KR102608735B1 - 인공지능 기반의 심전도 신호 분석 장치 및 방법 - Google Patents
인공지능 기반의 심전도 신호 분석 장치 및 방법 Download PDFInfo
- Publication number
- KR102608735B1 KR102608735B1 KR1020220138285A KR20220138285A KR102608735B1 KR 102608735 B1 KR102608735 B1 KR 102608735B1 KR 1020220138285 A KR1020220138285 A KR 1020220138285A KR 20220138285 A KR20220138285 A KR 20220138285A KR 102608735 B1 KR102608735 B1 KR 102608735B1
- Authority
- KR
- South Korea
- Prior art keywords
- signal
- abnormal
- data
- normal
- normal signal
- Prior art date
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 131
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 claims abstract description 179
- 230000005856 abnormality Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 14
- 239000002131 composite material Substances 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000001172 regenerating effect Effects 0.000 claims description 7
- 125000004122 cyclic group Chemical group 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 16
- 238000012360 testing method Methods 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013145 classification model Methods 0.000 description 3
- 210000002683 foot Anatomy 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 206010044565 Tremor Diseases 0.000 description 2
- 210000003423 ankle Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000003414 extremity Anatomy 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 210000000707 wrist Anatomy 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 208000018737 Parkinson disease Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
-
- 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
- A61B5/24—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
- A61B5/7221—Determining signal validity, reliability or quality
-
- 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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Cardiology (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Fuzzy Systems (AREA)
Abstract
인공지능 기반의 심전도 신호 분석 장치 및 방법이 개시되며, 본원의 일 실시예에 따른 인공지능 기반의 심전도 신호 분석 방법은, 분석 대상 심전도 데이터에 대응하는 합성 정상 신호 및 합성 비정상 신호를 출력하도록 학습된 인공지능 기반의 분석 모델에 상기 분석 대상 심전도 데이터를 입력하는 단계, 상기 분석 대상 심전도 데이터와 상기 분석 모델에 의해 출력된 상기 합성 정상 신호 및 상기 합성 비정상 신호 중 적어도 하나를 비교하여 유사도 지표를 도출하는 단계 및 상기 유사도 지표에 기초하여 상기 분석 대상 심전도 데이터의 이상 여부를 판단하는 단계를 포함할 수 있다.
Description
본원은 인공지능 기반의 심전도 신호 분석 장치 및 방법에 관한 것이다. 예를 들 면, 본원은 생성적 적대 신경망 기반의 이상 심전도 신호 판별 및 복원 기법에 관한 것이다. 이 특허는 2021년도 정부(교육부)의 재원으로 한국연구재단(No.2021R1I1A1A01059747) 및 석천나눔재단의 지원을 받아 수행된 연구이다(No. SCY2106P).
12-lead 심전도 신호는 대상자의 심장 질환을 검사하기 위한 대표적인 검사 방법으로, 대상자의 신체의 정해진 위치에 10개의 전극을 부착하고, 부착된 전극으로부터 심전도 신호를 획득하게 된다.
구체적으로, 12-lead 방식의 경우, 10개의 부착 위치는 양쪽 손목, 양쪽 발목, 그리고 심장 주변에 6개의 전극이 부착된다. 또한, 양쪽 손목, 양쪽 발목의 전극의 전위차를 이용해 Lead 1, 2, 3 신호와 aVR, aVL, aVF 신호가 도출하며, 심장 주변에 부착한 6개의 전극을 통해 V1 내지 V6 신호를 획득함으로써 총 12개의 서로 다른 심전도 신호가 얻어진다.
이러한 12-lead 심전도는 숙련된 전문의가 해부학적인 기준에 따라 대상자의 신체에 부착하여 수행하게 되는 검사이지만, 숙련된 전문의라도 부정확한 위치에 전극을 부착하는 경우가 발행할 수 있고, 특히 대상자의 고유한 신체적 특징(예를 들면, 근골격계 구조 등)에 따라 일부 심전도 신호에 결측 문제가 발생할 수 있다.
이와 관련하여, 일부 심전도 신호가 비정상적으로 계측된 경우에는 통상적으로 추가적인 검사가 진행되며, 이에 따라 추가적인 검사 시간이 소요되는 문제가 있다. 또한, 대상자의 신체적 특징으로 인해 특정 유형의 신호가 저품질의 데이터로 획득되는 문제가 지속적으로 발생할 수 있다.
한편, 생성적 적대 신경망(Generative adversarial network, GAN)은 잠재 공간(latent space)로부터 원하는 데이터를 생성하는 신경망으로써, 생성자와 식별자로 구성되며, 생성자는 실제 데이터를 참고하여 잠재 공간으로부터 실제 데이터와 유사한 합성 데이터를 생성하는 프로세스를 수행하며, 식별자는 실제 데이터와 합성 데이터를 구분하는 프로세스를 수행하게 된다. 특히, 생성적 적대 신경망(Generative adversarial network, GAN)의 경우, 생성자는 식별자가 실제 데이터와 합성 데이터를 구분하지 못하도록 하는 방향으로 학습을 진행하는 특징을 가지며, 이러한 생성적 적대 신경망을 이용하여 비정상 심전도 신호를 탐지하고 복원할 수 있는 기술에 대한 개발이 요구된다.
본원의 배경이 되는 기술은 한국등록특허공보 제10-2180135호에 개시되어 있다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 전극 부착 위치 오차, 대상자의 신체적 특징, 심전도 검사의 획득 환경, 획득 숙련도 등으로 인하여 발생하는 이상 심전도 신호를 추가적인 검사 과정 없이도 인공지능 기반의 분석 모델을 이용하여 정상 신호로 합성할 수 있는 인공지능 기반의 심전도 신호 분석 장치 및 방법을 제공하려는 것을 목적으로 한다.
다만, 본원의 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상기한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본원의 일 실시예에 따른 인공지능 기반의 심전도 신호 분석 방법은, 분석 대상 심전도 데이터에 대응하는 합성 정상 신호 및 합성 비정상 신호를 출력하도록 학습된 인공지능 기반의 분석 모델에 상기 분석 대상 심전도 데이터를 입력하는 단계, 상기 분석 대상 심전도 데이터와 상기 분석 모델에 의해 출력된 상기 합성 정상 신호 및 상기 합성 비정상 신호 중 적어도 하나를 비교하여 유사도 지표를 도출하는 단계 및 상기 유사도 지표에 기초하여 상기 분석 대상 심전도 데이터의 이상 여부를 판단하는 단계를 포함할 수 있다.
또한, 본원의 일 실시예에 따른 인공지능 기반의 심전도 신호 분석 방법은, 상기 합성 정상 신호에 기초하여 상기 분석 대상 심전도 데이터를 복원하는 단계를 포함할 수 있다.
또한, 상기 분석 모델은, 상기 분석 대상 심전도 데이터에 기초하여 상기 합성 정상 신호를 출력하는 제1생성자 모델 및 상기 분석 대상 심전도 데이터에 기초하여 상기 합성 비정상 신호를 출력하는 제2생성자 모델을 포함할 수 있다.
또한, 상기 유사도 지표는, 상기 분석 대상 심전도 데이터와 상기 합성 정상 신호 및 상기 합성 비정상 신호 중 적어도 하나의 크기를 비교함으로써 도출되는 제1유형 지표 및 상기 분석 대상 심전도 데이터와 상기 합성 정상 신호 및 상기 합성 비정상 신호 중 적어도 하나의 파형 특성을 비교함으로써 도출되는 제2유형 지표를 포함할 수 있다.
또한, 상기 제1유형 지표는, RMSE(Root Mean Squared Error) 및 MAE(Mean Absolute Error) 중 적어도 하나를 포함할 수 있다.
또한, 상기 제2유형 지표는, 상관계수, 코사인 유사도 및 DTW(Dynamic Time Warping) 중 적어도 하나를 포함할 수 있다.
또한, 상기 복원하는 단계는, 상기 판단하는 단계에서 상기 분석 대상 심전도 데이터가 이상 심전도 데이터를 포함하는 것으로 판단되면 상기 이상 심전도 데이터를 합성 정상 신호로 대체할 수 있다.
또한, 상기 복원하는 단계는, 상기 판단하는 단계에서 상기 분석 대상 심전도 데이터가 이상 심전도 데이터를 미포함하는 것으로 판단되면 생략될 수 있다.
한편, 본원의 일 실시예에 따른 이상 심전도 신호의 판별 및 복원을 위한 생성적 적대 신경망 기반의 분석 모델 학습 방법은, (a) 복수의 심전도 데이터를 수집하는 단계, (b) 상기 복수의 심전도 데이터 중 미리 설정된 품질 기준을 충족하는 데이터를 선별하는 전처리를 수행하여 학습 데이터를 획득하는 단계 및 (c) 분석 대상 심전도 데이터가 입력되면 합성 정상 신호 및 합성 비정상 신호를 출력하는 상기 분석 모델을 상기 학습 데이터에 기초하여 구축하는 단계를 포함할 수 있다.
또한, 상기 학습 데이터는 정상 신호를 포함할 수 있다.
또한, 상기 (c) 단계는, (c1) 상기 정상 신호에 소정의 노이즈 성분을 추가하여 비정상 신호를 생성하는 단계, (c2) 상기 비정상 신호를 제1생성자 모델에 입력하여 합성 정상 신호를 생성하고, 상기 생성된 합성 정상 신호를 제2생성자 모델에 입력하여 재생성 비정상 신호를 생성하는 단계, (c3) 상기 정상 신호를 상기 제2생성자 모델에 입력하여 합성 비정상 신호를 생성하고, 상기 생성된 합성 비정상 신호를 상기 제1생성자 모델에 입력하여 재생성 정상 신호를 생성하는 단계, (c4) 상기 정상 신호와 상기 합성 정상 신호에 대한 식별자 모델의 제1분류 능력 및 상기 비정상 신호와 상기 합성 비정상 신호에 대한 상기 식별자 모델의 제2분류 능력을 평가하는 단계, (c5) 상기 비정상 신호와 상기 재생성 비정상 신호에 대한 제1순환 일관성 및 상기 정상 신호와 상기 재생성 정상 신호에 대한 제2순환 일관성을 평가하는 단계 및 (c6) 상기 제1분류 능력, 상기 제2분류 능력, 상기 제1순환 일관성 및 상기 제2순환 일관성 중 적어도 하나에 기초하여 상기 제1생성자 모델 및 상기 제2생성자 모델을 최적화하는 단계를 포함할 수 있다.
또한, 상기 (c2) 단계 및 상기 (c3) 단계는 상기 재생성 비정상 신호와 상기 재생성 정상 신호 각각을 새로운 입력으로 하여 반복 수행될 수 있다.
한편, 본원의 일 실시예에 따른 인공지능 기반의 심전도 신호 분석 장치는, 분석 대상 심전도 데이터에 대응하는 합성 정상 신호 및 합성 비정상 신호를 출력하도록 학습된 인공지능 기반의 분석 모델에 상기 분석 대상 심전도 데이터를 입력하는 모델 적용부, 상기 분석 대상 심전도 데이터와 상기 분석 모델에 의해 출력된 상기 합성 정상 신호 및 상기 합성 비정상 신호 중 적어도 하나를 비교하여 유사도 지표를 도출하는 유사도 분석부 및 상기 유사도 지표에 기초하여 상기 분석 대상 심전도 데이터의 이상 여부를 판단하는 이상 판단부를 포함할 수 있다.
또한, 본원의 일 실시예에 따른 인공지능 기반의 심전도 신호 분석 장치는, 상기 합성 정상 신호에 기초하여 상기 분석 대상 심전도 데이터를 복원하는 신호 복원부를 포함할 수 있다.
또한, 상기 신호 복원부는, 상기 분석 대상 심전도 데이터가 이상 심전도 데이터를 포함하는 것으로 판단되면 상기 이상 심전도 데이터를 합성 정상 신호로 대체할 수 있다.
한편, 본원의 일 실시예에 따른 이상 심전도 신호의 판별 및 복원을 위한 생성적 적대 신경망 기반의 분석 모델 학습 장치는, 복수의 심전도 데이터를 수집하는 수집부, 상기 복수의 심전도 데이터 중 미리 설정된 품질 기준을 충족하는 데이터를 선별하는 전처리를 수행하여 학습 데이터를 획득하는 데이터 가공부 및 분석 대상 심전도 데이터가 입력되면 합성 정상 신호 및 합성 비정상 신호를 출력하는 상기 분석 모델을 상기 학습 데이터에 기초하여 구축하는 학습부를 포함할 수 있다.
상술한 과제 해결 수단은 단지 예시적인 것으로서, 본원을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 추가적인 실시예가 존재할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 전극 부착 위치 오차, 대상자의 신체적 특징, 심전도 검사의 획득 환경, 획득 숙련도 등으로 인하여 발생하는 이상 심전도 신호를 추가적인 검사 과정 없이도 인공지능 기반의 분석 모델을 이용하여 정상 신호로 합성할 수 있는 인공지능 기반의 심전도 신호 분석 장치 및 방법을 제공할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 관측자의 주관이 개입되지 않고도 이상 심전도 신호를 명확하게 탐지할 수 있고, 탐지된 이상 신호를 인공지능 기반의 알고리즘을 이용하여 정밀하게 복원할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 순환 학습을 기반으로 생성되는 생성적 적대 신경망 모델이 정상 신호 또는 비정상 신호가 입력으로 인가될 경우 반대의 출력을 생성하는 특성을 이용하여 상대적 유사도 평가가 이루어질 수 있어 다중 결측 신호가 발생하는 경우에도 효과적으로 이상 신호를 탐지할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 복수의 입력 정보를 기반으로 하여 이에 대응하는 복수의 출력 정보가 생성되기 때문에, 이상 신호가 다중으로 발생하는 경우에도 정성화된 복수의 출력 정보가 확보될 수 있어 이상 탐지를 위한 분류 모델의 결과 값으로 평가를 효율적으로 수행할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 수집된 심전도 데이터를 고품질의 데이터로 추출하는 프로세스를 수행함으로써, 인공지능 기반의 분석 모델의 안정된 학습이 가능할 뿐만 아니라, 다양한 잡음 유형에 대응한 이상 탐지를 수행하기 위해 여러 유형의 잡음을 신호 처리 기법을 적용하여 변형한 후 학습 데이터로 활용함으로써 강건한 모델 개발 환경을 확보할 수 있다.
다만, 본원에서 얻을 수 있는 효과는 상기된 바와 같은 효과들로 한정되지 않으며, 또 다른 효과들이 존재할 수 있다.
도 1은 본원의 일 실시예에 따른 심전도 신호 분석 시스템의 개략적인 구성도이다.
도 2 및 도 3은 본원의 일 실시예에 따른 인공지능 기반의 심전도 신호 분석 프로세스를 설명하기 위한 개념도이다.
도 4는 이상 심전도 신호의 판별 및 복원을 위한 생성적 적대 신경망 기반의 분석 모델의 아키텍처 및 학습 프로세스를 설명하기 위한 개념도이다.
도 5a 내지 도 5c는 수집된 심전도 데이터 중 고품질의 데이터를 확보하고, 노이즈 성분을 추가하여 비정상 신호를 생성하는 프로세스를 설명하기 위한 개념도이다.
도 6은 생성적 적대 신경망 기반의 분석 모델을 이용하여 재생성되는 합성 정상 신호와 실제 정상 신호의 유사도를 비교한 결과를 나타낸 도면이다.
도 7은 생성적 적대 신경망 기반의 분석 모델을 이용하여 실제 비정상 신호로부터 생성되는 합성 정상 신호의 유사도 평가 결과를 나타낸 도면이다.
도 8은 본원의 일 실시예에 따른 인공지능 기반의 심전도 신호 분석 장치의 개략적인 구성도이다.
도 9는 본원의 일 실시예에 따른 인공지능 기반의 심전도 신호 분석 방법에 대한 동작 흐름도이다.
도 10은 본원의 일 실시예에 따른 이상 심전도 신호의 판별 및 복원을 위한 생성적 적대 신경망 기반의 분석 모델 학습 방법에 대한 동작 흐름도이다.
도 2 및 도 3은 본원의 일 실시예에 따른 인공지능 기반의 심전도 신호 분석 프로세스를 설명하기 위한 개념도이다.
도 4는 이상 심전도 신호의 판별 및 복원을 위한 생성적 적대 신경망 기반의 분석 모델의 아키텍처 및 학습 프로세스를 설명하기 위한 개념도이다.
도 5a 내지 도 5c는 수집된 심전도 데이터 중 고품질의 데이터를 확보하고, 노이즈 성분을 추가하여 비정상 신호를 생성하는 프로세스를 설명하기 위한 개념도이다.
도 6은 생성적 적대 신경망 기반의 분석 모델을 이용하여 재생성되는 합성 정상 신호와 실제 정상 신호의 유사도를 비교한 결과를 나타낸 도면이다.
도 7은 생성적 적대 신경망 기반의 분석 모델을 이용하여 실제 비정상 신호로부터 생성되는 합성 정상 신호의 유사도 평가 결과를 나타낸 도면이다.
도 8은 본원의 일 실시예에 따른 인공지능 기반의 심전도 신호 분석 장치의 개략적인 구성도이다.
도 9는 본원의 일 실시예에 따른 인공지능 기반의 심전도 신호 분석 방법에 대한 동작 흐름도이다.
도 10은 본원의 일 실시예에 따른 이상 심전도 신호의 판별 및 복원을 위한 생성적 적대 신경망 기반의 분석 모델 학습 방법에 대한 동작 흐름도이다.
아래에서는 첨부한 도면을 참조하여 본원이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본원의 실시예를 상세히 설명한다. 그러나 본원은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본원을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본원 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결" 또는 "간접적으로 연결"되어 있는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부재가 다른 부재 "상에", "상부에", "상단에", "하에", "하부에", "하단에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.
본원은 인공지능 기반의 심전도 신호 분석 장치 및 방법에 관한 것이다. 예를 들 면, 본원은 생성적 적대 신경망 기반의 이상 심전도 신호 판별 및 복원 기법에 관한 것이다.
도 1은 본원의 일 실시예에 따른 심전도 신호 분석 시스템의 개략적인 구성도이다.
도 1을 참조하면, 본원의 일 실시예에 따른 심전도 신호 분석 시스템(10)은 본원의 일 실시예에 따른 심전도 신호를 이용한 파킨슨병 분석 장치(100)(이하, '분석 장치(100)'라 한다.), 측정 장비(200) 및 사용자 단말(300)을 포함할 수 있다.
분석 장치(100), 측정 장비(200) 및 사용자 단말(300) 상호간은 네트워크(20)를 통해 통신할 수 있다. 네트워크(20)는 단말들 및 서버들과 같은 각각의 노드 상호간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크(20)의 일 예에는, 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, 5G 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), wifi 네트워크, 블루투스(Bluetooth) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.
사용자 단말(300)은 예를 들면, 스마트폰(Smartphone), 스마트패드(SmartPad), 태블릿 PC등과 PCS(Personal Communication System), GSM(Global System for Mobile communication), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말기 같은 모든 종류의 무선 통신 장치일 수 있다.
본원의 실시예에 관한 설명에서, 심전도 신호란 12-lead 심전도 신호로서, 12개의 심전도 신호를 포함하는 것일 수 있다. 이와 관련하여, 측정 장비(200)는 대상자의 신체 표면 서로 다른 위치에 부착되는 10개의 전극(Electrode label: RA, LA, RL, LL, V1, V2, V3, V4, V5, V6)으로부터 심전도 신호를 획득하는 12-lead 심전도계(Electrocardiogram, EKG) 디바이스일 수 있으나, 이에만 한정되는 것은 아니다.
다른 예로, 측정 장비(200)는 원격 진료 시스템 등에 적용되는 휴대용 심전도 검사 장비일 수 있다. 이와 관련하여, 휴대용 심전도 검사 장비의 경우, 대상자의 움직임, 데이터 송수신 환경 등으로 인하여 심전도 신호의 정확도가 상대적으로 낮을 수 있고, 정확한 진단을 어렵게 할 수 있으므로 본원에서 개시하는 분석 장치(100)를 통해 휴대용 심전도 검사 장비에 의해 측정된 저품질의 심전도 신호에 대한 재생성(복원)을 통해 고품질의 심전도 신호를 확보할 수 있어, 원격 진료 시스템의 품질을 향상시킬 수 있다.
보다 구체적으로, 측정 장비(200)로부터 획득되는 12개의 심전도 신호는 측정 장비(200)의 10개의 전극에 대하여 두 부위에 부착된 전극 간의 전위차를 나타내는 양극유도와 소정 부위의 전위를 기록하는 단극유도를 포함할 수 있으며, 예를 들어, 왼손과 오른손의 전위차를 나타내는 Lead 1, 오른손과 왼발의 전위차를 나타내는 Lead 2, 왼발과 왼손의 전위차를 나타내는 Lead 3, 오른손, 왼손, 왼발에 각각 대응하는 단극 사지유도인 aVR, aVL, aVF와 흉부의 단극유도인 V1 내지 V6를 포함할 수 있으며, 이러한 12-lead 심전도 신호의 측정 방식 및 유형에 대한 사항은 통상의 기술자에게 자명하므로 상세한 설명은 생략하도록 한다.
또한, 본원의 실시예에 관한 설명에서 사용자 단말(300)은 측정 장비(200)로부터 획득된 복수의 심전도 신호 중 이상 신호가 발생한 경우, 분석 장치(100)가 이상 신호를 합성 정상 신호로 복원하여 생성한 신호를 출력하는 디바이스일 수 있다. 나아가, 사용자 단말(300)은 측정 장비(200)로부터 획득된 복수의 신호 중 사용자가 복원(재생성)하려는 소정의 심전도 신호 및 결측 구간을 선택하는 사용자 입력을 수신하기 위한 디바이스일 수 있다.
이하에서는 도 2 내지 도 7을 참조하여 분석 장치(100)의 구체적인 기능 및 동작에 대하여 설명하도록 한다.
도 2 및 도 3은 본원의 일 실시예에 따른 인공지능 기반의 심전도 신호 분석 프로세스를 설명하기 위한 개념도이다.
도 2 및 도 3을 참조하면, 분석 장치(100)는 만성질환과 심혈관 질환의 대표적인 검사 방법인 12-lead 심전도 검사 등을 통해 획득 가능한 분석 대상 심전도 데이터(예를 들면, 12개의 심전도 리드 데이터 등) 중 이상 심전도 신호를 선별하고, 선별된 이상 심전도 신호를 정상 신호로 재생성하기 위한 인공지능 기반의 분석 모델을 보유할 수 있다. 또한, 본원에서 개시하는 분석 장치(100)에 탑재되는 인공지능 기반의 분석 모델은 생성적(생산적) 적대 신경망(Generative Adversarial Network, GAN) 기반의 알고리즘일 수 있다.
또한, 도 2 및 도 3을 참조하면, 분석 장치(100)가 획득한 분석 대상 심전도 데이터로부터 이상 심전도 신호를 선정하기 위한 과정에서 이상(예를 들면, 신호 결측, 노이즈 발생 등)이 발생한 리드(lead)를 정확하게 특정하기 위하여 최소 평균 자승 오차(Root Mean Squared Error, RMSE), 코사인 유사도, 결정계수(상관계수), 평균 자승 오차(Mean Absolute Error, MAE), 동적 시간 워핑(Dynamic Time Warping, DTW) 등의 신호 간 유사도에 대한 정량적 지표가 산출될 수 있고, 분석 장치(100)는 산출된 유사도 지표를 입력으로 하는 기계 학습(Machine Learning) 기반의 분류 모델(도 2의 '이상 탐지 모델')을 활용하여 이상 심전도 신호를 최종 결정할 수 있다.
이와 관련하여 도 3의 (a)는 분석 장치(100)의 동작 프로세스를 개략적으로 나타내고, 도 3의 (b)는 복수의 심전도 리드 데이터를 포함하는 분석 대상 심전도 데이터의 리드(Lead) 각각에 대하여 도출된 유사도 지표를 테이블 형태로 정리한 데이터를 나타내고, 도 3의 (c)는 분석 장치(100)의 분류 모델(이상 탐지 모델)에 의해 정상 신호와 이상 신호에 대한 군집화를 통해 정상 신호 및 비정상 신호에 대한 데이터 라벨을 분류한 결과를 시각화 하여 나타낸 그래프이다. 예시적으로, 도 3의 (c)를 참조하면, 소정의 분석 대상 심전 데이터에 포함된 복수의 심전도 리드 데이터 중 aVR, V1, Lead 2 심전도 신호가 이상(Abnormal) 신호로 그룹핑 되고, 나머지 심전도 리드 데이터인 Lead 1, Lead 3, V2, V3, V4, V5, V6, aVL, aVF 심전도 신호가 정상(Normal) 신호로 그룹핑되는 것을 확인할 수 있다.
도 4는 이상 심전도 신호의 판별 및 복원을 위한 생성적 적대 신경망 기반의 분석 모델의 아키텍처 및 학습 프로세스를 설명하기 위한 개념도이다.
도 4를 참조하면, 분석 장치(100)의 생성적 적대 신경망(Generative Adversarial Network, GAN) 기반의 분석 모델은 분석 대상 심전도 데이터(입력 데이터)에 기초하여 합성 정상 신호를 출력하는 제1생성자 모델(11), 분석 대상 심전도 데이터(입력 데이터)에 기초하여 합성 비정상 신호를 출력하는 제2생성자 모델(12), 생성자 모델(11, 12)에 의해 만들어진 합성 신호를 분석 대상 심전도 데이터(입력 데이터)와 비교하여 합성 신호와 실제 입력 신호를 구분하는 식별자 모델(21, 22)을 포함할 수 있다. 또한, 식별자 모델은 합성 비정상 신호와 실제 비정상 신호를 구분하는 제1식별자 모델(21) 및 합성 정상 신호와 실제 정상 신호를 구분하는 제2식별자 모델(22)을 포함할 수 있다.
한편, 본원의 일 실시예에 따르면, 분석 장치(100)는 실제 신호(실제 정상 신호 또는 실제 비정상 신호)와 합성 신호(합성 정상 신호 또는 합성 비정상 신호)에 대한 식별자 모델(21, 22)의 분류 능력을 평가할 수 있고, 순환 생성적 적대 신경망(Cycle GAN) 기반의 구조를 통해 실제 신호가 양 방향의 생성자 모델(11, 12)을 순차적으로 거치며 원래 신호로 복원된 결과에 따른 순환 일관성을 평가할 수 있다. 또한, 분석 장치(100)는 평가된 분류 능력과 순환 일관성을 기초로 하여 분석 모델에 대한 학습(최적화)을 수행할 수 있다.
달리 말해, - 제2생성자 모델(12)은 정상 신호를 합성 비정상 신호로 만들고, 제1생성자 모델(11)은 비정상 신호를 합성 정상 신호로 생성할 수 있다.
식별자 모델(21, 22)는 만들어진 합성 신호를 입력 데이터와 비교하여 합성 신호와 실제 입력 신호를 구분하는 역할이며, 생성자 모델(11, 12)이 합성 신호를 실제 신호에 가깝게 생성할수록 식별자 모델(21, 22)의 실제 신호와 합성 신호를 구분하는 정확도가 하락하게 된다.
구체적으로 정상 신호 식별자인 제2식별자 모델(22)은 정상 신호와 합성 정상 신호를 합성 신호인지 실제 입력 신호인지 판단하며, 반대로 비정상 신호 식별자인 제1식별자 모델(21)은 비정상 신호와 합성 비정상 신호를 합성 신호인지 실제 입력 신호인지 판단할 수 있다.
또한, 분석 장치(100)는 식별자가 실제 신호와 합성 신호를 구분하지 못하도록 생성자가 합성 신호 데이터를 생성하는 능력을 평가하는 지표를 식별자 모델 평가 지표로 정의할 수 있다.
1차적으로 생성된 합성 신호는 생성자 모델(11, 12)에 의해 실제 신호 데이터의 특성에 부합하도록 재차 합성되며, 합성 정상 신호는 제2생성자 모델(12)에 의해 재생성 비정상 신호로 변환되며, 합성 비정상 신호는 제1생성자 모델(11)에 의해 재생성 정상 신호로 변환될 수 있다.
이러한 재생성 신호는 입력으로 인가된 심전도 데이터(ECG 신호)와 상대적으로 유사한 특성을 가지며, 재생성 신호를 실제 입력 신호와 비교하여 오차가 0에 가까워지도록 하는 방향으로 각각의 생성자 모델(11, 12)에 대한 학습이 이루어지며, 전술한 오차를 수치화 하여 생성자 모델(11, 12)에 대한 평가 지표로 사용할 수 있다.
종합하면, 분석 모델의 성능은 비정상 신호에서 정상 신호를 생성(재구축, 복원)하는 제1방향(정방향)과 정상 신호에서 비정상 신호를 생성(재구축, 복원)하는 제2방향(역방향) 각각에 대응하여 도출되는 식별자 모델 평가 지표와 생성자 모델 평가 지표를 기반으로 종합적으로 평가되며, 이러한 평가 결과를 고려하여 분석 모델의 학습이 완료되게 된다.
또한, 분석 장치(100)는 학습이 완료된 제1생성자 모델(11)과 제1생성자 모델(12)에 실제 신호 데이터인 분석 대상 심전도 데이터를 입력하여 제1출력(합성 정상 신호) 및 제2출력(합성 비정상 신호)을 각각 도출할 수 있다.
또한, 분석 장치(100)는 입력 데이터인 분석 대상 심전도 데이터와 제1출력 및 제2출력 중 적어도 하나에 대한 유사도 비교를 통하여 양 신호 간의 차이(오차)를 나타내는 유사도 지표를 도출할 수 있다.
보다 구체적으로, 분석 장치(100)에 의해 도출되는 유사도 지표는 분석 대상 심전도 데이터와 합성 정상 신호 및 합성 비정상 신호 중 적어도 하나의 '크기'를 비교함으로써 도출되는 제1유형 지표 및 분석 대상 심전도 데이터와 합성 정상 신호 및 합성 비정상 신호 중 적어도 하나의 '파형 특성'을 비교함으로써 도출되는 제2유형 지표를 포함할 수 있다.
이와 관련하여 본원의 일 실시예에 따르면, 제1유형 지표는 RMSE(Root Mean Squared Error) 및 MAE(Mean Absolute Error) 중 적어도 하나를 포함할 수 있으나, 이에만 한정되는 것은 아니다.
또한, 본원의 일 실시예에 따르면, 제2유형 지표는 상관계수, 코사인 유사도 및 DTW(Dynamic Time Warping) 중 적어도 하나를 포함할 수 있으나, 이에만 한정되는 것은 아니다.
한편, 전술한 유사도 지표 중 상관계수와 코사인 유사도는 결과값이 클수록 양 신호가 유사한 것으로 평가하고, RMSE(Root Mean Squared Error), MAE(Mean Absolute Error), DTW(Dynamic Time Warping)는 결과값이 작을수록 양 신호가 유사한 것으로 평가하는 지표일 수 있다.
또한, 분석 장치(100)는 도출된 유사도 지표를 입력으로 하여, 유사도 지표의 특성(예를 들면, 대소 관계, 크기 등)에 따라 정상 신호와 이상 신호를 군집화할 수 있는 이상 탐지 모델을 보유할 수 있다.
달리 말해, 분석 장치(100)는 분석 대상 심전도 데이터가 새로운 데이터로서 입력되면, 앞서 상세히 설명한 프로세스를 통해 학습이 완료된 생성적 적대 신경망 기반의 분석 모델을 활용하여 분석 대상 심전도 데이터를 정상 신호 또는 비정상 데이터로 분류하는 데이터 라벨을 결정할 수 있다. 한편, 본원의 일 실시예에 따르면, 입력된 분석 대상 심전도 데이터에 대응하여 결정되는 분류 결과를 나타내는 데이터 라벨은 복수의 심전도 리드 데이터 각각에 대하여 개별적으로 도출되는 것일 수 있다.
또한, 분석 장치(100)는 입력된 분석 대상 심전도 데이터가 비정상 데이터 라벨이 할당된 비정상 신호를 포함하는 것으로 판단되면, 비정상 신호로 판단된 신호 구간을 분석 모델이 생성한 합성 정상 신호로 대체함으로써 비정상 신호에 대한 복원을 처리할 수 있다.
도 5a 내지 도 5c는 수집된 심전도 데이터 중 고품질의 데이터를 확보하고, 노이즈 성분을 추가하여 비정상 신호를 생성하는 프로세스를 설명하기 위한 개념도이다.
구체적으로 도 5a는 대용량의 심전도 신호를 수집한 데이터베이스(101)에서 미리 설정된 품질 저하(Poor ECG quality) 조건을 충족하는 심전도 신호를 제거함으로써 고품질의 심전도 신호를 선별하고, 선별된 고품질의 정상 신호인 심전도 신호에 대하여 소정의 노이즈 성분(artifact)을 추가하는 가공을 통해 비정상 신호를 생성하는 프로세스를 나타내고, 도 5b는 품질 저하(Poor ECG quality) 조건의 세부 유형을 나타낸 도표이고, 도 5c는 다양한 유형의 노이즈 성분(artifact)을 추가하는 가공 기법을 예시적으로 나타낸 도면이다.
구체적으로, 도 5b를 참조하면, 분석 장치(100)는 측정 장비(200)의 하드웨어 오류로 인해 신뢰할 수 있는 분석이 불가능한 데이터가 획득된 경우, 기저선 변동 잡음(Baseline wander)이 발생한 경우, 전극 노이즈 발생, 근육 떨림 발생, 리드 아티팩트 발생, 리드 부착 누락, 사지 부착 전극 오부착, 전극 반대 방향 부착, 암 리드 반전 등이 발생한 경우 해당 데이터에 품질이 저하된 것으로 보아 해당 데이터를 제거하는 전처리를 수행할 수 있다.
또한, 도 5c를 참조하면, 분석 장치(100)는 기저선 변동 잡음(Wandering baseline), AC 간섭(AC interference) 성분 추가, 근육 떨림(Muscle tremor) 아티팩트 부가, 움직임 아티팩트(Motion artifact) 부가 등의 신호 처리를 통해 비정상 신호를 기 수집된 정상 신호로부터 생성할 수 있다.
도 5a 내지 도 5c를 참조하면, 분석 장치(100)는 전술한 분석 모델의 학습을 위하여, 데이터베이스(101)를 이용하여 복수의 심전도 데이터를 수집하고, 수집된 복수의 심전도 데이터 중 미리 설정된 품질 기준을 충족하는 데이터를 선별하는 전처리를 수행하여 정상 신호를 획득하고, 획득한 정상 신호(전처리가 수행된 고품질의 데이터)에 소정의 노이즈 성분을 추가하여 비정상 신호를 생성함으로써 정상 신호 및 비정상 신호를 모두 포함하는 학습 데이터를 확보할 수 있다.
도 6은 생성적 적대 신경망 기반의 분석 모델을 이용하여 재생성되는 합성 정상 신호와 실제 정상 신호의 유사도를 비교한 결과를 나타낸 도면이다.
도 6을 참조하면, 생성적 적대 신경망의 출력 데이터를 이용하여 구축되는 이상 탐지 모델을 통해, 이상(비정상) 신호를 포함하는 12-lead 심전도 파형이 정상 파형의 형태로 복원된 것을 확인할 수 있다. 또한, 도 6의 (c)에 도시된 합성 정상 신호를 노이즈 성분을 부가하기 전의 데이터인 도 6의 (a)의 실제 정상 신호와 비교하여 유사도 지표를 평가한 결과, RMSE 지표가 0.145 수준의 비교적 낮은 값으로 생성적 적대 신경망 모델을 통한 데이터 복원 성능이 우수하게 나타나는 것을 확인할 수 있다.
도 7은 생성적 적대 신경망 기반의 분석 모델을 이용하여 실제 비정상 신호로부터 생성되는 합성 정상 신호의 유사도 평가 결과를 나타낸 도면이다.
도 7을 참조하면, 분석 장치(100)는 실제 입력 신호와 합성 신호의 유사도 지표를 입력으로 하는 비지도 학습 모델을 활용하여 이상 신호를 탐지할 수 있어, 도 7의 (a)와 같이 12-lead 심전도 신호 중 이상 신호가 발생한 리드를 탐지하여 비정상과 정상 신호에 대한 판단을 수행하고, 비정상 신호로 판단된 리드(예를 들어, 도 7의 Lead 1, Lead 3, aVR, V, V3, V6 신호 등)에 대해서는 앞서 학습된 생성자 모델(11, 12)을 활용하여 재생성된 합성 신호로 해당 신호를 대체함으로써 온전한 12-lead 심전도 신호를 사용자 단말(300) 등을 통해 제공할 수 있다.
도 8은 본원의 일 실시예에 따른 인공지능 기반의 심전도 신호 분석 장치의 개략적인 구성도이다.
도 8을 참조하면, 분석 장치(100)는 수집부(110), 데이터 가공부(120), 학습부(130), 모델 적용부(140), 유사도 분석부(150), 이상 판단부(160) 및 신호 복원부(170)를 포함할 수 있다.
수집부(110)는 복수의 심전도 데이터를 수집할 수 있다.
데이터 가공부(120)는 복수의 심전도 데이터 중 미리 설정된 품질 기준을 충족하는 데이터를 선별하는 전처리를 수행하여 학습 데이터를 획득할 수 있다.
또한, 데이터 가공부(120)는 정상 신호를 포함하는 학습 데이터를 이용하여, 정상 신호에 소정의 노이즈 성분을 추가하여 비정상 신호를 생성할 수 있다.
학습부(130)는 분석 대상 심전도 데이터가 입력되면 합성 정상 신호 및 합성 비정상 신호를 출력하는 분석 모델을 데이터 가공부(120)에 의해 전처리가 수행된 학습 데이터에 기초하여 구축할 수 있다.
구체적으로, 학습부(130)는 데이터 가공부(120)에 의해 생성된 비정상 신호를 제1생성자 모델(11)에 입력하여 합성 정상 신호를 생성하고, 생성된 합성 정상 신호를 제2생성자 모델(12)에 재차 입력하여 재생성 비정상 신호를 생성할 수 있다.
또한, 학습부(130)는 학습 데이터로서 수집된 정상 신호를 제2생성자 모델(12)에 입력하여 합성 비정상 신호를 생성하고, 생성된 합성 비정상 신호를 제1생성자 모델(11)에 재차 입력하여 재생성 정상 신호를 생성할 수 있다.
또한, 학습부(130)는 정상 신호와 합성 정상 신호에 대한 식별자 모델(21, 22)의 제1분류 능력 및 비정상 신호와 합성 비정상 신호에 대한 식별자 모델(21, 22)의 제2분류 능력을 평가할 수 있다.
또한, 학습부(130)는 비정상 신호와 재생성 비정상 신호에 대한 제1순환 일관성 및 정상 신호와 상기 재생성 정상 신호에 대한 제2순환 일관성을 평가할 수 있다.
또한, 학습부(130)는 도출된 제1분류 능력, 제2분류 능력, 제1순환 일관성 및 제2순환 일관성 중 적어도 하나에 기초하여 제1생성자 모델(11) 및 제2생성자 모델(12)을 최적화할 수 있다.
모델 적용부(140)는 분석 대상 심전도 데이터를 획득할 수 있다.
또한, 모델 적용부(140)는 입력 데이터에 대응하는 합성 정상 신호 및 합성 비정상 신호를 출력하도록 학습된 인공지능 기반의 분석 모델에 획득한 분석 대상 심전도 데이터를 입력(인가)할 수 있다.
유사도 분석부(150)는 분석 대상 심전도 데이터와 분석 모델에 의해 출력된 합성 정상 신호 및 합성 비정상 신호 중 적어도 하나를 비교하여 유사도 지표를 도출할 수 있다.
이상 판단부(160)는 유사도 분석부(150)에 의해 도출된 유사도 지표에 기초하여 분석 대상 심전도 데이터의 이상 여부를 판단할 수 있다.
신호 복원부(170)는 분석 모델이 생성한 합성 정상 신호에 기초하여 이상 신호를 포함하는 분석 대상 심전도 데이터를 복원할 수 있다.
구체적으로, 신호 복원부(170)는 분석 대상 심전도 데이터가 이상 심전도 데이터를 포함하는 것으로 판단되면, 이상 심전도 데이터에 대응하는 신호 구간을 합성 정상 신호로 대체할 수 있다.
이하에서는 상기에 자세히 설명된 내용을 기반으로, 본원의 동작 흐름을 간단히 살펴보기로 한다.
도 9는 본원의 일 실시예에 따른 인공지능 기반의 심전도 신호 분석 방법에 대한 동작 흐름도이다.
도 9에 도시된 인공지능 기반의 심전도 신호 분석 방법은 앞서 설명된 분석 장치(100)에 의하여 수행될 수 있다. 따라서, 이하 생략된 내용이라고 하더라도 분석 장치(100)에 대하여 설명된 내용은 인공지능 기반의 심전도 신호 분석 방법에 대한 설명에도 동일하게 적용될 수 있다.
도 9를 참조하면, 단계 S11에서 모델 적용부(140)는 분석 대상 심전도 데이터를 획득할 수 있다.
또한, 단계 S11에서 모델 적용부(140)는 입력 데이터에 대응하는 합성 정상 신호 및 합성 비정상 신호를 출력하도록 학습된 인공지능 기반의 분석 모델에 획득한 분석 대상 심전도 데이터를 입력(인가)할 수 있다.
다음으로, 단계 S12에서 유사도 분석부(150)는 분석 대상 심전도 데이터와 분석 모델에 의해 출력된 합성 정상 신호 및 합성 비정상 신호 중 적어도 하나를 비교하여 유사도 지표를 도출할 수 있다.
다음으로, 단계 S13에서 이상 판단부(160)는 단계 S12에서 도출된 유사도 지표에 기초하여 단계 S11에서 입력된 분석 대상 심전도 데이터의 이상 여부를 판단할 수 있다.
다음으로, 단계 S14에서 신호 복원부(170)는 분석 모델이 생성한 합성 정상 신호에 기초하여 이상 신호를 포함하는 분석 대상 심전도 데이터를 복원할 수 있다.
구체적으로, 단계 S14에서 신호 복원부(170)는 분석 대상 심전도 데이터가 이상 심전도 데이터를 포함하는 것으로 판단되면, 이상 심전도 데이터에 대응하는 신호 구간을 합성 정상 신호로 대체할 수 있다.
또한, 본원의 일 실시예에 따르면, 단계 S13에서 분석 대상 심전도 데이터가 이상 심전도 데이터를 미포함하는 것으로 판단되면, 전술한 단계 S14는 생략되는 것일 수 있다.
상술한 설명에서, 단계 S11 내지 S14는 본원의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.
도 10은 본원의 일 실시예에 따른 이상 심전도 신호의 판별 및 복원을 위한 생성적 적대 신경망 기반의 분석 모델 학습 방법에 대한 동작 흐름도이다.
도 10에 도시된 이상 심전도 신호의 판별 및 복원을 위한 생성적 적대 신경망 기반의 분석 모델 학습 방법은 앞서 설명된 분석 장치(100)에 의하여 수행될 수 있다. 따라서, 이하 생략된 내용이라고 하더라도 분석 장치(100)에 대하여 설명된 내용은 도 10에 대한 설명에도 동일하게 적용될 수 있다.
도 10을 참조하면, 단계 S21에서 수집부(110)는 복수의 심전도 데이터를 수집할 수 있다.
다음으로, 단계 S22에서 데이터 가공부(120)는 복수의 심전도 데이터 중 미리 설정된 품질 기준을 충족하는 데이터를 선별하는 전처리를 수행하여 학습 데이터를 획득할 수 있다.
다음으로, 단계 S23에서 학습부(130)는 분석 대상 심전도 데이터가 입력되면 합성 정상 신호 및 합성 비정상 신호를 출력하는 분석 모델을 단계 S22에서 전처리가 수행된 학습 데이터에 기초하여 구축할 수 있다.
구체적으로, 단계 S23에서 데이터 가공부(120)는 정상 신호를 포함하는 학습 데이터를 이용하여, 정상 신호에 소정의 노이즈 성분을 추가하여 비정상 신호를 생성할 수 있다.
또한, 단계 S23에서 학습부(130)는 생성된 비정상 신호를 제1생성자 모델(11)에 입력하여 합성 정상 신호를 생성하고, 생성된 합성 정상 신호를 제2생성자 모델(12)에 재차 입력하여 재생성 비정상 신호를 생성할 수 있으며, 본원의 일 실시예에 따르면, 이러한 신호 합성-재생성 프로세스는 재생성 정상 신호를 새로운 입력(새로운 '정상 신호')으로 하여 반복 수행될 수 있다.
또한, 단계 S23에서 학습부(130)는 학습 데이터로서 수집된 정상 신호를 제2생성자 모델(12)에 입력하여 합성 비정상 신호를 생성하고, 생성된 합성 비정상 신호를 제1생성자 모델(11)에 재차 입력하여 재생성 정상 신호를 생성할 수 있으며, 본원의 일 실시예에 따르면, 이러한 신호 합성-재생성 프로세스는 재생성 비정상 신호를 새로운 입력(새로운 '비정상 신호')으로 하여 반복 수행될 수 있다.
또한, 단계 S23에서 학습부(130)는 정상 신호와 합성 정상 신호에 대한 식별자 모델(21, 22)의 제1분류 능력 및 비정상 신호와 합성 비정상 신호에 대한 식별자 모델(21, 22)의 제2분류 능력을 평가할 수 있다.
또한, 단계 S23에서 학습부(130)는 비정상 신호와 재생성 비정상 신호에 대한 제1순환 일관성 및 정상 신호와 상기 재생성 정상 신호에 대한 제2순환 일관성을 평가할 수 있다.
또한, 단계 S23에서 학습부(130)는 앞서 평가된 제1분류 능력, 제2분류 능력, 제1순환 일관성 및 제2순환 일관성 중 적어도 하나에 기초하여 제1생성자 모델(11) 및 제2생성자 모델(12)을 최적화할 수 있다.
상술한 설명에서, 단계 S21 내지 S23은 본원의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.
본원의 일 실시예에 따른 인공지능 기반의 심전도 신호 분석 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
또한, 전술한 인공지능 기반의 심전도 신호 분석 방법은 기록 매체에 저장되는 컴퓨터에 의해 실행되는 컴퓨터 프로그램 또는 애플리케이션의 형태로도 구현될 수 있다.
전술한 본원의 설명은 예시를 위한 것이며, 본원이 속하는 기술분야의 통상의 지식을 가진 자는 본원의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본원의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본원의 범위에 포함되는 것으로 해석되어야 한다.
10: 심전도 신호 분석 시스템
100: 인공지능 기반의 심전도 신호 분석 장치
110: 수집부
120: 데이터 가공부
130: 학습부
140: 모델 적용부
150: 유사도 분석부
160: 이상 판단부
170: 신호 복원부
200: 측정 장비
300: 사용자 단말
101: 데이터베이스
11: 제1생성자 모델
12: 제2생성자 모델
21: 제1식별자 모델
22: 제2식별자 모델
20: 네트워크
100: 인공지능 기반의 심전도 신호 분석 장치
110: 수집부
120: 데이터 가공부
130: 학습부
140: 모델 적용부
150: 유사도 분석부
160: 이상 판단부
170: 신호 복원부
200: 측정 장비
300: 사용자 단말
101: 데이터베이스
11: 제1생성자 모델
12: 제2생성자 모델
21: 제1식별자 모델
22: 제2식별자 모델
20: 네트워크
Claims (16)
- 인공지능 기반의 심전도 신호 분석 방법에 있어서,
각 단계가 심전도 신호 분석 장치에 의해 수행되며,
분석 대상 심전도 데이터에 대응하는 합성 정상 신호 및 합성 비정상 신호를 출력하도록 학습된 인공지능 기반의 분석 모델에 상기 분석 대상 심전도 데이터를 입력하는 단계;
상기 분석 대상 심전도 데이터와 상기 분석 모델에 의해 출력된 상기 합성 정상 신호 및 상기 합성 비정상 신호 중 적어도 하나를 비교하여 유사도 지표를 도출하는 단계; 및
상기 유사도 지표에 기초하여 상기 분석 대상 심전도 데이터의 이상 여부를 판단하는 단계,
를 포함하며,
상기 분석 모델은,
정상 신호를 포함하는 학습 데이터에 기초하여 구축되고,
상기 정상 신호에 소정의 노이즈 성분을 추가하여 비정상 신호를 생성하고,
상기 비정상 신호를 제1생성자 모델에 입력하여 합성 정상 신호를 생성하고, 상기 생성된 합성 정상 신호를 제2생성자 모델에 입력하여 재생성 비정상 신호를 생성하며,
상기 정상 신호를 상기 제2생성자 모델에 입력하여 합성 비정상 신호를 생성하고, 상기 생성된 합성 비정상 신호를 상기 제1생성자 모델에 입력하여 재생성 정상 신호를 생성하며,
상기 정상 신호, 상기 합성 정상 신호, 상기 비정상 신호, 상기 합성 비정상 신호, 재생성 정상 신호 및 재생성 비정상 신호 중 선택된 두 신호에 기초하여 상기 제1생성자 모델 및 상기 제2생성자 모델을 최적화하는, 분석 방법. - 제1항에 있어서,
상기 합성 정상 신호에 기초하여 상기 분석 대상 심전도 데이터를 복원하는 단계,
를 더 포함하는 것인, 분석 방법. - 제1항에 있어서,
상기 분석 모델은,
상기 분석 대상 심전도 데이터에 기초하여 상기 합성 정상 신호를 출력하는 상기 제1생성자 모델; 및
상기 분석 대상 심전도 데이터에 기초하여 상기 합성 비정상 신호를 출력하는 상기 제2생성자 모델,
을 포함하는 생성적 적대 신경망(Generative Adversarial Network, GAN) 기반의 알고리즘인 것인, 분석 방법. - 제1항에 있어서,
상기 유사도 지표는,
상기 분석 대상 심전도 데이터와 상기 합성 정상 신호 및 상기 합성 비정상 신호 중 적어도 하나의 크기를 비교함으로써 도출되는 제1유형 지표; 및
상기 분석 대상 심전도 데이터와 상기 합성 정상 신호 및 상기 합성 비정상 신호 중 적어도 하나의 파형 특성을 비교함으로써 도출되는 제2유형 지표,
를 포함하는 것인, 분석 방법. - 제4항에 있어서,
상기 제1유형 지표는,
RMSE(Root Mean Squared Error) 및 MAE(Mean Absolute Error) 중 적어도 하나를 포함하는 것인, 분석 방법. - 제4항에 있어서,
상기 제2유형 지표는,
상관계수, 코사인 유사도 및 DTW(Dynamic Time Warping) 중 적어도 하나를 포함하는 것인, 분석 방법. - 제2항에 있어서,
상기 복원하는 단계는,
상기 판단하는 단계에서 상기 분석 대상 심전도 데이터가 이상 심전도 데이터를 포함하는 것으로 판단되면 상기 이상 심전도 데이터를 합성 정상 신호로 대체하는 것인, 분석 방법. - 제7항에 있어서,
상기 복원하는 단계는,
상기 판단하는 단계에서 상기 분석 대상 심전도 데이터가 이상 심전도 데이터를 미포함하는 것으로 판단되면 생략되는 것을 특징으로 하는, 분석 방법. - 이상 심전도 신호의 판별 및 복원을 위한 생성적 적대 신경망 기반의 분석 모델 학습 방법에 있어서,
각 단계는 분석 모델 학습 장치에 의해 수행되며,
(a) 복수의 심전도 데이터를 수집하는 단계;
(b) 상기 복수의 심전도 데이터 중 미리 설정된 품질 기준을 충족하는 데이터를 선별하는 전처리를 수행하여 학습 데이터를 획득하는 단계; 및
(c) 분석 대상 심전도 데이터가 입력되면 합성 정상 신호 및 합성 비정상 신호를 출력하는 상기 분석 모델을 상기 학습 데이터에 기초하여 구축하는 단계,
를 포함하며,
상기 학습 데이터는 정상 신호를 포함하고,
상기 (c) 단계는,
(c1) 상기 정상 신호에 소정의 노이즈 성분을 추가하여 비정상 신호를 생성하는 단계;
(c2) 상기 비정상 신호를 제1생성자 모델에 입력하여 합성 정상 신호를 생성하고, 상기 생성된 합성 정상 신호를 제2생성자 모델에 입력하여 재생성 비정상 신호를 생성하는 단계;
(c3) 상기 정상 신호를 상기 제2생성자 모델에 입력하여 합성 비정상 신호를 생성하고, 상기 생성된 합성 비정상 신호를 상기 제1생성자 모델에 입력하여 재생성 정상 신호를 생성하는 단계; 및
(c4) 상기 정상 신호, 상기 합성 정상 신호, 상기 비정상 신호, 상기 합성 비정상 신호, 재생성 정상 신호 및 재생성 비정상 신호 중 선택된 두 신호에 기초하여 상기 제1생성자 모델 및 상기 제2생성자 모델을 최적화하는 단계;
를 포함하는, 학습 방법. - 제9항에 있어서,
상기 학습 데이터는 정상 신호를 포함하고,
상기 (c4) 단계는,
(c4-1) 상기 정상 신호와 상기 합성 정상 신호에 대한 식별자 모델의 제1분류 능력 및 상기 비정상 신호와 상기 합성 비정상 신호에 대한 상기 식별자 모델의 제2분류 능력을 평가하는 단계;
(c4-2) 상기 비정상 신호와 상기 재생성 비정상 신호에 대한 제1순환 일관성 및 상기 정상 신호와 상기 재생성 정상 신호에 대한 제2순환 일관성을 평가하는 단계; 및
(c4-3) 상기 제1분류 능력, 상기 제2분류 능력, 상기 제1순환 일관성 및 상기 제2순환 일관성 중 적어도 하나에 기초하여 상기 제1생성자 모델 및 상기 제2생성자 모델을 최적화하는 단계,
를 더 포함하는, 학습 방법. - 제9항에 있어서,
상기 (c2) 단계 및 상기 (c3) 단계는,
상기 재생성 비정상 신호와 상기 재생성 정상 신호 각각을 새로운 입력으로 하여 반복 수행되는 것인, 학습 방법. - 인공지능 기반의 심전도 신호 분석 장치에 있어서,
분석 대상 심전도 데이터에 대응하는 합성 정상 신호 및 합성 비정상 신호를 출력하도록 학습된 인공지능 기반의 분석 모델에 상기 분석 대상 심전도 데이터를 입력하는 모델 적용부;
상기 분석 대상 심전도 데이터와 상기 분석 모델에 의해 출력된 상기 합성 정상 신호 및 상기 합성 비정상 신호 중 적어도 하나를 비교하여 유사도 지표를 도출하는 유사도 분석부; 및
상기 유사도 지표에 기초하여 상기 분석 대상 심전도 데이터의 이상 여부를 판단하는 이상 판단부,
를 포함하며,
상기 분석 모델은,
정상 신호를 포함하는 학습 데이터에 기초하여 구축되고,
상기 정상 신호에 소정의 노이즈 성분을 추가하여 비정상 신호를 생성하고,
상기 비정상 신호를 제1생성자 모델에 입력하여 합성 정상 신호를 생성하고, 상기 생성된 합성 정상 신호를 제2생성자 모델에 입력하여 재생성 비정상 신호를 생성하며,
상기 정상 신호를 상기 제2생성자 모델에 입력하여 합성 비정상 신호를 생성하고, 상기 생성된 합성 비정상 신호를 상기 제1생성자 모델에 입력하여 재생성 정상 신호를 생성하며,
상기 정상 신호, 상기 합성 정상 신호, 상기 비정상 신호, 상기 합성 비정상 신호, 재생성 정상 신호 및 재생성 비정상 신호 중 선택된 두 신호에 기초하여 상기 제1생성자 모델 및 상기 제2생성자 모델을 최적화하는, 분석 장치. - 제12항에 있어서,
상기 합성 정상 신호에 기초하여 상기 분석 대상 심전도 데이터를 복원하는 신호 복원부,
를 더 포함하는 것인, 분석 장치. - 제12항에 있어서,
상기 분석 모델은,
상기 분석 대상 심전도 데이터에 기초하여 상기 합성 정상 신호를 출력하는 상기 제1생성자 모델; 및
상기 분석 대상 심전도 데이터에 기초하여 상기 합성 비정상 신호를 출력하는 상기 제2생성자 모델,
을 포함하는 생성적 적대 신경망(Generative Adversarial Network, GAN) 기반의 알고리즘인 것인, 분석 장치. - 제13항에 있어서,
상기 신호 복원부는,
상기 분석 대상 심전도 데이터가 이상 심전도 데이터를 포함하는 것으로 판단되면 상기 이상 심전도 데이터를 합성 정상 신호로 대체하는 것인, 분석 장치. - 이상 심전도 신호의 판별 및 복원을 위한 생성적 적대 신경망 기반의 분석 모델 학습 장치에 있어서,
복수의 심전도 데이터를 수집하는 수집부;
상기 복수의 심전도 데이터 중 미리 설정된 품질 기준을 충족하는 데이터를 선별하는 전처리를 수행하여 학습 데이터를 획득하는 데이터 가공부; 및
분석 대상 심전도 데이터가 입력되면 합성 정상 신호 및 합성 비정상 신호를 출력하는 상기 분석 모델을 상기 학습 데이터에 기초하여 구축하는 학습부,
를 포함하며,
상기 학습 데이터는 정상 신호를 포함하고,
상기 학습부는,
상기 정상 신호에 소정의 노이즈 성분을 추가하여 비정상 신호를 생성하고,
상기 비정상 신호를 제1생성자 모델에 입력하여 합성 정상 신호를 생성하고, 상기 생성된 합성 정상 신호를 제2생성자 모델에 입력하여 재생성 비정상 신호를 생성하며,
상기 정상 신호를 상기 제2생성자 모델에 입력하여 합성 비정상 신호를 생성하고, 상기 생성된 합성 비정상 신호를 상기 제1생성자 모델에 입력하여 재생성 정상 신호를 생성하며,
상기 정상 신호, 상기 합성 정상 신호, 상기 비정상 신호, 상기 합성 비정상 신호, 재생성 정상 신호 및 재생성 비정상 신호 중 선택된 두 신호에 기초하여 상기 제1생성자 모델 및 상기 제2생성자 모델을 최적화하는, 학습 장치.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220138285A KR102608735B1 (ko) | 2022-10-25 | 2022-10-25 | 인공지능 기반의 심전도 신호 분석 장치 및 방법 |
| PCT/KR2023/001127 WO2024090682A1 (ko) | 2022-10-25 | 2023-01-25 | 인공지능 기반의 심전도 신호 분석 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220138285A KR102608735B1 (ko) | 2022-10-25 | 2022-10-25 | 인공지능 기반의 심전도 신호 분석 장치 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102608735B1 true KR102608735B1 (ko) | 2023-12-04 |
Family
ID=89165029
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220138285A KR102608735B1 (ko) | 2022-10-25 | 2022-10-25 | 인공지능 기반의 심전도 신호 분석 장치 및 방법 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR102608735B1 (ko) |
| WO (1) | WO2024090682A1 (ko) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004505658A (ja) * | 2000-08-03 | 2004-02-26 | シーメンス メディカル ソリューションズ ユーエスエー インコーポレイテッド | 誘導を合成し精度の尺度を形成するための心電図システム |
| KR20220008448A (ko) * | 2020-07-14 | 2022-01-21 | 주식회사 바디프랜드 | 생성적 적대 신경망 알고리즘을 기반으로 하는 심전도 생성 장치 및 그 방법 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220061768A1 (en) * | 2020-09-01 | 2022-03-03 | Biosense Webster (Israel) Ltd. | Removing noise from cardiac signals |
| KR20220098600A (ko) * | 2021-01-04 | 2022-07-12 | 주식회사 바디프랜드 | 시차를 둔 단일유도 심전도를 통한 딥러닝기반의 복수 유도 심전도 생성 시스템 |
| KR102417949B1 (ko) * | 2022-03-24 | 2022-07-06 | (주)나눔테크 | 인공지능 기반 자동심장충격기용 심전도 분석 및 적용 방법 |
-
2022
- 2022-10-25 KR KR1020220138285A patent/KR102608735B1/ko active IP Right Grant
-
2023
- 2023-01-25 WO PCT/KR2023/001127 patent/WO2024090682A1/ko unknown
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004505658A (ja) * | 2000-08-03 | 2004-02-26 | シーメンス メディカル ソリューションズ ユーエスエー インコーポレイテッド | 誘導を合成し精度の尺度を形成するための心電図システム |
| KR20220008448A (ko) * | 2020-07-14 | 2022-01-21 | 주식회사 바디프랜드 | 생성적 적대 신경망 알고리즘을 기반으로 하는 심전도 생성 장치 및 그 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024090682A1 (ko) | 2024-05-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11529103B2 (en) | Artificial intelligence self-learning-based automatic electrocardiography analysis method and apparatus | |
| EP3692900B1 (en) | Artificial intelligence self-learning-based static electrocardiography analysis method and apparatus | |
| WO2019100562A1 (zh) | 基于人工智能的心电图心搏自动识别分类方法 | |
| US11324455B2 (en) | Artificial intelligence-based interference recognition method for electrocardiogram | |
| US20200074281A1 (en) | Computer-readable recording medium, abnormality determination method, and abnormality determination device | |
| CN104367317A (zh) | 多尺度特征融合的心电图心电信号分类方法 | |
| CN114041795A (zh) | 基于多模态生理信息与深度学习的情绪识别方法及系统 | |
| Huang et al. | ECG restitution analysis and machine learning to detect paroxysmal atrial fibrillation: insight from the equine athlete as a model for human athletes | |
| KR102608735B1 (ko) | 인공지능 기반의 심전도 신호 분석 장치 및 방법 | |
| Havugimana et al. | Predicting cognitive load using parameter-optimized cnn from spatial-spectral representation of eeg recordings | |
| Arsene | Complex deep learning models for denoising of human heart ecg signals | |
| JP7294459B2 (ja) | 生体信号解析システム | |
| Jiang et al. | A hybrid model of maximum margin clustering method and support vector regression for solving the inverse ECG problem | |
| Freitas et al. | Assessing the quality of photoplethysmograms via gramian angular fields and vision transformer | |
| KR102570598B1 (ko) | 결측 심전도 신호 재생성 장치 및 방법 | |
| Zhu et al. | Structure and feature based graph U-net for early Alzheimer’s disease prediction | |
| KR102618522B1 (ko) | 심전도 신호를 이용한 파킨슨병 분석 장치 및 방법 | |
| Nallikuzhy et al. | Spatial enhancement of ECG using multiple joint dictionary learning | |
| Jiahao et al. | An end-end arrhythmia diagnosis model based on deep learning neural network with multi-scale feature extraction | |
| Burdulis | Automated Wearable ECG Data Editing with DNN | |
| Augustyniak | Pointwise Estimation of Noise in a Multilead ECG Record | |
| Bourkha et al. | Ventricular Ectopic beats detection based wavelet scattering network and ensemble bagged trees for smart medical systems | |
| Vasconcelos et al. | Multi-center atrial fibrillation electrocardiogram (ECG) classification using Fourier space convolutional neural networks (FD-CNN) and transfer learning | |
| Gusev et al. | Optimizing Heartbeat Classification using Bézier Interpolation | |
| Yindi et al. | Optimal decomposition level selection approach in wavelet threshold denoising algorithm for ECG signal |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |