KR102460058B1 - 딥 러닝을 이용하여 심방세동을 감지하는 방법 및 장치 - Google Patents

딥 러닝을 이용하여 심방세동을 감지하는 방법 및 장치 Download PDF

Info

Publication number
KR102460058B1
KR102460058B1 KR1020210170500A KR20210170500A KR102460058B1 KR 102460058 B1 KR102460058 B1 KR 102460058B1 KR 1020210170500 A KR1020210170500 A KR 1020210170500A KR 20210170500 A KR20210170500 A KR 20210170500A KR 102460058 B1 KR102460058 B1 KR 102460058B1
Authority
KR
South Korea
Prior art keywords
waveform
fibrillation
atrial fibrillation
section
classification
Prior art date
Application number
KR1020210170500A
Other languages
English (en)
Inventor
조건욱
김후현
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 KR1020210170500A priority Critical patent/KR102460058B1/ko
Priority to PCT/KR2021/019295 priority patent/WO2023101090A1/ko
Application granted granted Critical
Publication of KR102460058B1 publication Critical patent/KR102460058B1/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
    • 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
    • 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
    • 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

Abstract

딥 러닝을 이용하여 심방세동을 감지하는 방법 및 장치를 개시한다.
본 실시예는 심전도 파형에 세그먼테이션 기법을 적용하여, 심전도 파형 중 ROI 영역을 기반으로 세동 파형의 빠르게 분류(Classification)하여 심장이 불규칙하게 뛰는 치명적인 부정맥의 일종인 심방세동을 감지하도록 딥러닝 기반으로 심방세동 발생 여부를 학습할 수 있도록 하는 딥 러닝을 이용하여 심방세동을 감지하는 방법 및 장치를 제공한다.

Description

딥 러닝을 이용하여 심방세동을 감지하는 방법 및 장치{Method And Apparatus for Detecting Atrial Fibrillation by Using Deep Learning}
본 발명의 일 실시예는 딥러닝 기반의 세그먼테이션 알고리즘을 이용한 심전도의 F 파형 및 심방세동 감지를 위한 방법 및 장치에 관한 것이다.
이하에 기술되는 내용은 단순히 본 실시예와 관련되는 배경 정보만을 제공할 뿐 종래기술을 구성하는 것이 아니다.
의료진의 심전도 분석을 도와주는 심전도 판독 시스템이 개발되어 있다. 종래의 심전도 판독 시스템은 파형의 R, P, T 피크(Peak)를 검출하고 있으며, 규칙기반으로 부정맥 검출하고 분류한다.
종래의 심전도 판독 시스템은 환자의 전체 심전도 신호 데이터를 받아 분석하여 그 결과를 출력한다. 딥러닝 기술은 기존 방법들에 비해 정확성이 높기 때문에 심전도 판독 알고리즘으로 최근 많이 연구되고 있다.
심전도를 이용한 부정맥 판단은 일정 자격을 갖춘 의료진만이 할 수 있지만 수요에 비해 인력이 부족한 현실이다. 심전도 판독 시 P, QRS, T 파형의 모양과 구간 간에 시간 차 계산, 심전도 리듬에 대한 분석 등 심전도 신호를 다양한 시각에서 판독해야 하기 때문에 시간이 많이 소요된다. 병상 환자의 심전도는 의료진이 실시간으로 관측하여 환자의 상태를 주시해야 하지만, 인력부족으로 인해 지속적인 모니터링이 힘들다. 심전도 분석은 환자의 생명과 직결되기 때문에 정확해야 하고 응급환자 발생 시에는 빠르게 동작되어야 한다.
종래의 심전도 분석은 P, QRS, T 파형 구간의 끝점, 시작점 등을 이용하는 경우도 있지만 종래의 기술은 피크(Peak)만을 찾아 그 활용도가 떨어진다. 부정맥 검출 및 분류 시 규칙기반의 알고리즘 설계는 파형의 다양성 때문에 정확도가 떨어지고, 부정맥의 추가 시 새로운 규칙기반 알고리즘을 설계해야 한다.
종래의 심전도 판독 시스템은 병상 환자 모니터링과 같은 실시간 판독이 필요한 곳에서는 활용이 불가능하다. 심전도 분석을 위한 딥러닝 알고리즘은 구현 모델에 따라 속도 차이가 있으며, 실시간 동작을 위해 매 시간 동작할 수 없다. 심전도 파형 시각화 시 1차원 데이터에 대한 출력으로 실시간 판독 시 가독성이 떨어진다.
심방세동 데이터는 개인에 따라 매우 다양한 형태의 파형을 가지기 때문에 파형을 기반으로 심방세동을 감지하는 데는 한계가 있다. 따라서, 심방세동 발생 시, 반드시 동반되는 세동 파형을 감지하여 심방세동의 발생구간을 판단할 수 있는 기술을 필요로 한다.
본 실시예는 심전도 파형에 세그먼테이션 기법을 적용하여, 심전도 파형 중 ROI 영역을 기반으로 세동 파형의 빠르게 분류(Classification)하여 심장이 불규칙하게 뛰는 치명적인 부정맥의 일종인 심방세동을 감지하도록 딥러닝 기반으로 심방세동 발생 여부를 학습할 수 있도록 하는 딥 러닝을 이용하여 심방세동을 감지하는 방법 및 장치를 제공하는 데 목적이 있다.
본 실시예의 일 측면에 의하면, 복수의 사람에 대한 심전도 파형을 획득하는 심전도 파형 획득부; 상기 심전도 파형에 세그먼테이션(Segmentation)을 적용하여, 상기 심전도 파형 각 구간을 기반으로 상기 각 구간별 분류(Classification)값을 레이블링(Labeling)하는 분류부; 상기 각 구간별 분류값을 기반으로 잔진동으로 레이블링된 세동 파형만을 선별하는 세동 선별부; 및 상기 세동 파형이 기 설정된 임계치 이상 포함되어 있는 경우, 심방세동으로 판별하는 심방세동 판별부를 포함하는 것을 특징으로 하는 심방세동 판별장치를 제공한다.
이상에서 설명한 바와 같이 본 실시예에 의하면, 심전도 파형에 세그먼테이션 기법을 적용하여, 심전도 파형 중 ROI 영역을 기반으로 세동 파형의 빠르게 분류(Classification)하여 심장이 불규칙하게 뛰는 치명적인 부정맥의 일종인 심방세동을 감지하도록 딥러닝 기반으로 심방세동 발생 여부를 학습할 수 있도록 하는 효과가 있다.
본 실시예에 의하면, 의료진의 판독 부담을 줄이고, 판독 시간을 단축시킬 수 있으며, 심방세동의 정확한 감지로 인한 지속적인 관리가 가능하며, 응급상황 발생 시 적절한 대응이 이루어질 수 있도록 하는 효과가 있다.
본 실시예에 의하면, 다양한 케이스의 심방세동을 감지할 수 있으며, 오감지가 발생했을 경우, 해당 구간만 잘라서 학습 데이터로 입력하여 심방세동 검출 선을 업데이트할 수 있는 효과가 있다.
도 1은 본 실시예에 따른 바이오 신호 처리 분야에서 생체 신호 데이터 처리에 시멘틱 세그먼테이션 적용을 나타난 도면이다.
도 2는 본 실시예에 따른 시멘틱 세그먼테이션의 포인트 바이 포인트 출력을 나타낸 도면이다.
도 3은 본 실시예에 따른 심전도 시멘틱 세그먼테이션을 나타낸 도면이다.
도 4는 본 실시예에 따른 P,Q,R,S,T파(P파, QRS복합체, T파)와 심전도의 특징지표를 나타낸 도면이다.
도 5는 본 실시예에 따른 심방세동 판별장치를 개략적으로 나타낸 도면이다.
도 6은 본 실시예에 따른 2D 이미지 세그먼테이션과 1D 생체신호 세그먼테이션을 나타낸 도면이다.
도 7은 본 실시예에 따른 심방세동 구간에서의 F 파형을 나타낸 도면이다.
도 8은 본 실시예에 따른 포인트 바이 포인트 어노테이션을 나타낸 도면이다.
도 9는 본 실시예에 따른 인코더-디코더 세그먼테이션 알고리즘 구조를 나타낸 도면이다.
도 10은 본 실시예에 따른 포인트별 최종 출력값 출력과정을 나타낸 도면이다.
도 11은 본 실시예에 따른 F 파형 시작점과 종료지점을 나타낸 도면이다.
도 12는 본 실시예에 따른 포인트 바이 포인트 어노테이션을 나타낸 도면이다.
이하, 본 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 실시예에 따른 바이오 신호 처리 분야에서 생체 신호 데이터 처리에 시멘틱 세그먼테이션 적용을 나타난 도면이다.
본 실시예에 따른 심방세동 판별장치(500)는 바이오 신호 처리(Bio Signal Processing) 분야에서 1차원(1D) 생체신호 데이터 처리에 적용될 수 있다. 심방세동 판별장치(500)는 시멘틱 세그먼테이션(Semantic Segmentation)을 응용하여, 심전도 파형에 포함된 세동 파형을 파형 단위로 분할한다.
도 2는 본 실시예에 따른 시멘틱 세그먼테이션의 포인트 바이 포인트 출력을 나타낸 도면이다.
본 실시예에 따른 심방세동 판별장치(500)는 1차원 시멘트 세그먼테이션 알고리즘을 적용하여 입력된 심전도 파형(로우 데이터)에 대해 포인트 바이 포인트(Point by point)로 파형을 분류한 값을 적용하여 출력한다.
도 3은 본 실시예에 따른 심전도 시멘틱 세그먼테이션을 나타낸 도면이다.
본 실시예에 따른 심방세동 판별장치(500)는 1차원 시멘트 세그먼테이션 알고리즘을 적용하여 입력된 심전도 파형(로우 데이터)에 대해 포인트 바이 포인트(Point by point)로 파형을 분류한 값을 적용하여 심방세동이면 1로 표기하고, 심방세동이 아닌 정상 파형이면 0으로 표기한다.
도 4는 본 실시예에 따른 P,Q,R,S,T파(P파, QRS복합체, T파)와 심전도의 특징지표를 나타낸 도면이다.
심전도 파형은 박동의 연속으로 나타나지며, 박동은 크게 노멀 박동(Normal Beat)(N), 심실상 박동(Supraventricular beat)(S), 심실 박동(Ventricular Beat)(V)으로 나눌 수 있다. 심전도 파형의 한 박동은 기본적으로 P 파형, QRS 파형, T 파형을 포함한다.
심방세동 판별장치(500)는 심전도 파형에 포함된 P 파형, Q 파형, R 파형, S 파형, T 파형을 감지하고, 노멀 박동(N), 심실상 박동(S), 심실 박동(V)을 분류한다. 심방세동 판별장치(500)는 P 파형, Q 파형, R 파형, S 파형, T 파형의 로컬라이제이션(Localization)을 수행하여 심전도의 다양한 특징 지표들을 출력한다.
심방세동 판별장치(500)는 입력된 심전도 파형에 대한 PR 인터벌(Interval), QRS 인터벌, QT 인터벌, ST 세그먼트, RR 인터벌을 구분한다.
심방세동 판별장치(500)는 PR 인터벌, QRS 인터벌, QT 인터벌, ST 세그먼트, RR 인터벌을 기반으로 P 파형, Q 파형, R 파형, S 파형, T 파형의 특징정보를 기반으로 박동을 분류(Classification)할 수 있다
심방세동 판별장치(500)는 심장 박동을 노멀 박동(Normal Beat)(N), 심실상 박동(Supraventricular beat)(S), 심실 박동(Ventricular Beat)(V)으로 분류한다. 심방세동 판별장치(500)는 심전도 파형을 판독할 때, 로컬라이제이션(Localization)과 분류(Classification)정보를 기반으로 이상 상태를 감지할 수 있다.
심방세동 판별장치(500)는 심전도 파형에 대해 로컬라이제이션을 수행한 값을 이용하여 이상상태(부정맥, 이상박동(S,V), ST, QTc 등)를 감지한다.
심방세동 판별장치(500)는 심전도 파형에 대해 분류(Classification)를 수행하여 심장 박동을 노멀 박동(Normal Beat)(N), 심실상 박동(Supraventricular beat)(S), 심실 박동(Ventricular Beat)(V)로 분류하고, 부정맥을 감지한다.
심방세동 판별장치(500)는 심전도 파형에 세그먼테이션 기법을 적용하여, 심전도 파형에 포함된 P 파형, Q 파형, R 파형, S 파형, T 파형, 세동 파형의 각 구간을 확인한다. 심방세동 판별장치(500)는 각 구간을 기반으로 심장 박동을 노멀 박동(N), 심실상 박동(S), 심실 박동(V), 심방세동을 빠르게 분류(Classification)한다.
도 5는 본 실시예에 따른 심방세동 판별장치를 개략적으로 나타낸 도면이다.
의료진은 심방세동 판별장치(500)를 이용하여 발생비율 값의 임계치 조정하여 심방세동 유력 후보군부터 일반 후보군까지 확인할 수 있다.
의료진은 심방세동 판별장치(500)를 이용하여 임계치를 높게 설정하면(예컨대, 90%) 비교적 짧은 판독필요 상황에서 굉장히 유력한 심방세동 후보군(=후보구간)을 우선적으로 보여주기 때문에 의료진이 환자의 상태를 빠르게 확인하여 신속한 대응이 가능하다.
의료진은 심방세동 판별장치(500)를 이용하여 임계치를 낮게 설정하면(예컨대, 40%) 일반 건강검진과 같은 자세한 판독을 요구하는 상황에서 심방세동일 수 있는 후보구간을 의료진에게 모두 보여주기 때문에 정밀한 판독이 가능하다.
본 실시예에 따른 심방세동 판별장치(500)는 심전도 파형 획득부(510), 분류부(520), 세동 선별부(530), 심방세동 판별부(540), 학습부(550)를 포함한다. 심방세동 판별장치(500)에 포함된 구성요소는 반드시 이에 한정되는 것은 아니다.
심방세동 판별장치(500)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 5에 도시된 심방세동 판별장치(500)의 각 구성요소는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 소프트웨어적인 모듈, 하드웨어적인 모듈 또는 소프트웨어와 하드웨어의 결합으로 구현될 수 있다.
심전도 파형 획득부(510)는는 데이터 획득하고 1차원 데이터를 컨버팅한다.
심전도 파형 획득부(510)는 복수의 사람에 대한 심전도 파형을 획득한다. 심전도 파형 획득부(510)는 복수의 사람에 대한 심전도 파형을 1초당 256개씩 샘플로 획득한다. 심전도 파형 획득부(510)는 복수의 사람에 대한 심전도 파형을 1차원 데이터로 컨버팅한다.
분류부(520)는 각 포인트에 대한 모델 분류결과값(0 or 1)을 출력한다.
분류부(520)는 심전도 파형에 세그먼테이션(Segmentation)을 적용하여, 심전도 파형 각 구간을 확인한다. 분류부(520)는 각 구간을 기반으로 각 구간별 분류(Classification)값을 레이블링(Labeling)한다.
분류부(520)는 심전도 파형에 포함된 P 파형, Q 파형, R 파형, S 파형, T 파형, ROI(Region Of Interest)의 각 구간을 확인한다.
분류부(520)는 심전도 파형 상의 ROI 영역에서 세동 파형이 기 설정된 임계치(예컨대, 50%) 이상 검출되어 심방세동으로 판별되면 ROI 영역을 1로 레이블링한다. 분류부(520)는 심전도 파형 상의 ROI 영역에서 세동 파형이 기 설정된 임계치(예컨대, 50%) 미만으로 검출되어 심방세동이 아닌 것으로 판별되면 0으로 레이블링한다. 분류부(520)는 1의 값을 갖는 구간을 세동 파형으로 레이블링한다.
분류부(520)는 레이블링이 완료된 후 심방세동의 정확한 시작 지점과 끝 지점을 확인하기 위해 심전도 파형 상에서 ROI 영역이 중첩하면서 이동시킨다. 분류부(520)는 레이블링이 완료된 후 ROI 영역을 기 설정된 시간 단위(예컨대, 약 1초)씩 이동시키면서 세동 파형을 검출한다.
분류부(520)는 ROI 영역에서 세동 파형이 처음으로 검출된 시점을 시작시점으로 판별한다. 분류부(520)는 ROI 영역을 기 설정된 시간 단위로 이동시키면서 세동 파형이 미검출되는 지점을 심방세동의 끝 지점으로 판별한다.
분류부(520)는 심전도 파형의 박동 주기 상에서 R 파형과 다음 R 파형까지의 RR 인터벌의 불규칙성과 더불어 베이스 라인이 흔들리는 모폴로지(Morphology)적인 모양에 따라 세동 파형을 검출한다.
세동 선별부(530)는 세동파형을 선별(1값)한다. 세동 선별부(530)는 각 구간별 분류값을 기반으로 잔진동으로 레이블링된 세동 파형만을 선별한다.
심방세동 판별부(540)는 10초 영역에 대한 심방세동 여부(Yes or No)를 출력한다. 심방세동 판별부(540)는 세동 파형이 기 설정된 임계치(예컨대, 50%) 이상 포함되어 있는 경우, 심방세동으로 판별한다. 심방세동 판별부(540)는 심전도 파형의 전제 비율 중 심방세동으로 판별되어 ROI 영역을 1로 레이블링한 비율을 확인하여 심방세동 발생 여부를 판별한다.
학습부(550)는 세동 파형만을 입력으로 학습을 수행한 심방세동 학습 결과를 생성한다.
도 6은 본 실시예에 따른 2D 이미지 세그먼테이션과 1D 생체신호 세그먼테이션을 나타낸 도면이다.
심방세동 판별장치(500)는 심전도 파형에 세그먼테이션 알고리즘을 심전도(1차원 데이터)에 적용하여, 심전도 파형을 유의미한 단위로 세그먼테이션 한다.
심방세동 판별장치(500)는 세그먼테이션 알고리즘을 이용하여 심전도 파형을 감지하고 분류한다. 심방세동 판별장치(500)는 세그먼테이션 알고리즘을 이용하여 심전도 파형에서 영역을 정확하게 구분하는 데 이용된다.
심방세동 판별장치(500)는 세그먼테이션 알고리즘을 이용하여 ECG 뿐만 아니라 다양한 생체 신호에서도 각 구간을 분류할 수 있다.
도 7은 본 실시예에 따른 심방세동 구간에서의 F 파형을 나타낸 도면이다.
일반적인 심방세동 감지 알고리즘은 파형의 형상을 기반으로 감지하는 경우가 대부분이나 본 실시예에 따른 심방세동 판별장치(500)는 심방세동이 베이스라인이 불규칙한 세동 파형을 동반하여 심방세동을 확인하여 세동 파형이 특정 비율이상으로 감지되는 구간을 간접적으로 심방세동 발생 구간으로 판단한다.
일반적으로 부정맥을 판단하기 위해 심전도 파형 중 RR 인터벌에 불규칙성을 갖는 구간을 부정맥으로 분류하거나 P 파형이 연속되는 경우 심장이 불규칙하게 뛰는 것으로 판별했다. 다시 말해, 심전도 파형 중 P 파형을 기반으로 부정맥을 판단했다.
심방세동 판별장치(500)는 심전도 파형을 세그먼테이션 알고리즘을 이용하여 레이블링을 수행한다. 일반적으로 부정맥을 판단하기 위해 심전도 파형 중 RR 인터벌의 불규칙성을 확인했으나, 본 실시예에 따른 심방세동 판별장치(500)는 RR 인터벌의 불규칙성과 더불어 베이스 라인이 흔들리는 이 모폴로지적인 모양 자체를 세그먼테이션으로 판단한다.
심방세동 판별장치(500)는 심전도 파형을 세그먼테이션 알고리즘을 이용하여 레이블링을 수행하여 심방세동을 분류한다.
도 8은 본 실시예에 따른 포인트 바이 포인트 어노테이션을 나타낸 도면이다.
심방세동 판별장치(500)는 딥러닝 모델 학습을 위한 학습 데이터를 준비한다.
심방세동 판별장치(500)는 로우 데이터(Raw data)에서 세동 파형으로 설정된 구간과 세동 파형 이외의 구간을 다른 클래스로 포인트 바이 포인트)(Point by Point) 방식으로 어노테이션한다.
심방세동 판별장치(500)는 심전도 파형에 대한 로우 데이터에서 세동 파형이 감지되는 지점을 1로 어노테이션하고, 세동 파형이 미감지되는 지점을 0으로 어노테이션한다.
심방세동 판별장치(500)는 심전도 파형 중 세동 파형의 모폴로지적인 특성을 세그먼테이션할 수 있다. 심방세동 판별장치(500)는 베이스 라인의 흔들림을 세동 파형(잔떨림 파형)을 별도로 레이블링하여 감지한다.
도 9는 본 실시예에 따른 인코더-디코더 세그먼테이션 알고리즘 구조를 나타낸 도면이다.
심방세동 판별장치(500)는 인코더와 디코더 방식의 세그먼테이션 알고리즘으로 학습하여 세그먼테이션 모델을 생성한다. 심방세동 판별장치(500)는 인코더-디코더 방식의 세그먼테이션 알고리즘으로 학습하여 세동 파형이 존재하는 구간을 감지할 수 있는 세그먼테이션 모델을 생성한다. 심방세동 판별장치(500)는 어노테이션된 데이터를 지속적으로 누적하여 세그먼테이션 모델을 업데이트한다.
심방세동 판별장치(500)는 심전도 파형 중 세동 파형에 해당되는 구간을 레이블링하여 학습 데이터로 이용할 수 있다.
심방세동 판별장치(500)는 심방세동의 실제 검출을 위해 심전도 파형에 일정 ROI(Region Of Interest)를 지정한다. 심방세동 판별장치(500)는 ROI에 대응하는 영역 내에 세동 파형이 몇 퍼센트가 포함되어 있는지의 여부를 확인한다. 심방세동 판별장치(500)는 ROI 영역 내 세동 파형의 함유량에 따라 심방세동 여부를 판단한다. 심방세동 판별장치(500)는 ROI 영역 내에 세동 파형이 기 설정된 임계치(예컨대, 50%) 이상 포함되어 있는 경우, ROI 영역이 심방세동에 해당하는 것으로 판단한다.
심방세동 판별장치(500)는 레이블링이 완료된 후 ROI 영역을 움직이면서, 심전도 파형의 파동하고 중첩을 수행한다. 심방세동 판별장치(500)는 레이블링이 완료된 후 ROI를 심전도 파형 상에서 중첩해서 이동하면서 윈도우가 만약에 세동 파형이 기 설정된 임계치(예컨대, 50%) 이상 포함된 경우, 해당 윈도우는 심방세동으로 레이블링한다. 심방세동 판별장치(500)는 심전도 파형을 중첩해서 이동하면서 심방세동으로 판별되는 영역을 모두 검출할 수 있다.
도 10은 본 실시예에 따른 포인트별 최종 출력값 출력과정을 나타낸 도면이다.
심방세동 판별장치(500)는 세그먼테이션 모델을 이용하여 각 클래스에 대한 분류 확률값을 출력값으로 가지므로, 각 클래스에서 가장 높게 분류될 확률이 있는 클래스로 최종 출력한다.
심방세동 판별장치(500)는 세동 파형이 이외의 구간의 출력 값이 0.05이면 출력값을 0으로 어노테이션한다. 심방세동 판별장치(500)는 세동 파형이 이외의 구간의 출력 값이 0.95이면 출력값을 1로 어노테이션한다.
심방세동 판별장치(500)는 심전도 파형의 전제 비율 중 출력값이 1로 어노테이션한 기 설정된 비율(예컨대, 50% 이상) 이상인지의 여부를 확인한다. 심방세동 판별장치(500)는 출력값이 1로 어노테이션한 비율이 기 설정된 비율 이상인 경우 심방세동 발생한 것으로 판별하여 최종 출력을 1로 레이블한다.
도 11은 본 실시예에 따른 F 파형 시작점과 종료지점을 나타낸 도면이다.
심방세동 판별장치(500)는 포인트 바이 포인트(point by point)로 최종 출력값이 나오기 때문에 ROI 영역 상에서 세동 파형의 시작 지점과 종료지점을 판별할 수 있다.
심방세동 판별장치(500)는 심전도 파형 상에서 ROI 영역이 중첩하면서 이동시키면서 레이블링이 완료된 후 심방세동의 정확한 시작 지점(1로 처음으로 판별된 지점)과 끝 지점(1이 마지막으로 판별된 지점)을 확인한다.
도 12는 본 실시예에 따른 포인트 바이 포인트 어노테이션을 나타낸 도면이다.
심방세동 판별장치(500)는 전체 입력 데이터의 크기에 대한 세동 파형의 발생비율 계산을 통해 해당구간에서 심방세동이 발생 여부를 판별한다. 심방세동 판별장치(500)는 발생비율 값의 임계점(threshold) 조정하여 의료진이 심방세동 유력 후보군부터 일반 후보군까지 확인할 수 있도록 한다.
심방세동 판별장치(500)는 입력 데이터 크기 대비 세동 파형 구간의 발생비율을 계산한다. 예컨대, 심방세동 판별장치(500)는 발생비율이 50% 이상이면 해당 윈도우(window)에 대응하는 구간을 심방세동 발생 구간으로 분류한다. 심방세동 판별장치(500)는 경량화된 구조를 갖는 세그먼테이션 알고리즘을 이용하여 실시간으로 심전도 파형을 분석할 수 있다.
심방세동 판별장치(500)는 심전도 파형에 ROI 영역을 반드시 중첩시키면서 이동할 필요없이, 이동시킬 수 있다. 바람직하게 심방세동 판별장치(500)는 심방세동의 정확한 시작 시점과 끝 시점을 확인하기 위해 심전도 파형 상에서 ROI 영역이 중첩되면서 세동 파형을 검출하도록 한다.
심방세동의 경우 만성 환자가 아닌 초기 환자의 경우 24시간 내지 3일을 측정해서 몇초(예컨대 10초)만 세동 파형이 감지될 수 있으므로, 정확한 시점 시점과 끝 시점을 확인하기 위해 중첩하면서 ROI 영역이 이동하는 것이 바람직하다.
심방세동 판별장치(500)는 ROI 영역에서 세동 파형을 기 설정된 임계치(예컨대, 50%) 이상 포함하고 있는 것으로 발견한 경우 심방세동으로 레이블링한다. 심방세동 판별장치(500)는 해당 ROI 영역이 심방세동으로 판별하여 레이블링한 경우 심방세동의 시작점을 확인할 수 있으나, 심전도 파형에서 심방세동의 끝 시점을 정확하게 확인하기 위해서 약 1초씩 ROI 영역을 이동시키면서 세동 파형을 검출한다.
심방세동 판별장치(500)는 심전도 파형 상에서 ROI 영역을 약 1초씩 이동시키면서 심방세동 파형이 검출되지 않는 지점을 심방세동의 끝 시점으로 판별한다.
심방세동 판별장치(500)는 심전도 파형 상의 ROI 영역에서 세동 파형이 기 설정된 임계치(예컨대, 50%) 이상 검출되어 심방세동으로 판별되면 1로 레이블링하고, 세동 파형이 기 설정된 임계치(예컨대, 50%) 미만으로 검출되어 심방세동이 아닌 것으로 판별되면 0으로 레이블링한다.
심방세동 판별장치(500)는 ROI 영역 내에서 전체 비율 중 1로 레이블링된 비율을 확인하여 심방세동 발생 여부를 결정할 수 있다. 심방세동 판별장치(500)는 심전도 파형에 대한 로우 데이터를 기반으로 심방세동에 대한 레이블링을 수행한다.
심방세동 판별장치(500)는 로우 데이터의 인덱스에 매핑되어 있는 1차원 데이터를 기반으로 심방세동에 대한 레이블링을 수행한다. 심방세동 판별장치(500)는 ROI 영역 내에서 시작 지점으로부터 끝 지점까지의 로우 데이터에 매핑된 레이블 값을 확인하여 심방세동으로 레이블링된 1의 값을 갖는 영역의 비율을 확인하여 신방 세동 여부를 확인할 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.
500: 심방세동 판별장치
510: 심전도 파형 획득부
520: 분류부
530: 세동 선별부
540: 심방세동 판별부
550: 학습부

Claims (10)

  1. 복수의 사람에 대한 심전도 파형을 획득하는 심전도 파형 획득부;
    상기 심전도 파형에 세그먼테이션(Segmentation)을 적용하여, 상기 심전도 파형 각 구간을 확인하고, 상기 각 구간을 기반으로 상기 각 구간별 분류(Classification)값을 레이블링(Labeling)하는 분류부;
    상기 각 구간별 분류값을 기반으로 잔진동으로 레이블링된 세동 파형만을 선별하는 세동 선별부;
    상기 세동 선별부를 통해 선별된 상기 세동 파형만을 입력으로 학습을 수행한 심방세동 학습 결과를 생성하는 학습부; 및
    상기 학습부를 통해 생성된 상기 학습 결과와 상기 세동 선별부를 통해 선별된 상기 세동 파형이 심전도 파형 상의 ROI 영역에서 기 설정된 임계치 이상 포함되어 있는 경우, 심방세동으로 판별하는 심방세동 판별부를 포함하고,
    상기 심방세동 판별부는
    상기 심전도 파형의 전제 비율 중 상기 심방세동으로 판별되어 ROI 영역을 1로 레이블링한 발생 비율 값을 확인하여 심방세동 발생 여부를 판별하고,
    상기 발생 비율 값의 임계값을 조정하여 심박세동 유력 후보군부터 일반 후분군까지 확인되도록 하는 것을 특징으로 하는 심방세동 판별장치.
  2. 제1항에 있어서,
    상기 분류부는,
    상기 심전도 파형에 포함된 P 파형, Q 파형, R 파형, S 파형, T 파형, ROI(Region Of Interest)의 각 구간을 확인하는 것을 특징으로 하는 심방세동 판별장치.
  3. 제2항에 있어서,
    상기 분류부는,
    상기 심전도 파형 상의 상기 ROI 영역에서 상기 세동 파형이 기 설정된 임계치 이상 검출되어 상기 심방세동으로 판별되면 상기 ROI 영역을 1로 레이블링하고, 상기 ROI 영역에서 상기 세동 파형이 기 설정된 임계치 미만으로 검출되어 상기 심방세동이 아닌 것으로 판별되면 0으로 레이블링하는 것을 특징으로 하는 심방세동 판별장치.
  4. 제3항에 있어서,
    상기 분류부는,
    상기 1의 값을 갖는 구간을 상기 세동 파형으로 레이블링하는 것을 특징으로 하는 심방세동 판별장치.
  5. 삭제
  6. 제2항에 있어서,
    상기 분류부는
    상기 레이블링이 완료된 후 심방세동의 정확한 시작 지점과 끝 지점을 확인하기 위해 상기 심전도 파형 상에서 상기 ROI 영역이 중첩하면서 이동시키는 것을 특징으로 하는 심방세동 판별장치.
  7. 제6항에 있어서,
    상기 분류부는
    상기 레이블링이 완료된 후 상기 ROI 영역을 기 설정된 시간 단위씩 이동시키면서 상기 세동 파형을 검출하는 것을 특징으로 하는 심방세동 판별장치.
  8. 제6항에 있어서,
    상기 분류부는
    상기 ROI 영역에서 상기 세동 파형이 처음으로 검출된 시점을 시작시점으로 판별하고, 상기 ROI 영역을 기 설정된 시간 단위로 이동시키면서 상기 세동 파형이 미검출되는 지점을 심방세동의 끝 지점으로 판별하는 것을 특징으로 하는 심방세동 판별장치.
  9. 삭제
  10. 제2항에 있어서,
    상기 분류부는
    상기 심전도 파형의 박동 주기 상에서 R 파형과 다음 R 파형까지의 RR 인터벌의 불규칙성과 더불어 베이스 라인이 흔들리는 모폴로지(Morphology)적인 모양에 따라 상기 세동 파형을 검출하는 것을 특징으로 하는 심방세동 판별장치.
KR1020210170500A 2021-12-02 2021-12-02 딥 러닝을 이용하여 심방세동을 감지하는 방법 및 장치 KR102460058B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210170500A KR102460058B1 (ko) 2021-12-02 2021-12-02 딥 러닝을 이용하여 심방세동을 감지하는 방법 및 장치
PCT/KR2021/019295 WO2023101090A1 (ko) 2021-12-02 2021-12-17 딥 러닝을 이용하여 심방세동을 감지하는 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210170500A KR102460058B1 (ko) 2021-12-02 2021-12-02 딥 러닝을 이용하여 심방세동을 감지하는 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102460058B1 true KR102460058B1 (ko) 2022-10-28

Family

ID=83835531

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210170500A KR102460058B1 (ko) 2021-12-02 2021-12-02 딥 러닝을 이용하여 심방세동을 감지하는 방법 및 장치

Country Status (2)

Country Link
KR (1) KR102460058B1 (ko)
WO (1) WO2023101090A1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190071815A (ko) * 2016-11-04 2019-06-24 이센티아 아이엔씨. 심전도 데이터를 컴퓨터로 구현하여 다루는 방법
KR102322234B1 (ko) * 2020-12-29 2021-11-05 (주)씨어스테크놀로지 딥러닝을 이용한 심전도 시각화 방법 및 장치

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102007011B1 (ko) * 2016-10-04 2019-08-02 한국전자통신연구원 심전도 신호로부터 중요 포인트를 검출하는 장치 및 방법
KR102150057B1 (ko) * 2018-07-04 2020-09-09 김영애 실시간 부정맥 종류 판단 방법 및 판단 장치
KR102219378B1 (ko) * 2018-10-31 2021-02-24 주식회사 휴이노 인공 신경망을 이용하여 부정맥을 인식하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
KR102156087B1 (ko) * 2019-01-03 2020-09-15 인하대학교 산학협력단 딥러닝을 이용한 정상동율동 심전도 상태에서의 발작성 심방세동 예측방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190071815A (ko) * 2016-11-04 2019-06-24 이센티아 아이엔씨. 심전도 데이터를 컴퓨터로 구현하여 다루는 방법
KR102322234B1 (ko) * 2020-12-29 2021-11-05 (주)씨어스테크놀로지 딥러닝을 이용한 심전도 시각화 방법 및 장치

Also Published As

Publication number Publication date
WO2023101090A1 (ko) 2023-06-08

Similar Documents

Publication Publication Date Title
US11147500B2 (en) Electrocardiogram processing system for delineation and classification
US10602942B2 (en) Method of detecting abnormalities in ECG signals
KR102322234B1 (ko) 딥러닝을 이용한 심전도 시각화 방법 및 장치
Shahriari et al. Electrocardiogram signal quality assessment based on structural image similarity metric
WO2019161609A1 (zh) 多参数监护数据分析方法和多参数监护仪
Liu et al. Automatic diagnosis of premature ventricular contraction based on Lyapunov exponents and LVQ neural network
CN110123304B (zh) 基于多模板匹配和相关系数矩阵的动态心电噪声滤除方法
KR102387703B1 (ko) 심전도 판독을 수정하기 위한 방법 및 장치
CN105877739A (zh) 一种心电智能分析系统的临床检验方法
Jones et al. Improving ECG classification interpretability using saliency maps
US11672464B2 (en) Electrocardiogram processing system for delineation and classification
Alahmadi et al. An explainable algorithm for detecting drug-induced QT-prolongation at risk of torsades de pointes (TdP) regardless of heart rate and T-wave morphology
KR20200125256A (ko) 심전도 분석 장치 및 방법
Srinivas et al. Adaptive learning based heartbeat classification
KR101524596B1 (ko) Qrs 패턴을 이용한 pvc 분류 장치 및 방법, pvc 패턴 분류 방법, 그리고 원격 모니터링 장치
KR102460058B1 (ko) 딥 러닝을 이용하여 심방세동을 감지하는 방법 및 장치
Zalabarria et al. Diagnosis of atrial fibrillation based on arterial pulse wave foot point detection using artificial neural networks
CN116473569A (zh) 一种心电图数据处理方法、系统及存储介质
Bashir et al. Highlighting the current issues with pride suggestions for improving the performance of real time cardiac health monitoring
Zou et al. A generalizable and robust deep learning method for atrial fibrillation detection from long-term electrocardiogram
US20230054041A1 (en) Computer-implemented method for generating an annotated photoplethysmography (ppg) signal
Li et al. SEResUTer: a deep learning approach for accurate ECG signal delineation and atrial fibrillation detection
KR102467211B1 (ko) 머신 러닝을 이용하여 심전도 파형 분류 방법 및 장치
Hori et al. Arrhythmia detection based on patient-specific normal ECGs using deep learning
KR102483854B1 (ko) 심전도 파형 클러스터링 방법 및 장치

Legal Events

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