KR102592762B1 - 합성곱 신경망 기반의 덴스넷을 통한 부정맥 분류 방법 - Google Patents

Abstract

본 발명은 합성곱 신경망 기반의 덴스넷을 통한 부정맥 분류 방법에 관한 것으로서, 심전도 신호를 입력 받는 단계, 합성곱 신경망 기반의 덴스넷을 이용하여 상기 입력 받은 심전도 신호를 분석하는 단계, 및 상기 분석한 심전도 신호를 기초로 부정맥을 판단하는 단계를 포함하는 부정맥 분류 방법을 제공한다.

Description

합성곱 신경망 기반의 덴스넷을 통한 부정맥 분류 방법{ARRHYTHMIA CLASSIFICATION METHOD USING DENSENET BASED ON CONVOLUTION NEURAL NETWORK}

본 발명은 합성곱 신경망 기반의 덴스넷을 통한 부정맥 분류 방법에 관한 것으로서, 보다 상세하게는, CNN(Convolution Neural Network) 기반의 딥 러닝을 통한 부정맥 분류기의 구현에 관한 것이다.

부정맥은 정상적인 심장 리듬에서 불규칙한 변화를 나타내는 심혈관 질환의 대표적인 유형으로 지속될 경우 심실성 빈맥이나 심방세동 등으로 발전하여 심장마비로 이어질 수 있다.

이러한 부정맥은 발생 빈도가 불규칙하여 단시간 측정이 아닌 장시간 측정을 가지고 잠재적인 부정맥을 진단하게 된다. 장시간의 데이터를 임상의가 단 시간에 심전도를 분석하고 비정상적 심장 리듬을 관찰하는 것은 매우 어렵기에 자동 심전도 분류 시스템이 필요하다.

규칙 기반(Rule based) 알고리즘의 경우 심전도(ECG: electrocardiogram) 특징점 추출 정확도에 의존적이며, 서포트 벡터 머신(SVM: Support Vector Machine) 등과 같은 다양한 머신러닝 기반의 분류 방법들이 시도되었으나 임상에서 활용하기에 불충분한 성능을 나타냄. 최근 숙련된 전문의보다 높은 정확도의 딥러닝을 활용한 모델들이 전문의의 의사 결정 보조 도구로서의 활용 가능성을 보인다.

본 발명은 자동 심전도 분류를 위해 CNN 기반의 DenseNet을 통한 부정맥 분류 방법을 제안한다. 기존의 자동 분류와 관련된 방법의 경우 전문가의 입력이 빈번하게 필요하고 새로운 환자의 심전도를 분류할 때 성능이 유지되지 않는 단점을 가진다.

본 발명에서는 CNN 기반의 DenseNet을 이용하여 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.

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.

본 발명의 기술적 사상에 의한 일 실시예에 따른 합성곱 신경망(CNN)모델은 이미지와 같이 특정 부위가 주변 영역과 관련도가 높을 경우 적합한 딥러닝 구조이다. 본 발명에서는 합성곱 신경망 모델 중 높은 성능을 보여주는 Densely Connected Convolutional Networks(DenseNet) 구조를 이용하여 심전도 분류 모델을 생성하였다. DenseNet는 스킵 연결(Skip Connection) 구조를 가지고 있기 때문에 모델 입력 부분의 정보가 소실되지 않고 마지막까지 잘 전달될 수 있으며, Back propagation 연산을 수행할 때에도 모델 마지막 부분의 연산이 앞부분까지 잘 전달되어서 딥러닝의 문제점 중 하나인 기울기 소실(Gradient Vanishing) 문제를 완화하여 높은 성능을 보여주는 모델이다. DenseNet은 1차원 신호가 아닌, 이미지 분류 문제에 최적화 되어있는 모델이다. 따라서 본 발명에서는 DenseNet 기반의 1D convolution 연산을 사용한다. 또한, 심전도 데이터를 분류하는데 있어서 최적의 모델을 얻기 위해 복잡도가 낮은 모델에서부터 높은 모델까지 차례로 생성하여 학습한 뒤, 유효성(Validation)과 훈련(Training) 데이터 셋(Data Set) 각각에 대한 결과를 비교하고 이를 통해, 과적합(Overfitting)과 과소적합(Underfitting) 문제가 최소가 되는 지점에서 최선의 층 깊이(Layer Depth)와 하이퍼 파라미터(Hyper Parameter)를 찾아냈다. 이를 이용해 심전도 데이터에 맞는 최적의 DenseNet 모델을 생성하였다.

본 발명에서는 심전도(electrocardiogram, ECG)를 이용하여 심장 박동에 문제가 있는 질병인 부정맥(Heart arrhythmia)의 여부를 판단하기 위한 모델을 생성하였다. 의료분야는 실수가 일어날 경우 문제의 심각성과 해결에 드는 비용이 크다. 민감도가 높은 모델을 제안한 본 발명은 의사결정 보조 도구로서 진단의 위험을 줄이는 데에 기여할 수 있을 것으로 보인다.

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 방법의 수행 단계를 도시한 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 전체 과정을 나타내는 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 따른 부정맥 분류 방법의 합성곱 신경망(CNN)모델은 특정 부위가 주변 영역과 관련도가 높을 경우에 적합한 딥러닝 구조이다. 부정맥 분류 방법은, 합성곱 신경망 모델 중 높은 성능을 보여주는 덴스넷(DenseNet: Densely Connected Convolutional Networks) 구조를 이용하여 심전도 분류 모델을 생성할 수 있다. 부정맥 분류 방법의 덴스넷은 스킵 연결(Skip Connection) 구조를 가지고 있기 때문에 모델 입력 부분의 정보가 소실되지 않고 마지막까지 잘 전달될 수 있으며, 역전파(Back propagation) 연산을 수행할 때에도 모델 마지막 부분의 연산이 앞부분까지 잘 전달되므로, 딥러닝(Deep Learning)의 문제점 중 하나인 기울기 소실(Gradient Vanishing) 문제를 완화함으로써 높은 성능을 보여주는 모델일 수 있다. 부정맥 분류 방법의 덴스넷은 1차원 신호가 아닌, 이미지 분류 문제에 최적화 되어있는 모델일 수 있다.

따라서, 부정맥 분류 방법은 덴스넷 기반의 1차원 합성곱(1D convolution) 연산을 사용할 수 있다. 또한, 부정맥 분류 방법은 심전도 데이터를 분류하는데 있어서 최적의 모델을 얻기 위해 복잡도가 낮은 모델에서부터 높은 모델까지 차례로 생성하여 학습한 뒤, 유효성(Validation)과 훈련(Training) 데이터 세트(Data Set) 각각에 대한 결과를 비교함으로써, 과적합(Overfitting)과 과소적합(Underfitting) 문제가 최소인 지점에서 최선의 층 깊이(Layer Depth)와 하이퍼 파라미터(Hyper Parameter)를 찾아낼 수 있다. 부정맥 분류 방법은 이를 이용하여 심전도 데이터에 맞는 최적의 덴스넷 모델을 생성할 수 있다.

도 1은 본 발명의 일 실시예에 따른 부정맥 분류 방법의 수행 단계를 도시한 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 입력 받을 수 있다. 부정맥 분류기는, 심전도 신호를 연결된 장치로부터 수신할 수도 있다. 심전도 신호는 데이터 형태 또는 데이터의 일부의 형태일 수도 있다.

단계(102)에서, 부정맥 분류기는, 합성곱 신경망 기반의 덴스넷(DenseNet)을 이용하여 입력 받은 심전도 신호를 분석할 수 있다.

일 실시예에 따르면, 부정맥 분류기는, 합성곱 신경망 기반의 덴스넷을 이용하는 심전도 분류 모델을 사용하여 입력 받은 심전도 신호를 분석할 수 있다.

일 실시예에 따르면, 심전도 분류 모델은, 과적합(Overfitting)과 과소적합(Underfitting)을 최소로 하도록 획득된 층 깊이(Layer Depth)와 하이퍼 파라미터(Hyper Parameter)를 이용하여 생성될 수 있다.

일 실시예에 따르면, 하이퍼 파라미터는, 성장률(Growth Rate), 윈도우 크기(Window Size), 축소(Reduction) 중 적어도 하나를 포함할 수 있다.

일 실시예에 따르면, 합성곱 신경망 기반의 덴스넷은, 합성곱 블록(Convolution Block), 전이 블록(Transition Block)을 포함할 수 있다.

일 실시예에 따르면, 합성곱 블록은, 제1 합성곱 연산과 제2 합성곱 연산을 포함할 수 있다.

일 실시예에 따르면, 제1 합성곱 연산 또는 제2 합성곱 연산은, 성장률을 기초로 특징 맵(Feature Map)을 생성할 수 있다.

일 실시예에 따르면, 전이 블록은, 합성곱 블록에서 획득된 정보를 압축할 수 있다.

일 실시예에 따르면, 전이 블록은, 합성곱 블록의 출력 중 심전도 특성을 추출할 수 있다.

일 실시예에 따르면, 합성곱 신경망 기반의 덴스넷은, 배치정규화 또는 정류 선형 유닛을 이용하여 연산할 수 있다.

단계(103)에서, 부정맥 분류기는, 분석한 심전도 신호를 기초로 부정맥을 판단할 수 있다. 부정맥 분류기는, 분석한 심전도 신호를 기초로 부정맥 여부를 판단할 수 있다.

도 2는 본 발명의 일 실시예에 따른 전체 과정을 나타내는 도면이다.

도 2를 참조하면, 부정맥 분류 방법에서 사용된 덴스넷(DenseNet)은 각각 합성곱 블록(Conv Block), 전이 블록(Transition Block)으로 2개의 블록으로 구성될 수 있으며, 하이퍼 파라미터는 각각 성장률(Growth Rate), 윈도우 크기(Window Size), 압축률(Reduction)로 구성될 수 있다.

부정맥 분류 방법에서 가장 좋은 성능을 보여주는 하이퍼 파라미터는, 성장률(Growth Rate)이 32, 윈도우 크기(Window Size)가 10, 축소(Reduction)가 0.5로 사용될 수 있다. 부정맥 분류 방법의 하나의 합성곱 블록(Conv Block)은 2개의 합성곱(Convolution) 연산을 포함할 수 있다. 부정맥 분류 방법은, 첫 번째 합성곱(Convolution) 연산에서 2차원 합성곱(2D convolution) 연산의 1x1 Convolution을 대체하기 위해 1 합성곱(Convolution)을 사용할 수 있고, [4 * 성장률(growth rate)] 개의 특징 맵(Feature Map)을 생성할 수 있다. 부정맥 분류 방법은, 두 번째 합성곱(Convolution) 연산에서 윈도우 크기(Window Size) 만큼의 1차원 합성곱(1D Convolution) 연산을 수행할 수 있고, [4 * 성장률(growth rate)]개의 특징 맵(Feature Map)을 생성할 수 있다.

부정맥 분류 방법은, 합성곱 블록(Conv Block)의 합성곱(Convolution) 연산 이전 단계에서는 배치정규화(Batch Normalization(엡실론(epsilon) = 1.001e-5))와 비선형적 특징을 잡아낼 수 있는 ReLU 활성화 함수(Activation Function) 연산을 차례로 수행할 수 있다.

부정맥 분류 방법의 전이 블록(Transition Block)은 합성곱 블록(Conv Block)을 통해 얻어진 정보를 압축하여 다음 합성곱 블록(Conv Block)으로 전달하는 블록일 수 있다. 부정맥 분류 방법은, 전이 블록(Transition Block)에서 합성곱 블록(Conv Block)의 출력 중 의미 있는 ECG의 특성을 추출하여 다음 합성곱 블록(Conv Block)으로 전달할 수 있다. 부정맥 분류 방법은, 축소율(Reduction)을 0.5로 설정하여 합성곱 블록(Conv Block)의 출력이 전이 블록(Transition Block)을 통해 다음 합성곱 블록(Conv Block)에 입력될 때 특징 맵(Feature Map)의 개수를 절반으로 줄이도록 설정할 수 있으며, 평균 풀링(AP: Average Pooling)의 필터 크기(Filter Size)는 2, 스트라이드(Stride)는 2로 설정할 수 있다.

부정맥 분류 방법은, 모델에 데이터가 입력되면, 윈도우 크기(Window size)가 7, 스트라이드(Strides)가 2인 1차원 합성곱(Conv1D) 연산을 거친 후, 배치정규화(Batch Normalization), 정류 선형 유닛(ReLU: Rectified Linear Unit) 그리고 스트라이드(Strides)를 2로 갖는 최대 풀링(Max Pooling) 과정을 순서대로 통과한 후 총 12번의 합성곱 블록(Conv Block)과 3번의 전이 블록(Transition Block) 연산을 수행할 수 있다. 부정맥 분류 방법은, 최종적으로 1차원 합성곱(Conv1D) 연산 과정을 거친 후 평탄화 계층(Flatten Layer)을 거친 후 2개의 출력 노드(output node)와 연결되는 완전 연결 계층(Fully Connected Layer)에 연결하여 2차원 벡터(Vector)를 출력하는 연산을 수행할 수 있다.

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 입력 받는 단계;
   합성곱 신경망 기반의 덴스넷(DenseNet)을 이용하여 상기 입력 받은 심전도 신호를 분석하는 단계; 및
   상기 분석한 심전도 신호를 기초로 부정맥을 판단하는 단계
   를 포함하고, 상기 분석하는 단계는,
   상기 합성곱 신경망 기반의 덴스넷을 이용하는 심전도 분류 모델을 사용하여 상기 입력 받은 심전도 신호를 분석하고, 덴스넷 기반의 1차원 합성곱 연산을 사용하는 것을 특징으로 하고,
   상기 합성곱 신경망 기반의 덴스넷은,
   합성곱 블록(Convolution Block)을 포함하는 것을 특징으로 하며,
   상기 합성곱 블록은,
   제1 합성곱 연산과 제2 합성곱 연산을 포함하는 것을 특징으로 하고,
   부정맥 분류 방법은 상기 제2 합성곱 연산에서 윈도우 크기(Window Size)만큼의 1차원 합성곱 연산을 수행하는 것을 특징으로 하는, 부정맥 분류기에 의해 수행되는 부정맥 분류 방법.
   
2. 제1항에 있어서,
   상기 심전도 분류 모델은,
   과적합(Overfitting)과 과소적합(Underfitting)을 최소로 하도록 획득된 층 깊이(Layer Depth)와 하이퍼 파라미터(Hyper Parameter)를 이용하여 생성된 것을 특징으로 하는 부정맥 분류기에 의해 수행되는 부정맥 분류 방법.
   
3. 제2항에 있어서,
   상기 하이퍼 파라미터는,
   성장률(Growth Rate), 윈도우 크기(Window Size), 축소(Reduction) 중 적어도 하나를 포함하는 것을 특징으로 하는 부정맥 분류기에 의해 수행되는 부정맥 분류 방법.
   
4. 제1항에 있어서,
   상기 합성곱 신경망 기반의 덴스넷은,
   전이 블록(Transition Block)을 포함하는 것을 특징으로 하는 부정맥 분류기에 의해 수행되는 부정맥 분류 방법.
   
5. 삭제
6. 제1항에 있어서,
   상기 제1 합성곱 연산 또는 상기 제2 합성곱 연산은,
   성장률을 기초로 특징 맵(Feature Map)을 생성하는 것을 특징으로 하는 부정맥 분류기에 의해 수행되는 부정맥 분류 방법.
   
7. 제4항에 있어서,
   상기 전이 블록은,
   상기 합성곱 블록에서 획득된 정보를 압축하는 것을 특징으로 하는 부정맥 분류기에 의해 수행되는 부정맥 분류 방법.
   
8. 제4항에 있어서,
   상기 전이 블록은,
   상기 합성곱 블록의 출력 중 심전도 특성을 추출하는 것을 특징으로 하는 부정맥 분류기에 의해 수행되는 부정맥 분류 방법.
   
9. 제1항에 있어서,
   상기 합성곱 신경망 기반의 덴스넷은,
   배치정규화 또는 정류 선형 유닛을 이용하여 연산하는 것을 특징으로 하는 부정맥 분류기에 의해 수행되는 부정맥 분류 방법.