KR102351682B1 - 기계 학습 알고리즘에 심전도 신호의 복잡도 값, 규칙도 값을 입력하여 심장 질환의 비정상 구간을 출력하는 심장 질환 판단 장치, 심장 질환 판단 방법 및 컴퓨터 프로그램 - Google Patents

기계 학습 알고리즘에 심전도 신호의 복잡도 값, 규칙도 값을 입력하여 심장 질환의 비정상 구간을 출력하는 심장 질환 판단 장치, 심장 질환 판단 방법 및 컴퓨터 프로그램 Download PDF

Info

Publication number
KR102351682B1
KR102351682B1 KR1020200038556A KR20200038556A KR102351682B1 KR 102351682 B1 KR102351682 B1 KR 102351682B1 KR 1020200038556 A KR1020200038556 A KR 1020200038556A KR 20200038556 A KR20200038556 A KR 20200038556A KR 102351682 B1 KR102351682 B1 KR 102351682B1
Authority
KR
South Korea
Prior art keywords
heart disease
values
complexity
value
regularity
Prior art date
Application number
KR1020200038556A
Other languages
English (en)
Other versions
KR20210121594A (ko
Inventor
차갑문
정종욱
Original Assignee
주식회사 에이티센스
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 에이티센스 filed Critical 주식회사 에이티센스
Priority to KR1020200038556A priority Critical patent/KR102351682B1/ko
Publication of KR20210121594A publication Critical patent/KR20210121594A/ko
Application granted granted Critical
Publication of KR102351682B1 publication Critical patent/KR102351682B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/361—Detecting fibrillation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Cardiology (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Psychiatry (AREA)
  • Primary Health Care (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

본 명세서의 실시예에 따르면, 대상체의 심전도 신호를 수신하는 신호 수신부; 상기 심전도 신호에 적어도 하나의 방법을 적용하여 하나 이상의 규칙도 값을 산출하는 규칙도 산출부; 상기 심전도 신호에 적어도 하나의 방법을 적용하여 하나 이상의 복잡도 값을 산출하는 복잡도 산출부; 및 심장 질환 예측 알고리즘에 상기 하나 이상의 규칙도 값 및 상기 하나 이상의 복잡도 값을 입력하여 상기 대상체의 심전도 신호 중에서, 질환과 관련된 비정상 구간 정보를 반환(return)하는 심장 질환 예측부;를 포함하는, 심장 질환 판단 장치를 개시한다.

Description

기계 학습 알고리즘에 심전도 신호의 복잡도 값, 규칙도 값을 입력하여 심장 질환의 비정상 구간을 출력하는 심장 질환 판단 장치, 심장 질환 판단 방법 및 컴퓨터 프로그램{HEART DISEASE DETERMINATION DEVICE, METHOD, COMPUTER PROGRAM THAT OUPUTS AN ABNORMAL SECTION OF HEART DISEASE BY INUTTING A COMPLEXITY VALUE AND A REGULARITY VALUE OF A ECG SIGNAL INTO MACHINE LEARNING}
본 명세서의 개시는 기계 학습 알고리즘에 심전도 신호의 복잡도 값, 규칙도 값을 입력하여 심장 질환의 비정상 구간을 출력하는 심장 질환 판단 장치, 심장 질환 판단 방법 및 컴퓨터 프로그램에 관한 것이다.
심방세동(AF: Atrial Fibrillation)은 임상에서 비교적 자주 발견될 수 있는 가장 흔한 부정맥의 하나로, 그 발병률은 연령의 증가와 더불어 점차 증가하여 70-80세 이상에서는 거의 10명 중 1명 꼴로 발생하고 있다. 심방세동은 심장의 보조 펌프에 해당하는 심장의 수축과 확장이 규칙적이지 못해서 심장이 가늘게 떨고 있는 상태를 의미한다. 또한, 혈액이 심실로 전달되는 것도 불규칙해서 맥박이 불규칙적이고 일정하지 않고, 그래서 심장이 정상보다 빠르고 불규칙적으로 뛰게 된다. 수축력을 상실한 좌/우심방은 시간이 경과하면 늘어나게 되고, 피의 흐름이 원활하지 않게 되며, 혈액이 원활하게 순환되지 않고 정체되면 혈액 덩어리인 '혈전'이 생성되고, 이 혈전들이 결국 편두통, 만성두통, 혈관성치매와 더 심각하게는 뇌졸증을 초래할 수도 있으며, 심할 경우 심부전증을 유발시키고 목숨을 잃게 할 수도 있다. 따라서 심방세동을 조기에 정확히 검출하는 것이 중요하다.
본 발명의 목적은 기계 학습 알고리즘에 심전도 신호의 복잡도 값, 규칙도 값을 입력하여 심장 질환의 비정상 구간을 출력하는 심장 질환 판단 장치, 심장 질환 판단 방법 및 컴퓨터 프로그램을 제공하는데 있다.
본 발명의 실시예들에 따른 심장 질환 판단 장치가 대상체의 심전도 신호를 수신하는 신호 수신부; 상기 심전도 신호에 적어도 하나의 방법을 적용하여 하나 이상의 규칙도 값을 산출하는 규칙도 산출부; 상기 심전도 신호에 적어도 하나의 방법을 적용하여 하나 이상의 복잡도 값을 산출하는 복잡도 산출부; 및 심장 질환 예측 알고리즘에 상기 하나 이상의 규칙도 값 및 상기 하나 이상의 복잡도 값을 입력하여 상기 대상체의 심전도 신호 중에서, 질환과 관련된 비정상 구간 정보를 반환(return)하는 심장 질환 예측부;를 포함할 수 있다.
상기 심전도 신호의 규칙도 값 및 복잡도 값은 상기 심전도 신호의 측정값들의 최고값과 최저값 사이의 전체 측정 구간을 하나 이상의 구간들로 분할하고, 분할한 구간들에 대한, 데이터의 배치 정보를 생성하고, 상기 배치 정보를 고려하여 산출될 수 있다.
상기 심전도 신호의 규칙도 값 및 복잡도 값은 상기 심전도 신호에서의 데이터들 중에서, 값의 추세가 변화하는 데이터들의 발생 횟수를 기초로 산출될 수 있다.
상기 심장 질환 예측 알고리즘은 정상인 그룹의 생체 신호들 및 질환자 그룹의 심전도 신호들을 구분하여 입력된 데이터를 기초로 기계 학습될 수 있다.
상기 심장 질환 예측 알고리즘은 정상인 그룹의 심전도 신호들의 복잡도 값들에 대한 정상 범위 및 규칙도 값들에 대한 정상 범위를 이용하여 심장 질환의 비정상 구간을 출력할 수 있다.
상기 심전도 신호의 복잡도 값은 Shannon Entropy(SE), Turning Point Ratio(TPR), Root mean Square of the Successive Differences(RMSSD) 중 적어도 하나의 방법을 이용하여 산출될 수 있다.
상기 심장 질환 예측 알고리즘은 정상인 그룹의 심전도 신호들의 복잡도 값과 규칙도 값 사이의 관계식을 이용하여 심장 질환의 비정상 구간을 출력할 수 있다.
상기 심장 질환 예측 알고리즘은 심장 질환 별로 질환자의 심전도 신호들의 복잡도 값들, 및 규칙도 값들로 학습되어 사용자의 심장 질환의 종류를 출력할 수 있다.
본 발명의 실시예들에 따른 심장 질환 판단 방법은 심장 질환 판단 장치가 대상체의 심전도 신호를 수신하는 단계; 상기 심장 질환 판단 장치가 상기 심전도 신호에 적어도 하나의 방법을 적용하여 하나 이상의 규칙도 값을 산출하는 단계; 상기 심장 질환 판단 장치가 상기 심전도 신호에 적어도 하나의 방법을 적용하여 하나 이상의 복잡도 값을 산출하는 단계; 및 상기 심장 질환 판단 장치가 심장 질환 예측 알고리즘에 상기 하나 이상의 규칙도 값 및 상기 하나 이상의 복잡도 값을 입력하여 상기 대상체의 심전도 신호 중에서, 질환과 관련된 비정상 구간 정보를 반환(return)하는 단계;를 포함할 수 있다.
본 발명의 실시예에 따른 컴퓨터 프로그램은 컴퓨터를 이용하여 본 발명의 실시예에 따른 방법 중 어느 하나의 방법을 실행시키기 위하여 매체에 저장될 수 있다.
이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 컴퓨터 판독 가능한 기록 매체가 더 제공된다.
전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 특허청구범위 및 발명의 상세한 설명으로부터 명확해 질 것이다.
본 발명에 따르면, 심전도 신호의 복잡도 값, 규칙도 값을 이용하여 심장 질환의 비정상 구간을 출력할 수 있다.
도 1은 본 발명의 실시예들에 따른 생체 신호 센싱 장치(100) 및 심장 질환 판단 장치(110)을 포함하는 시스템을 설명하는 도면이다.
도 2a 및 도 2b는 심장 질환 판단 장치(110)의 블록도들이다.
도 3은 본 발명의 실시예들에 따른 심장 질환 판단 장치(110)의 알고리즘을 생성하는 기계 학습 장치(200)의 블록도이다.
도 4는 본 발명의 실시예들에 따른 심장 질환 판단 장치의 동작 방법의 흐름도이다.
도 5는 본 발명의 실시예들에 따른 심장 질환 판단 장치(110)에 의해서 출력된 심장 질환의 비정상 구간과 종래의 장치로 출력된 심장 질환의 비정상 구간 정보를 비교하는 도면이다.
이하 첨부된 도면들에 도시된 본 발명에 관한 실시예를 참조하여 본 발명의 구성 및 작용을 상세히 설명한다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 본 발명의 효과 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 하며, 도면을 참조하여 설명할 때 동일하거나 대응하는 구성 요소는 동일한 도면부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
이하의 실시예에서, 제1, 제2 등의 용어는 한정적인 의미가 아니라 하나의 구성 요소를 다른 구성 요소와 구별하는 목적으로 사용되었다.
이하의 실시예에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
이하의 실시예에서, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다.
도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 두께는 설명의 편의를 위해 임의로 나타내었으므로, 본 발명이 반드시 도시된 바에 한정되지 않는다.
어떤 실시예가 달리 구현 가능한 경우에 특정한 공정 순서는 설명되는 순서와 다르게 수행될 수도 있다. 예를 들어, 연속하여 설명되는 두 공정이 실질적으로 동시에 수행될 수도 있고, 설명되는 순서와 반대의 순서로 진행될 수 있다.
도 1은 본 발명의 실시예들에 따른 생체 신호 센싱 장치(100) 및 심장 질환 판단 장치(110)을 포함하는 시스템을 설명하는 도면이다.
생체 신호 센싱 장치(100) 및 심장 질환 판단 장치(110)는 하나의 장치로 구현될 수 있으나 별개의 장치들에 분리되어 구현될 수 있다. 생체 신호 센싱 장치(100) 및 심장 질환 판단 장치(110)는 전기적으로 연결되거나 네트워크로 연결될 수 있다. 생체 신호 센싱 장치(100) 및 심장 질환 판단 장치(110)는 소프트웨어 적으로 구현되거나 하드웨어적으로 구현될 수 있다. 생체 신호 센싱 장치(100) 및 심장 질환 판단 장치(110) 중 하나는 소프트웨어적으로 구현되거나 생체 신호 센싱 장치(100) 및 심장 질환 판단 장치(110) 중 다른 하나는 하드웨어로 구현될 수 있다.
생체 신호 센싱 장치(100)는 사용자의 신체에 침습 또는 비침습적으로 부착되어 사용자의 생체 신호를 센싱할 수 있다. 생체 신호 센싱 장치(100)는 전극에서 얻어지는 심장 박동에 따른 전기적인 변화인 심전도 신호를 획득할 수 있다. 생체 신호 센싱 장치(100)는 심전도 신호를 취득하는 측정 전극, 측정 전극에서 측정된 심전 신호를 심전도 데이터로 변환하는 AD 변환 수단을 포함할 수 있다. 생체 신호 센싱 장치(100)는 심전도 신호를 증폭시키는 증폭 수단을 더 포함할 수 있다.
심장 질환 판단 장치(110)는 센싱된 생체 신호를 입력 하여 생체 신호와 대응되는 심장 질환 관련 정보를 출력할 수 있다. 구체적으로는 심장 질환 판단 장치(110)는 대상체의 심전도 신호 등의 생체 신호의 특징들을 기초로 생체 신호의 복잡도 및 규칙도를 산출하고, 생체 신호 및 비정상 구간에 대한 정보로 학습된 알고리즘에 산출한 복잡도 및 규칙도를 입력하여 대상체의 비정상 구간에 대한 정보를 출력할 수 있다.
심장 질환 판단 장치(110)는 생체 신호를 먼저 기록하고 정해진 순서대로 생체 신호와 대응되는 심장 질환의 비정상 구간 정보를 출력(return)할 수 있다.
심장 질환 판단 장치(110)는 외부의 전자 장치 또는 생체 신호 센싱 장치(100)로, 심장 질환의 비정상 구간 정보를 전송하여 디스플레이(display)하도록 할 수 있다. 여기서 외부의 전자 장치는 예를 들면, 스마트폰(smartphone), 태블릿 PC(tablet personal computer), 이동 전화기(mobile phone), 영상 전화기, 전자책 리더기(e-book reader), 데스크탑 PC (desktop PC), 랩탑 PC(laptop PC), 넷북 컴퓨터(netbook computer), 워크스테이션(workstation), 서버, PDA(personal digital assistant), PMP(portable multimedia player), MP3 플레이어, 모바일 의료기기, 카메라, 또는 웨어러블 장치(wearable device) 중 적어도 하나를 포함할 수 있다. 다양한 실시 예에 따르면 웨어러블 장치는 엑세서리 형(예: 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD)), 직물 또는 의류 일체 형(예: 전자 의복), 신체 부착 형(예: 스킨 패드(skin pad) 또는 문신), 또는 생체 이식 형(예: implantable circuit) 중 적어도 하나를 포함할 수 있다. 어떤 실시 예들에서, 전자 장치는 가전 제품(home appliance)일 수 있다. 가전 제품은, 예를 들면, 텔레비전, DVD 플레이어(Digital Video Disk player), 오디오, 냉장고, 에어컨, 청소기, 오븐, 전자레인지, 세탁기, 공기 청정기, 셋톱 박스(set-top box), 홈 오토매이션 컨트롤 패널(home automation control panel), 보안 컨트롤 패널(security control panel), TV 박스(예: 삼성 HomeSync™, 애플TV™, 또는 구글 TV™), 게임 콘솔(예: Xbox™, PlayStation™), 전자 사전, 전자 키, 캠코더, 또는 전자 액자 중 적어도 하나를 포함할 수 있다.
도 2a는 심장 질환 판단 장치(110)의 블록도이다.
심장 질환 판단 장치(110)는 신호 수신부(111), 복잡도 산출부(112), 규칙도 산출부(113), 및 심장 질환 예측부(114)를 포함할 수 있다.
신호 수신부(111)는 생체 신호를 연결된 생체 신호 센싱 장치(100) 또는 생체신호 기록부(200)로부터 생체 신호를 수신할 수 있다.
복잡도 산출부(112)는 데이터의 복잡도를 산출하는 다양한 알고리즘을 이용하여 생체 신호의 복잡도 값을 산출할 수 있다.
복잡도 값은 측정된 생체 신호의 데이터들의 측정값들의 크기 구간 별로 발생 빈도를 기준으로 판단될 수 있다. 신호의 측정값들은 크기를 기준으로 복수의 magnitude bin으로 구분될 수 있다. 이에 따르면, 제1 magnitude bin에 포함된 신호의 데이터(포인트, 지점, point)들을 추출하여 제1 발생 빈도를 산출할 수 있다. 하나의 magnitude bin의 발생 빈도가 높다는 것은 신호(데이터)가 유사한 패턴으로 발생됨을 의미하고, 각 magnitude bin에서의 발생 빈도가 낮다는 것은 신호가 불규칙한 패턴, 즉 복잡한 형태를 가짐을 의미할 수 있다.
다시 말해서, 복잡도 값은 신호를 측정값을 기준으로 하여 생성된 magnitude bin을 정의하고, 각 magnitude bin들에서 데이터 포인트(point, 지점) 수의 발생 빈도를 계산함으로써, 아래의 수학식 1에 의해 산출될 수 있다.
[수학식 1]
Figure 112020033254823-pat00001
여기서, M은 신호의 magnitude의 bin 크기값이고, p(m)은 각 bin 구간에서의 신호의 발생 확률 함수이다. 예를 들어, m이 1인 경우, p(m)은 전체 data 포인트의 수 L과 m=1에 해당되는 데이터 포인트 수(N)의 비율을 나타낼 수 있다.
Figure 112020033254823-pat00002
다른 실시예에서, 복잡도 값은 TPR(turning point ratio)를 이용하여 산출될 수 있다. 이런 경우, 단위 시간 별로 turning point의 수가 많은 경우, 복잡도 값이 높고, 단위 시간 별로 turning point의 수가 적은 경우, 복잡도 값이 낮게 산출될 수 있다. TPR은 특정 시점에서 인접한 두 데이터에 대해, magnitude의 변화를 확인하고 전체 데이터 길이에 대한 turning point의 비율을 나타낸 값일 수 있다. 여기서, turning point는 신호의 접선이 0인 지점, 즉 데이터의 값이 방향이 변경되는 지점을 말한다. 복잡도 값은 수학식 2에 의해 산출될 수 있다.
[수학식 2]
Figure 112020033254823-pat00003
여기서, N (x)는 x 조건을 만족하는 데이터의 갯수, L은 데이터 구간 크기를 말한다.
Figure 112020033254823-pat00004
는 L 구간에서의
Figure 112020033254823-pat00005
인 포인트(point, 지점, 데이터)의 개수, 즉 turning point의 갯수를 말한다.
규칙도 산출부(113)는 데이터의 규칙도(regularity)를 산출하는 다양한 알고리즘을 이용하여 생체 신호의 규칙도 값을 산출할 수 있다. 여기서, 생체 신호의 규칙도 값은 생체 신호를 주기 단위로 구분하고, 생체 신호의 주기에서의 대응 시간별 데이터 값들 사이의 유사한 정도를 기초로 산출될 수 있다. 예를 들어, 제1 주기에서의 제1 지점에서의 제1 데이터값 및 제2 주기에서의 제1 지점과 대응 지점에서의 제2 데이터값 사이의 차분값이 기 설정된 기준값 이하인 경우, 제1 데이터값 및 제2 데이터값이 서로 유사하다고 판단하고, 제1 데이터값과 제2 데이터값 사이의 차분값이 작을수록 규칙도 값이 크다고 산출할 수 있다.
규칙도 값은 복수의 지점들을 포함하는 구간에 대해서 판단될 수 있다. 예를 들어, 제3 주기에서의 제3 구간에서의 제3 데이터값들 및 제4 주기에서의 제3 구간과 대응 구간에서의 제4 데이터값들 사이의 차분값들의 합계가 기 설정된 제2 기준값 이하인 경우, 주기 내에서의 제3 구간의 규칙도 값이 큰 것으로 산출될 수 있다. 차분값들의 합계가 커질수록 제3 구간의 데이터값들은 주기 별로 규칙적이지 않은 것으로 판단되며, 제3 구간의 규칙도 값은 작아지게 된다. 상기의 예시에서는 제3 주기 및 제4 주기에 대해서 데이터값들을 비교하였으나, 측정된 모든 주기들에 대해서 데이터값들을 비교하는 과정을 통해서 제3 구간의 규칙도 값을 측정할 수 있다.
규칙도 값은 kurtosis 의 방법으로 산출될 수 있으나, 이에 한정되지 않고 다양한 알고리즘을 통해 산출될 수 있다.
심장 질환 예측부(114)는 생체 신호의 복잡도 값 및 규칙도 값을 이용하여 생체 신호에 대한 심장 질환의 비정상 구간 정보를 출력(return)할 수 있다.
심장 질환 예측 알고리즘을 이용하여 생체 신호의 복잡도 값 및 규칙도 값의 정상 범위, 복잡도 값과 규칙도 값 사이의 정상인의 관계식 등을 결정하고, 이를 이용하여 심장 질환의 비정상 구간 정보를 출력(return)할 수 있다. 심장 질환 예측 알고리즘은 생체 신호로부터 산출된 복잡도 값 및 규칙도 값을 입력으로 기계 학습된 것일 수 있다.
심장 질환 판단 장치(110')는 도 2b에 도시된 바와 같이, 신호 수신부(111), 복잡도 산출부(112'), 규칙도 산출부(113'), 및 심장 질환 예측부(114')를 포함할 수 있다.
이때, 복잡도 산출부(112')는 제1 복잡도 산출부(1121), 제2 복잡도 산출부(1122), 제3 복잡도 산출부(1123), 제4 복잡도 산출부(1124)를 포함할 수 있다. 다른 실시예에서, 복잡도 산출부(112')는 추가적인 복잡도 산출부들을 더 포함할 수 있다.
복잡도 산출부(112')는 제1 복잡도 산출부(1121), 제2 복잡도 산출부(1122), 제3 복잡도 산출부(1123), 제4 복잡도 산출부(1124) 중에서 적어도 하나의 구성요소를 이용하여 하나 이상의 복잡도 값을 산출할 수 있다.
규칙도 산출부(113')는 제1 규칙도 산출부(1131), 제2 규칙도 산출부(1132), 제3 규칙도 산출부(1133), 제4 규칙도 산출부(1134)를 포함할 수 있다. 규칙도 산출부(113')는 제1 규칙도 산출부(1131), 제2 규칙도 산출부(1132), 제3 규칙도 산출부(1133), 제4 규칙도 산출부(1134), ?? 중에서 적어도 하나의 구성요소를 이용하여 하나 이상의 규칙도 값을 산출할 수 있다. 다른 실시예에서, 규칙도 산출부(113')는 추가적인 규칙도 산출부들을 더 포함할 수 있다.
심장 질환 예측부(114')는 생체 신호로부터 산출된 하나 이상의 복잡도 값 및 생체 신호로부터 산출된 하나 이상의 규칙도 값을 이용하여 생체 신호에 대한 심장 질환의 비정상 구간 정보를 출력(return)할 수 있다.
심장 질환 예측부(114')는 생체 신호로부터 산출된 하나 이상의 복잡도 값 및 생체 신호로부터 산출된 하나 이상의 규칙도 값로 학습된 심장 질환 예측 알고리즘을 이용하여, 생체 신호에 대한 심장 질환의 비정상 구간 정보를 출력(return)할 수 있다.
심장 질환 예측 알고리즘은 제1 복잡도 산출부(1121)의 제1 복잡도 값, 제2 복잡도 산출부(1122)의 제2 복잡도 값, 제3 복잡도 산출부(1123)의 제3 복잡도 값, 제4 복잡도 산출부(1124)의 제4 복잡도 값 중에서, 복수의 복잡도 값들과 제1 규칙도 산출부(1131)의 제1 규칙도 값, 제2 규칙도 산출부(1132), 제2 규칙도 값, 제3 규칙도 산출부(1133)의 제3 규칙도 값, 제4 규칙도 산출부(1134)의 제4 규칙도 값 중에서, 복수의 규칙도 값을 입력으로 하되, 각 복잡도 값들에 대해서 적용되는 기준값들은 입력된 하나 이상의 규칙도 값들의 집합에 따라 다르게 결정될 수 있다.
반대로, 각 규칙도 값들에 대해서 적용되는 기준값들은 입력된 하나 이상의 복잡도 값들의 집합에 따라 다르게 결정될 수 있다.
예를 들어, A 복잡도 값, B 복잡도 값, C 복잡도 값, D 복잡도 값, E 규칙도 값, F 규칙도 값, G 규칙도 값, H 규칙도 값이 산출된 경우, 비정상 구간 여부를 판단하는 제1 복잡도 값에 대한 제1-1 기준값은 E 규칙도 값, F 규칙도 값, G 규칙도 값, H 규칙도 값의 분포 범위를 기준으로 결정될 수 있다.
비정상 구간 여부를 판단하는 제1 규칙도 값에 대한 제2-1 기준값은 A 복잡도 값, B 복잡도 값, C 복잡도 값, D 복잡도 값의 분포 범위를 기준으로 결정될 수 있다.
도 3은 본 발명의 실시예들에 따른 심장 질환 판단 장치(110)의 알고리즘을 생성하는 기계 학습 장치(200)의 블록도이다.
기계 학습 장치(200)는 데이터 수신부(210) 및 학습부(220)를 포함할 수 있다.
기계 학습 장치(200)는 하나 이상의 프로세서(processor)를 포함하는 모든 종류의 장치를 말한다. 데이터 수신부(210) 및 학습부(220)는 저장 매체에 저장되어 프로세서에 의해 처리될 수 있다.
데이터 수신부(210)는 복수의 대상체들의 생체 신호들, 생체 신호들의 심장 질환 여부를 수신하여 기록할 수 있다. 데이터 수신부(210)는 복수의 전자 장치들로부터 정상인 그룹의 생체 신호들, 질환자 그룹의 생체 신호들을 수신할 수 있다. 데이터 수신부(210)는 정산인의 생체 신호들과 심장 질환의 종류 별로 사용자들을 구분하여 생체 신호들을 그에 따른 심장 질환 관련 정보와 연계하여 학습부(220)로 전송할 수 있다.
학습부(220)는 입력된 데이터의 특징들을 찾고 특징들을 학습 모델에 입력함으로써, 학습 모델을 생성할 수 있다. 학습부(220)는 생체 신호에 포함된 데이터들이 가지는 복잡도 값 및 규칙도 값을 산출하고, 복잡도 값 및 규칙도 값과 심장 질환 여부와의 상관 관계를 학습 시켜 심장 질환 예측 알고리즘을 생성할 수 있다.
학습부(220)는 생체 신호에 포함된 데이터들이 가지는 복잡도 값을 하나 이상의 방법으로 산출할 수 있다.
복잡도 값은 측정된 생체 신호의 데이터들의 측정값들의 크기 구간 별로 발생 빈도를 기준으로 판단될 수 있다. 신호의 측정값들은 크기를 기준으로 복수의 magnitude bin으로 구분될 수 있다. 이에 따르면, 제1 magnitude bin에 포함된 신호의 데이터(포인트, 지점, point)들을 추출하여 제1 발생 빈도를 산출할 수 있다. 하나의 magnitude bin의 발생 빈도가 높다는 것은 신호(데이터)가 유사한 패턴으로 발생됨을 의미하고, 각 magnitude bin에서의 발생 빈도가 낮다는 것은 신호가 불규칙한 패턴, 즉 복잡한 형태를 가짐을 의미할 수 있다.
다시 말해서, 복잡도 값은 신호를 측정값을 기준으로 하여 생성된 magnitude bin을 정의하고, 각 magnitude bin들에서 데이터 포인트(point, 지점) 수의 발생 빈도를 계산함으로써, 아래의 수학식 1에 의해 산출될 수 있다.
[수학식 1]
Figure 112020033254823-pat00006
여기서, M은 신호의 magnitude의 bin 크기값이고, p(m)은 각 bin 구간에서의 신호의 발생 확률 함수이다. 예를 들어, m이 1인 경우, p(m)은 전체 data 포인트의 수 L과 m=1에 해당되는 데이터 포인트 수(N)의 비율을 나타낼 수 있다.
Figure 112020033254823-pat00007
다른 실시예에서, 복잡도 값은 TPR(turning point ratio)를 이용하여 산출될 수 있다. 이런 경우, 단위 시간 별로 turning point의 수가 많은 경우, 복잡도 값이 높고, 단위 시간 별로 turning point의 수가 적은 경우, 복잡도 값이 낮게 산출될 수 있다. TPR은 특정 시점에서 인접한 두 데이터에 대해, magnitude의 변화를 확인하고 전체 데이터 길이에 대한 turning point의 비율을 나타낸 값일 수 있다. 여기서, turning point는 신호의 접선이 0인 지점, 즉 데이터의 값이 방향이 변경되는 지점을 말한다. 복잡도 값은 수학식 2에 의해 산출될 수 있다.
[수학식 2]
Figure 112020033254823-pat00008
여기서, N (x)는 x 조건을 만족하는 데이터의 갯수, L은 데이터 구간 크기를 말한다.
Figure 112020033254823-pat00009
는 L 구간에서의
Figure 112020033254823-pat00010
인 포인트(point, 지점, 데이터)의 개수, 즉 turning point의 갯수를 말한다.
학습부(220)는 생체 신호에 포함된 데이터들이 가지는 규칙도 값을 하나 이상의 방법으로 산출할 수 있다. 규칙도 값을 산출하는 방법으로는 kurtosis가 있으나 이에 한정되지 않고 다양한 방법으로 산출될 수 있다.
학습부(220)는 생체 신호의 데이터값, RR 간격 등을 고려하여 복잡도 값을 측정하는 방법 및/또는 규칙도 값을 산출하는 방법을 하나 이상의 방법들 중에서 지정하고, 지정된 하나 이상의 방법을 이용하여 복잡도 값 및/또는 규칙도 값을 산출할 수 있다.
학습부(220)는 생체 신호들을 정상인 그룹과 질환자 그룹으로 구분하여, 정상인 그룹의 생체 신호들의 특징을 데이터들이 가지는 복잡도 값 및 규칙도 값으로 추출할 수 있다. 학습부(220)는 질환자 그룹의 생체 신호들의 특징을 데이터들이 가지는 복잡도 값 및 규칙도 값으로 추출하고, 심장 질환 별 복잡도 값 및 규칙도 값들을 학습 시킬 수 있다.
학습부(220)를 통해 정상인 그룹의 복잡도 값 및 규칙도 값 사이의 정상 관계식 및 복잡도 값의 정상 범위, 규칙도 값의 정상 범위가 결정될 수 있다.
학습부(220)는 결정된 복잡도 값 및 규칙도 값 사이의 정상 관계식 및 복잡도 값의 정상 범위, 규칙도 값의 정상 범위 중 적어도 하나를 심장 질환 판단 장치(110)에 전달하여 심장 질환의 비정상 구간 정보가 예측되도록 할 수 있다. 여기서, 비정상 구간은 상심실 이소성 박동(SVEB: Supraventricular ectopy beat), 심실 이소성 박동(VEB : Ventricular ectopy beat), 심방세동 등을 포함하는 구간을 말할 수 있다.
학습부(220)에 의해 학습된 모델에서는 심장 질환과 관련된 비정상 구간에서는 복잡도 값은 학습되어 결정된 기준값 이상이고, 비정상 구간에서의 규칙도 값은 학습되어 결정된 기준값 이하일 수 있다. 기준값은 복잡도 값의 산출 방법 별로, 또는 규칙도 값의 산출 방법 별로 다르게 설정될 수 있다. 예컨대, 제1 복잡도 산출 방법의 복잡도 값에 대해서는 제1 기준값, 제2 복잡도 산출 방법의 복잡도 값에 대해서는 제2 기준값이 되게 된다.
기계 학습 장치(200)는 심장 질환 판단 장치(110)와 하나의 장치로 구현될 수 있고 별개의 장치들로 구현될 수 있다.
기계 학습 장치(200)는 생체 신호들이 기록된 외부의 데이터베이스로부터 데이터를 수신하거나 내부의 기록 매체에 기록된 데이터를 수신할 수 있다.
기계 학습 장치(200)의 데이터 수신부(210) 및 학습부(220)는 소프트웨어 적으로 구현되거나 하드웨어 적으로 구현될 수 있다. 기계 학습 장치(200)의 데이터 수신부(210) 및 학습부(220) 중 하나가 소프트웨어 적으로 구현되고, 나머지 하나가 하드웨어 적으로 구현될 수 있다.
도 4는 본 발명의 실시예들에 따른 심장 질환 판단 장치의 동작 방법의 흐름도이다.
도 4에 도시된 바와 같이, S110에서는 심장 질환 판단 장치(110)는 생체 신호 센싱 장치(100)로부터 심전도 신호 등의 생체 신호를 수신한다.
S120에서는 심장 질환 판단 장치(110)는 심전도 신호 등의 생체 신호의 데이터들의 복잡도 값을 산출한다.
복잡도 값은 측정된 생체 신호의 데이터들의 측정값들의 크기 구간 별로 발생 빈도를 기준으로 판단될 수 있다. 신호의 측정값들은 크기를 기준으로 복수의 magnitude bin으로 구분될 수 있다. 이에 따르면, 제1 magnitude bin에 포함된 신호의 데이터(포인트, 지점, point)들을 추출하여 제1 발생 빈도를 산출할 수 있다. 하나의 magnitude bin의 발생 빈도가 높다는 것은 신호(데이터)가 유사한 패턴으로 발생됨을 의미하고, 각 magnitude bin에서의 발생 빈도가 낮다는 것은 신호가 불규칙한 패턴, 즉 복잡한 형태를 가짐을 의미할 수 있다.
다시 말해서, 복잡도 값은 신호를 측정값을 기준으로 하여 생성된 magnitude bin을 정의하고, 각 magnitude bin들에서 데이터 포인트(point, 지점) 수의 발생 빈도를 계산함으로써, 아래의 수학식 1에 의해 산출될 수 있다.
[수학식 1]
Figure 112020033254823-pat00011
여기서, M은 신호의 magnitude의 bin 크기값이고, p(m)은 각 bin 구간에서의 신호의 발생 확률 함수이다. 예를 들어, m이 1인 경우, p(m)은 전체 data 포인트의 수 L과 m=1에 해당되는 데이터 포인트 수(N)의 비율을 나타낼 수 있다.
Figure 112020033254823-pat00012
다른 실시예에서, 복잡도 값은 TPR(turning point ratio)를 이용하여 산출될 수 있다. 이런 경우, 단위 시간 별로 turning point의 수가 많은 경우, 복잡도 값이 높고, 단위 시간 별로 turning point의 수가 적은 경우, 복잡도 값이 낮게 산출될 수 있다. TPR은 특정 시점에서 인접한 두 데이터에 대해, magnitude의 변화를 확인하고 전체 데이터 길이에 대한 turning point의 비율을 나타낸 값일 수 있다. 여기서, turning point는 신호의 접선이 0인 지점, 즉 데이터의 값이 방향이 변경되는 지점을 말한다. 복잡도 값은 수학식 2에 의해 산출될 수 있다.
[수학식 2]
Figure 112020033254823-pat00013
여기서, N (x)는 x 조건을 만족하는 데이터의 갯수, L은 데이터 구간 크기를 말한다.
Figure 112020033254823-pat00014
는 L 구간에서의
Figure 112020033254823-pat00015
인 포인트(point, 지점, 데이터)의 개수, 즉 turning point의 갯수를 말한다.
S130에서는 심장 질환 판단 장치(110)는 심전도 신호 등의 생체 신호의 데이터들의 규칙도 값을 산출한다. 여기서, 생체 신호의 규칙도 값은 생체 신호를 주기 단위로 구분하고, 생체 신호의 주기에서의 대응 시간별 데이터 값들 사이의 유사한 정도를 기초로 산출될 수 있다. 예를 들어, 제1 주기에서의 제1 지점에서의 제1 데이터값 및 제2 주기에서의 제1 지점과 대응 지점에서의 제2 데이터값 사이의 차분값이 기 설정된 기준값 이하인 경우, 제1 데이터값 및 제2 데이터값이 서로 유사하다고 판단하고, 제1 데이터값과 제2 데이터값 사이의 차분값이 작을수록 규칙도 값이 크다고 산출할 수 있다.
규칙도 값은 복수의 지점들을 포함하는 구간에 대해서 판단될 수 있다. 예를 들어, 제3 주기에서의 제3 구간에서의 제3 데이터값들 및 제4 주기에서의 제3 구간과 대응 구간에서의 제4 데이터값들 사이의 차분값들의 합계가 기 설정된 제2 기준값 이하인 경우, 주기 내에서의 제3 구간의 규칙도 값이 큰 것으로 산출될 수 있다. 차분값들의 합계가 커질수록 제3 구간의 데이터값들은 주기 별로 규칙적이지 않은 것으로 판단되며, 제3 구간의 규칙도 값은 작아지게 된다. 상기의 예시에서는 제3 주기 및 제4 주기에 대해서 데이터값들을 비교하였으나, 측정된 모든 주기들에 대해서 데이터값들을 비교하는 과정을 통해서 제3 구간의 규칙도 값을 측정할 수 있다.
규칙도 값은 kurtosis 의 방법으로 산출될 수 있으나, 이에 한정되지 않고 다양한 알고리즘을 통해 산출될 수 있다.
S140에서는 심장 질환 판단 장치(110)는 심전도 신호 등의 생체 신호의 복잡도 값 및 규칙도 값 사이의 관계, 복잡도 값이 정상 범위 포함 여부, 규칙도 값의 정상 범위 포함 여부 등을 기초로 심장 질환의 비정상 구간 정보를 출력(return)할 수 있다.
심장 질환 판단 장치(110)는 생체 신호의 데이터들에 대한 복잡도 값 뿐만 아니라 규칙도 값을 이용하여 심장 질환의 비정상 구간 정보를 출력(return)할 수 있다. 심장 질환 판단 장치(110)는 생체 신호의 데이터들에 대한 복잡도 값 또는 규칙도 값에 복잡도 값 및 규칙도 값 사이의 관계를 이용하여 심장 질환의 비정상 구간 정보를 출력(return)할 수 있다.
심장 질환 판단 장치(110)는 심장 질환 예측 알고리즘을 이용하여 생체 신호의 복잡도 값 및 규칙도 값의 정상 범위, 복잡도 값과 규칙도 값 사이의 정상인의 관계식 등을 결정하고, 이를 이용하여 심장 질환의 비정상 구간 정보를 출력(return)할 수 있다. 심장 질환 예측 알고리즘은 생체 신호로부터 산출된 복잡도 값 및 규칙도 값을 입력으로 기계 학습된 것일 수 있다.
도 5는 본 발명의 실시예들에 따른 심장 질환 판단 장치(110, 110')에 의해서 출력(return)된 심장 질환의 비정상 구간과 종래의 장치로 출력(return)된 심장 질환의 비정상 구간 정보를 비교하는 도면이다.
복잡도 값을 산출하는 방법인 TPR, SE, RMSSD를 이용하여서는 A1 및 A2 가 심장 질환의 비정상 구간으로 출력(return)된다. 그에 반해, 본 발명의 실시예들에 따른 심장 질환 판단 장치(110)를 통해서는 복잡도 값 및 규칙도 값을 모두 고려하여 심장 질환의 비정상 구간이 AFIB와 같이 출력(return)될 수 있다. 즉, 복잡도 값을 산출하는 방법인 TPR, SE, RMSSD를 이용하여 획득된 A1은 비정상 구간이 아닌 정상 구간이다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (10)

  1. 대상체의 심전도 신호를 수신하는 신호 수신부;
    상기 심전도 신호를 주기 단위로 구분하여 상기 심전도 신호의 주기에서의 대응 시간별 데이터 값들 사이의 유사한 정도를 기초로 하는 하나 이상의 방법을 적용하여 상기 심전도 신호의 하나 이상의 규칙도 값을 산출하는 규칙도 산출부;
    상기 심전도 신호의 데이터들의 크기 구간 별로 상기 데이터들의 발생 빈도를 기초로 하는 하나 이상의 방법을 적용하여 상기 심전도 신호의 하나 이상의 복잡도 값을 산출하는 복잡도 산출부; 및
    심장 질환 예측 알고리즘에 상기 하나 이상의 규칙도 값 및 상기 하나 이상의 복잡도 값을 입력하여 상기 심장 질환 예측 알고리즘에서 기 설정된 규칙도 값들의 정상 범위와 상기 하나 이상의 규칙도 값을 비교하고, 기 설정된 복잡도 값들의 정상 범위와 상기 하나 이상의 복잡도 값을 비교하며 상기 하나 이상의 규칙도 값과 상기 하나 이상의 복잡도 값 사이의 관계가 기 결정된 정상인의 관계식을 비교함으로써, 상기 대상체의 심전도 신호 중에서, 질환과 관련된 비정상 구간 정보를 반환(return)하고, 상기 비정상 구간 정보를 외부의 장치로 전송하여 디스플레이하도록 하는 심장 질환 예측부;를 포함하는, 심장 질환 판단 장치.
  2. 제1항에 있어서,
    상기 심전도 신호의 규칙도 값 및 복잡도 값은
    상기 심전도 신호의 측정값들의 최고값과 최저값 사이의 전체 측정 구간을 하나 이상의 구간들로 분할하고, 분할한 구간들에 대한, 데이터의 배치 정보를 생성하고, 상기 배치 정보를 고려하여 산출되는, 심장 질환 판단 장치.
  3. 제1항에 있어서,
    상기 심전도 신호의 규칙도 값 및 복잡도 값은
    상기 심전도 신호에서의 데이터들 중에서, 값의 추세가 변화하는 데이터들의 발생 횟수를 기초로 산출되는, 심장 질환 판단 장치.
  4. 제1항에 있어서,
    상기 심장 질환 예측 알고리즘은
    정상인 그룹의 생체 신호들 및 질환자 그룹의 심전도 신호들을 구분하여 입력된 데이터를 기초로 기계 학습되는, 심장 질환 판단 장치.
  5. 삭제
  6. 제1항에 있어서,
    상기 심전도 신호의 복잡도 값은
    Shannon Entropy(SE), Turning Point Ratio(TPR), Root mean Square of the Successive Differences(RMSSD) 중 적어도 하나의 방법을 이용하여 산출되는, 심장 질환 판단 장치.
  7. 제1항에 있어서,
    상기 심장 질환 예측 알고리즘은
    정상인 그룹의 심전도 신호들의 복잡도 값과 규칙도 값 사이의 관계식을 이용하여 심장 질환의 비정상 구간을 출력하는, 심장 질환 판단 장치.
  8. 제1항에 있어서,
    상기 심장 질환 예측 알고리즘은
    심장 질환 별로 질환자의 심전도 신호들의 복잡도 값들, 및 규칙도 값들로 학습되어 사용자의 심장 질환의 종류를 출력하는, 심장 질환 판단 장치.
  9. 심장 질환 판단 장치가 대상체의 심전도 신호를 수신하는 단계;
    상기 심장 질환 판단 장치가 상기 심전도 신호를 주기 단위로 구분하여 상기 심전도 신호의 주기에서의 대응 시간별 데이터값들 사이의 유사한 정도를 기초로 하는 하나 이상의 방법을 적용하여 상기 심전도 신호의 하나 이상의 규칙도 값을 산출하는 단계;
    상기 심장 질환 판단 장치가 상기 심전도 신호의 데이터들의 크기 구간 별로 상기 데이터들의 발생 빈도를 기초로 하는 하나 이상의 방법을 적용하여 상기 심전도 신호의 하나 이상의 복잡도 값을 산출하는 단계; 및
    상기 심장 질환 판단 장치가 심장 질환 예측 알고리즘에 상기 하나 이상의 규칙도 값 및 상기 하나 이상의 복잡도 값을 입력하여 상기 심장 질환 예측 알고리즘에서 기 설정된 규칙도 값들의 기준값들과 상기 하나 이상의 규칙도 값을 비교하고, 기 설정된 복잡도 값들의 기준값들과 상기 하나 이상의 복잡도 값을 비교하며 상기 하나 이상의 규칙도 값과 상기 하나 이상의 복잡도 값 사이의 관계가 기 결정된 정상인의 관계식을 비교함으로써, 상기 대상체의 심전도 신호 중에서, 질환과 관련된 비정상 구간 정보를 반환(return)하고, 상기 비정상 구간 정보를 외부의 장치로 전송하여 디스플레이하도록 하는 단계;를 포함하는, 심장 질환 판단 방법.
  10. 컴퓨터를 이용하여 제9항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 저장 매체에 저장된 컴퓨터 프로그램.
KR1020200038556A 2020-03-30 2020-03-30 기계 학습 알고리즘에 심전도 신호의 복잡도 값, 규칙도 값을 입력하여 심장 질환의 비정상 구간을 출력하는 심장 질환 판단 장치, 심장 질환 판단 방법 및 컴퓨터 프로그램 KR102351682B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200038556A KR102351682B1 (ko) 2020-03-30 2020-03-30 기계 학습 알고리즘에 심전도 신호의 복잡도 값, 규칙도 값을 입력하여 심장 질환의 비정상 구간을 출력하는 심장 질환 판단 장치, 심장 질환 판단 방법 및 컴퓨터 프로그램

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200038556A KR102351682B1 (ko) 2020-03-30 2020-03-30 기계 학습 알고리즘에 심전도 신호의 복잡도 값, 규칙도 값을 입력하여 심장 질환의 비정상 구간을 출력하는 심장 질환 판단 장치, 심장 질환 판단 방법 및 컴퓨터 프로그램

Publications (2)

Publication Number Publication Date
KR20210121594A KR20210121594A (ko) 2021-10-08
KR102351682B1 true KR102351682B1 (ko) 2022-01-17

Family

ID=78609995

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200038556A KR102351682B1 (ko) 2020-03-30 2020-03-30 기계 학습 알고리즘에 심전도 신호의 복잡도 값, 규칙도 값을 입력하여 심장 질환의 비정상 구간을 출력하는 심장 질환 판단 장치, 심장 질환 판단 방법 및 컴퓨터 프로그램

Country Status (1)

Country Link
KR (1) KR102351682B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101524226B1 (ko) * 2013-08-19 2015-05-29 광운대학교 산학협력단 신경망을 이용한 심장질환판별 방법 및 그 장치

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180052943A (ko) * 2016-11-11 2018-05-21 충북도립대학산학협력단 신경망을 이용한 심방세동 판별장치 및 심방세동 판별방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101524226B1 (ko) * 2013-08-19 2015-05-29 광운대학교 산학협력단 신경망을 이용한 심장질환판별 방법 및 그 장치

Also Published As

Publication number Publication date
KR20210121594A (ko) 2021-10-08

Similar Documents

Publication Publication Date Title
Li et al. Patient-specific ECG classification by deeper CNN from generic to dedicated
Wang et al. Arrhythmia classification algorithm based on multi-head self-attention mechanism
US10383535B2 (en) Non-invasive method and system for characterizing cardiovascular systems for all-cause mortality and sudden cardiac death risk
Lokendra et al. AND-rPPG: A novel denoising-rPPG network for improving remote heart rate estimation
US9913588B2 (en) Method and system for screening of atrial fibrillation
Yang et al. Classification of interbeat interval time-series using attention entropy
Sutton et al. PhysOnline: an open source machine learning pipeline for real-time analysis of streaming physiological waveform
Kim et al. Proposition of novel classification approach and features for improved real-time arrhythmia monitoring
JP6869691B2 (ja) 信号特徴抽出方法及びその装置並びにコンピュータ読取可能記録媒体
JP2015208682A (ja) 心拍数変動定量化のための中心モーメントのストリーミング更新
Moridani et al. New algorithm of mortality risk prediction for cardiovascular patients admitted in intensive care unit
US20220287648A1 (en) Systems and Methods for Imputing Real-Time Physiological Signals
Kim et al. High-speed visual target identification for low-cost wearable brain-computer interfaces
KR20130034635A (ko) 심장 부정맥을 분류하기 위한 방법 및 장치
Oliveira et al. Coupled hidden Markov model for automatic ECG and PCG segmentation
Maji et al. Imposed target based modification of Taguchi method for feature optimisation with application in arrhythmia beat detection
KR102351682B1 (ko) 기계 학습 알고리즘에 심전도 신호의 복잡도 값, 규칙도 값을 입력하여 심장 질환의 비정상 구간을 출력하는 심장 질환 판단 장치, 심장 질환 판단 방법 및 컴퓨터 프로그램
KR102509545B1 (ko) 심전도 데이터 처리 장치, 가변적인 윈도우 크기의 신호 세그먼트들로 분할하면서 분석 필요 구간을 추출하는 심전도 데이터 처리 방법 및 컴퓨터 프로그램
Yoon et al. Automatic detection of congestive heart failure and atrial fibrillation with short RR interval time series
Hakim et al. Multi-scale entropy and multiclass fisher’s linear discriminant for emotion recognition based on multimodal signal
Mohanty et al. Detection of supraventricular tachycardia using decision tree model
Chandar et al. Suppression of noises using fast independent component analysis (FICA) and signal saturation using fuzzy adaptive histogram equalization (FAHE) for intensive care unit false alarms
Bıçakcı et al. Activity‐based electrocardiogram biometric verification using wearable devices
KR102589471B1 (ko) 데이터 증강 장치 및 방법
KR102241800B1 (ko) 상심실 부정맥 및 심실 부정맥 여부를 식별하는 심전도 신호 처리 장치, 방법 및 컴퓨터 프로그램

Legal Events

Date Code Title Description
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant