KR102572317B1 - 순환신경망 기반의 장단기 기억신경망을 통한 부정맥 분류 방법 - Google Patents

Abstract

본 발명은 순환신경망 기반의 장단기 기억신경망을 통한 부정맥 분류 방법에 관한 것으로, 심전도 신호를 기초로 특징점을 검출하는 단계, 상기 검출한 특징점을 기초로 모델을 이용하여 학습하는 단계, 및 학습의 결과를 기초로 부정맥을 분류하는 단계를 포함하는 부정맥 분류 방법이 제공된다.

Description

순환신경망 기반의 장단기 기억신경망을 통한 부정맥 분류 방법{ARRHYTHMIA CLASSIFICATION METHOD USING LONG SHORT-TERM MEMORY BASED ON RECURRENT NEURAL NETWORK}

본 발명은 부정맥 분류 방법에 관한 것으로서, 보다 상세하게는, 순환신경망(RNN) 기반의 장단기 기억신경망(LSTM)을 통한 부정맥 분류 방법에 관한 것이다.

부정맥은 심장 박동이 비정상적으로 빨라지거나 늦어지거나 혹은 불규칙하게 뛰고 있는 상태를 말한다. 정상 맥박수는 분당 60-100회로, 맥박수가 분당 50회 미만이면 "서맥", 분당 100회 이상이면 "빈맥"이라고 부른다. 일반적으로 부정맥 진단시에는 심전도 검사가 이용된다. 부정맥은 그 종류에 따라 증상이 즉시 나타나는 경우도 있지만, 간헐적으로 나타난 후 저절로 소실되는 경우가 많기 때문에 단시간 심전도 검사만으로는 정확한 진단이 어려울 수 있다.

부정맥이 위험한 이유는 제때 발견해 치료하지 않으면 뇌졸중, 심정지 등을 유발하거나 사망에 이를 수 있기 때문에 조기 진단과 관리가 무엇보다 중요하다.

하지만 심전도 신호의 특성상 개인 간의 차이가 크기 때문에 안정적인 성능을 나타내는 분류 방법을 개발하는 일은 여전히 어려운 문제이다.

CNN은 데이터의 특징을 추출하여 특징들의 패턴을 파악하는 심층 신경망으로 영상 인식에 강점이 있으며, RNN은 일반적인 신경망과 달리 이전에 입력된 데이터와 현재 입력된 데이터를 동시에 고려해 출력 값을 결정하는 자연어 처리 분야에 폭넓게 활용되고 있다.

CNN의 경우 입력 신호의 패턴을 찾아내기 위해 Pooling 레이어의 크기를 결정할 때, 신호의 생리학적인 특징을 바탕으로 설계해야 최적의 패턴 추출 성능이 높아지는 반면, RNN은 ECG 신호와 같이 시간에 따라 유사한 패턴이 나타나는 시계열 데이터의 순차적인 특징을 추출하는데 적합하다.

기존의 모델 기반의 부정맥 분류 방법들은 추출된 특징점들을 모델 기계 학습 분석을 통해 부정맥을 판단하는 방법이 대부분이었다. 하지만 이러한 방법들은 고정된 모델 및 가정을 통해 분석이 이루어지기 때문에 ECG와 같이 시간에 따라 지속적으로 특징이 변하는 데이터를 분류할 때 성능이 유지되지 않는 단점을 가진다. 또한 지금까지의 연구에서는 개인의 특성에 따른 신호 차이는 무시하고, 심전도 자체의 신호 차이를 통해 부정맥을 분류하였다. 즉 개인차에 따른 정상, 이상 패턴을 구별하지 않고, 일반적 분류 조건에 의해 분류했기 때문에 정확도는 높은 반면 범용성을 확신하기 어렵다. 이러한 문제를 해결하기 위해서는 입력된 심전도 데이터가 개인에 따른 정상 패턴 또는 이상 패턴인지 여부를 먼저 판단한 후 부정맥을 분류할 수 있는 방법이 필요하다.

본 발명에서는 ECG 신호 고유의 비정형 및 비선형성 특성을 반영하기 위하여 데이터 자체를 입력으로 사용하는 End-To-End 순환 신경망 기반의 장단기 기억신경망을 통한 심방 및 심실성 부정맥 분류 방법을 제안한다.

본 발명의 기술적 사상에 따른 부정맥 분류 방법이 이루고자 하는 기술적 과제는 이상에서 언급한 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제는 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

제안 기법은 기본적인 RNN 구조와 RNN의 단점을 보완한 LSTM을 사용하였으며, 딥러닝 모델의 종류, 입력 데이터 크기, RNN 내부의 유닛 크기에 순차적인 변화를 주어 이상 패턴 검출율의 변화를 확인하고, 부정맥을 분류한다. 제안한 방법의 이상 패턴 검출 및 부정맥 분류 성능을 평가하기 위해서 MIT-BIH 부정맥 데이터베이스를 사용하였다.

본 발명의 기술적 사상에 의한 실시예에 따른 부정맥 분류 방법은 특징점 추출을 위한 의료 전문가의 개입을 최소화하고 비정형 데이터가 발생하더라도 신속히 대응 가능하며 새로운 데이터 발생시 모델을 지속적으로 추가 학습하여 부정맥을 분류함으로써, 분류의 신뢰도 및 연산량을 향상시킬 수 있다.

다만, 본 발명의 일 실시예에 따른 부정맥 분류 방법이 달성할 수 있는 효과는 이상에서 언급한 것들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

본 명세서에서 인용되는 도면을 보다 충분히 이해하기 위하여 각 도면의 간단한 설명이 제공된다.
도 1은 본 발명의 일 실시예에 따른 부정맥 분류 방법을 도시하는 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 전체 시스템 구성을 도시하는 도면이다.
도 3은 본 발명의 일 실시예에 따른 RNN 구조를 도시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 각 클래스별 ECG 패턴을 도시하는 도면이다.
도 5는 본 발명의 일 실시예에 따른 본 발명에서 활용한 LSTM 모델 구조를 도시한 도면이다.
도 6은 본 발명의 일 실시예에 따른 LSTM 모델의 테스트 결과를 도시한 도면이다.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고, 이를 상세한 설명을 통해 상세히 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명은 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제 1, 제 2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.

또한, 본 명세서에서, 일 구성요소가 다른 구성요소와 "연결된다" 거나 "접속된다" 등으로 언급된 때에는, 상기 일 구성요소가 상기 다른 구성요소와 직접 연결되거나 또는 직접 접속될 수도 있지만, 특별히 반대되는 기재가 존재하지 않는 이상, 중간에 또 다른 구성요소를 매개하여 연결되거나 또는 접속될 수도 있다고 이해되어야 할 것이다.

또한, 본 명세서에서 '~부'로 표현되는 구성요소는 2개 이상의 구성요소가 하나의 구성요소로 합쳐지거나 또는 하나의 구성요소가 보다 세분화된 기능별로 2개 이상으로 분화될 수도 있다. 또한, 이하에서 설명할 구성요소 각각은 자신이 담당하는 주기능 이외에도 다른 구성요소가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성요소 각각이 담당하는 주기능 중 일부 기능이 다른 구성요소에 의해 전담되어 수행될 수도 있음은 물론이다.

이하, 본 발명의 기술적 사상에 의한 실시예들을 차례로 상세히 설명한다.

일 실시예에 따르면, 부정맥 분류 방법은, 기본적인 RNN 구조와 RNN의 단점을 보완한 LSTM을 사용하였으며, 딥러닝 모델의 종류, 입력 데이터 크기, RNN 내부의 유닛 크기에 순차적인 변화를 주어 이상 패턴 검출율의 변화를 확인하고, 부정맥을 분류할 수 있다. 부정맥 분류 방법의 이상 패턴 검출 및 부정맥 분류 성능을 평가하기 위해서 MIT-BIH 부정맥 데이터베이스를 사용할 수 있다.

도 1은 본 발명의 일 실시예에 따른 부정맥 분류 방법을 도시하는 흐름도이다.

도 1을 참조하면, 부정맥 분류 방법은 부정맥 분류기에 의해 수행될 수 있다. 부정맥 분류기는 컴퓨팅 디바이스, 프로세서, 메모리, 데이터 송수신기, 회로 중 적어도 하나를 포함하는 분류기일 수 있다.

단계(101)에서, 부정맥 분류기는, 심전도 신호를 기초로 특징점을 검출할 수 있다.

일 실시예에 따르면, 부정맥 분류기는, 심전도 신호로부터 잡음을 제거하기 위해, 심전도 신호를 전처리할 수 있다. 부정맥 분류기는, 전처리한 심전도 신호를 신호 비트 분할(Heartbeat Segmentation)할 수 있다. 부정맥 분류기는, 신호 비트 분할한 심전도 신호로부터 특징점을 검출할 수 있다.

단계(102)에서, 부정맥 분류기는, 검출한 특징점을 기초로 모델을 이용하여 학습할 수 있다.

일 실시예에 따르면, 부정맥 분류기는, 순환신경망(RNN: RECURRENT NEURAL NETWORK) 또는 장단기 기억신경망(LSTM: Long Short-Term Memory)를 이용하여 학습할 수 있다.

일 실시예에 따르면, 부정맥 분류기는, 순환신경망을 이용하여 파라미터 값을 공유할 수 있다.

일 실시예에 따르면, 부정맥 분류기는, 장단기 기억신경망을 이용하여, 망각 게이트, 입력 게이트, 출력 게이트 중 적어도 하나의 게이트를 사용할 수 있다.

일 실시예에 따르면, 부정맥 분류기는, 시간펼침 역전파(BPTT: Back-Propagation Through Time)를 사용하는 모델을 이용하여 학습할 수 있다.

일 실시예에 따르면, 부정맥 분류기는, 은닉 상태에서 이전 시점의 데이터를 기억하여 학습할 수 있다.

일 실시예에 따르면, 부정맥 분류기는, 가중치를 나타내는 행렬, 편향, 활성화 함수 중 적어도 하나를 이용하여 연산할 수 있다.

일 실시예에 따르면, 부정맥 분류기는, 학습한 정상 패턴을 기초로 이상 패턴을 검출할 수 있다.

단계(103)에서, 부정맥 분류기는, 학습의 결과를 기초로 부정맥을 분류할 수 있다.

일 실시예에 따르면, 부정맥 분류기는, 검출한 이상 패턴에 대해 부정맥을 분류할 수 있다.

도 2는 본 발명의 일 실시예에 따른 전체 시스템 구성을 도시하는 도면이다.

도 2를 참조하면, 본 발명에서 제안한 RNN 기반의 LSTM을 이용하여 이상 패턴을 검출하고, 부정맥을 분류하는 부정맥 분류 방법을 알 수 있다. 부정맥 분류 방법은, 먼저 심전도(ECG: electrocardiogram) 신호로부터 전처리 과정(Preprocessing)을 통해 잡음을 제거한 후 신호 비트 분할(Heartbeat Segmentation) 및 특징점(Features)을 검출(Extraction)하는 단계, 훈련(Training) 및 학습(Learning)을 통한 이상 패턴 검출(Abnormal Pattern Detection) 단계, 검출된 이상 패턴을 대상으로 부정맥(Arrhythmia)을 분류(Classification)하는 단계로 나누어진다.

부정맥 분류 방법의 순환신경망(RNN: Recurrent Neural Network)은 기존의 순방향 신경망(FFNN: Feed Forward Neural Networks)의 확장으로 변동이 심한 시계열 데이터를 처리하는데 적합한 모델일 수 있다.

부정맥 분류 방법의 모델은, 구조적으로는 현재와 다음 시점을 연결하여 여러 개의 데이터가 순서대로 입력되었을 때 이전 시점의 데이터가 유지되도록 반복(Recurrent)의 개념이 추가된 것으로, 은닉 상태에서 이전 시점의 데이터를 기억하여 학습이 진행되므로 시계열 데이터에 내재되어 있는 패턴과 특성을 파악하는데 적합한 모델이다. 이러한 특성 때문에, 부정맥 분류 방법은, 기존의 FFNN 모델의 학습을 위해 사용하였던 역전파(Backpropagation)와는 조금 다르게 시간에 걸쳐 풀어서 해석하는 시간펼침 역전파(BPTT: Back-Propagation Through Time) 방식을 사용할 수 있다.

도 3은 본 발명의 일 실시예에 따른 RNN 구조를 도시한 도면이다.

도 3은 부정맥 분류 방법의 RNN 구조를 펼친 모형으로, 부정맥 분류 방법의 연결 처리에 대한 과정은 다음과 같다.

xt = time - stept 에서의 입력값

st = time - stept 에서의 은닉상태(Hidden State)

st 는 RNN 구조에서 메모리(memory) 역할을 하며, 현재 입력( xt )과 이전 시점의 st -1로 계산될 수 있다. 이는 이전 시점에서 계산한 값의 정보를 담고 있는 것을 의미한다. U, W는 가중치를 나타내는 행렬이며, b는 편향을 의미할 수 있다.

f는 활성화 함수로 보통 tanh와 ReLU를 사용하고 첫 state를 계산하기 위한 st -1은 보통 0으로 초기화시킬 수 있다. ot 는 출력 계층의 값으로 g(활성화 함수)를 통해 sigmoid 또는 softmax를 사용하여 값을 출력할 수 있다.

도 3과 같이 부정맥 분류 방법의 RNN은 기존의 인공신경망 구조와는 다르게 모든 과정에 대해 파라미터(parameter)값을 공유하기 때문에, 각 단계(Step)마다 입력(Input) 값만 다를 뿐 거의 똑같은 계산을 하고 있다는 것을 보여준다. 그렇기 때문에, 부정맥 분류 방법은 학습해야 할 파라미터의 수를 많이 줄여줄 수 있다.

장단기 기억신경망(LSTM: Long Short-Term Memory)

부정맥 분류 방법의 LSTM 모델은 기존의 RNN 모델에서 장기간(Long-term) 학습을 했을 경우 생기는 기울기(Gradients)의 소실(Vanish)과 폭발(Explode) 문제를 개선하기 위해 사용될 수 있다. 부정맥 분류 방법의 LSTM 모델은 RNN과 비슷한 구조를 가지고 있지만 세 개의 게이트(Gate)(망각(Forget), 입력(Input), 출력(Output)) 요소를 이용하여 정보를 제어하며 이를 셀 상태(Cell State)를 통해 각 Gate의 연산된 값을 전달할 수 있다. 따라서, 각 단계에서 컨텐츠(Content)를 덮어쓰는 기존의 RNN과는 달리, 부정맥 분류 방법의 LSTM은 Gate를 통해 기존의 기억을 유지할 것인지, 아니면 삭제할 것인지의 여부를 결정하기 때문에 장기간(Long Term)의 정보를 쉽게 전달할 수 있다.

부정맥 분류 방법의 LSTM은 기존의 RNN 구조에 비해 복잡한 계산 과정을 가지고 있을 수 있다. 부정맥 분류 방법은, 학습에 필요한 파라미터 수와 학습 시간이 증가할 수 있지만, 각 Gate를 통해 기존의 RNN 모델의 장기 의존성 문제를 해결한 자연어 처리, 음성인식, 감성 분석, 시계열 분석 등 다양한 분야의 RNN의 표준적인 모델을 사용할 수 있다.

순환신경망(RNN) 모델의 평가방법 및 실험

본 발명은, 부정맥 분류 방법의 RNN을 이용하여 심전도의 정상 패턴만을 학습하여 예측 결과와 실제값의 차이를 센서의 패턴에 따라 이상 탐지의 성능 평가를 진행하는 예측과 탐지로 구성될 수 있다. 예측 부분은 RNN, LSTM을 이용하였으며, 모델의 내부 유닛(Unit)의 크기와 입력 데이터의 크기를 순차적으로 증가시켜 다양한 상황에서의 패턴을 예측할 수 있다.

이상 탐지 부분은 딥러닝 모델을 통해 예측한 값과 비정상적인 이상 패턴의 예측 오차를 이용하여 예측 스코어(score) 값을 계산하였으며, 실제 score 값과의 정확도(Accuracy), 정밀도(Precision), 재현율(Recall)를 계산하여 최종적으로 F1- Score 를 통해 이상 패턴 검출의 성능 값을 도출할 수 있다.

이상패턴 검출률

본 발명의 부정맥 분류 방법은 ECG 신호의 이상 패턴 검출을 위해 RNN 모델을 이용하여 정상 패턴을 학습한 후 다음 시계열을 예측할 수 있으며, 학습을 위한 모델은 두개의 다른 순환 신경망 모델을 사용할 수 있다. 부정맥 분류 방법의 학습에 필요한 매개 변수 중 입력 데이터의 윈도우 크기(Window size)와 모델의 내부 유닛(Unit)의 크기가 이상 탐지율의 성능에 어떠한 영향을 미치는지 확인하기 위해 순차적으로 증가시킬 수 있다. 윈도우 크기(Window size)는 다음 단계를 예측하기 위해 구별하는 입력의 크기로 학습을 위한 입력 데이터로 사용되며, 현재 시점의 t에서 다음 시점의 t+1을 예측할 수 있다.

본 발명의 부정맥 분류 방법에서는 Window size를 1, 5, 10, 15, 20으로 구성할 수 있다.

부정맥 분류 방법의 모델의 유닛(Unit)은 블록(Block) 또는 메모리 셀(memory cell), 은닉층(Hidden layer)이라고도 하며 데이터를 학습할 수 있는 용량과, 출력 공간을 결정짓는다. 본 발명의 부정맥 분류 방법에서는 모델의 유닛 크기에 따라 이상 탐지율이 어떻게 변화하는지를 확인하기 위하여 유닛 크기를 20, 60, 100으로 설정하여 진행할 수 있다.

부정맥 분류 방법의 모델을 학습시키는 단계에서는 역전파(back-propagation) 과정에서 아담 최적화(Adam optimization)를 사용할 수 있으며, 과적합(Over Fitting)을 막기 위해 학습과정에서 일정 확률로 임의의 모델 연결을 무시하도록 하는 정규화 기법인 드랍아웃(Dropout)을 0.3으로 설정할 수 있다. 그리고 부정맥 분류 방법은, 입력값 xi 와 예측된 값 이 최대한 같아지도록 비용함수로 MSE(Mean Squared Error)를 사용하여 값이 최소화되도록 학습할 수 있다.

그리고 부정맥 분류 방법은, 모델을 학습한 후에 예측한 값과()의 정확도를 측정하기 위해 실제 값( xi )과 예측오차(RMSE: Root Mean Square Error)를 계산하여 모델별로 성능을 확인할 수 있다. 부정맥 분류 방법은, 센서 패턴의 이상 탐지 실험을 위해서 앞서 정상적인 패턴의 학습 모델을 통해 예측한 패턴()과 이상 패턴( yi )과의 예측 오차값을 계산하여 임계치(Threshold)를 기준으로 낮으면 정상, 높으면 비정상으로 예측할 수 있다.

그 후 부정맥 분류 방법에 대해, yi 의 실제 Score 값과의 F1- Score 를 계산하여 센서 패턴의 이상 패턴 검출에 대한 성능을 확인하여 비교 및 분석할 수 있다. F1- Score 는 다중 분류 모델의 성능 평가 지표로 많이 사용되고 있는 방법으로, 이상 패턴이라고 예측한 것 중에 실제 이상 패턴의 비율을 나타내는 정밀도(Precision), 전체 이상 패턴 중에서 맞춘 이상 패턴의 비율을 나타내는 재현율(Recall) 값을 구하여 계산된 값을 나타낸다.

도 4는 본 발명의 일 실시예에 따른 각 클래스별 ECG 패턴을 도시하는 도면이다.

부정맥 분류율

부정맥 분류 방법의 부정맥 분류를 위한 데이터셋은 MIT-BIH 데이터를 각 비트별로 잘라내고 제로패딩(Zero padding) 과정을 수행하여 모든 비트의 길이를 동일한 크기로 설정할 수 있다. 부정맥 분류 방법의 ECG 데이터는 5개의 클래스로 정상(Normal) 클래스와 4종류의 부정맥 클래스(S, V, F, Q)로 구분되며, 각 클래스에 대한 설명은 표 1과 같다. 각 클래스별 고유의 특징을 나타내는 ECG 데이터 패턴은 도 4와 같다.

표 1은 ECG 데이터의 클래스 구분을 나타낸다.

기존 데이터에는 정상(N) 클래스에 해당하는 데이터의 용량이 상대적으로 많고 부정맥에 해당하는 데이터의 용량이 작기 때문에, 부정맥 분류 방법은, 전체 데이터에서 학습용 데이터를 각 클래스 별 2000개씩, 테스트용 데이터를 각 클래스 별로 800개씩 랜덤으로 선택하여 활용할 수 있다. 본 발명의 부정맥 분류 방법에서 활용한 데이터의 개수는 표 2와 같다.

표 2는 각 클래스별 ECG 데이터의 개수를 나타낸다.

도 5는 본 발명의 일 실시예에 따른 본 발명에서 활용한 LSTM 모델 구조를 도시한 도면이다.

LSTM(Long Short-Term Memory)을 이용한 분류

ECG 데이터는 시간에 따른 변화를 특징으로 포함하는 시계열 데이터이다. 본 발명의 부정맥 분류 방법에서는 RNN 기반의 LSTM을 이용하여 부정맥을 분류할 수 있다. 도 5와 같이 부정맥 분류 방법은, 187 time steps를 거친 ECG 데이터가 입력되면 3개의 LSTM 계층(layer)을 거쳐 특징점을 추출한 후에 완전 연결 계층(Fully Connected Layer)에 입력시키는 구조를 이용할 수 있다.

도 6은 본 발명의 일 실시예에 따른 LSTM 모델의 테스트 결과를 도시한 도면이다.

도 6을 참조하면, 부정맥 분류 방법의 LSTM 기반 모델을 200 에포크(epoch) 만큼 학습시킨 뒤에 테스트 데이터를 통해 정확도를 측정한 결과를 알 수 있다. 부정맥 분류 방법의 LSTM 기반 모델의 정확도는 95%를 나타낸다.

이상 본 명세서에서 설명한 기능적 동작과 본 주제에 관한 실시형태들은 본 명세서에서 개시한 구조들 및 그들의 구조적인 등가물을 포함하여 디지털 전자 회로나 컴퓨터 소프트웨어, 펌웨어 또는 하드웨어에서 혹은 이들 중 하나 이상의 조합에서 구현 가능하다.

본 명세서에서 기술하는 주제의 실시형태는 하나 이상의 컴퓨터 프로그램 제품, 다시 말해 데이터 처리 장치에 의한 실행을 위하여 또는 그 동작을 제어하기 위하여 유형의 프로그램 매체 상에 인코딩되는 컴퓨터 프로그램 명령에 관한 하나 이상의 모듈로서 구현될 수 있다. 유형의 프로그램 매체는 전파형 신호이거나 컴퓨터로 판독 가능한 매체일 수 있다. 전파형 신호는 컴퓨터에 의한 실행을 위하여 적절한 수신기 장치로 전송하기 위한 정보를 인코딩하기 위하여 생성되는 예컨대 기계가 생성한 전기적, 광학적 혹은 전자기 신호와 같은 인공적으로 생성된 신호이다. 컴퓨터로 판독 가능한 매체는 기계로 판독 가능한 저장장치, 기계로 판독 가능한 저장 기판, 메모리 장치, 기계로 판독 가능한 전파형 신호에 영향을 미치는 물질의 조합 혹은 이들 중 하나 이상의 조합일 수 있다.

컴퓨터 프로그램(프로그램, 소프트웨어, 소프트웨어 어플리케이션, 스크립트 혹은 코드로도 알려져 있음)은 컴파일되거나 해석된 언어나 선험적 혹은 절차적 언어를 포함하는 프로그래밍 언어의 어떠한 형태로도 작성될 수 있으며, 독립형 프로그램이나 모듈, 컴포넌트, 서브루틴 혹은 컴퓨터 환경에서 사용하기에 적합한 다른 유닛을 포함하여 어떠한 형태로도 전개될 수 있다.

컴퓨터 프로그램은 파일 시스템의 파일에 반드시 대응하는 것은 아니다. 프로그램은 요청된 프로그램에 제공되는 단일 파일 내에, 혹은 다중의 상호 작용하는 파일(예컨대, 하나 이상의 모듈, 하위 프로그램 혹은 코드의 일부를 저장하는 파일) 내에, 혹은 다른 프로그램이나 데이터를 보유하는 파일의 일부(예컨대, 마크업 언어 문서 내에 저장되는 하나 이상의 스크립트) 내에 저장될 수 있다.

컴퓨터 프로그램은 하나의 사이트에 위치하거나 복수의 사이트에 걸쳐서 분산되어 통신 네트워크에 의해 상호 접속된 다중 컴퓨터 또는 하나의 컴퓨터 상에서 실행되도록 전개될 수 있다.

부가적으로, 본 명세서에서 기술하는 논리 흐름과 구조적인 블록도는 개시된 구조적인 수단의 지원을 받는 대응하는 기능과 단계의 지원을 받는 대응하는 행위 및/또는 특정한 방법을 기술하는 것으로, 대응하는 소프트웨어 구조와 알고리즘과 그 등가물을 구축하는 데에도 사용 가능하다.

본 명세서에서 기술하는 프로세스와 논리 흐름은 입력 데이터 상에서 동작하고 출력을 생성함으로써 기능을 수행하기 위하여 하나 이상의 컴퓨터 프로그램을 실행하는 하나 이상의 프로그래머블 프로세서에 의하여 수행 가능하다.

컴퓨터 프로그램의 실행에 적합한 프로세서는, 예컨대 범용 및 특수 목적의 마이크로프로세서 양자 및 어떤 종류의 디지털 컴퓨터의 어떠한 하나 이상의 프로세서라도 포함한다. 일반적으로, 프로세서는 읽기 전용 메모리나 랜덤 액세스 메모리 혹은 양자로부터 명령어와 데이터를 수신할 것이다.

컴퓨터의 핵심적인 요소는 명령어와 데이터를 저장하기 위한 하나 이상의 메모리 장치 및 명령을 수행하기 위한 프로세서이다. 또한, 컴퓨터는 일반적으로 예컨대 자기, 자기광학 디스크나 광학 디스크와 같은 데이터를 저장하기 위한 하나 이상의 대량 저장 장치로부터 데이터를 수신하거나 그것으로 데이터를 전송하거나 혹은 그러한 동작 둘 다를 수행하기 위하여 동작가능 하도록 결합되거나 이를 포함할 것이다. 그러나, 컴퓨터는 그러한 장치를 가질 필요가 없다.

본 기술한 설명은 본 발명의 최상의 모드를 제시하고 있으며, 본 발명을 설명하기 위하여, 그리고 당업자가 본 발명을 제작 및 이용할 수 있도록 하기 위한 예를 제공하고 있다. 이렇게 작성된 명세서는 그 제시된 구체적인 용어에 본 발명을 제한하는 것이 아니다.

따라서, 상술한 예를 참조하여 본 발명을 상세하게 설명하였지만, 당업자라면 본 발명의 범위를 벗어나지 않으면서도 본 예들에 대한 개조, 변경 및 변형을 가할 수 있다. 요컨대 본 발명이 의도하는 효과를 달성하기 위해 도면에 도시된 모든 기능 블록을 별도로 포함하거나 도면에 도시된 모든 순서를 도시된 순서 그대로 따라야만 하는 것은 아니며, 그렇지 않더라도 얼마든지 청구항에 기재된 본 발명의 기술적 범위에 속할 수 있다는 점을 밝힌다.

Claims (9)

1. 부정맥 분류기에 의해 수행되는 부정맥 분류 방법에 있어서,
   심전도 신호를 기초로 특징점을 검출하는 단계;
   상기 검출한 특징점을 기초로 모델을 이용하여 학습하되, 순환신경망(RNN: RECURRENT NEURAL NETWORK) 또는 장단기 기억신경망(LSTM: Long Short-Term Memory)를 이용하여 학습하는 단계 - 상기 학습하는 단계는, 학습한 정상 패턴을 기초로 이상 패턴을 검출하는 단계를 포함함; 및
   학습의 결과를 기초로 부정맥을 분류하는 단계
   를 포함하고, 딥러닝 모델의 종류, 입력 데이터 크기 및 딥러닝 모델 내부의 유닛 크기에 순차적인 변화를 주어 이상 패턴 검출율의 변화를 확인하고 부정맥을 분류하는 것을 특징으로 하고,
   상기 분류하는 단계는,
   상기 검출한 이상 패턴에 대해 부정맥을 분류하는 것을 특징으로 하며,
   상기 부정맥 분류 방법은,
   모델을 학습한 후에 예측한 값과의 정확도를 측정하기 위해 실제 값과 예측오차(RMSE: Root Mean Square Error)를 계산하여 모델별로 성능을 확인하는 것을 특징으로 하고,
   정상적인 패턴의 학습 모델을 통해 예측한 패턴과 이상 패턴과의 예측오차 값을 계산하여 임계치(Threshold)를 기준으로 낮으면 정상, 높으면 비정상으로 예측하는 것을 특징으로 하는 부정맥 분류기에 의해 수행되는 부정맥 분류 방법.
   
2. 부정맥 분류기에 의해 수행되는 부정맥 분류 방법에 있어서,
   심전도 신호를 기초로 특징점을 검출하는 단계;
   상기 검출한 특징점을 기초로 모델을 이용하여 학습하되, 시간펼침 역전파(BPTT: Back-Propagation Through Time)를 사용하는 모델을 이용하여 학습하는 단계 - 상기 학습하는 단계는, 학습한 정상 패턴을 기초로 이상 패턴을 검출하는 단계를 포함함; 및
   학습의 결과를 기초로 부정맥을 분류하는 단계
   를 포함하고, 부정맥 분류 방법의 모델을 이용하여 학습하는 단계에서는 역전파(Back-Propagation) 과정에서 아담 최적화(Adam Optimization)를 사용하는 것을 특징으로 하고,
   상기 분류하는 단계는,
   상기 검출한 이상 패턴에 대해 부정맥을 분류하는 것을 특징으로 하며,
   상기 부정맥 분류 방법은,
   모델을 학습한 후에 예측한 값과의 정확도를 측정하기 위해 실제 값과 예측오차를 계산하여 모델별로 성능을 확인하는 것을 특징으로 하고,
   정상적인 패턴의 학습 모델을 통해 예측한 패턴과 이상 패턴과의 예측오차 값을 계산하여 임계치를 기준으로 낮으면 정상, 높으면 비정상으로 예측하는 것을 특징으로 하는 부정맥 분류기에 의해 수행되는 부정맥 분류 방법.
   
3. 제1항 또는 제2항에 있어서,
   상기 특징점을 검출하는 단계는,
   상기 심전도 신호로부터 잡음을 제거하기 위해, 상기 심전도 신호를 전처리하는 단계;
   상기 전처리한 심전도 신호를 신호 비트 분할(Heartbeat Segmentation)하는 단계; 및
   상기 신호 비트 분할한 심전도 신호로부터 특징점을 검출하는 단계
   를 포함하는 것을 특징으로 하는 부정맥 분류기에 의해 수행되는 부정맥 분류 방법.
   
4. 삭제
5. 삭제
6. 제1항 또는 제2항에 있어서,
   상기 학습하는 단계는,
   은닉 상태에서 이전 시점의 데이터를 기억하여 학습하는 것을 특징으로 하는 부정맥 분류기에 의해 수행되는 부정맥 분류 방법.
   
7. 제6항에 있어서,
   상기 학습하는 단계는,
   가중치를 나타내는 행렬, 편향, 활성화 함수 중 적어도 하나를 이용하여 연산하는 것을 특징으로 하는 부정맥 분류기에 의해 수행되는 부정맥 분류 방법.
   
8. 제1항에 있어서,
   상기 학습하는 단계는,
   상기 순환신경망을 이용하여 파라미터 값을 공유하는 것을 특징으로 하는 부정맥 분류기에 의해 수행되는 부정맥 분류 방법.
   
9. 제1항에 있어서,
   상기 학습하는 단계는,
   상기 장단기 기억신경망을 이용하여, 망각 게이트, 입력 게이트, 출력 게이트 중 적어도 하나의 게이트를 사용하는 것을 특징으로 하는 부정맥 분류기에 의해 수행되는 부정맥 분류 방법.