KR102386896B1 - 인공지능 기반 심전도 자동 분석 장치 및 방법 - Google Patents

인공지능 기반 심전도 자동 분석 장치 및 방법 Download PDF

Info

Publication number
KR102386896B1
KR102386896B1 KR1020190175706A KR20190175706A KR102386896B1 KR 102386896 B1 KR102386896 B1 KR 102386896B1 KR 1020190175706 A KR1020190175706 A KR 1020190175706A KR 20190175706 A KR20190175706 A KR 20190175706A KR 102386896 B1 KR102386896 B1 KR 102386896B1
Authority
KR
South Korea
Prior art keywords
electrocardiogram
neural network
waveform
input data
deep neural
Prior art date
Application number
KR1020190175706A
Other languages
English (en)
Other versions
KR20210083087A (ko
Inventor
최성욱
김지운
Original Assignee
강원대학교산학협력단
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 강원대학교산학협력단 filed Critical 강원대학교산학협력단
Priority to KR1020190175706A priority Critical patent/KR102386896B1/ko
Publication of KR20210083087A publication Critical patent/KR20210083087A/ko
Application granted granted Critical
Publication of KR102386896B1 publication Critical patent/KR102386896B1/ko

Links

Images

Classifications

    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/24Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316Modalities, i.e. specific diagnostic methods
    • A61B5/318Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346Analysis of electrocardiograms
    • A61B5/349Detecting specific parameters of the electrocardiograph cycle
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/24Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316Modalities, i.e. specific diagnostic methods
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235Details of waveform analysis
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235Details of waveform analysis
    • A61B5/7253Details of waveform analysis characterised by using transforms
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235Details of waveform analysis
    • A61B5/7264Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271Specific aspects of physiological measurement analysis
    • A61B5/7278Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20ICT 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

Landscapes

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

Abstract

본 발명은 심전도 분석 기술에 관한 것으로서, 상세하게는 딥러닝 기술을 이용해 심전도 파형의 유무를 결정하고 파형의 시작점과 끝점을 판정하여 심전도 파라미터를 획득할 수 있는 인공지능 기반 심전도 자동 분석 장치 및 방법에 관한 것이다. 이를 위해, 본 발명에 따른 인공지능 기반 심전도 자동 분석 장치는 연속적인 심전도(ECG) 신호를 입력 받아 일정한 샘플링 주파수와 길이로 심층신경망(DNN) 모델의 입력 조건에 맞는 입력데이터열을 생성하는 입력데이터열 생성부와, 상기 입력데이터열 생성부로부터 입력데이터열을 입력받아 심층신경망 모델을 통해 의미 있는 심전도 파형의 유무와 심전도 파형의 시작점 또는 끝점을 판정하는 신경망부와, 상기 심전도 파형 유무와 심전도 파형의 시작점 또는 끝점에 근거하여 심전도 진단에 필요한 파라미터 및 진단규칙을 찾아내는 분석부를 포함한다.

Description

인공지능 기반 심전도 자동 분석 장치 및 방법{Apparatus and method for analyzing ECG automatically based on artificial intelligence}
본 발명은 심전도 분석 기술에 관한 것으로서, 상세하게는 딥러닝 기술을 이용해 의미 있는 심전도 파형의 유무를 결정하고 파형의 시작점과 끝점을 판정하여 심전도 파라미터를 획득할 수 있는 인공지능 기반 심전도 자동 분석 장치 및 방법에 관한 것이다.
심장의 박동에 따라 심근에서 발생하는 활동 전류를 체표면의 적당한 2개소로 유도해서 전류계로 기록할 수가 있는데, 이러한 방식으로 얻어진 심근 활동전류의 기록을 심전도라 부른다.
현재 상용화된 심전도 분석 시스템은 신호처리 기술을 사용하여 측정된 심전도에서 P, Q, R, S, T, U의 정상 파형과 부정맥으로 인한 비정상 파형을 구분한 후, 각 파형의 피크투피크(peak-to-peak), 파형 간격, 이전 심박동들과의 변화량 등이 일정한 기준을 초과하였는지를 비교하는 방식을 사용하고 있다.
이와 같은 기존의 신호처리 방식은 잡음에 취약하고, 심전도의 종류와 환자의 질환 특성에 따라 오류가 발생할 위험이 있다. 뿐만 아니라 이러한 심전도 분석 알고리즘은 실제 전문가가 파형을 인식하고 분석하는 방법과 차이가 있기 때문에 알고리즘의 성능을 입증하기 위해서는 많은 비용과 시간이 소요된다.
최근 심층신경망 기술이 의료기기 개발에 적용됨에 따라 기존의 신호처리방법과 달리 사람이 심전도 파형을 인식하고 판단하는 것을 재현할 수 있는 시스템의 개발이 시도되고 있다.
현재까지 심전도를 분석하기 위해 개발된 심층신경망 기술은 기존의 신호처리 방법으로 판정하기 어려운 심장질환을 분석하는 용도에 제한적으로 사용되었다.
예를 들어 Dr. Muhammad Adam은 148명의 심근경색환자 데이터와 52명의 정상인 데이터를 사용하여 학습시킨 심층신경망을 이용하여 93%의 정확도로 심근경색 환자를 구분해내는데 성공하였다.
또한, Dr. G De Peitro 팀은 AED 등의 장치에서 심전도를 분석하여 충격(shock)을 주기 위한 시점을 결정하는 용도로 심층신경망을 개발한 바 있으며, 이를 위해 1466건의 정상 심전도 데이터와 1246건의 비정상 심전도 데이터를 학습데이터로 사용하였다.
Dr. Motoaki Sano 팀은 12 리드(lead) 심전계에서 얻은 심전도를 이용하여 관상동맥재건술이 필요한 환자를 구별할 수 있는 심층신경망 시스템을 개발하였으며, 시술이 필요한 249명의 환자와 시술이 필요하지 않은 300명의 환자 데이터를 사용하여 95%의 정확도를 가진 시스템을 개발한 바 있다.
그런데, 기존 기술에서는 심층신경망의 정확도를 향상시키기 위해 많은 양의 데이터가 요구되었고, 데이터 수집 및 분석 과정에서 많은 비용과 시간이 소요되었다.
예를 들어, 12 리드(lead) 심전계가 1명의 환자에게서 10초간 생산하는 약 120,000개의 심전도 데이터를 입력데이터로 사용하는 신경망 시스템을 구현하기 위해서는 상용화된 심전계가 가진 것 보다 향상된 연산시스템이 필요하며, 이러한 신호를 훈련하기 위해서는 보다 많은 환자 데이터가 필요하기 때문에 기계학습에 소요되는 시간도 매우 증가할 것으로 예상된다.
기존 기술과 같이 심층신경망이 질환을 판정하는 용도로 사용될 경우 판정의 이유를 합리적으로 제시하기도 어렵기 때문에 임상 적용을 위해 추가적인 검증 과정이 요구된다. 또한, 각각의 질환에 대해 훈련된 심층신경망을 따로 적용하는 것 또한 실제 12 리드(lead) 심전계에 적용하는 것을 어렵게 한다.
한국등록특허 제10-1536361호
본 발명은 상기와 같은 문제점을 해결하기 위해 창안된 것으로서, 본 발명의 목적은 많은 데이터 없이도 심전도 파형을 분석할 수 있는 심층신경망 모델을 생성하여 심장 질환 분석에 필요한 파라미터를 확보할 수 있는 인공지능 기반 심전도 자동 분석 장치 및 방법을 제공하는 것이다.
이를 위해, 본 발명에 따른 인공지능 기반 심전도 자동 분석 장치는 연속적인 심전도(ECG) 신호를 입력 받아 일정한 샘플링 주파수와 길이로 심층신경망(DNN) 모델의 입력 조건에 맞는 입력데이터열을 생성하는 입력데이터열 생성부와, 상기 입력데이터열 생성부로부터 입력데이터열을 입력받아 심층신경망 모델을 통해 의미 있는 심전도 파형의 유무와 심전도 파형의 시작점 또는 끝점을 판정하는 신경망부와, 상기 심전도 파형 유무와 심전도 파형의 시작점 또는 끝점에 근거하여 심전도 진단에 필요한 파라미터 및 진단규칙을 찾아내는 분석부를 포함한다.
본 발명에 따른 인공지능 기반 심전도 자동 분석 방법은 심전도 자동 분석 장치에서 인공지능 기반으로 심전도 파형을 분석하는 방법으로서, 심전도(ECG) 신호를 입력 받아 심층신경망(DNN)의 입력데이터열을 생성하는 데이터열 생성 단계와, 상기 입력 데이터열을 입력받아 심층신경망을 이용하여 심전도 파형의 유무와 심전도 파형의 시작점 또는 끝점을 판정하는 심층신경망 분석 단계를 포함한다.
상술한 바와 같이, 본 발명에 따른 심층신경망 모델은 학습을 위한 많은 데이터를 필요로 하지 않으며 적은 환자에게서 얻은 데이터만으로 심전도 파형에서 많은 양의 시작점 또는 끝점에 대한 정보를 정확하게 확보할 수 있는 효과가 있다.
이렇게 얻어진 파형의 시작점과 끝점에 근거해 심전도 파라미터를 추출함으로써 의료진의 과중한 업무 부담을 줄이고 환자에게 더욱 정확한 데이터를 제공할 수 있으며, 심층신경망을 이용하여 부정맥을 진단하는데 있어서 정확한 판단 근거를 제시할 수 있다.
도 1은 본 발명에 따른 인공지능 기반 심전도 자동 분석 장치의 구성을 나타낸 도면.
도 2는 본 발명에 따른 심층신경망을 나타낸 도면.
도 3은 본 발명에 따른 심전도 파형의 판정 구간을 나타낸 도면.
도 4는 심전도 파형을 구체적으로 나타낸 도면.
도 5는 본 발명에 따른 인공지능 기반 심전도 자동 분석 과정을 나타낸 순서도.
도 6 및 도 7은 전문가와 본 발명에 따른 심층신경망 모델이 판정한 심전도 파형의 길이 및 높이를 비교한 도면.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.
그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다.
그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.
또한, 명세서에 기재된 "……부", "…… 모듈" 의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
이하, 도면을 참조로 하여 본 발명의 실시예에 따른 인공지능 기반 심전도 자동 분석 장치 및 방법에 대하여 상세히 설명한다.
도 1은 본 발명에 따른 인공지능 기반 심전도 자동 분석 장치의 구성을 나타낸 것이다.
도 1을 참조하면, 인공지능 기반 심전도 자동 분석 장치(이하, 심전도 자동 분석 장치)는 입력데이터열 생성부(10), 신경망부(20), 분석부(30) 등을 포함한다.
입력데이터열 생성부(10)는 심전도(ECG) 신호를 입력 받아 심전도 입력데이터열을 생성한다. 심전도 신호는 심장의 박동에 따라 심근에서 발생하는 활동 전류를 체표면에서 유도해서 획득한 시간에 따른 심근 활동전류 값이다.
입력데이터열 생성부(10)는 심전도 신호를 일정한 시간 간격(stride)마다 소정의 윈도우(window) 크기로 자른(chopping) 후 샘플링 주기마다 신호 크기를 추출하여 심전도 입력데이터열을 생성하게 된다.
신경망부(20)는 입력데이터열 생성부(10)로부터 심전도 입력데이터열을 입력받아 심층신경망(DNN)을 통해 분석하여 심전도 파형의 유무와 심전도 파형의 시작점 또는 끝점을 판정한다.
분석부(30)는 신경망부(20)에서 판정한 심전도 파형의 시작점 또는 끝점에 근거하여 심전도 파형의 폭, 간격, 피크투피크(peak-to-peak), 면적 등 심장 질환 분석에 필요한 다양한 파라미터를 추출한다.
분석부(30)는 상기 추출한 심전도 파형의 폭, 간격, 피크투피크(peak-to-peak) 및 면적, 구간 상승율 등의 파라미터를 근거로 심장 질환의 특징이 기술된 지식들의 데이터베이스(규칙 데이터베이스)를 검색한 후, 가장 조건에 맞는 지식을 찾아서 심장 질환을 판정하게 된다.
도 2는 본 발명에 따른 심층신경망을 나타낸 것이다.
도 2를 참조하면, 본 발명에 따른 심층신경망(Deep Neural Network)의 입력층(input layer)은 150개의 노드(node)로 구성되어 있고 출력층(output layer)은 51개의 노드로 구성되어 있다.
이러한 심층신경망의 입력층 구조에 따라 심전도 입력데이터열는 아래와 같이 표현될 수 있다.
[x(n), x(n+1), …, x(n+149)] 여기서, n은 0, 1, 2, 3 ... 이다.
심전도 입력데이터열는 일정한 시간 즉, 입력 주기마다 생성되어 심층신경망의 입력층으로 입력된다.
예를 들어, 처음에 심전도 입력데이터열 [x(0), x(1), …, x(149)]가 심층신경망의 입력층으로 입력되면, 이후 [x(1), x(2), …, x(150)], [x(2), x(3), …, x(151)], [x(3), x(4), …, x(152)] 순서대로 심전도 입력데이터열가 순차적으로 입력된다. 이 경우, 상기 일정한 시간 간격(stride)은 샘플링 주기와 동일하며, 만약 시간 간격(샘플링 주기)이 1ms이면 1ms 간격으로 이동하면서 만들어진 150ms 윈도우 크기의 심전도 파형에 대해 1ms마다 신호 크기가 추출된다.
상기 일정한 시간 간격은 심전도 샘플링 주기만큼 짧아질 수 있으며 샘플링 주기가 짧을 경우 입력데이터열을 다양하게 생성하는 것이 가능하여 심층신경망을 여러 번 가동할 수 있게 된다.
또한, 출력층의 노드 1부터 노드 50까지는 후방 파형 구간 x(n+100)~x(n+149)을 선택하여 그 파형 구간 중에 시작점 또는 끝점이 있는 경우 해당 노드에 1이 출력되고, 시작점 또는 끝점이 없는 경우 해당 노드에 0이 출력된다. 노드 51은 상기 선택한 파형 구간에 시작점 또는 끝점이 있으면 0을 출력하고, 시작점 또는 끝점이 없으면 1을 출력한다.
심전도 입력데이터열의 입력 주파수가 250Hz인 경우 초당 250개의 심전도 입력데이터열가 생성되고, 10초간 심전도 신호를 수집하게 되면 2500개의 심전도 입력데이터열가 생성된다.
이 경우, x(149)~x(2499) 파형 구간에서 시작점 또는 끝점의 판정 개수가 50개까지 중복될 수 있다. 만약, 시작점 또는 끝점이 모호하여 심층신경망의 출력층에서 시작점 또는 끝점이 다르게 나타나면, 가장 많이 중복된 위치를 시작점 또는 끝점으로 판정한다.
도 3은 본 발명에 따른 심전도 파형의 판정 구간을 나타낸 것이다.
도 3을 참조하면, 도면 부호 1이 나타내는 부분이 심전도 입력데이터열을 생성하기 위한 윈도우 x(n)~x(n+149)이고, 도면 부호 2가 나타내는 부분이 윈도우 내에서의 판정 구간 x(n+100)~x(n+149)이 된다.
도 5는 본 발명에 따른 인공지능 기반 심전도 자동 분석 과정을 나타낸 것이다.
도 5를 참조하면, 먼저 심전도 자동 분석 장치는 심전도 측정기기로부터 심전도(ECG) 신호를 수신한다(S10).
심전도 자동 분석 장치가 심전도 측정기기로부터 심전도 신호를 입력 받으면, 심전도 신호를 일정한 시간 간격(stride)마다 소정의 윈도우 크기로 자른(chopping) 후 샘플링 주기마다 신호 크기를 추출하여 심전도 입력데이터열을 생성한다(S20).
심전도 자동 분석 장치는 심층신경망(DNN)을 통해 심전도 입력 데이터열을 분석하여 심전도 파형의 유무와 심전도 파형의 시작점 또는 끝점을 판정한다(S30).
이후 심전도 자동 분석 장치는 상기 판정된 심전도 파형의 시작점 또는 끝점에 근거하여 심전도 파형의 폭, 간격, 피크투피크(peak-to-peak) 및 면적, 구간 상승율을 포함하는 파라미터를 추출한다(S40). 이러한 심전도 파라미터는 심장 질환 분석에 필요한 정보이다.
그리고 심전도 자동 분석 장치는 상기 추출한 심전도 파형의 폭, 간격, 피크투피크(peak-to-peak) 및 면적, 구간 상승율 등의 파라미터를 근거로 심장 질환의 특징이 기술된 지식들의 데이터베이스(규칙 데이터베이스)를 검색한 후, 가장 조건에 맞는 지식을 찾아서 심장 질환을 판정하게 된다.
심전도 파라미터 추출 및 질환 분석 과정은 본 발명에 따른 인공지능 기반 심전도 자동 분석 장치에서 수행될 수 있으나, 별도의 장치나 알고리즘을 통해 수행될 수도 있다.
학습 데이터 제작 및 훈련
본 발명에 따른 인공지능 기반 심전도 자동 분석 장치에 적용되는 심층신경망 모델을 학습시키기 위해 학습 데이터를 준비해야 한다.
학습 데이터를 제작하기 위해, Physionet에서 확보한 4명의 부정맥 환자 데이터를 선택하였고, 선택한 환자들 중에서 일부 환자(#1)에게서는 PVC(premature ventricular contraction)와 같은 간헐적인 부정맥이 관찰되었다.
심전도는 심전도 측정 전용으로 제작된 12 리드(lead) 심전계가 아닌 일반 환자 감시 장치를 통해 Lead II 방식으로 측정되었으며, 입력 주파수는 250Hz 이었다. 심장 박동 수는 각각 100, 90, 80, 70회이었다.
시작점 또는 끝점에 대한 정답을 입력하기 위해 별도의 편집 프로그램을 개발하였으며, 심전도에 대한 전문 지식을 갖춘 사람이 편집 프로그램을 활용하여 4명의 환자 데이터를 검색하여 매 심박동마다 발생하는 P wave, QRS, T wave의 시작점(310)과 끝점(320)의 위치를 1로 표시하였다(도 4 참조). 4명의 환자 데이터는 총 520초 분량이며, 500개 이상의 심박동과 그에 따른 시작점 또는 끝점이 연속적으로 표시되었다.
학습 데이터는 150개의 입력 데이터(x(n))와 51개의 정답(y(n))으로 구성되는데, 입력으로 150개의 심전도 데이터(x(n),x(n+1), ... , x(n+149))를 사용하였으며 심전도 데이터에서 순차적으로(n= 0, 1, 2, ....) 이동하는 방식으로 입력 데이터를 확보하였으며, 정답 데이터는 y(n+100), y(n+101), ... , y(n+149))의 순으로 50개씩 기록하고, 50개의 정답 데이터 중 시작점 또는 끝점이 없을 때는 51번째의 정답을 1로 표시하고, 시작점 또는 끝점이 있는 경우 0으로 표시하였다. 이렇게 하여 총 130,000개의 학습 데이터를 제작하였다.
한편, 의미 없는 잡음의 유입 시 심전도 파형으로 판정하지 않도록, 화이트 노이즈(white noise), 사인파(sine wave)의 값을 입력으로 하고 정답 데이터는 파형 없음(51번 노드를 1로 결정)으로 처리한 데이터 50,000개를 학습 데이터에 포함 시켰다.
제작된 학습 데이터는 텐서 플로우(tensor flow)를 사용하여 딥러닝(Deep learning) 방식(drop out: 0.2)으로 50,000회 반복 학습하였으며, 학습 데이터에서의 판정 정확도는 10 ms 오차 범위에서 시작점 판정 93%, 끝점 판정 95%이었다.
평가
Physionet에서 12 리드(lead) 심전계를 이용하여 측정된 5명의 환자 데이터를 확보하였다. 1명의 환자에게서 12개의 심전도(Lead I, Lead II, Lead III, AVR, AVL, AVF, V1, V2, V3, V4, V5, V6)를 10초 동안 기록하였으며, 심전도 데이터를 본 발명에 따른 심층신경망 모델에 적용하기 위해 학습 데이터와 같이 입력 주파수를 250Hz로 조정하였다.
학습 데이터의 제작에 참여한 사람이 동일한 편집 프로그램을 사용하여 정확한 시작점 또는 끝점을 표시한 후 심층신경망 모델을 통해 판정한 결과와 비교하였다.
심층신경망 모델은 비교적 신호가 큰 Lead II 방식에서 시작점 또는 끝점을 찾아내도록 훈련되었기 때문에 심층신경망 모델이 판정한 시작점 또는 끝점을 이용하여 확보한 파형의 파라미터 중 파형의 크기가 가장 큰 값을 시작점 또는 끝점의 기준으로 사용하여 판정한 후 사람(전문가)의 측정 결과와 비교하였다.
도 6 및 도 7에서 (a)는 전문가와 본 발명에 따른 심층신경망 모델이 각각 판정한 심전도 파형의 길이를 비교한 것을 나타내고, (b)는 심전도 파형의 높이를 비교한 것을 나타낸다.
이와 같이, 본 발명에 따른 심층신경망 모델은 많은 학습 데이터를 필요로 하지 않고 적은 환자에게서 얻은 심전도 데이터만으로도 많은 양의 시작점 또는 끝점에 대한 정보를 정확하게 확보할 수 있게 된다.
이상의 설명은 본 발명을 예시적으로 설명한 것에 불과하며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 본 발명의 기술적 사상에서 벗어나지 않는 범위에서 다양한 변형이 가능할 것이다.
따라서 본 발명의 명세서에 개시된 실시예들은 본 발명을 한정하는 것이 아니다. 본 발명의 범위는 아래의 특허청구범위에 의해 해석되어야 하며, 그와 균등한 범위 내에 있는 모든 기술도 본 발명의 범위에 포함되는 것으로 해석해야 할 것이다.
10: 입력데이터열 생성부 20: 신경망부
30: 분석부

Claims (9)

  1. 연속적인 심전도(ECG) 신호를 입력 받아 일정한 샘플링 주파수와 길이로 심층신경망(DNN) 모델의 입력 조건에 맞는 입력데이터열을 생성하는 입력데이터열 생성부와,
    상기 입력데이터열 생성부로부터 입력데이터열을 입력받아 심층신경망 모델을 통해 의미 있는 심전도 파형의 유무와 심전도 파형의 시작점 또는 끝점을 판정하는 신경망부와,
    상기 심전도 파형 유무와 심전도 파형의 시작점 또는 끝점에 근거하여 심전도 진단에 필요한 파라미터 및 진단규칙을 찾아내는 분석부를 포함하여,
    상기 입력데이터열 생성부는 일정한 시간 간격마다 사용하는 심층신경망 모델의 입력 조건에 맞추어 연속적인 심전도 신호를 일정한 샘플링 주파수와 일정한 길이로 자르는(chopping) 방식으로 변환하고,
    상기 일정한 시간 간격은 심전도 샘플링 주기만큼 짧아질 수 있으며 샘플링 주기가 짧을 경우 입력데이터열을 다양하게 생성하는 것이 가능하여 심층신경망 모델을 여러 번 가동할 수 있으며, 상기 심층신경망 모델은 상기 입력데이터열을 입력 데이터로 하고 상기 입력데이터열이 생성된 심전도 신호 파형의 후방 파형 구간에서 시작점 또는 끝점의 유무에 따라 0 또는 1 값을 출력 데이터로 하는 학습 데이터를 이용해 학습된 것을 특징으로 하는 인공지능 기반 심전도 자동 분석 장치.
  2. 삭제
  3. 삭제
  4. 제1항에 있어서,
    상기 분석부는 상기 신경망부에서 판정된 심전도 파형의 시작점 또는 끝점에 근거하여 심전도 내 의미 있는 파형의 폭, 간격, 피크투피크(peak-to-peak) 및 면적, 구간 상승율 등을 포함하는 파라미터를 추출하는 것을 특징으로 하는 인공지능 기반 심전도 자동 분석 장치.
  5. 제4항에 있어서,
    상기 분석부는 상기 추출한 심전도 파형의 폭, 간격, 피크투피크(peak-to-peak) 및 면적, 구간 상승율 등의 파라미터를 근거로 심장 질환의 특징이 기술된 지식들의 데이터베이스(규칙 데이터베이스)를 검색한 후, 가장 조건에 맞는 지식을 찾아서 심장 질환을 판정하는 것을 특징으로 하는 인공지능 기반 심전도 자동 분석 장치.
  6. 심전도 자동 분석 장치에서 인공지능 기반으로 심전도 파형을 분석하는 방법에 있어서,
    심전도(ECG) 신호를 입력 받아 심층신경망(DNN)의 입력데이터열을 생성하는 데이터열 생성 단계와,
    상기 입력 데이터열을 입력받아 심층신경망을 이용하여 심전도 파형의 유무와 심전도 파형의 시작점 또는 끝점을 판정하는 심층신경망 분석 단계를 포함하여,
    상기 입력데이터열 생성단계는 일정한 시간 간격마다 사용하는 심층신경망의 입력 조건에 맞추어 연속적인 심전도 신호를 일정한 샘플링 주파수와 일정한 길이로 자르는(chopping) 방식으로 변환하고,
    상기 일정한 시간 간격은 심전도 샘플링 주기만큼 짧아질 수 있으며 샘플링 주기가 짧을 경우 입력데이터열을 다양하게 생성하는 것이 가능하여 심층신경망을 여러 번 가동할 수 있으며, 상기 심층신경망은 상기 입력데이터열을 입력 데이터로 하고 상기 입력데이터열이 생성된 심전도 신호 파형의 후방 파형 구간에서 시작점 또는 끝점의 유무에 따라 0 또는 1 값을 출력 데이터로 하는 학습 데이터를 이용해 학습된 것을 특징으로 하는 하는 인공지능 기반 심전도 자동 분석 방법.
  7. 삭제
  8. 삭제
  9. 제6항에 있어서,
    상기 판정된 심전도 파형의 시작점 또는 끝점에 근거하여 심전도 파형의 폭, 간격, 피크투피크(peak-to-peak) 및 면적, 구간 상승율 등을 포함하는 파라미터를 추출하는 파라미터 추출 단계를 더 포함하는 것을 특징으로 하는 인공지능 기반 심전도 자동 분석 방법.
KR1020190175706A 2019-12-26 2019-12-26 인공지능 기반 심전도 자동 분석 장치 및 방법 KR102386896B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190175706A KR102386896B1 (ko) 2019-12-26 2019-12-26 인공지능 기반 심전도 자동 분석 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190175706A KR102386896B1 (ko) 2019-12-26 2019-12-26 인공지능 기반 심전도 자동 분석 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20210083087A KR20210083087A (ko) 2021-07-06
KR102386896B1 true KR102386896B1 (ko) 2022-04-15

Family

ID=76860993

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190175706A KR102386896B1 (ko) 2019-12-26 2019-12-26 인공지능 기반 심전도 자동 분석 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102386896B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113647959B (zh) * 2021-07-27 2024-01-12 东软集团股份有限公司 一种心电波形信号的波形识别方法、装置及设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002153434A (ja) * 2000-11-17 2002-05-28 Dainippon Printing Co Ltd 時系列信号解析装置
WO2019100561A1 (zh) * 2017-11-27 2019-05-31 乐普(北京)医疗器械股份有限公司 基于人工智能的心电图干扰识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100748184B1 (ko) * 2005-05-11 2007-08-10 인하대학교 산학협력단 신경망을 이용한 심전도 기반의 심장질환 진단장치 및방법
KR101536361B1 (ko) 2009-06-02 2015-07-15 충북대학교 산학협력단 심전도 신호 분석 방법 및 그를 이용한 심전도 장치

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002153434A (ja) * 2000-11-17 2002-05-28 Dainippon Printing Co Ltd 時系列信号解析装置
WO2019100561A1 (zh) * 2017-11-27 2019-05-31 乐普(北京)医疗器械股份有限公司 基于人工智能的心电图干扰识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
유창영 et al "심전도를 분석함으로써 부정맥을 판정하기 위한 심층신경망 연동 규칙 기반 알고리즘." 대한기계학회 춘추학술대회, pp. 1727-1729(2019.11.) 1부.*

Also Published As

Publication number Publication date
KR20210083087A (ko) 2021-07-06

Similar Documents

Publication Publication Date Title
US7572231B2 (en) Method of and system for signal separation during multivariate physiological monitoring
US8055333B2 (en) Device and method for detecting cardiac impairments
Chanwimalueang et al. Enabling R-peak detection in wearable ECG: Combining matched filtering and Hilbert transform
US20080194978A1 (en) Apparatus and Method for Analysis of High Frequency Qrs Complexes
Kantz et al. Human ECG: nonlinear deterministic versus stochastic aspects
CN109691994A (zh) 一种基于心电图的心率监测分析方法
CN110897633A (zh) 基于深度神经网络的心电信号分割方法
CN108597336B (zh) 心电波形仿真方法
CN109288515B (zh) 基于穿戴式心电信号中早搏信号的周期性监测方法及装置
Tueche et al. Embedded algorithm for QRS detection based on signal shape
Satija et al. A simple method for detection and classification of ECG noises for wearable ECG monitoring devices
Polanía et al. Method for classifying cardiac arrhythmias using photoplethysmography
Sinha et al. Identification and localization of myocardial infarction based on analysis of ECG signal in cross spectral domain using boosted SVM classifier
Galli et al. Robust estimation and tracking of heart rate by PPG signal analysis
Satija et al. Low-complexity detection and classification of ECG noises for automated ECG analysis system
Reddy et al. Ecg signal characterization and correlation to heart abnormalities
KR102386896B1 (ko) 인공지능 기반 심전도 자동 분석 장치 및 방법
Western et al. Real-time feedback of dynamic cardiac repolarization properties
CN114052681B (zh) 一种基于心电判读系统的血压监测方法及系统
Yesudasu et al. A Review on Analysis of Cardiac Arrhythmia from Heart Beat Classification
CA2713305A1 (en) Method of and system for signal separation during multivariate physiological monitoring
Karnan et al. An efficient cardiac arrhythmia onset detection technique using a novel feature rank score algorithm
Revanth et al. Detection of QRS Complexes in ECG Signal
Sahay et al. Computer‐Aided Interpretation of ECG Signal—A Challenge
Potekhin et al. ANALYSIS OF ACUTE MYOCARDIAL INFARCTION USING ECG SIGNALS AND MACHINE LEARNING ALGORITHMS

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant