KR102437349B1 - 어텐션 메커니즘을 이용한 부정맥 탐지 장치 - Google Patents

어텐션 메커니즘을 이용한 부정맥 탐지 장치 Download PDF

Info

Publication number
KR102437349B1
KR102437349B1 KR1020210184200A KR20210184200A KR102437349B1 KR 102437349 B1 KR102437349 B1 KR 102437349B1 KR 1020210184200 A KR1020210184200 A KR 1020210184200A KR 20210184200 A KR20210184200 A KR 20210184200A KR 102437349 B1 KR102437349 B1 KR 102437349B1
Authority
KR
South Korea
Prior art keywords
arrhythmia
unit
data
channel attention
arrhythmia detection
Prior art date
Application number
KR1020210184200A
Other languages
English (en)
Inventor
김윤관
송희석
이영신
Original Assignee
(주)씨어스테크놀로지
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 (주)씨어스테크놀로지 filed Critical (주)씨어스테크놀로지
Priority to KR1020210184200A priority Critical patent/KR102437349B1/ko
Application granted granted Critical
Publication of KR102437349B1 publication Critical patent/KR102437349B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/361—Detecting fibrillation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/363—Detecting tachycardia or bradycardia
    • 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
    • G06N3/0427—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

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

Abstract

어텐션 메커니즘을 이용한 부정맥 탐지 장치를 개시한다.
본 실시예는 인코더-디코더 구조와 어텐션 메커니즘을 이용하여 기 설정된 시간 단위로 입력된 하나의 입력인 심전도 신호 내 다양한 부정맥들이 혼재된 경우에도, 다양한 부정맥을 모두 검출한 후 정확하게 분류할 수 있도록 하는 어텐션 메커니즘을 이용한 부정맥 탐지 장치를 제공한다.

Description

어텐션 메커니즘을 이용한 부정맥 탐지 장치{Apparatus for Detecting Arrhythmia by Using Attention Mechanism}
본 발명의 일 실시예는 어텐션 메커니즘을 이용한 부정맥 탐지 장치에 관한 것이다.
이하에 기술되는 내용은 단순히 본 실시예와 관련되는 배경 정보만을 제공할 뿐 종래기술을 구성하는 것이 아니다.
일반적인 부정맥 검출 및 분류 알고리즘은 다양한 형태로 개발되었다.
CNN(Convolutional Neural Network) 기반 알고리즘은 다양한 특징을 추출할 수 있는 프레임워크로서, 부정맥 분류 알고리즘에 이용되었다. CNN 알고리즘은 컨볼루션 레이어(Convolutional Layer)를 복수의 층을 쌓으며 각 부정맥의 특징을 추출하여 부정맥으로 분류한다. 하지만, CNN 알고리즘은 복수의 부정맥을 분류하기에는 지역 특징만을 추출하여 분류 성능이 높지 않았다.
CNN 알고리즘의 문제점을 극복하기 위해 잔차 네트워크(Residual Network)와 SE(Squeeze-and-Excitation) 블럭(Block)을 이용하여 부정맥의 전역 특징을 추출한 후 학습하여 부정맥 분류에 대한 성능이 높아졌다.
하지만, 잔차 네트워크와 SE 블럭을 이용하는 방식은 입력 신호에 대한 하나의 부정맥 분류만이 가능하여 입력 신호에서 복수 개의 부정맥이 나타날 가능성을 고려하지 않았다는 문제가 있다.
CNN 알고리즘의 연속적 관계성을 학습하지 못하는 문제점을 극복하기 위해 LSTM(Long Short Term Memory) 알고리즘은 입력 길이가 길어지면 관련된 요소가 멀리 떨어져 있는 경우, 장기의존성이 발생하여 각 샘플끼리의 연속적 관계성을 학습하지 못하는 문제가 있다. 다시 말해, 장기의존성을 극복하기 위해 많은 수의 LSTM을 구성할 경우, 파라미터(Parameter) 수의 증가로 학습 및 추론 속도가 느려지게 된다.
본 실시예는 인코더-디코더 구조와 어텐션 메커니즘을 이용하여 기 설정된 시간 단위로 입력된 하나의 입력인 심전도 신호 내 다양한 부정맥들이 혼재된 경우에도, 다양한 부정맥을 모두 검출한 후 정확하게 분류할 수 있도록 하는 어텐션 메커니즘을 이용한 부정맥 탐지 장치를 제공하는 데 목적이 있다.
본 실시예의 일 측면에 의하면, 기 설정된 시간 단위로 심전도 신호를 입력받는 신호 입력부; 상기 심전도 신호에 대한 전처리를 수행한 전처리 데이터를 생성하는 전처리부; 상기 전처리 데이터를 인코딩한 인코딩 데이터를 생성하는 인코딩부; 상기 인코딩 데이터로부터 부정맥 대표 특징을 추출하여 상기 인코딩 데이터에 삽입하는 브릿지부; 및 상기 부정맥 대표 특징을 포함하는 상기 인코딩 데이터를 복호화한 디코딩 데이터를 생성하는 디코딩부;를 포함하는 것을 특징으로 하는 부정맥 탐지 장치를 제공한다.
삭제
이상에서 설명한 바와 같이 본 실시예에 의하면, 인코더-디코더 구조와 어텐션 메카니즘을 이용하여 기 설정된 시간 단위로 입력된 하나의 입력인 심전도 신호 내 다양한 부정맥들이 혼재된 경우에도, 다양한 부정맥을 모두 검출한 후 정확하게 분류할 수 있도록 하는 효과가 있다.
도 1은 본 실시예에 따른 바이오 신호 처리 분야에서 생체 신호 데이터 처리를 나타낸 도면이다.
도 2는 본 실시예에 따른 부정맥 탐지 장치를 나타낸 도면이다.
도 3은 본 실시예에 따른 어텐션 메커니즘을 이용한 부정맥 탐지 및 분류 방법을 나타낸 도면이다.
도 4는 본 실시예에 따른 부정맥 탐지 및 분류를 위한 모델 구조를 나타낸 도면이다.
도 5는 본 실시예에 따른 부정맥 발생 시간 산출을 위한 모델 구조를 나타낸 도면이다.
이하, 본 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 실시예에 따른 바이오 신호 처리 분야에서 생체 신호 데이터 처리를 나타낸 도면이다.
본 실시예에 따른 부정맥 탐지 장치(200)는 바이오 신호 처리(Bio Signal Processing) 분야에서 1차원(1D) 생체신호 데이터 처리에 적용될 수 있다. 부정맥 탐지 장치(200)는 심전도 파형에 포함된 P 파형, QRS-complex(N,S,V), T 파형, 노이즈 파형을 파형 단위로 분할한다.
부정맥 탐지 장치(200)는 딥러닝 알고리즘을 이용하여 부정맥을 탐지하고 분류한다. 부정맥 탐지 장치(200)는 인코더-디코더 구조와 어텐션 메카니즘을 이용하여 부정맥을 정확하게 분류한다. 부정맥 탐지 장치(200)는 하나의 입력인 심전도 신호 내 다양한 부정맥들이 혼재된 경우에도, 다양한 부정맥을 모두 찾아낼 수 있다.
부정맥 탐지 장치(200)는 포인트 바이 포인트(Point by Point)로 다양한 부정맥을 찾아낼 수 있다. 예컨대, 부정맥 탐지 장치(200)는 3600개의 값들 중에서 만약에 1번이 특정 부정맥이고, 2번이 다른 형태의 부정맥인 경우, 1번 값들이 0000으로 출력되다가 1111로 출력되도록 하고, 그 다음 영역에서 다시 2222가 결과값으로 출력되도록 하여 다양한 부정을 분류할 수 있도록 한다.
부정맥 탐지 장치(200)는 입력된 심전도 신호로부터 특징을 추출한 후 집중해야 하는 부분의 값을 더 크게 만드는 구조를 갖는다.
부정맥 탐지 장치(200)는 심전도 신호 중 부정맥에 대응하는 부분의 특징을 압축한 후 압축되어 특징 중 어디에 집중해야 되는지를 결정한 후 결정된 값들을 다시 크게 팽창한다. 다시 말해, 부정맥 탐지 장치(200)는 입력된 심전도 신호 중 정상 파형 구간과 부정맥 파형 구간을 분류한다.
부정맥 탐지 장치(200)는 입력된 심전도 신호 중 부정맥이 어디서 시작을 했고, 어디서 끝났는지를 파악할 수 있으며, 시작점과 끝점을 기반으로 얼마 동안 부정맥들이 계속 발생을 하는지에 대한 시간을 계산할 수 있다.
부정맥 탐지 장치(200)는 복수 개의 부정맥 중 제1 부정맥 파형 구간과 제2 부정맥 파형 구간을 각각에 대해 부정맥들이 시작과 끝점을 기반으로 부정맥들이 발생 시간을 확인할 수 있다. 부정맥 탐지 장치(200)는 부정맥 파형 구간을 학습한 훈련된 모델을 생성할 수 있다. 부정맥 탐지 장치(200)는 디코딩부(250)를 다른 모듈로 치환하여 새로운 부정맥 파형을 생성하는 형태로 운용될 수 있다.
부정맥 탐지 장치(200)는 인코딩부(230)와 다른 딥러닝 기반의 모델을 결합하여 임상 의사 결정 지원(Clinical Decision Support)할 수 있는 확률값들로 치환해서 출력할 수 있다. 다시 말해, 부정맥 탐지 장치(200)는 특정 부정맥 발생할 확률을 퍼센트(%)로 출력하는 형태로 활용가능하다.
부정맥 탐지 장치(200)는 하나의 심전도 신호에 대한 다양한 부정맥의 시작점과 끝점을 파악한 후 다음 입력에 대해 복수의 부정맥이 파악되면, 다중 부정맥을 탐지하고 분류한다. 부정맥 탐지 장치(200)는 하나의 심전도 신호로부터 기존에 부정맥 데이터를 학습하여 다양한 부정맥을 분류한다.
부정맥 탐지 장치(200)는 심전도 신호에 대해 어느 하나로 결과(예컨대, 정상, 신방 세동, 빈맥, 서맥)으로 출력하는 것이 아니라, 하나의 입력에 대해 구간별로 구분하여 복수의 결과값(예컨대, 정상, 신방 세동, 빈맥, 서맥)을 출력한다.
부정맥 탐지 장치(200)는 하나의 입력에 대해 구간별로 구분하여 복수의 결과값(예컨대, 정상, 신방 세동, 빈맥, 서맥)을 출력할 때, 구간이 중첩되거나 우선순위로 출력되도록 한다. 부정맥 탐지 장치(200)는 하나의 입력에 대한 각 구간의 시작 시간과 끝 시간을 파악할 수 있다.
부정맥 탐지 장치(200)는 조금 더 정확하게 부정맥을 분류하기 위해서 복수의 어텐션부(242, 246)를 배치한다. 부정맥 탐지 장치(200)는 인코딩을 수행하여 데이터를 줄여나갈 때 잔차 네트워크를 이용한다. 부정맥 탐지 장치(200)는 복수의 어텐션부(242, 246)를 이용하여 정보 손실이 발생하더라도 다시 데이터를 보강하여 강조한 부분이 누락되었는지 새로운 부분을 강조할 것인지를 결정한다.
부정맥 탐지 장치(200)는 기 설정된 시간(예컨대, 30초) 단위로로 심전도 신호를 수신한다. 부정맥 탐지 장치(200)는 심전도 신호로부터 부정맥들을 대표할 수 있는 특징을 추출한다. 부정맥 탐지 장치(200)는 심전도 신호로부터 부정맥을 대표할 수 있는 정보의 손실을 최소화할 수 있도록 지역적 특징 및 전역적 특징을 인코딩한다.
부정맥 탐지 장치(200)는 특징 매트릭스에 채널들의 기여도를 계산한 후 기여도에 대응하는 가중치를 부여한 채널 어텐션 정보를 생성한다.
부정맥 탐지 장치(200)는 채널 어텐션 정보를 복호화하여 연속적인 심전도의 지역, 전역 특징 패턴을 복호화한다. 부정맥 탐지 장치(200)는 어텐션 메커니즘을 이용하여 중요한 부분을 강조한 특징을 학습하여 심전도 신호들 사이의 부정맥 발생, 종료 시간 탐지와 부정 종류를 분류한다.
부정맥 탐지 장치(200)는 긴 윈도우를 갖는 심전도 신호를 입력받는다. 부정맥 탐지 장치(200)는 연속적 관계성과 전역 특징을 추출하여 인코딩한다. 부정맥 탐지 장치(200)는 인코딩된 특징들을 복호화한다. 부정맥 탐지 장치(200)는 인코딩한 정보로부터 특징에 중요한 부분을 강조한다. 부정맥 탐지 장치(200)는 중요한 부분을 강조하기 위한 학습을 수행한다.
부정맥 탐지 장치(200)는 추론된 결과들의 값을 보정하는 후처리부로 프레임 워크를 구성하여 부정맥의 연속적 패턴을 학습한다. 부정맥 탐지 장치(200)는 부정맥의 발생시간, 종료 시간을 파악하여 임상적 진단에 적용한다.
도 2는 본 실시예에 따른 부정맥 탐지 장치를 나타낸 도면이다.
본 실시예에 따른 부정맥 탐지 장치(200)는 신호 입력부(210), 전처리부(220), 인코딩부(230), 브릿지부(240), 디코딩부(250), 분류부(260), 후처리부(270)를 포함한다. 부정맥 탐지 장치(200)에 포함된 구성요소는 반드시 이에 한정되는 것은 아니다.
부정맥 탐지 장치(200)에 포함된 각 구성요소는 장치 내부의 소프트웨어적인 모듈 또는 하드웨어적인 모듈을 연결하는 통신 경로에 연결되어 상호 간에 유기적으로 동작할 수 있다. 이러한 구성요소는 하나 이상의 통신 버스 또는 신호선을 이용하여 통신한다.
도 2에 도시된 부정맥 탐지 장치(200)의 각 구성요소는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 소프트웨어적인 모듈, 하드웨어적인 모듈 또는 소프트웨어와 하드웨어의 결합으로 구현될 수 있다.
신호 입력부(210)는 심전도 신호를 입력받는다. 신호 입력부(210)는 기 설정된 시간(예컨대, 30초) 단위로 심전도 신호를 입력받는다. 신호 입력부(210)는 긴 윈도우의 입력을 갖는 심전도 신호를 입력받는다. 신호 입력부(210)는 기 설정된 시간 단위로 심전도 신호를 입력받는다.
전처리부(220)는 심전도 신호에 대한 데이터 전처리를 수행한 전처리 데이터를 생성한다. 인코딩부(230)는 전처리 데이터를 인코딩한 인코딩 데이터를 생성한다.
브릿지부(240)는 인코딩부(230)와 디코딩부(250) 사이를 연결한다. 브릿지부(240)는 인코딩 데이터로부터 부정맥 대표 특징을 추출하여 인코딩 데이터에 삽입한다.
브릿지부(240)는 전처리부(220)로부터 입력된 인코딩 데이터로부터 부정맥들을 대표할 수 있는 특징을 추출한다. 브릿지부(240)는 인코딩 데이터로부터 부정맥을 대표할 수 있는 정보의 손실을 최소화할 수 있도록 지역적 특징 및 전역적 특징을 추출한다. 브릿지부(240)는 제1 채널 어텐션부(242), 확장 컨볼루션부(244), 제2 채널 어텐션부(246)를 포함한다.
제1 채널 어텐션부(242)는 인코딩부(230)로부터 인코딩 데이터를 수신한다.
제1 채널 어텐션부(242)는 인코딩 데이터로부터 추출한 특징 매트릭스에 채널(Channel)들의 기여도를 계산한 후 기여도에 대응하는 제1 가중치를 부여한다. 제1 채널 어텐션부(242)는 인코딩 데이터에 포함된 특징 매트릭스에 기여도에 대응하는 제1 가중치를 부여한 제1 채널 어텐션 데이터를 생성한다. 제1 채널 어텐션부(242)는 인코딩부(230)를 통과한 인코딩 데이터에 포함된 특징에 중요한 부분을 강조한다. 제1 채널 어텐션부(242)는 특징 매트릭스 간 기여도를 계산하여, 제1 가중치를 부여한 가중 특징 매트릭스를 사용한다. 제1 채널 어텐션부(242)는 인코딩 데이터로부터 추출된 특징 매트릭스에 중요한 부분에 제1 가중치를 부여한다.
제1 채널 어텐션부(242)는 부정맥 대표 특징에 대응하는 특징 매트릭스 간에 채널(Channel)들의 기여도를 계산한 후 기여도에 대응하는 제1 가중치를 부여한 제1 채널 어텐션 데이터를 생성한다.
확장 컨볼루션부(244)는 위치 정보의 손실을 최소화하면서 알고리즘 경량화를 이끌 수 있는 확장 컨볼루션(Dilated Convolution)을 사용한 확장 컨볼루션 데이터를 생성한다.
확장 컨볼루션부(244)는 제1 채널 어텐션 데이터에 확장 컨볼루션(Dilated Convolution)을 적용한 확장 컨볼루션 데이터를 생성한다.
제2 채널 어텐션부(246)는 확장 컨볼루션부(244)로부터 확장 컨볼루션 데이터를 수신한다. 제2 채널 어텐션부(246)는 확장 컨볼루션 데이터로부터 추출한 특징 매트릭스에 채널들의 기여도를 계산한 후 기여도에 대응하는 제2 가중치를 부여한다. 제2 채널 어텐션부(246)는 확장 컨볼루션 데이터에 포함된 특징 매트릭스에 기여도에 대응하는 제2 가중치를 부여한 제2 채널 어텐션 데이터를 생성한다. 제2 채널 어텐션부(246)는 확장 컨볼루션부(244)로부터 입력된 특징에 중요한 부분을 강조하기 위한 학습을 수행한다. 제2 채널 어텐션부(246)는 확장 컨볼루션부(244)를 통과한 확장 컨볼루션 데이터에 포함된 특징에 중요한 부분을 강조한다. 제2 채널 어텐션부(246)는 특징 매트릭스 간 기여도를 계산하여, 제2 가중치를 부여한 가중 특징 매트릭스를 사용한다.
제2 채널 어텐션부(246)는 인코딩 데이터로부터 추출된 특징 매트릭스에 중요한 부분에 제2 가중치를 부여한다. 제2 채널 어텐션부(246)는 추론된 결과들의 값을 보정하는 후처리부로 프레임 워크를 구성하여 부정맥의 연속적 패턴을 학습한다. 제2 채널 어텐션부(246)는 입력된 심전도 신호에 대한 확장 컨볼루션(Dilated Convolution) 전과 후에 가중 특징 매트릭스를 계산하기 위한 채널 와이즈 어텐션(Channel Wise Attention)을 이용한다.
제1 채널 어텐션부(242)과 제2 채널 어텐션부(246)은 동일한 기능을 수행한다.
제1 채널 어텐션부(242)과 제2 채널 어텐션부(246)을 확장 컨볼루션부(244)의 앞뒤로 배치하여, 제1 채널 어텐션부(242)에서 출력한 결과가 확장 컨볼루션부(244)을 거치면서 손실이 발생하더라도 제2 채널 어텐션부에서 다시 보완하도록 하는 구조를 갖는다.
다시 말해, 제1 채널 어텐션부(242)은 심전도 신호를 인코딩 한 후 인코딩 데이터에서 줄여 나가면서 채널(정사각형 형태)에 공간이 형성되는 부분과 스페셜한 부분의 공간적인 해상도를 동시에 강조한 결과를 출력한다.
제2 채널 어텐션부(246)은 이후 확장 컨볼루션부(244)에서 컨볼루션을 수행하여 특징을 다시 계산할 때, 정보 손실이 발생할 수 있다.
제2 채널 어텐션부(246)은 확장 컨볼루션부(244)로부터 발생한 정보 손실을 보완하기 위해 스페셜한 부분과 채널의 부분을 강조해서 다시 정보를 팽창시킨다.
제2 채널 어텐션부(246)는 확장 컨볼루션 데이터에 포함된 부정맥 대표 특징에 대응하는 특징 매트릭스 간에 채널들의 기여도를 계산한 후 기여도에 대응하는 제2 가중치를 부여한 제2 채널 어텐션 데이터를 생성한다. 제2 채널 어텐션부(246)는 제2 채널 어텐션 데이터를 인코딩 데이터에 삽입하여 디코딩부로 전송한다.
제2 채널 어텐션부(246)는 심전도 신호에 대한 확장 컨볼루션(Dilated Convolution) 전과 후에 가중 특징 매트릭스를 계산하기 위한 채널 와이즈 어텐션(Channel Wise Attention)을 적용하여 기여도를 계산한다.
디코딩부(250)는 부정맥 대표 특징을 포함하는 인코딩 데이터를 복호화한 디코딩 데이터를 생성한다. 디코딩부(250)는 제2 채널 어텐션 데이터에 기 학습된 모델을 이용하여 연속적인 심전도의 지역적 특징, 전역적 특징 패턴을 복호화한다. 디코딩부(250)는 인코딩된 특징들을 복호화한다.
디코딩부(250)는 제2 채널 어텐션 데이터에 기 학습된 모델을 이용하여 부정맥 대표 특징에 포함된 연속적인 심전도의 지역적 특징, 전역적 특징 패턴을 함께 복호화한다.
디코딩부(250)는 부정맥 대표 특징을 포함하는 인코딩 데이터의 레이어(Layer) 팽창시 정보 손실을 방지하기 위해, 업샘플링(Upsampling)한 레이어(Layer)와 인코딩부의 이전 레이어를 연접(Concatenation)하지 않고, 합산(Summation)을 수행하여 디코딩을 수행한다.
분류부(260)는 디코딩 데이터에 포함된 부정맥 대표 특징을 기반으로 부정맥 종류를 분류한다. 분류부(260)는 부정맥 종류를 분류한다. 분류부(260)는 복원된 특징 벡터를 픽셀별 분류(Pixel-Wise Classification)를 수행한다. 분류부(260)는 부정맥 대표 특징에 대응하는 특징 벡터를 기반으로 픽셀별 분류를 수행하여 부정맥 종류를 분류한다.
후처리부(270)는 부정맥 종류별로 부정맥 발생 시간과 부정맥 종료 시간을 탐지한다. 후처리부(270)는 픽셀별 분류(Pixel-Wise Classification) 시 나타날 수 있는 일부 이상값을 보정하고, 보정된 분류 정보에 기반하여 발생시간, 종료시간을 산출하고 지속시간을 계산한다.
후처리부(270)는 어텐션 메커니즘을 이용하여 중요한 부분을 강조한 특징을 학습하여 입력 신호들 사이의 부정맥 발생과 종료 시간 탐지한다. 후처리부(270)는 부정맥의 발생시간, 종료 시간을 파악하여 임상적 진단에 적용한다.
후처리부(270)는 분류부(260)에서 수행하는 픽셀별 분류 시 발생하는 이상값을 보정한 후 부정맥 발생 시간과 부정맥 종료 시간을 기반으로 부정맥 종류별 부정맥 지속시간을 산출한다. 후처리부(270)는 부정맥 발생 시간, 부정맥 종료 시간, 부정맥 지속시간을 기반으로 임상적 진단에 적용한다.
후처리부(270)는 심전도 신호를 구간별로 구분한 후 구간별로 구분하여 복수의 결과값을 출력할 때, 구간이 중첩되거나 우선순위별로 출력되도록 한다. 후처리부(270)는 구간 각각에 부정맥 발생 시간, 부정맥 종료 시간, 부정맥 지속시간 파악한다.
도 3은 본 실시예에 따른 어텐션 메커니즘을 이용한 부정맥 탐지 및 분류 방법을 나타낸 도면이다.
부정맥 탐지 장치(200)의 신호 입력부(210)는 기 설정된 시간(예컨대, 30초) 단위로 심전도 신호를 입력받는다(S310). 부정맥 탐지 장치(200)의 전처리부(220)는 심전도 신호에 대한 데이터 전처리를 수행한 전처리 데이터를 생성한다(S320).
부정맥 탐지 장치(200)의 전처리부(220)는 전처리 데이터를 인코딩부(230)로 입력한다(S330). 부정맥 탐지 장치(200)의 인코딩부(230)는 전처리 데이터를 인코딩한 인코딩 데이터를 생성한다.
부정맥 탐지 장치(200)의 제1 채널 어텐션부(242)는 인코딩 데이터로부터 추출된 특징 매트릭스의 중요한 부분에 제1 가중치 부여한 제1 채널 어텐션 데이터를 생성한다(S340).
부정맥 탐지 장치(200)의 확장 컨볼루션부(244)는 제1 채널 어텐션 데이터에 상황 정보(Contextual Information)를 확보하기 위한 브릿지 레이어(Bride Layer) 상에 가중치가 부여된 특징 매트릭스를 투입한 다(S350).
부정맥 탐지 장치(200)의 제2 채널 어텐션부(246)은 상황 정보(Contextual Information)가 확보된 특징 매트릭스에 중요한 부분에 제2 가중치 부여한다(S360).
부정맥 탐지 장치(200)의 디코딩부(250)는 압축된 특징 매트릭스를 원래 입력 매트릭스로 팽창한다(S370). 부정맥 탐지 장치(200)의 후처리부(270)는 팽창된 특징 매트릭스를 이용하여 각 부정맥 시작, 종료 시간 탐지 및 분류한다(S380).
도 3에서는 단계 S310 내지 단계 S380을 순차적으로 실행하는 것으로 기재하고 있으나, 반드시 이에 한정되는 것은 아니다. 다시 말해, 도 3에 기재된 단계를 변경하여 실행하거나 하나 이상의 단계를 병렬적으로 실행하는 것으로 적용 가능할 것이므로, 도 3은 시계열적인 순서로 한정되는 것은 아니다.
전술한 바와 같이 도 3에 기재된 본 실시예에 따른 어텐션 메커니즘을 이용한 부정맥 탐지 및 분류 방법은 프로그램으로 구현되고 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다. 본 실시예에 따른 어텐션 메커니즘을 이용한 부정맥 탐지 및 분류 방법을 구현하기 위한 프로그램이 기록되고 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다.
도 4는 본 실시예에 따른 부정맥 탐지 및 분류를 위한 모델 구조를 나타낸 도면이다.
부정맥 탐지 장치(200)는 피부에 부착된 전극과 신체 외부의 장비에 의해 기록된 심장의 전기적 활동을 해석한 심전도 신호를 입력받는다. 부정맥 탐지 장치(200)는 심장박동의 비율과 일정함을 측정하는 심전도 신호를 이용하며, 심장의 비정상적 활동에 대한 진단이나 연구의 목적으로 사용한다.
부정맥 탐지 장치(200)는 심전도 신호를 기반으로 심장이 불규칙하게 뛰거나, 지나치게 빠르거나, 늦거나 맥박이 불규칙하게 뛰는 부정맥을 감지한다. 여기서, 다양한 부정맥은 발작성 또는 지속적으로 나타날 수 있어, 특정 구간 동안 이런 부정맥들이 혼재되어 나타날 수 있다.
일반적인 부정맥 분류 알고리즘들은 특정 구간에서 나타나는 부정맥이 있는지 없는지의 여부를 확인하거나 특정 구간의 패턴을 파악한 후 해당 구간에서의 부정맥은 무엇인지 만을 판단한다.
하지만, 다양한 부정맥은 특정 구간에서 동시에 나타날 수 있기 때문에, 일반적인 분류 알고리즘들은 특정 구간에서 나타나는 복수의 부정맥을 특정 하나의 부정맥으로 오분류하게 된다.
발작성 부정맥은 특정 구간에서 짧게 여러 번 나타날 수 있으므로, 분류 알고리즘들은 특정 구간 전체로 하나의 부정맥을 분류하게 되어 발생시간과 지속시간을 파악할 수 없어 임상적 판단을 내릴 때 부정확한 판단으로 이어질 수 있다.
본 실시예에 따른 부정맥 탐지 장치(200)는 심전도 신호를 입력으로 받았을 때, 특정 시간 동안 나타날 수 있는 부정맥이 무엇인지 분류한 후 분류된 부정맥의 발생시간을 산출할 수 있다. 부정맥 탐지 장치(200)는 부정맥 탐지 및 분류된 부정맥 발생 시간을 산출할 수 있기 때문에, 임상 현장에서 높은 활용도를 가진다.
부정맥 탐지 장치(200)는 특정 구간에서 부정맥이 여러 가지 형태로 나타나거나 여러 번으로 나타나는 경우에도, 각각의 부정맥을 정확하게 정확하게 파악하고 분류한다.
부정맥 탐지 장치(200)는 부정맥에 대한 발생시간, 종료시간, 지속시간을 산출하기 위해 기존 U-shape Encoder-Decoder 구조와는 다른 인코더(Encoder)-디코더(Decoder) 구조를 갖는다.
본 실시예에 따른 부정맥 탐지 장치(200)는 U-shape Encoder-Decoder와 다음과 같은 차별성을 갖는다.
① 부정맥 탐지 장치(200)의 인코딩부(230)는 잔차 네트워크(Residual Network)를 로 사용한다.
② 부정맥 탐지 장치(200)의 디코딩부(250)는 레이어(Layer) 팽창시, 정보의 손실을 방지하기 위해, 업샘플링(Upsampling)한 레이어(Layer)와 인코딩부(230)의 이전 레이어를 연접(Concatenation)하지 않고, 합산(Summation)을 수행하여 연산이 빠르게 수행되도록 한다.
③ 부정맥 탐지 장치(200)는 위치 정보의 손실을 최소화하면서 알고리즘 경량화를 이끌 수 있는 확장 컨볼루션(Dilated Convolution)을 사용한다.
④ 부정맥 탐지 장치(200)는 특징 매트릭스 간 기여도를 계산하여, 가중치를 부여한 가중 특징 매트릭스를 사용한다.
⑤ 부정맥 탐지 장치(200)는 입력된 심전도 신호에 대한 확장 컨볼루션(Dilated Convolution) 전과 후에 가중 특징 매트릭스를 계산하기 위한 채널 와이즈 어텐션(Channel Wise Attention)을 이용한다.
부정맥 탐지 장치(200)의 인코딩부(230)는 특정 구간의 입력 신호의 특징을 추출하기 위한 잔차 네트워크(Residual Network)를 포함한다.
부정맥 탐지 장치(200)의 브릿지부(240)는 추출한 특징 매트릭스의 정보를 이해하여 부정맥 특징에 맞는 기여도를 계산한다. 부정맥 탐지 장치(200)의 브릿지부(240)는 제1 채널 어텐션부(242), 확장 컨볼루션부(244), 제2 채널 어텐션부(244)를 포함한다.
부정맥 탐지 장치(200)의 디코딩부(250)는 정보를 압축한 특징 매트릭스를 원래의 길이로 복원시킨다. 부정맥 탐지 장치(200)의 분류부(260)는 복원된 특징 벡터를 픽셀별 분류(Pixel-Wise Classification)를 수행한다.
부정맥 탐지 장치(200)의 후처리부(270)는 픽셀별 분류(Pixel-Wise Classification) 시 나타날 수 있는 일부 이상값을 보정하고, 보정된 분류 정보에 기반하여 발생시간, 종료시간을 산출하고 지속시간을 계산한다.
도 5는 본 실시예에 따른 부정맥 발생 시간 산출을 위한 모델 구조를 나타낸 도면이다.
부정맥 탐지 장치(200)는 입력으로 사용할 심전도 신호를 30초 단위로 구성한다. 부정맥 탐지 장치(200)는 30초 단위의 신호에 대한 기준선 배회(Baseline Wandering)를 보정하기 위한 전처리를 수행한다. 부정맥 탐지 장치(200)의 인코딩부(230)에 전처리된 30초 단위 심전도 신호를 투입한다.
부정맥 탐지 장치(200)는 데이터 불균형을 해결하기 위해 흔하게 나타나지 않는 부정맥 데이터를 생성하기 위한 훈련용 데이터 생성기로 활용한다. 부정맥 탐지 장치(200)는 추가 분류 카테고리로 확장 가능하다. 부정맥 탐지 장치(200)는 기 학습 된 인코딩부(230)와 다른 딥러닝 기반 모델과 결합한 임상 의사 결정 지원 시스템(Clinical Decision Support System)으로 확장 가능하다.
부정맥 탐지 장치(200)는 30초의 긴 시간을 입력으로 사용하여, 정보의 누락 없이 입력 샘플의 특성을 파악하여 다양한 부정맥을 정확하게 검출할 수 있다. 부정맥 탐지 장치(200)는 하나의 윈도우에 하나의 부정맥만을 검출할 수 있는 것이 아닌, 발작성, 지속성 부정맥 모두를 검출할 수 있다. 부정맥 탐지 장치(200)는 부정맥의 발생 시간, 종료 시간을 확인한 후 지속 시간을 산출한다. 부정맥 탐지 장치(200)는 산출된 부정맥의 지속시간을 이용하여 임상에서 맞는 치료 계획 및 처방에 참고할 수 있다.
이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
200: 부정맥 탐지 장치
210: 신호 입력부
220: 전처리부
230: 인코딩부
240: 브릿지부
242: 제1 채널 어텐션부
244: 확장 컨볼루션부
246: 제2 채널 어텐션부
250: 디코딩부
260: 분류부
270: 후처리부

Claims (11)

  1. 기 설정된 시간 단위로 심전도 신호를 입력받는 신호 입력부;
    상기 심전도 신호에 대한 전처리를 수행한 전처리 데이터를 생성하는 전처리부;
    상기 전처리 데이터를 인코딩한 인코딩 데이터를 생성하는 인코딩부;
    상기 인코딩 데이터로부터 부정맥 대표 특징을 추출하여 상기 인코딩 데이터에 삽입하는 브릿지부; 및
    상기 부정맥 대표 특징을 포함하는 상기 인코딩 데이터를 복호화한 디코딩 데이터를 생성하는 디코딩부;를 포함하되
    상기 브릿지부는,
    상기 부정맥 대표 특징에 대응하는 특징 매트릭스 간에 채널(Channel)들의 기여도를 계산한 후 상기 기여도에 대응하는 제1 가중치를 부여한 제1 채널 어텐션 데이터를 생성하는 제1 채널 어텐션부;
    상기 제1 채널 어텐션 데이터에 확장 컨볼루션(Dilated Convolution)을 적용한 확장 컨볼루션 데이터를 생성하는 확장 컨볼루션부;
    상기 확장 컨볼루션 데이터에 포함된 상기 부정맥 대표 특징에 대응하는 특징 매트릭스 간에 채널들의 기여도를 계산한 후 상기 기여도에 대응하는 제2 가중치를 부여한 제2 채널 어텐션 데이터를 생성하는 제2 채널 어텐션부;를 포함하는 것을 특징으로 하는 부정맥 탐지 장치.
  2. 제1항에 있어서,
    상기 디코딩 데이터에 포함된 상기 부정맥 대표 특징을 기반으로 부정맥 종류를 분류하는 분류부; 및
    상기 부정맥 종류별로 부정맥 발생 시간과 부정맥 종료 시간을 탐지하는 후처리부;
    를 추가로 포함하는 것을 특징으로 하는 부정맥 탐지 장치.
  3. 제2항에 있어서,
    상기 분류부는,
    상기 부정맥 대표 특징에 대응하는 특징 벡터를 기반으로 픽셀별 분류(Pixel-Wise Classification)를 수행하여 상기 부정맥 종류를 분류하는 것을 특징으로 하는 부정맥 탐지 장치.
  4. 제2항에 있어서,
    상기 후처리부는,
    상기 분류부에서 수행하는 픽셀별 분류 시 발생하는 이상값을 보정한 후 상기 부정맥 발생 시간과 상기 부정맥 종료 시간을 기반으로 부정맥 종류별 부정맥 지속시간을 산출하고, 상기 부정맥 발생 시간, 상기 부정맥 종료 시간, 상기 부정맥 지속시간을 기반으로 임상적 진단에 적용하는 것을 특징으로 하는 부정맥 탐지 장치.
  5. 제4항에 있어서,
    상기 후처리부는,
    상기 심전도 신호를 구간별로 구분한 후 상기 구간별로 구분하여 복수의 결과값을 출력할 때, 상기 구간이 중첩되거나 우선순위별로 출력되도록 하며, 상기 구간 각각에 상기 부정맥 발생 시간, 상기 부정맥 종료 시간, 상기 부정맥 지속시간 파악하는 것을 특징으로 하는 부정맥 탐지 장치.
  6. 삭제
  7. 제1항에 있어서,
    상기 제2 채널 어텐션부는,
    상기 제2 채널 어텐션 데이터를 상기 인코딩 데이터에 삽입하여 상기 디코딩부로 전송하는 것을 특징으로 하는 부정맥 탐지 장치.
  8. 제1항에 있어서,
    상기 제2 채널 어텐션부는,
    상기 심전도 신호에 대한 확장 컨볼루션(Dilated Convolution) 전과 후에 가중 특징 매트릭스를 계산하기 위한 채널 와이즈 어텐션(Channel Wise Attention)을 적용하여 상기 기여도를 계산하는 것을 특징으로 하는 부정맥 탐지 장치.
  9. 제1항에 있어서,
    상기 디코딩부는
    상기 제2 채널 어텐션 데이터에 기 학습된 모델을 이용하여 상기 부정맥 대표 특징에 포함된 연속적인 심전도의 지역적 특징, 전역적 특징 패턴을 함께 복호화하는 것을 특징으로 하는 부정맥 탐지 장치.
  10. 제1항에 있어서,
    상기 디코딩부는,
    상기 부정맥 대표 특징을 포함하는 상기 인코딩 데이터의 레이어(Layer) 팽창시 정보 손실을 방지하기 위해, 업샘플링(Upsampling)한 레이어(Layer)와 상기 인코딩부의 이전 레이어를 연접(Concatenation)하지 않고, 합산(Summation)을 수행하여 디코딩을 수행하는 것을 특징으로 하는 부정맥 탐지 장치.
  11. 삭제
KR1020210184200A 2021-12-21 2021-12-21 어텐션 메커니즘을 이용한 부정맥 탐지 장치 KR102437349B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210184200A KR102437349B1 (ko) 2021-12-21 2021-12-21 어텐션 메커니즘을 이용한 부정맥 탐지 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210184200A KR102437349B1 (ko) 2021-12-21 2021-12-21 어텐션 메커니즘을 이용한 부정맥 탐지 장치

Publications (1)

Publication Number Publication Date
KR102437349B1 true KR102437349B1 (ko) 2022-08-29

Family

ID=83113712

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210184200A KR102437349B1 (ko) 2021-12-21 2021-12-21 어텐션 메커니즘을 이용한 부정맥 탐지 장치

Country Status (1)

Country Link
KR (1) KR102437349B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117796817A (zh) * 2024-02-29 2024-04-02 山东大学齐鲁医院 一种急性心肌梗死快速检测和预警的方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008515486A (ja) * 2004-09-30 2008-05-15 カーディアック ペースメーカーズ，インコーポレイテッド 不整脈分類および療法選択
KR20210047235A (ko) * 2019-10-18 2021-04-29 고려대학교 산학협력단 심층학습에 기반한 신호 압축 시스템 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008515486A (ja) * 2004-09-30 2008-05-15 カーディアック ペースメーカーズ，インコーポレイテッド 不整脈分類および療法選択
KR20210047235A (ko) * 2019-10-18 2021-04-29 고려대학교 산학협력단 심층학습에 기반한 신호 압축 시스템 및 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117796817A (zh) * 2024-02-29 2024-04-02 山东大学齐鲁医院 一种急性心肌梗死快速检测和预警的方法及系统

Similar Documents

Publication Publication Date Title
US11538588B2 (en) Atrial fibrillation signal recognition method, apparatus and device
US10869610B2 (en) System and method for identifying cardiac arrhythmias with deep neural networks
KR102463764B1 (ko) 부정맥 검출 방법, 장치, 전자장치 및 컴퓨터 기억 매체
US11324455B2 (en) Artificial intelligence-based interference recognition method for electrocardiogram
US11538585B2 (en) Detecting abnormalities in ECG signals
CN110046604B (zh) 一种基于残差网络的单导联ecg心律失常检测分类方法
CN108478209A (zh) 心电信息动态监护方法和动态监护系统
CA3071699A1 (en) Detection of electrocardiographic signal
KR102437350B1 (ko) 심전도 전역 특징 벡터를 이용한 다중 박동 검출 방법 및 장치
CN112022144A (zh) 心电异常检测网络训练方法、心电异常预警方法及装置
KR102437349B1 (ko) 어텐션 메커니즘을 이용한 부정맥 탐지 장치
KR20220033083A (ko) Xai 딥러닝 기반 심장질환 진단 및 해석 시스템
CN111528832A (zh) 一种心律失常分类方法及其有效性验证方法
KR20200125256A (ko) 심전도 분석 장치 및 방법
CN111528833A (zh) 一种心电信号的快速识别与处理方法及系统
Lu et al. An end-to-end model for ECG signals classification based on residual attention network
Kulkarni DWT and ANN based heart arrhythmia disease diagnosis from MIT-BIH ECG signal data
KR102373778B1 (ko) 심전도 데이터로부터 광용적맥파 데이터를 생성하는 장치 및 방법
CN113974649A (zh) 心搏信号的分类的和用于心搏信号的分类的深度学习模型的训练的方法、设备和介质
CN115204297A (zh) 一种基于多通道卷积神经网络的心电图分类方法及系统
KR102652326B1 (ko) 멀티 입력과 멀티뷰 프레임워크를 이용한 실시간 다중 부정맥 탐지 장치
KR101429710B1 (ko) 특징점 변화에 따른 부정맥 분류 방법 및 원격 모니터링 장치
Roy et al. Identification and classification of human mental stress using physiological data: A low-power hybrid approach
CN117349600B (zh) 一种基于双模态双输入的心音心电联合诊断方法及系统
KR102571244B1 (ko) Xai 딥러닝 기반 심장질환 진단 및 해석 시스템

Legal Events

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