KR102618522B1

KR102618522B1 - 심전도 신호를 이용한 파킨슨병 분석 장치 및 방법

Info

Publication number: KR102618522B1
Application number: KR1020220138432A
Authority: KR
Inventors: 주형준; 이찬녕; 유학제; 김종호
Original assignee: 주식회사 틸더
Priority date: 2022-10-25
Filing date: 2022-10-25
Publication date: 2023-12-28
Also published as: WO2024090681A1

Abstract

심전도 신호를 이용한 파킨슨병 분석 장치 및 방법이 개시되며, 본원의 일 실시예에 따른 심전도 신호를 이용한 파킨슨병 분석 방법은, 파킨슨병 환자의 심전도 신호를 포함하는 학습 데이터를 준비하는 단계, 분석 대상 심전도 데이터가 입력되면, 상기 분석 대상 심전도 데이터와 연계된 소정의 특징 파라미터를 이용하여 상기 분석 대상 심전도 데이터의 피측정자의 파킨슨병과 연계된 질환 정보를 출력하는 인공지능 기반의 분석 모델을 상기 학습 데이터에 기초하여 구축하는 단계 및 상기 분석 대상 심전도 데이터를 획득하고, 상기 분석 모델을 통해 상기 질환 정보를 도출하는 단계를 포함할 수 있다.

Description

심전도 신호를 이용한 파킨슨병 분석 장치 및 방법{APPARATUS AND METHOD FOR ANALYZING PARKINSON’S DISEASE USING ELECTROCARDIOGRAM SIGNAL}

본원은 심전도 신호를 이용한 파킨슨병 분석 장치 및 방법에 관한 것이다. 예를 들면, 본원은 파킨슨병의 선별 및 조기 진단을 위한 심전도 분석 인공지능 알고리즘에 관한 것이다. 이 특허는 2021년도 정부(교육부)의 재원으로 한국연구재단(No.2021R1I1A1A01059747) 및 석천나눔재단의 지원을 받아 수행된 연구이다(No. SCY2106P).

종래의 파킨슨병에 대한 진단은 전문의의 주관적인 판단에 많이 의존하였고, 이로 인해 주치의가 파킨슨병에 대해 잘 모르면 진단이 늦어지는 경우가 발생할 수 있었다.

이러한, 파킨슨병의 진단에 있어서 DAT(Dopamine transporter) 스캔과 같은 영상검사가 다른 질환과의 감별 및 진단에 도움을 주는 것으로 알려져 있지만, 표준적인 진단 방법으로 채택될 만큼의 정확도 수준을 보이지는 못하고 있고, 숙련된 영상의학과 전문의의 해석이 필요할 뿐만 아니라, 고비용의 검사라는 점에서 널리 시행하기에 제한이 많은 실정이다.

그 밖에도 뇌파, 뇌척수액 검사 등을 이용한 파킨슨병 진단 기술이 개발되고 있으나 마찬가지로 고비용이거나 침습적인 검사 방식이라는 한계가 있어 범용적인 활용이 어렵다.

또한, 최근에는 피검사자의 보행 영상, 음성 데이터 등에 대한 분석 결과를 활용하여 파킨슨병을 진단하려는 시도도 진행되고 있으나 이러한 동영상 및 음성은 검사방법에 있어서 표준화가 되어 있지 않기 때문에 성능 재현성 측면에서 의문이 있다.

본원의 배경이 되는 기술은 한국등록특허공보 제10-2068836호에 개시되어 있다.

본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 의료 기관에서 폭넓게 활용되는 표준 검사 방식에 따른 심전도 신호를 활용함으로써 범용성이 우수한 파킨슨병 분석 장치 및 방법을 제공하려는 것을 목적으로 한다.

본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 심전도 데이터에 대한 특징 파라미터를 기초로 하여 피측정자의 파킨슨병과 연계된 질환 정보를 출력하는 인공지능 기반의 분석 모델을 이용한 파킨슨병 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 심전도 신호를 이용한 파킨슨병 분석 방법은, 파킨슨병 환자의 심전도 신호를 포함하는 학습 데이터를 준비하는 단계, 분석 대상 심전도 데이터가 입력되면, 상기 분석 대상 심전도 데이터와 연계된 소정의 특징 파라미터를 이용하여 상기 분석 대상 심전도 데이터의 피측정자의 파킨슨병과 연계된 질환 정보를 출력하는 인공지능 기반의 분석 모델을 상기 학습 데이터에 기초하여 구축하는 단계 및 상기 분석 대상 심전도 데이터를 획득하고, 상기 분석 모델을 통해 상기 질환 정보를 도출하는 단계를 포함할 수 있다.

또한, 상기 준비하는 단계는, 특발성 파킨슨병(Idiopathic Parkinson's disease) 환자의 제1심전도 신호 및 약인성 파킨슨증후군(Drug-induced parkinsonism) 환자의 제2심전도 신호를 포함하는 상기 학습 데이터를 수집할 수 있다.

또한, 상기 질환 정보를 도출하는 단계는, 상기 피측정자의 상기 특발성 파킨슨병에 대한 질환 유무 정보 및 상기 피측정자의 상기 약인성 파킨슨증후군에 대한 질환 유무 정보 중 적어도 하나를 포함하는 상기 질환 정보를 상기 분석 모델을 통해 출력할 수 있다.

또한, 상기 분석 모델은 합성곱 신경망(Convolution Neural Network, CNN) 기반의 알고리즘일 수 있다.

또한, 본원의 일 실시예에 따른 심전도 신호를 이용한 파킨슨병 분석 방법은, 상기 알고리즘과 연계된 하이퍼 파라미터를 베이지안 최적화 기법에 기초하여 결정하는 단계를 포함할 수 있다.

또한, 본원의 일 실시예에 따른 심전도 신호를 이용한 파킨슨병 분석 방법은, 상기 분석 대상 심전도 데이터에 대하여 삭제, 치환 및 추출 중 적어도 하나를 포함하는 전처리 프로세스를 적용하는 단계를 포함할 수 있다.

또한, 상기 분석 대상 심전도 데이터는 복수의 심전도 리드 데이터를 포함할 수 있다.

또한, 상기 전처리 프로세스를 적용하는 단계는, 상기 복수의 심전도 리드 데이터 중 적어도 일부 유형의 리드 데이터를 제거하는 전처리를 적용할 수 있다.

한편, 본원의 일 실시예에 따른 심전도 신호를 이용한 인공지능 기반의 파킨슨병 분석 모델 학습 방법은, 파킨슨병 환자의 심전도 신호를 포함하는 학습 데이터를 준비하는 단계, 상기 분석 모델과 연계된 하이퍼 파라미터를 베이지안 최적화 기법에 기초하여 결정하는 단계 및 분석 대상 심전도 데이터가 입력되면, 상기 분석 대상 심전도 데이터와 연계된 소정의 특징 파라미터를 이용하여 상기 분석 대상 심전도 데이터의 피측정자의 파킨슨병과 연계된 질환 정보를 출력하는 상기 분석 모델을 상기 학습 데이터 및 상기 하이퍼 파라미터에 기초하여 구축하는 단계를 포함할 수 있다.

한편, 본원의 일 실시예에 따른 심전도 신호를 이용한 파킨슨병 분석 장치는, 파킨슨병 환자의 심전도 신호를 포함하는 학습 데이터를 준비하는 수집부, 분석 대상 심전도 데이터가 입력되면, 상기 분석 대상 심전도 데이터와 연계된 소정의 특징 파라미터를 이용하여 상기 분석 대상 심전도 데이터의 피측정자의 파킨슨병과 연계된 질환 정보를 출력하는 인공지능 기반의 분석 모델을 상기 학습 데이터에 기초하여 구축하는 학습부 및 상기 분석 대상 심전도 데이터를 획득하고, 상기 분석 모델을 통해 상기 질환 정보를 도출하는 추론부를 포함할 수 있다.

또한, 상기 수집부는, 특발성 파킨슨병(Idiopathic Parkinson's disease) 환자의 제1심전도 신호 및 약인성 파킨슨증후군(Drug-induced parkinsonism) 환자의 제2심전도 신호를 포함하는 상기 학습 데이터를 수집할 수 있다.

또한, 상기 추론부는, 상기 피측정자의 상기 특발성 파킨슨병에 대한 질환 유무 정보 및 상기 피측정자의 상기 약인성 파킨슨증후군에 대한 질환 유무 정보 중 적어도 하나를 포함하는 상기 질환 정보를 상기 분석 모델을 통해 출력할 수 있다.

또한, 본원의 일 실시예에 따른 심전도 신호를 이용한 파킨슨병 분석 장치는, 상기 분석 모델과 연계된 하이퍼 파라미터를 베이지안 최적화 기법에 기초하여 결정하는 최적화부를 포함할 수 있다.

또한, 본원의 일 실시예에 따른 심전도 신호를 이용한 파킨슨병 분석 장치는, 상기 분석 대상 심전도 데이터에 대하여 삭제, 치환 및 추출 중 적어도 하나를 포함하는 전처리 프로세스를 적용하는 전처리부를 포함할 수 있다.

한편, 본원의 일 실시예에 따른 심전도 신호를 이용한 인공지능 기반의 파킨슨병 분석 모델 학습 장치는, 파킨슨병 환자의 심전도 신호를 포함하는 학습 데이터를 준비하는 수집부, 상기 분석 모델과 연계된 하이퍼 파라미터를 베이지안 최적화 기법에 기초하여 결정하는 최적화부 및 분석 대상 심전도 데이터가 입력되면, 상기 분석 대상 심전도 데이터와 연계된 소정의 특징 파라미터를 이용하여 상기 분석 대상 심전도 데이터의 피측정자의 파킨슨병과 연계된 질환 정보를 출력하는 상기 분석 모델을 상기 학습 데이터 및 상기 하이퍼 파라미터에 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, 의료 기관에서 폭넓게 활용되는 표준 검사 방식에 따른 심전도 신호를 활용함으로써 범용성이 우수한 파킨슨병 분석 장치 및 방법을 제공할 수 있다.

전술한 본원의 과제 해결 수단에 의하면, 심전도 데이터에 대한 특징 파라미터를 기초로 하여 피측정자의 파킨슨병과 연계된 질환 정보를 출력하는 인공지능 기반의 분석 모델을 이용한 파킨슨병 분석 장치 및 방법을 제공할 수 있다.

전술한 본원의 과제 해결 수단에 의하면, 파킨슨병의 진단 기준을 특발성 파킨슨병(Idiopathic Parkinson's disease)과 약인성 파킨슨증후군(Drug-induced parkinsonism)로 세분화함으로써 정확도 높은 파킨슨병 진단을 보조할 수 있는 심전도 신호를 이용한 파킨슨병 분석 장치 및 방법을 제공할 수 있다.

전술한 본원의 과제 해결 수단에 의하면, 저비용이면서도 범용적인 검사 데이터를 활용한 현실성 높은 파킨슨병 진단을 위한 보급형 모델을 구축할 수 있다.

전술한 본원의 과제 해결 수단에 의하면, 12-lead 심전도 기기 등과 같은 측정 정비에 탑재함으로써 임상 지원 시스템으로의 확장 적용이 용이할 수 있다.

전술한 본원의 과제 해결 수단에 의하면, 휴대용 단일 심전도 검사 장비, 웨어러블 검사 기기 등에 탑재됨으로써 원격 진료 시스템의 구현을 위한 원천기술로 활용될 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 2는 본원의 일 실시예에 따른 심전도 신호를 이용한 파킨슨병 분석 장치의 인공지능 기반의 분석 모델을 설명하기 위한 개념도이다.
도 3은 심전도 신호에 대하여 적용되는 전처리 프로세스를 설명하기 위한 도면이다.
도 4는 본원의 일 실시예에 따른 심전도 신호를 이용한 파킨슨병 분석 장치의 인공지능 기반의 분석 모델의 하이퍼 파라미터에 대한 최적화 기법을 설명하기 위한 개념도이다.
도 5는 본원의 일 실시예에 따른 심전도 신호를 이용한 파킨슨병 분석 장치와 연계된 일 실험예로서, 인공지능 기반의 분석 모델의 파킨슨병에 대한 판별 성능에 대한 평가 결과를 나타낸 그래프이다.
도 6은 본원의 일 실시예에 따른 심전도 신호를 이용한 파킨슨병 분석 장치의 개략적인 구성도이다.
도 7은 본원의 일 실시예에 따른 심전도 신호를 이용한 파킨슨병 분석 방법에 대한 동작 흐름도이다.
도 8은 본원의 일 실시예에 따른 심전도 신호를 이용한 인공지능 기반의 파킨슨병 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 심전도 신호를 이용한 파킨슨병 분석 장치 및 방법에 관한 것이다. 예를 들면, 본원은 파킨슨병의 선별 및 조기 진단을 위한 심전도 분석 인공지능 알고리즘에 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.

이하에서는 도 2 내지 도 4를 참조하여 분석 장치(100)의 구체적인 기능 및 동작에 대하여 설명하도록 한다.

도 2는 본원의 일 실시예에 따른 심전도 신호를 이용한 파킨슨병 분석 장치의 인공지능 기반의 분석 모델을 설명하기 위한 개념도이다.

도 2를 참조하면, 분석 장치(100)는 특정 피측정자의 분석 대상 심전도 데이터가 입력 데이터(Input variables)로 인가되면, 파킨슨병 환자 그룹(Parkinson group)의 심전도 신호 및 정상 그룹(Normal group)의 심전도 신호를 포함하는 학습 데이터를 이용하여 구축된 인공지능 기반의 분석 모델(Deep-Convolution neural network)을 통해 해당 피측정자의 파킨슨병과 연계된 질환 정보를 출력 데이터(Output variables)로 도출하도록 동작할 수 있다.

또한, 도 2를 참조하면, 분석 장치(100)로 인가되는 분석 대상 심전도 데이터는 복수의 심전도 리드 데이터를 포함(예를 들면, 12-lead ECG 등)하되, 분석 모델로 입력되는 입력 데이터는 복수의 심전도 리드 데이터 중 적어도 일부 유형의 리드 데이터를 제거하는 전처리가 적용된 데이터 셋(예를 들면, 12-lead 신호 중 선정된 8개의 ECG 신호 등)일 수 있다.

또한, 도 2를 참조하면, 분석 장치(100)의 출력 데이터는 파킨슨병의 질환 유무에 대한 정보에 대응하는 바이너리(binary) 타입의 데이터(예를 들면, 출력값 1은 피측정자가 파킨슨병의 질환자로 판별된 결과를 나타내고, 출력값 0은 피측정자가 파킨슨병의 질환자가 아닌 것으로 판별된 결과를 나타내는 등의 출력 데이터)로 출력되는 것일 수 있으나, 이에만 한정되는 것은 아니다. 다른 예로, 분석 장치(100)는 피측정자를 특발성 파킨슨병(Idiopathic Parkinson's disease) 환자에 해당하는 것으로 판별하거나 약인성 파킨슨증후군(Drug-induced parkinsonism) 환자에 해당하는 것으로 판별하거나 파킨슨병 관련 질환이 존재하지 않는 정상 상태인 것으로 판별하는 분석 정보가 출력 데이터로서 도출되는 것일 수 있다.

또 다른 예로, 본원의 일 실시예에 따르면, 분석 장치(100)의 출력 데이터는 피측정자가 파킨슨병 질환이 존재하는 것으로 판단되는 경우, 해당 피측정자의 파킨슨병 질환과 연계된 증상 수준에 대한 평가 결과를 포함하는 분석 정보를 포함할 수 있다.

분석 장치(100)는 인공지능 기반의 분석 모델의 학습(구축)을 위하여 파킨슨병 환자의 심전도 신호를 포함하는 학습 데이터를 준비할 수 있다. 이와 관련하여 본원의 일 실시예에 따르면, 분석 장치(100)는 특발성 파킨슨병(Idiopathic Parkinson's disease) 환자의 제1심전도 신호, 약인성 파킨슨증후군(Drug-induced parkinsonism) 환자의 제2심전도 신호 및 정상인의 제3심전도 신호를 포함하는 학습 데이터를 수집할 수 있다.

참고로, 약인성 파킨슨증후군(Drug-induced parkinsonism)은 약물 복용에 따른 부작용으로 안면부와 사지 등에 떨림 증상이 나타나는 질환으로서, 특발성 파킨슨병(Idiopathic Parkinson's disease)과 유사한 증상을 보이기 때문에 임상적으로 양자를 명확하게 구분하여 진단을 내리는 것이 중요할 수 있다. 이에 따라 본원에서 개시하는 분석 장치(100)는 특발성 파킨슨병(Idiopathic Parkinson's disease)의 영향에 따른 심전도 신호의 특성과 약인성 파킨슨증후군(Drug-induced parkinsonism)의 영향에 따른 심전도 신호의 특성을 엄밀히 구분할 수 있도록 인공지능 기반의 분석 모델의 학습 시 특발성 파킨슨병(Idiopathic Parkinson's disease) 환자의 제1심전도 신호와 약인성 파킨슨증후군(Drug-induced parkinsonism) 환자의 제2심전도 신호를 구분하여 수집하고, 이를 학습 데이터로서 활용할 수 있다.

이와 관련하여, 분석 장치(100)는 학습 데이터로서 수집되는 심전도 신호에 대하여 할당된 진단 코드 정보와 해당 심전도 신호의 계측 시 평가된 임상 내용 데이터를 기반으로 제1심전도 신호와 제2심전도 신호를 구분할 수 있다.

구체적으로 분석 장치(100)는 미리 설정된 유형의 진단 코드 그룹(예를 들면, G23.2, G23.3, G90.3, G90.3A 등)이 할당된 환자의 심전도 신호는 제1심전도 신호로 선정되지 않도록 분류할 수 있다. 또한, 분석 장치(100)는 DPD진단 시점 전후 3개월 내에 도파민 감퇴 증상(dopamine decreased)이 발생한 환자이면서 전술한 진단 코드 그룹에 포함된 진단 코드가 할당된 환자의 심전도 신호는 제2심전도 신호로 선정되지 않도록 분류할 수 있다.

또한, 본원의 일 실시예에 따르면, 분석 장치(100)는 파킨슨병(특발성 파킨슨병)의 진단 횟수가 미리 설정된 임계 횟수(예를 들면, 4회) 이상이면서 투약일 임계 기간(예를 들면, 90일 등) 이상인 환자, 파킨슨병(특발성 파킨슨병)의 진단 횟수가 1회 이상이면서, 진단 전후 6개월 이내 DAT 감퇴(decreased) 증상이 발생한 환자, 파킨슨병(특발성 파킨슨병)의 진단 후 ECG 검사 이력이 있는 환자 등의 심전도 신호를 제1심전도 신호로서 수집할 수 있으나, 이에만 한정되는 것은 아니다.

또한, 본원의 일 실시예에 따르면, 분석 장치(100)는 약인성 파킨슨증후군(Drug-induced parkinsonism)의 진단 전후 3개월 내에 DAT density decreased가 발생한 환자를 제외하고, 약인성 파킨슨증후군(Drug-induced parkinsonism) 진단 후 ECG 검사 이력이 있는 환자의 심전도 신호를 제2심전도 신호로서 수집할 수 있으나, 이에만 한정되는 것은 아니다.

도 3은 심전도 신호에 대하여 적용되는 전처리 프로세스를 설명하기 위한 도면이다.

도 3을 참조하면, 분석 장치(100)는 수집된 심전도 신호의 파형에 대한 전처리를 통해 이상 파형의 영향을 저감시킬 수 있다. 구체적으로, 분석 장치(100)는 이상 파형 구간 탐색, 이상 파형 구간 선별, 선별 구간 삭제 및 스플라인 복원을 포함하는 전처리 프로세스를 적용할 수 있으나, 이에만 한정되는 것은 아니다.

다른 예로, 분석 장치(100)는 도 3에 도시된 바와 같이 미리 설정된 프레임 구간(예를 들면, 5000 frame 등)을 단위로 하여 수집되는 심전도 신호에서 노이즈 등이 존재하지 않는 유의미한 데이터를 확보하기 위해 앞 부분 데이터의 일부 구간(예를 들면, 200 msec 길이의 데이터)에 해당하는 프레임 데이터(예를 들면, 100 frame)를 삭제하는 전처리를 적용할 수 있다.

달리 말해, 분석 장치(100)는 학습 데이터로서 수집된 심전도 신호에 대하여 삭제, 치환 및 추출 중 적어도 하나를 포함하는 전처리 프로세스를 적용할 수 있으며, 이는 후술하는 분석 대상 심전도 데이터에 대하여도 동일한 방식으로 적용될 수 있다.

도 4는 본원의 일 실시예에 따른 심전도 신호를 이용한 파킨슨병 분석 장치의 인공지능 기반의 분석 모델의 하이퍼 파라미터에 대한 최적화 기법을 설명하기 위한 개념도이다.

도 4를 참조하면, 분석 장치(100)는 후술하는 인공지능 기반의 분석 모델의 하이퍼 파라미터(Hyper parameter)를 최적화하기 위해 베이지안 최적화 기법(Bayesian optimizer)을 적용할 수 있다. 베이지안 최적화는 가우시안 프로세스(Gaussian process)를 이용하여 목적함수를 최적화함으로써 하이퍼 파라미터를 자동 선정하는 기법(Methodology)으로서, 하이퍼 파라미터의 튜닝은 매뉴얼 최적화 방식으로도 달성될 수 있으나, 이는 분석 모델을 구축하는 개발자의 경험에 의존해야 한다는 한계점이 존재하는 반면, 베이지안 최적화는 반복 횟수가 적고 수렴 속도가 빠르며 정확한 하이퍼 파라미터의 선정이 가능하다는 이점이 있다.

예시적으로 도 4를 참조하면, 본원에서 개시하는 인공지능 기반의 분석 모델은 합성곱 신경망(Convolution Neural Network, CNN) 기반의 알고리즘일 수 있으나, 이에만 한정되는 것은 아니며, 본원에서 개시하는 분석 모델은 종래 이미 공지되었거나 향후 개발될 수 있는 다양한 인공지능 기반의 알고리즘이 적용될 수 있음은 물론이다.

또한, 합성곱 신경망(Convolution Neural Network, CNN) 기반의 알고리즘 유형의 분석 모델에 대하여 베이지안 최적화 기법을 적용함으로써 도출되는 하이퍼 파라미터는 예시적으로 도 4를 참조하면, 4 내지 16 범위의 필터 크기, 8 내지 16 범위의 채널 수, 0.2 내지 0.6 범위의 드롭아웃 레이트(Dropout rate), 0.0001 내지 0.1 범위의 학습률(Learning rate) 및 4 내지 8 범위의 배치 사이즈(Batch size) 등으로 최적화될 수 있다.

한편, 도 4를 참조하면, 본원에서 개시하는 인공지능 기반의 분석 모델은 1차원(1-D) CNN 기반의 Deep CNN으로서, 컨볼루션 레이어와 완전 연결 레이어(fully-connected layer)를 포함할 수 있으며, 컨볼루션 레이어는 각각의 커널(Convolution kernel)을 통해 입력 변수의 내적 연산을 수행하여 피쳐 맵(output feature map)을 출력할 수 있다. 이 때, 각각의 커널(Convolution kernel)은 심전도 데이터에 반영되는 특징 파라미터로서 부분 수용 영역(local receptive field)의 크기 정보를 포함할 수 있으며, 이러한 국소적인 특징 추출을 통해 전체 데이터에 대한 특징 파라미터가 유지될 수 있다.

또한, 분석 모델의 풀링 레이어(Pooling layer)는 입력받은 신호의 특성에는 영향을 주지 않으면서 특징 파라미터의 수를 감소시키며, 특징 파라미터의 패턴이 완전 연결 레이어로 전달될 수 있도록 풀링 레이어(Pooling layer)의 출력을 1차원 벡터로 변환할 수 있다. 결과적으로 컨볼루션 레이어에서 획득한 심전도 신호의 특징 파라미터는 완전 연결 레이어 구조로 전달되어 시그모이드 회귀(sigmoid regression)를 통해 파킨슨병의 질환 유무에 대한 예측 결과를 포함하는 질환 정보를 출력하게 된다.

또한, 본원에서 개시하는 인공지능 기반의 분석 모델에 적용되는 활성화 함수(Activation function)은 본원의 일 실시예에 따르면, 리키 렐루(Leaky ReLU)함수일 수 있으나, 이에만 한정되는 것은 아니다.

또한, 분석 장치(100)는 전술한 인공지능 기반의 분석 모델의 학습(구축) 프로세스가 완결되고 나면, 특정 피측정자의 분석 대상 심전도 데이터를 획득할 수 있다. 예를 들어, 분석 장치(100)는 해당 피측정자의 신체에 부착 또는 배치된 측정 장비(200)로부터 분석 대상 심전도 데이터를 수신할 수 있다.

또한, 분석 대상 심전도 데이터는 복수의 심전도 리드 데이터를 포함할 수 있으며, 분석 장치(100)는 복수의 심전도 리드 데이터 중 적어도 일부 유형의 리드 데이터를 제거하는 전처리를 적용할 수 있다. 이와 관련하여 본원의 일 실시예에 따르면, 분석 장치(100)는 12-lead 심전도 신호 유형의 분석 대상 심전도 데이터 중 합성 시그널에 해당하는 일부 리드 데이터를 제거하는 전처리를 적용할 수 있다.

또한, 분석 장치(100)는 구축된 분석 모델을 통해 분석 대상 심전도 데이터에 대응하는 피측정자의 파킨슨병과 연계된 질환 정보를 도출할 수 있다.

구체적으로, 분석 장치(100)는 피측정자의 특발성 파킨슨병(Idiopathic Parkinson's disease)에 대한 질환 유무 정보 및 피측정자의 약인성 파킨슨증후군(Drug-induced parkinsonism)에 대한 질환 유무 정보 중 적어도 하나를 포함하는 질환 정보를 인공지능 기반의 분석 모델을 통해 출력할 수 있다.

이하에서는 도 5를 참조하여 분석 장치(100)의 파킨슨병에 대한 판별 성능에 대한 실험예를 설명하도록 한다.

도 5는 본원의 일 실시예에 따른 심전도 신호를 이용한 파킨슨병 분석 장치와 연계된 일 실험예로서, 인공지능 기반의 분석 모델의 파킨슨병에 대한 판별 성능에 대한 평가 결과를 나타낸 그래프이다.

도 5를 참조하면, 본원의 일 실시예에 따른 심전도 신호를 이용한 파킨슨병 분석 장치와 연계된 일 실험예에서는 0.79 수준의 정확도(Accuracy), 0.76 수준의 정밀도(Precision), 0.75 수준의 재현율(Recall), 0.76 수준의 F1-점수, 0.85 수준의 AUROC를 보여 파킨슨병에 대한 판별 성능이 우수하게 도출된 것을 확인할 수 있다.

한편, 본원에서 개시하는 분석 장치(100)는 12-lead 유형의 심전도 데이터뿐만 아니라, 단일 유도(Single-lead) 유형의 심전도 데이터를 분석 대상 데이터로 하여 질환 정보를 출력하도록 동작할 수 있다.

이러한 단일 유도 심전도 데이터에 대한 인공지능 기반의 분석 모델의 파킨슨병에 대한 판별 성능의 경우, 사지유도 lead I 심전도 데이터를 활용한 분석 모델의 경우, 파킨슨병 판별 시 0.710 수준의 정확도(Accuracy), 0.791 수준의 AUROC를 보였고, 흉부유도 V3 심전도 데이터를 활용한 인공지능 알고리즘의 경우, 파킨슨병 판별 시 0.714 수준의 정확도(Accuracy), 0.777 수준의 AUROC를 보였다.

도 6은 본원의 일 실시예에 따른 심전도 신호를 이용한 파킨슨병 분석 장치의 개략적인 구성도이다.

도 6을 참조하면, 분석 장치(100)는 수집부(110), 전처리부(120), 최적화부(130), 학습부(140) 및 추론부(150)를 포함할 수 있다.

수집부(110)는 파킨슨병 환자의 심전도 신호를 포함하는 학습 데이터를 준비할 수 있다.

본원의 일 실시예에 따르면, 수집부(110)는 특발성 파킨슨병(Idiopathic Parkinson's disease) 환자의 제1심전도 신호 및 약인성 파킨슨증후군(Drug-induced parkinsonism) 환자의 제2심전도 신호를 포함하는 학습 데이터를 구분하여 수집할 수 있다.

전처리부(120)는 학습 데이터로서 수집된 심전도 신호에 대하여 삭제, 치환 및 추출 중 적어도 하나를 포함하는 전처리 프로세스를 적용할 수 있다.

본원의 일 실시예에 따르면, 전처리부(120)는 학습 데이터로서 수집된 복수의 심전도 리드 데이터 중 적어도 일부 유형의 리드 데이터를 제거하는 전처리를 적용할 수 있다.

최적화부(130)는 인공지능 기반의 분석 모델과 연계된 하이퍼 파라미터를 베이지안 최적화 기법에 기초하여 결정할 수 있다.

학습부(140)는 분석 대상 심전도 데이터가 입력되면, 입력된 분석 대상 심전도 데이터와 연계된 소정의 특징 파라미터를 이용하여 분석 대상 심전도 데이터의 피측정자의 파킨슨병과 연계된 질환 정보를 출력하는 인공지능 기반의 분석 모델을 수집된 학습 데이터 및 최적화부(130)에 의해 결정된 하이퍼 파라미터에 기초하여 구축할 수 있다.

추론부(150)는 분석 대상 심전도 데이터를 획득할 수 있다. 한편, 전처리부(120)는 분석 대상 심전도 데이터로서 획득된 복수의 심전도 리드 데이터 중 적어도 일부 유형의 리드 데이터를 제거하는 전처리를 적용할 수 있다.

또한, 추론부(150)는 학습부(140)에 의해 구축된 인공지능 기반의 분석 모델을 통해 피측정자의 질환 정보를 도출할 수 있다.

구체적으로, 추론부(150)는 피측정자의 특발성 파킨슨병에 대한 질환 유무 정보 및 피측정자의 약인성 파킨슨증후군에 대한 질환 유무 정보 중 적어도 하나를 포함하는 질환 정보를 구축된 인공지능 기반의 분석 모델을 통해 출력할 수 있다.

이하에서는 상기에 자세히 설명된 내용을 기반으로, 본원의 동작 흐름을 간단히 살펴보기로 한다.

도 7은 본원의 일 실시예에 따른 심전도 신호를 이용한 파킨슨병 분석 방법에 대한 동작 흐름도이다.

도 7에 도시된 심전도 신호를 이용한 파킨슨병 분석 방법은 앞서 설명된 분석 장치(100)에 의하여 수행될 수 있다. 따라서, 이하 생략된 내용이라고 하더라도 분석 장치(100)에 대하여 설명된 내용은 심전도 신호를 이용한 파킨슨병 분석 방법에 대한 설명에도 동일하게 적용될 수 있다.

도 7을 참조하면, 단계 S11에서 수집부(110)는 파킨슨병 환자의 심전도 신호를 포함하는 학습 데이터를 준비할 수 있다.

본원의 일 실시예에 따르면, 단계 S11에서 수집부(110)는 특발성 파킨슨병(Idiopathic Parkinson's disease) 환자의 제1심전도 신호 및 약인성 파킨슨증후군(Drug-induced parkinsonism) 환자의 제2심전도 신호를 포함하는 학습 데이터를 수집할 수 있다.

다음으로, 단계 S12에서 학습부(140)는 분석 대상 심전도 데이터가 입력되면, 입력된 분석 대상 심전도 데이터와 연계된 소정의 특징 파라미터를 이용하여 분석 대상 심전도 데이터의 피측정자의 파킨슨병과 연계된 질환 정보를 출력하는 인공지능 기반의 분석 모델을 단계 S11에서 수집된 학습 데이터에 기초하여 구축할 수 있다.

다음으로, 단계 S13에서 추론부(150)는 분석 대상 심전도 데이터를 획득할 수 있다.

또한, 단계 S13에서 전처리부(120)는 분석 대상 심전도 데이터로서 획득된 복수의 심전도 리드 데이터 중 적어도 일부 유형의 리드 데이터를 제거하는 전처리를 적용할 수 있다.

다음으로, 단계 S14에서 추론부(150)는 단계 S12에서 구축된 인공지능 기반의 분석 모델을 통해 피측정자의 질환 정보를 도출할 수 있다.

구체적으로, 단계 S14에서 추론부(150)는 피측정자의 특발성 파킨슨병에 대한 질환 유무 정보 및 피측정자의 약인성 파킨슨증후군에 대한 질환 유무 정보 중 적어도 하나를 포함하는 질환 정보를 구축된 인공지능 기반의 분석 모델을 통해 출력할 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 8은 본원의 일 실시예에 따른 심전도 신호를 이용한 인공지능 기반의 파킨슨병 분석 모델 학습 방법에 대한 동작 흐름도이다.

도 8에 도시된 심전도 신호를 이용한 인공지능 기반의 파킨슨병 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 8에 대한 설명에도 동일하게 적용될 수 있다.

도 8을 참조하면, 단계 S21에서 수집부(110)는 파킨슨병 환자의 심전도 신호를 포함하는 학습 데이터를 준비할 수 있다.

또한, 단계 S21에서 전처리부(120)는 학습 데이터로서 수집된 심전도 신호에 대하여 삭제, 치환 및 추출 중 적어도 하나를 포함하는 전처리 프로세스를 적용할 수 있다.

본원의 일 실시예에 따르면, 단계 S21에서 전처리부(120)는 학습 데이터로서 수집된 복수의 심전도 리드 데이터 중 적어도 일부 유형의 리드 데이터를 제거하는 전처리를 적용할 수 있다.

다음으로, 단계 S22에서 최적화부(130)는 인공지능 기반의 분석 모델과 연계된 하이퍼 파라미터를 베이지안 최적화 기법에 기초하여 결정할 수 있다.

다음으로, 단계 S23에서 학습부(140)는 분석 대상 심전도 데이터가 입력되면, 입력된 분석 대상 심전도 데이터와 연계된 소정의 특징 파라미터를 이용하여 분석 대상 심전도 데이터의 피측정자의 파킨슨병과 연계된 질환 정보를 출력하는 인공지능 기반의 분석 모델을 단계 S21을 통해 수집된 학습 데이터 및 단계 S12를 통해 결정된 하이퍼 파라미터에 기초하여 구축할 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 심전도 신호를 이용한 파킨슨병 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 심전도 신호를 이용한 파킨슨병 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: 심전도 신호를 이용한 파킨슨병 분석 장치
110: 수집부
120: 전처리부
130: 최적화부
140: 학습부
150: 추론부
200: 측정 장비
300: 사용자 단말
20: 네트워크

Claims

심전도 신호를 이용한 파킨슨병 분석 방법에 있어서,
각 단계가 파킨슨병 분석 장치에 의해 수행되며,
특발성 파킨슨병(Idiopathic Parkinson's disease) 환자의 제1심전도 신호, 약인성 파킨슨증후군(Drug-induced parkinsonism) 환자의 제2심전도 신호 및 정상인의 제3심전도 신호를 포함하는 학습 데이터를 준비하는 단계;
분석 대상 심전도 데이터가 입력되면, 상기 분석 대상 심전도 데이터와 연계된 소정의 특징 파라미터를 이용하여 상기 분석 대상 심전도 데이터의 피측정자의 파킨슨병과 연계된 질환 정보를 출력하는 인공지능 기반의 분석 모델을 상기 학습 데이터에 기초하여 구축하는 단계; 및
상기 분석 대상 심전도 데이터를 획득하고, 상기 분석 모델을 통해 상기 질환 정보를 도출하는 단계,
를 포함하며,
상기 학습 데이터로서 수집되는 제1심전도 신호 및 제2심전도 신호에 대하여 할당된 진단 코드 정보와 해당 심전도 신호 계측시 평가된 임상 내용 데이터를 기반으로 상기 제1심전도 신호 및 상기 제2심전도 신호를 구분하는 것을 특징으로 는, 분석 방법.
제1항에 있어서,
상기 해당 심전도 신호 계측시 평가된 임상 내용 데이터를 기반으로 상기 제1심전도 신호 및 상기 제2심전도 신호를 구분하는 것은,
상기 제1심전도 신호는, 특발성 파킨슨병의 진단 횟수가 미리 설정된 임계 횟수 이상이면서 투약일 임계 기간 이상인 환자의 심전도 신호, 특발성 파킨슨병의 진단 횟수가 1회 이상이면서 진단 전후 6개월 이내 도파민 운반체 감퇴(DAT decreased) 증상이 발생한 환자의 심전도 신호 및 특별성 파킨슨병의 진단 후 심전도검사(ECG) 이력이 있는 환자의 심전도 신호 중 적어도 하나를 포함하며,
상기 제2심전도 신호는, 약인성 파킨슨증후군의 진단 전후 3개월 내에 도파민 운반체 밀도 감퇴(DAT density decreased)가 발생한 환자를 제외하고 약인성 파킨슨증후군 진단 후 심전도검사(ECG) 이력이 있는 환자의 심전도 신호를 포함하는, 분석 방법.
제1항에 있어서,
상기 질환 정보를 도출하는 단계는,
상기 피측정자의 상기 특발성 파킨슨병에 대한 질환 유무 정보 및 상기 피측정자의 상기 약인성 파킨슨증후군에 대한 질환 유무 정보 중 적어도 하나를 포함하는 상기 질환 정보를 상기 분석 모델을 통해 출력하는 것인, 분석 방법.
제1항에 있어서,
상기 분석 모델은 합성곱 신경망(Convolution Neural Network, CNN) 기반의 알고리즘인 것인, 분석 방법.
제4항에 있어서,
상기 알고리즘과 연계된 하이퍼 파라미터를 베이지안 최적화 기법에 기초하여 결정하는 단계,
를 더 포함하는 것인, 분석 방법.
제1항에 있어서,
상기 분석 대상 심전도 데이터에 대하여 삭제, 치환 및 추출 중 적어도 하나를 포함하는 전처리 프로세스를 적용하는 단계,
를 더 포함하는 것인, 분석 방법.
제6항에 있어서,
상기 분석 대상 심전도 데이터는 복수의 심전도 리드 데이터를 포함하고,
상기 전처리 프로세스를 적용하는 단계는,
상기 복수의 심전도 리드 데이터 중 적어도 일부 유형의 리드 데이터를 제거하는 전처리를 적용하는 것인, 분석 방법.
심전도 신호를 이용한 인공지능 기반의 파킨슨병 분석 모델 학습 방법에 있어서,
각 단계가 파킨슨병 분석 장치에 의해 수행되며,
특발성 파킨슨병(Idiopathic Parkinson's disease) 환자의 제1심전도 신호, 약인성 파킨슨증후군(Drug-induced parkinsonism) 환자의 제2심전도 신호 및 정상인의 제3심전도 신호를 포함하는 학습 데이터를 준비하는 단계;
상기 분석 모델과 연계된 하이퍼 파라미터를 베이지안 최적화 기법에 기초하여 결정하는 단계; 및
분석 대상 심전도 데이터가 입력되면, 상기 분석 대상 심전도 데이터와 연계된 소정의 특징 파라미터를 이용하여 상기 분석 대상 심전도 데이터의 피측정자의 파킨슨병과 연계된 질환 정보를 출력하는 상기 분석 모델을 상기 학습 데이터 및 상기 하이퍼 파라미터에 기초하여 구축하는 단계,
를 포함하며,
상기 학습 데이터로서 수집되는 제1심전도 신호 및 제2심전도 신호에 대하여 할당된 진단 코드 정보와 해당 심전도 신호 계측시 평가된 임상 내용 데이터를 기반으로 상기 제1심전도 신호 및 상기 제2심전도 신호를 구분하는 것을 특징으로 하는, 학습 방법.
심전도 신호를 이용한 파킨슨병 분석 장치에 있어서,
특발성 파킨슨병(Idiopathic Parkinson's disease) 환자의 제1심전도 신호, 약인성 파킨슨증후군(Drug-induced parkinsonism) 환자의 제2심전도 신호 및 정상인의 제3심전도 신호를 포함하는 학습 데이터를 준비하는 수집부;
분석 대상 심전도 데이터가 입력되면, 상기 분석 대상 심전도 데이터와 연계된 소정의 특징 파라미터를 이용하여 상기 분석 대상 심전도 데이터의 피측정자의 파킨슨병과 연계된 질환 정보를 출력하는 인공지능 기반의 분석 모델을 상기 학습 데이터에 기초하여 구축하는 학습부; 및
상기 분석 대상 심전도 데이터를 획득하고, 상기 분석 모델을 통해 상기 질환 정보를 도출하는 추론부,
를 포함하며,
상기 학습 데이터로서 수집되는 제1심전도 신호 및 제2심전도 신호에 대하여 할당된 진단 코드 정보와 해당 심전도 신호 계측시 평가된 임상 내용 데이터를 기반으로 상기 제1심전도 신호 및 상기 제2심전도 신호를 구분하는 것을 특징으로 하는, 분석 장치.
제9항에 있어서,
상기 해당 심전도 신호 계측시 평가된 임상 내용 데이터를 기반으로 상기 제1심전도 신호 및 상기 제2심전도 신호를 구분하는 것은,
상기 제1심전도 신호는, 특발성 파킨슨병의 진단 횟수가 미리 설정된 임계 횟수 이상이면서 투약일 임계 기간 이상인 환자의 심전도 신호, 특발성 파킨슨병의 진단 횟수가 1회 이상이면서 진단 전후 6개월 이내 도파민 운반체 감퇴(DAT decreased) 증상이 발생한 환자의 심전도 신호 및 특별성 파킨슨병의 진단 후 심전도검사(ECG) 이력이 있는 환자의 심전도 신호중 적어도 하나를 포함하며,
상기 제2심전도 신호는, 약인성 파킨슨증후군의 진단 전후 3개월 내에 도파민 운반체 밀도 감퇴(DAT density decreased)가 발생한 환자를 제외하고 약인성 파킨슨증후군 진단 후 심전도검사(ECG) 이력이 있는 환자의 심전도 신호를 포함하는, 분석 장치.
제9항에 있어서,
상기 추론부는,
상기 피측정자의 상기 특발성 파킨슨병에 대한 질환 유무 정보 및 상기 피측정자의 상기 약인성 파킨슨증후군에 대한 질환 유무 정보 중 적어도 하나를 포함하는 상기 질환 정보를 상기 분석 모델을 통해 출력하는 것인, 분석 장치.
제9항에 있어서,
상기 분석 모델과 연계된 하이퍼 파라미터를 베이지안 최적화 기법에 기초하여 결정하는 최적화부,
를 더 포함하는 것인, 분석 장치.
제9항에 있어서,
상기 심전도 신호에 대하여 삭제, 치환 및 추출 중 적어도 하나를 포함하는 전처리 프로세스를 적용하는 전처리부,
를 더 포함하는 것인, 분석 장치.
심전도 신호를 이용한 인공지능 기반의 파킨슨병 분석 모델 학습 장치에 있어서,
특발성 파킨슨병(Idiopathic Parkinson's disease) 환자의 제1심전도 신호, 약인성 파킨슨증후군(Drug-induced parkinsonism) 환자의 제2심전도 신호 및 정상인의 제3심전도 신호를 포함하는 학습 데이터를 준비하는 수집부;
상기 분석 모델과 연계된 하이퍼 파라미터를 베이지안 최적화 기법에 기초하여 결정하는 최적화부; 및
분석 대상 심전도 데이터가 입력되면, 상기 분석 대상 심전도 데이터와 연계된 소정의 특징 파라미터를 이용하여 상기 분석 대상 심전도 데이터의 피측정자의 파킨슨병과 연계된 질환 정보를 출력하는 상기 분석 모델을 상기 학습 데이터 및 상기 하이퍼 파라미터에 기초하여 구축하는 학습부,
를 포함하며,
상기 학습 데이터로서 수집되는 제1심전도 신호 및 제2심전도 신호에 대하여 할당된 진단 코드 정보와 해당 심전도 신호 계측시 평가된 임상 내용 데이터를 기반으로 상기 제1심전도 신호 및 상기 제2심전도 신호를 구분하는 것을 특징으로 하는, 학습 장치.
제14항에 있어서,
상기 분석 모델은 상기 특발성 파킨슨병과 상기 약인성 파킨슨증후군 및 정상을 분류하기 위해 상기 베이지안 최적화 기법을 통해 최적의 상기 하이퍼 파라미터가 선택된 합성곱 신경망(Convolution Neural Network, CNN) 기반의 알고리즘인 것인, 학습 장치.