KR102412974B1 - 생성적　적대　신경망 알고리즘을 기반으로 하는 심전도 생성 장치 및 그 방법 - Google Patents

생성적　적대　신경망 알고리즘을 기반으로 하는 심전도 생성 장치 및 그 방법 Download PDF

Info

Publication number
KR102412974B1
KR102412974B1 KR1020200086485A KR20200086485A KR102412974B1 KR 102412974 B1 KR102412974 B1 KR 102412974B1 KR 1020200086485 A KR1020200086485 A KR 1020200086485A KR 20200086485 A KR20200086485 A KR 20200086485A KR 102412974 B1 KR102412974 B1 KR 102412974B1
Authority
KR
South Korea
Prior art keywords
electrocardiogram data
electrocardiogram
data
synthesized
generating
Prior art date
Application number
KR1020200086485A
Other languages
English (en)
Other versions
KR20220008448A (ko
Inventor
권준명
Original Assignee
주식회사 메디컬에이아이
주식회사 바디프랜드
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 메디컬에이아이, 주식회사 바디프랜드 filed Critical 주식회사 메디컬에이아이
Priority to KR1020200086485A priority Critical patent/KR102412974B1/ko
Priority to PCT/KR2021/008627 priority patent/WO2022014943A1/ko
Priority to US18/005,385 priority patent/US20230274832A1/en
Priority to CN202180045976.9A priority patent/CN115916056A/zh
Priority to JP2023501654A priority patent/JP2023534001A/ja
Priority to EP21843305.0A priority patent/EP4162876A4/en
Publication of KR20220008448A publication Critical patent/KR20220008448A/ko
Application granted granted Critical
Publication of KR102412974B1 publication Critical patent/KR102412974B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/327—Generation of artificial ECG signals based on measured signals, e.g. to compensate for missing leads
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/094—Adversarial learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device

Landscapes

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

Abstract

본 발명은 생성적　적대　신경망 알고리즘을 기반으로 하는 심전도 생성 장치 및 그 방법에 대한 것이다.
본 발명에 따른 생성적　적대　신경망 알고리즘을 기반으로 하는 심전도 생성 장치는 병증을 진단받고자 하는 환자의 심전도 데이터를 입력받는 입력부, 상기 입력받은 심전도 데이터를 기 학습된 생성적　적대　신경망(Generative　Adversarial　Network) 알고리즘에 입력하여 합성된 복수개의 심전도 데이터를 생성하는 제어부, 그리고 상기 입력받은 환자의 실제 심전도 데이터와 생성된 복수의 심전도 데이터를 출력하는 출력부를 포함한다.
이와 같이 본 발명에 따르면, 딥러닝 알고리즘을 이용하여 심전도 데이터를 특성별로 학습하고, 학습된 모델을 이용하여 심장 질환 중 하나인 부정맥을 진단함으로써 정확도가 향상되고, 부정맥 진단의 이유를 함께 제시할 수 있어 진단 신뢰도를 향상시킬 수 있다.

Description

생성적　적대　신경망 알고리즘을 기반으로 하는 심전도 생성 장치 및 그 방법{ELECTROCARDIOGRAM CREATED APPARATUS BASE ON GENERATIVE ADVERSARIAL NETWORK AND METHOD THEREOF}
본 발명은 생성적　적대　신경망 알고리즘을 기반으로 하는 심전도 생성 장치 및 그 방법에 관한 것으로서, 더욱 상세하게는 딥러닝 알고리즘을 이용하여 n개 전극의 정보로부터 나머지 12-n개 전극의 정보를 생성하고, 생성된 전극의 정보를 이용하여 환자의 상태를 진단하는 생성적　적대　신경망 알고리즘을 기반으로 하는 심전도 생성 장치 및 그 방법에 관한 것이다.
심전도란 심박동과 관련된 전위를 신체 표면에서 도형으로 기록한 것으로, 표준 12유도 심전도 외에 운동부하 심전도, 활동 중 심전도(홀터 기록과 사건기록 심전도) 등이 있다. 순환기 질환의 진단에 많은 검사들이 이용되고 있으나 그 중에서도 심전도는 많은 장점을 가지며 임상에서 가장 많이 사용되는 검사이다. 심전도는 정확하고 간단하며, 재현성 있고, 쉽게 반복하여 기록할 수 있으며, 검사 비용이 비싸지 않은 비침습적 검사이다. 심전도는 부정맥과 관상동맥질환의 진단에 가장 많이 사용되고 있다.
표준 12유도 심전도는 가슴 전면에 6개의 전극을 부착하고, 사지에도 각각 3개의 전극을 부착한 다음, 12유도 정보를 모두 수집하고 이를 종합해서 질환을 진단한다. 하지만, 12유도 전극은 가슴을 노출해야 하고, 12개의 전극을 다 붙이기 어렵기 때문에 가정이나 일상생활에서는 측정하기 어렵다.
최근에는 12개 전극 중 팔다리에 3개 전극을 사용하는 6전극 정보만을 사용하거나, 혹은 패치형태 제품처럼 1개 전극 정보만 사용해서 측정하는 웨어러블 심전도 장비가 개발되고 있다.
도 1은 12유도 심전도 데이터를 나타내는 도면이다.
예를 들면, 도 1에 도시된 바와 같이, 병원에서 사용하는 12유도 전극에 따른 심전도는 왼쪽과 오른쪽칸의 총 12개 리드의 심전도를 동시에 측정한다. 그러나, 웨어러블 심전도 장비에서는 맨 왼쪽의 사지전극 정보 (팔다리에 3개전극을 붙여서 I, II, III, aVL, aVF, aVL 6개 전극의 정보를 측정하는) 만을 사용하거나, 저 중에 I 혹은 II 등 한 개 전극의 심전도 정보만 수집한다.
상기와 같이 6개 전극의 정보만 사용하거나, 1개 전극의 정보만을 사용하면, 본래 12유도 전극의 정보를 사용하는 것보다 절반 혹은 1/12의 정보만을 사용할 밖에 없어서 정확도가 떨어지게 되는 문제점이 있었다.
본 발명의 배경이 되는 기술은 대한민국 등록특허공보 제10-1109738호(2012. 02. 24. 공고)에 개시되어 있다.
본 발명이 이루고자 하는 기술적 과제는 딥러닝 알고리즘을 이용하여 n개 전극의 정보로부터 나머지 12-n개 전극의 정보를 생성하고, 생성된 전극의 정보를 이용하여 환자의 상태를 예측하는 생성적　적대　신경망 알고리즘을 기반으로 하는 심전도 생성 장치 및 그 방법을 제공하기 위한 것이다.
이러한 기술적 과제를 이루기 위한 본 발명의 실시 예에 따른 딥러닝 알고리즘을 기반으로 하는 심전도 생성 장치에 있어서, 병증을 진단받고자 하는 환자의 심전도 데이터를 입력받는 입력부, 상기 입력받은 심전도 데이터를 기 학습된 생성적　적대　신경망(Generative　Adversarial　Network) 알고리즘에 입력하여 합성된 복수개의 심전도 데이터를 생성하는 데이터 생성부, 그리고 상기 입력받은 환자의 실제 심전도 데이터, 생성된 복수의 심전도 데이터 및 진단결과를 출력하는 출력부를 포함한다.
심장질환으로 진단받은 환자의 전체 심전도 데이터로부터 유도 심전도 데이터를 추출하고, 상기 추출된 유도 심전도 데이터를 기 구축된 생성적　적대　신경망(Generative　Adversarial　Network) 알고리즘에 입력하여 복수의 합성된 심전도 데이터를 생성하도록 학습하는 학습부를 더 포함할 수 있다.
상기 학습부는, 입력된 전체 심전도 데이터에서 추출된 유도 심전도 데이터로부터 n개의 합성된 심전도 데이터를 생성하는 제1 생성모델, 그리고 상기 제1 생성모델로부터 생성된 n개의 합성된 심전도 데이터로부터 m개의 합성된 심전도 데이터를 생성되는 제2 생성모델을 포함할 수 있다.
상기 학습부는, 유도 심전도 데이터 또는 m개의 합성된 심전도 데이터를 입력받아 실제인지 합성인지를 구분하는 제1 구분모델, 그리고 상기 유도 심전도 데이터를 제외한 전체 심전도 데이터 또는 n개의 합성된 심전도 데이터를 입력받아 실제인지 합성인지를 구분하는 제2 구분모델을 포함할 수 있다.
또한, 본 발명의 다른 실시 예에 따른 심전도 생성 장치를 이용한 딥러닝 알고리즘을 기반으로 하는 심전도 생성 방법에 있어서, 병증을 진단받고자 하는 환자의 심전도 데이터를 입력받는 단계, 상기 입력받은 심전도 데이터를 기 학습된 생성적　적대　신경망(Generative　Adversarial　Network) 알고리즘에 입력하여 합성된 복수개의 심전도 데이터를 생성하는 단계, 그리고 상기 입력받은 환자의 실제 심전도 데이터, 생성된 복수의 심전도 데이터 및 진단결과를 출력하는 단계를 포함한다.
이와 같이 본 발명에 따르면, 딥러닝 알고리즘을 이용하여 한 개 전극 또는 3개의 전극으로부터 측정된 심전도를 이용하여 n개의 추가 심전도를 생성하여 심장 관련 질환을 진단의 정확도를 높일 수 있다. 또한 본 발명에 따르면 휴대용 웨어러블 심전도 장비에 적용 가능하므로 가정이나 일상생활에서도 사용 가능하다.
도 1은 일반적인 표준 12유도 심전도 방법을 설명하기 위한 도면이다.
도 2는 본 발명의 실시 예에 따른 생성적　적대　신경망 알고리즘을 기반으로 하는 심전도 생성 장치를 나타낸 블록구성도이다.
도 3은 본 발명의 실시 예에 따른 생성적　적대　신경망 알고리즘을 기반으로 하는 심전도 생성 방법의 동작 흐름을 도시한 순서도이다.
도 4는 심전도 데이터의 종류를 나타내는 도면이다.
도 5는 본 발명의 실시예에 따른 생성 모델 및 구분 모델을 설명하기 위한 도면이다.
이하 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시 예를 상세히 설명하기로 한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다.
또한 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서, 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
먼저, 도 2를 통해 본 발명의 실시예에 따른 딥러닝 알고리즘을 기반으로 하는 심전도 생성 장치에 대하여 설명한다.
도 2는 본 발명의 실시 예에 따른 생성적　적대　신경망 알고리즘을 기반으로 하는 심전도 생성 장치를 나타낸 블록구성도이다.
도 2에서와 같이 본 발명의 실시 예에 따른 생성적　적대　신경망 알고리즘을 기반으로 하는 심전도 생성 장치(100)는, 입력부(110), 데이터 생성부(120), 학습부(130) 및 출력부(140)를 포함한다.
먼저, 입력부(110)는 환자의 심전도 데이터를 입력받는다. 이때 입력부(110)는 입력받은 심전도 데이터가 어떤 신호들인지를 나타내는 정보(indicator)를 추가하여 입력받는다.
데이터 생성부(120)는 입력받은 심전도 데이터를 학습이 완료된 생성적 적대　신경망(Generative　Adversarial　Network) 알고리즘에 입력하여 복수의 합성된 심전도 데이터를 생성한다.
학습부(130)는 심장질환을 가지고 있는 환자로부터 측정된 심전도 데이터를 입력받는다. 그리고 입력된 심전도 데이터로부터 유도 데이터를 추출하고 추출된 유도 데이터를 생성적 적대　신경망(Generative　Adversarial　Network) 알고리즘에 입력하여 합성된 심전도 데이터를 출력하도록 학습한다.
이때, 학습부(130)는 생성적 적대　신경망(Generative　Adversarial　Network) 알고리즘을 기반으로 하는 복수의 생성모델과 구분모델을 구축한다. 따라서, 학습부(130)는 생성모델을 이용하여 합성된 심전도 데이터를 생성하도록 학습시키고, 구분모델을 이용하여 생성된 합성된 심전도 데이터와 실제 심전도 데이터를 분석하여 합성 여부를 구분하도록 학습시킨다.
마지막으로 출력부는 입력받은 심전도 데이터와 합성되어 생성된 복수의 심전도 데이터를 이용한 진단결과를 출력한다
이하에서는 도 3 및 도 4를 이용하여 심전도 데이터를 생성하는 방법에 대해 더욱 상세하게 설명한다.
도 3은 본 발명의 실시 예에 따른 생성적　적대　신경망 알고리즘을 기반으로 하는 심전도 생성 방법의 동작 흐름을 도시한 순서도이고, 도 4는 심전도 데이터의 종류를 나타내는 도면이고, 도 5는 본 발명의 실시예에 따른 생성 모델 및 구분 모델을 설명하기 위한 도면이다.
도 3에 도시된 바와 같이, 본 발명의 실시예에 따른 입력부(110)는 12유도 전극을 이용하여 측정된 심전도 데이터를 입력받는다(S310).
부연하자면, 입력부(110)는 부정맥 또는 심장 질환 관련하여 진단을 받은 환자의 신체 일부에 12유도 전극을 부착하여 측정된 심전도 데이터를 입력받는다. 이때 입력부(110)는 입력받은 심전도 데이터가 어떤 신호들인지를 나타내는 정보(indicator)를 추가로 입력받는다.
본 발명의 실시예에서는 입력받은 심전도 데이터를 12유도 전극을 기재하였으나 이에 한정되지 않고, 필요에 따라 6유도 전극, 18유도 전극 또는 24유도 전극 등에서 획득한 심전도 데이터를 사용하여도 무방하다.
그 다음, 입력부(110)는 입력받은 12개의 심전도 데이터와 그에 대응한 진단결과를 학습부(130)에 전달한다.
그러면, 학습부(130)는 12개의 심전도 데이터 중에서 n개의 유도 심전도 데이터를 추출하고, 추출된 n개의 유도 심전도 데이터를 제1 생성모델에 입력하여 12-n개의 합성된 심전도 데이터를 추출하도록 학습시킨다(S320).
이를 다시 설명하면, 학습부(130)는 복수의 환자로부터 측정된 심전도 데이터를 수집한다. . 그 다음, 학습부(130)는 각각의 그룹으로부터 n개의 유도 심전도 데이터를 추출한다. 추출된 유도 심전도 데이터는 생성적 적대　신경망(Generative　Adversarial　Network) 알고리즘을 기반으로 하는 제1 생성모델에 입력된다.
이를 다시 설명하면, 도 4에 도시된 바와 같이, 심전도는 3개의 표준유도(Ⅰ/Ⅱ/Ⅲ), 3개의 사지유도(aVR/aVR/aVF) 및 6개의 흉부유도(V1~V6)의 그래프로 기록된다.
따라서, 제1 생성모델은 입력받은 n개의 유도 심전도 데이터와 유도 심전도 데이터에 대응하는 신호에 대한 정보(indicator)를 입력받는다.
그러면, 제1 생성모델은 입력받은 유도 심전도 데이터를 제외한 나머지 심전도 데이터를 합성하여 생성한다.
예를 들면, 입력받은 유도 심전도 데이터가 3개의 사지유도 데이터라고 가정하면, 제1 생성모델은 3개의 사지유도 데이터를 제외한 9개의 합성된 심전도 데이터를 생성한다.
그 다음, 학습부(130)는 합성하여 생성된 12-n개의 심전도 데이터와 실제 12-n개의 심전도 데이터를 제1 구분모델에 입력하여 합성여부를 판단하도록 학습시킨다(S330).
부연하자면, 제1 구분모델은 9개의 합성된 심전도 데이터와 3개의 사지유도 데이터를 제외한 9개의 실제 심전도 데이터를 상호 분석한다. 그리고 제1 구분모델은 9개의 합성된 심전도 데이터가 합성된 심전도 데이터인지 실제 심전도 데이터인지의 여부를 판단한다.
그 다음 학습부(130)는 S320단계에서 생성된 12-n개의 합성된 심전도 데이터를 제2 생성모델에 입력하여 n개의 합성된 심전도 데이터를 재 생성하도록 학습시킨다(S340)
S32O단계에서 제1 생성모델은 3개의 사지유도 데이터로부터 9개의 합성된 심전도 데이터를 생성한다. 따라서, 제2 생성모델은 9개의 합성된 심전도 데이터를 이용하여 3개의 사지유도 데이터를 합성하여 생성한다.
S340단계가 완료되면, 학습부(130)는 n개의 합성된 심전도 데이터와 n개의 유도 심전도 데이터를 제2 구분모델에 입력하여 합성여부를 판단하도록 학습시킨다(S350).
학습부(130)는 심전도 데이터를 생성하는 생성모델과 합성 여부를 판단하는 구분모델을 반복적으로 학습시켜 실제와 가까운 심전도 모델을 생성하도록 학습시킨다.
한편 본 발명의 실시예에서는 도 5에 도시된 바와 같이, 생성모델과 구분모델을 각각 두개씩 구축하여 상호 경쟁할 수 있도록 하였으나, 생성모델과 구분모델의 개수는 증가 또는 감소하여 구축될 수도 있다.
S350단계가 완료되면, 입력부(110)는 측정 대상자의 심전도 데이터를 입력받는다(S360).
이때 입력받는 심전도 데이터는 12개의 전체 심전도 데이터가 아닌 일부의 심전도 데이터를 나타낸다. 입력부(110)는 심전도 데이터를 제어부(120)에 전달한다.
그러면, 제어부(120)는 전달받은 n개의 심전도 데이터를 유도 심전도 데이터로 하여 학습이 완료된 생성적 적대　신경망(Generative　Adversarial　Network) 알고리즘에 입력하여 12-n개의 합성된 심전도 데이터를 생성한다(S370).
웨어러블 기기인 경우, 한 개 내지 세 개의 전극을 이용하여 심전도를 측정한다. 따라서, 제어부(120)는 한 개 또는 세 개의 심전도 데이터를 생성적 적대　신경망(Generative　Adversarial　Network) 알고리즘에 입력한다.
그러면, 생성적 적대　신경망(Generative　Adversarial　Network) 알고리즘은 한 개의 유도 심전도 데이터로부터 11개의 합성된 심전도 데이터를 생성한다. 또한, 세 개의 유도 심전도 데이터를 입력받으면, 생성적 적대　신경망(Generative　Adversarial　Network) 알고리즘은 9개의 합성된 심전도 데이터를 생성한다.
그 다음, 출력부(140)는 생성된 심전도 데이터를 출력한다(S380).
즉, 출력부(140)는 입력된 심전도 데이터와 생성된 심전도 데이터를 출력하며, 출력된 12개의 심전도 데이터는 측정 대상자의 단말기를 통해 출력되거나 의료인이 사용하는 단말기에 출력될 수 있다. 그러면, 의료인은 출력된 심전도 데이터를 이용하여 심장 질환으로 진단한다.
이와 같이 본 발명에 따르면, 딥러닝 알고리즘을 이용하여 한 개 전극 또는 3개의 전극으로부터 측정된 심전도를 이용하여 n개의 추가 심전도를 생성하여 심장 관련 질환을 진단의 정확도를 높일 수 있다. 또한 본 발명에 따르면 휴대용 웨어러블 심전도 장비에 적용 가능하므로 가정이나 일상생활에서도 사용 가능하다.
본 발명은 도면에 도시된 실시 예를 참고로 하여 설명되었으나 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호범위는 아래의 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
100 : 심전도 생성 장치 110 : 입력부
120 : 제어부 130 : 학습부
140 : 출력부

Claims (8)

  1. 생성적　적대　신경망 알고리즘을 기반으로 하는 심전도 생성 장치에 있어서,
    병증을 진단받고자 하는 환자의 심전도 데이터를 입력받는 입력부,
    상기 입력받은 심전도 데이터를 기 학습된 생성적　적대　신경망(Generative　Adversarial　Network) 알고리즘에 입력하여 합성된 복수개의 심전도 데이터를 생성하는 제어부, 그리고
    상기 입력받은 환자의 실제 심전도 데이터와 생성된 복수의 심전도 데이터를 출력하는 출력부를 포함하며,
    심장질환으로 진단받은 환자의 전체 심전도 데이터로부터 유도 심전도 데이터를 추출하고, 상기 추출된 유도 심전도 데이터를 기 구축된 생성적　적대　신경망(Generative　Adversarial　Network) 알고리즘에 입력하여 복수의 합성된 심전도 데이터를 생성하도록 학습하는 학습부를 더 포함하고,
    상기 학습부는,
    입력된 전체 심전도 데이터에서 추출된 유도 심전도 데이터로부터 n개의 합성된 심전도 데이터를 생성하는 제1 생성모델, 그리고
    상기 제1 생성모델로부터 생성된 n개의 합성된 심전도 데이터로부터 m개의 합성된 심전도 데이터를 생성되는 제2 생성모델을 포함하는 심전도 생성 장치.
  2. 삭제
  3. 삭제
  4. 제1항에 있어서,
    상기 학습부는,
    유도 심전도 데이터 또는 m개의 합성된 심전도 데이터를 입력받아 실제인지 합성인지를 구분하는 제1 구분모델, 그리고
    상기 유도 심전도 데이터를 제외한 전체 심전도 데이터 또는 n개의 합성된 심전도 데이터를 입력받아 실제인지 합성인지를 구분하는 제2 구분모델을 포함하는 심전도 생성 장치.
  5. 심전도 생성 장치를 이용한 심전도 생성 방법에 있어서,
    병증을 진단받고자 하는 환자의 심전도 데이터를 입력받는 단계,
    상기 입력받은 심전도 데이터를 기 학습된 생성적　적대　신경망(Generative　Adversarial　Network) 알고리즘에 입력하여 합성된 복수개의 심전도 데이터를 생성하는 단계, 그리고
    상기 입력받은 환자의 실제 심전도 데이터와 생성된 복수의 심전도 데이터를 출력하는 단계를 포함하며,
    심장질환으로 진단받은 환자의 전체 심전도 데이터로부터 유도 심전도 데이터를 추출하고, 상기 추출된 유도 심전도 데이터를 기 구축된 생성적　적대　신경망(Generative　Adversarial　Network) 알고리즘에 입력하여 복수의 합성된 심전도 데이터를 생성하도록 학습하는 단계를 더 포함하고,
    상기 심전도 데이터를 생성하도록 학습하는 단계는,
    제1 생성모델을 이용하여 입력된 전체 심전도 데이터에서 추출된 유도 심전도 데이터로부터 n개의 합성된 심전도 데이터를 생성하는 단계, 그리고
    제2 생성모델을 이용하여 상기 제1 생성모델로부터 생성된 n개의 합성된 심전도 데이터로부터 m개의 합성된 심전도 데이터를 생성되는 단계를 포함하는 심전도 생성 방법.
  6. 삭제
  7. 삭제
  8. 제5항에 있어서,
    상기 심전도 데이터를 생성하도록 학습하는 단계는,
    제1 구분모델을 이용하여 유도 심전도 데이터 또는 m개의 합성된 심전도 데이터를 입력받아 실제인지 합성인지를 구분하는 단계, 그리고
    제2 구분모델을 이용하여 상기 유도 심전도 데이터를 제외한 전체 심전도 데이터 또는 n개의 합성된 심전도 데이터를 입력받아 실제인지 합성인지를 구분하는 단계를 포함하는 심전도 생성 방법.
KR1020200086485A 2020-07-14 2020-07-14 생성적　적대　신경망 알고리즘을 기반으로 하는 심전도 생성 장치 및 그 방법 KR102412974B1 (ko)

Priority Applications (6)

Application Number Priority Date Filing Date Title
KR1020200086485A KR102412974B1 (ko) 2020-07-14 2020-07-14 생성적　적대　신경망 알고리즘을 기반으로 하는 심전도 생성 장치 및 그 방법
PCT/KR2021/008627 WO2022014943A1 (ko) 2020-07-14 2021-07-07 생성적 적대 신경망 알고리즘을 기반으로 하는 심전도 생성 장치 및 그 방법
US18/005,385 US20230274832A1 (en) 2020-07-14 2021-07-07 Apparatus and method for generating electrocardiogram based on generative adversarial network algorithm
CN202180045976.9A CN115916056A (zh) 2020-07-14 2021-07-07 基于生成式对抗神经网络算法的心电图生成装置及其方法
JP2023501654A JP2023534001A (ja) 2020-07-14 2021-07-07 敵対的生成ネットワークアルゴリズムに基づく心電図生成装置及びその方法
EP21843305.0A EP4162876A4 (en) 2020-07-14 2021-07-07 ELECTROCARDIOGRAM GENERATING DEVICE BASED ON A GENERATIVE ADVERSITIVE NETWORK ALGORITHM AND METHOD THEREOF

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200086485A KR102412974B1 (ko) 2020-07-14 2020-07-14 생성적　적대　신경망 알고리즘을 기반으로 하는 심전도 생성 장치 및 그 방법

Publications (2)

Publication Number Publication Date
KR20220008448A KR20220008448A (ko) 2022-01-21
KR102412974B1 true KR102412974B1 (ko) 2022-06-24

Family

ID=79554943

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200086485A KR102412974B1 (ko) 2020-07-14 2020-07-14 생성적　적대　신경망 알고리즘을 기반으로 하는 심전도 생성 장치 및 그 방법

Country Status (6)

Country Link
US (1) US20230274832A1 (ko)
EP (1) EP4162876A4 (ko)
JP (1) JP2023534001A (ko)
KR (1) KR102412974B1 (ko)
CN (1) CN115916056A (ko)
WO (1) WO2022014943A1 (ko)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220098600A (ko) 2021-01-04 2022-07-12 주식회사 바디프랜드 시차를 둔 단일유도 심전도를 통한 딥러닝기반의 복수 유도 심전도 생성 시스템
CA3226624A1 (en) * 2021-07-22 2023-01-26 Arun NEMANI Translating ai algorithms from 12-lead clinical ecgs to portable and consumer ecgs with fewer leads
KR20230025955A (ko) 2021-08-17 2023-02-24 주식회사 메디컬에이아이 비동기 심전도를 이용한 건강상태 예측 시스템
KR20230025954A (ko) 2021-08-17 2023-02-24 주식회사 메디컬에이아이 단일유도 심전도기기를 활용한 건강상태 예측 시스템
KR102670032B1 (ko) 2021-08-17 2024-05-28 주식회사 메디컬에이아이 2유도 심전도 데이터를 이용한 복수개의 표준 심전도 데이터 생성 시스템
KR102608735B1 (ko) * 2022-10-25 2023-12-04 주식회사 틸더 인공지능 기반의 심전도 신호 분석 장치 및 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005323821A (ja) * 2004-05-14 2005-11-24 Nippon Koden Corp 標準１２誘導心電図の構築方法および心電図検査装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101109738B1 (ko) 2009-04-06 2012-02-24 강원대학교산학협력단 심장 부정맥 진단방법 및 그 진단장치
KR20190114694A (ko) * 2018-03-30 2019-10-10 삼성에스디에스 주식회사 인공지능을 이용한 시계열 데이터 학습 및 분석 방법
JP2020042598A (ja) * 2018-09-12 2020-03-19 国立大学法人神戸大学 生体信号データからの個体特徴分離による状態予測方法および装置
KR102078703B1 (ko) * 2019-07-23 2020-02-19 이재용 싱글리드 심전도 데이터를 이용하여 심장의 질병 유무를 판단하는 심전도 측정 시스템 및 그 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005323821A (ja) * 2004-05-14 2005-11-24 Nippon Koden Corp 標準１２誘導心電図の構築方法および心電図検査装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Proceedings of KIIT Conference , 2019.6, 120-121(2 pages)*

Also Published As

Publication number Publication date
US20230274832A1 (en) 2023-08-31
WO2022014943A1 (ko) 2022-01-20
CN115916056A (zh) 2023-04-04
KR20220008448A (ko) 2022-01-21
EP4162876A4 (en) 2024-01-17
EP4162876A1 (en) 2023-04-12
JP2023534001A (ja) 2023-08-07

Similar Documents

Publication Publication Date Title
KR102412974B1 (ko) 생성적　적대　신경망 알고리즘을 기반으로 하는 심전도 생성 장치 및 그 방법
EP1725165B1 (en) Visual three-dimensional presentation of ECG data
JP3242981B2 (ja) 限られた電極数でマッピング分析を行う方法及び装置
US6119035A (en) Method and system for synthesizing the 12-lead electrocardiogram
JPS63279823A (ja) 生物電気信号の検出処理装置と方法
Zhou et al. ECG quality assessment using 1D-convolutional neural network
KR20220008447A (ko) 딥러닝 기반 심전도를 이용한 심장 질환 진단 장치 및 그 방법
KR20220098600A (ko) 시차를 둔 단일유도 심전도를 통한 딥러닝기반의 복수 유도 심전도 생성 시스템
Zia et al. Harnessing the manifold structure of cardiomechanical signals for physiological monitoring during hemorrhage
Martins et al. Design and evaluation of a diaphragm for electrocardiography in electronic stethoscopes
EP4368105A1 (en) Method for generating synchronous electrocardiograms on basis of two lead asynchronous electrocardiograms
CN104545882B (zh) 心电图测量装置和合成心电图生成方法
US7542955B2 (en) Exercise test interpretation
Zhi et al. Wavelet based machine learning techniques for electrocardiogram signal analysis
KR20220008446A (ko) 딥러닝을 기반으로 하는 심장 질병 분류 장치 및 그 방법
EP4371487A1 (en) Method for generating multiple pieces of standard electrocardiogram data on basis of deep learning algorithm
Yakut et al. Electro-mechanical data fusion for heart health monitoring
Queiroz et al. Machine Learning-Based Application for Long-Term Electrocardiogram Analysis
Megahed et al. Localization of Myocardial Infarction from 12 Lead ECG Empowered with Novel Machine Learning
Liu et al. BioSignal Copilot: Leveraging the power of LLMs in drafting reports for biomedical signals
Merdjanovska et al. Patient-specific heartbeat classification in single-lead ECG using convolutional neural network
KR102437348B1 (ko) 웨어러블 심전도 신호 분석 방법
Sidorova et al. Method for Forming Mathematical Models of Measured Electrophysiological Signals
CN116744850A (zh) 基于深度学习算法的心电图生成系统及方法
Wu et al. Constructing RBF Networks for Classifying ECG Heartbeat Patterns

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant