KR102652326B1 - 멀티 입력과 멀티뷰 프레임워크를 이용한 실시간 다중 부정맥 탐지 장치 - Google Patents
멀티 입력과 멀티뷰 프레임워크를 이용한 실시간 다중 부정맥 탐지 장치 Download PDFInfo
- Publication number
- KR102652326B1 KR102652326B1 KR1020230144443A KR20230144443A KR102652326B1 KR 102652326 B1 KR102652326 B1 KR 102652326B1 KR 1020230144443 A KR1020230144443 A KR 1020230144443A KR 20230144443 A KR20230144443 A KR 20230144443A KR 102652326 B1 KR102652326 B1 KR 102652326B1
- Authority
- KR
- South Korea
- Prior art keywords
- arrhythmia
- level
- unit
- features
- low
- Prior art date
Links
- 206010003119 arrhythmia Diseases 0.000 title claims abstract description 127
- 230000006793 arrhythmia Effects 0.000 title claims abstract description 127
- 238000001514 detection method Methods 0.000 claims abstract description 59
- 238000000605 extraction Methods 0.000 claims description 50
- 230000004927 fusion Effects 0.000 claims description 43
- 239000000284 extract Substances 0.000 claims description 30
- 230000002123 temporal effect Effects 0.000 claims description 8
- 230000003252 repetitive effect Effects 0.000 claims description 3
- 230000001314 paroxysmal effect Effects 0.000 abstract description 5
- 230000002085 persistent effect Effects 0.000 abstract description 4
- 206010003658 Atrial Fibrillation Diseases 0.000 description 9
- 206010047302 ventricular tachycardia Diseases 0.000 description 9
- 206010003662 Atrial flutter Diseases 0.000 description 8
- 206010003671 Atrioventricular Block Diseases 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000007635 classification algorithm Methods 0.000 description 7
- 238000000034 method Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000033764 rhythmic process Effects 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000000718 qrs complex Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 206010002383 Angina Pectoris Diseases 0.000 description 1
- 206010007572 Cardiac hypertrophy Diseases 0.000 description 1
- 208000006029 Cardiomegaly Diseases 0.000 description 1
- 206010042602 Supraventricular extrasystoles Diseases 0.000 description 1
- 208000009729 Ventricular Premature Complexes Diseases 0.000 description 1
- 206010047289 Ventricular extrasystoles Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
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
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
-
- 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
-
- 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)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Cardiology (AREA)
- Artificial Intelligence (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
멀티 입력과 멀티뷰 프레임워크를 이용한 실시간 다중 부정맥 탐지 장치를 개시한다.
본 실시예는 기 설정된 입력 시간(예컨대, 30초)을 기반으로 정보의 누락 없이 입력 샘플의 특성을 파악하여 보다 다양한 부정맥을 정확하게 검출할 수 있도록 하며, 하나의 윈도우에 하나의 부정맥만을 검출할 수 있는 것이 아닌, 발작성, 지속성 부정맥 모두를 검출할 수 있으며, 부정맥의 발생 시간, 종료 시간을 확인할 수 있으므로 지속시간을 산출하고, 산출된 부정맥의 지속시간을 기반으로 임상에서 맞는 치료 계획 및 처방에 참고할 수 있도록 하는 멀티 입력과 멀티뷰 프레임워크를 이용한 실시간 다중 부정맥 탐지 장치를 제공한다.
본 실시예는 기 설정된 입력 시간(예컨대, 30초)을 기반으로 정보의 누락 없이 입력 샘플의 특성을 파악하여 보다 다양한 부정맥을 정확하게 검출할 수 있도록 하며, 하나의 윈도우에 하나의 부정맥만을 검출할 수 있는 것이 아닌, 발작성, 지속성 부정맥 모두를 검출할 수 있으며, 부정맥의 발생 시간, 종료 시간을 확인할 수 있으므로 지속시간을 산출하고, 산출된 부정맥의 지속시간을 기반으로 임상에서 맞는 치료 계획 및 처방에 참고할 수 있도록 하는 멀티 입력과 멀티뷰 프레임워크를 이용한 실시간 다중 부정맥 탐지 장치를 제공한다.
Description
본 발명의 일 실시예는 멀티 입력과 멀티뷰 프레임워크를 이용한 실시간 다중 부정맥 탐지 장치에 관한 것이다.
이하에 기술되는 내용은 단순히 본 실시예와 관련되는 배경 정보만을 제공할 뿐 종래기술을 구성하는 것이 아니다.
의료진의 심전도 분석을 도와주는 심전도 판독 시스템이 개발되어 있다. 종래의 심전도 판독 시스템은 파형의 R, P, T 피크(Peak)를 검출하고 있으며, 규칙기반으로 부정맥 검출하고 분류한다.
종래의 심전도 판독 시스템은 환자의 전체 심전도 신호 데이터를 받아 분석하여 그 결과를 출력한다. 딥러닝 기술은 기존 방법들에 비해 정확성이 높기 때문에 심전도 판독 알고리즘으로 최근 많이 연구되고 있다.
심전도를 이용한 부정맥 판단은 일정 자격을 갖춘 의료진만이 할 수 있지만 수요에 비해 인력이 부족한 현실이다. 심전도 판독 시 P, QRS, T 파형의 모양과 구간 간에 시간 차 계산, 심전도 리듬에 대한 분석 등 심전도 신호를 다양한 시각에서 판독해야 하기 때문에 시간이 많이 소요된다. 병상 환자의 심전도는 의료진이 실시간으로 관측하여 환자의 상태를 주시해야 하지만, 인력부족으로 인해 지속적인 모니터링이 힘들다. 심전도 분석은 환자의 생명과 직결되기 때문에 정확해야 하고 응급환자 발생 시에는 빠르게 동작되어야 한다.
종래의 심전도 분석은 P, QRS, T 파형 구간의 끝점, 시작점 등을 이용하는 경우도 있지만 종래의 기술은 피크(Peak)만을 찾아 그 활용도가 떨어진다. 부정맥 검출 및 분류 시 규칙기반의 알고리즘 설계는 파형의 다양성 때문에 정확도가 떨어지고, 부정맥의 추가 시 새로운 규칙기반 알고리즘을 설계해야 한다.
종래의 부정맥 검출 및 분류 알고리즘은 다양한 형태로 개발되었다.
종래의 CNN(Convolutional Neural Network) 기반 부정맥 분류 알고리즘은 다양한 특징을 추출할 수 있다. CNN 기반 부정맥 분류 알고리즘은 컨볼루션 레이어(Convolutional Layer)를 여러 층을 쌓으며 각 부정맥의 특징을 추출하지만, 심방세동 분류 위주의 알고리즘으로서, 다양한 부정맥을 분류하기 적합하며 지역 특징만을 추출하여 분류 성능이 높지 않았다.
CNN 기반 부정맥 분류 알고리즘의 단점을 극복하기 위해 잔차네트워크(Residual Network)와 SE(Squeeze-and-Excitation) 블럭(Block)을 이용한 부정맥의 전역 특징을 추출 및 학습하는 알고리즘이 존재한다. 잔차네트워크와 SE 블럭을 이용한 부정맥 분류 알고리즘은 다양한 부정맥 분류에 대한 성능이 높아졌으나 입력 신호에 대한 하나의 부정맥 분류만이 가능하여 입력 신호에서 여러 개의 부정맥이 나타날 가능성을 고려하지 않았다는 문제가 있다.
LSTM(Long Short Term Memory) 기반 부정맥 분류 알고리즘은 CNN 기반 알고리즘의 연속적 관계성을 학습하지 못하는 문제점을 극복하기 위해 개발되었다. 하지만, LSTM 기반 부정맥 분류 알고리즘은 입력 길이가 길어지면 관련된 요소가 멀리 떨어져 있는 경우, 장기의존성이 발생하여 각 샘플끼리의 연속적 관계성을 학습하지 못하는 문제가 있다. 장기의존성을 극복하기 위해 많은 수의 LSTM을 구성할 경우, 매개변수(Parameter) 수의 증가로 학습 및 추론 속도가 느려지는 문제가 있다.
선행기술문헌 : 한국공개특허공보 제10-2022-0108678호(2022년 8월 3일 공개)
선행기술문헌 : 한국공개특허공보 제10-2022-0108678호(2022년 8월 3일 공개)
본 실시예는 기 설정된 입력 시간(예컨대, 30초) 시간을 기반으로 정보의 누락 없이 입력 샘플의 특성을 파악하여 보다 다양한 부정맥을 정확하게 검출할 수 있도록 하며, 하나의 윈도우에 하나의 부정맥만을 검출할 수 있는 것이 아닌, 발작성, 지속성 부정맥 모두를 검출할 수 있으며, 부정맥의 발생 시간, 종료 시간을 확인할 수 있으므로 지속시간을 산출하고, 산출된 부정맥의 지속시간을 기반으로 임상에서 맞는 치료 계획 및 처방에 참고할 수 있도록 하는 멀티 입력과 멀티뷰 프레임워크를 이용한 실시간 다중 부정맥 탐지 장치를 제공하는 데 목적이 있다.
본 실시예의 일 측면에 의하면, 기 설정된 윈도우로 설정된 심전도 신호를 입력받는 신호 입력부; 상기 심전도 신호의 기 설정된 윈도우 중 특정 시간 단위별로 하이-레벨 특징을 추출하는 하이-레벨 특징 추출부; 상기 심전도 신호의 기 설정된 윈도우 중 특정 시간 단위별로 로우-레벨 특징을 추출하는 로우-레벨 특징 추출부; 특정 시간 단위별로 상기 하이-레벨 특징과 상기 로우-레벨 특징을 융합한 융합 특징을 생성하고, 상기 융합 특징을 상기 기 설정된 윈도우 구간까지 진행하는 특징 융합부; 상기 융합 특징을 기반으로 부정맥을 탐지하고, 상기 부정맥의 발생시간, 종료시간을 파악하는 부정맥 탐지부;를 포함하는 것을 특징으로 하는 부정맥 탐지장치를 제공한다.
이상에서 설명한 바와 같이 본 실시예에 의하면, 기 설정된 입력 시간(예컨대, 30초)을 기반으로 정보의 누락 없이 입력 샘플의 특성을 파악하여 보다 다양한 부정맥을 정확하게 검출할 수 있도록 하며, 하나의 윈도우에 하나의 부정맥만을 검출할 수 있는 것이 아닌, 발작성, 지속성 부정맥 모두를 검출할 수 있으며, 부정맥의 발생 시간, 종료 시간을 확인할 수 있으므로 지속시간을 산출하고, 산출된 부정맥의 지속시간을 기반으로 임상에서 맞는 치료 계획 및 처방에 참고할 수 있는 효과가 있다.
도 1은 본 실시예에 따른 바이오 신호 처리 분야에서 생체 신호 데이터 처리를 나타낸 도면이다.
도 2는 본 실시예에 따른 P,Q,R,S,T파(P파, QRS복합체, T파)와 심전도의 특징지표를 나타낸 도면이다.
도 3은 본 실시예에 따른 멀티 입력과 멀티뷰 프레임워크를 이용한 실시간 다중 부정맥 탐지 장치를 나타낸 도면이다.
도 4는 본 실시예에 따른 부정맥 탐지 및 분류와 부정맥 발생시간 산출을 위한 모델 구조를 나타낸 도면이다.
도 5는 본 실시예에 따른 멀티 입력과 멀티뷰 프레임워크를 이용한 실시간 다중 부정맥 탐지 방법을 설명하기 위한 순서도이다.
도 2는 본 실시예에 따른 P,Q,R,S,T파(P파, QRS복합체, T파)와 심전도의 특징지표를 나타낸 도면이다.
도 3은 본 실시예에 따른 멀티 입력과 멀티뷰 프레임워크를 이용한 실시간 다중 부정맥 탐지 장치를 나타낸 도면이다.
도 4는 본 실시예에 따른 부정맥 탐지 및 분류와 부정맥 발생시간 산출을 위한 모델 구조를 나타낸 도면이다.
도 5는 본 실시예에 따른 멀티 입력과 멀티뷰 프레임워크를 이용한 실시간 다중 부정맥 탐지 방법을 설명하기 위한 순서도이다.
이하, 본 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 실시예에 따른 바이오 신호 처리 분야에서 생체 신호 데이터 처리를 나타낸 도면이다.
부정맥 탐지장치(300)는 심장 박동(Beat) 시 발생하는 전기 신호를 전류에 의한 파형으로 기록하는 검사로 부정맥, 협심증, 심근경색, 심장비대 등의 심장 질환을 진단하는 심전도 검사를 수행한다.
본 실시예에 따른 부정맥 탐지장치(300)는 바이오 신호 처리(Bio Signal Processing) 분야에서 1차원(1D) 생체신호 데이터 처리에 적용될 수 있다. 부정맥 탐지장치(300)는 심전도 파형에 포함된 P 파형, QRS-complex(N,S,V), T 파형, 노이즈 파형을 파형 단위로 분할한다.
부정맥 탐지장치(300)는 심전도 파형을 N(Normal beat), S(Supraventricular ectopic beat), V(Ventricular ectopic beat), F(Fusion beat), Q(Unknown beat) 중 하나로 분류한다.
도 2는 본 실시예에 따른 P,Q,R,S,T파(P파, QRS복합체, T파)와 심전도의 특징지표를 나타낸 도면이다.
심전도 파형은 박동의 연속으로 나타나지며, 박동은 크게 노멀 박동(Normal Beat)(N), 심실상 박동(Supraventricular beat)(S), 심실 박동(Ventricular Beat)(V)으로 나눌 수 있다. 심전도 파형의 한 박동은 기본적으로 P 파형, QRS 파형, T 파형을 포함한다.
부정맥 탐지장치(300)는 심전도 파형에 포함된 P 파형, Q 파형, R 파형, S 파형, T 파형을 감지하고, 심방세동(Atrial fibrillation, AFIB), 심방조동(Atrial flutter, AFL), 심실빈맥(Ventricular tachycardia, VT), 방실차단(Atrioventricular block, AV block) 등의 다양한 부정맥을 분류한다. 부정맥 탐지장치(300)는 심전도 파형의 특징과 시간에 따른 변화를 감지하여 심전도의 다양한 특징 지표들을 출력한다.
부정맥 탐지장치(300)는 심전도 파형의 특징과 시간에 따른 변화를 감지하여 심전도의 다양한 특징정보를 기반으로 부정맥을 분류(Classification)할 수 있다.
부정맥 탐지장치(300)는 심방세동(Atrial fibrillation, AFIB), 심방조동(Atrial flutter, AFL), 심실빈맥(Ventricular tachycardia, VT), 방실차단(Atrioventricular block, AV block) 등의 다양한 부정맥을 분류한다. 부정맥 탐지장치(300)는 심전도 율동을 판독할 때, 로컬라이제이션(Localization)과 분류(Classification)정보를 기반으로 이상 상태를 감지할 수 있다.
부정맥 탐지장치(300)는 심전도 파형에 대해 로컬라이제이션을 수행한 값을 이용하여 이상상태(부정맥, 이상박동(S,V), ST, QTc 등)를 감지한다.
부정맥 탐지장치(300)는 심전도 율동에 파형에 대해 분류(Classification)를 수행하여 심장 율동박동을 심방세동(Atrial fibrillation, AFIB), 심방조동(Atrial flutter, AFL), 심실빈맥(Ventricular tachycardia, VT), 방실차단(Atrioventricular block, AV block) 등의 다양한 부정맥으로박동을 분류하고, 부정맥을 감지한다.
부정맥 탐지장치(300)는 심전도 심전도 파형의 특징과 시간에 따른 변화를 감지하여 심전도의 다양한 특징정보를 생성한다. 부정맥 탐지장치(300)는 각 구간을 기반으로 심방세동(Atrial fibrillation, AFIB), 심방조동(Atrial flutter, AFL), 심실빈맥(Ventricular tachycardia, VT), 방실차단(Atrioventricular block, AV block) 등의 다양한 부정맥들 중 하나로 분류(Classification)한다.
도 3은 본 실시예에 따른 멀티 입력과 멀티뷰 프레임워크를 이용한 실시간 다중 부정맥 탐지 장치를 나타낸 도면이다.
본 실시예에 따른 부정맥 탐지장치(300)는 신호 생성부(310), 전처리부(320), 신호 입력부(330), 하이-레벨 특징 추출부(340), 로우-레벨 특징 추출부(350), 특징 융합부(360), 부정맥 탐지부(370)를 포함한다. 부정맥 탐지장치(300)에 포함된 구성요소는 반드시 이에 한정되는 것은 아니다.
부정맥 탐지장치(300)에 포함된 각 구성요소는 장치 내부의 소프트웨어적인 모듈 또는 하드웨어적인 모듈을 연결하는 통신 경로에 연결되어 상호 간에 유기적으로 동작할 수 있다. 이러한 구성요소는 하나 이상의 통신 버스 또는 신호선을 이용하여 통신한다.
도 3에 도시된 부정맥 탐지장치(300)의 각 구성요소는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 소프트웨어적인 모듈, 하드웨어적인 모듈 또는 소프트웨어와 하드웨어의 결합으로 구현될 수 있다.
신호 생성부(310)는 프레임워크에 입력으로 사용할 30초 단위의 심전도 신호를 생성한다.
전처리부(320)는 30초 단위의 심전도 신호를 기저선 변동(Baseline Wandering)을 보정하기 위한 전처리를 수행한 전처리 데이터를 생성한다. 전처리부(320)는 전처리된 30초 단위 신호 데이터를 신호 입력부(330)로 입력한다.
신호 입력부(330)는 긴 윈도우(예컨대, 40초)로 설정된 심전도 신호를 입력받는다. 신호 입력부(330)는 긴 윈도우의 입력 신호를 입력받는다. 신호 입력부(330)는 각 10초의 심전도 신호 3세트를 입력받는다. 신호 입력부(330)는 기 설정된 윈도우로 설정된 심전도 신호를 입력받는다.
하이-레벨 특징 추출부(340)는 입력 신호로부터 전역 특징을 추출한다. 하이-레벨 특징 추출부(340)는 입력 신호로부터 전역적 특징을 추출한다. 하이-레벨 특징 추출부(340)는 입력 신호로부터 하이-레벨(High-Level)의 멀티스케일 전역적 시계열 특징을 추출한다. 하이-레벨 특징 추출부(340)는 긴 윈도우로 설정 심전도 신호로부터 10초 데이터 별로 각 10초 데이터 내에서 부정맥들을 대표할 수 있는 전역적 특징을 추출한다.
하이-레벨 특징 추출부(340)는 이전 시점 10초 데이터에서 추출된 전역적 특징을 다음 10초 데이터에서 추출된 전역적 특징들과 합산하여 시간의 변화에 따른 전역적 특징의 변화를 학습할 수 있도록 한다.
본 실시예에 따른 하이-레벨 특징 추출부(340)는 심전도 신호의 기 설정된 윈도우 중 특정 시간 단위별로 하이-레벨 특징을 추출한다. 하이-레벨 특징 추출부(340)는 심전도 신호의 기 설정된 윈도우 중 특정 시간 단위별로 멀티스케일 전역적 시계열 특징을 하이-레벨 특징으로 추출한다. 하이-레벨 특징 추출부(340)는 다중 시계열 정보 융합(Multiscale Temporal Information Fusion) 모듈을 이용하여 심전도 신호의 기 설정된 윈도우 중 특정 시간 단위별로 전역 특징(Global Feature)을 하이-레벨 특징으로 추출한다.
하이-레벨 특징 추출부(340)는 기 설정된 이전 시점(이전 10초) 데이터로부터 추출된 전역적 특징인 하이-레벨 특징을 기 설정된 다음 시점(다음 10초) 데이터로부터 추출된 전역적 특징인 하이-레벨 특징과 합산하는 과정을 기 설정된 윈도우 구간까지 진행하여 시간의 변화에 따른 전역적 특징의 변화를 학습한다.
로우-레벨 특징 추출부(350)는 입력 신호로부터 연속적 특징을 추출한다. 로우-레벨 특징 추출부(350)는 각 10초 데이터 별로 연속적 특징을 추출한다. 로우-레벨 특징 추출부(350)는 입력 신호로부터 데이터의 연속적 연관성 특징을 추출한다. 로우-레벨 특징 추출부(350)는 로우-레벨의 TCN(Temporal Convolution Network)과 시계열 융합의 결합 네트워크를 포함한다.
로우-레벨 특징 추출부(350)는 이전 시점 10초 데이터에서 추출된 연속적 특징을 다음 10초 데이터에서 추출된 연속적 특징들과 합산하여 시간의 변화에 따른 연속적 특징의 변화를 학습한다.
본 실시예에 따른 로우-레벨 특징 추출부(350)는 심전도 신호의 기 설정된 윈도우 중 특정 시간 단위별로 로우-레벨 특징을 추출한다. 로우-레벨 특징 추출부(350)는 심전도 신호의 기 설정된 윈도우 중 특정 시간 단위별로 데이터의 연속적 연관성 특징을 로우-레벨 특징으로 추출한다. 로우-레벨 특징 추출부(350)는 TCN(Temporal Convolution Network)를 이용하여 심전도 신호의 기 설정된 윈도우 중 특정 시간 단위별로 연속적 특징을 로우-레벨 특징으로 추출한다.
로우-레벨 특징 추출부(350)는 기 설정된 이전 시점(이전 10초) 데이터로부터 추출된 연속적 특징인 로우-레벨 특징을 기 설정된 다음 시점(다음 10초) 데이터로부터 추출된 연속적인 특징인 로우-레벨 특징과 합산하는 과정을 기 설정된 윈도우 구간까지 진행하여 시간의 변화에 따른 연속적인 특징의 변화를 학습한다.
특징 융합부(360)는 하이-레벨 특징 추출부(340)와 로우-레벨 특징 추출부(350)가 이루는 하나의 구조를 긴 구간에 걸쳐 나타나는 동적인 패턴 변화를 추출하여 학습할 수 있도록 3개의 반복적 구조로 프레임 워크를 구성하여 부정맥의 연속적 패턴을 학습한다.
특징 융합부(360)는 각 10초의 입력 데이터로부터 추출된 하이-레벨 특징과 각 10초의 입력 데이터로부터 추출된 로우-레벨 특징을 융합하여 다음 10초의 입력데이터로 전파되도록 한다.
특징 융합부(360)는 각 10초의 데이터를 순차적으로 처리하며 마지막 세트의 하이-레벨 특징과 로우-레벨 특징을 융합한 융합 특징을 생성한다. 특징 융합부(360)는 10초 데이터를 기반으로 추출된 하이-레벨 전역적 특징을 다음 10초 데이터의 하이-레벨 전역적 특징과 결합하여 새로운 하이-레벨 전역적 특징을 생성하며 마지막 10초 데이터까지 연속적인 전역적 특징 행렬을 생성한다.
본 실시예에 따른 특징 융합부(360)는 특정 시간 단위별로 하이-레벨 특징과 로우-레벨 특징을 융합한 융합 특징을 생성하고, 융합 특징을 기 설정된 윈도우 구간까지 진행한다. 특징 융합부(360)는 하이-레벨 특징 추출부(340)와 로우-레벨 특징 추출부(350)가 이루는 하나의 구조를 특정 구간에 걸쳐 나타나는 동적인 패턴 변화를 추출하여 학습하도록 하는 기 설정된 개수의 반복적 구조로 프레임 워크를 구성하여 부정맥의 연속적 패턴을 학습한다. 특징 융합부(360)는 하이-레벨 특징 추출부(340)로부터 획득한 하이-레벨 특징을 로우-레벨 특징 추출부(350)로 전송한 후 로우-레벨 특징과 융합한 융합 특징을 생성한다.
특징 융합부(360)는 심전도 신호의 기 설정된 이전 시점(이전 10초) 데이터로부터 추출된 하이-레벨 특징과 심전도 신호의 현재 시점(10초)의 데이터로부터 추출된 로우-레벨 특징을 융합하여 융합 특징을 생성한다.
특징 융합부(360)는 하이-레벨 특징 추출부(340)로부터 획득한 하이-레벨 특징을 로우-레벨 특징 추출부(350)로 전송한 후 로우-레벨 특징과 융합한 융합 특징을 생성한다.
부정맥 탐지부(370)는 학습 결과를 반영하여 입력 신호에 대한 부정맥의 발생시간, 종료 시간을 파악한다. 부정맥 탐지부(370)는 시간에 변화에 따라 추출된 전역적 특징을 로우-레벨의 TCN에서 추출된 특징과 결합하여 동적 변화를 학습하여 입력 신호들 사이의 부정맥 발생, 종료 시간 탐지와 그 부정 종류 분류를 시행한다.
부정맥 탐지부(370)는 융합 특징로부터 부정맥의 종류, 시작, 종료시간을 탐지/분류한다. 부정맥 탐지부(370)는 각 10초 데이터로부터 추출된 전역적 특징을 다음 10초 데이터의 연속적 연관성 특징과 합산해서 해당 시점의 부정맥 탐지/분류할 수 있는 부정맥 탐지 모델을 구축한다.
부정맥 탐지부(370)는 구축된 부정맥 모델을 이용하여 장기의존성 정보 소실 문제를 해결하며, 더욱 긴 신호 데이터 처리를 통해 부정맥 판독 전문가와 같이 문제를 해결할 수 있어 부정맥의 입력되는 데이터들의 이전 시점의 시계열 특징을 반영하여 학습하여 입력 신호들 사이의 부정맥 발생, 종료 시간 탐지와 그 부정 종류 분류를 시행한다. 부정맥 탐지부(370)는 프레임워크를 이용하여 임상에서 활용도가 높은 부정맥 탐지 및 분류와 탐지 및 분류된 부정맥 발생 시간을 산출한다.
본 실시예에 따른 부정맥 탐지부(370)는 융합 특징을 기반으로 부정맥을 탐지하고, 부정맥의 발생시간, 종료시간을 파악한다. 부정맥 탐지부(370)는 기 설정된 윈도우의 특정 시간 단위(예컨대, 10초) 각각마다 대응하는 하이-레벨 특징(전역 특징)을 기 설정된 윈도우의 특정 시간 단위 중 다음 시간 단위(예컨대, 10초)에 대응하는 로우-레벨 특징(연속적 특징)에 합산해서 부정맥 탐지 모델을 구축한다.
도 4는 본 실시예에 따른 부정맥 탐지 및 분류와 부정맥 발생시간 산출을 위한 모델 구조를 나타낸 도면이다.
심전도는 심장의 전기적 활동을 해석하는 것으로, 피부에 부착된 전극과 신체 외부의 장비에 의해 기록된다. 심전도는 심장박동의 비율과 일정함을 측정하는 데 사용하며, 심장의 비정상적 활동에 대한 진단이나 연구의 목적으로 사용된다.
부정맥은 심장이 불규칙하게 뛰는 것을 의미하며, 지나치게 빠르거나, 늦거나 혹은 맥박이 불규칙하게 뛰는 것을 의미한다. 다양한 부정맥은 발작성, 또는 지속적으로 나타날 수 있어, 특정 구간 동안 이런 부정맥들이 혼재되어 나타날 수 있다. 다양한 부정맥은 발작성 또는 지속적으로 나타날 수 있어, 하나의 입력 윈도우에 여러 부정맥이 나타날 수 있다. 심전도 데이터는 시계열의 연속적인 연관성을 고려하여 부정맥의 여부를 보다 정확하게 판단할 수 있다.
부정맥 탐지장치(300)는 특정 구간에서 다양한 종류 또는 복수의 횟수로 나타날 수 있는 부정맥 각각을 정확하게 파악하여 분류한다.
부정맥 탐지장치(300)는 부정맥에 대한 발생시간, 종료시간, 지속시간을 산출하기 위해 LSTM 구조를 차용하며 연속적 특성과 전역적 특징을 함께 추출한 후 학습을 위해 하이-레벨(High-Level)과 로우-레벨(Low-Level)단으로 나눈 블록으로 동작한다.
하이-레벨 특징 추출부(340)는 다중 시계열 정보 융합(Multiscale Temporal Information Fusion) 모듈로 구성된다. 하이-레벨 특징 추출부(340)는 다중 시계열 정보 융합 모듈을 이용하여 입력 신호로부터 다양한 관점에서의 전역 특징(Global Feature)을 추출한다.
하이-레벨 특징 추출부(340)는 추출된 다양한 관점의 특징(Feature)을 접합(Concatenation)하고 1X1 컨볼루션 레이어(Convolution Layer)를 통과 시킨다. 특징 융합부(360)는 로우-레벨 특징 추출부(350)의 TCN(Temporal Convolution Network)으로부터 추출된 특징(Feature)와 다중 시계열 정보 융합 모듈을 통해 추출된 특징(Feature)을 합산한다.
로우-레벨 특징 추출부(350)는 연속적인 시계열 정보 추출을 위해 TCN(Temporal Convolution Network)를 이용하여 입력 신호로부터 정보를 추출한다. 특징 융합부(360)는 로우-레벨 특징 추출부(350)의 TCN을 이용하여 추출한 특징(Feature)과 하이-레벨 특징 추출부(340)의 다중 시계열 정보 융합 모듈을 이용하여 추출된 특징(feature)를 합산한다.
특징 융합부(360)는 입력 신호(10초)로부터 추출된 하이-레벨 특징과 로우-레벨 특징을 융합한 융합 특징을 생성한다. 특징 융합부(360)는 융합 특징을 다음 10초 데이터로 전달한다. 하이-레벨 특징 추출부(340), 로우-레벨 특징 추출부(350), 특징 융합부(360)으로 구성된 모듈을 30초 시점까지 반복적으로 연결하여 긴 구간에 걸쳐 나타나는 동적인 패턴 변화 추출 및 학습한다.
도 5는 본 실시예에 따른 멀티 입력과 멀티뷰 프레임워크를 이용한 실시간 다중 부정맥 탐지 방법을 설명하기 위한 순서도이다.
신호 생성부(310)는 프레임워크에 입력으로 사용할 30초 단위의 심전도 신호를 생성한다(S510).
전처리부(320)는 30초 단위의 심전도 신호를 기저선 변동(Baseline Wandering)을 보정하기 위한 전처리를 수행한 전처리 데이터를 생성한다(S520).
전처리부(320)는 전처리된 30초 단위 신호 데이터를 신호 입력부(330)로 입력한다(S530).
하이-레벨 특징 추출부(340)는 30초 단위 신호 데이터 중 10초 데이터별로 하이-레벨 특징을 추출한다. 로우-레벨 특징 추출부(350)는 30초 단위 신호 데이터 중 10초 데이터별로 로우-레벨 특징을 추출한다(S540).
특징 융합부(360)는 하이-레벨 특징과 로우-레벨 특징을 융합한 융합 특징을 생성한다. 특징 융합부(360)는 융합 특징을 다음 10초 데이터로 전달한다(S550).
특징 융합부(360)는 하이-레벨 특징 추출부(340)에서 추출한 하이-레벨 특징과 로우-레벨 특징 추출부(350)에서 추출한 로우-레벨 특징을 융합한 융합 특징을 생성하는 과정을 20-30초 데이터 구간까지 수행한다(S560).
단계 S560에서 단계 S540 및 S550을 20-30초 데이터 구간까지 수행한다.
부정맥 탐지부(370)는 압축된 융합 특징의 행렬을 원래의 길이로 복원시키고, 복원된 정보와 20-30초 구간의 로우-레벨 특징 추출부(350)에서 강조된 정보를 더하여 복원된 정보의 손실 위험을 방지하고 시간 단계별 분류(Time-Step Wise Classification)을 진행한다(S570).
도 5에서는 단계 S510 내지 단계 S570을 순차적으로 실행하는 것으로 기재하고 있으나, 반드시 이에 한정되는 것은 아니다. 다시 말해, 도 5에 기재된 단계를 변경하여 실행하거나 하나 이상의 단계를 병렬적으로 실행하는 것으로 적용 가능할 것이므로, 도 5는 시계열적인 순서로 한정되는 것은 아니다.
전술한 바와 같이 도 5에 기재된 본 실시예에 따른 멀티 입력과 멀티뷰 프레임워크를 이용한 실시간 다중 부정맥 탐지 방법은 프로그램으로 구현되고 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다. 본 실시예에 따른 멀티 입력과 멀티뷰 프레임워크를 이용한 실시간 다중 부정맥 탐지 방법을 구현하기 위한 프로그램이 기록되고 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다.
이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
300: 부정맥 탐지장치
310: 신호 생성부
320: 전처리부
330: 신호 입력부
340: 하이-레벨 특징 추출부
350: 로우-레벨 특징 추출부
360: 특징 융합부
370: 부정맥 탐지부
310: 신호 생성부
320: 전처리부
330: 신호 입력부
340: 하이-레벨 특징 추출부
350: 로우-레벨 특징 추출부
360: 특징 융합부
370: 부정맥 탐지부
Claims (7)
- 기 설정된 윈도우로 설정된 심전도 신호를 입력받는 신호 입력부;
상기 심전도 신호의 기 설정된 윈도우 중 특정 시간 단위별로 하이-레벨 특징을 추출하는 하이-레벨 특징 추출부;
상기 심전도 신호의 기 설정된 윈도우 중 특정 시간 단위별로 로우-레벨 특징을 추출하는 로우-레벨 특징 추출부;
특정 시간 단위별로 상기 하이-레벨 특징과 상기 로우-레벨 특징을 융합한 융합 특징을 생성하고, 상기 융합 특징을 상기 기 설정된 윈도우 구간까지 진행하는 특징 융합부;
상기 융합 특징을 기반으로 부정맥을 탐지하고, 상기 부정맥의 발생시간, 종료시간을 파악하는 부정맥 탐지부;
를 포함하는 것을 특징으로 하는 부정맥 탐지장치. - 제1항에 있어서,
상기 하이-레벨 특징 추출부는,
상기 심전도 신호의 기 설정된 윈도우 중 특정 시간 단위별로 멀티스케일 전역적 시계열 특징을 상기 하이-레벨 특징으로 추출하는 것을 특징으로 하는 부정맥 탐지장치. - 제2항에 있어서,
상기 하이-레벨 특징 추출부는,
다중 시계열 정보 융합(Multiscale Temporal Information Fusion) 모듈을 이용하여 상기 심전도 신호의 기 설정된 윈도우 중 특정 시간 단위별로 전역 특징(Global Feature)을 상기 하이-레벨 특징으로 추출하는 것을 특징으로 하는 부정맥 탐지장치. - 제1항에 있어서,
상기 로우-레벨 특징 추출부는,
상기 심전도 신호의 기 설정된 윈도우 중 특정 시간 단위별로 데이터의 연속적 연관성 특징을 상기 로우-레벨 특징으로 추출하는 것을 특징으로 하는 부정맥 탐지장치. - 제4항에 있어서,
상기 로우-레벨 특징 추출부는,
TCN(Temporal Convolution Network)를 이용하여 상기 심전도 신호의 기 설정된 윈도우 중 특정 시간 단위별로 연속적 특징을 상기 로우-레벨 특징으로 추출하는 것을 특징으로 하는 부정맥 탐지장치. - 제1항에 있어서,
상기 특징 융합부는
상기 하이-레벨 특징 추출부와 상기 로우-레벨 특징 추출부가 이루는 하나의 구조를 특정 구간에 걸쳐 나타나는 동적인 패턴 변화를 추출하여 학습하도록 하는 기 설정된 개수의 반복적 구조로 프레임 워크를 구성하여 부정맥의 연속적 패턴을 학습하는 것을 특징으로 하는 부정맥 탐지장치. - 제1항에 있어서,
상기 부정맥 탐지부는
기 설정된 윈도우의 특정 시간 단위 각각마다 대응하는 상기 하이-레벨 특징을 기 설정된 윈도우의 특정 시간 단위 중 다음 시간 단위에 대응하는 상기 로우-레벨 특징에 더해서 부정맥 탐지 모델을 구축하는 것을 특징으로 하는 부정맥 탐지장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230144443A KR102652326B1 (ko) | 2023-10-26 | 2023-10-26 | 멀티 입력과 멀티뷰 프레임워크를 이용한 실시간 다중 부정맥 탐지 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230144443A KR102652326B1 (ko) | 2023-10-26 | 2023-10-26 | 멀티 입력과 멀티뷰 프레임워크를 이용한 실시간 다중 부정맥 탐지 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102652326B1 true KR102652326B1 (ko) | 2024-03-28 |
Family
ID=90482284
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230144443A KR102652326B1 (ko) | 2023-10-26 | 2023-10-26 | 멀티 입력과 멀티뷰 프레임워크를 이용한 실시간 다중 부정맥 탐지 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102652326B1 (ko) |
-
2023
- 2023-10-26 KR KR1020230144443A patent/KR102652326B1/ko active IP Right Grant
Non-Patent Citations (1)
| Title |
|---|
| 논문 1 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11134880B2 (en) | Automatic method to delineate or categorize an electrocardiogram | |
| Gupta et al. | A novel method of cardiac arrhythmia detection in electrocardiogram signal | |
| US11331034B2 (en) | Automatic method to delineate or categorize an electrocardiogram | |
| Ivaturi et al. | A comprehensive explanation framework for biomedical time series classification | |
| Rohmantri et al. | Arrhythmia classification using 2D convolutional neural network | |
| Khan et al. | Electrocardiogram heartbeat classification using convolutional neural networks for the detection of cardiac Arrhythmia | |
| US11571161B2 (en) | Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems | |
| US11672464B2 (en) | Electrocardiogram processing system for delineation and classification | |
| Asl et al. | An adaptive backpropagation neural network for arrhythmia classification using RR interval signal | |
| Irfan et al. | Deep learning based classification for healthcare data analysis system | |
| CN111528833B (zh) | 一种心电信号的快速识别与处理方法及系统 | |
| KR102652326B1 (ko) | 멀티 입력과 멀티뷰 프레임워크를 이용한 실시간 다중 부정맥 탐지 장치 | |
| Afadar et al. | Heart arrhythmia abnormality classification using machine learning | |
| CN116473569A (zh) | 一种心电图数据处理方法、系统及存储介质 | |
| CN115607167A (zh) | 一种轻量化的模型训练方法、房颤检测方法、装置及系统 | |
| Khandait et al. | Efficient ECG abnormalities recognition using neuro-fuzzy approach | |
| Sharmila | “Multi-Class Arrhythmia Detection using a Hybrid Spatial-Temporal Feature Extraction Method and Stacked Auto Encoder | |
| Kelwade et al. | Comparative study of neural networks for prediction of cardiac arrhythmias | |
| CN115316996A (zh) | 心律异常识别模型训练方法、装置、设备及存储介质 | |
| Nandanwar et al. | ECG Signals-Early detection of Arrhythmia using Machine Learning approaches | |
| de Oliveira et al. | Early detection of Ventricular Bigeminy/Trigeminy rhythms | |
| Pham et al. | Efficient Electrocardiogram-based Arrhythmia Detection Utilizing R-peaks and Machine Learning | |
| Mahdavi et al. | Atrial fibrillation detection method based on converting ECG to signal using both symptoms of AF | |
| Subramanian et al. | Anatomizing electrocardiogram using fractal features and GUI based detection of P and T waves | |
| Rivera-Hernandez et al. | Use of machine learning for unsupervised learning in the detection of abnormalities in the heart signal |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |