KR102219378B1 - Method, system and non-transitory computer-readable recording medium for recognizing arrhythmia by using artificial neural network - Google Patents

Method, system and non-transitory computer-readable recording medium for recognizing arrhythmia by using artificial neural network Download PDF

Info

Publication number
KR102219378B1
KR102219378B1 KR1020180131545A KR20180131545A KR102219378B1 KR 102219378 B1 KR102219378 B1 KR 102219378B1 KR 1020180131545 A KR1020180131545 A KR 1020180131545A KR 20180131545 A KR20180131545 A KR 20180131545A KR 102219378 B1 KR102219378 B1 KR 102219378B1
Authority
KR
South Korea
Prior art keywords
neural network
artificial neural
arrhythmia
state
ecg signal
Prior art date
Application number
KR1020180131545A
Other languages
Korean (ko)
Other versions
KR102219378B9 (en
KR20200052452A (en
Inventor
길영준
정성훈
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 KR1020180131545A priority Critical patent/KR102219378B1/en
Priority to PCT/KR2019/012478 priority patent/WO2020091229A1/en
Publication of KR20200052452A publication Critical patent/KR20200052452A/en
Application granted granted Critical
Publication of KR102219378B1 publication Critical patent/KR102219378B1/en
Publication of KR102219378B9 publication Critical patent/KR102219378B9/en

Links

Images

Classifications

    • G06K9/00885—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow
    • 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
    • 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
    • G06N3/0454—
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G06K2009/00939—

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Human Computer Interaction (AREA)
  • Physiology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Cardiology (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

본 발명의 일 태양에 따르면, 인공 신경망을 이용하여 부정맥을 인식하기 위한 방법으로서, 정상 상태 심전도 신호에 관한 데이터 및 부정맥 상태 심전도 신호에 관한 데이터 중 적어도 하나에 기초하여 학습되는 제1 인공 신경망을 이용하여 피측정자의 대상 심전도 신호를 분석함으로써, 상기 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는지 여부를 결정하는 제1 결정을 수행하는 단계, 및 상기 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는 것으로 판단되면, 복수의 종류의 부정맥 상태 심전도 신호에 관한 데이터에 기초하여 학습되는 제2 인공 신경망을 이용하여 상기 대상 심전도 신호를 분석함으로써, 상기 대상 심전도 신호 중 적어도 일부가 어떤 종류의 부정맥 상태에 해당하는지를 결정하는 제2 결정을 수행하는 단계를 포함하는 방법이 제공된다.According to an aspect of the present invention, as a method for recognizing an arrhythmia using an artificial neural network, a first artificial neural network that is learned based on at least one of data about a steady state ECG signal and data about an arrhythmic state ECG signal is used. By analyzing the target electrocardiogram signal of the subject, performing a first determination of whether at least a part of the target electrocardiogram signal corresponds to an arrhythmic state, and at least part of the target electrocardiogram signal corresponds to an arrhythmia state If it is determined that, by analyzing the target ECG signal using a second artificial neural network that is learned based on data on a plurality of types of arrhythmia state ECG signals, at least some of the target ECG signals correspond to some type of arrhythmia state. A method is provided that includes making a second decision to determine if it is.

Description

인공 신경망을 이용하여 부정맥을 인식하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체{METHOD, SYSTEM AND NON-TRANSITORY COMPUTER-READABLE RECORDING MEDIUM FOR RECOGNIZING ARRHYTHMIA BY USING ARTIFICIAL NEURAL NETWORK}Method, system, and non-transitory computer-readable recording medium for recognizing arrhythmia using artificial neural networks {METHOD, SYSTEM AND NON-TRANSITORY COMPUTER-READABLE RECORDING MEDIUM FOR RECOGNIZING ARRHYTHMIA BY USING ARTIFICIAL NEURAL NETWORK}

본 발명은 인공 신경망을 이용하여 부정맥을 인식하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체에 관한 것이다.The present invention relates to a method, a system, and a non-transitory computer-readable recording medium for recognizing arrhythmia using an artificial neural network.

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.Due to the recent rapid development of science and technology, the quality of life for the whole of mankind is improving, and many changes have occurred in the medical environment. In the past, medical images, such as X-rays, CTs, and fMRIs, were taken in hospitals and waited several hours or days to read the images.

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.In recent years, as wearable devices that measure biometric signals (ECG signals, etc.) by forming contact points with various body parts (chest, wrist, ankle, etc.) of the subject are widely spread, biometric signals are constantly measured during daily life. A technology capable of measuring or analyzing is being introduced, and in particular, a technology for recognizing arrhythmia by analyzing an electrocardiogram (ECG) signal that is constantly measured is attracting attention.

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.Traditionally, skilled medical staff relied on the traditional method of discriminating arrhythmia by directly reading the ECG signal based on their own clinical judgment, but in recent years, using artificial intelligence (or artificial neural network) technology, which is rapidly developing Techniques for determining whether arrhythmia or recognizing the type (type) of arrhythmia by analyzing signals are being introduced.

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.Specifically, arrhythmia can be subdivided into 10 or more different types according to its characteristics, and in order to accurately recognize which ECG signal corresponds to what type of arrhythmia state, the ECG signal corresponding to the normal state and various types of arrhythmia state It is necessary to train an artificial neural network using various and vast data on the corresponding ECG signal.

하지만, 병원이나 일상에서 측정되는 심전도 신호를 구성하는 데이터 중 90% 이상의 데이터가 정상 상태(normal sinus rhythm)에 해당하는 데이터이기 때문에, 정상 상태 심전도 데이터와 부정맥 상태 심전도 데이터 사이의 비대칭이 발생하게 되고, 이러한 데이터 양의 비대칭으로 인해 인공 신경망을 올바르게 학습시키기 어렵게 되는 문제가 발생한다.However, since more than 90% of the data constituting the ECG signal measured in hospitals or daily lives corresponds to the normal sinus rhythm, asymmetry between the normal state ECG data and the arrhythmia state ECG data occurs. However, due to the asymmetry of the amount of data, it is difficult to properly train an artificial neural network.

한편, 위와 같은 비대칭이 존재함에도 불구하고, 정상 상태 심전도 데이터를 다양한 종류의 부정맥 중 어느 한 종류의 부정맥 상태 심전도 데이터와 동등하게 취급하는 방식으로 인공 신경망을 구현하거나 학습시키게 되면, 정상 상태 심전도 데이터 중 극히 일부 데이터를 제외한 나머지 대부분의(예를 들면, 90% 이상의) 데이터는 인공 신경망의 구현 또는 학습에 활용될 수 없기 때문에, 인공 신경망의 구현 또는 학습이 부실하게 이루어지는 문제가 발생할 수 있다.On the other hand, in spite of the above asymmetry, if an artificial neural network is implemented or trained in a manner that treats the steady state ECG data equally with any one type of arrhythmia state ECG data among various types of arrhythmia, the normal state ECG data Since most of the data (eg, 90% or more) except for a small portion of the data cannot be used for implementation or learning of an artificial neural network, a problem in which the implementation or learning of the artificial neural network is poor may occur.

이에, 본 발명자는, 부정맥 여부를 판별하기 위한 제1 인공 신경망과 부정맥의 종류를 인식하기 위한 제2 인공 신경망을 단계적으로 이용함으로써 심전도 신호로부터 부정맥 여부 및 유형을 정확하게 인식하는 기술을 제안하는 바이다.Accordingly, the present inventors propose a technique for accurately recognizing the presence and type of arrhythmia from an ECG signal by using a first artificial neural network for determining whether or not arrhythmia and a second artificial neural network for recognizing the type of arrhythmia in stages.

본 발명은 상술한 문제점을 모두 해결하는 것을 그 목적으로 한다.An object of the present invention is to solve all of the above-described problems.

또한, 본 발명은 부정맥 여부를 판별하기 위한 제1 인공 신경망과 부정맥의 종류를 인식하기 위한 제2 인공 신경망을 단계적으로 이용함으로써 심전도 신호로부터 부정맥 여부 및 유형을 정확하게 인식하는 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체를 제공하는 것을 다른 목적으로 한다.In addition, the present invention provides a method, system and non-transitory method for accurately recognizing the presence and type of arrhythmia from an electrocardiogram signal by using a first artificial neural network for determining whether or not arrhythmia and a second artificial neural network for recognizing the type of arrhythmia. Another object is to provide a computer-readable recording medium.

상기 목적을 달성하기 위한 본 발명의 대표적인 구성은 다음과 같다.A typical configuration of the present invention for achieving the above object is as follows.

본 발명의 일 태양에 따르면, 인공 신경망을 이용하여 부정맥을 인식하기 위한 방법으로서, 정상 상태 심전도 신호에 관한 데이터 및 부정맥 상태 심전도 신호에 관한 데이터 중 적어도 하나에 기초하여 학습되는 제1 인공 신경망을 이용하여 피측정자의 대상 심전도 신호를 분석함으로써, 상기 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는지 여부를 결정하는 제1 결정을 수행하는 단계, 및 상기 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는 것으로 판단되면, 복수의 종류의 부정맥 상태 심전도 신호에 관한 데이터에 기초하여 학습되는 제2 인공 신경망을 이용하여 상기 대상 심전도 신호를 분석함으로써, 상기 대상 심전도 신호 중 적어도 일부가 어떤 종류의 부정맥 상태에 해당하는지를 결정하는 제2 결정을 수행하는 단계를 포함하는 방법이 제공된다.According to an aspect of the present invention, as a method for recognizing an arrhythmia using an artificial neural network, a first artificial neural network that is learned based on at least one of data about a steady state ECG signal and data about an arrhythmic state ECG signal is used. By analyzing the target electrocardiogram signal of the subject, performing a first determination of whether at least a part of the target electrocardiogram signal corresponds to an arrhythmic state, and at least part of the target electrocardiogram signal corresponds to an arrhythmia state If it is determined that, by analyzing the target ECG signal using a second artificial neural network that is learned based on data on a plurality of types of arrhythmia state ECG signals, at least some of the target ECG signals correspond to some type of arrhythmia state. A method is provided that includes making a second decision to determine if it is.

본 발명의 다른 태양에 따르면, 인공 신경망을 이용하여 부정맥을 인식하기 위한 시스템으로서, 피측정자로부터 측정되는 대상 심전도 신호를 획득하는 심전도 신호 획득부, 및 정상 상태 심전도 신호에 관한 데이터 및 부정맥 상태 심전도 신호에 관한 데이터 중 적어도 하나에 기초하여 학습되는 제1 인공 신경망을 이용하여 상기 대상 심전도 신호를 분석함으로써, 상기 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는지 여부를 결정하는 제1 결정을 수행하고, 상기 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는 것으로 판단되면, 복수의 종류의 부정맥 상태 심전도 신호에 관한 데이터에 기초하여 학습되는 제2 인공 신경망을 이용하여 상기 대상 심전도 신호를 분석함으로써, 상기 대상 심전도 신호 중 적어도 일부가 어떤 종류의 부정맥 상태에 해당하는지를 결정하는 제2 결정을 수행하는 심전도 신호 분석부를 포함하는 시스템이 제공된다.According to another aspect of the present invention, as a system for recognizing arrhythmia using an artificial neural network, an electrocardiogram signal acquisition unit that acquires a target electrocardiogram signal measured from a subject, and data related to a steady state electrocardiogram signal and an arrhythmic state electrocardiogram signal By analyzing the target ECG signal using a first artificial neural network that is learned based on at least one of the data related to, a first determination is performed to determine whether at least a part of the target ECG signal corresponds to an arrhythmia state, When it is determined that at least a part of the target ECG signal corresponds to an arrhythmic state, the target ECG signal is analyzed using a second artificial neural network that is learned based on data on a plurality of types of arrhythmic state ECG signals There is provided a system including an electrocardiogram signal analyzer that performs a second determination to determine which type of arrhythmia state at least some of the electrocardiogram signals correspond to.

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.In addition to this, another method, a system for implementing the present invention, and a non-transitory computer-readable recording medium for recording a computer program for executing the method are further provided.

본 발명에 의하면, 부정맥 여부를 판별하기 위한 제1 인공 신경망과 부정맥의 종류를 인식하기 위한 제2 인공 신경망을 단계적으로 이용함으로써 심전도 신호로부터 부정맥 여부 및 종류를 정확하게 인식할 수 있게 되는 효과가 달성된다.According to the present invention, the first artificial neural network for determining whether or not arrhythmia and the second artificial neural network for recognizing the type of arrhythmia are used in stages, thereby achieving the effect of being able to accurately recognize the presence and type of arrhythmia from the ECG signal. .

또한, 본 발명에 의하면, 정상 상태 심전도 데이터가 부정맥 상태 심전도 데이터보다 훨씬 많은 비대칭적인 환경에서도, 부정맥 여부를 판별하기 위한 제1 인공 신경망과 부정맥의 종류를 인식하기 위한 제2 인공 신경망을 구분하여 각각 올바르게 학습시킬 수 있으며, 이에 따라 피측정자의 대상 심전도 신호를 정확하게 판별할 수 있게 되는 효과가 달성된다.In addition, according to the present invention, even in an asymmetric environment in which the steady state electrocardiogram data is much larger than the arrhythmia state electrocardiogram data, the first artificial neural network for determining arrhythmia and the second artificial neural network for recognizing the type of arrhythmia are classified, respectively. It is possible to correctly learn, and accordingly, the effect of being able to accurately discriminate the target ECG signal of the subject is achieved.

도 1은 본 발명에 따른 전체 시스템의 구성을 개략적으로 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 부정맥 인식 시스템의 내부 구성을 예시적으로 나타내는 도면이다.
도 3은 본 발명의 일 실시예에 따라 부정맥 여부를 판별하기 위해 이용되는 제1 인공 신경망의 구성을 개념적으로 나타내는 도면이다.
도 4는 본 발명의 일 실시예에 따라 제1 인공 신경망과 제2 인공 신경망을 단계적으로 이용하여 부정맥 여부 및 부정맥의 종류를 인식하는 과정을 예시적으로 나타내는 도면이다.1 is a diagram schematically showing the configuration of an entire system according to the present invention.
2 is a diagram illustrating an internal configuration of an arrhythmia recognition system according to an embodiment of the present invention.
3 is a diagram conceptually showing the configuration of a first artificial neural network used to determine whether or not arrhythmia according to an embodiment of the present invention.
FIG. 4 is a diagram illustrating a process of recognizing arrhythmia status and type of arrhythmia by using a first artificial neural network and a second artificial neural network in stages according to an embodiment of the present invention.

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.DETAILED DESCRIPTION OF THE INVENTION The detailed description of the present invention to be described later refers to the accompanying drawings, which illustrate specific embodiments in which the present invention may be practiced. These embodiments are described in detail sufficient to enable a person skilled in the art to practice the present invention. It is to be understood that the various embodiments of the present invention are different from each other, but need not be mutually exclusive. For example, specific shapes, structures, and characteristics described herein may be implemented in other embodiments without departing from the spirit and scope of the present invention in relation to one embodiment. In addition, it is to be understood that the location or arrangement of individual components within each disclosed embodiment may be changed without departing from the spirit and scope of the present invention. Accordingly, the detailed description to be described below is not intended to be taken in a limiting sense, and the scope of the present invention, if appropriately described, is limited only by the appended claims, along with all scopes equivalent to those claimed by the claims. Like reference numerals in the drawings refer to the same or similar functions over several aspects.

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.Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings in order to enable those of ordinary skill in the art to easily implement the present invention.

전체 시스템의 구성Composition of the whole system

이하, 본 발명에 따른 부정맥 인식 시스템의 바람직한 실시예에 관하여 상세히 설명하면 다음과 같다.Hereinafter, a preferred embodiment of the arrhythmia recognition system according to the present invention will be described in detail.

도 1은 본 발명에 따른 전체 시스템의 구성을 개략적으로 나타내는 도면이다.1 is a diagram schematically showing the configuration of an entire system according to the present invention.

도 1에 도시되어 있는 바와 같이, 본 발명의 일 실시예에 따른 전체 시스템은, 통신망(100), 부정맥 인식 시스템(200) 및 디바이스(300)로 구성될 수 있다.As shown in FIG. 1, the entire system according to an embodiment of the present invention may include a communication network 100, an arrhythmia recognition system 200, and a device 300.

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.First, the communication network 100 according to an embodiment of the present invention may be configured regardless of a communication mode such as wired communication or wireless communication, a local area network (LAN), a metropolitan area network (MAN, Metropolitan Area Network). ), and a wide area network (WAN). Preferably, the communication network 100 referred to in the present specification includes a known short-range wireless communication network such as WiFi (Wi-Fi), WiFi Direct (Wi-Fi Direct), LTE Direct (LTE Direct), and Bluetooth. I can. However, the communication network 100 is not necessarily limited thereto, and may include a known wired/wireless data communication network, a known telephone network, or a known wired/wireless television communication network in at least part thereof.

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.For example, the communication network 100 is a wireless data communication network, such as WiFi (WiFi) communication, WiFi Direct (WiFi-Direct) communication, Long Term Evolution (LTE) communication, Bluetooth communication (low-power Bluetooth (BLE; Bluetooth Low) Energy), infrared communication, ultrasonic communication, and the like may be implemented in at least part of a conventional communication method. For another example, the communication network 100 is an optical communication network, and may implement a conventional communication method such as LiFi (Light Fidelity) in at least a portion thereof.

다음으로, 본 발명의 일 실시예에 따른 부정맥 인식 시스템(200)은, 정상 상태 심전도 신호에 관한 데이터 및 부정맥 상태 심전도 신호에 관한 데이터 중 적어도 하나에 기초하여 학습되는 제1 인공 신경망을 이용하여 피측정자의 대상 심전도 신호를 분석함으로써, 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는지 여부를 결정하는 제1 결정을 수행하고, 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는 것으로 판단되면, 복수의 종류의 부정맥 상태 심전도 신호에 관한 데이터에 기초하여 학습되는 제2 인공 신경망을 이용하여 대상 심전도 신호를 분석함으로써, 대상 심전도 신호 중 적어도 일부가 어떤 종류의 부정맥 상태에 해당하는지를 결정하는 제2 결정을 수행할 수 있다.Next, the arrhythmia recognition system 200 according to an embodiment of the present invention uses a first artificial neural network that is learned based on at least one of data related to a steady state ECG signal and data related to an arrhythmic state ECG signal. By analyzing the target electrocardiogram signal of the measurer, a first determination is made to determine whether at least a part of the target electrocardiogram signal corresponds to an arrhythmia state, and when it is determined that at least part of the target electrocardiogram signal corresponds to an arrhythmia state, By analyzing the target ECG signal using a second artificial neural network that is learned based on data on the type of arrhythmic state ECG signal, a second decision is made to determine which type of arrhythmia state at least a part of the target ECG signal corresponds to. can do.

부정맥 인식 시스템(200)의 기능에 관하여는 아래에서 더 자세하게 알아보기로 한다. 한편, 부정맥 인식 시스템(200)에 관하여 위와 같이 설명되었으나, 이러한 설명은 예시적인 것이고, 부정맥 인식 시스템(200)에 요구되는 기능이나 구성요소의 적어도 일부가 필요에 따라 디바이스(300) 내에서 실현되거나 디바이스(300) 내에 포함될 수도 있음은 당업자에게 자명하다.The function of the arrhythmia recognition system 200 will be described in more detail below. Meanwhile, although the arrhythmia recognition system 200 has been described as above, this description is exemplary, and at least some of the functions or components required for the arrhythmia recognition system 200 are realized in the device 300 or It is obvious to those skilled in the art that it may be included within the device 300.

마지막으로, 본 발명의 일 실시예에 따른 디바이스(300)는 부정맥 인식 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.Lastly, the device 300 according to an embodiment of the present invention is a digital device that includes a function to communicate after connecting to the arrhythmia recognition system 200, and has a memory means and a microprocessor to provide computational capability. Any digital device equipped with can be adopted as the device 300 according to the present invention. The device 300 is a wearable device such as a smart glass, a smart watch, a smart band, a smart ring, a smart necklace, etc., or a somewhat traditional device such as a smart phone, a smart pad, a desktop computer, a notebook computer, a workstation, a PDA, a web pad, a mobile phone, etc. It can be a device.

특히, 본 발명의 일 실시예에 따르면, 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.In particular, according to an embodiment of the present invention, the device 300 may include a sensing means (eg, a contact electrode, an image capturing device, etc.) for obtaining a predetermined bio-signal from a human body, and measuring a bio-signal It may include a display means for providing various information about the user.

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 인식 시스템(200)의 심전도 신호 획득부(210), 심전도 신호 분석부(220), 통신부(230) 및 제어부(240)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.In addition, according to an embodiment of the present invention, the device 300 may further include an application program for performing a function according to the present invention. Such an application may exist in the form of a program module within the device 300. The characteristics of such a program module may be generally similar to the electrocardiogram signal acquisition unit 210, the electrocardiogram signal analysis unit 220, the communication unit 230, and the control unit 240 of the arrhythmia recognition system 200 to be described later. Here, at least a part of the application may be replaced with a hardware device or a firmware device capable of performing a function substantially the same as or equivalent to the application, if necessary.

부정맥 인식 시스템의 구성Configuration of arrhythmia recognition system

이하에서는, 본 발명의 구현을 위하여 중요한 기능을 수행하는 부정맥 인식 시스템(200)의 내부 구성 및 각 구성요소의 기능에 대하여 살펴보기로 한다.Hereinafter, the internal configuration of the arrhythmia recognition system 200, which performs an important function for the implementation of the present invention, and functions of each component will be described.

도 2는 본 발명의 일 실시예에 따른 부정맥 인식 시스템의 내부 구성을 예시적으로 나타내는 도면이다.2 is a diagram illustrating an internal configuration of an arrhythmia recognition system according to an embodiment of the present invention.

도 2를 참조하면, 본 발명의 일 실시예에 따른 부정맥 인식 시스템(200)은, 심전도 신호 획득부(210), 심전도 신호 분석부(220), 통신부(230) 및 제어부(240)를 포함할 수 있다. 본 발명의 일 실시예에 따르면, 심전도 신호 획득부(210), 심전도 신호 분석부(220), 통신부(230) 및 제어부(240)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 인식 시스템(200)에 포함될 수 있으며, 물리적으로는 여러 가지 공지의 기억 장치 상에 저장될 수 있다. 또한, 이러한 프로그램 모듈들은 부정맥 인식 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.Referring to FIG. 2, the arrhythmia recognition system 200 according to an embodiment of the present invention includes an electrocardiogram signal acquisition unit 210, an electrocardiogram signal analysis unit 220, a communication unit 230, and a control unit 240. I can. According to an embodiment of the present invention, the electrocardiogram signal acquisition unit 210, the electrocardiogram signal analysis unit 220, the communication unit 230, and the control unit 240 communicate at least some of them with an external system (not shown). It can be program modules. These program modules may be included in the arrhythmia recognition system 200 in the form of an operating system, an application program module, and other program modules, and may be physically stored on various known storage devices. In addition, these program modules may be stored in a remote memory device capable of communicating with the arrhythmia recognition system 200. Meanwhile, these program modules include routines, subroutines, programs, objects, components, data structures, etc. that perform specific tasks or execute specific abstract data types according to the present invention, but are not limited thereto.

먼저, 본 발명의 일 실시예에 따르면, 심전도 신호 획득부(210)는, 피측정자의 신체 부위와 접촉되는 적어도 하나의 디바이스로부터 심전도(ECG) 신호를 획득하는 기능을 수행할 수 있다.First, according to an embodiment of the present invention, the electrocardiogram signal acquisition unit 210 may perform a function of acquiring an electrocardiogram (ECG) signal from at least one device in contact with a body part of a subject.

여기서, 본 발명의 일 실시예에 따르면, 심전도 신호는 무선 통신망을 통하여 획득될 수 있다. 예를 들면, 심전도 신호는 와이파이(Wi-Fi), 와이파이 다이렉트(Wi-Fi Direct), LTE 다이렉트(LTE Direct), 블루투스(Bluetooth)와 같은 공지의 근거리 무선 통신망을 통하여 전송될 수 있다.Here, according to an embodiment of the present invention, the electrocardiogram signal may be obtained through a wireless communication network. For example, the ECG signal may be transmitted through a known short-range wireless communication network such as Wi-Fi, Wi-Fi Direct, LTE Direct, and Bluetooth.

다음으로, 본 발명의 일 실시예에 따르면, 심전도 신호 분석부(220)는, 제1 인공 신경망 및 제2 인공 신경망을 단계적으로 이용함으로써 분석의 대상이 되는 심전도 신호로부터 부정맥 여부를 판별하고 부정맥의 종류를 인식하는 기능을 수행할 수 있다.Next, according to an embodiment of the present invention, the electrocardiogram signal analysis unit 220 determines whether or not arrhythmia is detected from the electrocardiogram signal to be analyzed by using the first artificial neural network and the second artificial neural network in stages. It can perform the function of recognizing the type.

구체적으로, 본 발명의 일 실시예에 따르면, 심전도 신호 분석부(220)는, 정상 상태 심전도 신호에 관한 데이터 및 부정맥 상태 심전도 신호에 관한 데이터 중 적어도 하나에 기초하여 학습되는 제1 인공 신경망을 이용하여 피측정자의 대상 심전도 신호를 분석함으로써, 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는지 여부를 결정하는 제1 결정을 수행할 수 있다.Specifically, according to an embodiment of the present invention, the electrocardiogram signal analysis unit 220 uses a first artificial neural network that is learned based on at least one of data related to a steady state electrocardiogram signal and data related to an arrhythmic state electrocardiogram signal. Thus, by analyzing the target ECG signal of the subject, a first determination may be performed to determine whether at least a part of the target ECG signal corresponds to an arrhythmia state.

예를 들면, 본 발명의 일 실시예에 따른 심전도 신호 분석부(220)는, 오토인코더(autoencoder) 기술에 기초하여 제1 인공 신경망을 구현하고 학습시킬 수 있다. 다만, 본 발명에서 제1 인공 신경망을 구현하고 학습시키는 데에 이용될 수 있는 기술이 반드시 상기 열거된 것에 한정되는 것은 아니며, 본 발명의 목적을 달성할 수 있는 범위 내에서 얼마든지 변경될 수 있음을 밝혀 둔다.For example, the electrocardiogram signal analysis unit 220 according to an embodiment of the present invention may implement and learn a first artificial neural network based on an autoencoder technology. However, the techniques that can be used to implement and learn the first artificial neural network in the present invention are not necessarily limited to those listed above, and can be changed as much as possible within the range capable of achieving the object of the present invention. Reveal.

도 3은 본 발명의 일 실시예에 따라 부정맥 여부를 판별하기 위해 이용되는 제1 인공 신경망의 구성을 개념적으로 나타내는 도면이다.3 is a diagram conceptually showing the configuration of a first artificial neural network used to determine whether or not arrhythmia according to an embodiment of the present invention.

도 3을 참조하면, 제1 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 심전도 신호(X)와 디코더로부터 출력되는 심전도 신호(X')가 서로 동일해지는 방향으로 학습될 수 있다.Referring to FIG. 3, the first artificial neural network may be implemented in a structure in which an encoder and a decoder are sequentially combined, and the dimensions of the input end of the encoder and the output end of the decoder are the same. The ECG signal X input to the encoder and the ECG signal X′ output from the decoder may be learned in the same direction as each other.

계속하여, 도 3을 참조하면, 본 발명의 일 실시예에 따른 심전도 신호 분석부(220)는, 정상 상태 심전도 신호에만 기초하여 제1 인공 신경망을 학습시킬 수 있다. 이러한 학습 방식에 따라 제1 인공 신경망이 성공적으로 학습되었다고 가정하면, 정상 상태에 해당하는 심전도 신호가 제1 인공 신경망에 입력되는 경우에 그 입력되는 심전도 신호와 제1 인공 신경망으로부터 출력되는 심전도 신호의 차이가 상대적으로 작게 나타날 수 있고, 부정맥 상태에 해당하는 심전도 신호가 제1 인공 신경망에 입력되는 경우에 그 입력되는 심전도 신호와 제1 인공 신경망으로부터 출력되는 심전도 신호의 차이가 상대적으로 크게 나타날 수 있다.Subsequently, referring to FIG. 3, the electrocardiogram signal analysis unit 220 according to an embodiment of the present invention may train the first artificial neural network based only on the steady state electrocardiogram signal. Assuming that the first artificial neural network has been successfully learned according to this learning method, when an electrocardiogram signal corresponding to a normal state is input to the first artificial neural network, the input ECG signal and the ECG signal output from the first artificial neural network are The difference may appear relatively small, and when an ECG signal corresponding to an arrhythmia state is input to the first artificial neural network, the difference between the input ECG signal and the ECG signal output from the first artificial neural network may appear relatively large. .

따라서, 도 3을 참조하면, 본 발명의 일 실시예에 따른 심전도 신호 분석부(220)는, 피측정자의 대상 심전도 신호를 제1 인공 신경망에 입력시키는 경우에, 그 입력되는 대상 심전도 신호와 제1 인공 신경망으로부터 출력되는 심전도 신호 사이의 차이가 기설정된 수준 미만이면 대상 심전도 신호가 정상 상태 심전도 신호인 것으로 결정할 수 있고, 그 차이가 기설정된 수준 이상이면 대상 심전도 신호가 부정맥 상태 심전도 신호인 것으로 결정할 수 있다.Accordingly, referring to FIG. 3, when the ECG signal analysis unit 220 according to an embodiment of the present invention inputs the target ECG signal of the subject into the first artificial neural network, the input target ECG signal and the 1 If the difference between the ECG signals output from the artificial neural network is less than a preset level, it may be determined that the target ECG signal is a steady state ECG signal, and if the difference is greater than the preset level, the target ECG signal is determined to be an arrhythmic ECG signal. I can.

또한, 본 발명의 일 실시예에 따르면, 심전도 신호 분석부(220)는, 위의 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는 것으로 판단되면, 복수의 종류의 부정맥 상태 심전도 신호에 관한 데이터에 기초하여 학습되는 제2 인공 신경망을 이용하여 대상 심전도 신호를 분석함으로써, 대상 심전도 신호 중 적어도 일부가 어떤 종류의 부정맥 상태에 해당하는지를 결정하는 제2 결정을 수행할 수 있다.In addition, according to an embodiment of the present invention, when it is determined that at least a part of the target ECG signal corresponds to an arrhythmia state, the ECG signal analysis unit 220 provides data on a plurality of types of arrhythmia state ECG signals. By analyzing the target ECG signal using the second artificial neural network learned based on the target ECG signal, a second determination may be performed to determine which type of arrhythmia state at least a part of the target ECG signal corresponds to.

예를 들면, 본 발명의 일 실시예에 따른 심전도 신호 분석부(220)는, 합성곱 신경망(Convolutional Neural Network; CNN) 및 순환 신경망(Recurrent Neural Network; RNN) 중 적어도 하나에 기초하여 제2 인공 신경망을 구현하고 학습시킬 수 있다. 다만, 본 발명에서 제2 인공 신경망을 구현하고 학습시키는 데에 이용될 수 있는 기술이 반드시 상기 열거된 것에 한정되는 것은 아니며, 본 발명의 목적을 달성할 수 있는 범위 내에서 얼마든지 변경될 수 있음을 밝혀 둔다.For example, the electrocardiogram signal analysis unit 220 according to an embodiment of the present invention is based on at least one of a convolutional neural network (CNN) and a recurrent neural network (RNN). Implement and train neural networks. However, the techniques that can be used to implement and learn the second artificial neural network in the present invention are not necessarily limited to those listed above, and may be changed as much as possible within the range capable of achieving the object of the present invention. Reveal.

본 발명의 일 실시예에 따른 심전도 신호 분석부(220)는, 다양한 종류의 부정맥 상태 심전도 신호를 이용하여 제2 인공 신경망을 학습시킬 수 있다. 이러한 학습에 따라 제2 인공 신경망이 성공적으로 학습되었다고 가정하면, 어떤 심전도 신호가 제2 인공 신경망에 입력되는 경우에 해당 심전도 신호가 특정 종류의 부정맥 상태에 해당할 확률이 출력으로서 도출될 수 있다.The electrocardiogram signal analyzer 220 according to an embodiment of the present invention may train the second artificial neural network by using various types of arrhythmic electrocardiogram signals. Assuming that the second artificial neural network is successfully learned according to this learning, when a certain ECG signal is input to the second artificial neural network, a probability that the corresponding ECG signal corresponds to a specific type of arrhythmia state may be derived as an output.

도 4는 본 발명의 일 실시예에 따라 제1 인공 신경망과 제2 인공 신경망을 단계적으로 이용하여 부정맥 여부 및 부정맥의 종류를 순차적으로 인식하는 과정을 예시적으로 나타내는 도면이다.FIG. 4 is a diagram illustrating a process of sequentially recognizing whether or not arrhythmia and the type of arrhythmia by using a first artificial neural network and a second artificial neural network in stages according to an embodiment of the present invention.

도 4를 참조하면, 본 발명의 일 실시예에 따른 심전도 신호 분석부(220)는, 제1 인공 신경망을 이용하여 대상 심전도 신호가 부정맥 상태에 해당하는지 여부를 결정할 수 있고, 대상 심전도 신호가 부정맥 상태에 해당하는 것으로 결정되는 경우에 제2 인공 신경망을 이용하여 대상 심전도 신호가 어떤 종류의 부정맥 상태에 해당하는지를 결정할 수 있다.Referring to FIG. 4, the electrocardiogram signal analysis unit 220 according to an embodiment of the present invention may determine whether a target electrocardiogram signal corresponds to an arrhythmia state by using a first artificial neural network, and the target electrocardiogram signal is an arrhythmia. When it is determined that the state corresponds to the state, it is possible to determine what kind of arrhythmia state the target ECG signal corresponds to by using the second artificial neural network.

예를 들면, 도 4의 실시예에서, 제1 인공 신경망을 이용하는 첫 번째 단계에서 대상 심전도 신호가 부정맥 상태에 해당하는 것으로 결정될 수 있고, 제2 인공 신경망을 이용하는 두 번째 단계에서 대상 심전도 신호가 확률이 0.8로서 가장 높게 나타난 심방세동(AFIB; Atrial FIBrillation)이라는 종류의 부정맥 상태에 해당하는 것으로 결정될 수 있다.For example, in the embodiment of FIG. 4, in the first step of using the first artificial neural network, it may be determined that the target ECG signal corresponds to the arrhythmia state, and in the second step of using the second artificial neural network, the target ECG signal is probable. It can be determined to correspond to a type of arrhythmic condition called atrial fibrillation (AFIB), which was the highest as 0.8.

한편, 본 발명의 일 실시예에 따른 통신부(230)는 심전도 신호 획득부(210) 및 심전도 신호 분석부(220)로부터의/로의 데이터 송수신이 가능하도록 하는 기능을 수행할 수 있다.Meanwhile, the communication unit 230 according to an embodiment of the present invention may perform a function of enabling data transmission and reception from/to the electrocardiogram signal acquisition unit 210 and the electrocardiogram signal analysis unit 220.

마지막으로, 본 발명의 일 실시예에 따른 제어부(240)는 심전도 신호 획득부(210), 심전도 신호 분석부(220) 및 통신부(230) 간의 데이터의 흐름을 제어하는 기능을 수행할 수 있다. 즉, 본 발명에 따른 제어부(240)는 부정맥 인식 시스템(200)의 외부로부터의/로의 데이터 흐름 또는 부정맥 인식 시스템(200)의 각 구성요소 간의 데이터 흐름을 제어함으로써, 심전도 신호 획득부(210), 심전도 신호 분석부(220) 및 통신부(230)에서 각각 고유 기능을 수행하도록 제어할 수 있다.Finally, the control unit 240 according to an embodiment of the present invention may perform a function of controlling the flow of data between the electrocardiogram signal acquisition unit 210, the electrocardiogram signal analysis unit 220, and the communication unit 230. That is, the control unit 240 according to the present invention controls the data flow from/to the outside of the arrhythmia recognition system 200 or the data flow between each component of the arrhythmia recognition system 200, so that the ECG signal acquisition unit 210 , The ECG signal analysis unit 220 and the communication unit 230 may be controlled to perform their own functions, respectively.

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.The embodiments according to the present invention described above may be implemented in the form of program instructions that can be executed through various computer components and recorded in a non-transitory computer-readable recording medium. The non-transitory computer-readable recording medium may include program instructions, data files, data structures, etc. alone or in combination. The program instructions recorded in the non-transitory computer-readable recording medium may be specially designed and constructed for the present invention or may be known and usable to those skilled in the computer software field. Examples of non-transitory computer-readable recording media include magnetic media such as hard disks, floppy disks and magnetic tapes, optical recording media such as CD-ROMs and DVDs, and magnetic-optical media such as floptical disks ( magneto-optical media), and hardware devices specially configured to store and execute program instructions such as ROM, RAM, flash memory, and the like. Examples of the program instructions include not only machine language codes such as those produced by a compiler but also high-level language codes that can be executed by a computer using an interpreter or the like. The hardware device may be configured to operate as one or more software modules to perform processing according to the present invention, and vice versa.

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.In the above, the present invention has been described by specific matters such as specific elements and limited embodiments and drawings, but this is provided only to help a more general understanding of the present invention, and the present invention is not limited to the above embodiments. , Anyone with ordinary knowledge in the technical field to which the present invention pertains can make various modifications and variations from these descriptions.

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.Therefore, the spirit of the present invention is limited to the above-described embodiments and should not be defined, and all modifications that are equally or equivalent to the claims as well as the claims to be described later fall within the scope of the spirit of the present invention. I would say.

100: 통신망
200: 부정맥 인식 시스템
210: 심전도 신호 획득부
220: 심전도 신호 분석부
230: 통신부
240: 제어부
300: 디바이스100: communication network
200: arrhythmia recognition system
210: ECG signal acquisition unit
220: electrocardiogram signal analysis unit
230: communication department
240: control unit
300: device

Claims (5)

인공 신경망을 이용하여 부정맥을 인식하기 위한 방법으로서,
정상 상태 심전도 신호에 관한 데이터에만 기초하여 학습되는 제1 인공 신경망을 이용하여 피측정자의 대상 심전도 신호를 분석함으로써, 상기 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는지 여부를 결정하는 제1 결정을 수행하는 단계, 및
상기 제1 결정을 수행함에 따라 상기 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는 것으로 판단되면, 복수의 종류의 부정맥 상태 심전도 신호에 관한 데이터에 기초하여 학습되는 제2 인공 신경망을 이용하여 상기 대상 심전도 신호를 분석함으로써, 부정맥 상태에 해당하는 것으로 결정된 상기 대상 심전도 신호 중 적어도 일부가 어떤 종류의 부정맥 상태에 해당하는지를 결정하는 제2 결정을 수행하는 단계를 포함하고,
상기 제1 인공 신경망은, 인코더(encoder) 및 디코더(decoder)가 순차적으로 결합되는 구조로 구현되고,
상기 인코더의 입력단의 차원과 상기 디코더의 출력단의 차원이 서로 동일하게 되도록 구현되고,
상기 제1 인공 신경망은, 상기 인코더에 입력되는 심전도 신호와 상기 디코더로부터 출력되는 심전도 신호가 서로 동일해지는 방향으로 학습되고,
상기 제1 인공 신경망은, 정상 상태에 해당되는 심전도 신호가 상기 제1 인공 신경망에 입력되는 경우에 상기 제1 인공 신경망에 입력되는 심전도 신호와 상기 제1 인공 신경망으로부터 출력되는 심전도 신호와의 차이가 작아지고, 부정맥 상태에 해당되는 심전도 신호가 상기 제1 인공 신경망에 입력되는 경우에 상기 제1 인공 신경망에 입력되는 심전도 신호와 상기 제1 인공 신경망으로부터 출력되는 심전도 신호와의 차이가 커지도록 학습되는
방법.As a method for recognizing arrhythmia using an artificial neural network,
By analyzing the target ECG signal of the subject using a first artificial neural network that is learned based only on the data on the steady state ECG signal, a first decision is made to determine whether at least a part of the target ECG signal corresponds to an arrhythmia state. Performing steps, and
When it is determined that at least a part of the target ECG signal corresponds to an arrhythmic state as the first determination is performed, the target using a second artificial neural network that is learned based on data on a plurality of types of arrhythmic state ECG signals By analyzing the electrocardiogram signal, performing a second determination of which type of arrhythmia state corresponds to at least a part of the target electrocardiogram signal determined to correspond to an arrhythmic state,
The first artificial neural network is implemented in a structure in which an encoder and a decoder are sequentially combined,
It is implemented so that the dimension of the input end of the encoder and the dimension of the output end of the decoder are the same,
The first artificial neural network is learned in a direction in which an electrocardiogram signal input to the encoder and an electrocardiogram signal output from the decoder become the same,
The first artificial neural network has a difference between an ECG signal input to the first artificial neural network and an ECG signal output from the first artificial neural network when an ECG signal corresponding to a normal state is input to the first artificial neural network. When an electrocardiogram signal corresponding to an arrhythmia state is small and is input to the first artificial neural network, the difference between the electrocardiogram signal input to the first artificial neural network and the electrocardiogram signal output from the first artificial neural network increases.
Way. 제1항에 있어서,
상기 제1 인공 신경망은 오토인코더(autoencoder) 기술에 기초하여 구현되는
방법.The method of claim 1,
The first artificial neural network is implemented based on an autoencoder technology.
Way. 제1항에 있어서,
상기 제2 인공 신경망은 합성곱 신경망(Convolutional Neural Network; CNN) 및 순환 신경망(Recurrent Neural Network; RNN) 중 적어도 하나에 기초하여 구현되는
방법.The method of claim 1,
The second artificial neural network is implemented based on at least one of a convolutional neural network (CNN) and a recurrent neural network (RNN).
Way. 제1항에 따른 방법을 실행하기 위한 컴퓨터 프로그램을 기록한 비일시성의 컴퓨터 판독 가능한 기록 매체.A non-transitory computer-readable recording medium storing a computer program for executing the method according to claim 1. 인공 신경망을 이용하여 부정맥을 인식하기 위한 시스템으로서,
피측정자로부터 측정되는 대상 심전도 신호를 획득하는 심전도 신호 획득부, 및
정상 상태 심전도 신호에 관한 데이터에만 기초하여 학습되는 제1 인공 신경망을 이용하여 상기 대상 심전도 신호를 분석함으로써, 상기 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는지 여부를 결정하는 제1 결정을 수행하고, 상기 제1 결정을 수행함에 따라 상기 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는 것으로 판단되면, 복수의 종류의 부정맥 상태 심전도 신호에 관한 데이터에 기초하여 학습되는 제2 인공 신경망을 이용하여 상기 대상 심전도 신호를 분석함으로써, 부정맥 상태에 해당하는 것으로 결정된 상기 대상 심전도 신호 중 적어도 일부가 어떤 종류의 부정맥 상태에 해당하는지를 결정하는 제2 결정을 수행하는 심전도 신호 분석부를 포함하고,
상기 제1 인공 신경망은, 인코더(encoder) 및 디코더(decoder)가 순차적으로 결합되는 구조로 구현되고,
상기 인코더의 입력단의 차원과 상기 디코더의 출력단의 차원이 서로 동일하게 되도록 구현되고,
상기 제1 인공 신경망은, 상기 인코더에 입력되는 심전도 신호와 상기 디코더로부터 출력되는 심전도 신호가 서로 동일해지는 방향으로 학습되고,
상기 제1 인공 신경망은, 정상 상태에 해당되는 심전도 신호가 상기 제1 인공 신경망에 입력되는 경우에 상기 제1 인공 신경망에 입력되는 심전도 신호와 상기 제1 인공 신경망으로부터 출력되는 심전도 신호와의 차이가 작아지고, 부정맥 상태에 해당되는 심전도 신호가 상기 제1 인공 신경망에 입력되는 경우에 상기 제1 인공 신경망에 입력되는 심전도 신호와 상기 제1 인공 신경망으로부터 출력되는 심전도 신호와의 차이가 커지도록 학습되는
시스템.As a system for recognizing arrhythmia using an artificial neural network,
An electrocardiogram signal acquisition unit that acquires a target electrocardiogram signal measured from a subject, and
By analyzing the target ECG signal using a first artificial neural network that is learned based only on data on the steady state ECG signal, a first determination is performed to determine whether at least a part of the target ECG signal corresponds to an arrhythmia state, and , When it is determined that at least a part of the target ECG signal corresponds to an arrhythmic state as the first determination is performed, the second artificial neural network is learned based on data on a plurality of types of arrhythmic state ECG signals. By analyzing the target ECG signal, including an electrocardiogram signal analyzer for performing a second determination to determine what kind of arrhythmia state at least a part of the target ECG signal determined to correspond to an arrhythmic state,
The first artificial neural network is implemented in a structure in which an encoder and a decoder are sequentially combined,
It is implemented so that the dimension of the input end of the encoder and the dimension of the output end of the decoder are the same,
The first artificial neural network is learned in a direction in which an electrocardiogram signal input to the encoder and an electrocardiogram signal output from the decoder become the same,
The first artificial neural network has a difference between an ECG signal input to the first artificial neural network and an ECG signal output from the first artificial neural network when an ECG signal corresponding to a normal state is input to the first artificial neural network. When an electrocardiogram signal corresponding to an arrhythmia state is small and is input to the first artificial neural network, the difference between the electrocardiogram signal input to the first artificial neural network and the electrocardiogram signal output from the first artificial neural network increases.
system.
KR1020180131545A 2018-10-31 2018-10-31 Method, system and non-transitory computer-readable recording medium for recognizing arrhythmia by using artificial neural network KR102219378B1 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020180131545A KR102219378B1 (en) 2018-10-31 2018-10-31 Method, system and non-transitory computer-readable recording medium for recognizing arrhythmia by using artificial neural network
PCT/KR2019/012478 WO2020091229A1 (en) 2018-10-31 2019-09-25 Method and system for recognizing arrhythmia by using artificial neural networks, and non-transitory computer-readable recording medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180131545A KR102219378B1 (en) 2018-10-31 2018-10-31 Method, system and non-transitory computer-readable recording medium for recognizing arrhythmia by using artificial neural network

Publications (3)

Publication Number Publication Date
KR20200052452A KR20200052452A (en) 2020-05-15
KR102219378B1 true KR102219378B1 (en) 2021-02-24
KR102219378B9 KR102219378B9 (en) 2022-03-15

Family

ID=70462588

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180131545A KR102219378B1 (en) 2018-10-31 2018-10-31 Method, system and non-transitory computer-readable recording medium for recognizing arrhythmia by using artificial neural network

Country Status (2)

Country Link
KR (1) KR102219378B1 (en)
WO (1) WO2020091229A1 (en)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102322234B1 (en) * 2020-12-29 2021-11-05 (주)씨어스테크놀로지 Method And Apparatus for Visualizing Electrocardiogram by Using Deep Learning
KR102460058B1 (en) * 2021-12-02 2022-10-28 (주)씨어스테크놀로지 Method And Apparatus for Detecting Atrial Fibrillation by Using Deep Learning

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1929781A (en) * 2003-08-21 2007-03-14 依斯克姆公司 Automated methods and systems for vascular plaque detection and analysis
KR101169138B1 (en) * 2009-12-30 2012-07-30 서울여자대학교 산학협력단 Apparatus and method for vessel and calcification extraction
WO2012018560A2 (en) * 2010-07-26 2012-02-09 Kjaya, Llc Adaptive visualization for direct physician use
KR20140063100A (en) * 2012-11-16 2014-05-27 삼성전자주식회사 Apparatus and methods for remote cardiac disease management
KR101902883B1 (en) * 2017-02-22 2018-10-01 연세대학교 산학협력단 A method for analyzing plaque in a computed tomography image and an apparatus thereof

Also Published As

Publication number Publication date
KR102219378B9 (en) 2022-03-15
WO2020091229A1 (en) 2020-05-07
KR20200052452A (en) 2020-05-15

Similar Documents

Publication Publication Date Title
KR102141617B1 (en) Method, system and non-transitory computer-readable recording medium for estimating arrhythmia by using artificial neural network
US20220125322A1 (en) Methods and Systems for Determining Abnormal Cardiac Activity
US20200034739A1 (en) Method and device for estimating user's physical condition
KR102143940B1 (en) Device for vessel detection and retinal edema diagnosis using multi-functional neurlal network and method for detecting and diagnosing same
ES2960027T3 (en) Detection of abnormalities in ECG signals
US11504068B2 (en) Methods, systems, and media for predicting sensor measurement quality
KR102219378B1 (en) Method, system and non-transitory computer-readable recording medium for recognizing arrhythmia by using artificial neural network
US20150264028A1 (en) Method for determining data source
CN112203582B (en) Pulse propagation time determination method and system
CA3158504A1 (en) Neural networks for atrial fibrillation screening
US20240215925A1 (en) Method, system, and non-transitory computer-readable recording medium for estimating arrhythmia using composite artificial neural network
US20200337581A1 (en) Apparatus and method for analyzing electrocardiogram
KR20220106273A (en) Method, system and non-transitory computer-readable recording medium for managing a learning model based on biometric signals
KR20230028370A (en) A method for counting coughs by analyzing acoustic signals, a server performing the same, and a non-temporary computer readable recording medium
KR102579962B1 (en) Method, system and non-transitory computer-readable recording medium for managing training data of analysis model for bio-signal
KR20220087302A (en) Method, server, device and non-transitory computer-readable recording medium for monitoring biometric signals by using wearable device
KR102620321B1 (en) Method, system and non-transitory computer-readable recording medium for managing analysis model for bio-signal
US11996199B2 (en) Systems and methods for automated medical monitoring and/or diagnosis
KR102491203B1 (en) Method, system and non-transitory computer-readable recording medium for detecting and classifying beat in electrocardiogram signal
KR20230053747A (en) Method, system and non-transitory computer-readable recording medium for analyzing scalp by using machine learning model
KR102576831B1 (en) Method, system and non-transitory computer-readable recording medium for managing training data of analysis model for bio-signal
US20240153646A1 (en) Method, system, and non-transitory computer-readable recording medium for managing output data of biosignal analysis model
KR102623020B1 (en) Method, computing device and computer program for early predicting septic shock through bio-data analysis based on artificial intelligence
CN111723622B (en) Heart beat classification method, heart beat classification device, wearable equipment and storage medium
KR102445749B1 (en) Method, system and non-transitory computer-readable recording medium for evaluating cognitive function by using machine learning

Legal Events

Date Code Title Description
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant
G170 Re-publication after modification of scope of protection [patent]