KR102404715B1 - Heart Disease Diagnosis System and Method Using Cardiac Sound Data - Google Patents

Heart Disease Diagnosis System and Method Using Cardiac Sound Data Download PDF

Info

Publication number
KR102404715B1
KR102404715B1 KR1020190162884A KR20190162884A KR102404715B1 KR 102404715 B1 KR102404715 B1 KR 102404715B1 KR 1020190162884 A KR1020190162884 A KR 1020190162884A KR 20190162884 A KR20190162884 A KR 20190162884A KR 102404715 B1 KR102404715 B1 KR 102404715B1
Authority
KR
South Korea
Prior art keywords
heart sound
sound data
disease
heart
data
Prior art date
Application number
KR1020190162884A
Other languages
Korean (ko)
Other versions
KR20210072866A (en
Inventor
신동진
김광기
오병천
경선영
이장형
Original Assignee
(의료)길의료재단
가천대학교 산학협력단
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 (의료)길의료재단, 가천대학교 산학협력단 filed Critical (의료)길의료재단
Priority to KR1020190162884A priority Critical patent/KR102404715B1/en
Publication of KR20210072866A publication Critical patent/KR20210072866A/en
Application granted granted Critical
Publication of KR102404715B1 publication Critical patent/KR102404715B1/en

Links

Images

Classifications

    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • 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
    • A61B7/00—Instruments for auscultation
    • A61B7/02—Stethoscopes
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • Veterinary Medicine (AREA)
  • Primary Health Care (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Acoustics & Sound (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

심음 데이터를 이용한 심장 질환 예측 시스템을 제공한다. 본 발명의 실시예에 따른 시스템은 심음 획득부(100), 각각 병명이 판별되어 부여된 다수의 제1 심음 데이터와, 정상으로 판별되어 부여된 다수의 제2 심음 데이터가 미리 저장되는 데이터베이스(200), 상기 심음 획득부(100)가 획득한 예측 대상 심음 데이터와, 상기 데이터베이스(200)에 저장된 다수의 제1 심음 데이터를 소정의 방법으로 전처리하는 심음 전처리부(300) 및 상기 데이터베이스(200)에 저장된 제1 및 제2 심음 데이터를 이용하여 소정의 방법으로 질환 예측 모델을 생성하고, 생성된 상기 질환 예측 모델에 따라 상기 예측 대상 심음 데이터에 상응하는 질환을 예측하거나, 상기 심음 전처리부(300)에 의해 전처리된 전처리 심음 데이터에 대해 소정의 방법으로 상기 예측 대상 심음 데이터에 상응하는 질환을 예측하는 인공지능 서버(500)를 포함할 수 있다.A heart disease prediction system using heart sound data is provided. The system according to an embodiment of the present invention includes a heart sound acquisition unit 100, a database 200 in which a plurality of first heart sound data assigned by determining a disease name, and a plurality of second heart sound data assigned by determining a disease name are stored in advance. ), a heart sound preprocessing unit 300 and the database 200 that preprocess the prediction target heart sound data acquired by the heart sound acquisition unit 100 and a plurality of first heart sound data stored in the database 200 by a predetermined method. A disease prediction model is generated by a predetermined method using the first and second heart sound data stored in the , and a disease corresponding to the prediction target heart sound data is predicted according to the generated disease prediction model, or the heart sound preprocessing unit 300 ) may include an artificial intelligence server 500 for predicting a disease corresponding to the prediction target heart sound data by a predetermined method for the pre-processed heart sound data preprocessed by .

Description

심음 데이터를 이용한 심장질환 진단 시스템 및 방법{Heart Disease Diagnosis System and Method Using Cardiac Sound Data}Heart Disease Diagnosis System and Method Using Cardiac Sound Data

본 발명은 심음 데이터를 이용한 심장 질환 진단 시스템 및 방법에 관한 것이다.The present invention relates to a system and method for diagnosing a heart disease using heart sound data.

심장질환은 전세계 사망의 주요 원인을 차지하며, 심장질환으로 인한 사망이 점점 늘어나고 있는 추세이다.Heart disease is the leading cause of death worldwide, and the number of deaths due to heart disease is increasing.

과학기술의 발달과 함께 현대사회의 부적절한 생활양식은 심장질환을 유발하는 일반적인 요인으로 작용하고 있다. 특히, 대부분의 시간을 앉아서 업무를 처리하는 생활양식은 현대인들에게 운동 부족 상태를 초래하였고, 고지방 섭취와 비만을 초래하는 식사습관, 흡연, 고혈압 등은 심장질환의 발생을 증가시키고 있다.Along with the development of science and technology, an improper lifestyle in modern society is acting as a common factor inducing heart disease. In particular, the lifestyle of sitting most of the time working has resulted in a lack of exercise in modern people, and eating habits that lead to high fat intake and obesity, smoking, and high blood pressure are increasing the incidence of heart disease.

따라서, 심장질환의의 조기 진단이 가능한 시스템의 필요성이 대두되고 있다. 심장질환은 대부분 치명적이거나 심한 후유증을 남기기 때문에 심장질환의 조기 발견은 매우 중요하다고 할 것이다. 하지만, 심장질환 검사는 환자들에게 많은 비용 부담을 요구하고, 오랜 진단시간이 소요되는 단점이 있었다. 특히, 만성 심장질환 환자의 경우 주기적인 심장질환 검사가 필요하므로 많은 부담이 초래되고 있었다.Accordingly, there is a need for a system capable of early diagnosis of heart disease. Since most heart diseases leave fatal or severe sequelae, early detection of heart disease is very important. However, heart disease testing has disadvantages in that it requires a lot of cost to patients and takes a long time for diagnosis. In particular, in the case of patients with chronic heart disease, periodic heart disease examinations are required, resulting in a great burden.

또한, 기존의 심장질환 검사는 검사 데이터를 가지고 진단의의 임상적 경험에 따라 심장질환 유무를 진단하는 방식인데, 이는 주관적 판단에 근거하기 때문에 객관성의 담보가 결여되는 문제가 있었다.In addition, the existing heart disease test is a method of diagnosing the presence or absence of heart disease according to the clinical experience of a diagnostician with test data, but since it is based on subjective judgment, there is a problem in that the guarantee of objectivity is lacking.

따라서, 비용의 이슈가 최소화되면서도 객관성이 담보되는 심장질환 진단 시스템에 대한 수요가 증가하고 있는 실정이다.Accordingly, the demand for a heart disease diagnosis system that ensures objectivity while minimizing the cost issue is increasing.

한국등록특허문헌 제10-1799194호 (2017.11.17.)Korean Patent Document No. 10-1799194 (2017.11.17.) 한국공개특허문헌 제10-2017-0064960호 (2017.06.12.)Korean Patent Publication No. 10-2017-0064960 (2017.06.12.) 한국등록특허문헌 제10-1398218호(2014.05.15.)Korean Patent Document No. 10-1398218 (2014.05.15.)

상기한 과제를 해결하기 위해 본 발명은 심음 데이터를 획득하고, 획득한 심음 데이터를 이용하여 인공지능 연산을 통한 질환 예측 또는 심음 데이터 전처리를 통해 기존의 질환 데이터와 비교하여 해당 심음 데이터에 상응하는 질환을 높은 정확도로 예측할 수 있는 시스템을 제공하고자 한다.In order to solve the above problems, the present invention obtains heart sound data, and uses the obtained heart sound data to predict a disease through artificial intelligence calculation or compare it with existing disease data through heart sound data pre-processing to obtain a disease corresponding to the heart sound data. We aim to provide a system that can predict with high accuracy.

상기한 목적을 달성하기 위한 본 발명의 일 실시예는 심음 획득부(100), 각각 병명이 판별되어 부여된 다수의 제1 심음 데이터와, 정상으로 판별되어 부여된 다수의 제2 심음 데이터가 미리 저장되는 데이터베이스(200), 상기 심음 획득부(100)가 획득한 예측 대상 심음 데이터와, 상기 데이터베이스(200)에 저장된 다수의 제1 심음 데이터를 소정의 방법으로 전처리하는 심음 전처리부(300) 및 상기 데이터베이스(200)에 저장된 제1 및 제2 심음 데이터를 이용하여 소정의 방법으로 질환 예측 모델을 생성하고, 생성된 상기 질환 예측 모델에 따라 상기 예측 대상 심음 데이터에 상응하는 질환을 예측하거나, 상기 심음 전처리부(300)에 의해 전처리된 전처리 심음 데이터에 대해 소정의 방법으로 상기 예측 대상 심음 데이터에 상응하는 질환을 예측하는 인공지능 서버(500)를 포함하는, 인공지능을 이용한 심장 질환 예측 시스템을 제공한다.According to an embodiment of the present invention for achieving the above object, the heart sound acquisition unit 100 prepares a plurality of first heart sound data assigned by determining the disease name and a plurality of second heart sound data assigned by determining the disease name in advance. A stored database 200, a heart sound preprocessing unit 300 for preprocessing the prediction target heart sound data obtained by the heart sound acquisition unit 100, and a plurality of first heart sound data stored in the database 200 by a predetermined method; A disease prediction model is generated by a predetermined method using the first and second heart sound data stored in the database 200, and a disease corresponding to the prediction target heart sound data is predicted according to the generated disease prediction model, or the A heart disease prediction system using artificial intelligence, including an artificial intelligence server 500 for predicting a disease corresponding to the heart sound data to be predicted by a predetermined method on the pre-processed heart sound data pre-processed by the heart sound pre-processing unit 300 to provide.

일 실시예에 있어서, 상기 심음 전처리부(300)는, 상기 심음 데이터에 대해 단시간 푸리에 변환(Short-Time Fourier Transform, STFT)을 수행하는 단시간 주파수 변환부(310), 상기 심음 데이터를 구성하는 제1 심음(S1)과 제2 심음(S2)의 개수가 소정의 개수로 규격화(normarlizing)되도록 상기 심음 데이터를 전처리하는 제1 신호 전처리부(320), 상기 심음 데이터를 구성하는 심음 획득 시간이 통일화되도록 상기 심음 데이터를 전처리하는 제2 신호 전처리부(330), 상기 심음 데이터 중 소정의 문턱주파수값(fth)보다 큰 주파수 대역의 신호의 진폭(dB)이 저감되거나 제거되도록 상기 심음 데이터를 전처리하는 제3 신호 전처리부(340) 및 상기 심음 데이터의 상기 제1 심음(S1)과 상기 제2 심음(S2)의 진폭을 검출하는 피크 검출부(350)를 포함할 수 있다.In an embodiment, the heart sound pre-processing unit 300 includes a short-time frequency transform unit 310 that performs a Short-Time Fourier Transform (STFT) on the heart sound data, a first component constituting the heart sound data. The first signal preprocessor 320 preprocesses the heart sound data so that the number of first and second heart sounds S 1 and S 2 is normalized to a predetermined number, and a heart sound acquisition time constituting the heart sound data A second signal pre-processing unit 330 pre-processing the heart sound data so as to unify the heart sound data, the heart sound data such that the amplitude (dB) of a signal in a frequency band greater than a predetermined threshold frequency value (f th ) of the heart sound data is reduced or removed It may include a third signal preprocessor 340 for preprocessing , and a peak detector 350 for detecting amplitudes of the first heart sound S 1 and the second heart sound S 2 of the heart sound data.

일 실시예에 있어서, 상기 예측 대상 심음 데이터의 진폭을 제1 음원 품질 계수(Iq1)로 연산하고, 상기 예측 대상 심음 데이터 중 상기 소정의 문턱주파수값(fth)보다 높은 주파수 대역의 파워(PH)를 상기 소정의 문턱주파수값(fth)보다 낮은 주파수 대역의 파워(PL)로 나눈 값을 제2 음원 품질 계수(Iq2)로 연산하는 음원 품질 계수 연산부(400)를 더 포함할 수 있다.In one embodiment, the amplitude of the prediction target heart sound data is calculated as a first sound source quality factor (I q1 ), and the power of a frequency band higher than the predetermined threshold frequency value (f th ) among the prediction target heart sound data ( P H ) divided by the power ( PL ) of a frequency band lower than the predetermined threshold frequency value (f th ) as a second sound source quality coefficient (I q2 ) A sound source quality coefficient calculating unit 400 further comprising can do.

일 실시예에 있어서, 상기 인공지능 서버(500)는, 상기 데이터베이스(200)에 미리 저장된 다수의 상기 제1 및 제2 심음 데이터를 학습하여 소정의 방법에 따라 상기 심음 데이터를 구성하는 다수의 정보 각각에 대한 가중치를 선정하고, 선정된 가중치를 이용하여 상기 예측 대상 심음 데이터에 상응하는 질환을 예측할 수 있다.In an embodiment, the artificial intelligence server 500 learns a plurality of the first and second heart sound data stored in advance in the database 200, and a plurality of pieces of information configuring the heart sound data according to a predetermined method. A weight for each may be selected, and a disease corresponding to the heart sound data to be predicted may be predicted using the selected weight.

일 실시예에 있어서, 상기 다수의 제1 심음 데이터가 상기 전처리부(300)에서 전처리되고, 하나의 심음 데이터에 대한 전처리 횟수에 따라 결정된 다차원 공간 상에 상기 다수의 제1 심음 데이터가 각각 사상되며, 상기 예측 대상 심음 데이터가 상기 전처리부(300)에서 전처리되어, 전처리 심음 데이터가 상기 다차원 공간 상에 사상될 수 있다.In one embodiment, the plurality of first heart sound data is pre-processed by the pre-processing unit 300 , and the plurality of first heart sound data is mapped to a multidimensional space determined according to the number of pre-processing of one heart sound data, respectively, , the prediction target heart sound data may be pre-processed by the pre-processing unit 300 , and the pre-processed heart sound data may be mapped on the multidimensional space.

일 실시예에 있어서, 상기 다차원 공간 상에 사상된 상기 다수의 제1 심음 데이터는 판별된 병명별로 각각 군집을 이루며, 상기 인공지능 서버(500)는 상기 다차원 공간에 사상된 상기 예측 대상 심음 데이터와, 각 군집의 중심점에 상응하는 데이터와의 거리를 연산하고, 연산된 거리에 기초하여 상기 예측 대상 심음 데이터의 질환 또는 질환 가능성을 예측하는 질환 예측부(560)를 더 포함할 수 있다.In one embodiment, the plurality of first heart sound data mapped on the multi-dimensional space forms a cluster for each identified disease name, and the artificial intelligence server 500 includes the prediction target heart sound data mapped in the multi-dimensional space and , may further include a disease predictor 560 that calculates a distance from data corresponding to the center point of each cluster, and predicts a disease or disease possibility of the heart sound data to be predicted based on the calculated distance.

일 실시예에 있어서, 상기 질환 예측부(560)는 상기 연산된 거리를, 해당 군집을 구성하는 데이터들의 표준편차로 나눈 값을 이용하여 상기 예측 대상 심음 데이터의 질환 또는 질환 가능성을 예측할 수 있다.In an embodiment, the disease predictor 560 may predict a disease or disease possibility of the heart sound data to be predicted by using a value obtained by dividing the calculated distance by the standard deviation of data constituting the cluster.

일 실시예에 있어서, 상기 질환 예측부(560)는 연산한 다수의 거리 중 최소가 되는 거리에 상응하는 군집에 해당하는 병명을 상기 예측 대상 심음 데이터의 질환으로 예측할 수 있다.In an embodiment, the disease predictor 560 may predict a disease name corresponding to a cluster corresponding to a minimum distance among a plurality of calculated distances as the disease of the heart sound data to be predicted.

본 발명에 따르면, 청진기와 같은 심음 획득부를 이용하여 심음 측정 대상의 심음 데이터를 획득하는 것만으로, 해당 심음 데이터에 상응하는 심장 질환을 높은 정확도로 예측하는 것이 가능하다.According to the present invention, it is possible to predict a heart disease corresponding to the heart sound data with high accuracy only by acquiring heart sound data of a heart sound measurement target using a heart sound acquisition unit such as a stethoscope.

이를 통해, 많은 비용과 시간이 소모되는 종래의 심장질환 검사를 이용하지 않고서도 심장 질환을 예측할 수 있게 되어, 환자와 의료진의 편의성이 모두 증진된다.Through this, it is possible to predict a heart disease without using a conventional heart disease test, which is expensive and time-consuming, so that both the convenience of the patient and the medical staff are improved.

획득된 심음 데이터의 음원 품질을 연산하고 이를 심장 질환 예측의 신뢰도를 평가하는데 이용하게 되어, 질환 예측의 신뢰도를 담보하는 것이 가능하다.Since the sound source quality of the acquired heart sound data is calculated and used to evaluate the reliability of heart disease prediction, it is possible to guarantee the reliability of the disease prediction.

심장 질환 예측에 사용된 데이터는 다시 데이터베이스에 저장되어, 데이터들이 축적됨에 따라 보다 높은 정확도로 심장 질환을 예측하는 것이 가능하다.The data used for predicting heart disease is again stored in the database, and as the data is accumulated, it is possible to predict heart disease with higher accuracy.

도 1은 본 발명의 실시예에 따른 시스템을 설명하기 위한 블록도이다.
도 2는 심음 획득부에서 획득한 심음 신호를 나타낸 도면이다.
도 3은 임의의 문턱주파수값들로 구분지어진 주파수 대역의 예시를 도시한다.
도 4 및 5는 병명이 판별되어 부여된 다수의 제1 심음 데이터가 다차원 공간(hyper-space) 상에서 군집화되어 사상된 것을 설명하기 위한 도면이다.
도 6은 질의되는 임의의 예측 대상 심음 데이터와 다차원 공간 상에 군집화되어 사상된 다수의 제1 심음 데이터 사이의 거리를 연산하는 것을 설명하기 위한 도면이다.1 is a block diagram illustrating a system according to an embodiment of the present invention.
2 is a diagram illustrating a heart sound signal acquired by a heart sound acquisition unit.
3 shows an example of a frequency band divided by arbitrary threshold frequency values.
4 and 5 are diagrams for explaining that a plurality of first heart sound data assigned after a disease name is determined are clustered and mapped in a multi-dimensional space (hyper-space).
FIG. 6 is a diagram for explaining calculation of a distance between arbitrary prediction target heart sound data to be queried and a plurality of first heart sound data clustered and mapped in a multidimensional space.

이하, 첨부된 도면을 참조하여 본 발명을 상세히 설명한다.Hereinafter, the present invention will be described in detail with reference to the accompanying drawings.

도 1을 참조하면, 본 발명의 실시예에 따른 시스템은 심음 획득부(100), 데이터베이스(200), 심음 전처리부(300), 음원 품질 계수 연산부(400), 인공지능 서버(500) 및 디스플레이(600)를 포함할 수 있다.Referring to FIG. 1 , the system according to an embodiment of the present invention includes a heart sound acquisition unit 100 , a database 200 , a heart sound preprocessing unit 300 , a sound quality factor calculating unit 400 , an artificial intelligence server 500 and a display. (600).

심음 획득부(100)는 심음 측정 대상에 부착되어, 부착된 대상의 심음을 획득하는 부분이다.The heart sound acquisition unit 100 is attached to a heart sound measurement target and acquires a heart sound of the attached target.

일 예로, 청진기가 이에 해당할 수 있으며 이외에도 심음 측정 대상에 소정 시간 이상 부착 상태가 유지되어 부착 시간 동안 부착된 대상의 심음을 획득할 수 있는 장치이면 어느 것이든 적용될 수 있다.For example, a stethoscope may correspond to this, and any device may be applied as long as the attachment state is maintained on the heart sound measurement target for a predetermined time or longer and thus can acquire the heart sound of the attached target object during the attachment time.

심음 획득부(100)에 의해 획득된 심음 신호는, 일 예로 도 2에 도시된 바와 같이 시간(t)을 x축으로, 진폭(Amplitude, Amp)을 y축으로 하는 그래프로 나타날 수 있다.As an example, the heart sound signal acquired by the heart sound acquisition unit 100 may be represented as a graph in which time (t) is an x-axis and amplitude (Amplitude, Amp) is a y-axis, as shown in FIG. 2 .

데이터베이스(200)에는 각각 병명이 판별되어 부여된 다수의 제1 심음 데이터와, 정상으로 판별된 다수의 제2 심음 데이터가 미리 저장된다. 상기 병명은, 동맥경화증, 승모판협착증, 승모판폐쇄부전증, 대동맥판협착증, 허혈성 심장질환, 확장성 심근증, 비후성 심근증 등을 포함할 수 있으며, 이에 제한되지 않고 심장과 관련된 질환이면 모두 포함될 수 있다.The database 200 pre-stores a plurality of first heart sound data assigned with each disease name determined and a plurality of second heart sound data determined as normal. The disease name may include arteriosclerosis, mitral stenosis, mitral valve insufficiency, aortic stenosis, ischemic heart disease, dilated cardiomyopathy, hypertrophic cardiomyopathy, and the like, but is not limited thereto, and may include any heart-related disease.

심음 전처리부(300)는 심음 획득부(100)에 획득된 예측 대상 심음 데이터, 그리고 데이터베이스(200)에 저장되어 있는 제1 심음 데이터 및 제2 심음 데이터를 소정의 방법으로 전처리하며, 단시간 주파수 변환부(310), 제1 신호 전처리부(320), 제2 신호 전처리부(330), 제3 신호 전처리부(340) 및 피크 검출부(350)를 포함할 수 있다.The heart sound preprocessor 300 pre-processes the prediction target heart sound data acquired by the heart sound acquirer 100 and the first heart sound data and the second heart sound data stored in the database 200 by a predetermined method, and performs short-time frequency conversion. It may include a unit 310 , a first signal preprocessor 320 , a second signal preprocessor 330 , a third signal preprocessor 340 , and a peak detector 350 .

단시간 주파수 변환부(310)는 심음 데이터에 대해 단시간 푸리에 변환(Short-Time Fourier Transform, STFT)을 수행한다. 심음 데이터에 대해 STFT를 수행하면, 시간(t)을 x축으로, 주파수(Frequency, F)를 y축으로 하는 그래프가 얻어질 수 있다.The short-time frequency transform unit 310 performs a short-time Fourier transform (STFT) on the heart sound data. When STFT is performed on heart sound data, a graph with time (t) as the x-axis and frequency (Frequency, F) as the y-axis can be obtained.

다수의 대상으로부터 얻어진 심음 데이터는 획득 시간과, 데이터를 구성하는 샘플 포인트 개수, 진폭, 주파수 등이 상이할 수 있다. 이를 규격화하기 위해 본 발명에서는 아래와 같은 전처리 과정이 더 수행될 수 있다.Heart sound data obtained from a plurality of objects may have different acquisition times, number of sample points constituting the data, amplitudes, frequencies, and the like. In order to standardize this, in the present invention, the following pre-processing process may be further performed.

제1 신호 전처리부(320)는 심음 데이터를 구성하는 샘플 포인트의 개수를 규격화한다. 심음 데이터는 주기적으로 반복하고, 한 주기당 이첨판과 삼첨판이 닫힐 때 발생하는 음에 대응하는 제1 심음(S1)과, 반월판이 닫힐 때 발생하는 음에 대응하는 제2 심음(S2)을 포함하게 된다.The first signal preprocessor 320 normalizes the number of sample points constituting the heart sound data. The heart sound data is repeated periodically, and the first heart sound (S 1 ) corresponding to the sound generated when the bicuspid and tricuspid valves are closed and the second heart sound (S 2 ) corresponding to the sound generated when the meniscus is closed are generated per cycle. will include

제1 심음(S1)과 제2 심음(S2)을 포함하는 한 주기의 심음 데이터가 적어도 100개가 필요하다고 가정한다. 일 대상으로부터 획득된 심음 데이터가 90 주기의 심음 데이터를 포함하고 있다고 할 때, 제1 신호 전처리부는 90 주기의 심음 데이터의 패턴으로부터 그 다음 10 주기를 심음 데이터를 추정하는 외삽법(Extrapolation)을 수행하여 100 주기의 심음 데이터를 획득하도록 할 수 있다. 또한, 내삽법(Interpolation)을 수행하여 100 주기의 심음 데이터를 획득하는 것도 역시 가능하다.It is assumed that at least 100 pieces of heart sound data for one cycle including the first heart sound (S 1 ) and the second heart sound (S 2 ) are required. When it is assumed that the heart sound data obtained from one object includes heart sound data of 90 cycles, the first signal preprocessor performs an extrapolation method of estimating the heart sound data for the next 10 cycles from the pattern of the heart sound data of 90 cycles. Thus, 100 cycles of heart sound data can be acquired. In addition, it is also possible to obtain 100 cycles of heart sound data by performing interpolation.

제1 신호 전처리부(320)에 의해 임의의 대상으로부터 획득된 심음 데이터가 100 주기의 심음 데이터를 포함하도록 전처리하는 것이 가능하다.It is possible to pre-process the heart sound data obtained from an arbitrary object by the first signal pre-processing unit 320 to include heart sound data of 100 cycles.

제2 신호 전처리부(330)는 대상으로부터 획득된 심음 데이터의 획득 시간을 통일화한다.The second signal preprocessor 330 unifies the acquisition time of the heart sound data acquired from the target.

대상마다 획득된 심음 데이터의 획득 시간은 다를 것인데, 제2 신호 전처리부(230)는 이를 통일화하게 된다.The acquisition time of the acquired heart sound data will be different for each subject, and the second signal preprocessor 230 unifies them.

일 예로, 제2 신호 전처리부(330)는 142초의 시간을 통해 획득된 어느 하나의 심음 데이터의 전반부 또는 후반부 일부를 제거하는 절단(Truncation)하여 100초의 시간을 통해 획득된 심음 데이터를 생성하거나, 83초의 시간을 통해 획득된 다른 하나의 심음 데이터를 덧붙여(append) 100초의 시간을 통해 획득된 심음 데이터를 생성할 수 있다.As an example, the second signal preprocessor 330 generates heart sound data acquired over a time of 100 seconds by truncating to remove a part of the first half or the second half of any one heart sound data acquired over a time of 142 seconds, or Another heart sound data acquired through a time of 83 seconds may be appended to generate heart sound data obtained through a time of 100 seconds.

제3 신호 전처리부(340)는 대상으로부터 획득된 심음 데이터에 포함된 잡음 강도를 저감한다.The third signal preprocessor 340 reduces the noise intensity included in the heart sound data obtained from the object.

심음 데이터 중 실제 심장으로부터 획득되는 신호음은 저주파대역에 집중하여 분포하고, 나머지 잡음(noise)은 광대역에 걸쳐 분포하는 특성이 있다. 따라서, 순수 잡음으로 볼 수 있는 고주파대역에 존재하는 신호를 저감하면 신호 강도를 상대적으로 증진시킬 수 있다.Among the heart sound data, the signal sound obtained from the actual heart is concentrated and distributed in a low frequency band, and the remaining noise is distributed over a wide band. Therefore, when a signal existing in a high frequency band, which can be viewed as pure noise, is reduced, signal strength can be relatively improved.

제3 신호 전처리부(340)는 소정의 주파수 값을 문턱주파수값(threshold frequency, fth)으로 미리 설정하고, 이보다 높은 주파수 대역에 존재하는 신호의 강도를 감소시키거나 제거함으로써 실제 심장으로부터 획득되는 신호음을 상대적으로 증진시키게 된다.The third signal preprocessing unit 340 presets a predetermined frequency value as a threshold frequency value (f th ), and reduces or removes the intensity of a signal existing in a higher frequency band than that obtained from the actual heart. The signal tone is relatively enhanced.

피크 검출부(350)는 심음 데이터의 피크에 해당하는 제1 심음(S1)과 제2 심음(S2)의 진폭을 검출한다.The peak detector 350 detects amplitudes of the first heart sound S 1 and the second heart sound S 2 corresponding to the peaks of the heart sound data.

상기한 단시간 주파수 변환부(310), 제1 신호 전처리부(320), 제2 신호 전처리부(330), 제3 신호 전처리부(340) 및 피크 검출부(350)에 의해 대상으로부터 획득된 예측 대상 심음 데이터에 대해 정량화되고 규격화된 데이터가 획득될 수 있다.The prediction target obtained from the target by the short-time frequency converter 310 , the first signal preprocessor 320 , the second signal preprocessor 330 , the third signal preprocessor 340 and the peak detector 350 . Quantified and normalized data for heart sound data may be obtained.

음원 품질 계수 연산부(400)는, 시간(t)을 x축으로, 진폭(Amp)을 y축으로 하는 도 2의 그래프와, 시간(t)을 x축으로, 주파수(f)를 y축으로 하는 그래프를 이용하여 제1 음원 품질 계수(Iq1)와 제2 음원 품질 계수(Iq2)를 연산한다.The sound source quality coefficient calculating unit 400 has the graph of FIG. 2 with time (t) as the x-axis and amplitude (Amp) as the y-axis, time (t) as the x-axis, and frequency (f) as the y-axis The first sound source quality coefficient (I q1 ) and the second sound source quality coefficient (I q2 ) are calculated using the graph.

대상으로부터 획득된 심음 데이터는 획득 대상에 따라 그 품질이 상이할 수 있다. 어떤 대상으로부터 획득된 심음 데이터는 최소한의 잡음만이 포함되고 높은 진폭을 가진 데이터일 수 있는 반면, 다른 대상으로부터 획득된 심음 데이터는 많은 잡음이 포함되고 낮은 진폭을 가진 데이터일 수 있다.The quality of the heart sound data acquired from the target may be different depending on the acquired target. Heart sound data obtained from a certain object may include minimal noise and have a high amplitude, while heart sound data obtained from another object may include a lot of noise and have a low amplitude.

즉, 대상마다 획득된 심음 데이터의 상이한 진폭, 잡음의 영향을 최소화하여 진단의 정확성을 높이기 위해, 본 발명에서는 진폭(dB)을 제1 음원 품질 계수(Iq1)로, 그리고 아래에 설명된 방법에 따라 제2 음원 품질 계수(Iq2)를 규정하여 추후 심장 질환 진단에 이용하게 된다.That is, in order to increase the accuracy of diagnosis by minimizing the influence of different amplitudes and noise of the heart sound data obtained for each subject, in the present invention, the amplitude (dB) is used as the first sound source quality factor (I q1 ), and the method described below Accordingly, the second sound source quality factor (I q2 ) is defined and used for later heart disease diagnosis.

보다 구체적으로, 심음의 주파수 표현(frequency domain representation)에서 잡음(noise)은 광대역에 걸쳐 분포하고, 신호음은 저주파대역에 집중하여 분포하는 특성에 기초하여, 소정의 주파수 값을 문턱주파수값(threshold frequency, fth)으로 미리 설정하고, fth보다 낮은 주파수 대역의 파워(PL)와, fth보다 높은 주파수 대역의 파워(PH)를 각각 연산하여 그 비율(PL/PH)을 제2 음원품질계수(Iq2)로 규정한다.More specifically, in the frequency domain representation of the heart sound, a predetermined frequency value is set as a threshold frequency value based on the characteristic that noise is distributed over a wide band and signal sound is distributed over a low frequency band. , f th ), and calculates the power ( PL ) of the frequency band lower than f th and the power (P H ) of the frequency band higher than f th , respectively, and calculates the ratio ( PL /P H ) 2 It is defined by the sound quality factor (I q2 ).

임의의 주파수 f0, f1에 대해, f0<f<f1 구간 주파수 대역의 에너지는 하기의 수학식 1을 통해 연산될 수 있다.For arbitrary frequencies f 0 and f 1 , the energy of the frequency band in the interval f 0 <f < f 1 may be calculated through Equation 1 below.

Figure 112019127055475-pat00001
Figure 112019127055475-pat00001

또한, fth보다 낮은 주파수 대역의 파워(PL)와, fth보다 높은 주파수 대역의 파워(PH)는 하기의 수식 2를 통해 연산될 수 있다.In addition, the power P L of a frequency band lower than f th and the power P H of a frequency band higher than f th may be calculated through Equation 2 below.

Figure 112019127055475-pat00002
Figure 112019127055475-pat00002

Figure 112019127055475-pat00003
Figure 112019127055475-pat00003

Figure 112019127055475-pat00004
Figure 112019127055475-pat00004

이렇게 연산된 PH/PL을 제2 음원 품질 계수(Iq2)로 이용하게 된다.The calculated P H /P L is used as the second sound source quality factor (I q2 ).

일반적으로, 심음 획득부(100)에 의한 심음 획득 과정에서 순수한 심음뿐만 아니라 의료 인력과 환자 간의 대화, 청진기와 피부간 마찰, 청진기와 환자 의복 간 마찰 등의 다양한 잡음원에 노출되어 있으며, 잡음원을 완전히 제거하기는 어렵다.In general, in the heart sound acquisition process by the heart sound acquisition unit 100, not only pure heart sounds, but also various noise sources such as dialogue between medical personnel and patients, friction between the stethoscope and the skin, friction between the stethoscope and the patient's clothes, etc. It is difficult to remove.

심음 획득부(100)로부터 획득한 심음 데이터는 소정의 진폭(dB)을 가질 수 있으며, 따라서 제1 음원 품질 계수(Iq1)가 상기 소정의 진폭(dB)에 상응하는 경우에 이를 심음으로 보아 후술하는 인공지능 서버(500)로의 질의가 이루어질 수 있다.Heart sound data acquired from the heart sound acquisition unit 100 may have a predetermined amplitude (dB), and therefore, when the first sound source quality factor (I q1 ) corresponds to the predetermined amplitude (dB), it is regarded as a heart sound. A query to the artificial intelligence server 500, which will be described later, may be made.

또한, 심음 신호는 저주파대역에 집중하여 분포하는 특성이 있으므로, PH/PL로 연산되는 제2 음원 품질 계수(Iq2)가 소정 값 이하인 경우에 이를 심음으로 보아 후술하는 인공지능 서버(500)로의 질의가 이루어질 수 있다.In addition, since the heart sound signal has a characteristic of being concentrated and distributed in a low frequency band, when the second sound source quality factor (I q2 ) calculated by P H /P L is less than a predetermined value, it is regarded as a heart sound and will be described later as an artificial intelligence server (500). ) can be queried.

하지만, 이에 제한되지 않고 음원 품질 계수 연산부(400)에 의해 연산된 음원 품질 계수(Iq1, Iq2)는 후술하는 질환 예측부(560)에 의해 판단된 질환의 정확도와 신뢰도를 평가하는데 이용될 수 있다.However, it is not limited thereto, and the sound source quality coefficients (I q1 , I q2 ) calculated by the sound source quality coefficient calculating unit 400 are used to evaluate the accuracy and reliability of the disease determined by the disease prediction unit 560 to be described later. can

인공지능 서버(500)는 데이터베이스(200)에 저장된 제1 및 제2 심음 데이터를 이용하여 소정의 방법으로 질환 예측 모델을 생성하고, 생성된 질환 예측 모델에 따라 예측 대상 심음 데이터에 상응하는 질환을 예측하거나, 심음 전처리부(300)에 의해 전처리된 전처리 심음 데이터에 대해 소정의 방법으로 예측 대상 심음 데이터에 상응하는 질환을 예측한다.The artificial intelligence server 500 generates a disease prediction model by a predetermined method using the first and second heart sound data stored in the database 200, and detects a disease corresponding to the heart sound data to be predicted according to the generated disease prediction model. Predicting or predicting a disease corresponding to the heart sound data to be predicted by a predetermined method on the pre-processed heart sound data pre-processed by the heart sound pre-processing unit 300 .

먼저, 질환 예측 모델을 생성하는 방법을 구체적으로 설명한다.First, a method for generating a disease prediction model will be described in detail.

데이터 수집부(510)는 데이터베이스(200)에 저장된 제1 및 제2 심음 데이터를 일정 시간 간격으로 수집할 수 있다.The data collection unit 510 may collect the first and second heart sound data stored in the database 200 at regular time intervals.

데이터 학습 및 모델 생성부(520)는 일정 시간 간격으로 수집된 제1 및 제2 심음 데이터를 이용하여, 심장 질환 예측을 위한 모델을 생성하는데, 다변수 상관관계를 통한 기계 학습을 통하여 성능 예측을 가능하게 하며, 제1 및 제2 심음 데이터의 패턴분석을 통하여 성능 예측을 가능하게 하는 모델을 생성한다.The data learning and model generation unit 520 generates a model for predicting heart disease by using the first and second heart sound data collected at regular time intervals, and predicts performance through machine learning through multivariate correlation. and generates a model that enables performance prediction through pattern analysis of the first and second heart sound data.

즉, 데이터 학습 및 모델 생성부(520)는 일정 시간 간격으로 수집된 제1 및 제2 심음 데이터를 기계 학습 알고리즘을 통해 성능의 예측을 위한 모델을 생성하고, 성능 예측 및 가중치 선정부(530)로 하여금 생성된 모델로부터의 예측값과 실제 데이터를 비교하여 성능을 예측하게끔 할 수 있다.That is, the data learning and model generation unit 520 generates a model for performance prediction using the first and second heart sound data collected at regular time intervals through a machine learning algorithm, and the performance prediction and weight selection unit 530 . can predict the performance by comparing the predicted value from the generated model with the actual data.

데이터베이스(200)에 미리 저장된 제1 및 제2 심음 데이터들을 임의로 훈련용 데이터와 테스트 데이터로 분할된다.The first and second heart sound data previously stored in the database 200 are arbitrarily divided into training data and test data.

데이터 수집부(510)는 임의로 분할된 훈련용 데이터를 수집하고, 데이터 학습 및 모델 생성부(520)는 다수의 기계 학습 모델 중 어느 하나의 기계 학습 모델을 생성한다.The data collection unit 510 collects arbitrarily divided training data, and the data learning and model generation unit 520 generates any one machine learning model among a plurality of machine learning models.

데이터 학습 및 모델 생성부(520)는 임의로 분할된 상기 훈련용 데이터를 활용하여 격자탐색법(Grid Search), SVM(Support Vector Machine) 및 선형판별법 중 다양한 머신러닝 방법 중 하나를 적용하여 심음 데이터를 구성하는 다수의 정보 각각에 곱해지는 가중치를 연산한다.The data learning and model generation unit 520 applies one of various machine learning methods among Grid Search, SVM (Support Vector Machine), and linear discrimination method using the arbitrarily divided training data to generate heart sound data. A weight to be multiplied by each of the plurality of pieces of information is calculated.

즉, 데이터 학습 및 모델 생성부(520)에 의해 각 머신러닝 방법마다 상이한 가중치들이 연산될 것이다.That is, different weights will be calculated for each machine learning method by the data learning and model generation unit 520 .

다음, 성능 예측 및 가중치 선정부(530)는 데이터 학습 및 모델 생성부(520)에 의해 연산된 각각의 가중치를 테스트 데이터에 적용하여 테스트 성능 수치를 산출하게 되는데, 이들 중 가장 높은 테스트 성능 수치를 보이는 방법과 그에 상응하는 가중치가 선정된다. 즉, 질환 예측부(560)에서의 최종 출력값과 실제 값의 오차가 최소가 되도록 심음 데이터를 구성하는 다수의 정보 각각에 곱해지는 가중치가 선정된다.Next, the performance prediction and weight selection unit 530 applies the respective weights calculated by the data learning and model generation unit 520 to the test data to calculate test performance values, among which the highest test performance value is selected. Appearance methods and corresponding weights are selected. That is, a weight by which each of the plurality of pieces of information constituting the heart sound data is multiplied is selected so that the error between the final output value and the actual value from the disease predictor 560 is minimized.

가중 합산부(540)는 성능 예측 및 가중치 선정부(530)에서 선정된 다수의 가중치를 합산하며, 합산된 가중치를 이용하여 질의 입력부(550)를 통해 입력된 질의에 따라 질환 예측부(560)에서 질환을 예측하게 된다.The weight summing unit 540 sums up a plurality of weights selected by the performance prediction and weight selection unit 530, and the disease prediction unit 560 according to a query input through the query input unit 550 using the summed weights. to predict disease.

다음, 심음 전처리부(300)에 의해 전처리된 전처리 심음 데이터에 대해 소정의 방법으로 예측 대상 심음 데이터에 상응하는 질환을 예측하는 방법을 구체적으로 설명한다.Next, a method of predicting a disease corresponding to the heart sound data to be predicted by a predetermined method with respect to the pre-processed heart sound data pre-processed by the heart sound pre-processing unit 300 will be described in detail.

데이터베이스(200)에 저장되어 있는 각각 병명이 판별되어 부여된 다수의 제1 심음 데이터들은 각각 상기한 단시간 주파수 변환부(310), 제1 신호 전처리부(320), 제2 신호 전처리부(330), 제3 신호 전처리부(340) 및 피크 검출부(350)에 의해 정량적 데이터로 변환된다.The plurality of first heart sound data stored in the database 200, each of which is identified by a disease name, is the short-time frequency converter 310, the first signal preprocessor 320, and the second signal preprocessor 330, respectively. , is converted into quantitative data by the third signal preprocessor 340 and the peak detector 350 .

이들 정량적 데이터를 병합(Concatenate)하면, 하나의 심음 데이터에 대해 수행된 전처리 횟수와 동일한 차원의 공간에서, 다수의 제1 심음 데이터 각각이 상기 공간에 사상(즉, 다차원 공간(hyper-space)에서 하나의 포인트에 해당될 수 있음)되는데, 동일한 병명이 부여된 데이터들은 소정 간격 이내에 군집화(cluster)된다. 즉, 동일한 병명이 부여된 심음 데이터는 일정한 경향을 보이기 때문에, 다차원 공간에서 군집을 형성할 수 있게 되는 것이다.When these quantitative data are concatenated, each of a plurality of first heart sound data is mapped to the space (that is, in hyper-space) in a space of the same dimension as the number of preprocessing performed on one heart sound data. may correspond to one point), and data to which the same disease name is assigned are clustered within a predetermined interval. That is, since heart sound data to which the same disease name is assigned shows a certain tendency, it is possible to form a cluster in a multidimensional space.

또한, 심음 획득부(100)를 이용하여 질환 진단 대상으로부터 예측 대상 심음 데이터를 획득하고, 획득된 심음 데이터를 단시간 주파수 변환부(310), 제1 신호 전처리부(320), 제2 신호 전처리부(330), 제3 신호 전처리부(340) 및 피크 검출부(350)에 의해 정량적 데이터로 변환하고, 이들을 병합하면 상기 다차원 공간에서의 제1 좌표가 설정된다.In addition, the heart sound data to be predicted from the disease diagnosis target is obtained using the heart sound acquisition unit 100 , and the obtained heart sound data is converted into a short-time frequency converter 310 , a first signal preprocessor 320 , and a second signal preprocessor. (330), the third signal preprocessor 340 and the peak detector 350 convert the quantitative data into quantitative data and merge them to set the first coordinates in the multidimensional space.

질환 예측부(560)는 상기 제1 좌표와, 병명마다 군집화된 데이터들 사이의 거리를 연산하고, 연산된 거리 데이터를 이용하여 기 설정된 방법에 따라 질환별 가능성(likelihood) 또는 질환 진단 대상의 질환을 예측한다.The disease prediction unit 560 calculates a distance between the first coordinates and the data clustered for each disease name, and uses the calculated distance data to determine the likelihood of each disease or disease to be diagnosed according to a preset method. to predict

질환 예측부(560)가 질환 진단 대상의 질환을 예측하는 방법을 구체적으로 설명한다.A method by which the disease prediction unit 560 predicts a disease to be diagnosed will be described in detail.

다차원 공간 내에서 질환별 군집의 분포는 도 4 및 5와 같을 수 있다.The distribution of clusters for each disease in the multidimensional space may be as shown in FIGS. 4 and 5 .

도 4에서 보라색으로 표시된 군집은 부정맥 환자의 데이터에 해당할 수 있으며, 노란색으로 표시된 군집은 심부전 환자의 데이터에 해당할 수 있으며 빨간색, 초록색, 연두색 등으로 표시된 군집도 상응하는 질환 환자의 데이터에 해당할 수 있다.In FIG. 4 , clusters indicated in purple may correspond to data from patients with arrhythmia, clusters indicated in yellow may correspond to data from patients with heart failure, and clusters indicated in red, green, yellow-green, etc. may correspond to data of patients with the corresponding disease. can do.

전술한 방식을 이용하여, 질의 입력부(550)에 입력되는 임의의 질의(query)되는 데이터(즉, 진단 대상의 예측 대상 심음 데이터)를 다차원 공간 내 한 개의 점(point) P_Q으로 사상할 수 있다.Using the above-described method, arbitrary queried data input to the query input unit 550 (ie, predictive heart sound data of a diagnosis target) may be mapped to a single point P_Q in the multidimensional space. .

사상된 P_Q와, 각 군집에 해당하는 C_i간 거리(distance) d_i를 아래의 수식을 통해 연산할 수 있다.A distance d_i between mapped P_Q and C_i corresponding to each cluster can be calculated through the following equation.

Figure 112019127055475-pat00005
Figure 112019127055475-pat00005

여기서 C_c,i는 임의의 군집 C_i의 중심점에 해당하고, stdev(C_i)는 군집 C_i의 분포의 표준편차이다.Here, C_c,i corresponds to the center point of an arbitrary cluster C_i, and stdev(C_i) is the standard deviation of the distribution of the cluster C_i.

즉, 다차원 공간에 사상된 P_Q와 임의의 군집의 중심점 C_c,i 사이의 거리를 해당 군집의 표준 편차로 나눈 값을 이용하게 되며, 전술한 바와 같이, 각각 병명이 판별되어 부여된 다수의 심음 데이터들은 군집을 형성하게 되고, 질의되는 음원데이터와 가장 가까운 거리에 위치하는, 즉 d_i가 최소가 되는 d_min=(d_1, d_2, …, d_N)에 해당하는 군집, C_i의 질환을 예측의 결과로서 출력하게 된다.That is, a value obtained by dividing the distance between P_Q mapped in the multidimensional space and the center point C_c,i of an arbitrary cluster by the standard deviation of the cluster is used. The clusters form a cluster, and the cluster corresponding to d_min=(d_1, d_2, …, d_N) where d_i is the minimum, located closest to the sound source data being queried, is output as a result of prediction as a result of prediction. will do

특정 군집에 근접할수록 상기 특정 군집에 대응하는 질환에 해당될 가능성이 높다고 연산될 수 있으며, 질환 예측부(560)는 군집별 평균, 분산 및 통계적 분포(statistical distribution)에 기초하여 각 질환의 가능성(likelihood)을 연산할 수도 있다.It can be calculated that the closer to a specific cluster, the more likely it is to correspond to a disease corresponding to the specific cluster, and the disease prediction unit 560 determines the probability of each disease based on the average, variance, and statistical distribution of each cluster ( likelihood) can also be calculated.

이상 본 출원의 바람직한 실시 예를 참조하여 설명하였지만, 당업계에서 통상의 지식을 가진 자라면 이하의 청구범위에 기재된 본 출원의 사상 및 영역을 벗어나지 않는 범위 내에서 본 출원을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.Although described above with reference to the preferred embodiments of the present application, those of ordinary skill in the art will variously modify and change the present application within the scope of the spirit and scope of the present application described in the claims below. You will understand that you can.

100: 심음 획득부
200: 데이터베이스
300: 심음 전처리부
310: 단시간 주파수 변환부
320: 제1 신호 전처리부
330: 제2 신호 전처리부
340: 제3 신호 전처리부
350: 피크 검출부
400: 음원 품질 계수 연산부
500: 인공지능 서버
510: 데이터 수집부
520: 데이터 학습 및 모델 생성부
530: 성능 예측 및 가중치 선정부
540: 가중 합산부
550: 질의 입력부
560: 질환 예측부
600: 디스플레이100: heart sound acquisition unit
200: database
300: heart sound preprocessor
310: short-time frequency converter
320: first signal preprocessor
330: second signal preprocessor
340: third signal preprocessor
350: peak detection unit
400: sound quality factor calculator
500: artificial intelligence server
510: data collection unit
520: data training and model generation unit
530: performance prediction and weight selection unit
540: weighted summation unit
550: query input unit
560: disease prediction unit
600: display

Claims (8)

심음 획득부(100);
각각 병명이 판별되어 부여된 다수의 제1 심음 데이터와, 정상으로 판별되어 부여된 다수의 제2 심음 데이터가 미리 저장되는 데이터베이스(200);
상기 심음 획득부(100)가 획득한 예측 대상 심음 데이터와, 상기 데이터베이스(200)에 저장된 다수의 제1 심음 데이터를 소정의 방법으로 전처리하는 심음 전처리부(300);
상기 예측 대상 심음 데이터의 진폭을 제1 음원 품질 계수(Iq1)로 연산하고, 상기 예측 대상 심음 데이터 중 상기 소정의 문턱주파수값(fth)보다 높은 주파수 대역의 파워(PH)를 상기 소정의 문턱주파수값(fth)보다 낮은 주파수 대역의 파워(PL)로 나눈 값을 제2 음원 품질 계수(Iq2)로 연산하는 음원 품질 계수 연산부(400); 및
상기 데이터베이스(200)에 저장된 제1 및 제2 심음 데이터를 이용하여 소정의 방법으로 질환 예측 모델을 생성하고, 생성된 상기 질환 예측 모델에 따라 상기 예측 대상 심음 데이터에 상응하는 질환을 예측하거나, 상기 심음 전처리부(300)에 의해 전처리된 전처리 심음 데이터에 대해 소정의 방법으로 상기 예측 대상 심음 데이터에 상응하는 질환을 예측하는 인공지능 서버(500);를 포함하고,
상기 심음 전처리부(300)는,
심음 데이터에 대해 단시간 푸리에 변환(Short-Time Fourier Transform, STFT)을 수행하는 단시간 주파수 변환부(310);
상기 심음 데이터를 구성하는 제1 심음(S1)과 제2 심음(S2)의 개수가 소정의 개수로 규격화(normalizing)되도록 상기 심음 데이터를 전처리하는 제1 신호 전처리부(320);
상기 심음 데이터를 구성하는 심음 획득 시간이 통일화되도록 상기 심음 데이터를 전처리하는 제2 신호 전처리부(330);
상기 심음 데이터 중 소정의 문턱주파수값(fth)보다 큰 주파수 대역의 신호의 진폭(dB)이 저감되거나 제거되도록 상기 심음 데이터를 전처리하는 제3 신호 전처리부(340); 및
상기 심음 데이터의 상기 제1 심음(S1)과 상기 제2 심음(S2)의 진폭을 검출하는 피크 검출부(350);를 포함하는,
심음 데이터를 이용한 심장 질환 예측 시스템.
heart sound acquisition unit 100;
a database 200 pre-stored in a plurality of first heart sound data determined and assigned a disease name, and a plurality of second heart sound data determined and assigned as normal, respectively;
a heart sound preprocessing unit 300 for pre-processing the prediction target heart sound data obtained by the heart sound obtaining unit 100 and a plurality of first heart sound data stored in the database 200 by a predetermined method;
The amplitude of the prediction target heart sound data is calculated as a first sound source quality factor (I q1 ), and the power ( PH ) of a frequency band higher than the predetermined threshold frequency value (f th ) among the prediction target heart sound data is determined by the predetermined value. a sound source quality coefficient calculating unit 400 for calculating a value obtained by dividing a value obtained by dividing a value obtained by dividing the power ( PL ) of a frequency band lower than the threshold frequency value (f th ) of the second sound source quality coefficient (I q2 ); and
A disease prediction model is generated by a predetermined method using the first and second heart sound data stored in the database 200, and a disease corresponding to the prediction target heart sound data is predicted according to the generated disease prediction model, or the An artificial intelligence server 500 for predicting a disease corresponding to the heart sound data to be predicted by a predetermined method on the pre-processed heart sound data pre-processed by the heart sound pre-processing unit 300;
The heart sound pre-processing unit 300,
a short-time frequency transform unit 310 that performs a short-time Fourier transform (STFT) on the heart sound data;
a first signal preprocessor 320 preprocessing the heart sound data so that the number of first heart sounds S 1 and second heart sounds S 2 constituting the heart sound data is normalized to a predetermined number;
a second signal preprocessing unit 330 preprocessing the heart sound data so that a heart sound acquisition time constituting the heart sound data is unified;
a third signal preprocessing unit 340 preprocessing the heart sound data so that an amplitude (dB) of a signal in a frequency band greater than a predetermined threshold frequency value (f th ) of the heart sound data is reduced or removed; and
a peak detector 350 for detecting amplitudes of the first heart sound (S 1 ) and the second heart sound (S 2 ) of the heart sound data;
Heart disease prediction system using heart sound data.
 삭제delete 삭제delete 제1항에 있어서,
상기 인공지능 서버(500)는,
상기 데이터베이스(200)에 미리 저장된 다수의 상기 제1 및 제2 심음 데이터를 학습하여 소정의 방법에 따라 상기 심음 데이터를 구성하는 다수의 정보 각각에 대한 가중치를 선정하고, 선정된 가중치를 이용하여 상기 예측 대상 심음 데이터에 상응하는 질환을 예측하는,
심음 데이터를 이용한 심장 질환 예측 시스템.
According to claim 1,
The artificial intelligence server 500,
By learning a plurality of the first and second heart sound data stored in advance in the database 200, a weight for each piece of information constituting the heart sound data is selected according to a predetermined method, and the selected weight is used to select the weight. predicting a disease corresponding to the prediction target heart sound data,
Heart disease prediction system using heart sound data.
 제4항에 있어서,
상기 다수의 제1 심음 데이터가 상기 전처리부(300)에서 전처리되고, 하나의 심음 데이터에 대한 전처리 횟수에 따라 결정된 다차원 공간 상에 상기 다수의 제1 심음 데이터가 각각 사상되며,
상기 예측 대상 심음 데이터가 상기 전처리부(300)에서 전처리되어, 전처리 심음 데이터가 상기 다차원 공간 상에 사상되는,
심음 데이터를 이용한 심장 질환 예측 시스템.
5. The method of claim 4,
The plurality of first heart sound data is pre-processed by the pre-processing unit 300, and the plurality of first heart sound data are mapped on a multidimensional space determined according to the number of pre-processing for one heart sound data, respectively,
The prediction target heart sound data is pre-processed in the pre-processing unit 300, and the pre-processed heart sound data is mapped on the multi-dimensional space,
Heart disease prediction system using heart sound data.
 제5항에 있어서,
상기 다차원 공간 상에 사상된 상기 다수의 제1 심음 데이터는 판별된 병명별로 각각 군집을 이루며,
상기 인공지능 서버(500)는 상기 다차원 공간에 사상된 상기 예측 대상 심음 데이터와, 각 군집의 중심점에 상응하는 데이터와의 거리를 연산하고, 연산된 거리에 기초하여 상기 예측 대상 심음 데이터의 질환 또는 질환 가능성을 예측하는 질환 예측부(560)를 더 포함하는,
심음 데이터를 이용한 심장 질환 예측 시스템.
6. The method of claim 5,
The plurality of first heart sound data mapped on the multi-dimensional space forms a cluster for each identified disease name,
The artificial intelligence server 500 calculates a distance between the prediction target heart sound data mapped in the multi-dimensional space and data corresponding to the center point of each cluster, and based on the calculated distance, a disease of the prediction target heart sound data or Further comprising a disease prediction unit 560 for predicting disease possibility,
Heart disease prediction system using heart sound data.
 제6항에 있어서,
상기 질환 예측부(560)는 상기 연산된 거리를, 해당 군집을 구성하는 데이터들의 표준편차로 나눈 값을 이용하여 상기 예측 대상 심음 데이터의 질환 또는 질환 가능성을 예측하는,
심음 데이터를 이용한 심장 질환 예측 시스템.
7. The method of claim 6,
The disease prediction unit 560 predicts a disease or disease possibility of the heart sound data to be predicted using a value obtained by dividing the calculated distance by the standard deviation of data constituting the cluster,
Heart disease prediction system using heart sound data.
 제7항에 있어서,
상기 질환 예측부(560)는 상기 연산된 거리를, 해당 군집을 구성하는 데이터들의 표준편차로 나눈 값 중 최소가 되는 거리에 상응하는 군집에 해당하는 병명을 상기 예측 대상 심음 데이터의 질환으로 예측하는,
심음 데이터를 이용한 심장 질환 예측 시스템.8. The method of claim 7,
The disease prediction unit 560 predicts the disease name corresponding to the cluster corresponding to the smallest distance among the values obtained by dividing the calculated distance by the standard deviation of the data constituting the cluster as the disease of the heart sound data to be predicted. ,
Heart disease prediction system using heart sound data.
KR1020190162884A 2019-12-09 2019-12-09 Heart Disease Diagnosis System and Method Using Cardiac Sound Data KR102404715B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190162884A KR102404715B1 (en) 2019-12-09 2019-12-09 Heart Disease Diagnosis System and Method Using Cardiac Sound Data

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190162884A KR102404715B1 (en) 2019-12-09 2019-12-09 Heart Disease Diagnosis System and Method Using Cardiac Sound Data

Publications (2)

Publication Number Publication Date
KR20210072866A KR20210072866A (en) 2021-06-18
KR102404715B1 true KR102404715B1 (en) 2022-06-08

Family

ID=76623272

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190162884A KR102404715B1 (en) 2019-12-09 2019-12-09 Heart Disease Diagnosis System and Method Using Cardiac Sound Data

Country Status (1)

Country Link
KR (1) KR102404715B1 (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116759102B (en) * 2023-08-17 2023-12-05 北京慧兰医疗科技有限公司 Analysis management system based on heart rehabilitation data

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008167799A (en) * 2007-01-09 2008-07-24 Ntt Data Corp Device for analyzing auscultatory sound and program
KR101191667B1 (en) * 2010-05-20 2012-10-17 충북대학교 산학협력단 Cardiac Disorder Diagnosis Apparatus by Using Temporal Features

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020043997A (en) * 2000-12-05 2002-06-14 윤종용 Heart sound classification method by principal components analysis
KR101072452B1 (en) * 2009-05-27 2011-10-11 충북대학교 산학협력단 Apparatus and method for diagnosing cardiac disorder
KR101398218B1 (en) 2012-09-03 2014-05-22 경희대학교 산학협력단 Apparatus and method for emotional speech recognition
KR20170064960A (en) 2015-12-02 2017-06-12 김현호 Disease diagnosis apparatus and method using a wave signal
KR101799194B1 (en) 2016-04-18 2017-11-17 계명대학교 산학협력단 Arrhythmia diagnosis apparatus usnig electrocardiogram signal and method using the same

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008167799A (en) * 2007-01-09 2008-07-24 Ntt Data Corp Device for analyzing auscultatory sound and program
KR101191667B1 (en) * 2010-05-20 2012-10-17 충북대학교 산학협력단 Cardiac Disorder Diagnosis Apparatus by Using Temporal Features

Also Published As

Publication number Publication date
KR20210072866A (en) 2021-06-18

Similar Documents

Publication Publication Date Title
JP7261811B2 (en) Systems and methods for non-invasive determination of blood pressure lowering based on trained predictive models
Dey et al. InstaBP: cuff-less blood pressure monitoring on smartphone using single PPG sensor
Uğuz A biomedical system based on artificial neural network and principal component analysis for diagnosis of the heart valve diseases
Uğuz Adaptive neuro-fuzzy inference system for diagnosis of the heart valve diseases using wavelet transform with entropy
Karar et al. Automated diagnosis of heart sounds using rule-based classification tree
KR101072452B1 (en) Apparatus and method for diagnosing cardiac disorder
KR20200123335A (en) Method for estimating continuous blood pressure using recurrent neural network and apparatus thereof
JP7278323B2 (en) A method for generating a predictive model for predicting a subject&#39;s glaucoma risk, a method for determining a subject&#39;s glaucoma risk using the predictive model, a device for predicting a subject&#39;s glaucoma risk, a computer program, and a computer-readable medium
KR20110127785A (en) Cardiac disorder diagnosis apparatus by using temporal features
Chen et al. Edge2Analysis: a novel AIoT platform for atrial fibrillation recognition and detection
CN113116321A (en) Non-invasive continuous blood pressure measuring system based on PSO-GRNN neural network
KR102404715B1 (en) Heart Disease Diagnosis System and Method Using Cardiac Sound Data
KR20200004667A (en) Method for estimating continuous blood pressure using recurrent neural network and apparatus thereof
US20210090734A1 (en) System, device and method for detection of valvular heart disorders
Sengur et al. A hybrid method based on artificial immune system and fuzzy k-NN algorithm for diagnosis of heart valve diseases
Ghaemmaghami et al. Automatic segmentation and classification of cardiac cycles using deep learning and a wireless electronic stethoscope
US11134858B1 (en) Systems, apparatuses, and methods for locating blood flow turbulence in the cardiovascular system
Moukadem et al. High Order Statistics and Time‐Frequency Domain to Classify Heart Sounds for Subjects under Cardiac Stress Test
KR20220117876A (en) Devices and Methods for Assessing Vascular Access
Agham et al. An advanced LAN model based on optimized feature algorithm: Towards hypertension interpretability
Arora et al. A fusion framework based on cepstral domain features from phonocardiogram to predict heart health status
Singhal et al. Cardiovascular Diseases Classification Using High-Resolution Superlet Transform on ECG and PCG Signals
Bikia et al. Cardiac output estimated from an uncalibrated radial blood pressure waveform: validation in an in-silico-generated population
KR102270407B1 (en) Apparatus and Method for Pulse Tension State
US20240206823A1 (en) Method, apparatus and program for calculating disease risk based on heart rate measurement

Legal Events

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