KR102560516B1 - 심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치 및 방법 - Google Patents

심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치 및 방법 Download PDF

Info

Publication number
KR102560516B1
KR102560516B1 KR1020210188358A KR20210188358A KR102560516B1 KR 102560516 B1 KR102560516 B1 KR 102560516B1 KR 1020210188358 A KR1020210188358 A KR 1020210188358A KR 20210188358 A KR20210188358 A KR 20210188358A KR 102560516 B1 KR102560516 B1 KR 102560516B1
Authority
KR
South Korea
Prior art keywords
information
deep learning
learning model
electrocardiogram data
heart disease
Prior art date
Application number
KR1020210188358A
Other languages
English (en)
Other versions
KR20230099195A (ko
Inventor
임현승
주기훈
신승훈
Original Assignee
강원대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 강원대학교산학협력단 filed Critical 강원대학교산학협력단
Priority to KR1020210188358A priority Critical patent/KR102560516B1/ko
Publication of KR20230099195A publication Critical patent/KR20230099195A/ko
Application granted granted Critical
Publication of KR102560516B1 publication Critical patent/KR102560516B1/ko

Links

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • 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
    • A61B5/72—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

Landscapes

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

Abstract

본 발명에 따른 심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치는 환자의 제1 심전도 데이터 및 제1 신체 정보를 획득하는 획득부; 및 상기 제1 심전도 데이터를 증강시켜 제2 심전도 데이터로 생성하고, 상기 제1 신체 정보를 전처리하여 제2 신체 정보를 생성하고, 제1 딥러닝 모델을 이용하여 상기 제2 심전도 데이터로부터 상기 환자에게 심장 질환이 발병할 제1 발병 확률 정보를 생성하고, 제2 딥러닝 모델을 이용하여 상기 제2 심전도 데이터 및 상기 제2 신체 정보로부터 상기 환자에게 심장 질환이 발병할 제2 발병 확률 정보를 생성하고, 상기 제1 발병 확률 정보 및 상기 제2 발병 확률 정보를 통합하여 통합 발병 확률 정보를 생성하는 프로세서;를 포함할 수 있다.

Description

심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치 및 방법{An apparatus and method for predicting heart disease based on deep learning models using ECG data and body information}
본 발명은 심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치 및 방법에 관한 것으로, 더욱 상세하게는 잔차 블록이 적용된 합성곱 신경망 모델로 구성된 제1 딥러닝 모델로부터 생성되는 제1 발병 확률 정보와 딥러닝 모델 구성 자동화 모듈을 이용하여 구성된 제2 딥러닝 모델로부터 생성되는 제2 확률 정보를 통합하여 심장 질환의 통합 발병 확률을 산출하는 심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치 및 방법에 관한 것이다.
부정맥은 심장 내 전기 신호 생성이나 전달에 이상이 생기거나, 혹은 비정상적인 전기 신호가 발생할 경우 정상적이고 규칙적인 수축이 계속되지 못하여 심장박동이 불규칙해진 상태를 의미한다.
부정맥 중 심방세동은 가장 흔한 부정맥으로써, 고령화가 가속화됨으로써 전 세계적으로 유병률이 증가하고 있으며, 국내에서도 증가하는 추세이다.
이러한, 부정맥은 뇌졸중, 심부전 등과 같은 심혈관 질환의 발생을 증가시키므로 조기 진단을 통한 치료 및 관리가 매우 중요하다.
이를 위해, 심전도를 기초로 하여 조기에 심혈관 질환을 진단해야 한다. 심전도는 심장의 박동에 따라 심근에서 발생되는 활동 전류를 전류계로 기록한 신호로서, 리드를 환자에게 부착하여 측정되며, 순환계 질환의 진단에 널리 이용되고 있을 뿐만 아니라, 검사가 간단하고 쉽게 반복 가능하여 임상에서도 널리 이용되고 있다.
구체적으로, 진단에 사용되는 심전도는 12-리드 심전도로, 12개의 리드를 이용하여 획득되는 심전도이다. V1, V2, V3, V4, V5, V6를 흉부유도, 사지 말단부에 붙이는 Lead 1, 2, 3, aVR, aVL, avF를 사지유도라고 하며, Lead 1, 2, 3을 표준 유도라 한다. 심전도의 파형을 살펴보면, P파, QRS complex파, T파로 구성되고, P파는 심방의 탈분극 과정을 나타내고, QRS complex파는 심실의 탈분극 과정을 나타내며, T파는 심실 재분극화를 나타낸다.
최근에는 이러한 심전도를 웨어러블 기기로 모니터링 가능해지고 있으며, 웨어러블 기기로 측정된 심전도를 바탕으로 특징을 추출하는 기술이 개발되고 있다.
하지만, 웨어러블 기기로 측정된 심전도의 정보가 빈약하고 정확성이 낮아, 웨어러블 기기로 측정된 심전도를 그대로 사용하는 경우, 모니터링 및 특징 추출의 정확성이 감소하는 문제점이 있다.
한국공개특허 제10-2020-0041697호
본 발명은 잔차 블록이 적용된 합성곱 신경망 모델로 구성된 제1 딥러닝 모델로부터 생성되는 제1 발병 확률 정보와 딥러닝 모델 구성 자동화 모듈을 이용하여 구성된 제2 딥러닝 모델로부터 생성되는 제2 확률 정보를 통합하여 심장 질환의 통합 발병 확률을 산출할 수 있는 심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치 및 방법을 제공하고자 한다.
본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시 예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
본 발명에 따른 심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치는 환자의 제1 심전도 데이터 및 제1 신체 정보를 획득하는 획득부; 및 상기 제1 심전도 데이터를 증강시켜 제2 심전도 데이터로 생성하고, 상기 제1 신체 정보를 전처리하여 제2 신체 정보를 생성하고, 제1 딥러닝 모델을 이용하여 상기 제2 심전도 데이터로부터 상기 환자에게 심장 질환이 발병할 제1 발병 확률 정보를 생성하고, 제2 딥러닝 모델을 이용하여 상기 제2 심전도 데이터 및 상기 제2 신체 정보로부터 상기 환자에게 심장 질환이 발병할 제2 발병 확률 정보를 생성하고, 상기 제1 발병 확률 정보 및 상기 제2 발병 확률 정보를 통합하여 통합 발병 확률 정보를 생성하는 프로세서;를 포함할 수 있다.
바람직하게, 상기 프로세서는 심전도 데이터의 측정 리드의 개수가 미리 설정된 개수가 되도록 상기 제1 심전도 데이터를 증강시켜 상기 제2 심전도 데이터를 생성하는 데이터 증강부;를 포함할 수 있다.
바람직하게, 상기 프로세서는 상기 제1 신체 정보에 기초하여 신체 지수를 산출하고, 상기 제1 신체 정보 및 상기 신체 지수가 상기 제2 딥러닝 모델에 입력될 수 있도록 상기 제1 신체 정보 및 상기 신체 지수를 전처리하여 제2 신체 정보를 생성하는 신체 정보 처리부;를 포함할 수 있다.
바람직하게, 상기 프로세서는 잔차 블록이 적용된 합성곱 신경망 모델로 구성된 상기 제1 딥러닝 모델을 이용하여 상기 제2 심전도 데이터로부터 상기 제1 발병 확률 정보를 생성하는 제1 예측부;를 포함할 수 있다.
바람직하게, 상기 제1 예측부는 상기 제1 발병 확률 정보가 생성되는데 영향을 미친 인자를 나타내는 영향 인자 정보를 어텐션 모듈을 이용하여 생성할 수 있다.
바람직하게, 상기 프로세서는 상기 제2 심전도 데이터 및 상기 제2 신체 정보에 대응하여 임의의 세부 딥러닝 모델을 선택하고 상기 선택된 세부 딥러닝 모델로 상기 제2 딥러닝 모델을 구성하는 딥러닝 모델 구성 자동화 모듈을 이용하여 상기 제2 딥러닝 모델을 구성하고, 상기 제2 딥러닝 모델을 이용하여 상기 제2 심전도 데이터 및 상기 제2 신체 정보로부터 제2 발병 확률 정보를 생성하는 제2 예측부;를 포함할 수 있다.
바람직하게, 상기 프로세서는 상기 통합 발병 확률 정보를 최대가 되도록 하는 심장 질환 종류 정보를 확인하고, 상기 확인된 심장 질환 종류 정보에 대응되는 상기 통합 발병 확률 정보가 미리 설정된 기준 확률을 초과하면 상기 확인된 심장 질환 종류 정보를 발병이 예측되는 발병 예측 심장 질환 종류 정보로 생성하는 예측결과 통합부;를 포함할 수 있다.
본 발명에 따른 심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 방법은 획득부가 환자의 제1 심전도 데이터 및 제1 신체 정보를 획득하는 단계; 프로세서가 상기 제1 심전도 데이터를 증강시켜 제2 심전도 데이터로 생성하는 단계; 상기 프로세서가 상기 제1 신체 정보를 전처리하여 제2 신체 정보를 생성하는 단계; 상기 프로세서가 제1 딥러닝 모델을 이용하여 상기 제2 심전도 데이터로부터 상기 환자에게 심장 질환이 발병할 제1 발병 확률 정보를 생성하는 단계; 상기 프로세서가 제2 딥러닝 모델을 이용하여 상기 제2 심전도 데이터 및 상기 제2 신체 정보로부터 상기 환자에게 심장 질환이 발병할 제2 발병 확률 정보를 생성하는 단계; 및 상기 프로세서가 상기 제1 발병 확률 정보 및 상기 제2 발병 확률 정보를 통합하여 최종 발병 확률 정보를 생성하는 단계;를 포함할 수 있다.
바람직하게, 상기 본 발명에 따른 방법은 상기 프로세서의 데이터 증강부가 심전도 데이터의 측정 리드의 개수가 미리 설정된 개수가 되도록 상기 제1 심전도 데이터를 증강시켜 상기 제2 심전도 데이터를 생성하는 단계;를 더 포함할 수 있다.
바람직하게, 상기 본 발명에 따른 방법은 상기 프로세서의 신체정보 처리부가 상기 제1 신체 정보에 기초하여 신체 지수를 산출하고, 상기 제1 신체 정보 및 상기 신체 지수가 상기 제2 딥러닝 모델에 입력될 수 있도록 상기 제1 신체 정보 및 상기 신체 지수를 전처리하여 제2 신체 정보를 생성하는 단계;를 더 포함할 수 있다.
바람직하게, 상기 본 발명에 따른 방법은 상기 프로세서의 제1 예측부가 잔차 블록이 적용된 합성곱 신경망 모델로 구성된 상기 제1 딥러닝 모델을 이용하여 상기 제2 심전도 데이터로부터 상기 제1 발병 확률 정보를 생성하는 단계; 및 상기 제1 예측부가 상기 제1 발병 확률 정보가 생성되는데 영향을 미친 인자를 나타내는 영향 인자 정보를 어텐션 모듈을 이용하여 생성하는 단계;를 더 포함할 수 있다.
바람직하게, 상기 본 발명에 따른 방법은 상기 프로세서의 제2 예측부가 상기 제2 심전도 데이터 및 상기 제2 신체 정보에 대응하여 임의의 세부 딥러닝 모델을 선택하고 상기 선택된 세부 딥러닝 모델로 상기 제2 딥러닝 모델을 구성하는 딥러닝 모델 구성 자동화 모듈을 이용하여 상기 제2 딥러닝 모델을 구성하는 단계; 및 상기 프로세서의 제2 예측부가 상기 제2 딥러닝 모델을 이용하여 상기 제2 심전도 데이터 및 상기 제2 신체 정보로부터 제2 발병 확률 정보를 생성하는 단계;를 더 포함할 수 있다.
바람직하게, 상기 본 발명에 따른 방법은 상기 프로세서의 예측결과 통합부가 상기 통합 발병 확률 정보를 최대가 되도록 하는 심장 질환 종류 정보를 확인하고, 상기 확인된 심장 질환 종류 정보에 대응되는 상기 통합 발병 확률 정보가 미리 설정된 기준 확률을 초과하면 상기 확인된 심장 질환 종류 정보를 발병이 예측되는 발병 예측 심장 질환 종류 정보로 생성하는 단계;를 더 포함할 수 있다.
본 발명에 따르면, 잔차 블록이 적용된 합성곱 신경망 모델로 구성된 제1 딥러닝 모델로부터 생성되는 제1 발병 확률 정보와 딥러닝 모델 구성 자동화 모듈을 이용하여 구성된 제2 딥러닝 모델로부터 생성되는 제2 확률 정보를 통합하여 심장 질환의 통합 발병 확률을 산출함으로써, 예측되는 발병 확률의 정확성을 향상시킬 수 있다.
도 1은 본 발명의 일 실시 예에 따른 심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치와 측정 장치의 연결 구성을 도시한 도면이다.
도 2는 본 발명의 일 실시 예에 따른 심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치에 포함된 측정 장치의 내부 구성을 도시한 도면이다.
도 3은 본 발명의 일 실시 예에 따른 심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치의 프로세서의 내부 구성을 도시한 도면이다.
도 4는 본 발명의 일 실시 예에 따른 심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치가 이용하는 잔차 블록을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시 예에 따른 심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치가 이용하는 어텐션 모듈을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시 예에 따른 심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치가 이용하는 딥러닝 모델 구성 자동화 모듈을 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시 예에 따른 심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치와 측정 방법의 순서도이다.
이하, 본 발명의 다양한 실시 예가 첨부된 도면을 참조하여 기재된다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 실시 예의 다양한 변경(modification), 균등물(equivalent), 및/또는 대체물(alternative)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.
본 문서에서, "가진다", "가질 수 있다", "포함한다", 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
본 문서에서, "A 또는 B", "A 또는/및 B 중 적어도 하나", 또는 "A 또는/및 B 중 하나 또는 그 이상" 등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B", "A 및 B 중 적어도 하나", 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.
본 문서에서 사용된 "제1", "제2", "첫째", 또는 "둘째" 등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다. 예를 들면, 제1 사용자 기기와 제2 사용자 기기는, 순서 또는 중요도와 무관하게, 서로 다른 사용자 기기를 나타낼 수 있다. 예를 들면, 본 문서에 기재된 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 바꾸어 명명될 수 있다.
어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.
본 문서에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)", "~하는 능력을 가지는(having the capacity to)", "~하도록 설계된(designed to)", "~하도록 변경된(adapted to)", "~하도록 만들어진(made to)", 또는 "~를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성(또는 설정)된"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것만을 반드시 의미하지 않을 수 있다. 대신, 어떤 상황에서, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성(또는 설정)된 ~부" 또는 "A, B, 및 C를 수행하도록 구성(또는 설정)된 ~모듈"은 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서, MCU), 또는 메모리에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(general-purpose processor)(예: CPU, AP)를 의미할 수 있다.
명세서에서 사용되는 “부”라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, “부”는 어떤 역할들을 수행한다. 그렇지만 “부”는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. “부”는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 “부”는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 “부”들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 “부”들로 결합되거나 추가적인 구성요소들과 “부”들로 더 분리될 수 있다.
본 문서에서 사용된 용어들은 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 다른 실시 예의 범위를 한정하려는 의도가 아닐 수 있다. 단수의 표현은 컨텍스트 상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 용어들은 본 문서에 기재된 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가질 수 있다. 본 문서에 사용된 용어들 중 일반적인 사전에 정의된 용어들은 관련 기술의 컨텍스트 상 가지는 의미와 동일 또는 유사한 의미로 해석될 수 있으며, 본 문서에서 명백하게 정의되지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 경우에 따라서, 본 문서에서 정의된 용어일지라도 본 문서의 실시 예들을 배제하도록 해석될 수 없다.
도 1은 본 발명의 일 실시 예에 따른 심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치와 측정 장치의 연결 구성을 도시한 도면이다.
도 1을 참조하면, 본 발명의 일 실시 예에 따른 심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치(100)는 제1 심전도 데이터 및 제1 신체 정보를 각각 획득하여 제2 심전도 데이터 및 제2 신체 정보를 생성할 수 있다. 이후, 심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치(100)는 제1 딥러닝 모델을 이용하여 제2 심전도 데이터로부터 제1 발병 확률 정보를 생성하고, 제2 딥러닝 모델을 이용하여 제2 심전도 데이터 및 제2 신체 정보로부터 제2 발병 확률을 생성할 수 있다. 최종적으로, 심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치(100)는 제1 발병 확률 정보와 제2 발병 확률 정보를 통합하여 통합 발병 확률 정보를 생성할 수 있다.
즉, 심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치(100)는 서로 다른 제1 딥러닝 모델과 제2 딥러닝 모델 각각을 이용하여 제1 발병 확률 정보와 제2 발병 확률 정보를 각각 생성하여 최종적으로, 통합 발병 확률 정보를 생성할 수 있다.
이하, 심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치(100)가 1) 제1 심전도 데이터 및 제1 신체 정보를 획득하는 과정, 2) 제2 심전도 데이터 및 제2 신체 정보를 생성하는 과정, 3) 제1 발병 확률 정보를 생성하는 과정, 4) 제2 발병 확률 정보를 생성하는 과정 및 4) 통합 발병 확률 정보를 생성하는 과정에 대해 설명하도록 한다.
도 2는 본 발명의 일 실시 예에 따른 심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치에 포함된 측정 장치의 내부 구성을 도시한 도면이고, 도 3은 본 발명의 일 실시 예에 따른 심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치의 프로세서의 내부 구성을 도시한 도면이다.
도 1 내지 도 3을 참조하면, 심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치(100)는 획득부(110), 프로세서(120), 통신부(130), 표시부(140) 및 저장부(150)를 포함할 수 있다.
획득부(110)는 환자의 제1 심전도 데이터 및 제1 신체 정보를 획득할 수 있다.
구체적으로, 획득부(110)는 측정 장치(10)와 유무선 통신을 통해 환자의 제1 심전도 데이터 및 제1 신체 정보를 획득할 수 있다.
여기서, 측정 장치(10)는 하나 이상의 리드를 통해 환자로부터 제1 심전도 데이터를 측정하거나, 환자의 신체에 착용되어 제1 심전도 데이터를 측정할 수 있다.
일 실시 예에서, 측정 장치(10)는 심전도 측정 장치 및 웨어러블 장치 중 하나 이상일 수 있다.
한편, 획득부(110)는 환자, 환자의 담당의료진 및 환자의 보호자로부터 제1 신체 정보를 입력받을 수 있다.
이를 위해, 획득부(110)는 터치 패널, 키보드 및 마우스와 같은 입력 인터페이스를 구비할 수 있다.
여기서, 제1 신체 정보는 제1 심전도 데이터 외에 환자의 신체에 대한 정보일 수 있으며, 예를 들어, 제1 신체 정보는 환자의 몸무게 정보, 나이 정보 및 혈압 정보 중 하나 이상을 포함할 수 있다.
프로세서(120)는 제1 심전도 데이터를 증강시켜 제2 심전도 데이터를 생성하고, 제1 신체 정보를 전처리하여 제2 신체 정보를 생성할 수 있다.
또한, 프로세서(120)는 제1 딥러닝 모델을 이용하여 제2 심전도 데이터로부터 환자에게 심장 질환이 발병할 제1 발병 확률 정보를 생성하고, 제2 딥러닝 모델을 이용하여 제2 심전도 데이터 및 제2 신체 정보로부터 환자에게 심장 질환이 발병할 제2 발병 확률 정보를 생성할 수 있다.
최종적으로, 프로세서(120)는 제1 발병 확률 정보 및 제2 발병 확률 정보를 통합하여 통합 발병 확률 정보를 생성할 수 있다.
이를 위해, 프로세서(120)는 도 3에 도시된 바와 같이, 복수의 구성을 포함할 수 있다. 구체적으로, 프로세서(120)는 데이터 증강부(121), 신체 정보 처리부(122), 제1 예측부(123), 제2 예측부(124) 및 예측결과 통합부(125)를 포함할 수 있다.
데이터 증강부(121)는 심전도 데이터의 측정 리드의 개수가 미리 설정된 개수가 되도록 제1 심전도 데이터를 증강시켜 제2 심전도 데이터를 생성할 수 있다.
이를 위해, 데이터 증강부(121)는 오토인코더에 은닉층과 노이즈가 추가된 구조인 Stacked Denoising AutoEncoder(SDAE)를 이용하여 제1 심전도 데이터를 전처리할 수 있다.
여기서, 오토인코더는 비지도 방식으로 잠재 표현이라 불리는 데이터의 밀집 표현을 학습할 수 있는 신경망으로서, 입력을 출력에 복사하도록 구성되어 데이터를 더 낮은 차원의 잠재 표현으로 인코딩한 다음 잠재 표현을 다시 데이터로 디코딩하여 재구성 오류를 최소화하면서 데이터를 압축할 수 있다.
SDAE는 상술된 오토인코더에 은닉층 및 노이즈가 추가된 구조로 데이터의 유용한 특성을 학습함과 동시에 노이즈를 제거하도록 학습함으로써, 간단하고 효율적으로 데이터에서 노이즈를 제거하는데 사용할 수 있다.
데이터 증강부(121)는 노이즈가 제거된 제1 심전도 데이터의 측정 리드의 개수가 미리 설정된 개수가 되도록 제1 심전도 데이터를 증강시켜 제2 심전도 데이터를 생성할 수 있다. 여기서, 미리 설정된 개수는 12개일 수 있다. 즉, 데이터 증강부(121)는 측정 리드의 개수가 12개가 되도록 제1 심전도 데이터를 증강시켜 제2 심전도 데이터를 생성할 수 있다.
이를 위해, 데이터 증강부(121)는 가우시안 혼합 모델을 학습시키고, 가우시안 혼합 모델을 이용하여 노이즈가 제거된 제1 심전도 데이터를 증강시켜 제2 심전도 데이터를 생성할 수 있다.
여기서, 가우시안 혼합 모델은 복수의 가우시안 확률밀도함수를 가중합하여 하나의 분포로 근사된 것일 수 있으며, 하기의 수학식 1을 통해 구현될 수 있다.
여기서, 는 가중치 파라미터로, 각 분포의 가중치를 의미하며 가중치 값들은 기댓값 최대화 알고리즘을 통해 최적화될 수 있다.
한편, 기댓값 최대화 알고리즘은 예측 단계 및 최대화 단계로 나뉠 수 있다.
예측 단계에서는, 데이터 에 대해 파라미터 를 정의한 상태에서 각 레이블에 대한 확률 분포를 가정했을 경우, 해당 분포의 높이에 따라 i번째 데이터가 j번째 그룹에 속할 확률을 계산할 수 있다.
구체적으로, 예측 단계는, 하기의 수학식 2를 통해 구현될 수 있다.
최대화 단계에서는, 예측 단계에서 계산된 값들을 이용하여 모수를 추정할 수 있다.
구체적으로, 최대화 단계는, 하기의 수학식 3을 통해 구현될 수 있다.
한편, 신체 정보 처리부(122)는 제1 신체 정보에 기초하여 신체 지수를 산출할 수 있다. 예를 들어, 신체 정보 처리부(122)는 제1 신체 정보에 포함된 체중 정보 및 신장 정보에 기초하여 신체 지수로써 BMI 지수를 산출할 수 있다.
이후, 신체 정보 처리부(122)는 제1 신체 정보와 산출된 신체 지수가 후술되는 제2 딥러닝 모델에 입력되도록 제1 신체 정보와 신체 지수를 전처리할 수 있다.
이때, 신체 정보 처리부(122)는 제2 딥러닝 모델의 입력 형태에 대응하여 제1 신체 정보와 신체 지수를 전처리하여 제2 신체 정보로 생성할 수 있다.
즉, 신체 정보 처리부(122)는 전처리된 제1 신체 정보와 신체 지수 모두를 제2 신체 정보로 생성할 수 있다.
한편, 제1 예측부(123)는 잔차 블록이 적용된 합성곱 신경망 모델로 구성된 제1 딥러닝 모델을 이용하여 제2 심전도 데이터로부터 제1 발병 확률 정보를 생성할 수 있다.
여기서, 합성곱 신경망(Convolutional Neural Network; CNN) 모델은 입력층, 은닉층 및 출력층으로 구성되고, 은닉층에는 복수의 합성곱 계층, 풀링 계층, 활성화 함수, 완전 연결층이 존재하며, 배치 정규화 계층 또는 드롭아웃 계층이 포함될 수 있다.
합성곱 계층은 입력된 데이터에 대해 합성곱을 수행하며, 가중치와 연산을 통해 특성을 추출할 수 있다.
풀링 계층은 데이터의 차원을 감소시키는 연산일 수 있으며, 풀링 연산을 통해 차원이 감소된 데이터는 활성화 함수를 통과하여 다음 레이어로 전달될 수 있다.
본 발명에 따른 합성곱 신경망은 활성화 함수로서 하기의 수학식 4를 통해 구현되는 ReLU 활성화 함수가 적용될 수 있다.
완전 연결층은 어느 하나의 층과 다른 하나의 층을 연결하는 역할을 수행할 수 있다.
배치 정규화 계층 및 드롭아웃 계층은 과적합 방지를 위한 것으로, 배치 정규화 계층의 배치 정규화는 배치 입력 데이터에 대해 평균을 빼고 표준편차로 나누어 정규화를 수행하는 기법이고, 드롭아웃 계층의 드롭아웃은 한 층에서 그 다음 층으로 연결되는 노드 중 일정 비율만을 선택하는 기법일 수 있다.
출력층은 소프트맥스 회귀를 수행하며, 소프트맥스 회귀는 다항 분류를 위해 이진 분류에 사용되는 로지스틱 회귀가 일반화된 것으로 다항 분류 지도 학습에 사용될 수 있다.
본 발명에 따른 합성곱 신경망 모델은 소프트맥스 회귀를 수행하여 클래스(복수의 심장 질환 각각이 발병되거나 발병되지 않는 경우)에 속할 확률을 반환할 수 있다.
본 발명에 따른 합성곱 신경망 모델은 하기의 수학식 5를 통해 구현되는 소프트맥스 함수를 이용하여 소프트맥스 회귀를 수행할 수 있다.
여기서, K는 클래스의 수이고, 는 샘플 X에 대한 각 클래스의 점수를 담은 벡터이고, 는 샘플 x에 대한 각 클래스의 점수가 주어졌을 때, 해당 샘플이 i번째 클래스에 속할 추정 확률이다.
이때, 본 발명에 따른 소프트맥스 회귀 분류기는 소프트맥스 함수에 의해 산출된 가 가장 높은 클래스를 반환할 수 있다.
본 발명에 따른 합성곱 신경망 모델은 하기의 수학식 6을 통해 구현되는 비용 함수를 최소화하는 방향으로 학습을 진행하고, 비용 함수에 규제를 적용하여 과적합을 방지하며, 규제 방법으로 L2 규제를 이용할 수 있다.
한편, 제1 예측부(123)는 상술된 합성곱 신경망 모델에 잔차 블록을 적용하여 제1 딥러닝 모델을 구성할 수 있다.
잔차 블록이 적용된 합성곱 신경망 모델은 단축 연결(Shortcut Connection)이 마련된 잔차 블록(Residual Block)을 포함하고, 이를 이용하여 기울기 값의 소실 문제(vanishing gradient)를 해결할 수 있는 장점이 있다. 여기서, 단축 연결은 하나의 계층을 뛰어 넘는 연결로서 실제 설계된 연결대로 움직이는 경로와 그 경로를 뛰어 넘어 다음 단계로 직접 연결되는 경로 등 총 두 가지 경로가 존재할 수 있다.
한편, 다른 실시 예에 따른 제1 예측부(123)는 잔차 블록이 적용된 합성곱 신경망 모델에 어텐션 모듈을 더 적용하여 제1 딥러닝 모델을 구성할 수 있다.
어텐션 모듈은 도 5에 도시된 바와 같이, 디코더에서 출력을 예측하는 시점마다 인코더의 전체 입력 정보를 다시 참고하되, 해당 시점에서 예측할 부분과 연관된 입력 정보만을 참고하여 출력을 예측할 수 있다.
본 발명에 따른 어텐션 모듈은 제2 심전도 데이터를 잔차 블록이 적용된 합성곱 신경망 모델에 입력하여 피처맵을 출력받고, 피처맵을 복수의 패치로 분할하여 인코더에 투입할 수 있다.
이를 통해, 제1 예측부(123)는 복수의 심장 질환 종류 정보(클래스)마다 해당 심장 질환이 환자에게 발병될 확률 또는 발병하지 않을 확률을 나타내는 제1 발병 확률 정보를 생성할 수 있다.
또한, 제1 예측부(123)는 어텐션 모듈을 이용하여 제1 발병 확률 정보의 영향 인자 정보를 생성할 수 있다. 여기서, 영향 인자 정보는 제1 발병 확률 정보가 생성되는데 영향을 미친 인자를 나타내는 정보일 수 있으며, 예를 들어, 영향 인자 정보는 제2 심전도 데이터 중에서 제1 발병 확률 정보가 생성되는데 영향을 미친 제2 심전도 데이터의 측정 리드 식별 정보일 수 있다.
이때, 제1 딥러닝 모델은 1개의 모델로 구성되지 않고 복수의 모델로 구성될 수도 있다.
즉, 제1 예측부(123)는 복수의 심장 질환 종류 정보(클래스)마다 제1 딥러닝 모델을 구성하는 복수의 모델 각각을 이용하여 제1 발병 확률 정보를 생성할 수 있다.
예를 들어, 심장 질환 종류 정보가 2개이고, 제1 딥러닝 모델이 2개의 모델로 구성된 경우, 제1 예측부(123)는 총 4개의 제1 발병 확률 정보를 생성할 수 있다.
제2 예측부(124)는 딥러닝 모델 구성 자동화 모듈을 이용하여 제2 딥러닝 모델을 구성하고, 제2 딥러닝 모델을 이용하여 제2 심전도 데이터 및 제2 신체 정보로부터 제2 발병 확률 정보를 생성할 수 있다.
여기서, 딥러닝 모델 구성 자동화 모듈은 제2 심전도 데이터 및 제2 신체 정보에 대응하여 임의의 세부 딥러닝 모델을 선택하고 선택된 세부 딥러닝 모델로 제2 딥러닝 모델을 구성하는 모듈일 수 있다.
구체적으로, 딥러닝 모델 구성 자동화 모듈은 도 6에 도시된 바와 같이, 기존에 작업자가 딥러닝 모델을 구성하기 위해 수행하던 딥러닝 모델 선택, 특징 설계, 데이터 분할 등의 작업을 작업자를 대신하여 수행하여 딥러닝 모델을 구성할 수 있다.
이에 따라, 제2 예측부(124)는 제2 심전도 데이터 및 제2 신체 정보를 딥러닝 모델 구성 자동화 모듈로 전달하고, 딥러닝 모델 구성 자동화 모듈을 이용하여 제2 딥러닝 모델을 구성할 수 있다.
이후, 제2 예측부(124)는 제2 딥러닝 모델을 이용하여 제2 심전도 데이터 및 제2 신체 정보로부터 제2 발병 확률 정보를 생성할 수 있다.
이때, 제2 딥러닝 모델은 1개의 모델로 구성되지 않고 복수의 모델로 구성될 수도 있다.
즉, 제2 예측부(124)는 복수의 심장 질환 종류 정보(클래스)마다 제2 딥러닝 모델을 구성하는 복수의 모델 각각을 이용하여 제2 발병 확률 정보를 생성할 수 있다.
예를 들어, 심장 질환 종류 정보가 2개이고, 제2 딥러닝 모델이 2개의 모델로 구성된 경우, 제2 예측부(124)는 총 4개의 제2 발병 확률 정보를 생성할 수 있다.
예측결과 통합부(125)는 제1 발병 확률 정보 및 제2 발병 확률 정보를 통합하여 통합 발병 확률 정보를 생성할 수 있다.
구체적으로, 예측결과 통합부(125)는 제1 발병 확률 정보와 제2 발병 확률 정보를 합산하여 통합 발병 확률 정보를 생성할 수 있다. 이때, 예측결과 통합부(125)는 대응되는 심장 질환 종류 정보가 동일한 제1 발병 확률 정보와 제2 발병 확률 정보 간을 합산하여 통합 발병 확률 정보를 생성할 수 있다.
예를 들어, 제1 딥러닝 모델이 A1 모델 및 A2 모델로 구성되고, 제2 딥러닝 모델이 B1 모델 및 B2 모델로 구성되며, A1 모델, A2 모델, B1 모델 및 B2 모델 각각으로부터 예측되는 심장 질환 종류 정보가 C1 심장 질환 및 C2 심장 질환인 경우, 예측결과 통합부(125)는 C1 심장 질환에 대해 예측하고, A1 모델 및 A2 모델 각각으로부터 생성된 제1 발병 확률 정보와 B1 모델 및 B2 모델 각각으로부터 생성된 제2 발병 확률 정보를 합산하여 하나의 통합 발병 확률 정보를 생성할 수 있다. 이어서, 예측결과 통합부(125)는 C2 심장 질환에 대해 예측하고, A1 모델 및 A2 모델 각각으로부터 생성된 제1 발병 확률 정보와 B1 모델 및 B2 모델 각각으로부터 생성된 제2 발병 확률 정보를 합산하여 또 하나의 통합 발병 확률 정보를 생성할 수 있다.
이후, 예측결과 통합부(125)는 최대인 통합 발병 확률 정보의 심장 질환 종류 정보를 확인하고, 확인된 심장 질환 종류 정보에 대응되는 통합 발병 확률 정보가 미리 설정된 기준 확률을 초과하면 확인된 심장 질환 종류 정보를 발병이 예측되는 발병 예측 심장 질환 종류 정보로 생성할 수 있다.
한편, 다른 실시 예에 따른 예측결과 통합부(125)는 제1 딥러닝 모델에 대응되는 제1 가중치를 제1 발병 확률 정보에 적용하고, 제2 딥러닝 모델에 대응되는 제2 가중치를 제2 발병 확률 정보에 적용하여, 통합 발병 확률 정보를 생성할 수 있다.
이때, 다른 실시 예에 따른 예측결과 통합부(125)는 심장 질환 종류 정보 별로 제1 딥러닝 모델에 대응되는 제1 가중치를 설정하고, 심장 질환 종류 정보 별로 제2 딥러닝 모델에 대응되는 제2 가중치를 설정할 수 있다.
한편, 프로세서(120)는 상술된 각 구성 요소의 작동을 수행할 수 있으며, 하나 이상의 코어(core, 미도시) 및 그래픽 처리부(미도시) 및/또는 다른 구성 요소와 신호를 송수신하는 연결 통로(예를 들어, 버스(bus) 등)를 포함할 수 있다.
프로세서(120)는 저장부(150)에 저장된 하나 이상의 인스트럭션을 실행함으로써, 상술된 각 구성 요소의 작동을 수행하도록 구성될 수 있다.
한편, 통신부(130)는 통신망과 연동하여 외부 기기와 각 장치들 간의 송수신 신호를 패킷 데이터 형태로 제공하는 데 필요한 통신 인터페이스를 제공할 수 있다. 나아가, 통신부(130)는 각각의 장치들의 데이터 요청에 응답하여 데이터를 송신하는 역할을 수행할 수 있다.
여기서, 통신부(130)는 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다.
표시부(140)는 상술된 발병 확률 정보와 영향 인자 정보를 그래픽화하여 표시할 수 있다.
저장부(150)에는 프로세서(120)의 처리 및 제어를 위한 프로그램들(하나 이상의 인스트럭션들)을 저장할 수 있다. 저장부(150)에 저장된 프로그램들은 기능에 따라 복수 개의 모듈들로 구분될 수 있다.
도 7은 본 발명의 일 실시 예에 따른 심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치와 측정 방법의 순서도이다.
도 7을 참조하면, S1 단계에서 획득부가 환자의 제1 심전도 데이터 및 제1 신체 정보를 획득할 수 있다.
이후, S2 단계에서, 프로세서가 제1 심전도 데이터를 증강시켜 제2 심전도 데이터로 생성할 수 있다.
S2 단계는, 프로세서의 데이터 증강부가 심전도 데이터의 측정 리드의 개수가 미리 설정된 개수가 되도록 제1 심전도 데이터를 증강시켜 제2 심전도 데이터를 생성하는 단계를 포함할 수 있다.
이어서, S3 단계에서, 프로세서가 제1 신체 정보를 전처리하여 제2 신체 정보를 생성할 수 있다.
S3 단계는, 본 발명에 따른 방법은 프로세서의 신체정보 처리부가 제1 신체 정보에 기초하여 신체 지수를 산출하고, 제1 신체 정보 및 신체 지수가 제2 딥러닝 모델에 입력될 수 있도록 제1 신체 정보 및 신체 지수를 전처리하여 제2 신체 정보를 생성하는 단계를 포함할 수 있다.
이어서, S4 단계에서, 프로세서가 제1 딥러닝 모델을 이용하여 제2 심전도 데이터로부터 환자에게 심장 질환이 발병할 제1 발병 확률 정보를 생성할 수 있다.
S4 단계는, 프로세서의 제1 예측부가 잔차 블록이 적용된 합성곱 신경망 모델로 구성된 제1 딥러닝 모델을 이용하여 제2 심전도 데이터로부터 제1 발병 확률 정보를 생성하는 단계를 포함할 수 있다.
S5 단계에서, 프로세서가 제2 딥러닝 모델을 이용하여 제2 심전도 데이터 및 제2 신체 정보로부터 환자에게 심장 질환이 발병할 제2 발병 확률 정보를 생성할 수 있다.
S5 단계는, 프로세서의 제2 예측부가 제2 심전도 데이터 및 제2 신체 정보에 대응하여 임의의 세부 딥러닝 모델을 선택하고 선택된 세부 딥러닝 모델로 제2 딥러닝 모델을 구성하는 딥러닝 모델 구성 자동화 모듈을 이용하여 제2 딥러닝 모델을 구성하는 단계; 및 프로세서의 제2 예측부가 제2 딥러닝 모델을 이용하여 제2 심전도 데이터 및 제2 신체 정보로부터 제2 발병 확률 정보를 생성하는 단계를 포함할 수 있다.
S6 단계에서, 프로세서가 제1 발병 확률 정보 및 제2 발병 확률 정보를 통합하여 최종 발병 확률 정보를 생성할 수 있다.
S6 단계는, 프로세서의 예측결과 통합부가 통합 발병 확률 정보를 최대가 되도록 하는 심장 질환 종류 정보를 확인하고, 확인된 심장 질환 종류 정보에 대응되는 통합 발병 확률 정보가 미리 설정된 기준 확률을 초과하면 확인된 심장 질환 종류 정보를 발병이 예측되는 발병 예측 심장 질환 종류 정보로 생성하는 단계를 포함할 수 있다.
본 발명의 실시 예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
이제까지 본 발명에 대하여 바람직한 실시 예를 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 본 발명을 구현할 수 있음을 이해할 것이다. 그러므로 상기 개시된 실시 예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 한다.
이상과 같이, 본 발명은 비록 한정된 실시 예와 도면에 의해 설명되었으나, 본 발명은 이것에 의해 한정되지 않으며 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 본 발명의 기술사상과 아래에 기재될 특허청구범위의 균등범위 내에서 다양한 수정 및 변형이 가능함은 물론이다.
10: 측정 장치
100: 심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치
110: 획득부
120: 프로세서
130: 통신부
140: 표시부
150: 저장부

Claims (12)

  1. 환자의 제1 심전도 데이터 및 제1 신체 정보를 획득하는 획득부; 및
    상기 제1 심전도 데이터를 증강시켜 제2 심전도 데이터로 생성하고, 상기 제1 신체 정보를 전처리하여 제2 신체 정보를 생성하고, 제1 딥러닝 모델을 이용하여 상기 제2 심전도 데이터로부터 상기 환자에게 심장 질환이 발병할 제1 발병 확률 정보를 생성하고, 제2 딥러닝 모델을 이용하여 상기 제2 심전도 데이터 및 상기 제2 신체 정보로부터 상기 환자에게 심장 질환이 발병할 제2 발병 확률 정보를 생성하고, 상기 제1 발병 확률 정보 및 상기 제2 발병 확률 정보를 통합하여 통합 발병 확률 정보를 생성하는 프로세서;를 포함하는 장치에 있어서,
    상기 프로세서는,
    상기 제2 심전도 데이터 및 상기 제2 신체 정보에 대응하여 임의의 세부 딥러닝 모델을 선택하고, 상기 선택된 세부 딥러닝 모델로 상기 제2 딥러닝 모델을 구성하는 딥러닝 모델 구성 자동화 모듈을 이용하여 상기 제2 딥러닝 모델을 구성하고, 상기 제2 딥러닝 모델을 이용하여 상기 제2 심전도 데이터 및 상기 제2 신체 정보로부터 제2 발병 확률 정보를 생성하는 제2 예측부;를 포함하는 것을 특징으로 하는
    심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치.
  2. 제1항에 있어서,
    상기 프로세서는
    심전도 데이터의 측정 리드의 개수가 미리 설정된 개수가 되도록 상기 제1 심전도 데이터를 증강시켜 상기 제2 심전도 데이터를 생성하는 데이터 증강부;를 포함하는 것을 특징으로 하는
    심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치.
  3. 제1항에 있어서,
    상기 프로세서는
    상기 제1 신체 정보에 기초하여 신체 지수를 산출하고, 상기 제1 신체 정보 및 상기 신체 지수가 상기 제2 딥러닝 모델에 입력될 수 있도록 상기 제1 신체 정보 및 상기 신체 지수를 전처리하여 제2 신체 정보를 생성하는 신체 정보 처리부;를 포함하는 것을 특징으로 하는
    심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치.
  4. 제1항에 있어서,
    상기 프로세서는
    잔차 블록이 적용된 합성곱 신경망 모델로 구성된 상기 제1 딥러닝 모델을 이용하여 상기 제2 심전도 데이터로부터 상기 제1 발병 확률 정보를 생성하는 제1 예측부;를 포함하고,
    상기 제1 예측부는
    상기 제1 발병 확률 정보가 생성되는데 영향을 미친 인자를 나타내는 영향 인자 정보를 어텐션 모듈을 이용하여 생성하는 것을 특징으로 하는
    심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치.
  5. 삭제
  6. 제1항에 있어서,
    상기 프로세서는
    상기 통합 발병 확률 정보를 최대가 되도록 하는 심장 질환 종류 정보를 확인하고, 상기 확인된 심장 질환 종류 정보에 대응되는 상기 통합 발병 확률 정보가 미리 설정된 기준 확률을 초과하면 상기 확인된 심장 질환 종류 정보를 발병이 예측되는 발병 예측 심장 질환 종류 정보로 생성하는 예측결과 통합부;를 포함하는 것을 특징으로 하는
    심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치.
  7. 획득부가 환자의 제1 심전도 데이터 및 제1 신체 정보를 획득하는 단계; 및
    프로세서가 상기 제1 심전도 데이터를 증강시켜 제2 심전도 데이터로 생성하는 단계;
    상기 프로세서가 상기 제1 신체 정보를 전처리하여 제2 신체 정보를 생성하는 단계;
    상기 프로세서가 제1 딥러닝 모델을 이용하여 상기 제2 심전도 데이터로부터 상기 환자에게 심장 질환이 발병할 제1 발병 확률 정보를 생성하는 단계;
    상기 프로세서가 제2 딥러닝 모델을 이용하여 상기 제2 심전도 데이터 및 상기 제2 신체 정보로부터 상기 환자에게 심장 질환이 발병할 제2 발병 확률 정보를 생성하는 단계; 및
    상기 프로세서가 상기 제1 발병 확률 정보 및 상기 제2 발병 확률 정보를 통합하여 통합 발병 확률 정보를 생성하는 단계;를 포함하고,
    상기 프로세서의 제2 예측부가 상기 제2 심전도 데이터 및 상기 제2 신체 정보에 대응하여 임의의 세부 딥러닝 모델을 선택하고 상기 선택된 세부 딥러닝 모델로 상기 제2 딥러닝 모델을 구성하는 딥러닝 모델 구성 자동화 모듈을 이용하여 상기 제2 딥러닝 모델을 구성하는 단계; 및
    상기 프로세서의 제2 예측부가 상기 제2 딥러닝 모델을 이용하여 상기 제2 심전도 데이터 및 상기 제2 신체 정보로부터 제2 발병 확률 정보를 생성하는 단계;를 포함하는 것을 특징으로 하는
    심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 방법.
  8. 제7항에 있어서,
    상기 프로세서의 데이터 증강부가 심전도 데이터의 측정 리드의 개수가 미리 설정된 개수가 되도록 상기 제1 심전도 데이터를 증강시켜 상기 제2 심전도 데이터를 생성하는 단계;를 더 포함하는 것을 특징으로 하는
    심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 방법.
  9. 제7항에 있어서,
    상기 프로세서의 신체 정보 처리부가 상기 제1 신체 정보에 기초하여 신체 지수를 산출하고, 상기 제1 신체 정보 및 상기 신체 지수가 상기 제2 딥러닝 모델에 입력될 수 있도록 상기 제1 신체 정보 및 상기 신체 지수를 전처리하여 제2 신체 정보를 생성하는 단계;를 더 포함하는 것을 특징으로 하는
    심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 방법.
  10. 제7항에 있어서,
    상기 프로세서의 제1 예측부가 잔차 블록이 적용된 합성곱 신경망 모델로 구성된 상기 제1 딥러닝 모델을 이용하여 상기 제2 심전도 데이터로부터 상기 제1 발병 확률 정보를 생성하는 단계; 및
    상기 제1 예측부가 상기 제1 발병 확률 정보가 생성되는데 영향을 미친 인자를 나타내는 영향 인자 정보를 어텐션 모듈을 이용하여 생성하는 단계;를 더 포함하는 것을 특징으로 하는
    심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 방법.
  11. 삭제
  12. 제7항에 있어서,
    상기 프로세서의 예측결과 통합부가 상기 통합 발병 확률 정보를 최대가 되도록 하는 심장 질환 종류 정보를 확인하고, 상기 확인된 심장 질환 종류 정보에 대응되는 상기 통합 발병 확률 정보가 미리 설정된 기준 확률을 초과하면 상기 확인된 심장 질환 종류 정보를 발병이 예측되는 발병 예측 심장 질환 종류 정보로 생성하는 단계;를 더 포함하는 것을 특징으로 하는
    심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 방법.
KR1020210188358A 2021-12-27 2021-12-27 심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치 및 방법 KR102560516B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210188358A KR102560516B1 (ko) 2021-12-27 2021-12-27 심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210188358A KR102560516B1 (ko) 2021-12-27 2021-12-27 심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20230099195A KR20230099195A (ko) 2023-07-04
KR102560516B1 true KR102560516B1 (ko) 2023-07-26

Family

ID=87156400

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210188358A KR102560516B1 (ko) 2021-12-27 2021-12-27 심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102560516B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117379009B (zh) * 2023-10-18 2024-06-04 中国人民解放军总医院第二医学中心 一种社区老年人群心脑血管急危重症预警监测系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6831944B1 (ja) * 2020-08-21 2021-02-17 生物島実験室 心電図データの拡張方法並びにその装置、電子機器及び媒体

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100748184B1 (ko) * 2005-05-11 2007-08-10 인하대학교 산학협력단 신경망을 이용한 심전도 기반의 심장질환 진단장치 및방법
KR20190088680A (ko) * 2018-01-19 2019-07-29 울산대학교 산학협력단 인공 신경망 생성 장치 및 심실 부정맥 예측 장치
KR102125127B1 (ko) * 2018-03-05 2020-06-19 고려대학교 산학협력단 딥러닝 기반 뇌 질환 진단 방법
KR102180135B1 (ko) 2018-10-12 2020-11-17 계명대학교 산학협력단 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템 및 방법
KR102439082B1 (ko) * 2020-01-30 2022-08-31 연세대학교 원주산학협력단 딥러닝 기반 심전도 분석데이터를 이용한 일반인의 간질환 보유 가능성 예측 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6831944B1 (ja) * 2020-08-21 2021-02-17 生物島実験室 心電図データの拡張方法並びにその装置、電子機器及び媒体

Also Published As

Publication number Publication date
KR20230099195A (ko) 2023-07-04

Similar Documents

Publication Publication Date Title
Mousavi et al. Inter-and intra-patient ecg heartbeat classification for arrhythmia detection: a sequence to sequence deep learning approach
Çınar et al. Classification of normal sinus rhythm, abnormal arrhythmia and congestive heart failure ECG signals using LSTM and hybrid CNN-SVM deep neural networks
CN109620205B (zh) 心电数据分类方法、装置、计算机设备和存储介质
CN110623658B (zh) 信号处理方法、信号处理装置、医学设备、存储介质
CN111565633A (zh) 利用人工智能的时间序列数据学习及分析方法
KR102483693B1 (ko) 설명 가능한 다중 심전도 부정맥 진단 장치 및 방법
CA3069833A1 (en) Discovering genomes to use in machine learning techniques
Kusuma et al. ECG signals-based automated diagnosis of congestive heart failure using Deep CNN and LSTM architecture
Xiang et al. ECG-based heartbeat classification using two-level convolutional neural network and RR interval difference
CN116782829A (zh) 用于将生物电信号数据转换为数值向量的方法和装置及利用其分析疾病的方法和装置
KR102560516B1 (ko) 심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치 및 방법
Al Rahhal et al. Automatic premature ventricular contractions detection for multi-lead electrocardiogram signal
CN114041800B (zh) 心电信号实时分类方法、装置及可读存储介质
KR20230133230A (ko) 심전도에 기초한 신경망 모델의 대조적인 사전 학습 방법, 프로그램 및 장치
CN115944302A (zh) 基于注意力机制的无监督多模态心电图异常检测方法
CN112545525B (zh) 心电图数据分类方法、装置及系统
Belen et al. An uncertainty estimation framework for risk assessment in deep learning-based AFib classification
Pal et al. Two-stage classifier for resource constrained on-board cardiac arrhythmia detection
CN116504398A (zh) 用于使用基于变换器的神经网络来进行心律失常预测的方法和系统
Hasan et al. Cardiac arrhythmia detection in an ECG beat signal using 1D convolution neural network
CN114224354A (zh) 心律失常分类方法、装置及可读存储介质
Lassoued et al. Genetic fuzzy logic based system for arrhythmia classification
Zhanquan et al. ECG signal classification via combining hand-engineered features with deep neural network features
CN116211316B (zh) 多导联心电信号的类型识别方法、系统及辅助系统
Nankani et al. Improved diagnostic performance of arrhythmia classification using conditional gan augmented heartbeats

Legal Events

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