KR102352802B1 - 심탄도 신호를 이용한 부정맥 예측 방법 및 시스템. - Google Patents

심탄도 신호를 이용한 부정맥 예측 방법 및 시스템. Download PDF

Info

Publication number
KR102352802B1
KR102352802B1 KR1020190163667A KR20190163667A KR102352802B1 KR 102352802 B1 KR102352802 B1 KR 102352802B1 KR 1020190163667 A KR1020190163667 A KR 1020190163667A KR 20190163667 A KR20190163667 A KR 20190163667A KR 102352802 B1 KR102352802 B1 KR 102352802B1
Authority
KR
South Korea
Prior art keywords
arrhythmia
signal
ballistic
trajectory
probability
Prior art date
Application number
KR1020190163667A
Other languages
English (en)
Other versions
KR20210073152A (ko
Inventor
박철구
Original Assignee
주식회사 소프트웨어융합연구소
박철구
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 소프트웨어융합연구소, 박철구 filed Critical 주식회사 소프트웨어융합연구소
Priority to KR1020190163667A priority Critical patent/KR102352802B1/ko
Publication of KR20210073152A publication Critical patent/KR20210073152A/ko
Application granted granted Critical
Publication of KR102352802B1 publication Critical patent/KR102352802B1/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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1102—Ballistocardiography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
    • A61B5/6892—Mats
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—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)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Psychiatry (AREA)
  • Cardiology (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Epidemiology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

본 발명은 심탄도 신호를 이용한 부정맥 예측 방법 및 시스템에 관한 것으로, 더욱 상세하게는 침대에 설치된 심탄도 센서로부터 환자의 심탄도 신호를 수신받아 생체 정보를 추출하고, 복수의 기계학습 알고리즘에 입력하여 계산된 부정맥 확률들로부터 부정맥 경보 수준을 판단하여 환자에게 제공할 수 있는 심탄도 신호를 이용한 부정맥 예측 방법 및 시스템에 관한 것이다.

Description

심탄도 신호를 이용한 부정맥 예측 방법 및 시스템.{Arrhythmia prediction method and system using ballistocardiogram}
본 발명은 심탄도 신호를 이용한 부정맥 예측 방법 및 시스템에 관한 것으로, 더욱 상세하게는 침대에 설치된 심탄도 센서로부터 환자의 심탄도 신호를 수신받아 생체 정보를 추출하고, 복수의 기계학습 알고리즘에 입력하여 계산된 부정맥 확률들로부터 부정맥 경보 수준을 판단하여 환자에게 제공할 수 있는 심탄도 신호를 이용한 부정맥 예측 방법 및 시스템에 관한 것이다.
최근 들어, 생활양식의 서구화와 고령인구의 증가로 인해 심혈관계 질환이 급증하는 추세이며, 순환기계 질환이 전체 사망률 중 약 25%로 가장 많은 원인을 차지하고 있는 것으로 나타난다.
한편, 심장은 몸 전체에 필요한 혈액을 지속적으로 공급해주는 펌프 역할을 하는 중요한 부위로써, 규칙적인 수축 운동을 반복하는데, 이는 자발적인 전기신호로 조절하게 된다.
이 전기신호는 동방결절에서 규칙적으로 1분에 60~100회의 전기자극을 만들고 이 자극이 심근세포에 정상적으로 전달되면 심장의 수축과 확장이 반복되면서 몸 전체에 필요한 혈액을 충분히 공급하게 된다.
부정맥이란 심장에서 전기 자극이 잘 만들어지지 못하거나, 심근세포에 자극이 제대로 전달되지 않으면, 심장이 규칙적인 수축과 확장이 이루어지지 않아 심장 박동이 빨라지거나 늦어지는 불규칙한 형상을 말한다.
이러한, 부정맥을 갖고 있는 환자들은 맥박수가 빨라져 자신의 심장박동을 느끼게 되고, 가슴 두근거림을 호소하게 되며, 중증도에 따라 실신과 돌연사까지 이루어질 수 있다.
또한, 심실 무수축, 심실빈맥, 심실세동과 같은 악성 부정맥으로 발전할 경우에는 순간적으로 심장 기능이 마비되어 곧바로 사망할 수도 있다.
이에 따라, 부정맥을 정확히 진단하고 모니터링할 수 있는 기술이 요구되고 있으며, 종래에는 정확성이 높고 비용이 저렴한 심전도를 이용한 부정맥 검출 방법이 많이 사용되고 있다.
심전도를 이용한 부정맥 검출 방법은 유비쿼터스 헬스케어 기술의 부각에 따라 일상생활 중 지속적으로 측정이 가능하도록 환자의 신체에 다수의 전극과 리드선 및 이들과 결합되는 측정 기기 또는 의복형태의 전극일체형 센서를 착용하여, 심전도를 취득 및 부정맥 여부를 판단하고 있다.
그러나, 전극이 제대로 부착되지 않거나, 전극이 제대로 밀착되지 않는 경우 신호의 정확도가 떨어질 수 있으며, 환자에게 측정 기기 또는 의복을 착용하여 심전도를 취득하기 때문에 불편함과 이질감을 유발할 수 있다는 문제가 있다.
KR10-2016-0147516 A "부정맥을 검출하기 위한 방법 및 이를 지원하는 장치" KR10-1556063 B1 "심전도 모니터링을 이용한 부정맥 검출 방법 및 장치"
본 발명은 상술한 문제점을 해결하기 위해 안출된 것으로 본 발명의 목적은 환자의 신체에 불편함과 이질감 없이 생체 정보를 취득하고, 취득된 생체 정보를 이용하여 환자의 부정맥 발병 여부를 예측할 수 있는 심탄도 신호를 이용한 부정맥 예측 방법 및 시스템을 제공하는 데 있다.
상술한 목적을 해결하기 위해 본 발명은 환자의 심탄도 신호를 이용하여 부정맥를 예측하는 방법에 있어서, 부정맥를 예측하고자 하는 환자의 심탄도 신호를 입력받는 단계; 상기 심탄도 신호로부터 생체 정보를 추출하여 각 평균을 계산하고, 미리 학습된 복수의 기계 학습 알고리즘에 입력하여 부정맥 확률을 계산하는 단계; 및 계산된 부정맥 확률들로부터 부정맥 경보 수준을 판단하여 출력하는 단계;를 포함하는 것을 특징으로 하는 심탄도 신호를 이용한 부정맥 예측 방법을 제공한다.
바람직한 실시예에 있어서, 상기 부정맥 확률을 계산하는 단계; 이전에, 수집된 심탄도 신호의 잡음을 제거하는 단계;를 더 포함할 수 있다.
바람직한 실시예에 있어서, 상기 잡음을 제거하는 단계;는 상기 심탄도 신호의 크기를 스케일링하는 단계; 스케일링된 심탄도 신호로부터 미리 설정된 평균 제곱근 최대값과 평균 제곱근 최소값 범위에 해당하는 심탄도 신호를 추출하는 단계; 및 추출된 심탄도 신호로부터 미리 설정된 최소 진폭값과 최대 진폭값 범위에 해당하는 심탄도 신호를 추출하는 단계;를 포함할 수 있다.
바람직한 실시예에 있어서, 상기 생체 정보는 심박수(Heart Rate) 및 심박수 변이도(Heart Rate Variability)이다.
바람직한 실시예에 있어서, 상기 부정맥 경보 수준을 판단하여 출력하는 단계:는 계산된 부정맥 확률들 중 가장 높은 값을 갖는 부정맥 확률을 추출하는 단계; 및 추출된 부정맥 확률이 설정된 임계 범위 내에 해당하는지 여부를 판단하여 부정맥 경보 수준을 출력하는 단계;를 포함한다.
바람직한 실시예에 있어서, 상기 부정맥 경보 수준은 안심, 관심, 주의로 분류되며, 상기 부정맥 확률이 0% 내지 10%일 경우 "안심", 상기 부정맥 확률이 11% 내지 30%일 경우 "관심", 상기 부정맥 확률이 31% 이상일 경우 "주의"로 판단하여 출력한다.
바람직한 실시예에 있어서, 상기 복수의 기계학습 알고리즘은 인공신경망(ANN)과 로지스틱 회귀분석 알고리즘이다.
또한, 본 발명은 심탄도 신호를 이용한 부정맥 예측 방법을 수행하기 위한 컴퓨터 프로그램을 제공할 수 있다.
또한, 본 발명은 상기 심탄도 신호를 이용한 부정맥 예측 방법을 수행하기 위한 컴퓨터 프로그램이 저장된 기록매체를 제공할 수 있다.
또한, 본 발명은 침대; 상기 침대에 설치되고 환자의 심탄도 신호를 취득하는 심탄도 센서; 상기 심탄도 센서로부터 취득된 심탄도 신호를 수신받아 부정맥를 예측하는 상기 컴퓨터 프로그램이 저장된 서버; 및 상기 서버로부터 부정맥 예측 결과를 수신받아 출력하는 어플리케이션이 설치된 스마트 기기를 포함하는 것을 특징으로 하는 부정맥 예측 시스템을 더 제공할 수 있다.
본 발명은 다음과 같은 우수한 효과가 있다.
본 발명의 심탄도 신호를 이용한 부정맥 예측 방법 및 시스템에 따르면, 침대에 설치된 심탄도 센서로부터 환자의 심탄도 신호를 수신받아 부정맥를 예측할 수 있기 때문에 환자에게 측정기기를 착용시킬 필요가 없다는 장점이 있다.
또한, 본 발명의 심탄도 신호를 이용한 부정맥 예측 방법 및 시스템에 따르면, 환자가 침대에 누워 있거나, 앉아 있는 것만으로도, 부정맥 발병 여부를 예측할 수 있어, 조기에 부정맥를 진단하여 환자가 건강관리를 수행할 수 있다는 장점이 있다.
또한, 본 발명의 심탄도 신호를 이용한 부정맥 예측 방법 및 시스템에 따르면, 복수의 기계 학습 알고리즘을 통해 추출된 부정맥 확률을 서로 비교하여 부정맥 발병 여부를 판단하기 때문에 정확성이 높다는 장점이 있다.
도 1은 본 발명의 일 실시예에 따른 심탄도 신호를 이용한 부정맥 예측 시스템을 보여주는 도면,
도 2는 본 발명의 일 실시예에 따른 심탄도 신호를 이용한 부정맥 예측 방법의 순서도,
도 3은 본 발명의 일 실시예에 따른 심탄도 신호의 잡음 제거 방법의 순서도,
도 4는 본 발명의 일 실시예에 따른 잡음이 제거된 심탄도 신호를 보여주는 그래프,
도 5는 본 발명의 일 실시예에 따른 학습된 인공신경망의 성능 지표를 보여주는 ROC-Curve 그래프,
도 6은 본 발명의 일 실시예에 따른 학습된 로지스틱 회귀분석의 성능 지표를 보여주는 ROC-Curve 그래프이다.
본 발명에서 사용되는 용어는 가능한 현재 널리 사용되는 일반적인 용어를 선택하였으나, 특정한 경우는 출원인이 임의로 선정한 용어도 있는데 이 경우에는 단순한 용어의 명칭이 아닌 발명의 상세한 설명 부분에 기재되거나 사용된 의미를 고려하여 그 의미가 파악되어야 할 것이다.
이하, 첨부한 도면에 도시된 바람직한 실시예들을 참조하여 본 발명의 기술적 구성을 상세하게 설명한다.
그러나 본 발명은 여기서 설명되는 실시예에 한정되지 않고 다른 형태로 구체화될 수도 있다. 명세서 전체에 걸쳐 동일한 참조번호는 동일한 구성요소를 나타낸다.
본 발명의 일 실시예에 따른 심탄도 신호를 이용한 부정맥 예측 방법 및 시스템은 침대에 설치된 심탄도 센서로부터 환자의 심탄도 신호를 수신받아 생체 정보를 추출하고 복수의 기계학습 알고리즘에 생체 정보를 입력하여 출력된 부정맥 확률로부터 부정맥 발병 여부를 확인할 수 있는 부정맥 예측 방법 및 시스템이다.
또한, 본 발명의 일 실시예에 따른 부정맥 예측 방법은 컴퓨터에 의해 수행되며, 상기 컴퓨터에는 상기 컴퓨터를 기능시켜 부정맥 예측 방법을 수행하는 컴퓨터 프로그램이 저장된다.
또한, 상기 컴퓨터는 일반적인 퍼스널 컴퓨터뿐만 아니라, 스마트폰이나 태블릿 PC와 같은 스마트 기기를 포함하는 광의의 컴퓨팅 장치를 의미한다.
또한, 상기 컴퓨터 프로그램은 별도의 기록 매체에 저장되어 제공될 수 있으며, 상기 기록매체는 본 발명을 위하여 특별히 설계되어 구성된 것들이거나 컴퓨터 소프트웨어 분야에서 통상의 지식을 가진 자에게 공지되어 사용 가능한 것일 수 있다.
예를 들면, 상기 기록매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD, DVD와 같은 광 기록 매체, 자기 및 광 기록을 겸할 수 있는 자기-광 기록 매체, 롬, 램, 플래시 메모리 등 단독 또는 조합에 의해 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치일 수 있다.
또한, 상기 컴퓨터 프로그램은 프로그램 명령, 로컬 데이터 파일, 로컬 데이터 구조 등이 단독 또는 조합으로 구성된 컴퓨터 프로그램일 수 있고, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라, 인터프리터 등을 사용하여 컴퓨터에 의해 실행될 수 있는 고급 언어 코드로 짜여진 컴퓨터 프로그램일 수 있다.
도 1은 본 발명의 일 실시예에 따른 부정맥 예측 시스템을 보여주는 것으로, 도 1을 참조하면 본 발명의 부정맥 예측 시스템(100)은 침대(10), 심탄도 센서(20), 서버(30) 및 스마트 기기(40)로 구성된다.
상기 침대(10)는 침대 프레임(11)과 매트리스(12)로 구성되며, 환자가 누울 수 있는 공간을 제공한다.
상기 심탄도 센서(20)는 상기 침대(10)에 설치되며, 환자의 심탄도 신호를 측정하여, 상기 서버(30)로 전송할 수 있다.
또한, 상기 심탄도 센서(20)는 상기 침대 프레임(11)의 측면이나 하면에 설치될 수 있으며, 상기 침대 프레임(11) 이외에도 상기 매트리스(12)에 부착되어 사용될 수 있다.
한편, 상기 심탄도 신호는 심장의 물리적 움직임에 따라 생기는 몸의 움직임을 전기적으로 기록한 것으로 심장이 박출한 혈액의 운동량을 나타내며, 상기 심탄도 센서(20)는 몸의 움직임에 의해 침대에 발생되는 미세진동을 측정한다.
상기 서버(30)는 상기 컴퓨터 프로그램이 설치되며, 상기 심탄도 센서(20)로부터 통신망을 통해 심탄도 신호를 수신받아 부정맥 발병 여부를 예측한다.
상기 스마트 기기(40)는 상기 서버(30)로부터 통신망을 통해 예측된 부정맥 발병 여부 및 생체 정보를 수신받아 환자가 모니터링할 수 있도록 출력한다.
또한, 상기 스마트 기기(40)는 상기 부정맥 발병 여부와 생체 정보를 디스플레이하여 모니터링할 수 있는 어플리케이션이 설치될 수 있다.
이하에서는 도 2를 참조하여 본 발명의 부정맥 예측 방법에 대해 상세히 설명한다.
도 2는 본 발명의 일 실시예에 따른 부정맥 예측 방법의 순서도로 도 2를 참조하면, 본 발명의 부정맥 예측 방법은 크게 심탄도 신호를 입력받는 단계(S1000), 부정맥 확률을 계산하는 단계(S2000) 및 부정맥 경보 수준을 판단하여 출력하는 단계(S3000);를 포함한다.
먼저, 본 발명의 부정맥 예측 방법은 심탄도 센서(20)로부터 환자의 심탄도 신호를 입력받는다(S1000).
상기 심탄도 신호는 환자가 깨어있는 상태의 심탄도 신호 또는 환자의 수면 중에 취득된 심탄도 신호일 수 있다.
다음, 입력된 심탄도 신호의 잡음을 제거한다(S2000).
한편, 입력된 심탄도 신호는 침대에 환자가 눕거나 움직일 때 침대의 스프링 상수와 댐핑 인자에 의해 영향을 받아 신호 진폭 변조 및 감쇠 시간 상수를 가져오는 문제가 있으므로, 이를 최적화하기 위한 잡음 제거 과정을 수행해야 한다.
도 3은 본 발명의 일 실시예에 따른 심탄도 신호의 잡음 제거 방법을 보여주는 순서도, 도 4는 본 발명의 일 실시예에 따른 잡음이 제거된 심탄도 신호를 보여주는 그래프로, 도 3 내지 도 4를 참조하면, 상기 심탄도 신호의 잡음을 제거하기 위해서는 먼저, 입력된 심탄도 신호의 신호 크기를 스케일링을 수행한다(S2100).
이때, 상기 신호 크기의 스케일링은 "10um/s2"이 되도록 조정하는 것이 바람직하며, 이를 통해 적절한 해상도와 숫자의 오버 플로우를 방지할 수 있다.
다음, 상기 스케일링된 심탄도 신호를 미리 설정된 최소 평균 제곱근(RMS)값과 최대 평균 제곱근(RMS)값 범위에 해당되는 심탄도 신호를 추출한다(S2200).
다음, 추출된 심탄도 신호로부터 미리 설정된 최소 진폭값과 최대 진폭값 이내에 해당하는 데이터를 추출함으로써, 최종적으로 입력된 심탄도 신호의 잡음 제거를 완료한다(S2300).
한편, 상기 미리 설정된 최소 평균 제곱근(RMS)값, 최대 평균 제곱근(RMS)값, 최소 진폭값 및 최대 진폭 값은 침대에 누워있거나 앉아 있는 환자들의 심탄도 신호로부터 추출된 평균값들이며, 환자 또는 침대 주변의 환경에 따라 다양하게 설정될 수 있다.
다음, 잡음이 제거된 심탄도 신호를 기계 학습 알고리즘에 입력하여 부정맥 확률을 출력한다(S3000).
자세하게는 먼저, 상기 잡음이 제거된 심탄도 신호로부터 생체 정보들을 추출한다(S3100).
여기서, 상기 생체 정보들은 미리 설정된 시간동안의 심박수(Hear Rate) 및 심박수 변이도(Heart Rate Variability)를 포함하며, 관련 기술 분야에서 공지된 다양한 방법들에 의해 추출될 수 있다.
한편, 상기 심박수와 상기 심박수 변이도를 사용하는 이유는 스트레스에 가장 민감하게 반응하는 자율신경계의 활동양상에 많이 의존하기 때문에 부정맥 발생 시 심박수가 빨라지거나 느려지는 양상이 정상인과 부정맥 환자 간의 차이가 뚜렷히 나타나기 때문이다.
다음, 추출된 생체 정보들의 평균값을 각각 계산한다(S3200).
다음, 미리 학습된 복수의 기계 학습 알고리즘에 계산된 생체 정보들의 평균값들을 입력하여 부정맥 확률을 계산하여 출력한다(S3300).
상기 기계 학습 알고리즘은 컴퓨터가 입력되는 데이터를 통해 스스로 학습할 수 있도록 하는 알고리즘으로, 본 발명에서는 어떤 데이터에 대해 두 가지 중 하나로 분류할 수 있는 기계 학습 알고리즘을 이용하여 부정맥 확률을 계산한다.
상세하게는, 상기 기계 학습 알고리즘은 회귀분석, 로지스틱 회귀분석, 의사결정나무, 베이지안 분류, 인공신경망, SVM(Suppoter Vector Machine), K-최근접이웃 등의 분류 기법 알고리즘을 사용할 수 있으며, 본 발명에서는 분류 성능이 가장 우수한 인공신경망과 로지스틱 회귀분석 알고리즘을 사용한다.
또한, 본 발명에서는 부정맥 환자와 정산인들로부터 학습용 생체 정보(심박수, 심박수 변이도) 데이터 셋 2만 개를 수집하여, 상기 인공신경망과 로지스틱 회귀분석 알고리즘을 각각 학습하였다.
또한, 이외에 부정맥 환자와 정상인들로부터 예측용 생체 정보(심박수, 심박수 변이도) 데이터 셋 2만 개를 별도로 수집하여, 학습된 인공신경망과 로지스틱 회귀분석 알고리즘에 입력하여 분류 성능을 평가하였으며, 이를 통해 높은 분류 성능을 갖을 수 있는 파라미터를 최적화하였다.
또한, 상기 인공신경망은 각 층당 64개의 뉴런 수를 갖는 4개의 레이어층을 이용하여 150회의 학습을 수행하였다.
도 5는 본 발명의 일 실시예에 따른 학습된 인공신경망의 성능 지표를 보여주는 ROC-Curve 그래프, 도 6은 본 발명의 일 실시예에 따른 학습된 로지스틱 회귀분석의 성능 지표를 보여주는 ROC-Curve 그래프이다.
도 5 내지 도 6을 참조하면, 학습된 인공신경망은 예측 정확도가 93%, 오차가 0.16%를 나타냈으며, 학습된 로지스틱 회귀분석은 예측 정확도가 96%로 두 기계 학습 알고리즘 모두 우수한 성능을 보여주는 것을 확인할 수 있다.
따라서, 상기 심탄도 신호로부터 추출된 심박수와 심박수 변이도는 부정맥을 판단하기 위한 분별력 있는 데이터라 할 수 있다.
한편, 상기 인공신경망과 로지스틱 회귀분석 알고리즘은 최종적으로 부정맥에 해당될 확률이 각각 출력되며, 본 발명에서는 상기 출력된 확률을 부정맥 확률로 정의하였다.
다음, 상기 복수의 기계 학습 알고리즘을 통해 부정맥 확률을 출력한 후, 상기 부정맥 확률로부터 부정맥 경보 수준을 판단한다(S4000).
상기 부정맥 경보 수준을 판단하기 위해서는 먼저, 출력된 부정맥 확률들을 비교하여 가장 값이 큰 부정맥 확률을 추출한다(S4100).
여기서, 가장 큰 값의 부정맥 확률을 추출하는 이유는 부정맥를 판단하는 오차를 최소화하기 위한 것으로, 임의적으로 오차 범위를 설정하는 것보다 분석을 통해 나온 부정맥 확률들 중 가장 큰 값을 기준으로 선택하여 부정맥를 판단함으로써, 신뢰성 있는 부정맥 예측을 수행하기 위함이다.
다음, 추출된 부정맥 확률이 미리 설정된 임계 범위에 해당되는지 여부를 판단하여 부정맥 경보 수준을 분류한다(S4200).
상기 부정맥 경보 수준은 "안심", "관심", "주의"로 분류될 수 있으며, 상기 부정맥 확률이 0% 내지 10%일 경우 "안심"으로 판단하며, 상기 부정맥 확률이 11% 내지 30%일 경우 "관심", 상기 부정맥 확률이 31% 이상일 경우 "주의"로 판단하여 출력한다.
이러한 단계들을 통해 환자의 부정맥 발병 여부를 진단할 수 있으며, 출력된 결과는 스마트 기기(40)로 전송되어 모니터링을 수행할 수 있다.
따라서, 본 발명의 심탄도 신호를 이용한 부정맥 예측 방법 및 시스템은 침대에 설치된 심탄도 센서로부터 심탄도 신호를 수신받아 환자의 부정맥를 예측할 수 있기 때문에 환자에게 센서를 착용시키거나 별도의 혈액을 채취할 필요가 없으며, 환자가 침대에 누워 있거나, 앉아 있는 것만으로도, 부정맥 발병 여부를 예측할 수 있어, 조기에 부정맥를 진단하여 환자가 건강관리를 수행할 수 있다는 장점이 있다.
이상에서 살펴본 바와 같이 본 발명은 바람직한 실시예를 들어 도시하고 설명하였으나, 상기한 실시예에 한정되지 아니하며 본 발명의 정신을 벗어나지 않는 범위 내에서 당해 발명이 속하는 기술분야에서 통산의 지식을 가진 자에 의해 다양한 변경과 수정이 가능할 것이다.
10:침대 20:심탄도 센서
30:스마트 기기 100:부정맥 예측 시스템

Claims (10)

  1. 컴퓨터에 의해서 수행되는, 침대에 설치된 심탄도 센서로부터 취득된 환자의 심탄도 신호를 이용하여 부정맥을 예측하는 방법에 있어서,
    부정맥을 예측하고자 하는 환자의 심탄도 신호를 입력받는 단계;
    상기 심탄도 신호로부터 생체 정보인 심박수(Heart Rate)와 심박수 변이도(Heart Rate Variability) 추출하여 각 평균을 계산하고, 미리 학습된 복수의 기계 학습 알고리즘에 입력하여 부정맥 확률을 계산하는 단계; 및
    계산된 부정맥 확률들 중 가장 큰 값의 부정맥 확률이 설정된 임계 범위 내에 해당하는지 여부를 판단하여 부정맥 경보 수준을 출력하는 단계;를 포함하는 것을 특징으로 하는 컴퓨터에 의해서 수행되는 심탄도 신호를 이용한 부정맥 예측 방법.
  2. 제 1 항에 있어서,
    상기 부정맥 확률을 계산하는 단계; 이전에,
    수집된 심탄도 신호의 잡음을 제거하는 단계;를 더 포함하는 것을 특징으로 하는 컴퓨터에 의해서 수행되는 심탄도 신호를 이용한 부정맥 예측 방법.
  3. 제 2 항에 있어서,
    상기 잡음을 제거하는 단계;는
    상기 심탄도 신호의 크기를 스케일링하는 단계;
    스케일링된 심탄도 신호로부터 미리 설정된 평균 제곱근 최대값과 평균 제곱근 최소값 범위에 해당하는 심탄도 신호를 추출하는 단계; 및
    추출된 심탄도 신호로부터 미리 설정된 최소 진폭값과 최대 진폭값 범위에 해당하는 심탄도 신호를 추출하는 단계;를 포함하는 것을 특징으로 하는 컴퓨터에 의해서 수행되는 심탄도 신호를 이용한 부정맥 예측 방법.
  4. 제 1 항에 있어서,
    상기 부정맥 경보 수준은 안심, 관심, 주의로 분류되며,
    상기 부정맥 확률이 0% 내지 10%일 경우 "안심", 상기 부정맥 확률이 11% 내지 30%일 경우 "관심", 상기 부정맥 확률이 31% 이상일 경우 "주의"로 판단하여 출력하는 것을 특징으로 하는 컴퓨터에 의해서 수행되는 심탄도 신호를 이용한 부정맥 예측 방법.
  5. 제 1 항에 있어서,
    상기 복수의 기계학습 알고리즘은 인공신경망(ANN)과 로지스틱 회귀분석 알고리즘인 것을 특징으로 하는 컴퓨터에 의해서 수행되는 심탄도 신호를 이용한 부정맥 예측 방법.
  6. 제 1 항 내지 제 5 항 중 어느 한 항의 심탄도 신호를 이용한 부정맥 예측 방법을 수행하기 위한 기록매체에 저장된 컴퓨터 프로그램.
  7. 침대;
    상기 침대에 설치되는 심탄도 센서;
    상기 심탄도 센서로부터 환자의 심탄도 신호를 수신받아 부정맥를 예측하는 제 6 항의 컴퓨터 프로그램이 저장된 서버; 및
    상기 서버로부터 부정맥 예측 결과를 수신받아 출력하는 어플리케이션이 설치된 스마트 기기를 포함하는 것을 특징으로 하는 심탄도 신호를 이용한 부정맥 예측 시스템.

  8. 삭제
  9. 삭제
  10. 삭제
KR1020190163667A 2019-12-10 2019-12-10 심탄도 신호를 이용한 부정맥 예측 방법 및 시스템. KR102352802B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190163667A KR102352802B1 (ko) 2019-12-10 2019-12-10 심탄도 신호를 이용한 부정맥 예측 방법 및 시스템.

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190163667A KR102352802B1 (ko) 2019-12-10 2019-12-10 심탄도 신호를 이용한 부정맥 예측 방법 및 시스템.

Publications (2)

Publication Number Publication Date
KR20210073152A KR20210073152A (ko) 2021-06-18
KR102352802B1 true KR102352802B1 (ko) 2022-01-18

Family

ID=76623384

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190163667A KR102352802B1 (ko) 2019-12-10 2019-12-10 심탄도 신호를 이용한 부정맥 예측 방법 및 시스템.

Country Status (1)

Country Link
KR (1) KR102352802B1 (ko)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101556063B1 (ko) 2014-06-30 2015-09-30 광운대학교 산학협력단 심전도 모니터링을 이용한 부정맥 검출 방법 및 장치
KR20160147516A (ko) 2015-06-15 2016-12-23 삼성전자주식회사 부정맥을 검출하기 위한 방법 및 이를 지원하는 장치

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Albukhari A etc., Bed-Embedded heart and Respiration Rates Detection by Longitudinal Ballistocardiography and Pattern Recognition. Sensors. Vol.19, No.6, pp.1~19, (2019.03.25.) 1부.*
Tang Z-H etc., Comparison of Prediction Model for Cardiovascular Autonomic Dysfunction Using Artificial Neural Network and Logistic Regression Analysis. Plos One. Vol.8, pp.1~8, (2013.08.05.) 1부.*

Also Published As

Publication number Publication date
KR20210073152A (ko) 2021-06-18

Similar Documents

Publication Publication Date Title
US8795173B2 (en) Methods and apparatus for assessment of atypical brain activity
US6549804B1 (en) System for the prediction, rapid detection, warning, prevention or control of changes in activity states in the brain of a subject
US20200037903A1 (en) Wearable device for assessing the likelihood of the onset of cardiac arrest and a method thereof
US10893824B2 (en) Heart failure detection with a sequential classifier
US8483808B2 (en) Methods and systems for characterizing cardiac signal morphology using K-fit analysis
CN103596493A (zh) 压力测量设备和方法
US11295858B2 (en) Health data collection device, health evaluation method using the same, and health evaluation system including the health data collection device
US9549681B2 (en) Matrix-based patient signal analysis
Phukan et al. Convolutional neural network-based human activity recognition for edge fitness and context-aware health monitoring devices
KR101647945B1 (ko) 심근경색 검출 장치 및 방법
Vanitha et al. Hierarchical SVM to detect mental stress in human beings using Heart Rate Variability
US9788779B2 (en) Seizure detection based on work level excursion
US20240099665A1 (en) Electrocardiogram data processing server, electrocardiogram data processing method of extracting analysis required section while segmenting electrocardiogram signal into signal segments with variable window sizes, and computer program
KR102352802B1 (ko) 심탄도 신호를 이용한 부정맥 예측 방법 및 시스템.
KR20190050618A (ko) 사용자의 정신적, 신체적 스트레스를 감소시켜 주는 인공지능 기반 웨어러블 패치형 스트레스 트래커 센서 및 트래킹 방법
Gladence et al. An enhanced method for detecting congestive heart failure-Automatic Classifier
Nandhini Abirami et al. Cardiac arrhythmia detection using ensemble of machine learning algorithms
KR102426291B1 (ko) 머신러닝을 이용한 고혈압 예측시스템에서 수행되는 고혈압 예측방법 및 시스템, 이를 수행하는 컴퓨터 프로그램
CN116504398A (zh) 用于使用基于变换器的神经网络来进行心律失常预测的方法和系统
WO2019160504A1 (en) System and method for assessing clinical event risk based on heart rate complexity
KR102352801B1 (ko) 심탄도 신호를 이용한 당뇨 예측 방법 및 시스템.
Ern et al. Classification of arrhythmia signals using hybrid convolutional neural network (cnn) model
CN108601533B (zh) 用于确定心力衰竭风险的确定系统
KR102624549B1 (ko) 합성곱 신경망을 이용한 심실성 부정맥 예측 방법 및 장치
KR102483518B1 (ko) 웨어러블 심전도 리듬 분석을 이용한 심장 위험도 산출 시스템 및 방법

Legal Events

Date Code Title Description
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant