KR102578047B1 - 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템 및 이를 이용한 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법 - Google Patents
심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템 및 이를 이용한 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법 Download PDFInfo
- Publication number
- KR102578047B1 KR102578047B1 KR1020210073050A KR20210073050A KR102578047B1 KR 102578047 B1 KR102578047 B1 KR 102578047B1 KR 1020210073050 A KR1020210073050 A KR 1020210073050A KR 20210073050 A KR20210073050 A KR 20210073050A KR 102578047 B1 KR102578047 B1 KR 102578047B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- hyperkalemia
- time
- electrocardiogram
- ecg
- Prior art date
Links
Images
Classifications
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
-
- 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
- A61B5/25—Bioelectric electrodes therefor
- A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
- A61B5/28—Bioelectric electrodes therefor specially adapted for particular uses for electrocardiography [ECG]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Abstract
본 발명은 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템 및 이를 이용한 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법에 관한 것으로서, 상기 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템은 다수의 고칼륨 혈증 환자의 심전도 데이터를 수집하는 데이터 수집부와, 상기 데이터 수집부에서 수집된 심전도 데이터를 토대로 기계학습을 위한 훈련 데이터 세트를 생성하는 데이터 가공부와, 상기 데이터 가공부에서 제공되는 훈련 데이터 세트를 토대로 심전도를 이용하여 고칼륨 혈증을 예측하기 위한 신경망 모델을 구축하는 모델 생성부를 구비한다.
본 발명에 따른 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템 및 이를 이용한 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법은 심전도를 이용하여 환자의 고칼륨 혈증 여부를 판별하기 위한 신경망 모델을 구축할 수 있으므로 해당 신경망 모델을 이용하여 비침습 방식으로 보다 용이하게 고칼륨 혈증 환자를 진단할 수 있는 장점이 있다.
본 발명에 따른 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템 및 이를 이용한 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법은 심전도를 이용하여 환자의 고칼륨 혈증 여부를 판별하기 위한 신경망 모델을 구축할 수 있으므로 해당 신경망 모델을 이용하여 비침습 방식으로 보다 용이하게 고칼륨 혈증 환자를 진단할 수 있는 장점이 있다.
Description
본 발명은 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템 및 이를 이용한 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법에 관한 것으로서, 더욱 상세하게는 심전도를 이용하여 고칼륨 혈증을 예측할 수 있는 신경망 모델을 구축할 수 있는 시스템 및 이를 이용한 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법에 관한 것이다.
고칼륨혈증(Hyperkalemia)은 치명적인 심장 부정맥으로 이어질 수 있는 전해질 변위이다. 고칼륨혈증의 적절한 관리는 당뇨병, 관상 동맥 질환, 만성 신장 질환 등과 같은 고칼륨혈증 관련 질병 발생의 증가로 인해 더욱 중요해지고 있다. 고칼륨혈증과 저칼륨혈증 또는 칼륨 수치의 변동은 모두 사망 위험 증가 및 생명을 위협하는 부정맥과 관련이 있다. 신장 질환이나 심장 질환이 있는 환자에서 이환율, 입원 및 사망은 칼륨 수치의 완만한 변화를 따를 수 있다.
한편, 체내 칼륨 농도를 측정하기 위해서는 혈액 샘플링이라는 침습적인 방법을 이용한다. 그렇기 때문에 고칼륨혈증 같은 칼륨 관련 질환을 앓고 있는 환자들이 칼륨농도를 측정하기 위해서는 병원을 방문하여 검사받아야한다. 그러나, 치명적인 영향을 줄 수 있는 체내 칼륨농도는 상시적인 관리가 필요하지만 매번 병원 방문을 통한 측정은 병원과 환자 모두에게 불편한 일이며, 이로 인해 관리하기도 쉽지 않은 상황이다.
본 발명은 상기와 같은 문제점을 개선하기 위해 창안된 것으로서, 심전도 데이터를 이용하여 고칼륨 혈증을 예측할 수 있는 알고리즘을 구축할 수 있는 시스템 및 이를 이용한 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법을 제공하는데 그 목적이 있다.
상기 목적을 달성하기 위한 본 발명에 따른 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템은 다수의 고칼륨 혈증 환자의 심전도 데이터를 수집하는 데이터 수집부와, 상기 데이터 수집부에서 수집된 심전도 데이터를 토대로 기계학습을 위한 훈련 데이터 세트를 생성하는 데이터 가공부와, 상기 데이터 가공부에서 제공되는 훈련 데이터 세트를 토대로 심전도를 이용하여 고칼륨 혈증을 예측하기 위한 신경망 모델을 구축하는 모델 생성부를 구비한다.
상기 데이터 수집부는 고칼륨 혈증의 증상이 발현된 환자들의 심전도 데이터를 수집한다.
상기 데이터 수집부는 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제1기준시간 이전 시점에서, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제2기준시간 이후 시점까지의 상기 고칼륨 혈증 환자의 심전도 데이터를 수집할 수 있다.
상기 데이터 가공부는 상기 데이터 수집부에서 제공되는 심전도 데이터 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이터로 분류하며, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제1기준시간 이전 시점까지의 심전도 데이터를 정상 상태의 데이터로 분류하고, 분류된 상기 정상 상태의 데이터 및 비정상 상태의 데이터가 포함되도록 상기 훈련 데이터 세트를 생성한다.
상기 데이터 가공부는 상기 데이터 수집부에서 제공되는 심전도 데이터 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이터로 분류하며, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제2기준시간 이후 시점까지의 심전도 데이터를 정상 상태의 데이터로 분류하고, 분류된 상기 정상 상태의 데이터 및 비정상 상태의 데이터가 포함되도록 상기 훈련 데이터 세트를 생성한다.
상기 데이터 가공부는 상기 데이터 수집부에서 제공되는 심전도 데이터 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이터로 분류하며, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제1기준시간 이전 시점에서 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제2기준시간 이후 시점까지의 심전도 데이터 중 상기 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 제외한 심전도 데이터를 정상 상태의 데이터로 분류하고, 분류된 상기 정상 상태의 데이터 및 비정상 상태의 데이터가 포함되도록 상기 훈련 데이터 세트를 생성할 수 있다.
상기 데이터 가공부는 상기 데이터 수집부에서 제공되는 심전도 데이터에서 분류된 데이터들 중 무작위로 선택된 일부는 상기 훈련 데이터 세트로 분류하고, 나머지는 상기 신경망 모델을 테스트 또는 검증하기 위한 샘플 세트로 분류할 수 있다.
상기 데이터 수집부에서 수집된 심전도 데이터는 ECG lead II signals 데이터인 것이 바람직하다.
상기 고칼륨 혈증의 증상은 만성 신부전이다.
한편, 본 발명에 따른 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템은 상기 샘플 세트를 상기 신경망 모델에 적용하여 해당 신경망 모델의 성능을 분석하는 검증모듈을 더 구비할 수도 있다.
한편, 본 발명에 따른 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축방법은 데이터 수집부가 다수의 고칼륨 혈증 환자의 심전도 데이터를 수집하는 데이터 수집단계와, 상기 데이터 수집단계에서 수집된 심전도 데이터를 토대로 기계학습을 위한 훈련 데이터 세트를 생성하는 데이터 가공단계와, 상기 훈련 데이터 세트를 토대로 심전도를 이용하여 모델 생성부가 고칼륨 혈증을 예측하기 위한 신경망 모델을 구축하는 모델 생성단계를 포함할 수 있다.
상기 데이터 수집단계에서는, 고칼륨 혈증의 증상이 발현된 환자들의 심전도 데이터를 수집한다.
상기 데이터 수집단계에서는, 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제1기준시가 이전 시점에서, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제2기준시간 이후 시점까지의 상기 고칼륨 혈증 환자의 심전도 데이터를 수집할 수 있다.
상기 데이터 가공단계에서는, 상기 데이터 수집단계에서 수집된 심전도 데이터 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이터로 분류하며, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제1기준시간 이전 시점까지의 심전도 데이터를 정상 상태의 데이터로 분류하고, 분류된 상기 정상 상태의 데이터 및 비정상 상태의 데이터가 포함되도록 상기 훈련 데이터 세트를 생성할 수 있다.
상기 데이터 가공단계에서는, 상기 데이터 수집단계에서 수집된 심전도 데이터 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이터로 분류하며, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제2기준시간 이후 시점까지의 심전도 데이터를 정상 상태의 데이터로 분류하고, 분류된 상기 정상 상태의 데이터 및 비정상 상태의 데이터가 포함되도록 상기 훈련 데이터 세트를 생성할 수 있다.
상기 데이터 가공단계에서는, 상기 데이터 수집단계에서 수집된 심전도 데이터 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이토로 분류하며, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제1기준시간 이전 시점에서 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제2기준시간 이후 시점까지의 심전도 데이터 중 상기 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 제외한 심전도 데이터를 정상 상태의 데이터로 분류하고, 분류된 상기 정상 상태의 데이터 및 비정상 상태의 데이터가 포함되도록 상기 훈련 데이터 세트를 생성할 수 있다.
상기 데이터 가공단계에서는, 상기 데이터 수집단계에서 수집된 심전도 데이터에서 분류된 데이터들 중 무작위로 선택된 일부는 상기 훈련 데이터 세트로 분류하고, 나머지는 상기 신경망 모델을 테스트 또는 검증하기 위한 샘플 세트로 분류할 수 있다.
한편, 본 발명에 따른 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축방법은 상기 샘플 세트를 상기 신경망 모델에 적용하여 해당 신경망 모델의 성능을 분석하는 검증단계를 더 포함할 수도 있다.
본 발명에 따른 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템 및 이를 이용한 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법은 심전도를 이용하여 환자의 고칼륨 혈증 여부를 판별하기 위한 신경망 모델을 구축할 수 있으므로 해당 신경망 모델을 이용하여 비침습 방식으로 보다 용이하게 고칼륨 혈증 환자를 진단할 수 있는 장점이 있다.
도 1은 본 발명에 따른 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템에 대한 블럭도이고,
도 2는 본 발명에 따른 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법에 대한 순서도이다.
도 2는 본 발명에 따른 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법에 대한 순서도이다.
이하, 첨부한 도면을 참조하여 본 발명의 실시예에 따른 고칼륨 혈증 예측 알고리즘 구축 시스템 및 이를 이용한 심전도를 통한 고칼륨 혈증 예측 알고리즘 가지 형태를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 본문에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다. 첨부된 도면에 있어서, 구조물들의 치수는 본 발명의 명확성을 기하기 위하여 실제보다 확대하여 도시한 것이다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
도 1에는 본 발명에 따른 고칼륨 혈증 예측 알고리즘 구축 시스템(100)이 도시되어 있다.
도면을 참조하면, 상기 고칼륨 혈증 예측 알고리즘 구축 시스템(100)은 다수의 고칼륨 혈증 환자의 심전도 데이터를 수집하는 데이터 수집부(110)와, 상기 데이터 수집부(110)에서 수집된 심전도 데이터를 토대로 기계학습을 위한 훈련 데이터 세트를 생성하는 데이터 가공부(120)와, 상기 데이터 가공부(120)에서 제공되는 훈련 데이터 세트를 토대로 심전도를 이용하여 고칼륨 혈증을 예측하기 위한 신경망 모델을 구축하는 모델 생성부(130)를 구비한다.
데이터 수집부(110)는 심전도 측정장치(미도시)를 통해 측정된 다수의 환자의 심전도 데이터를 수집한다. 해당 심전도 데이터는 환자의 신체에 부착되는 전극 수에 따라 다수의 측정 채널을 통해 복수의 심전도 데이터가 측정될 수 있다. 여기서, 심전도 측정장치는 lead I,lead II, lead III, aVR, aVL, aVF, V1, V2, V3, V4, V5, V6의 전극을 이용한 12-lead ECG(Electrocardiography)를 측정하는 장치가 적용되며, 데이터 수집부(110)는 심전도 측정장치의 각 전극에서 입력되는 심전도 데이터를 각각 수집할 수 있다. 여기서, 데이터 수집부(110)는 해당 심전도 측정장치에 연결되어 해당 심전도 데이터를 전송받을 수도 있다. 모든 12- lead 심전도 데이터는 데이터 세트를 형성하기 위해 각 섹션에서 2 시간 이내에 전해질 테스트와 일치한다. 그런 다음 데이터 수집부(110)는 샘플링 주파수가 700Hz 인 12 lead 심전도 신호의 파형을 추출하여 저장한다. 마지막으로 ECG 신호 세그먼트는 2 초의 기간이며 1,400 개의 샘플로 구성된다.
이때, 환자는 혈장 속의 칼륨 농도가 정상치(3.7~5.3mEq/L)보다 높은 상태인 고칼륨 혈증 환자로서, 고칼륨 혈증의 증상이 발현된 환자가 적용된다. 여기서, 고칼륨 혈증의 증상은 만성 신부전, 부정맥 등이 포함된다.
한편, 데이터 수집부(110)는 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제1기준시간 이전 시점에서, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제2기준시간 이후 시점까지의 상기 고칼륨 혈증 환자의 심전도 데이터를 수집하는 것이 바람직하다. 여기서, 제1 및 제2기준시간은 환자의 상태 및 구축 대상 신경망 모델의 사용처에 따라 다양하게 설정될 수 있다.
데이터 가공부(120)는 데이터 수집부(110)에서 수집된 심전도 데이터를 비정상 상태의 데이터 또는 정상 상태의 데이터로 분류하여 훈련 데이터 세트를 생성한다.
여기서, 데이터 가공부(120)는 데이터 수집부(110)에서 제공되는 심전도 데이터들 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이터로 분류한다. 또한, 데이터 가공부(120)는 데이터 수집부(110)에서 제공되는 심전도 데이터에서, 고칼륨 혈증의 증상 발현 시점으로부터 해당 제1기준시간 이전 시점까지의 심전도 데이터를 정상 상태의 데이터로 분류한다.
한편, 데이터 가공부(120)는 이에 한정하는 것이 아니라 데이터 수집부(110)에서 제공되는 심전도 데이터들 중 해당 고칼륨 혈증의 증상 발현 시점으로 상기 제2기준시간 이후 시점까지의 심전도 데이터를 정상 상태의 데이터로 분류할 수도 있다. 이때, 데이터 가공부(120)는 비정상 상태의 데이터로서 데이터 수집부(110)에서 제공되는 심전도 데이터들에서 고칼륨 혈증의 증상 발현 시점의 심전도 데이터가 분류된다.
한편, 데이터 가공부(120)는 데이터 수집부(110)에서 제공되는 심전도 데이터들에서, 해당 고칼륨 혈증의 증상 발현 시점으로부터 제1기준시간 이전 시점에서 해당 고칼륨 혈증의 증상 발현 시점으로부터 제2기준시간 이후 시점까지의 심전도 데이터 중 상기 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 제외한 심전도 데이터를 정상 상태의 데이터로 분류할 수도 있다. 이때, 데이터 가공부(120)는 비정상 상태의 데이터로서 데이터 수집부(110)에서 제공되는 심전도 데이터들에서 고칼륨 혈증의 증상 발현 시점의 심전도 데이터가 분류된다.
다음, 데이터 가공부(120)는 상기 데이터 수집부(110)에서 제공되는 심전도 데이터에서 분류된 정상 상태의 데이터들 및 비정상 상태의 데이터들 중 무작위로 선택된 일부는 상기 훈련 데이터 세트로 분류하고, 나머지는 상기 신경망 모델을 테스트 또는 검증하기 위한 샘플 세트로 분류한다. 여기서, 샘플 세트는 신경망 모델의 성능을 검증하기 위한 검증 세트(validation set)와, 해당 신경망 모델을 테스트하기 위한 테스트 세트(test set)로 분류된다. 이때, 훈련 데이터 세트, 검증 세트 및 테스트 세트의 비율은 6:2:2가 적용되는 것이 바람직하다.
모델 생성부(130)는 상기 데이터 가공부(120)에서 제공되는 훈련 데이터 세트를 토대로 심전도를 이용하여 고칼륨 혈증을 예측하기 위한 신경망 모델을 구축한다.
여기서, 신경망 모델은 합성곱 신경망(CNN: Convolutional Neural Network) 모델이 적용되는데, 상기 CNN 모델은 복수의 연산 레이어(Convolutional Layer, pooling Layer)를 번갈아 수행하여 최종적으로는 입력 데이터의 특징을 추출하는 데 사용되는 계층 모델이다. 해당 신경망 모델은 데이터 가공부(120)에서 제공받은 훈련 데이터 세트를 지도학습(Supervised Learning) 기법에 따라 처리하여 기구축되어 있다.
즉, 모델 생성부(130)는 1 차원 컨볼 루션 연산, 최대 풀링 및 완전 연결 계층을 사용하여 5 계층 컨볼 루션 신경망으로 해당 신경망 모델을 생성된다. 해당 신경망 모델 즉, 딥 러닝 모델의 세부 구조는 하기의 표1과 같다.
한편, 상기 신경망 모델은 이에 한정하는 것이 아니라 환자의 심전도 데이터를 이용하여 고칼륨 혈증을 예측할 수 있는 신경망 모델이면 무엇이든 적용 가능하다.
여기서, 모델 생성부(130)는 각 훈련 데이터 세트에 포함된 심전도 데이터가 획득된 전극별로 신경망 모델을 각각 생성할 수도 있다.
한편, 본 발명에 따른 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템(100)은 상기 샘플 세트를 상기 신경망 모델에 적용하여 해당 신경망 모델의 정확도를 산출하는 검증모듈(140)을 더 구비할 수 있다. 상기 검증모듈(140)은 해당 신경망 모델의 정밀도 및 재현율을 산출하고, 산출된 정밀도 및 재현율을 토대로 성능을 산출한다.
여기서, 상기 검증모듈(140)은 하기의 수학식1을 이용하여 모델 생성부(130)에서 구축된 신경망 모델의 정밀도 및 재현율을 산출한다.
여기서, precision는 신경망 모델의 정밀도이고, recall은 상기 신경망 모델의 재현율이고, TP는 참 양성이고, FP는 거짓 양성이고, FN은 거짓음성이다.
이때, 검증모듈(140)은 검증 세트 및 데이터 세트의 정상 상태의 데이터 또는 비정상 상태의 데이터를 각각 사용하여 해당 정밀도 및 재현율을 산출한다. 여기서, 검증모듈(140)이 비정상 상태의 데이터를 신경망 모델에 적용할 경우, TP는 참 양성으로서, 신경망 모델이 실제 비정상 상태의 데이터를 고칼륨 혈증 상태로 예측한 수이고, FP는 거짓 양성으로서, 신경망 모델이 실제 정상 상태의 데이터를 고칼륨 혈증 상태로 예측한 수이고, FN은 거짓 음성으로서, 신경망 모델이 실제 비정상 상태의 데이터를 정상 상태로 예측한 수가 적용된다.
또한, 검증모듈(140)이 정상 상태의 데이터를 신경망 모델에 적용할 경우, TP는 참 양성으로서, 신경망 모델이 실제 정상 상태의 데이터를 정상 상태로 예측한 수이고, FP는 거짓 양성으로서, 신경망 모델이 실제 비정상 상태의 데이터를 정상 상태로 예측한 수이고, FN은 거짓 음성으로서, 신경망 모델이 실제 정상 상태의 데이터를 고칼륨 혈증 상태로 예측한 수가 적용된다.
다음, 검증모듈(140)은 산출된 신경망 모델의 정밀도 및 재현율을 하기의 수학식 2에 적용하여 해당 신경망 모델의 성능을 산출한다.
여기서, F1는 신경망 모델의 성능에 대한 수치이며, precision는 신경망 모델의 정밀도이고, recall은 상기 신경망 모델의 재현율이다. 이때, 검증모듈(140)은 해당 훈련 데이터 세트에 포함된 심전도 데이터가 획득된 전극 별로 해당 신경망 모델의 성능을 산출할 수도 있다. 상기 검증모듈(140)은 수학식 2에 의해 산출된 F1 즉, 신경망 모델의 성능에 대한 정보를 관리자에게 제공한다. 해당 관리자는 검증모듈(140)에서 제공되는 신경망 모델의 성능에 대한 정보를 토대로 해당 신경망 모델을 보완할 수도 있다.
한편, 도 2에는 본 발명에 따른 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법이 게시되어 있다.
도면을 참조하면, 상기 고칼륨 혈증 예측 알고리즘 구축 방법은 데이터 수집단계(S110), 데이터 가공단계(S120), 모델 생성단계(S130) 및 검증단계(S140)를 포함한다.
상기 데이터 수집단계(S110)는 데이터 수집부(110)가 다수의 고칼륨 혈증 환자의 심전도 데이터를 수집하는 단계이다. 여기서, 데이터 수집부(110)는 환자에 설치된 심전도 측정장치로부터 심전도 데이터를 심전도 데이터를 수집한다. 이때, 환자는 혈장 속의 칼륨 농도가 정상치(3.7~5.3mEq/L)보다 높은 상태인 고칼륨 혈증 환자로서, 고칼륨 혈증의 증상이 발현된 환자가 적용된다.
여기서, 데이터 수집부(110)는 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제1기준시간 이전 시점에서, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제2기준시간 이후 시점까지의 상기 고칼륨 혈증 환자의 심전도 데이터를 수집하는 것이 바람직하다.
데이터 가공단계(S120)는 데이터 수집단계(S110)에서 수집된 심전도 데이터를 토대로 기계학습을 위한 훈련 데이터 세트를 생성하는 단계이다. 여기서, 데이터 가공부(120)가 데이터 수집부(110)에서 수집된 심전도 데이터를 비정상 상태의 데이터 또는 정상 상태의 데이터로 분류하여 훈련 데이터 세트를 생성한다.
이때, 데이터 가공부(120)는 상기 데이터 수집부(110)에서 제공되는 심전도 데이터 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이터로 분류하며, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제1기준시간 이전 시점까지의 심전도 데이터를 정상 상태의 데이터로 분류할 수 있다.
또한, 데이터 가공부(120)는 상기 데이터 수집부(110)에서 제공되는 심전도 데이터 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이터로 분류하며, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제2기준시간 이후 시점까지의 심전도 데이터를 정상 상태의 데이터로 분류할 수도 있다.
그리고, 데이터 가공부(120)는 상기 데이터 수집부(110)에서 제공되는 심전도 데이터 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이터로 분류하며, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제1기준시간 이전 시점에서 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제2기준시간 이후 시점까지의 심전도 데이터 중 상기 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 제외한 심전도 데이터를 정상 상태의 데이터로 분류할 수도 있다.
다음, 데이터 가공부(120)에서는, 상기 데이터 수집부(110)에서 제공되는 심전도 데이터에서 분류된 정상 상태의 데이터들 및 비정상 상태의 데이터들 중 무작위로 선택된 일부는 상기 훈련 데이터 세트로 분류하고, 나머지는 상기 신경망 모델을 테스트 또는 검증하기 위한 샘플 세트로 분류한다. 여기서, 샘플 세트는 신경망 모델의 성능을 검증하기 위한 검증 세트(validation set)와, 해당 신경망 모델을 테스트하기 위한 테스트 세트(test set)로 분류되는데, 훈련 데이터 세트, 검증 세트 및 테스트 세트의 비율은 6:2:2가 적용된다.
모델 생성단계(S130)는 상기 훈련 데이터 세트를 토대로 심전도를 이용하여 모델 생성부(130)가 고칼륨 혈증을 예측하기 위한 신경망 모델을 구축하는 단계이다. 여기서, 신경망 모델은 합성곱 신경망(CNN: Convolutional Neural Network) 모델이 적용된다.
검증단계(S140)는 상기 샘플 세트를 상기 신경망 모델에 적용하여 해당 신경망 모델의 성능을 분석하는 단계이다. 여기서, 검증모듈(140)이 해당 샘플 세트의 검증세트 및 테이스 세트를 신경망 모델에 적용하여 해당 신경망 모델의 정밀도 및 재현율을 산출하고, 산출된 정밀도 및 재현율을 토대로 성능을 산출한다.
한편, 본 발명의 심전도를 통화 고칼륨 혈증 예측 알고리즘 구축 시스템(100)을 이용하여 신경망 모델을 구축하였다. 2009년 7월부터 2019년 6월까지 한 지역 응급센터에서 고칼륨 혈증 증상이 1회 이상 발행한 환자 855명으로부터 획득한 심전도 데이터를 이용하였다. 이 중 555명이 만성 신부전(CRF)이고, 나머지는 만성 신부전 진단을 받지 않았다. 해당 환자에 대한 정보는 하기의 표2와 같다.
여기서, 데이터 가공부(120)는 데이터 수집부(110)에서 수집된 심전도 데이터를 이용하여 3종류의 훈련 데이터 세트를 가공하였다.
먼저, 데이터 가공부(120)는 데이터 가공부(120)는 데이터 수집부(110)에서 제공되는 심전도 데이터들 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이터로 분류하고, 고칼륨 혈증의 증상 발현 시점으로부터 해당 제1기준시간 이전 시점까지의 심전도 데이터를 정상 상태의 데이터로 분류하여 제1데이터 세트(datasetⅠ)를 생성하고, 제1데이터 세트(datasetⅠ) 중 일부를 제1훈련 데이터 세트로 설정한다.
또한, 데이터 가공부(120)는 데이터 수집부(110)에서 제공되는 심전도 데이터들 중 해당 고칼륨 혈증의 증상 발현 시점으로 상기 제2기준시간 이후 시점까지의 심전도 데이터를 정상 상태의 데이터로 분류하고, 데이터 수집부(110)에서 제공되는 심전도 데이터들에서 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이터로 분류하여 제2데이터 세트(datasetⅡ)를 생성하고, 제2데이터 세트(datasetⅡ)들 중 일부를 제2훈련 데이터 세트로 설정한다.
그리고, 데이터 가공부(120)는 데이터 수집부(110)에서 제공되는 심전도 데이터들에서, 해당 고칼륨 혈증의 증상 발현 시점으로부터 제1기준시간 이전 시점에서 해당 고칼륨 혈증의 증상 발현 시점으로부터 제2기준시간 이후 시점까지의 심전도 데이터 중 상기 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 제외한 심전도 데이터를 정상 상태의 데이터로 분류하고, 비정상 상태의 데이터로서 데이터 수집부(110)에서 제공되는 심전도 데이터들에서 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 분류하여 제3데이터 세트(datasetⅢ)를 생성한다. 이때, 데이터 가공부(120)는 해당 데이터 세트(datasetⅢ) 중 일부를 제3훈련 데이터 세트로 설정한다.
하기의 표 3에는 데이터 가공부(120)에서 분류된 제1 내지 제3데이터 세트(datasetⅠ,Ⅱ,Ⅲ)에 대한 정보가 게재되어 있다.
여기서, traing set는 훈련 데이터 세트이고, Validation set은 검증 세트이고, Test set는 테스트 세트이다.
다음, 모델 생성부(130)는 각 데이터 세트별로 신경망 모델을 생성한다. 그리고, 검증모듈(140)은 각 데이터 세트별로 구축된 신경망 모델을 각 데이터 세트의 검증 세트 및 테스트 세트를 이용하여 성능을 산출한다.
하기의 표 4는 제1데이터 세트(datasetⅠ)에 의해 생성된 신경망 모델의 성능에 대한 분석결과이다.
하기의 표 5는 제2데이터 세트(datasetⅡ)에 의해 생성된 신경망 모델의 성능에 대한 분석결과이다.
하기의 표 6은 제3데이터 세트(datasetⅢ)에 의해 생성된 신경망 모델의 성능에 대한 분석결과이다.
여기서, Precision은 신경망 모델의 정밀도이고, Recall은 신경망 모델의 재현율이고, F1-score는 신경망 모델의 성능에 대한 정보이고, 'Lead Ⅰ, LeadⅡ, V1, V2, V3, V4, V5, V6'은 각 신경망 모델의 구축에 이용된 심전도 데이터가 획득된 전극 종류이다.
상기 표를 참고하면, 고칼륨 혈증 환자의 심전도 데이터를 토대로 구축된 신경망 모델은 비교적 높은 성능을 제공한다. 특히, 신경망 모델들 중 Lead Ⅱ에서 획득한 심전도 데이터로 이루어진 제1데이터 세트를 이용하여 생성된 신경망 모델의 성능이 가장 우수함을 알 수 있다.
상술된 바와 같이 구성된 본 발명에 따른 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템(100) 및 이를 이용한 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법은 심전도를 이용하여 환자의 고칼륨 혈증 여부를 판별하기 위한 신경망 모델을 구축할 수 있으므로 해당 신경망 모델을 이용하여 비침습 방식으로 보다 용이하게 고칼륨 혈증 환자를 진단할 수 있는 장점이 있다.
제시된 실시예들에 대한 설명은 임의의 본 발명의 기술분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 발명의 기술 분야에서 통상의 지식을 가진자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 발명의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
100: 고칼륨 혈증 예측 알고리즘 구축 시스템
110: 데이터 수집부
120: 데이터 가공부
130: 모델 생성부
140: 검증모듈
S110: 데이터 수집단계
S120: 데이터 가공단계
S130: 모델 생성단계
S140: 검증단계
110: 데이터 수집부
120: 데이터 가공부
130: 모델 생성부
140: 검증모듈
S110: 데이터 수집단계
S120: 데이터 가공단계
S130: 모델 생성단계
S140: 검증단계
Claims (18)
- 고칼륨 혈증의 증상이 발현된 다수의 환자의 심전도 데이터를 수집하는 데이터 수집부;
상기 데이터 수집부에서 수집된 심전도 데이터를 토대로 기계학습을 위한 훈련 데이터 세트를 생성하는 것으로서, 상기 데이터 수집부에서 수집된 심전도 데이터 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이터로 분류하고, 해당 비정상 상태의 데이터를 제외한 상기 심전도 데이터를 정상 상태의 데이터로 분류하고, 분류된 상기 정상 상태의 데이터 및 비정상 상태의 데이터가 포함되도록 상기 훈련 데이터 세트를 생성하는 데이터 가공부; 및
상기 데이터 가공부에서 제공되는 훈련 데이터 세트를 토대로 심전도를 이용하여 고칼륨 혈증을 예측하기 위한 신경망 모델을 구축하는 모델 생성부; 및
상기 신경망 모델을 검증하기 위해 분류된 비정상 상태 또는 정상 상태의 데이터를 이용하여 해당 신경망 모델의 성능을 분석하는 검증모듈;을 구비하고,
상기 검증모듈은 상기 데이터들을 해당 신경망 모델에 입력시 해당 신경망 모델에서 비정상 상태 또는 정상 상태 중 어느 한 상태로 판별된 데이터 수와, 해당 신경망 모델에서 판별된 데이터들 중 실제 상태와 일치한 데이터 수의 비율인 정밀도 및 상기 신경망 모델에 입력된 데이터들 중 비정상 상태 또는 정상 상태 중 실제 어느 한 상태인 데이터 수와, 해당 신경망 모델에서 비정상 상태 또는 정상 상태 중 어느 한 상태로 판별된 데이터들에서 실제 상태와 일치한 데이터 수의 비율인 재현율을 산출하여 해당 신경망 모델의 성능을 분석하는,
심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템.
- 삭제
- 제1항에 있어서,
상기 데이터 수집부는 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제1기준시간 이전 시점에서, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제2기준시간 이후 시점까지의 상기 고칼륨 혈증 환자의 심전도 데이터를 수집하는,
심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템.
- 제1항에 있어서,
상기 데이터 가공부는 상기 데이터 수집부에서 제공되는 심전도 데이터 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이터로 분류하며, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제1기준시간 이전 시점까지의 심전도 데이터를 정상 상태의 데이터로 분류하고, 분류된 상기 정상 상태의 데이터 및 비정상 상태의 데이터가 포함되도록 상기 훈련 데이터 세트를 생성하는,
심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템.
- 제1항에 있어서,
상기 데이터 가공부는 상기 데이터 수집부에서 제공되는 심전도 데이터 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이터로 분류하며, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제2기준시간 이후 시점까지의 심전도 데이터를 정상 상태의 데이터로 분류하고, 분류된 상기 정상 상태의 데이터 및 비정상 상태의 데이터가 포함되도록 상기 훈련 데이터 세트를 생성하는,
심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템.
- 제1항에 있어서,
상기 데이터 가공부는 상기 데이터 수집부에서 제공되는 심전도 데이터 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이터로 분류하며, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제1기준시간 이전 시점에서 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제2기준시간 이후 시점까지의 심전도 데이터 중 상기 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 제외한 심전도 데이터를 정상 상태의 데이터로 분류하고, 분류된 상기 정상 상태의 데이터 및 비정상 상태의 데이터가 포함되도록 상기 훈련 데이터 세트를 생성하는,
심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템.
- 제4항 내지 제6항 중 어느 한 항에 있어서,
상기 데이터 가공부는 상기 데이터 수집부에서 제공되는 심전도 데이터에서 분류된 데이터들 중 무작위로 선택된 일부는 상기 훈련 데이터 세트로 분류하고, 나머지는 상기 신경망 모델을 테스트 또는 검증하기 위한 샘플 세트로 분류하는,
심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템.
- 제1항에 있어서,
상기 데이터 수집부에서 수집된 심전도 데이터는 ECG lead II signals 데이터인,
심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템.
- 제1항에 있어서,
상기 고칼륨 혈증의 증상은 만성 신부전인,
심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템.
- 삭제
- 고칼륨 혈증의 증상이 발현된 다수의 환자의 심전도 데이터를 수집하는 데이터 수집단계;
상기 데이터 수집단계에서 수집된 심전도 데이터를 토대로 기계학습을 위한 훈련 데이터 세트를 생성하는 것으로서, 상기 데이터 수집단계에서 수집된 심전도 데이터 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이터로 분류하고, 해당 비정상 상태의 데이터를 제외한 상기 심전도 데이터를 정상 상태의 데이터로 분류하고, 분류된 상기 정상 상태의 데이터 및 비정상 상태의 데이터가 포함되도록 상기 훈련 데이터 세트를 생성하는 데이터 가공단계;
상기 훈련 데이터 세트를 토대로 심전도를 이용하여 모델 생성부가 고칼륨 혈증을 예측하기 위한 신경망 모델을 구축하는 모델 생성단계; 및
상기 신경망 모델을 검증하기 위해 분류된 비정상 상태 또는 정상 상태의 데이터를 이용하여 해당 신경망 모델의 성능을 분석하는 검증단계;를 포함하고,
상기 검증단계에서는, 상기 데이터들을 해당 신경망 모델에 입력시 해당 신경망 모델에서 비정상 상태 또는 정상 상태 중 어느 한 상태로 판별된 데이터 수와, 해당 신경망 모델에서 판별된 데이터들 중 실제 상태와 일치한 데이터 수의 비율인 정밀도 및 상기 신경망 모델에 입력된 데이터들 중 비정상 상태 또는 정상 상태 중 실제 어느 한 상태인 데이터 수와, 해당 신경망 모델에서 비정상 상태 또는 정상 상태 중 어느 한 상태로 판별된 데이터들에서 실제 상태와 일치한 데이터 수의 비율인 재현율을 산출하여 해당 신경망 모델의 성능을 분석하는,
심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법.
- 삭제
- 제11항에 있어서,
상기 데이터 수집단계에서는, 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제1기준시가 이전 시점에서, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제2기준시간 이후 시점까지의 상기 고칼륨 혈증 환자의 심전도 데이터를 수집하는,
심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법.
- 제11항에 있어서,
상기 데이터 가공단계에서는, 상기 데이터 수집단계에서 수집된 심전도 데이터 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이터로 분류하며, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제1기준시간 이전 시점까지의 심전도 데이터를 정상 상태의 데이터로 분류하고, 분류된 상기 정상 상태의 데이터 및 비정상 상태의 데이터가 포함되도록 상기 훈련 데이터 세트를 생성하는,
심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법.
- 제11항에 있어서,
상기 데이터 가공단계에서는, 상기 데이터 수집단계에서 수집된 심전도 데이터 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이터로 분류하며, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제2기준시간 이후 시점까지의 심전도 데이터를 정상 상태의 데이터로 분류하고, 분류된 상기 정상 상태의 데이터 및 비정상 상태의 데이터가 포함되도록 상기 훈련 데이터 세트를 생성하는,
심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법.
- 제11항에 있어서,
상기 데이터 가공단계에서는, 상기 데이터 수집단계에서 수집된 심전도 데이터 중 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 비정상 상태의 데이토로 분류하며, 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제1기준시간 이전 시점에서 해당 고칼륨 혈증의 증상 발현 시점으로부터 기설정된 제2기준시간 이후 시점까지의 심전도 데이터 중 상기 고칼륨 혈증의 증상 발현 시점의 심전도 데이터를 제외한 심전도 데이터를 정상 상태의 데이터로 분류하고, 분류된 상기 정상 상태의 데이터 및 비정상 상태의 데이터가 포함되도록 상기 훈련 데이터 세트를 생성하는,
심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법.
- 제14항 내지 제16항 중 어느 한 항에 있어서,
상기 데이터 가공단계에서는, 상기 데이터 수집단계에서 수집된 심전도 데이터에서 분류된 데이터들 중 무작위로 선택된 일부는 상기 훈련 데이터 세트로 분류하고, 나머지는 상기 신경망 모델을 테스트 또는 검증하기 위한 샘플 세트로 분류하는,
심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법.
- 삭제
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210073050A KR102578047B1 (ko) | 2021-06-04 | 2021-06-04 | 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템 및 이를 이용한 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법 |
| PCT/KR2022/008022 WO2022255852A1 (ko) | 2021-06-04 | 2022-06-07 | 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템 및 이를 이용한 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법 및 심전도를 이용한 고칼륨 혈증 예측 시스템 |
| US18/527,458 US20240105344A1 (en) | 2021-06-04 | 2023-12-04 | System for constructing hyperkalemia prediction algorithm through electrocardiogram, method for constructing hyperkalemia prediction algorithm through electrocardiogram by using same, and hyperkalemia prediction system using electrocardiogram |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210073050A KR102578047B1 (ko) | 2021-06-04 | 2021-06-04 | 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템 및 이를 이용한 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220164365A KR20220164365A (ko) | 2022-12-13 |
| KR102578047B1 true KR102578047B1 (ko) | 2023-09-13 |
Family
ID=84439104
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210073050A KR102578047B1 (ko) | 2021-06-04 | 2021-06-04 | 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템 및 이를 이용한 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102578047B1 (ko) |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101756133B1 (ko) | 2015-12-04 | 2017-07-10 | 계명대학교 산학협력단 | 전기임피던스 측정 방식을 이용한 휴대형 스마트 소변 나트륨(Na) 및 칼륨(K) 디지털 측정기 및 측정방법 |
| KR102008196B1 (ko) * | 2017-12-05 | 2019-08-07 | 아주대학교 산학협력단 | 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치 및 그 방법 |
-
2021
- 2021-06-04 KR KR1020210073050A patent/KR102578047B1/ko active IP Right Grant
Also Published As
| Publication number | Publication date |
|---|---|
| KR20220164365A (ko) | 2022-12-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| US11476000B2 (en) | Methods and systems using mathematical analysis and machine learning to diagnose disease | |
| CN103038772B (zh) | 预测患者的存活性的系统和装置 | |
| CN107837082A (zh) | 基于人工智能自学习的心电图自动分析方法和装置 | |
| KR20190066332A (ko) | 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치 및 그 방법 | |
| KR102483693B1 (ko) | 설명 가능한 다중 심전도 부정맥 진단 장치 및 방법 | |
| CN107252313A (zh) | 一种安全驾驶的监测方法及系统、汽车、可读存储介质 | |
| CN102670190A (zh) | 基于心率变异性非线性特性的充盈性心衰自动诊断方法 | |
| CN110200619A (zh) | 一种建立重大心血管疾病风险预警模型方法及装置 | |
| Chen et al. | Acute myocardial infarction detection using deep learning-enabled electrocardiograms | |
| Zou et al. | Automatic detection of congestive heart failure based on multiscale residual unet++: From centralized learning to federated learning | |
| Chen et al. | Edge2Analysis: a novel AIoT platform for atrial fibrillation recognition and detection | |
| Deng et al. | ST-Net: Synthetic ECG tracings for diagnosing various cardiovascular diseases | |
| Mendonça et al. | A method for sleep quality analysis based on CNN ensemble with implementation in a portable wireless device | |
| KR102578047B1 (ko) | 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템 및 이를 이용한 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법 | |
| Petty et al. | Evaluating deep learning algorithms for real-time arrhythmia detection | |
| TWI688371B (zh) | 心房顫動信號型態擷取及輔助診斷智能裝置 | |
| CN115836847A (zh) | 一种血压预测装置及设备 | |
| Gupta et al. | X-ECGNet: an interpretable DL model for stress detection using ECG in COVID-19 healthcare workers | |
| KR102568281B1 (ko) | 심전도를 이용한 고칼륨 혈증 예측 시스템 | |
| WO2021042372A1 (zh) | 心房颤动预测模型及其预测系统 | |
| Hasumi et al. | Heart failure grading using single-lead electrocardiography | |
| US20240105344A1 (en) | System for constructing hyperkalemia prediction algorithm through electrocardiogram, method for constructing hyperkalemia prediction algorithm through electrocardiogram by using same, and hyperkalemia prediction system using electrocardiogram | |
| de Moraes et al. | Stratification of cardiopathies using photoplethysmographic signals | |
| CN111345814A (zh) | 一种心电信号中心拍的分析方法、装置、设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |