KR102652840B1 - 심전도 분석을 위한 자동 알고리즘 업데이트 시스템 - Google Patents
심전도 분석을 위한 자동 알고리즘 업데이트 시스템 Download PDFInfo
- Publication number
- KR102652840B1 KR102652840B1 KR1020230138785A KR20230138785A KR102652840B1 KR 102652840 B1 KR102652840 B1 KR 102652840B1 KR 1020230138785 A KR1020230138785 A KR 1020230138785A KR 20230138785 A KR20230138785 A KR 20230138785A KR 102652840 B1 KR102652840 B1 KR 102652840B1
- Authority
- KR
- South Korea
- Prior art keywords
- ecg
- reading
- data
- model
- learning
- Prior art date
Links
- 239000000284 extract Substances 0.000 claims abstract description 23
- 238000013075 data extraction Methods 0.000 claims description 14
- 206010003119 arrhythmia Diseases 0.000 claims description 13
- 230000006793 arrhythmia Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 25
- 230000000737 periodic effect Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 13
- 238000007689 inspection Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 206010042602 Supraventricular extrasystoles Diseases 0.000 description 6
- 208000009729 Ventricular Premature Complexes Diseases 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 208000002102 Atrial Premature Complexes Diseases 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000002861 ventricular Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000718 qrs complex Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 206010047289 Ventricular extrasystoles Diseases 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000306 qrs interval Methods 0.000 description 2
- 230000033764 rhythmic process Effects 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
- 206010061592 cardiac fibrillation Diseases 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002600 fibrillogenic effect Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000012360 testing method Methods 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
- A61B5/72—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
-
- 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
-
- 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)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Cardiology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Psychiatry (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
심전도 분석을 위한 자동 알고리즘 업데이트 시스템을 개시한다.
본 실시예는 심전도 분석 성능을 지속적으로 고도화하기 위해서 주기적인 모델 업데이트를 위해 심전도 판독 장치로부터 획득한 1차 판독 데이터와 의료진 단말기로부터 획득한 2차 판독 데이터를 비교하여 차이가 발생하는 부분을 추출하고, 차이가 발생하는 부분에 대응한 시점을 기준으로 피드백 데이터를 추출한 후 학습용 데이터로 가공하여 모델을 자동으로 학습시킬 수 있는 심전도 분석을 위한 자동 알고리즘 업데이트 시스템을 제공한다.
본 실시예는 심전도 분석 성능을 지속적으로 고도화하기 위해서 주기적인 모델 업데이트를 위해 심전도 판독 장치로부터 획득한 1차 판독 데이터와 의료진 단말기로부터 획득한 2차 판독 데이터를 비교하여 차이가 발생하는 부분을 추출하고, 차이가 발생하는 부분에 대응한 시점을 기준으로 피드백 데이터를 추출한 후 학습용 데이터로 가공하여 모델을 자동으로 학습시킬 수 있는 심전도 분석을 위한 자동 알고리즘 업데이트 시스템을 제공한다.
Description
본 발명의 일 실시예는 심전도 분석을 위한 자동 알고리즘 업데이트 시스템에 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 심전도 분석 시스템은 자동판독 알고리즘을 수행한 후 의료진이 2차 검수하여 최종결과를 리포트하는 원 웨이(one-way) 방식으로 진행되고 있다. 종래의 심전도 분석 시스템의 업데이트 방식은 모델을 업데이트 하기 위해 학습에 반영할 데이터를 수동으로 일일이 수집 해야하는 문제가 있다.
종래의 심전도 분석 시스템의 업데이트 방식은 학습에 반영할 데이터를 선별하고, 의료진이 검수를 수행하면서 수기로 어노테이션을 진행하는 과정을 거친 후에 모델 학습 및 배포가 수동으로 이루어지므로 업데이트 과정이 복잡하고 오랜 시간이 소요된다.
심전도 분석 성능을 지속적으로 고도화하기 위해서 주기적인 모델 업데이트가 필수적인데, 종래의 심전도 분석 시스템의 업데이트 방식은 많은 인적자원 및 시간이 소요되는 문제가 있다.
따라서, 지속적으로 모델의 성능을 고도화하고, 업데이트된 모델을 자동으로 배포 및 적용하여, 전주기에 걸쳐 발생하는 많은 비용과 시간을 절감시킬 수 있는 기술을 필요로 한다.
본 실시예는 심전도 분석 성능을 지속적으로 고도화하기 위해서 주기적인 모델 업데이트를 위해 심전도 판독 장치로부터 획득한 1차 판독 데이터와 의료진 단말기로부터 획득한 2차 판독 데이터를 비교하여 차이가 발생하는 부분을 추출하고, 차이가 발생하는 부분에 대응한 시점을 기준으로 피드백 데이터를 추출한 후 학습용 데이터로 가공하여 모델을 자동으로 학습시킬 수 있는 심전도 분석을 위한 자동 알고리즘 업데이트 시스템을 제공하는 데 목적이 있다.
본 실시예의 일 측면에 의하면, 심전도 판독 장치로부터 심전도 판독 모델을 이용하여 심전도 파형을 판독한 1차 판독 데이터를 획득하는 1차 판독 데이터 획득부; 의료진 단말기로부터 상기 1차 판독 데이터를 검수한 2차 판독 데이터를 획득하는 2차 판독 데이터 획득부; 상기 1차 판독 데이터와 상기 2차 판독 데이터를 비교하여 서로 상이한 부분을 추출하는 결과 비교부; 상기 1차 판독 데이터와 상기 2차 판독 데이터 각각으로부터 상기 상이한 부분을 기준으로 일정 부분을 추출하여 심전도 학습 데이터로 생성하는 피드백 데이터 추출부; 상기 심전도 학습 데이터를 기반으로 상기 심전도 판독 모델에 대한 학습을 수행하는 모델 자동 학습부; 상기 심전도 판독 모델에 대한 학습이 완료된 경우, 상기 심전도 판독 모델에 대해 새롭게 학습된 내용을 상기 심전도 판독 장치로 업데이트하는 모델 배포부를 포함하는 것을 특징으로 하는 심전도 판독 모델 업데이트 장치.을 제공한다.
본 실시예의 다른 측면에 의하면, 의료진 단말기로부터 심전도 판독 모델을 이용하여 심전도 파형을 판독한 1차 판독 데이터를 검수한 2차 판독 데이터를 획득하는 2차 판독 데이터 획득부; 상기 2차 판독 데이터로부터 수정된 부분만을 추출하는 결과 비교부; 상기 2차 판독 데이터로부터 상기 수정된 부분을 기준으로 일정 부분을 추출하여 심전도 학습 데이터로 생성하는 피드백 데이터 추출부; 상기 심전도 학습 데이터를 기반으로 상기 심전도 판독 모델에 대한 학습을 수행하는 모델 자동 학습부; 상기 심전도 판독 모델에 대한 학습이 완료된 경우, 상기 심전도 판독 모델에 대해 새롭게 학습된 내용을 상기 심전도 판독 장치로 업데이트하는 모델 배포부를 포함하는 것을 특징으로 하는 심전도 판독 모델 업데이트 장치를 제공한다.
이상에서 설명한 바와 같이 본 실시예에 의하면, 심전도 분석 성능을 지속적으로 고도화하기 위해서 주기적인 모델 업데이트를 위해 심전도 판독 장치로부터 획득한 1차 판독 데이터와 의료진 단말기로부터 획득한 2차 판독 데이터를 비교하여 차이가 발생하는 부분을 추출하고, 차이가 발생하는 부분에 대응한 시점을 기준으로 피드백 데이터를 추출한 후 학습용 데이터로 가공하여 모델을 자동으로 학습시킬 수 있는 효과가 있다.
본 실시예에 의하면, 심전도 판독 모델의 성능 고도화하기 위해 지속적으로 피드백 데이터를 계속 학습하면서, 사람의 추가적인 개입 없이 빠른 주기로 개선된 버전의 모델을 업데이트 할 수 있는 효과가 있다.
본 실시예에 의하면, 심전도 판독 모델의 업데이트 과정이 자동화되면서 많은 비용과 시간을 절감할 수 있으며, 사람이 개입하지 않기 때문에 개인정보 및 의료 데이터 유출 및 오용의 위험을 최소화할 수 있는 효과가 있다.
도 1은 종래의 심전도 분석 시스템의 업데이트 방식을 나타낸 도면이다.
도 2는 본 실시예에 따른 심전도 분석 시스템을 개략적으로 나타낸 도면이다.
도 3은 본 실시예에 따른 바이오 신호 처리 분야에서 생체 신호 데이터 처리를 나타낸 도면이다.
도 4는 본 실시예에 따른 P,Q,R,S,T파(P파, QRS복합체, T파)와 심전도의 특징지표를 나타낸 도면이다.
도 5a는 제1 실시예에 따른 심전도 분석 시스템의 업데이트 방식을 나타낸 도면이다.
도 5b는 제2 실시예에 따른 심전도 분석 시스템의 업데이트 방식을 나타낸 도면이다.
도 6은 본 실시예에 따른 1차 판독 데이터와 2차 판독 데이터를 비교한 다른 부분을 나타낸 도면이다.
도 2는 본 실시예에 따른 심전도 분석 시스템을 개략적으로 나타낸 도면이다.
도 3은 본 실시예에 따른 바이오 신호 처리 분야에서 생체 신호 데이터 처리를 나타낸 도면이다.
도 4는 본 실시예에 따른 P,Q,R,S,T파(P파, QRS복합체, T파)와 심전도의 특징지표를 나타낸 도면이다.
도 5a는 제1 실시예에 따른 심전도 분석 시스템의 업데이트 방식을 나타낸 도면이다.
도 5b는 제2 실시예에 따른 심전도 분석 시스템의 업데이트 방식을 나타낸 도면이다.
도 6은 본 실시예에 따른 1차 판독 데이터와 2차 판독 데이터를 비교한 다른 부분을 나타낸 도면이다.
이하, 본 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 2는 본 실시예에 따른 심전도 분석 시스템을 개략적으로 나타낸 도면이다.
본 실시예에 따른 심전도 분석 시스템은 심전도 판독 장치(210), 의료진 단말기(220), 심전도 판독 모델 업데이트 장치(230)를 포함한다. 심전도 분석 시스템에 포함된 구성요소는 반드시 이에 한정되는 것은 아니다.
심전도 판독 장치(210)는 복수의 사람에 대한 심전도 파형을 획득한다. 심전도 판독 장치(210)는 딥러닝 모델을 이용하여 심전도 파형에 세그먼테이션(Segmentation)을 적용하여, 심전도 파형 각 구간의 특징 지표값을 확인한다. 심전도 판독 장치(210)는 특징 지표값을 기반으로 각 구간별 분류(Classification) 결과를 생성한다. 심전도 판독 장치(210)는 분류 결과를 기반으로 머신 러닝 알고리즘을 이용하여 심장 박동을 검출한 박동 검출 결과를 생성한다. 심전도 판독 장치(210)는 박동 검출 결과를 기반으로, 노이즈 파형, 정상 박동 파형, PVC(Premature Ventricular Contraction, 조기심실수축) 파형, PAC(Premature Atrial Contraction, 조기심방수축) 파형, 부정맥(Arrhythmia) 파형, 이상박동(S,V), ST, QTc 등을 1차적으로 판독한 1차 판독 데이터를 생성한다.
의료진 단말기(220)는 1차 판독 데이터를 검수할 때, 1차 판독 데이터 상에서 틀린 부분이 미존재하는 경우, 1차 판독 데이터와 동일한 데이터를 2차 판독 데이터로 출력한다.
의료진 단말기(220)는 1차 판독 데이터 상에서 틀린 부분이 존재하는 경우, 틀린 부분만 파일 덮어쓰기 형태로 반영하여 2차 판독 데이터를 출력한다. 다시 말해, 의료진 단말기(220)는 1차 판독 데이터를 기반으로 의료진이 검수한 결과를 1차 판독 데이터 상에 반영해서 갱신된 2차 판독 데이터를 출력한다.
심전도 판독 장치(210)에서 머신러닝을 이용하여 심전도를 분석하기 위해서는 학습에 반영할 다양하고 많은 양의 심전도 데이터가 필요하다. 하지만, 심전도 판독 모델을 업데이트하기 위한 종래의 방식에서는 심전도 데이터를 많이 확보하더라도 의료진에게 2차 검수를 받지 않은 정제되지 않은 상태이거나, 수동으로 학습에 반영할 데이터를 일일이 수집하는 방식으로 인해 머신러닝 모델을 지속적으로 업데이트하기 어려웠다.
본 실시예에 따른 심전도 판독 모델 업데이트 장치(230)는 머신러닝 모델의 업데이트 주기를 단축시키고, 사람의 개입을 최소화하여 알고리즘을 자동으로 업데이트하는 지속 가능하다.
심전도 판독 모델 업데이트 장치(230)는 의료진의 2차 검수결과와 자동판독 알고리즘의 1차 검수결과를 비교하여 판독 모델이 잘못 분류한 부분의 데이터를 자동으로 수집하며, 학습에 반영할 적절한 피드백 데이터를 쉽게 수집할 수 있으며, 의료진의 검수결과를 활용하여 신뢰성 있는 데이터로 정제할 수 있다.
심전도 판독 모델 업데이트 장치(230)는 모델 업데이트 자동화 시스템의 구축하여, 모델의 빠른 업데이트 및 지속적인 성능 고도화, 모델 학습 및 배포까지의 과정에서 소요되는 비용과 시간 절감, 의료 데이터 보안 및 개인정보 보호 강화할 수 있다.
심전도 판독 모델 업데이트 장치(230)는 효율적인 심전도 분석 시스템 운영과 분석 성능 고도화를 위한 머신러닝 모델 업데이트 자동화 시스템 구축에 대한 내용으로, 모델을 학습시키기 위한 데이터를 추출하는 과정부터, 학습 후 시스템에 배포하는 과정까지의 전 주기를 자동화시켜 모델 업데이트 주기를 단축시키고, 모델 성능을 지속적으로 고도화시킨다.
심전도 판독 모델 업데이트 장치(230)는 종래의 직렬적이고 수동적인 업데이트 방식을 병렬적이고 자동적으로 운영될 수 있도록 업데이트 방식으로 개선한다.
제1 실시예에 따른 심전도 판독 모델 업데이트 장치(230)는 심전도 판독 모델이 판독한 1차 판독 데이터와 의료진이 판독한 2차 판독 데이터가 서로 상이하다고 판단된 부분만 잘라내서 심전도 데이터를 심전도 학습 데이터로 입력한다. 심전도 판독 모델 업데이트 장치(230)는 심전도 판독 모델을 지속적으로 학습하기 위한 입력으로 심전도 학습 데이터를 생성한다. 심전도 판독 모델 업데이트 장치(230)는 1차 판독 데이터와 2차 판독 데이터로부터 상이한 부분을 판별한 후 상이한 부분에 대응하는 시점을 기준으로 앞뒤에 기 설정된 시간(예컨대, 30초)만큼씩 잘라내서 심전도 판독 모델을 학습하기 위한 심전도 학습 데이터를 생성한다. 심전도 판독 모델 업데이트 장치(230)는 심전도 학습 데이터를 생성하는 과정에서 의료진이 판독한 결과가 더 정확하기 때문에 2차 판독 데이터를 기준으로 1차 판독 데이터에 어노테이션을 추가한다. 심전도 판독 모델 업데이트 장치(230)는 1차 판독 데이터와 2차 판독 데이터 각각으로부터 상이한 부분을 기준으로 앞뒤로 잘라낸 파형을 심전도 학습 데이터로 입력할 때, 의료진 판독 결과를 어노테이션한다.
제1 실시예에 따른 심전도 판독 모델 업데이트 장치(230)는 시계열적으로 1차 판독 데이터와 2차 판독 데이터를 동기화한 후 동기화된 두 개의 데이터들 중 어노테이션된 위치에서 값이 서로 상이한 부분만을 추출한다. 예컨대, 심전도 판독 모델 업데이트 장치(230)는 1차 판독 데이터 상에 시계열적으로 심전도 파형이 N 파형, S 파형, N 파형, N 파형으로 분류될 때, 2차 판독 데이터 상에 시계열적으로 심전도 파형이 N 파형, N 파형, N 파형, N 파형으로 분류되는 경우, 1차 판독 데이터 상의 S 파형에 상이한 부분으로 인지하여 추출한다. 심전도 판독 모델 업데이트 장치(230)는 1차 판독 데이터 상의 S 파형 부분과 2차 판독 데이터의 N 파형 부분이 서로 상이한 부분으로 추출하고, 해당 포인트의 시간도 같이 추출한다.
제1 실시예에 따른 심전도 판독 모델 업데이트 장치(230)는 해당 시간을 기점으로 앞뒤로 기 설정된 제1 시간(예컨대, 30초)만큼씩 잘라서, 기 설정된 제2 시간(예컨대, 1분)을 갖는 입력 데이터를 데이터베이스 상에 적재한다. 다시 말해, 심전도 판독 모델 업데이트 장치(230)는 1차 판독 데이터와 2차 판도 데이터 상에서 서로 다른 부분 찾고, 서로 다른 부분의 시점을 같이 추출한 후 해당 시점을 기준으로 입력된 1차 판독 데이터와 2차 판독 데이터로부터 해당 시간 부분을 기준으로 상이한 부분을 잘라낸다.
제1 실시예에 따른 심전도 판독 모델 업데이트 장치(230)는 1차 판독 데이터와 2차 판독 데이터를 동기화된 시간을 기준으로 비교해서 서로 상이한 부분을 찾아서 어노테이션을 추가한다. 심전도 판독 모델 업데이트 장치(230)는 어노테이션을 추가한 부분에 대응하는 시간을 기준으로 기 설정된 시간(1분)만큼 잘라낸 데이터를 심전도 학습 데이터를 입력할 수 있다.
제1 실시예에 따른 심전도 판독 모델 업데이트 장치(230)는 1차 판독 데이터와 동일한 데이터 포맷을 갖는 2차 판독 데이터를 획득한다. 심전도 판독 모델 업데이트 장치(230)는 2차 판독 데이터와 1차 판독 데이터가 동일한 데이터 포맷을 가지므로, 어노테이션 정보를 서로 시간 순서대로 비교를 해서 서로 상이한 부분을 추출할 수 있다. 심전도 판독 모델 업데이트 장치(230)는 1차 판독 데이터와 2차 판독 데이터를 비교하여 서로 상이한 부분에 대응하는 다른 시점을 기준으로 심전도 학습 데이터를 생성한다.
제2 실시예에 따른 심전도 판독 모델 업데이트 장치(230)는 학습 데이터를 기반으로 학습 DB를 생성할 때, 1차 판독 데이터와 2차 판독 데이터를 비교해서 서로 상이한 부분을 찾는 게 아니라 1차 판독 데이터 중 임상 병리사(의료진)가 수정한 부분의 시간 정보(1분 30초), 어노테이션 정보, 분류된 파형 정보(s 파형, n 파형)만을 별도의 데이터베이스(DB)에 저장한다.
제2 실시예에 따른 심전도 판독 모델 업데이트 장치(230)는 별도의 데이터베이스(DB)에 저장된 수정된 부분의 시간 정보(1분 30초), 어노테이션 정보, 분류된 파형 정보(s 파형, n 파형)만을 이용하여 2차 판독 데이터로부터 해당 시간에 대응하는 부분을 잘라내고, 잘라낸 부분에 어노테이션 정보(n 파형) 정보를 추가한다.
제2 실시예에 따른 심전도 판독 모델 업데이트 장치(230)는 1차 판독 데이터를 기반으로 의료진이 검수한 2차 판독 데이터로부터 수정된 부분(수정된 파형, 수정된 시점, 어노테이션)만을 추출하여 별도로 DB에 저장한다. 심전도 판독 모델 업데이트 장치(230)는 수정된 부분만을 기반으로 심전도 학습 데이터를 생성한다.
제2 실시예에 따른 심전도 판독 모델 업데이트 장치(230)는 2차 판독 데이터와 1차 판독 데이터의 데이터 포맷이 완전히 일치하지 않더라도 2차 판독 데이터 상에 수정된 부분만을 추출한다. 심전도 판독 모델 업데이트 장치(230)는 수정된 부분에 포함된 수정된 시간, 수정된 파형, 어노테이션 정보를 별도로 저장한다. 심전도 판독 모델 업데이트 장치(230)는 수정된 시간, 수정된 파형, 어노테이션 정보를 기반으로 2차 판독 데이터로부터 심전도 파형의 일부를 잘라내서 심전도 학습 데이터를 생성한다.
도 3은 본 실시예에 따른 바이오 신호 처리 분야에서 생체 신호 데이터 처리를 나타낸 도면이다.
심전도 판독 장치(210)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 심전도 판독 장치(210)는 바이오 신호 처리(Bio Signal Processing) 분야에서 1차원(1D) 생체신호 데이터 처리에 적용될 수 있다. 심전도 판독 장치(210)는 심전도 파형에 포함된 P 파형, QRS-complex(N,S,V), T 파형, 노이즈 파형을 파형 단위로 분할한다.
심전도 판독 장치(210)는 심전도 파형을 N(Normal beat), S(Supraventricular ectopic beat), V(Ventricular ectopic beat), F(Fusion beat), Q(Unknown beat) 중 하나로 분류한다.
도 4는 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.
심전도 판독 장치(210)는 심전도 파형에 포함된 P 파형, Q 파형, R 파형, S 파형, T 파형을 감지하고, 노멀 박동(N), 심실상 박동(S), 심실 박동(V)을 분류한다. 심전도 판독 장치(210)는 P 파형, Q 파형, R 파형, S 파형, T 파형의 로컬라이제이션(Localization)을 수행하여 심전도의 다양한 특징 지표들을 출력한다.
심전도 판독 장치(210)는 입력된 심전도 파형에 대한 PR 인터벌(Interval), QRS 인터벌, QT 인터벌, ST 세그먼트, RR 인터벌을 구분한다.
심전도 판독 장치(210)는 PR 인터벌, QRS 인터벌, QT 인터벌, ST 세그먼트, RR 인터벌을 기반으로 P 파형, Q 파형, R 파형, S 파형, T 파형의 특징정보를 기반으로 박동을 분류(Classification)할 수 있다.
심전도 판독 장치(210)는 심장 박동을 노멀 박동(Normal Beat)(N), 심실상 박동(Supraventricular beat)(S), 심실 박동(Ventricular Beat)(V)으로 분류한다. 심전도 판독 장치(210)는 심전도 파형을 판독할 때, 로컬라이제이션(Localization)과 분류(Classification)정보를 기반으로 이상 상태를 감지할 수 있다.
심전도 판독 장치(210)는 심전도 파형에 대해 로컬라이제이션을 수행한 값을 이용하여 이상상태(부정맥, 이상박동(S,V), ST, QTc 등)를 감지한다.
심전도 판독 장치(210)는 심전도 파형에 대해 분류(Classification)를 수행하여 심장 박동을 노멀 박동(Normal Beat)(N), 심실상 박동(Supraventricular beat)(S), 심실 박동(Ventricular Beat)(V)로 분류하고, 부정맥을 감지한다.
심전도 판독 장치(210)는 심전도 파형에 세그먼테이션 기법을 적용하여, 심전도 파형에 포함된 P 파형, Q 파형, R 파형, S 파형, T 파형, 세동 파형의 각 구간을 확인한다. 심전도 판독 장치(210)는 각 구간을 기반으로 심장 박동을 N(Normal beat), S(Supraventricular ectopic beat), V(Ventricular ectopic beat), F(Fusion beat), Q(Unknown beat) 중 하나로 분류(Classification)한다.
도 5a는 제1 실시예에 따른 심전도 분석 시스템의 업데이트 방식을 나타낸 도면이다.
제1 실시예에 따른 심전도 판독 모델 업데이트 장치(230)는 1차 판독 데이터 획득부(410), 2차 판독 데이터 획득부(420), 결과 비교부(430), 피드백 데이터 추출부(440), DB 적재부(450), 모델 자동 학습부(460), 모델 배포부(470)를 포함한다. 심전도 판독 모델 업데이트 장치(230)에 포함된 구성요소는 반드시 이에 한정되는 것은 아니다.
심전도 판독 모델 업데이트 장치(230)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 5a에 도시된 심전도 판독 모델 업데이트 장치(230)의 각 구성요소는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 소프트웨어적인 모듈, 하드웨어적인 모듈 또는 소프트웨어와 하드웨어의 결합으로 구현될 수 있다.
1차 판독 데이터 획득부(410)는 심전도 판독 장치(210)로부터 심전도 판독 모델을 이용하여 심전도 파형을 판독한 1차 판독 데이터를 획득한다. 2차 판독 데이터 획득부(420)는 의료진 단말기(220)로부터 1차 판독 데이터를 검수한 2차 판독 데이터를 획득한다.
결과 비교부(430)는 1차 판독 데이터와 2차 판독 데이터를 비교하여 서로 상이한 부분을 추출한다. 결과 비교부(430)는 1차 판독 데이터와 2차 판독 데이터를 시계열적으로 동기화시킨 후 1차 판독 데이터와 2차 판독 데이터를 시계열적인 시간 순서대로 비교하면서 상이한 부분을 추출한다. 결과 비교부(430)는 동일한 포맷을 갖는 1차 판독 데이터와 2차 판독 데이터를 시계열적인 시간 순서대로 비교하면서 동일한 포맷 상에서 상이한 부분을 추출한다.
피드백 데이터 추출부(440)는 1차 판독 데이터와 2차 판독 데이터 각각으로부터 상이한 부분을 기준으로 일정 부분을 추출하여 심전도 학습 데이터로 생성한다. 피드백 데이터 추출부(440)는 상이한 부분에 대응하는 시점을 기준으로 앞, 뒤로 기 설정된 제1 시간(예컨대, 30초)만큼을 1차 판독 데이터와 2차 판독 데이터를 잘라서 기 설정된 제2 시간(예컨대, 1분)을 갖는 심전도 학습 데이터를 생성한다.
피드백 데이터 추출부(440)는 기 설정된 제1 시간과 기 설정된 제2 시간의 길이를 정확도 또는 처리 시간에 따라 적응적으로 조절한다. 피드백 데이터 추출부(440)는 2차 판독 데이터를 기준으로 1차 판독 데이터에 대해 상이한 부분에 대한 어노테이션을 수행한다.
DB 적재부(450)는 심전도 학습 데이터를 DB에 적재하며, 특정 DB에 심전도 학습 데이터가 기 설정된 임계치 이상으로 누적 적재된 후에도 새롭게 수신되는 경우, 새로운 DB에 새롭게 수신되는 심전도 학습 데이터를 적재하도록 제어한다.
모델 자동 학습부(460)는 심전도 학습 데이터를 기반으로 심전도 판독 모델에 대한 학습을 수행한다. 모델 자동 학습부(460)는 기 설정된 일정량 이상으로 심전도 학습 데이터를 학습한 후 새로운 DB로부터 새롭게 수신되는 심전도 학습 데이터를 호출하여 새롭게 심전도 판독 모델에 대한 학습을 수행한다.
모델 배포부(470)는 심전도 판독 모델에 대한 학습이 완료된 경우, 심전도 판독 모델에 대해 새롭게 학습된 내용을 심전도 판독 장치로 업데이트한다. 모델 배포부(470)는 심전도 판독 모델에 대해 새롭게 학습된 내용을 동일한 심전도 판독 모델을 이용하여 복수의 심전도 판독 장치로 배포한다.
도 5b는 제2 실시예에 따른 심전도 분석 시스템의 업데이트 방식을 나타낸 도면이다.
제2 실시예에 따른 심전도 판독 모델 업데이트 장치(230)는 2차 판독 데이터 획득부(420), 결과 비교부(430), 피드백 데이터 추출부(440), DB 적재부(450), 모델 자동 학습부(460), 모델 배포부(470)를 포함한다. 심전도 판독 모델 업데이트 장치(230)에 포함된 구성요소는 반드시 이에 한정되는 것은 아니다.
심전도 판독 모델 업데이트 장치(230)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 5b에 도시된 심전도 판독 모델 업데이트 장치(230)의 각 구성요소는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 소프트웨어적인 모듈, 하드웨어적인 모듈 또는 소프트웨어와 하드웨어의 결합으로 구현될 수 있다.
도 5b에 도시된 심전도 판독 모델 업데이트 장치(230)의 각 구성요소에 대한 설명 중 도 5a와 중복되는 설명은 생략한다.
2차 판독 데이터 획득부(420)는 의료진 단말기(220)로부터 심전도 판독 모델을 이용하여 심전도 파형을 판독한 1차 판독 데이터를 검수한 2차 판독 데이터를 획득한다.
결과 비교부(430)는 2차 판독 데이터로부터 수정된 부분만을 추출한다. 결과 비교부(430)는 1차 판독 데이터와 2차 판독 데이터가 서로 상이한 데이터 포맷을 갖더라도 2차 판독 데이터로부터 수정된 부분만을 시계열적인 시간 순서와 무관하게 추출한다.
피드백 데이터 추출부(440)는 2차 판독 데이터로부터 수정된 부분을 기준으로 일정 부분을 추출하여 심전도 학습 데이터로 생성한다. 피드백 데이터 추출부(440)는 수정된 부분으로부터 1차 판독 데이터를 검수하여 수정된 내용에 대한 수정 시간, 어노테이션 정보, 파형 정보를 추출한다.
피드백 데이터 추출부(440)는 수정된 부분에 대응하는 시점을 기준으로 앞, 뒤로 기 설정된 제1 시간(예컨대, 30초)만큼을 2차 판독 데이터를 잘라서 기 설정된 제2 시간(예컨대, 1분)을 갖는 심전도 학습 데이터를 생성한다. 피드백 데이터 추출부(440)는 기 설정된 제1 시간과 기 설정된 제2 시간의 길이를 정확도 또는 처리 시간에 따라 적응적으로 조절한다.
DB 적재부(450)는 심전도 학습 데이터를 DB에 적재하며, 특정 DB에 심전도 학습 데이터가 기 설정된 임계치 이상으로 누적 적재된 후에도 새롭게 수신되는 경우, 새로운 DB에 새롭게 수신되는 심전도 학습 데이터를 적재하도록 제어한다.
모델 자동 학습부(460)는 심전도 학습 데이터를 기반으로 심전도 판독 모델에 대한 학습을 수행한다. 모델 자동 학습부(460)는 기 설정된 일정량 이상으로 심전도 학습 데이터를 학습한 후 새로운 DB로부터 새롭게 수신되는 심전도 학습 데이터를 호출하여 새롭게 심전도 판독 모델에 대한 학습을 수행한다.
모델 배포부(470)는 심전도 판독 모델에 대한 학습이 완료된 경우, 심전도 판독 모델에 대해 새롭게 학습된 내용을 심전도 판독 장치로 업데이트한다. 모델 배포부(470)는 심전도 판독 모델에 대해 새롭게 학습된 내용을 동일한 심전도 판독 모델을 이용하여 복수의 심전도 판독 장치로 배포한다.
도 6은 본 실시예에 따른 1차 판독 데이터와 2차 판독 데이터를 비교한 다른 부분을 나타낸 도면이다.
심전도 판독 장치(210)는 복수의 사람에 대한 심전도 파형을 획득한다. 심전도 판독 장치(210)는 딥러닝 모델을 이용하여 심전도 파형에 세그먼테이션(Segmentation)을 적용하여, 심전도 파형 각 구간의 특징 지표값을 확인한다. 심전도 판독 장치(210)는 특징 지표값을 기반으로 각 구간별 분류(Classification) 결과를 생성한다. 심전도 판독 장치(210)는 분류 결과를 기반으로 머신 러닝 알고리즘을 이용하여 심장 박동을 검출한 박동 검출 결과를 생성한다. 심전도 판독 장치(210)는 박동 검출 결과를 기반으로, 노이즈 파형, 정상 박동 파형, PVC(Premature Ventricular Contraction, 조기심실수축) 파형, PAC(Premature Atrial Contraction, 조기심방수축) 파형, 부정맥(Arrhythmia) 파형, 이상박동(S,V), ST, QTc 등을 1차적으로 판독한 1차 판독 데이터를 생성한다.
심전도 판독 모델 업데이트 장치(230)는 심전도 판독 장치(210)로부터 심전도 판독 모델을 이용하여 심전도 파형을 1차적으로 판독한 결과인 1차 판독 데이터를 획득한다.
심전도 판독 모델 업데이트 장치(230)는 의료진 단말기(220)로부터 의료진이 심전도 파형을 2차적으로 판독한 결과(정답)인 2차 판독 데이터를 획득한다.
도 6에 도시된 보와 같이, 심전도 판독 모델 업데이트 장치(230)는 1차 판독 데이터와 2차 판독 데이터를 비교하여 상이한 부분(예컨대, 박동 오분류 부분)을 추출한다.
심전도 판독 모델 업데이트 장치(230)는 상이한 부분(해당 포인트)를 기준으로 앞, 뒤로 기 설정된 제1 시간(예컨대, 30초)만큼을 잘라서 기 설정된 제2 시간(예컨대, 1분)을 갖는 심전도 학습 데이터를 생성한다. 여기서, 심전도 판독 모델 업데이트 장치(230)는 머신러닝 모델을 설계 방식에 따라 기 설정된 제1 시간, 제2 시간의 길이를 변경할 수 있다.
심전도 판독 모델 업데이트 장치(230)는 의료진이 판독한 2차 판독 데이터가 정답이기 때문에, 2차 판독 데이터를 기반으로 상이한 부분에 대해 자동 어노테이션을 수행 한다.
심전도 판독 모델 업데이트 장치(230)는 상이한 부분을 서버에 적재한 후 일정량 이상 새로운 데이터가 쌓이면 ‘Auto Re-training PC(자동 재학습 PC)’에서 적재된 데이터를 호출하여 새롭게 모델을 학습한다.
심전도 판독 모델 업데이트 장치(230)는 학습이 완료된 모델을 심전도 판독 장치(210)로 자동 배포한다. 심전도 판독 모델 업데이트 장치(230)는 전술한 과정을 반복하면서, 지속적으로 모델을 자동 업데이트한다.
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.
210: 심전도 판독 장치
220: 의료진 단말기
230: 심전도 판독 모델 업데이트 장치
410: 1차 판독 데이터 획득부
420: 2차 판독 데이터 획득부
430: 결과 비교부
440: 피드백 데이터 추출부
450: DB 적재부
460: 모델 자동 학습부
470: 모델 배포부
220: 의료진 단말기
230: 심전도 판독 모델 업데이트 장치
410: 1차 판독 데이터 획득부
420: 2차 판독 데이터 획득부
430: 결과 비교부
440: 피드백 데이터 추출부
450: DB 적재부
460: 모델 자동 학습부
470: 모델 배포부
Claims (7)
- 부정맥 검출 및 분류를 위한 심전도 판독 장치로부터 심전도 판독 모델을 이용하여 심전도 파형을 판독한 1차 판독 데이터를 획득하는 1차 판독 데이터 획득부;
의료진 단말기로부터 상기 1차 판독 데이터를 검수한 2차 판독 데이터를 획득하는 2차 판독 데이터 획득부;
상기 1차 판독 데이터와 상기 2차 판독 데이터를 비교하여 서로 상이한 부분을 추출하는 결과 비교부;
상기 1차 판독 데이터와 상기 2차 판독 데이터의 각각으로부터 상기 상이한 부분에 대응하는 시점을 기준으로 앞, 뒤로 기 설정된 제1 시간을 기준으로 일정 부분을 추출하여 기 설정된 제2 시간을 갖는 심전도 학습 데이터로 생성하는 피드백 데이터 추출부;
상기 심전도 학습 데이터를 기반으로 상기 심전도 판독 모델에 대한 학습을 수행하는 모델 자동 학습부; 및
상기 심전도 판독 모델에 대한 학습이 완료된 경우, 상기 심전도 판독 모델에 대해 새롭게 학습된 내용을 상기 심전도 판독 장치로 업데이트하는 모델 배포부를 포함하고,
상기 피드백 데이터 추출부는 상기 기 설정된 제1 시간과 상기 기 설정된 제2 시간의 길이를 상기 부정맥 검출 및 분류를 위한 정확도 및 처리 시간에 따라 적응적으로 조절하는 것을 특징으로 하는 심전도 판독 모델 업데이트 장치. - 제1항에 있어서,
상기 결과 비교부는,
상기 1차 판독 데이터와 상기 2차 판독 데이터를 시계열적으로 동기화시킨 후 상기 1차 판독 데이터와 상기 2차 판독 데이터를 시계열적인 시간 순서대로 비교하면서 상기 상이한 부분을 추출하는 것을 특징으로 하는 심전도 판독 모델 업데이트 장치. - 제1항에 있어서,
상기 피드백 데이터 추출부는,
상기 2차 판독 데이터를 기준으로 상기 1차 판독 데이터에 대해 상이한 부분에 대한 어노테이션을 수행하는 것을 특징으로 하는 심전도 판독 모델 업데이트 장치. - 제1항에 있어서,
상기 심전도 학습 데이터를 DB에 적재하며, 특정 DB에 상기 심전도 학습 데이터가 기 설정된 임계치 이상으로 누적 적재된 후에도 새롭게 수신되는 경우, 새로운 DB에 새롭게 수신되는 심전도 학습 데이터를 적재하도록 제어하는 DB 적재부
를 추가로 포함하는 것을 특징으로 하는 심전도 판독 모델 업데이트 장치. - 제1항에 있어서,
상기 모델 자동 학습부는,
기 설정된 일정량 이상으로 상기 심전도 학습 데이터를 학습한 후 새로운 DB로부터 새롭게 수신되는 심전도 학습 데이터를 호출하여 새롭게 상기 심전도 판독 모델에 대한 학습을 수행하는 것을 특징으로 하는 심전도 판독 모델 업데이트 장치. - 제1항에 있어서,
상기 모델 배포부는,
상기 심전도 판독 모델에 대해 새롭게 학습된 내용을 동일한 심전도 판독 모델을 이용하여 복수의 상기 심전도 판독 장치로 배포하는 것을 특징으로 하는 심전도 판독 모델 업데이트 장치. - 의료진 단말기로부터 심전도 판독 모델을 이용하여 심전도 파형을 판독한 1차 판독 데이터를 검수한 2차 판독 데이터를 획득하는 2차 판독 데이터 획득부;
상기 2차 판독 데이터로부터 수정된 부분만을 추출하는 결과 비교부;
상기 2차 판독 데이터로부터 상기 수정된 부분에 대응하는 시점을 기준으로 앞, 뒤로 기 설정된 제1 시간을 기준으로 일정 부분을 추출하여 기 설정된 제2 시간을 갖는 심전도 학습 데이터로 생성하는 피드백 데이터 추출부;
상기 심전도 학습 데이터를 기반으로 상기 심전도 판독 모델에 대한 학습을 수행하는 모델 자동 학습부; 및
상기 심전도 판독 모델에 대한 학습이 완료된 경우, 상기 심전도 판독 모델에 대해 새롭게 학습된 내용을 부정맥 검출 및 분류를 위한 심전도 판독 장치로 업데이트하는 모델 배포부를 포함하고,
상기 피드백 데이터 추출부는 상기 기 설정된 제1 시간과 상기 기 설정된 제2 시간의 길이를 상기 부정맥 검출 및 분류를 위한 정확도 및 처리 시간에 따라 적응적으로 조절하는 것을 특징으로 하는 심전도 판독 모델 업데이트 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230138785A KR102652840B1 (ko) | 2023-10-17 | 2023-10-17 | 심전도 분석을 위한 자동 알고리즘 업데이트 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230138785A KR102652840B1 (ko) | 2023-10-17 | 2023-10-17 | 심전도 분석을 위한 자동 알고리즘 업데이트 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102652840B1 true KR102652840B1 (ko) | 2024-03-29 |
Family
ID=90483522
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230138785A KR102652840B1 (ko) | 2023-10-17 | 2023-10-17 | 심전도 분석을 위한 자동 알고리즘 업데이트 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102652840B1 (ko) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102142841B1 (ko) * | 2019-11-06 | 2020-08-10 | 메디팜소프트(주) | Ai 기반 심전도 판독 시스템 |
| KR20220005456A (ko) * | 2019-05-06 | 2022-01-13 | 메드트로닉 인코포레이티드 | 기계 학습에 의한 부정맥 검출의 시각화 |
| KR20220005281A (ko) | 2020-07-06 | 2022-01-13 | 코리 컴퍼니 리미티드 | 원격 진료를 위한 클라우드 기반 신경망 모델의 관리 방법 및 서버 |
| US20220015711A1 (en) * | 2020-07-20 | 2022-01-20 | Board Of Regents, The University Of Texas System | System and method for automated analysis and detection of cardiac arrhythmias from electrocardiograms |
| KR102387703B1 (ko) * | 2021-12-23 | 2022-04-18 | (주)씨어스테크놀로지 | 심전도 판독을 수정하기 위한 방법 및 장치 |
| KR20220106273A (ko) | 2021-01-21 | 2022-07-29 | 주식회사 휴이노 | 생체 신호에 기초한 학습 모델을 관리하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능 기록 매체 |
| KR20230025964A (ko) * | 2021-08-17 | 2023-02-24 | 주식회사 메디컬에이아이 | 심전도 판독 서비스 제공 방법 |
-
2023
- 2023-10-17 KR KR1020230138785A patent/KR102652840B1/ko active IP Right Grant
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220005456A (ko) * | 2019-05-06 | 2022-01-13 | 메드트로닉 인코포레이티드 | 기계 학습에 의한 부정맥 검출의 시각화 |
| KR102142841B1 (ko) * | 2019-11-06 | 2020-08-10 | 메디팜소프트(주) | Ai 기반 심전도 판독 시스템 |
| KR20220005281A (ko) | 2020-07-06 | 2022-01-13 | 코리 컴퍼니 리미티드 | 원격 진료를 위한 클라우드 기반 신경망 모델의 관리 방법 및 서버 |
| US20220015711A1 (en) * | 2020-07-20 | 2022-01-20 | Board Of Regents, The University Of Texas System | System and method for automated analysis and detection of cardiac arrhythmias from electrocardiograms |
| KR20220106273A (ko) | 2021-01-21 | 2022-07-29 | 주식회사 휴이노 | 생체 신호에 기초한 학습 모델을 관리하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능 기록 매체 |
| KR20230025964A (ko) * | 2021-08-17 | 2023-02-24 | 주식회사 메디컬에이아이 | 심전도 판독 서비스 제공 방법 |
| KR102387703B1 (ko) * | 2021-12-23 | 2022-04-18 | (주)씨어스테크놀로지 | 심전도 판독을 수정하기 위한 방법 및 장치 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11134880B2 (en) | Automatic method to delineate or categorize an electrocardiogram | |
| CN108186011B (zh) | 房颤检测方法、装置及可读存储介质 | |
| US11350868B2 (en) | Electrocardiogram information processing method and electrocardiogram workstation system | |
| US7769434B2 (en) | Method of physiological data analysis and measurement quality check using principal component analysis | |
| JP6901399B2 (ja) | Ｅｃｇデバイス用のｅｃｇコントローラ、該ｅｃｇコントローラの作動の方法 | |
| Paoletti et al. | Discovering dangerous patterns in long-term ambulatory ECG recordings using a fast QRS detection algorithm and explorative data analysis | |
| AU2021351233A1 (en) | Electrocardiogram processing system for detecting and/or predicting cardiac events | |
| US11331034B2 (en) | Automatic method to delineate or categorize an electrocardiogram | |
| KR102322234B1 (ko) | 딥러닝을 이용한 심전도 시각화 방법 및 장치 | |
| EP3367897A1 (en) | An automatic method to delineate or categorize an electrocardiogram | |
| Darmawahyuni et al. | Deep learning-based electrocardiogram rhythm and beat features for heart abnormality classification | |
| US20240215901A1 (en) | Method and apparatus for correcting electrocardiogram reading | |
| CN105877739A (zh) | 一种心电智能分析系统的临床检验方法 | |
| CN104834921A (zh) | 心电正/异常大数据处理方法及装置 | |
| Xie et al. | Research on heartbeat classification algorithm based on CART decision tree | |
| US11672464B2 (en) | Electrocardiogram processing system for delineation and classification | |
| Srinivas et al. | Adaptive learning based heartbeat classification | |
| KR102652840B1 (ko) | 심전도 분석을 위한 자동 알고리즘 업데이트 시스템 | |
| Lamba et al. | A survey of algorithms for feature extraction and feature classification methods | |
| Liu et al. | Adaptive atrial fibrillation detection focused on atrial activity analysis | |
| Zhu et al. | Two-stage detection method of supraventricular and ventricular ectopic beats based on sequential artificial features and heartbeats | |
| Calvo et al. | An improved and tool-supported fuzzy automata framework to analyze heart data | |
| KR102673765B1 (ko) | 다중 환자별 맞춤형 심전도 판독 장치 | |
| KR102460058B1 (ko) | 딥 러닝을 이용하여 심방세동을 감지하는 방법 및 장치 | |
| CN111297348A (zh) | 心电图分析结果的生成方法、心电图机及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |