 심전도 생체신호를 측정할 수 있다.
ECG bio-signals can be measured through a portable smart device.
바람직하게는, 상기 단계 (2)에서 추출하는 변수는,Preferably, the variable extracted in step (2) is,
QRS Complex, RR interval 및 PR segment일 수 있다.
It may be QRS Complex, RR interval and PR segment.
바람직하게는, 상기 단계 (3)에서는,Preferably, in step (3),
상기 단계 (2)에서 추출된 변수를 분석하여, 심혈관 질환 종류를 판단할 수 있다.
By analyzing the variables extracted in step (2), it is possible to determine the type of cardiovascular disease.
바람직하게는, 상기 단계 (4)에서는,Preferably, in step (4),
상기 단계 (3)에서 분석된 결과에 따라 심전도 데이터베이스에 심혈관 질환 종류별로 심전도 생체신호를 축적할 수 있다.
According to the result analyzed in step (3), an electrocardiogram biosignal may be accumulated for each cardiovascular disease type in the electrocardiogram database.
바람직하게는, 상기 단계 (5)에서는,Preferably, in step (5),
증강현실로 구현된 가상의 환자 감시장치에서 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호를 구현할 수 있다.
In a virtual patient monitoring device implemented in augmented reality, it is possible to implement an electrocardiogram pattern simulation biosignal according to the cardiovascular disease type.
더욱 바람직하게는, 상기 심혈관 질환은,More preferably, the cardiovascular disease,
조기수축, 서맥, 빈맥 및 심방세동 중 적어도 어느 하나를 포함할 수 있다.
It may include at least one of premature contraction, bradycardia, tachycardia and atrial fibrillation.
바람직하게는, 상기 단계 (5)에서는,Preferably, in step (5),
심전도 패턴 시뮬레이션 생체신호 구현을 통해 훈련자가 심혈관 질환을 진단하고 시술하는 훈련 환경을 제공할 수 있다.
Through the realization of the bio-signal of the electrocardiogram pattern simulation, a training environment for a trainee to diagnose and perform cardiovascular disease can be provided.
바람직하게는, 상기 단계 (5)에서는,Preferably, in step (5),
인공신경망 모델을 이용하여, 심전도 패턴 시뮬레이션 생체신호 구현을 통해 훈련자의 진단능력, 시술 진행 과정, 및 시술 목표 설정에 대한 정보를 예측 및 습득 가능한 훈련 환경을 제공할 수 있다.
Using an artificial neural network model, it is possible to provide a training environment capable of predicting and acquiring information on a trainee's diagnostic ability, a procedure progression, and a procedure target setting through the realization of bio-signals simulating an electrocardiogram pattern.
더욱 바람직하게는, 상기 인공신경망 모델은,More preferably, the artificial neural network model,
딥 러닝 기반으로서, MLP(Multi Layer Perceptron) 및 LSTM(Long Short Term Memory) 중 적어도 어느 하나의 인공신경망 모델일 수 있다.As a deep learning base, it may be an artificial neural network model of at least one of a multi-layer perceptron (MLP) and a long short term memory (LSTM).
본 발명에서 제안하고 있는 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템 및 방법에 따르면, 심혈관 질환 종류에 따른 특정 심전도 패턴 시뮬레이션 생체신호 구현을 통해, 훈련자의 진단 능력 및 수술 진행 능력을 향상시킬 수 있으며, 세계 의료 시술 훈련 시뮬레이터 시장을 조기에 선점할 수 있다.
According to the system and method for implementing an electrocardiogram pattern simulation bio-signal according to the cardiovascular disease type proposed in the present invention, it is possible to improve the diagnostic ability of the trainee and the ability to proceed with surgery through the implementation of a bio-signal simulation of a specific electrocardiogram pattern according to the cardiovascular disease type. In addition, it can preoccupy the global medical procedure training simulator market early.
또한, 본 발명에서 제안하고 있는 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템 및 방법에 따르면, 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현을 통해, 증강현실 기술을 적용한 심혈관 질환 시술 가상훈련 시뮬레이터 개발 및 훈련 프로그램 초기 유효성을 확보하여, 국내외 심혈관 시술 교육 및 훈련 프로그램 기초 확립을 통한 세계 의료 시술 훈련 기술을 선도할 수 있다.In addition, according to the system and method for implementing an electrocardiogram pattern simulation bio-signal according to the cardiovascular disease type proposed in the present invention, a virtual training simulator for cardiovascular disease treatment applying augmented reality technology through the implementation of bio-signal simulation of an electrocardiogram pattern according to the cardiovascular disease type By securing the initial effectiveness of the development and training program, it can lead the world's medical procedure training technology by establishing the basis for domestic and international cardiovascular treatment education and training programs.
도 1은 우리나라의 사망원인 순위를 나타낸 도면.
도 2는 본 발명의 일실시예에 따른 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템의 구성을 도시한 도면.
도 3은 심장을 설명하기 위해 도시한 도면.
도 4는 심전도 기본파형을 설명하기 위해 도시한 도면.
도 5는 일반적으로 심전도를 측정하는 모습을 도시한 도면.
도 6은 본 발명의 일실시예에 따른 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템의 생체신호 측정부에서 휴대용 스마트기기를 이용하여 심전도 생체신호를 측정하는 모습을 도시한 도면.
도 7은 본 발명의 일실시예에 따른 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템의 생체신호 구현부에서 심전도 생체신호를 구현한 모습을 도시한 도면.
도 8은 인공신경망 모델 중 MLP(Multi Layer Perceptron) 모델을 설명하기 위해 도시한 도면.
도 9는 인공신경망 모델 중 LSTM(Long Short Term Memory) 모델을 설명하기 위해 도시한 도면.
도 10은 본 발명의 일실시예에 따른 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 방법의 흐름도를 도시한 도면.1 is a diagram showing the ranking of causes of death in Korea.
2 is a diagram showing the configuration of an electrocardiogram pattern simulation bio-signal implementation system according to a cardiovascular disease type according to an embodiment of the present invention.
3 is a diagram illustrating a heart.
4 is a diagram illustrating an electrocardiogram fundamental waveform.
5 is a diagram showing a state in which an electrocardiogram is generally measured.
6 is a view showing a state in which an electrocardiogram biosignal is measured using a portable smart device in a biosignal measurement unit of an electrocardiogram pattern simulation biosignal implementation system according to a cardiovascular disease type according to an embodiment of the present invention.
FIG. 7 is a view showing an ECG biosignal implemented by a biosignal implementation unit of a biosignal implementation system for simulating an ECG pattern according to a cardiovascular disease type according to an embodiment of the present invention.
8 is a diagram illustrating a multi-layer perceptron (MLP) model among artificial neural network models.
9 is a diagram illustrating a long short term memory (LSTM) model among artificial neural network models.
10 is a flowchart illustrating a method of implementing an electrocardiogram pattern simulation bio-signal according to a cardiovascular disease type according to an embodiment of the present invention.
이하에서는 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 동일 또는 유사한 부호를 사용한다.
Hereinafter, exemplary embodiments will be described in detail with reference to the accompanying drawings so that those of ordinary skill in the art may easily implement the present invention. However, in describing a preferred embodiment of the present invention in detail, if it is determined that a detailed description of a related known function or configuration may unnecessarily obscure the subject matter of the present invention, the detailed description thereof will be omitted. In addition, the same or similar reference numerals are used throughout the drawings for parts having similar functions and functions.
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, throughout the specification, when a part is said to be'connected' to another part, it is not only'directly connected', but also'indirectly connected' with another element in the middle. Include. In addition, "including" a certain component means that other components may be further included rather than excluding other components unless specifically stated to the contrary.
도 2는 본 발명의 일실시예에 따른 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템(10)의 구성을 도시한 도면이다. 도 2에 도시된 바와 같이, 본 발명의 일실시예에 따른 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템(10)은, 심전도 패턴 시뮬레이션 생체신호 구현 시스템(10)에 있어서, 심전도 생체신호를 측정하는 생체신호 측정부(100), 생체신호 측정부(100)에 의해 측정된 심전도 생체신호에서 변수를 추출하는 변수 추출부(200), 변수 추출부(200)에 의해 추출된 변수를 분석하는 변수 분석부(300), 변수 분석부(300)의 의해 분석된 결과에 따라 심혈관 질환 종류별로 심전도 생체신호를 축적하는 생체신호 축적부(400), 및 생체신호 축적부(400)에 축적된 심전도 생체신호를 이용하여 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호를 구현하는 생체신호 구현부(500)를 포함하여 구성될 수 있다.
FIG. 2 is a diagram showing the configuration of a
이하에서는, 본 발명의 일실시예에 따른 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템(10)의 각각의 구성에 대해 설명하기 전에, 심장 및 심전도에 대하여 먼저 상세히 설명하도록 한다.
Hereinafter, before describing each configuration of the
도 3은 심장을 설명하기 위해 도시한 도면이다. 심장은 우리 몸에서 펌프와 같은 작용을 하는 기관으로, 끊임없이 혈액을 받아들이고 내보내면서 혈액을 온몸으로 이동시킨다. 도 3에 도시된 바와 같이, 심장은 두 개의 심방과 두 개의 심실로 구성되어 있으며, 심방은 심장으로 들어오는 혈액을 받아들이는 곳으로, 정맥과 연결되어 있고, 심실은 혈액을 내보내는 곳으로 동맥과 연결되어 있다.
3 is a diagram illustrating a heart. The heart is an organ that acts like a pump in our body, and it moves blood throughout the body by constantly receiving and releasing blood. As shown in Fig. 3, the heart is composed of two atriums and two ventricles, the atrium is a place that receives blood into the heart, is connected to a vein, and the ventricle is a place to discharge blood and is connected to an artery. Has been.
우심방 위쪽에는 동방결절이라는 부분이 있는데, 이곳에서 심장 전체로 보낼 전기 신호가 만들어 진다. 이렇게 만들어진 전기 신호는 심장의 전기 전도 시스템을 따라 심장 전체에 전달되고, 신호를 받은 심장 근육이 수축하여 심실 안에 고인 혈액을 전신으로 보낸다.
Above the right atrium is a part called the sinus node, where electrical signals are made to the entire heart. The electrical signals created in this way are transmitted to the entire heart through the heart's electrical conduction system, and the heart muscle that receives the signals contracts to send blood that has accumulated in the ventricles to the whole body.
심전도란, 피부에 부착된 전극을 통해 심장의 전기 신호를 측정하여 그림으로 기록하는 것으로, 심장에 대한 검사 중에서 가장 기본이 되는 것을 말한다. 도 4는 심전도 기본파형을 설명하기 위해 도시한 도면이다. 도 4에 도시된 바와 같이, 심전도로 보이는 파형은, P, QRS Complex, 및 T로 구분된다. 이때, 정상적인 심전도는 P-QRS-T가 반복적으로 나타난다.
An electrocardiogram is a picture recording of electrical signals of the heart through electrodes attached to the skin, which is the most basic among heart tests. 4 is a diagram illustrating an electrocardiogram fundamental waveform. As shown in Figure 4, the waveform seen as an electrocardiogram is divided into P, QRS Complex, and T. At this time, in the normal ECG, P-QRS-T appears repeatedly.
P 구간에서는 SA 노드에서 전류 신호가 발생하고, 이 신호가 심방을 극성화 시키면서 판막의 심근이 수축하며, 심방이 비극성화 되면서 심근은 다시 이완된다. P-Q 구간은 전류 신호가 심장을 자극하지 않는 휴지기라서 일직선으로 표시되며, P의 반응으로 극성화 되었던 심방이 수축하고, 또한, 심방이 수축할 때, 심실이 반응하지 않도록 AV 노드가 전류 신호를 묶어놓는다. QRS Complex 구간에서는, AV 노드가 전류신호를 놓아주면(Q), 심실이 즉시 극성화 되었다(R)가 곧바로 비극성화(S)된다. 이 과정에서 심실의 판막의 심근이 수축한다. S-T 구간은 S와 T 사이이며, 전류 신호가 심장을 자극하지 않는 휴지기라서 일직선으로 표시된다. 이때 QRS의 자극에 반응한 심실이 수축한다. T 구간에서는 심실이 다시 약하게 극성화 되었다가 다시 비극성화 되면서 심실과 심실 판막의 심근이 동시에 이완된다.
In the P section, a current signal is generated at the SA node, and this signal polarizes the atrium and contracts the myocardium of the valve, and the myocardium relaxes again as the atrium becomes nonpolar. The PQ section is displayed in a straight line because the current signal does not stimulate the heart, and the atrium polarized by the response of P contracts, and when the atrium contracts, the AV node binds the current signal so that the ventricle does not respond. Put it. In the QRS Complex section, when the AV node releases the current signal (Q), the ventricle is immediately polarized (R) and immediately non-polarized (S). During this process, the myocardium of the valve of the ventricle contracts. The ST period is between S and T, and it is marked as a straight line because it is a resting period in which the current signal does not stimulate the heart. At this time, the ventricle in response to the stimulation of the QRS contracts. In the T section, the ventricle becomes weakly polarized again and then becomes nonpolar again, and the myocardium of the ventricle and ventricle valves simultaneously relaxes.
도 5는 일반적으로 심전도를 측정하는 모습을 도시한 도면이다. 도 5에 도시된 바와 같이, 일반적으로 심전도 측정은, 양 팔목, 양 발목 및 가슴 부위 6 곳에 총 10개의 전극을 부착하여 측정한다. 측정에 소요되는 시간은 5분 이내이다.
5 is a diagram showing a state in which an electrocardiogram is generally measured. As shown in FIG. 5, in general, electrocardiography is measured by attaching a total of 10 electrodes to six areas of both wrists, both ankles and chest. The time required for measurement is within 5 minutes.
이하에서는, 전술한 바와 같은 심전도를 이용하는, 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템(10)의 각각의 구성에 대해 상세히 설명하기로 한다.
Hereinafter, each configuration of the
생체신호 측정부(100)는, 심전도 생체신호를 측정할 수 있다. 본 발명의 일실시예에 따른 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템(10)에서는, 이하에서 설명되는 생체신호 축적부(400)를 통해, 심전도 데이터베이스에 심혈관 질환 종류별로 생체신호를 축적하여, 심전도 데이터베이스를 구성하므로, 생체신호 측정부(100)에서는, 이를 위해 가장 표준적인 심전도 검사 방법인 표준 12유도(lead) 심전도를 이용하여 심전도 생체신호를 측정할 수 있다.
The
또한, 생체신호 측정부(100)는, 휴대용 스마트기기를 통해 심전도 생체신호를 측정할 수 있다. 도 6은 본 발명의 일실시예에 따른 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템(10)의 생체신호 측정부(100)에서 휴대용 스마트기기를 이용하여 심전도 생체신호를 측정하는 모습을 도시한 도면이다. 도 6에 도시된 바와 같이, 생체신호 측정부(100)는, 사용자의 손목에 착용하는 스마트기기를 이용하여 사용자의 심전도 생체신호를 측정할 수 있다. 뿐만 아니라, 본 발명의 일실시예에 따른 생체신호 측정부(100)는 스마트기기에 설치된 어플리케이션을 통해 사용자의 심전도 등의 생체신호를 측정할 수 있다.
In addition, the
변수 추출부(200)는, 생체신호 측정부(100)에 의해 측정된 심전도 생체신호에서 변수를 추출할 수 있다. 보다 구체적으로, 본 발명의 일실시예에 따른 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템(10)의 변수 추출부(200)에서는, 생체신호 측정부(100)에 의해 측정된 심전도 생체신호를 분석하기 위하여, 심전도 생체신호에서 QRS Complex, RR interval 및 PR segment을 추출할 수 있다. 이를 통해, 이하에서 설명되는 변수 분석부(300)에서 상기 변수 추출부(200)에서 추출된 변수를 분석하여, 심혈관 질환 종류를 판단할 수 있다. 이때, 변수 추출부(200)에서 추출하는 변수를 QRS Complex, RR interval 및 PR segment으로 한정하는 것은 아니다.
The
변수 분석부(300)는, 변수 추출부(200)에 의해 추출된 변수를 분석할 수 있다. 본 발명의 일실시예에 따른 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템(10)의 변수 분석부(300)는, 변수 추출부(200)에 의해 추출된 변수를 분석하여, 심혈관 질환 종류를 판단할 수 있다. 예를 들어, 비정상 모양의 P'파가 조기에 나타나며 QRS, T파는 대부분 정상일 때는 심방조기박동, 심장박동이 1분당 60회 이하로 느려질 경우 서맥, 및 규칙적인 뚜렷한 P파가 없으면서 불규칙적으로 비정상적인(irregularly irregular) QRS가 발견되면 심방세동으로 판단할 수 있다.
The
생체신호 축적부(400)는, 변수 분석부(300)의 의해 분석된 결과에 따라 심혈관 질환 종류별로 심전도 생체신호를 축적할 수 있다. 보다 구체적으로는, 본 발명의 일실시예에 따른 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템(10)의 생체신호 축적부(400)는, 변수 분석부(300)에 의해 분석된 결과에 따라 심전도 데이터베이스에 심혈관 질환 종류별로 심전도 생체신호를 축적할 수 있다. 예를 들어, 심근경색(Myocardial Infarction), 심장근육병증(Cardiomyopathy), 우각차단(Bundle Branch Block), 부정맥(Cardiac Dysrhythmia), 심근비대(Myocardial Hypertrophy), 심장판막증(Valvular Heart Disease), 심근염(Myocarditis) 등의 심혈관 질환 종류별로 심전도 생체신호를 분류하여 심전도 데이터베이스에 축적할 수 있다. 다만, 상기의 심혈관 질환 종류로 심전도 데이터베이스에 축적되는 심혈관 질환의 종류를 한정하는 것은 아니다.
The bio-signal accumulating
또한, 생체신호 축적부(400)에 의해 심전도 데이터베이스에 축적된 심전도 생체신호를 이용하여 이하에서 설명하는 인공신경망 모델을 학습시켜 활용할 수 있다.
In addition, the artificial neural network model described below may be trained and utilized by using the electrocardiogram bio-signals stored in the electrocardiogram database by the
생체신호 구현부(500)는, 생체신호 축적부(400)에 축적된 심전도 생체신호를 이용하여 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호를 구현할 수 있다. 본 발명의 일실시예에 따른 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템의 생체신호 구현부(500)는, 증강현실로 구현된 가상의 환자 감시장치에서 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호를 구현할 수 있다. 이때, 생체신호 구현부(500)에서 구현하는 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호는, 훈련을 위해 재현된 가상의 심전도 생체신호를 의미하는 것으로서, 조기수축, 서맥, 빈맥 및 심방세동에 따른 가상의 심전도 생체신호를 포함할 수 있다. 다만, 상기의 조기수축, 서맥, 빈맥 및 심방세동으로 생체신호 구현부(500)에서 구현하는 심전도 패턴 시뮬레이션 생체신호를 한정하는 것은 아니다.
The
도 7은 본 발명의 일실시예에 따른 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템(10)의 생체신호 구현부(500)에서 심전도 생체신호를 구현한 모습을 도시한 도면이다. 도 7에 도시된 바와 같이, 생체신호 구현부(500)는, 생체신호 축적부(400)에 의해 데이터베이스에 축적된 심전도 생체신호를 이용하여, 심혈관 질환 종류에 따른 다양한 심전도 패턴 시뮬레이션 생체신호를 구현할 수 있다. 이를 통해, 훈련자가 심혈관 질환을 진단하고 시술하는 훈련 환경을 제공할 수 있으며, 더 나아가, 심혈관 질환 시술 증강현실 훈련 시뮬레이터 제품화를 통해 세계 의료 시술 훈련 시뮬레이터 시장을 조기에 선점할 수 있고, 국내외 심혈관 시술 교육 및 훈련 프로그램의 기초를 확립하여 세계 의료 시술 훈련 기술을 선도할 수 있다.
FIG. 7 is a diagram illustrating an ECG bio-signal implemented by the
또한, 증강현실 기술을 적용한 심혈관 시술 가상훈련 시뮬레이터 개발 및 훈련 프로그램 초기 유효성 확보를 통해 심혈관 질환 시술 가상현실 훈련 시뮬레이터를 제품화 할 수 있다. 뿐만 아니라, 심혈관 질환과 관련된 다양한 라이브러리 확보를 통해 심전도 패턴의 가상 재현이 가능할 수 있다.
In addition, it is possible to commercialize a virtual reality training simulator for cardiovascular diseases through the development of a virtual training simulator for cardiovascular treatment applying augmented reality technology and securing the initial effectiveness of the training program. In addition, it is possible to virtually reproduce the ECG pattern by securing various libraries related to cardiovascular disease.
인공신경망(Artificial Neural Network, ANN)은 기계학습과 인지과학에서 사용되며, 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다. 인공신경망은 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 가리킨다. 좁은 의미에서는 오차역전파법을 이용한 다층 퍼셉트론을 가리키는 경우도 있지만, 이것은 잘못된 용법으로, 인공신경망은 이에 국한되지 않는다.
Artificial Neural Network (ANN) is used in machine learning and cognitive science, and is a statistical learning algorithm inspired by biological neural networks (especially the brain among animals' central nervous systems). The artificial neural network refers to the overall model with problem-solving ability by changing the strength of synaptic bonding through learning by artificial neurons (nodes) that form a network through synaptic bonding. In a narrow sense, it may refer to a multilayer perceptron using error backpropagation, but this is an incorrect usage, and artificial neural networks are not limited thereto.
도 8은 인공신경망 모델 중 MLP(Multi Layer Perceptron) 모델을 설명하기 위해 도시한 도면이다. 도 8에 도시된 바와 같이, MLP 모델은 입력층과 출력층 사이에 하나 이상의 중간층이 존재하는 신경망으로, 입력층과 출력층 사이에 중간층을 은닉층(hidden layer)라고 부른다. 네트워크는 입력층, 은닉층, 출력층 방향으로 연결되어 있으며, 각 층 내의 연결과 출력층에서 입력층으로의 직접적인 연결은 존재하지 않는 전방향(Feedforward) 네트워크이다.
8 is a diagram illustrating a multi-layer perceptron (MLP) model among artificial neural network models. As shown in FIG. 8, the MLP model is a neural network in which at least one intermediate layer exists between an input layer and an output layer, and an intermediate layer between the input layer and the output layer is called a hidden layer. The network is connected in the direction of the input layer, the hidden layer, and the output layer, and there is no connection within each layer and a direct connection from the output layer to the input layer, which is a feedforward network.
MLP 모델은, 단층 perceptron과 유사한 구조를 가지고 있지만 중간층과 각 unit의 입출력 특성을 비선형으로 함으로써, 네트워크의 능력을 향상시켜 단층 perceptron의 여러 가지 단점을 극복하였다. MLP 모델은 층의 개수가 증가할수록 perceptron이 형성하는 결정 구역의 특성은 더욱 고급화된다. 보다 구체적으로는, 단층일 경우 패턴공간을 두 구역으로 나누어주고, 2층인 경우 볼록한(convex) 개구역 또는 오목한 폐구역을 형성하며, 3층인 경우에는 이론상 어떠한 형태의 구역도 형성할 수 있다.
The MLP model has a structure similar to that of a single-layer perceptron, but by making the input/output characteristics of the intermediate layer and each unit non-linear, it improves the network capability and overcomes various disadvantages of the single-layer perceptron. In the MLP model, as the number of layers increases, the characteristics of the crystal regions formed by the perceptron become more advanced. More specifically, in the case of a single layer, the pattern space is divided into two areas, a convex open area or a concave closed area is formed in the case of the second layer, and in the case of the third layer, any type of area can theoretically be formed.
일반적으로, 입력층의 각 unit에 입력 데이터를 제시하면, 이 신호는 각 unit에서 변환되어 중간층에 전달되고, 최종적으로 출력층으로 출력되게 되는데, 이 출력값과 원하는 출력값을 비교하여 그 차이를 감소시키는 방향으로 연결강도를 조절하여 MLP 모델을 학습시킬 수 있다.
In general, when input data is presented to each unit of the input layer, this signal is converted in each unit, transmitted to the intermediate layer, and finally output to the output layer. The direction of reducing the difference by comparing this output value with the desired output value The MLP model can be trained by adjusting the connection strength.
도 9는 인공신경망 모델 중 LSTM(Long Short Term Memory) 모델을 설명하기 위해 도시한 도면이다. 도 9에 도시된 바와 같이, LSTM 모델은, 기존의 RNN 모델의 hidden state에 cell-state를 추가한 구조로서, 추가된 cell-state는 일종의 컨베이어 벨트 역할을 할 수 있어, 오랜 시간이 경과하여도 state로 그래디언트가 잘 전파될 수 있다.
9 is a diagram illustrating a Long Short Term Memory (LSTM) model among artificial neural network models. As shown in FIG. 9, the LSTM model is a structure in which cell-state is added to the hidden state of the existing RNN model, and the added cell-state can serve as a kind of conveyor belt, even after a long time. The gradient can propagate well with the state.
LSTM 모델은, RNN 모델과 마찬가지로 순환 구조를 갖기고 있지만, 단일 뉴럴 네트워크 레이어를 가지는 RNN 모델과는 달리, 4개의 상호작용이 가능한 특별한 방식의 구조를 가질 수 있다.
The LSTM model has a circular structure like the RNN model, but unlike the RNN model having a single neural network layer, the LSTM model may have a special structure in which four interactions are possible.
또한, LSTM 모델은, 마이너한 연산과정을 거치고 전체 체인을 관통하는 cell-state, 정보들이 선택적으로 cell-state로 들어갈 수 있도록 하는 gate, 및 각 구성요소가 얼마만큼의 영향을 주게 될지를 결정하는 sigmoid layer를 포함하여 구성될 수 있다. 이때, sigmoid layer은, 0과 1을 출력하는데, 0이라는 값을 가지게 된다면, 해당 구성요소가 미래의 결과에 아무런 영향을 주지 않도록 만드는 것이고, 반면에, 1이라는 값은 해당 구성요소가 확실히 미래의 예측결과에 영향을 주도록 데이터가 흘러가게 만들 수 있으며, gate는 sigmoid 또는 tanh function으로 구성될 수 있다.
In addition, the LSTM model is a cell-state that passes through the entire chain after a minor computation process, a gate that allows information to selectively enter the cell-state, and a sigmoid that determines how much influence each component will have. It can be configured including a layer. At this time, the
뿐만 아니라, LSTM 모델은, cell state의 값을 바꾸고 기억하거나 잊어버리는 단계, 어떤 정보를 cell state에 담을 것인지 결정하는 단계, 및 어떤 값을 출력으로 할지 결정하는 단계를 통해 결과값을 출력할 수 있다.
In addition, the LSTM model can output a result value through the steps of changing, memorizing or forgetting the value of the cell state, determining what information to include in the cell state, and determining which value to output. .
cell state의 값을 바꾸고 기억하거나 잊어버리는 단계에서는, LSTM 모델은 cell state 값을 잊어버릴지 가져갈지 결정하는 forget gate layer을 가질 수 있는데, forget gate layer은 입력값을 보고 sigmoid function을 통과시켜서 0에서 1 사이의 값을 가지게 하여, cell state 값을 잊어버릴지 가져갈지 결정할 수 있다.
In the step of changing, memorizing or forgetting the value of the cell state, the LSTM model can have a forget gate layer that determines whether to forget or take the cell state value.The forget gate layer sees the input value and passes the sigmoid function to 0 to 1 By having a value between, you can decide whether to forget or take the cell state value.
어떤 정보를 cell state에 담을 것인지 결정하는 단계에서는, input gate layer 라고 불리는 sigmoid layer가 어떤 값을 업데이트 할 지 결정하고, tanh layer가 어떤 후보 값들을 만들어내어, 이렇게 만들어진 두 개의 값을 서로 곱하여, 어떤 정보를 cell state에 담을 것인지 결정할 수 있다.
In the step of deciding what information to include in the cell state, the sigmoid layer called the input gate layer decides which value to update, the tanh layer creates some candidate values, and multiplies the two values created in this way. You can decide whether to put the information in the cell state.
어떤 값을 출력으로 할지 결정하는 단계에서는, cell state에 tanh를 씌워서 -1에서 1 사이의 값을 만들고, 입력된 값에서 나온 activation 값을 tanh layer에서 나온 값과 곱해서 출력할 수 있다.
In the step of deciding which value to output, tanh is applied to the cell state to create a value between -1 and 1, and the activation value from the input value can be multiplied by the value from the tanh layer to output.
본 발명의 일실시예에 따른 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템(10)의 생체신호 구현부(500)는, 인공신경망 모델을 이용하여, 심전도 패턴 시뮬레이션 생체신호 구현을 통해 훈련자의 진단능력, 시술 진행 과정, 및 시술 목표 설정에 대한 정보를 예측 및 습득 가능한 훈련 환경을 제공할 수 있다. 이때, 인공신경망 모델은, 딥 러닝 기반으로서, MLP(Multi Layer Perceptron) 및 LSTM(Long Short Term Memory) 중 적어도 어느 하나의 인공신경망 모델을 사용할 수 있으나, 상기의 MLP(Multi Layer Perceptron) 및 LSTM(Long Short Term Memory) 모델로, 본 발명의 생체신호 구현부(500)에서 사용하는 인공신경망 모델을 한정하는 것은 아니다.
The
도 10은 본 발명의 일실시예에 따른 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 방법의 흐름도를 도시한 도면이다. 도 10에 도시된 바와 같이, 본 발명의 일실시예에 따른 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 방법은, 심전도 생체신호를 측정하는 단계(S100), 단계 S100에서 측정된 심전도 생체신호에서 변수를 추출하는 단계(S200), 단계 S200에서 추출된 변수를 분석하는 단계(S300), 단계 S300에서 분석된 결과에 따라 심혈관 질환 종류별로 심전도 생체신호를 축적하는 단계(S400), 및 단계 S400에서 축적된 심전도 생체신호를 이용하여 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호를 구현하는 단계(S500)를 포함하여 구현될 수 있다.
FIG. 10 is a flowchart illustrating a method of implementing an electrocardiogram pattern simulation biosignal according to a cardiovascular disease type according to an embodiment of the present invention. As shown in FIG. 10, the method of implementing an electrocardiogram pattern simulation biosignal according to the type of cardiovascular disease according to an embodiment of the present invention includes measuring an electrocardiogram biosignal (S100) and an electrocardiogram biosignal measured in step S100. Extracting a variable (S200), analyzing the variable extracted in step S200 (S300), accumulating an electrocardiogram bio-signal for each cardiovascular disease type according to the result analyzed in step S300 (S400), and in step S400 It may be implemented including the step (S500) of implementing an electrocardiogram pattern simulation biosignal according to a cardiovascular disease type using the accumulated electrocardiogram biosignal.
본 발명의 일실시예에 따른 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 방법에 대해서는 앞서 본 발명의 일실시예에 따른 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템(10)과 관련하여 충분히 설명되었으므로, 상세한 설명은 생략하기로 한다.
As for the method of implementing an electrocardiogram pattern simulation biosignal according to the cardiovascular disease type according to an embodiment of the present invention, it is sufficient in relation to the
상술한 바와 같이, 본 발명에서 제안하고 있는 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템(10) 및 방법에 따르면, 심혈관 질환 종류에 따른 특정 심전도 패턴 시뮬레이션 생체신호 구현을 통해, 훈련자의 진단 능력 및 수술 진행 능력을 향상시킬 수 있으며, 세계 의료 시술 훈련 시뮬레이터 시장을 조기에 선점할 수 있다. 또한, 본 발명에 따르면, 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현을 통해, 증강현실 기술을 적용한 심혈관 질환 시술 가상훈련 시뮬레이터 개발 및 훈련 프로그램 초기 유효성을 확보하여, 국내외 심혈관 시술 교육 및 훈련 프로그램 기초 확립을 통한 세계 의료 시술 훈련 기술을 선도할 수 있다.
As described above, according to the
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 described above can be modified or applied in various ways by those of ordinary skill in the technical field to which the present invention belongs, and the scope of the technical idea according to the present invention should be determined by the following claims.
10: 심전도 패턴 시뮬레이션 생체신호 구현 시스템
100: 생체신호 측정부
200: 변수 추출부
300: 변수 분석부
400: 생체신호 축적부
500: 생체신호 구현부
S100: 심전도 생체신호를 측정하는 단계
S200: 단계 S100에서 측정된 심전도 생체신호에서 변수를 추출하는 단계
S300: 단계 S200에서 추출된 변수를 분석하는 단계
S400: 단계 S300에서 분석된 결과에 따라 심혈관 질환 종류별로 심전도 생체신호를 축적하는 단계
S500: 단계 S400에서 축적된 심전도 생체신호를 이용하여 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호를 구현하는 단계10: ECG pattern simulation bio-signal realization system
100: biosignal measurement unit
200: variable extraction unit
300: variable analysis unit
400: biosignal accumulation unit
500: biosignal realization unit
S100: measuring an electrocardiogram bio-signal
S200: extracting a variable from the electrocardiogram biosignal measured in step S100
S300: analyzing the variables extracted in step S200
S400: accumulating an electrocardiogram bio-signal for each cardiovascular disease type according to the result analyzed in step S300
S500: Step of implementing an electrocardiogram pattern simulation biosignal according to the cardiovascular disease type using the electrocardiogram biosignal accumulated in step S400
Claims (20)
심전도 생체신호를 측정하는 생체신호 측정부(100);
상기 생체신호 측정부(100)에 의해 측정된 심전도 생체신호에서 변수를 추출하는 변수 추출부(200);
상기 변수 추출부(200)에 의해 추출된 변수를 분석하여, 심혈관 질환 종류를 판단하는 변수 분석부(300);
상기 변수 분석부(300)의 의해 분석된 결과에 따라 심혈관 질환 종류별로 심전도 생체신호를 축적하는 생체신호 축적부(400); 및
상기 생체신호 축적부(400)에 축적된 심전도 생체신호를 이용하여, 훈련자가 심혈관 질환을 진단하고 시술하는 훈련 환경을 제공함에 있어서 훈련자의 훈련을 위해 재현된 가상의 심전도 생체신호인, 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호를 구현하는 생체신호 구현부(500)를 포함하며,
상기 생체신호 구현부(500)는,
증강현실로 구현된 가상의 환자 감시장치에서 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호를 구현하고, 심전도 패턴 시뮬레이션 생체신호 구현을 통해 훈련자가 심혈관 질환을 진단하고 시술하는 훈련 환경을 제공하여 훈련자의 진단 능력 및 수술 진행 능력 향상시키며,
상기 생체신호 구현부(500)는,
인공신경망 모델을 이용하여, 심전도 패턴 시뮬레이션 생체신호 구현을 통해 훈련자의 진단능력, 시술 진행 과정, 및 시술 목표 설정에 대한 정보를 예측 및 습득 가능한 훈련 환경을 제공하며,
상기 인공신경망 모델은,
딥 러닝 기반의 LSTM(Long Short Term Memory) 인공신경망 모델인 것을 특징으로 하는, 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템.
In order to apply to a virtual training simulator for cardiovascular disease treatment to which augmented reality technology is applied, in the electrocardiogram pattern simulation biosignal realization system 10 that implements the electrocardiogram biosignal of the patient,
A bio-signal measuring unit 100 for measuring an electrocardiogram bio-signal;
A variable extraction unit 200 for extracting a variable from the electrocardiogram biometric signal measured by the biosignal measurement unit 100;
A variable analysis unit 300 for analyzing a variable extracted by the variable extraction unit 200 to determine a cardiovascular disease type;
A bio-signal accumulating unit 400 for accumulating an electrocardiogram bio-signal for each cardiovascular disease type according to a result analyzed by the variable analysis unit 300; And
Cardiovascular disease type, which is a virtual ECG bio-signal reproduced for training of a trainee in providing a training environment for a trainee to diagnose and perform a cardiovascular disease by using the electrocardiogram bio-signal accumulated in the bio-signal accumulating unit 400 It includes a bio-signal implementation unit 500 for implementing an electrocardiogram pattern simulation bio-signal according to,
The bio-signal implementation unit 500,
In a virtual patient monitoring device implemented in augmented reality, the EKG pattern simulation biosignal according to the cardiovascular disease type is implemented, and the trainee diagnoses the cardiovascular disease by providing a training environment for the trainee to diagnose and treat cardiovascular diseases through the implementation of the electrocardiogram pattern simulation biosignal. Improves ability and ability to perform surgery,
The bio-signal implementation unit 500,
Using an artificial neural network model, it provides a training environment capable of predicting and acquiring information on the trainee's diagnostic ability, procedure progress, and procedure target setting through the implementation of electrocardiogram pattern simulation biological signals.
The artificial neural network model,
An electrocardiogram pattern simulation bio-signal implementation system according to cardiovascular disease types, characterized in that it is a deep learning-based LSTM (Long Short Term Memory) artificial neural network model.
휴대용 스마트기기를 통해 심전도 생체신호를 측정하는 것을 특징으로 하는, 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템.
The method of claim 1, wherein the biosignal measuring unit 100,
An electrocardiogram pattern simulation bio-signal implementation system according to cardiovascular disease types, characterized in that measuring an electrocardiogram bio-signal through a portable smart device.
QRS Complex, RR interval 및 PR segment인 것을 특징으로 하는, 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템.
The method of claim 1, wherein the variable extracted by the variable extraction unit 200 is
QRS Complex, RR interval and PR segment, characterized in that, ECG pattern simulation bio-signal implementation system according to the type of cardiovascular disease.
상기 변수 분석부(300)에 의해 분석된 결과에 따라 심전도 데이터베이스에 심혈관 질환 종류별로 심전도 생체신호를 축적하는 것을 특징으로 하는, 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템.
The method of claim 1, wherein the biosignal accumulation unit 400,
An electrocardiogram pattern simulation biosignal implementation system according to cardiovascular disease types, characterized in that accumulating electrocardiogram biosignals for each cardiovascular disease type in an electrocardiogram database according to a result analyzed by the variable analysis unit 300.
조기수축, 서맥, 빈맥 및 심방세동 중 적어도 어느 하나를 포함하는 것을 특징으로 하는, 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템.
The method of claim 1, wherein the cardiovascular disease,
Early contraction, bradycardia, tachycardia, and atrial fibrillation, characterized in that it comprises at least one of, ECG pattern simulation bio-signal implementation system according to the cardiovascular disease type.
(1) 심전도 생체신호를 측정하는 단계;
(2) 상기 단계 (1)에서 측정된 심전도 생체신호에서 변수를 추출하는 단계;
(3) 상기 단계 (2)에서 추출된 변수를 분석하여, 심혈관 질환 종류를 판단하는 단계;
(4) 상기 단계 (3)에서 분석된 결과에 따라 심혈관 질환 종류별로 심전도 생체신호를 축적하는 단계; 및
(5) 상기 단계 (4)에서 축적된 심전도 생체신호를 이용하여, 훈련자가 심혈관 질환을 진단하고 시술하는 훈련 환경을 제공함에 있어서 훈련자의 훈련을 위해 재현된 가상의 심전도 생체신호인, 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호를 구현하는 단계를 포함하며,
상기 단계 (5)에서는,
증강현실로 구현된 가상의 환자 감시장치에서 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호를 구현하고, 심전도 패턴 시뮬레이션 생체신호 구현을 통해 훈련자가 심혈관 질환을 진단하고 시술하는 훈련 환경을 제공하여 훈련자의 진단 능력 및 수술 진행 능력 향상시키며,
상기 단계 (5)에서는,
인공신경망 모델을 이용하여, 심전도 패턴 시뮬레이션 생체신호 구현을 통해 훈련자의 진단능력, 시술 진행 과정, 및 시술 목표 설정에 대한 정보를 예측 및 습득 가능한 훈련 환경을 제공하며,
상기 인공신경망 모델은,
딥 러닝 기반의 LSTM(Long Short Term Memory) 인공신경망 모델인 것을 특징으로 하는, 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 방법.
In order to apply to a virtual training simulator for cardiovascular disease treatment applying augmented reality technology, in a method of implementing an electrocardiogram pattern simulation biosignal for implementing an electrocardiogram biosignal of a patient,
(1) measuring an electrocardiogram bio-signal;
(2) extracting a variable from the electrocardiogram bio-signal measured in step (1);
(3) analyzing the variables extracted in step (2) and determining the type of cardiovascular disease;
(4) accumulating an electrocardiogram bio-signal for each cardiovascular disease type according to the result analyzed in step (3); And
(5) Cardiovascular disease type, which is a virtual electrocardiogram bio-signal reproduced for the training of the trainee in providing a training environment for the trainee to diagnose and perform cardiovascular disease by using the ECG bio-signals accumulated in step (4). And implementing an electrocardiogram pattern simulation bio-signal according to,
In step (5),
In a virtual patient monitoring device implemented in augmented reality, the EKG pattern simulation biosignal according to the cardiovascular disease type is implemented, and the trainee diagnoses the cardiovascular disease by providing a training environment for the trainee to diagnose and treat cardiovascular diseases through the implementation of the electrocardiogram pattern simulation biosignal. Improves ability and ability to perform surgery,
In step (5),
Using an artificial neural network model, it provides a training environment capable of predicting and acquiring information on the trainee's diagnostic ability, procedure progress, and procedure target setting through the implementation of electrocardiogram pattern simulation biological signals.
The artificial neural network model,
A deep learning-based LSTM (Long Short Term Memory) artificial neural network model, characterized in that, ECG pattern simulation bio-signal implementation method according to cardiovascular disease type.
휴대용 스마트기기를 통해 심전도 생체신호를 측정하는 것을 특징으로 하는, 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 방법.
The method of claim 11, wherein in step (1),
An electrocardiogram pattern simulation biosignal implementation method according to a cardiovascular disease type, characterized in that measuring an electrocardiogram biosignal through a portable smart device.
QRS Complex, RR interval 및 PR segment인 것을 특징으로 하는, 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 방법.
The method of claim 11, wherein the variable extracted in step (2) is
QRS Complex, RR interval and PR segment, characterized in that, ECG pattern simulation bio-signal implementation method according to cardiovascular disease type.
상기 단계 (3)에서 분석된 결과에 따라 심전도 데이터베이스에 심혈관 질환 종류별로 심전도 생체신호를 축적하는 것을 특징으로 하는, 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 방법.
The method of claim 11, wherein in step (4),
A method of implementing an electrocardiogram pattern simulation biosignal according to a cardiovascular disease type, characterized in that accumulating an electrocardiogram bio-signal for each cardiovascular disease type in an electrocardiogram database according to the result analyzed in step (3).
조기수축, 서맥, 빈맥 및 심방세동 중 적어도 어느 하나를 포함하는 것을 특징으로 하는, 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 방법.The method of claim 11, wherein the cardiovascular disease,
Premature contraction, bradycardia, tachycardia, and atrial fibrillation, characterized in that it comprises at least one of, ECG pattern simulation bio-signal implementation method according to the type of cardiovascular disease.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180122110A KR102180135B1 (en) | 2018-10-12 | 2018-10-12 | System and method of implementing ecg pattern simulation biometric signals according to cardiovascular disease type |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180122110A KR102180135B1 (en) | 2018-10-12 | 2018-10-12 | System and method of implementing ecg pattern simulation biometric signals according to cardiovascular disease type |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200041697A KR20200041697A (en) | 2020-04-22 |
| KR102180135B1 true KR102180135B1 (en) | 2020-11-17 |
Family
ID=70472810
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180122110A KR102180135B1 (en) | 2018-10-12 | 2018-10-12 | System and method of implementing ecg pattern simulation biometric signals according to cardiovascular disease type |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102180135B1 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022182182A1 (en) | 2021-02-24 | 2022-09-01 | 주식회사 메디컬에이아이 | System and method for generating electrocardiogram on basis of deep learning algorithm |
| WO2024063319A1 (en) * | 2022-09-23 | 2024-03-28 | 삼성전자 주식회사 | Device for outputting simulated vital sign and operation method thereof |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102412957B1 (en) * | 2020-07-14 | 2022-06-24 | 주식회사 메디컬에이아이 | Apparatus for cardiac diseases diagnoses using electrocardiogram based on deep learning and method thereof |
| KR102407587B1 (en) * | 2020-10-06 | 2022-06-10 | 한림대학교 산학협력단 | Acute myocardial infarction judgment method, device and program |
| KR102446499B1 (en) | 2020-12-10 | 2022-09-23 | 동서대학교 산학협력단 | Multi-function type hat |
| KR102571244B1 (en) * | 2021-09-07 | 2023-08-25 | 주식회사 메디컬에이아이 | System for diagnosing and explaining cardiac disorder based on explainable artificial intelligence deep learning |
| KR102560516B1 (en) | 2021-12-27 | 2023-07-26 | 강원대학교산학협력단 | An apparatus and method for predicting heart disease based on deep learning models using ECG data and body information |
| KR102645240B1 (en) * | 2022-03-30 | 2024-03-07 | 한림대학교 산학협력단 | Electronic device for diagnosing myocardial infarction based on image about electrocardiogram, and control method |
| WO2024014821A1 (en) * | 2022-07-14 | 2024-01-18 | 주식회사 메디컬에이아이 | Method, program, and device for training neural network model based on electrocardiogram |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018529134A (en) * | 2015-06-02 | 2018-10-04 | 寛 陳 | Medical data analysis method based on deep learning and its intelligent analyzer |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100748184B1 (en) * | 2005-05-11 | 2007-08-10 | 인하대학교 산학협력단 | Apparatus and method for a cardiac diseases diagnoses based on ecg using neural network |
| US8315812B2 (en) * | 2010-08-12 | 2012-11-20 | Heartflow, Inc. | Method and system for patient-specific modeling of blood flow |
| KR20120015893A (en) * | 2010-08-13 | 2012-02-22 | 연세대학교 산학협력단 | Simulation method for virtual catherter ablation of arrhythmias |
| KR20160014282A (en) * | 2014-07-29 | 2016-02-11 | 광운대학교 산학협력단 | An electrocardiogram monitoring system for early detection of a cardiac disorder and a method for the same |
-
2018
- 2018-10-12 KR KR1020180122110A patent/KR102180135B1/en active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018529134A (en) * | 2015-06-02 | 2018-10-04 | 寛 陳 | Medical data analysis method based on deep learning and its intelligent analyzer |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022182182A1 (en) | 2021-02-24 | 2022-09-01 | 주식회사 메디컬에이아이 | System and method for generating electrocardiogram on basis of deep learning algorithm |
| WO2024063319A1 (en) * | 2022-09-23 | 2024-03-28 | 삼성전자 주식회사 | Device for outputting simulated vital sign and operation method thereof |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20200041697A (en) | 2020-04-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102180135B1 (en) | System and method of implementing ecg pattern simulation biometric signals according to cardiovascular disease type | |
| Reed et al. | Heart sound analysis for symptom detection and computer-aided diagnosis | |
| Ravish et al. | Heart function monitoring, prediction and prevention of heart attacks: Using artificial neural networks | |
| KR20130050707A (en) | The apparutus and method for classify input pattern promptly using artificial neural network | |
| Ji et al. | Noninvasive cuffless blood pressure estimation with dendritic neural regression | |
| Bahloul et al. | A multilayer perceptron-based carotid-to-femoral pulse wave velocity estimation using ppg signal | |
| JP2005514098A (en) | Method and system for assessing cardiac ischemia using an exercise protocol | |
| Paviglianiti et al. | Neural recurrent approches to noninvasive blood pressure estimation | |
| Barschdorff et al. | Neural network based multi sensor heart sound analysis | |
| Manukova et al. | An Approach to Evaluation of Clinically Healthy People by Preventive Cardio Control | |
| Liu et al. | Beats-to-beats estimation of blood pressure during supine cycling exercise using a probabilistic nonparametric method | |
| Franklin et al. | Cardiac condition detection using artificial neural networks | |
| Bavani et al. | Classification of Arrhythmia Disease using Enhanced RNN Model | |
| Agham et al. | An advanced LAN model based on optimized feature algorithm: Towards hypertension interpretability | |
| Long et al. | Using a physiological model for prediction of therapy effects in heart disease | |
| CN112955974A (en) | Determination of treatment response index | |
| Paviglianiti et al. | Double channel neural non invasive blood pressure prediction | |
| Nandanwar et al. | ECG Signals-Early detection of Arrhythmia using Machine Learning approaches | |
| Kakar et al. | Systematic analysis and classification of cardiac rate variability using artificial neural network | |
| KR102149753B1 (en) | Method and apparatus for obtaining heart and lung sounds | |
| Hernández et al. | Overview of carmem: A new dynamic quantitative cardiac model for ecg monitoring and its adaptation to observed signals | |
| Sahay et al. | Computer‐Aided Interpretation of ECG Signal—A Challenge | |
| Silvia et al. | Evaluating the RZ interval and the pre-ejection period as impedance cardiography measures of effort-related cardiac sympathetic activity | |
| Owashi et al. | Parameter Identification of a Cardiovascular Model for the Estimation of Ventricular Pressure on Aortic Stenosis | |
| Bigler | Intracoronary electrocardiogram as a direct measure of myocardial ischemia |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |