KR20130011567A - 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용하여 심근 허혈을 검출하는 방법 - Google Patents

심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용하여 심근 허혈을 검출하는 방법 Download PDF

Info

Publication number
KR20130011567A
KR20130011567A KR1020110072806A KR20110072806A KR20130011567A KR 20130011567 A KR20130011567 A KR 20130011567A KR 1020110072806 A KR1020110072806 A KR 1020110072806A KR 20110072806 A KR20110072806 A KR 20110072806A KR 20130011567 A KR20130011567 A KR 20130011567A
Authority
KR
South Korea
Prior art keywords
heart rate
frequency domain
myocardial ischemia
time
data set
Prior art date
Application number
KR1020110072806A
Other languages
English (en)
Other versions
KR101273652B1 (ko
Inventor
임준식
짱쩐씽
쉐 웨이 티안
Original Assignee
가천대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 가천대학교 산학협력단 filed Critical 가천대학교 산학협력단
Priority to KR1020110072806A priority Critical patent/KR101273652B1/ko
Publication of KR20130011567A publication Critical patent/KR20130011567A/ko
Application granted granted Critical
Publication of KR101273652B1 publication Critical patent/KR101273652B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—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
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02405—Determining heart rate variability

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Cardiology (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Physiology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Fuzzy Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Evolutionary Computation (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

본 발명은 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에 관한 것으로서, 보다 구체적으로는 (1) 신경망 학습을 위한 데이터 세트를 이용하여 가중 퍼지 소속 함수 기반 신경망을 학습시키는 단계; (2) 상기 단계(1)에서 학습된 가중 퍼지 소속 함수 기반 신경망을 토대로 시간 영역의 분류 모델 및 주파수 영역의 분류 모델을 구축하는 단계; 및 (3) 심근 허혈 여부를 검출해야 하는 환자 데이터 세트를, 상기 단계 (2)에서 구축된 시간 영역의 분류 모델 및 주파수 영역의 분류 모델에 적용하여 상기 환자 데이터의 심근 허혈 여부를 검출하는 단계를 포함하는 것을 그 구성상의 특징으로 한다.
본 발명에서 제안하고 있는 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에 따르면, 심근 허혈 감지방법의 데이터 구축에 필요한 데이터량을 줄이고, 심근 허혈 감지에 소요되는 시간 또한 줄여, 총 18개의 시간 및 주파수 영역의 특징들만으로 약 30초안에 심근 허혈을 더욱 효과적으로 감지할 수 있다.
또한, 본 발명에 따르면, 평균 정확도가 다른, 시간 영역의 특징을 이용하여 감지하는 방법과 주파수 영역의 특징을 이용하여 감지하는 방법을 동시에 이용 및 비교 분석함으로써, 각각 방법들의 평균 정확도를 상호 보완하여, 심근 허혈 감지의 전체적인 정확도를 높일 수 있다.

Description

심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용하여 심근 허혈을 검출하는 방법{A METHOD TO DETECT MYOCARDIAL ISCHEMIA USING COMPARISON ANALYSIS OF HEART RATE VARIABILITY TIME AND FREQUENCY DOMAIN FEATURES}
본 발명은 심근 허혈을 검출하는 방법에 관한 것으로서, 보다 구체적으로는 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용하여 심근 허혈을 검출하는 방법에 관한 것이다.
심박변이도(Heart rate variability)의 분석은 건강상태를 알아보는데 유용하게 쓰인다. 다양한 환경에서 초래되는 심박 수의 변동은 적응반응의 객관적인 지표로 충분히 인정된다. 예를 들어, 심박 수가 줄어드는 현상은 심혈관과 관련된 사망률이 증가함을 예측할 수 있는 하나의 변수이다. 이러한 심박변이도의 분석에는 장기 분석과 단기 분석이 있다. 보통 분석 데이터가 10분 미만일 경우에는 단기 심박변이도 분석으로 다뤄지게 된다.
심박변이도의 분석에는 보통 두 가지 방법이 있다. 하나는 시간 영역의 특징을 이용하는 방법이고, 나머지 하나는 주파수 영역의 특징을 이용하는 방법이다. 시간 영역의 특징을 이용하는 방법에서는, 시간 영역의 특징을 추출하는 방법이 연속적인 심박동수 간격(두 개의 R파들 사이의 지속 시간) 값들의 시리즈에 직접적으로 적용될 수 있다. 이 방법에서 가장 명확한 측정값은 평균 심박동수라고도 불리는 심박동수 간격들의 평균값이다. 또한, 시간 영역의 분석에서 연속적인 심박동수 간격들의 표준편차(SDNN)는 교감 신경 활동을 나타낼 수 있으며, 연속적인 심박동수 간격들의 차이의 제곱평균(RMSSD)은 부교감 신경 활동을 나타낼 수 있다. 교감 신경 활동과 부교감 신경 활동은 소화, 심혈관, 면역, 및 호르몬 관계들과 작용할 수 있다. 이 밖에도, 심박동수 간격들의 시리즈들 안에 존재하는 가변성을 측정하는 다양한 변수들이 존재한다.
심박변이도의 주파수 영역의 분석은 다양한 생물학적 관계들의 주기성에 바탕을 두고 있다. 생물학적 신호는 정해진 기간 동안 반복하며, 이 반복은 하나의 주파수를 띄게 된다. 서로 다른 주파수의 특징들을 가진 신호들이 존재하면 웨이블릿 변환(Wavelet transform)을 이용하여 식별할 수 있다. 반면, 푸리에 변환(Fourier transform)은 비유동적인 신호들에 적용될 수 있다. 하지만, 심박변이도와 같이 다른 많은 신호들은 유동적이면서 일시적인 특징들이 있을 수 있다. 그러므로 이런 신호들에 푸리에 변환을 직접적으로 적용하는 것은 바람직하지 못하다. 심박변이도의 주파수 영역의 분석은 단기 심박변이도의 분석에서 유용하게 쓰일 수 있다.
심근 허혈(Myocardial ischemia)은 심기능의 주요 합병증이며, 심근경색과 심부정맥의 발병 주요 원인으로도 여겨지고 있다. 세포 단계에서 심근 허혈의 주요 특징은 심전도(Electrocardiogram)에서 ST 분절의 하락 또는 상승으로 나타날 수 있다. 종래의 기술들은 심근 허혈을 감지하는 방법에 있어서, 심근 허혈 에피소드(Episode)들을 감지하는 방법과 심박수 하나하나를 토대로 감지하는 방법에 바탕을 두고 있다. 현재의 심근 허혈 감지 연구에서는, 24시간 동안 지속되는 심박변이도의 분석이 심근 허혈 감지에 널리 적용되고 있으며, 이 방법은 높은 감지율을 보이고 있다. 하지만 연구자들은 기존의 심근 허혈 자동 감지와 분류 방법의 문제점들에 대해서 지적한 바가 있다. 지적된 문제점들 중 하나는, 기존의 심근 허혈 감지방법에 사용되는 데이터를 구축하려면 상당한 데이터량이 필요로 하게 된다는 것이다. 또한, 기존의 연구들은 5분 이상이 소요되는 심박변이도의 신호를 이용하여 심근 허혈을 검출한다. 하지만 더욱 효과적인 감지방법을 위해서는, 데이터를 구축하는데 필요한 데이터량을 줄이고, 소요시간 또한 줄이는 것이 중요하다.
뿐만 아니라, 기존의 심근 허혈 감지방법은 시간 영역의 특징을 이용하여 감지하는 방법 또는 주파수 영역의 특징을 이용하여 감지하는 방법 중 보통 한 가지 방법만을 이용한다. 하지만 이 두 방법은 평균 정확도에서 차이를 보인다. 본 발명의 실험결과에 따르면, 주파수 영역의 특징을 이용하여 감지하는 방법은 80.93%의 평균 정확도를 보여주는 반면, 시간 영역의 특징을 이용하여 감지하는 방법은 75.29%의 평균 정확도를 보여준다. 두 방법 모두 완벽한 정확도는 지니고 있지 않다. 또한, 주파수 영역의 특징을 이용하여 감지하는 방법의 평균 정확도가 비교적 높다 하여 시간 영역의 특징을 이용하여 감지하는 방법보다 무조건 뛰어나다고 단정 지을 수는 없다. 더욱 효과적인 감지방법을 위해서는, 가장 널리 쓰이는 이 두 방법의 부족한 정확도를 상호 보완할 수 있는 방법이 필요하다.
본 발명은 기존에 제안된 방법들의 상기와 같은 문제점들을 해결하기 위해 제안된 것으로서, 심근 허혈 감지방법의 데이터 구축에 필요한 데이터량을 줄이고, 심근 허혈 감지에 소요되는 시간 또한 줄임으로써, 심근 허혈을 더욱 효과적으로 감지할 수 있는, 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용하여 심근 허혈을 검출하는 방법을 제공하는 것을 그 목적으로 한다.
또한, 본 발명은, 평균 정확도가 다른, 시간 영역의 특징을 이용하여 감지하는 방법과 주파수 영역의 특징을 이용하여 감지하는 방법을 동시에 이용 및 비교 분석함으로써, 각각의 방법들의 평균 정확도를 상호 보완하여, 심근 허혈 감지의 전체적인 정확도를 높일 수 있는, 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법을 제공하는 것을 또 다른 목적으로 한다.
상기한 목적을 달성하기 위한 본 발명의 특징에 따른, 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법은,
(1) 신경망 학습을 위한 데이터 세트를 이용하여 가중 퍼지 소속 함수 기반 신경망을 학습시키는 단계;
(2) 상기 단계 (1)에서 학습된 가중 퍼지 소속 함수 기반 신경망을 토대로 시간 영역의 분류 모델 및 주파수 영역의 분류 모델을 구축하는 단계; 및
(3) 심근 허혈 여부를 검출해야 하는 환자 데이터 세트를, 상기 단계 (2)에서 구축된 시간 영역의 분류 모델 및 주파수 영역의 분류 모델에 적용하여 상기 환자 데이터의 심근 허혈 여부를 검출하는 단계를 포함하는 것을 그 구성상의 특징으로 한다.
바람직하게는, 상기 단계 (1)은,
신경망 학습을 위한 데이터 세트를 구성하는 단계;
상기 구성된 데이터 세트로부터 시간 영역 및 주파수 영역의 특징들을 추출하는 단계; 및
상기 추출된 특징들을 이용하여 가중 퍼지 소속 함수 기반 신경망을 학습시키는 단계를 포함할 수 있다.
더욱 바람직하게는,
상기 신경망 학습을 위한 데이터 세트를 구성하는 단계는,
심근 허혈에 해당하는 데이터 세트를 추출할 ST 에피소드와 정상 동성 리듬에 해당하는 데이터 세트를 추출할 정상 에피소드를 각각 수집하는 단계; 및
상기 수집된 각각의 에피소드에 대하여, 하나의 에피소드를 각각 미리 설정된 개수의 연속적인 심박동수 간격으로 이루어진 분절들로 나누는 단계를 포함하며,
상기 ST 에피소드의 수집 시, 심전도에서 ST 분절의 변위(ST 분절의 하락 또는 상승)를 갖고 있는 에피소드만 수집할 수 있다.
더욱 바람직하게는,
상기 특징들을 추출하는 단계는,
시간과 주파수 영역의 분석을 통하여, 각각 미리 설정된 개수의 시간 영역의 특징들과 주파수 영역의 특징들을 추출하되,
시간 영역의 특징들로서, 연속적인 심박동수 간격들의 표준편차(SDNN), 연속적인 심박동수 간격들의 차이의 표준편차(SDSD), 연속적인 심박동수 간격들의 차이의 제곱평균(RMSSD), 및 5㎳, 10㎳, 50㎳, 및 100㎳ 이상 차이 나는 연속적인 심박동수 간격들의 개수들(pNN5, pNN10, pNN50, 및 pNN100)을 추출하고,
주파수 영역의 특징들로서, 웨이블릿 변환을 이용하여 A3와 D2-D3 주파수 대역들의 벡터들을 추출할 수 있다.
바람직하게는, 상기 단계 (3)은,
심근 허혈 여부를 검출해야 하는 상기 환자 데이터 세트를, 상기 단계 (2)에서 구축된 시간 영역의 분류 모델 및 주파수 영역의 분류 모델에 적합하도록 변경하는 단계; 및
상기 변경된 환자 데이터 세트를 상기 단계 (2)에서 구축된 시간 영역의 분류 모델 및 주파수 영역의 분류 모델에 적용시켜 정상 동성 리듬 또는 심근 허혈로 분류하는 단계를 포함할 수 있다.
본 발명에서 제안하고 있는 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에 따르면, 심근 허혈 감지방법의 데이터 구축에 필요한 데이터량을 줄이고, 심근 허혈 감지에 소요되는 시간 또한 줄임으로써 심근 허혈을 더욱 효과적으로 감지할 수 있다.
또한, 본 발명에 따르면, 평균 정확도가 다른, 시간 영역의 특징을 이용하여 감지하는 방법과 주파수 영역의 특징을 이용하여 감지하는 방법을 동시에 이용 및 비교 분석함으로써, 각각 방법들의 평균 정확도를 상호 보완하여, 심근 허혈 감지의 전체적인 정확도를 높일 수 있다.
도 1은 본 발명의 일실시예에 따른 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법을 나타낸 흐름도.
도 2는 본 발명의 일실시예에 따른 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에서, 단계 S100의 세부 구성을 나타낸 흐름도.
도 3은 본 발명의 일실시예에 따른 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에서, 단계 S110의 세부 구성을 나타낸 흐름도.
도 4는 본 발명의 일실시예에 따른 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에 사용되는, MIT-BIH Normal Sinus Rhythm 데이터베이스에서의 정상 에피소드와 NSR 분절을 도시한 도면.
도 5는 본 발명의 일실시예에 따른 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에 사용되는, European ST-T 데이터베이스에서의 ST 에피소드와 ST 분절을 도시한 도면.
도 6은 본 발명의 일실시예에 따른 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에 사용되는, 시간 영역의 특징들의 가중 퍼지 소속 함수의 경계 합을 나타낸 그래프들을 도시한 도면.
도 7은 본 발명의 일실시예에 따른 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에 사용되는, 주파수 영역의 특징들의 가중 퍼지 소속 함수의 경계 합을 나타낸 그래프들을 도시한 도면.
도 8은 본 발명의 일실시예에 따른 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에서, 단계 S300의 세부 구성을 나타낸 흐름도.
이하, 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예를 상세하게 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. 또한, 유사한 기능 및 작용을 하는 부분에 대해서는 도면 전체에 걸쳐 동일한 부호를 사용한다.
덧붙여, 명세서 전체에서, 어떤 부분이 다른 부분과 ‘연결’ 되어 있다고 할 때, 이는 ‘직접적으로 연결’ 되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 ‘간접적으로 연결’ 되어 있는 경우도 포함한다. 또한, 어떤 구성요소를 ‘포함’ 한다는 것은, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.
도 1은 본 발명의 일실시예에 따른 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법을 나타낸 흐름도이다. 도 1에 도시된 바와 같이, 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법은 가중 퍼지 소속 함수 기반 신경망을 학습시키는 단계(S100), 시간 영역의 분류 모델 및 주파수 영역의 분류 모델을 구축하는 단계(S200), 및 환자 데이터의 심근 허혈 여부를 검출하는 단계(S300)를 포함하여 구성될 수 있다.
단계 S100에서는, 신경망 학습을 위한 데이터 세트(Data set)를 이용하여 가중 퍼지 소속 함수 기반 신경망을 학습시킨다. 가중 퍼지 소속 함수 기반 신경망은 데이터 세트가 입력되면 상기 데이터 세트를 분류하는 역할을 할 수 있다. 입력된 데이터 세트를 가중 퍼지 소속 함수 기반 신경망이 심근 허혈로 분류하면 심근 허혈이 검출된 것으로 볼 수 있다. 단계 S100에서는, 가중 퍼지 소속 함수 기반 신경망이 입력되는 데이터를 심근 허혈 또는 정상 동성 리듬으로 분류할 수 있게 심근 허혈에 해당하는 데이터 세트와 정상 동성 리듬에 해당하는 데이터 세트를 이용하여 학습시킨다. 신경망 학습을 위한 데이터 세트를 이용하여 가중 퍼지 소속 함수 기반 신경망을 학습시키는 방법(S100)의 세부적인 구성에 대해서는 추후 도 2를 참조하여 상세히 설명하기로 한다.
단계 S200에서는, 시간 영역의 분류 모델 및 주파수 영역의 분류 모델을 구축한다. 상기 시간 영역의 분류 모델 및 주파수 영역의 분류 모델을 구축할 시, 단계 S100에서 학습된 가중 퍼지 소속 함수 기반 신경망을 토대로 구축할 수 있다. 상기 학습된 가중 퍼지 소속 함수 기반 신경망을 토대로 구축된 시간 영역의 분류 모델 및 주파수 영역의 분류 모델은, 심근 허혈 여부를 검출하기 위한 데이터 세트가 입력되면, 정상 동성 리듬 또는 심근 허혈로 분류 및 검출할 수 있다.
단계 S300에서는, 환자 데이터의 심근 허혈 여부를 검출한다. 심근 허혈 여부를 검출해야 하는 환자 데이터 세트를 단계 S200에서 구축된 시간 영역의 분류 모델 및 주파수 영역의 분류 모델에 적용하면 상기 환자 데이터의 심근 허혈 여부를 검출할 수 있다. 상기 환자 데이터의 심근 허혈 여부를 검출하는 방법(S300)의 세부적인 구성에 대해서는 추후 도 8을 참조하여 상세히 설명하기로 한다.
도 2는 본 발명의 일실시예에 따른 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에서, 단계 S100의 세부 구성을 나타낸 흐름도이다. 도 2에 도시된 바와 같이, 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에서, 단계 S100의 세부 구성은 신경망 학습을 위한 데이터 세트를 구성하는 단계(S110), 구성된 데이터 세트로부터 시간 영역 및 주파수 영역의 특징들을 추출하는 단계(S120), 및 추출된 특징들을 이용하여 가중 퍼지 소속 함수 기반 신경망을 학습시키는 단계(S130)를 포함하여 구성될 수 있다.
단계 S110에서는, 신경망 학습을 위한 데이터 세트를 구성한다. 가중 퍼지 소속 함수 기반 신경망을 학습시키기 위한 데이터 세트는 여러 데이터를 포함하고 있는 데이터베이스에서 추출할 수 있다. 본 발명에서는, 데이터베이스에 있는 데이터들을 하위 단위로 나누어서 선택 및 추출하여 신경망 학습을 위한 데이터 세트로 구성한다. 신경망 학습을 위한 데이터 세트를 구성하는 방법(S110)의 세부적인 구성에 대해서는 추후 도 3을 참조하여 상세히 설명하기로 한다.
단계 S120에서는, 단계 S110에서 구성된 데이터 세트로부터 시간 영역 및 주파수 영역의 특징들을 추출한다. 단계 S120에서 추출된 특징들은 가중 퍼지 소속 함수 기반 신경망을 학습시킬 수 있다. 시간 영역의 특징들을 추출할 시, 시간 영역의 분석 방법을 이용하여 총 7개의 시간 영역의 특징들을 추출할 수 있다. 시간 영역의 분석 방법은 연속적인 심박동수 간격 값들의 시리즈에 직접적으로 적용될 수 있다. 가장 명확한 측정값은 평균 심박동수(
Figure pat00001
)라고도 불리는 심박동수 간격들의 평균값(
Figure pat00002
)이다. 이 밖에도, 심박동수 시리즈들 안에 존재하는 가변성을 측정하는 다양한 변수들이 존재한다.
한 예로, 연속적인 심박동수 간격들의 표준편차(SDNN)는 다음 수학식 1과 같이 정의될 수 있다.
Figure pat00003
상기 수학식 1에서, RRj는 j번째 심박동수 간격의 값을 나타내며, N은 연속되는 심박동수 간격들의 총 개수를 나타낸다. 표준편차는 심박동수 간격 시리즈 안에 존재하는 전체적인 변화(단기적인 변화와 장기적인 변화 모두)를 보여준다.
반면, 연속적인 심박동수 간격들의 차이의 표준편차(SDSD)는 다음 수학식 2와 같이 정의될 수 있다.
Figure pat00004
상기 수학식 2는 단기 가변성을 측정하는데 사용될 수 있다.
비유동적인 심박동수 시리즈들은 다음 수학식 3과 같이 정의될 수 있다.
Figure pat00005
연속적인 심박동수 간격들의 차이의 제곱평균(RMSSD)은 다음 수학식 4와 같이 정의될 수 있다.
Figure pat00006
연속적인 심박동수 간격들의 차이점을 토대로 계산할 수 있는 또 다른 측정값은 pNN50이다. pNN50은 50㎳ 이상 차이 나는 연속적인 심박동수 간격들의 개수 또는 그에 비슷한 양을 뜻한다. pNN50은 다음 수학식 5와 같이 정의될 수 있다.
Figure pat00007
상기 수학식 5는 pNN5, pNN10, 및 pNN100을 구할 때도 적용될 수 있다.
본 발명에서는, 연속적인 심박동수 간격들의 표준편차(SDNN), 연속적인 심박동수 간격들의 차이의 표준편차(SDSD), 연속적인 심박동수 간격들의 차이의 제곱평균(RMSSD), 및 5㎳, 10㎳, 50㎳, 및 100㎳ 이상 차이 나는 연속적인 심박동수 간격들의 개수들(pNN5, pNN10, pNN50, 및 pNN100)을 가중 퍼지 소속 함수 기반 신경망에 입력될 시간 영역의 특징들로 추출할 수 있다.
가중 퍼지 소속 함수의 경계 합(BSWFMs)을 이용한 가중 퍼지 소속 함수 기반 신경망 알고리즘은 앞서 입력된 각각의 시간 영역의 특징들을 그래프로 표현할 수 있다. 이러한 과정은 시간 영역의 특징들을 해석하는데 도움을 줄 수 있다. 시간 영역의 특징들의 가중 퍼지 소속 함수의 경계 합은 추후 도 6에서 상세히 설명하기로 한다.
주파수 영역의 특징들을 추출할 경우, 주파수 영역의 분석 방법을 이용하여 총 11개의 주파수 영역의 특징들을 추출할 수 있다. 주파수 영역의 분석 방법에는 두 가지 방법이 있다. 하나는 푸리에 변환이고, 다른 하나는 웨이블릿 변환이다. 서로 다른 주파수의 특징들을 가진 신호들이 존재하면 웨이블릿 변환을 이용하여 식별할 수 있다. 반면, 푸리에 변환은 비유동적인 신호들에 적용될 수 있다. 하지만, 심박변이도와 같이 다른 많은 신호들은 유동적이면서 일시적인 특징들이 있을 수 있다. 그러므로 이런 신호들에 푸리에 변환을 직접적으로 적용하는 것은 바람직하지 못하다. 웨이블릿 변환은 저주파 요소들보다 고주파 요소들을 더욱 선명한 시간적 해상도로 분석할 수 있으며, 하나의 별개의 신호를 각각 절반 길이인 두 개의 하위 신호들로 나눌 수 있다. 하나의 하위 신호는 이동평균 또는 경향을 뜻하며, 다른 하나의 하위 신호는 이동차이 또는 변동을 뜻한다. 추출된 웨이블릿 계수들은 심박변이도 신호의 시간과 주파수 영역에서의 에너지 분포를 간편하게 보여줄 수 있다. 총 4가지 통계학적 요소들이 심박변이도 신호들의 주파수 분포를 나타내는데 쓰일 수 있다. 상기 통계학적 요소들은 (1) 각각의 부대역안 계수들의 절댓값들의 평균, (2) 각각의 부대역안 웨이블릿 계수들의 평균 힘, (3) 각각의 부대역안 계수들의 표준편차, 및 (4) 인접한 부대역의 절대평균값들의 비율을 포함할 수 있다. 상기 (1)번 요소와 (2)번 요소는 신호의 주파수 분포를 나타낼 수 있으며, 상기 (3)번 요소와 (4)번 요소는 주파수 분포 안의 변화량을 나타낼 수 있다. 본 발명은 주파수 영역의 특징들을 수집할 때 웨이블릿 변환의 세 번째 단계를 선택한다. 상기 단계에서의 주파수 영역의 특징들인 A3와 D2-D3 주파수 대역들의 벡터들은 심박변이도 신호들을 분류하는데 사용될 수 있다.
가중 퍼지 소속 함수의 경계 합을 이용한 가중 퍼지 소속 함수 기반 신경망 알고리즘은 앞서 입력된 각각의 주파수 영역의 특징들을 그래프로 표현할 수 있다. 이러한 과정은 주파수 영역의 특징들을 해석하는데 도움을 줄 수 있다. 주파수 영역의 특징들의 가중 퍼지 소속 함수의 경계 합은 추후 도 7에서 상세하게 설명하기로 한다.
도 3은 본 발명의 일실시예에 따른 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에서, 단계 S110의 세부 구성을 나타낸 흐름도이다. 도 3에 도시된 바와 같이, 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에서, 단계 S110의 세부 구성은 ST 에피소드와 정상 에피소드를 각각 수집하는 단계(S111), 및 각각 수집된 에피소드를 분절들로 나누는 단계(S112)를 포함하여 구성될 수 있다.
단계 S111에서는, ST 에피소드와 정상 에피소드를 각각 수집한다. ST 에피소드는 심근 허혈에 해당하는 데이터 세트를 추출할 때 사용될 수 있으며, 정상 에피소드는 정상 동성 리듬에 해당하는 데이터 세트를 추출하는데 사용될 수 있다. 예를 들어, ST 에피소드는 ST-T 데이터베이스에서 수집할 수 있으며, 정상 에피소드는 MIT-BIH Normal Sinus Rhythm 데이터베이스에서 수집할 수 있다.
단계 S112에서는, 각각 수집된 에피소드를 분절들로 나눈다. 단계 S111에서 수집된 각각의 에피소드에 대하여, 하나의 에피소드를 각각 미리 설정된 개수의 연속적인 심박동수 간격으로 이루어진 분절들로 나눌 수 있다. 분절은 에피소드에서 나눠지는 하위 단위이다. 즉, 에피소드는 여러 개의 분절들로 이루어질 수 있다. 더 나아가, 하나의 분절은 총 32개의 연속적인 심박동수 간격들로 이루어질 수 있다. 에피소드들에서 나눠진 모든 분절들 중에서 총 2507개의 분절들만을 선택하여 데이터 세트로 지정할 수 있다.
도 4는 본 발명의 일실시예에 따른 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에 사용되는, MIT-BIH Normal Sinus Rhythm 데이터베이스에서의 정상 에피소드와 NSR 분절을 도시한 도면이다. 도 4에 도시된 바와 같이, MIT-BIH Normal Sinus Rhythm 데이터베이스는 정상 에피소드(100)와 NSR 분절(110)을 포함하여 구성될 수 있다.
MIT-BIH Normal Sinus Rhythm 데이터베이스는 줄여서 NSR DB라고도 불릴 수 있다. NSR DB는 보스톤즈 베스 이스라엘 병원(Boston's Beth Israel Hospital)에 위치한 부정맥 연구소(Arrhythmia Laboratory)에서 연구된 실험자들의 18개의 장기 심박변이도 파일들을 포함하고 있다. 이 실험에서 연구된 실험자들은 부정맥을 갖고 있지 않은, 26세에서 45세인 5명의 남성들과, 20세에서 50세인 13명의 여자들을 포함한다. 각각의 파일은 총 24시간 길이이며, 128㎐에서 추출된 2채널 심박변이도를 발췌한다. NSR DB는 신경망 학습을 위한 데이터 세트를 구성하기 위해 사용될 수 있다. 상기 데이터 세트를 구성하기 위해서는 NSR DB에서 총 6개의 파일을 선택할 수 있다. 상기 선택된 각각의 24시간 길이인 NSR DB의 파일에서, 2시간 길이의 심박변이도 파일을 선택할 수 있다. 앞서 선택된 하나의 2시간 길이의 심박변이도 파일은 하나의 정상 에피소드(100)로 지정될 수 있다.
NSR 분절(110)은, 정상 에피소드(100)에서 나눠지는 하위 단위이다. 즉, 정상 에피소드(100)는 여러 개의 NSR 분절(110)들로 이루어질 수 있다. 더 나아가, 하나의 NSR 분절(110)은 총 32개의 연속적인 심박동수 간격들로 이루어질 수 있다. 정상 에피소드(100)에서 나눠진 모든 NSR 분절(110)들 중에서 총 2507개의 NSR 분절(110)들을 선택하여 정상 데이터 세트로 지정할 수 있다.
본 발명의 일실시예에 따른 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에 사용되는 NSR DB의 상세한 사용 내역을 다음 표 1에 나타내었다. 표 1에서 확인할 수 있는 바와 같이, 총 11개의 파일을 선택하여, 총 11개의 정상 에피소드(100)들을 선택할 수 있다. 상기 선택된 총 11개의 정상 에피소드(100)들에서, 총 2507개의 NSR 분절(110)들을 선택할 수 있다.
Figure pat00008
도 5는 본 발명의 일실시예에 따른 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에 사용되는, European ST-T 데이터베이스에서의 ST 에피소드와 ST 분절을 도시한 도면이다. 도 5에 도시된 바와 같이, European ST-T 데이터베이스는 ST 에피소드(200)와 ST 분절(210)을 포함하여 구성될 수 있다.
European ST-T 데이터베이스는 줄여서 ST-T DB라고도 불릴 수 있다. ST-T DB는 총 48개의 데이터 파일로 이루어져 있다. 각각의 파일은 총 2시간 길이이며, 250㎐에서 추출된 2채널 심박변이도를 발췌한다. 상기 데이터베이스는 ST 분절과 T 파의 변위를 토대로, 허혈 분석의 알고리즘을 평가하는데 사용될 수 있다. 각각의 파일은 최소한 하나의 ST 또는 T 허혈 에피소드를 포함할 수 있다. 본 발명에서 T 파의 도치는 보통 허혈 에피소드의 선별 인자로 인정되지 않기 때문에 ST 분절의 변위(ST 분절의 하락 또는 상승)를 갖고 있는 에피소드들만 다뤄질 수 있다. ST 에피소드(200)는, ST-T DB에 속해 있는 총 22개의 파일 안에 포함된다. 총 119개의 ST 에피소드(200)들은 상기 22개의 파일에서 수집될 수 있다. NSR DB에서는 하나의 2시간 길이의 심박변이도 파일이 하나의 정상 에피소드(100)로 지정될 수 있는 반면, ST-T DB에서는 하나의 2시간 길이의 심박변이도 파일 안에 여러 개의 ST 에피소드(200)들이 포함될 수 있다.
ST 분절(210)은, ST 에피소드(200)에서 나눠지는 하위 단위이다. 즉, ST 에피소드(200)는 여러 개의 ST 분절(210)들로 이루어질 수 있다. 더 나아가, 하나의 ST 분절(210)은 총 32개의 연속적인 심박동수 간격들로 이루어질 수 있다. ST 에피소드(200)에서 나눠진 모든 ST 분절(210)들 중에서 총 2507개의 ST 분절(110)들을 선택하여 심근 허혈 데이터 세트로 지정할 수 있다.
본 발명의 일실시예에 따른 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에 사용되는 ST-T DB의 상세한 사용 내역을 다음 표 2에 나타내었다. 표 2에서 확인할 수 있는 바와 같이, 총 22개의 파일을 선택하여, 총 119개의 ST 에피소드(200)들을 선택할 수 있다. 상기 선택된 총 119개의 ST 에피소드(200)들에서, 총 2507개의 ST 분절(210)들을 선택할 수 있다.
Figure pat00009
도 6은 본 발명의 일실시예에 따른 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에 사용되는, 시간 영역의 특징들의 가중 퍼지 소속 함수의 경계 합을 나타낸 그래프들을 도시한 도면이다. 도 6에 도시된 바와 같이, 시간 영역의 특징들의 가중 퍼지 소속 함수의 경계 합을 나타낸 그래프들은 5㎳ 이상 차이 나는 연속적인 심박동수 간격들의 개수(300), 10㎳ 이상 차이 나는 연속적인 심박동수 간격들의 개수(301), 50㎳ 이상 차이 나는 연속적인 심박동수 간격들의 개수(302), 100㎳ 이상 차이 나는 연속적인 심박동수 간격들의 개수(303), 연속적인 심박동수 간격들의 차이의 제곱평균(304), 연속적인 심박동수 간격들의 표준편차(305), 및 연속적인 심박동수 간격들의 차이의 표준편차(306)를 포함하여 구성될 수 있다.
5㎳(300), 10㎳(301), 50㎳(302), 및 100㎳(303) 이상 차이 나는 연속적인 심박동수 간격들의 개수들은 상기 수학식 5를 사용하여 구할 수 있다. 연속적인 심박동수 간격들의 차이의 제곱평균(304)과 연속적인 심박동수 간격들의 표준편차(305)는 각각 상기 수학식 4와 수학식 1로 구할 수 있으며, 연속적인 심박동수 간격들의 차이의 표준편차(306)는 상기 수학식 2로 구할 수 있다. 그래프에서 직선은 심박변이도의 정상 동성 리듬을 뜻하며 점선은 심박변이도의 심근 허혈을 뜻한다.
도 7은 본 발명의 일실시예에 따른 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에 사용되는, 주파수 영역의 특징들의 가중 퍼지 소속 함수의 경계 합을 나타낸 그래프들을 도시한 도면이다. 도 7에 도시된 바와 같이, 주파수 영역의 특징들의 가중 퍼지 소속 함수의 경계 합을 나타낸 그래프들은 Std_a3(400), Std_d2(401), Std_d3(402), Mean(abs_a3)(403), Mean(abs_d2)(404), Mean(abs_d3)(405), Power_a3(406), Power_d2(407), Power_d3(408), abs(mean_d1)/abs(mean_d2)(409), 및 abs(mean_d2)/abs(mean_d3)(410)를 포함하여 구성될 수 있다.
Std_a3(400), Std_d2(401), 및 Std_d3(402)은 a3, d2, 및 d3의 표준편차이다. Mean(abs_a3)(403), Mean(abs_d2)(404), 및 Mean(abs_d3)(405)는 a3, d2, 및 d3의 절댓값들의 평균값이다. Power_a3(406), Power_d2(407), 및 Power_d3(408)은 a3, d2, 및 d3의 평균 힘이다. abs(mean_d1)/abs(mean_d2)(409)와 abs(mean_d2)/abs(mean_d3)(410)는 인접한 부대역들의 절대평균값들의 비율이다. 그래프에서 직선은 심박변이도의 정상 동성 리듬을 뜻하며 점선은 심박변이도의 심근 허혈을 뜻한다.
본 발명의 일실시예에 따른 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법의 감지 알고리즘의 성능을 진양성과 위음성의 개수들로 평가하여 다음 표 3에 나타내었다. 표 3에서 확인할 수 있는 바와 같이, 표 3은 진양성(TP), 위음성(FN), 위양성(FP), 및 진음성(TN) 중에서, 시간 영역과 주파수 영역에서의 심근 허혈 및 정상 동성 리듬 분류의 진양성의 개수와 위음성의 개수를 보여준다. 상기 진양성의 개수와 위음성의 개수는, 위양성의 개수 및 진음성의 개수와 함께 민감도, 특이도, 예보도, 및 정확도를 구하는데 쓰일 수 있다. 상기 민감도, 특이도, 예보도, 및 정확도는 정상 동성 리듬 및 심근 허혈 감지 알고리즘의 성능을 평가하는데 사용될 수 있다. 민감도, 특이도, 예보도, 및 정확도를 이용한 정상 동성 리듬 및 심근 허혈 감지 알고리즘의 성능 평가는 추후 표 4에서 상세하게 설명하기로 한다.
Figure pat00010
본 발명의 일실시예에 따른 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법의 정상 동성 리듬 및 심근 허혈 감지 알고리즘의 성능을 민감도, 특이도, 예보도, 및 정확도로 평가하여 다음 표 4에 나타내었다. 표 4는 시간과 주파수 영역에서의 민감도(Se), 특이도(Sp), 예보도(Pp), 및 정확도(Ac)를 %로 나타낸다. 표 4에서 확인할 수 있는 바와 같이, 시간 영역의 특징들로부터의 민감도는 66.45%, 특이도는 84.12%, 예보도는 80.72%, 마지막으로 정확도는 75.29%이다. 반면, 주파수 영역의 특징들로부터의 민감도는 81.9%, 특이도는 79.18%, 예보도는 79.73%, 마지막으로 정확도는 80.93%이다. 주파수 영역의 특징들로부터의 정확도가 80.93%로 시간 영역의 특징들로부터의 정확도인 75.29%보다 높은 것을 알 수 있다. 두 방법 모두 완벽한 정확도는 지니고 있지 않다. 또한, 주파수 영역의 특징들로부터의 정확도가 시간 영역의 특징들로부터의 정확도보다 비교적 높다 하여, 주파수 영역의 특징을 이용하여 감지하는 방법이 무조건 뛰어나다고 단정 지을 수는 없다. 시간 영역의 특징들을 사용하는 방법과 주파수 영역의 특징들을 사용하는 방법을 동시에 이용 및 비교 분석하면, 서로 부족한 정확도를 상호 보완함으로써, 심근 허혈 검출의 전체적인 정확도를 향상시킬 수 있다.
Figure pat00011
상기 민감도, 특이도, 예보도, 및 정확도는 시간 영역과 주파수 영역에서의 심근 허혈 및 정상 동성 리듬 분류의 진양성의 개수 및 위음성의 개수와 위양성의 개수 및 진음성의 개수를 이용하여 구할 수 있다.
민감도는 심실세동을 감지하는 확률을 뜻한다. 민감도는 다음 수학식 6과 같이 구할 수 있다.
Figure pat00012
상기 수학식 6에서 TP는 진양성 결정의 개수를 뜻하며, FN은 위음성 결정의 개수를 뜻한다.
특이도는 심근 허혈이 아님을 정확히 판정하는 확률을 뜻한다. 특이도는 다음 수학식 7과 같이 구할 수 있다.
Figure pat00013
상기 수학식 7에서 TN은 진음성 결정의 개수를 뜻하며, FP는 위양성 결정의 개수를 뜻한다.
예보도는 심근 허혈로 분류된 결과가 진정한 심근 허혈인 확률을 뜻한다. 예보도는 다음 수학식 8과 같이 구할 수 있다.
Figure pat00014
정확도는 정확한 결과를 얻는 확률을 뜻한다. 정확도는 다음 수학식 9와 같이 구할 수 있다.
Figure pat00015
도 8은 본 발명의 일실시예에 따른 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에서, 단계 S300의 세부 구성을 나타낸 흐름도이다. 도 8에 도시된 바와 같이, 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용한 심근 허혈을 검출하는 방법에서, 단계 S300은, 환자 데이터 세트를 시간 영역의 분류 모델 및 주파수 영역의 분류 모델에 적합하도록 변경하는 단계(S310), 및 변경된 환자 데이터 세트를 시간 영역의 분류 모델 및 주파수 영역의 분류 모델에 적용시켜 정상 동성 리듬 또는 심근 허혈로 분류하는 단계(S320)를 포함하여 구성될 수 있다.
단계 S310에서는, 심근 허혈 여부를 검출해야 하는 환자 데이터 세트를 단계 S200에서 구축된 시간 영역의 분류 모델 및 주파수 영역의 분류 모델에 적합하도록 변경한다. 먼저, 상기 환자 데이터 세트는 32개의 연속적인 심박동수 간격으로 이루어진 분절들로 나눠질 수 있다. 단계 S120에서의 시간 영역의 분석 방법과 주파수 영역의 분석 방법을 이용하여, 상기 분절들로부터 각각 시간 영역의 특징들과 주파수 영역의 특징들을 추출할 수 있다. 상기 시간 영역과 주파수 영역의 특징들을 추출할 시, 시간 영역의 특징들의 개수는 총 7개일 수 있으며, 주파수 영역의 특징들의 개수는 총 11개일 수 있다.
단계 S320에서는, 단계 S310에서 변경된 환자 데이터 세트를 단계 S200에서 구축된 시간 영역의 분류 모델 및 주파수 영역의 분류 모델에 적용시켜 정상 동성 리듬 또는 심근 허혈로 분류한다. 단계 S310에서 변경된 환자 데이터 세트는 각각 시간 영역의 분류 모델과 주파수 영역의 분류 모델에 입력될 수 있다. 학습된 가중 퍼지 소속 함수 기반 신경망을 토대로 구축된 각각의 모델은 입력된 환자 데이터 세트를 정상 동성 리듬 또는 심근 허혈로 분류할 수 있다. 시간 영역의 분류 모델은 상기 입력된 환자 데이터 세트를 75.29%의 평균 정확도로 정상 동성 리듬 또는 심근 허혈로 분류할 수 있다. 주파수 영역의 분류 모델은 상기 입력된 환자 데이터 세트를 80.93%의 평균 정확도로 정상 동성 리듬 또는 심근 허혈로 분류할 수 있다.
이상 설명한 본 발명은 본 발명이 속한 기술분야에서 통상의 지식을 가진 자에 의하여 다양한 변형이나 응용이 가능하며, 본 발명에 따른 기술적 사상의 범위는 아래의 특허청구범위에 의하여 정해져야 할 것이다.
100: 정상 에피소드 110: NSR 분절
200: ST 에피소드 210: ST 분절
300: 5㎳ 이상 차이 나는 연속적인 심박동수 간격들의 개수
301: 10㎳ 이상 차이 나는 연속적인 심박동수 간격들의 개수
302: 50㎳ 이상 차이 나는 연속적인 심박동수 간격들의 개수
303: 100㎳ 이상 차이 나는 연속적인 심박동수 간격들의 개수
304: 연속적인 심박동수 간격들의 차이의 제곱평균
305: 연속적인 심박동수 간격들의 표준편차
306: 연속적인 심박동수 간격들의 차이의 표준편차
400: Std_a3 401: Std_d2
402: Std_d3 403: Mean(abs_a3)
404: Mean(abs_d2) 405: Mean(abs_d3)
406: Power_a3 407: Power_d2
408: Power_d3 409: abs(mean_d1)/abs(mean_d2)
410: abs(mean_d2)/abs(mean_d3)
S100: 가중 퍼지 소속 함수 기반 신경망을 학습시키는 단계
S110: 신경망 학습을 위한 데이터 세트를 구성하는 단계
S111: ST 에피소드와 정상 에피소드를 각각 수집하는 단계
S112: 각각 수집된 에피소드를 분절들로 나누는 단계
S120: 구성된 데이터 세트로부터 시간 영역 및 주파수 영역의 특징들을 추출하는 단계
S130: 추출된 특징들을 이용하여 가중 퍼지 소속 함수 기반 신경망을 학습시키는 단계
S200: 시간 영역의 분류 모델 및 주파수 영역의 분류 모델을 구축하는 단계
S300: 환자 데이터의 심근 허혈 여부를 검출하는 단계
S310: 환자 데이터 세트를 시간 영역의 분류 모델 및 주파수 영역의 분류 모델에 적합하도록 변경하는 단계
S320: 변경된 환자 데이터 세트를 시간 영역의 분류 모델 및 주파수 영역의 분류 모델에 적용시켜 정상 동성 리듬 또는 심근 허혈로 분류하는 단계

Claims (5)

  1. 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용하여 심근 허혈을 검출하는 방법으로서,
    (1) 신경망 학습을 위한 데이터 세트를 이용하여 가중 퍼지 소속 함수 기반 신경망을 학습시키는 단계;
    (2) 상기 단계 (1)에서 학습된 가중 퍼지 소속 함수 기반 신경망을 토대로 시간 영역의 분류 모델 및 주파수 영역의 분류 모델을 구축하는 단계; 및
    (3) 심근 허혈 여부를 검출해야 하는 환자 데이터 세트를, 상기 단계 (2)에서 구축된 시간 영역의 분류 모델 및 주파수 영역의 분류 모델에 적용하여 상기 환자 데이터의 심근 허혈 여부를 검출하는 단계를 포함하는 것을 특징으로 하는, 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용하여 심근 허혈을 검출하는 방법.
  2. 제1항에 있어서, 상기 단계 (1)은,
    신경망 학습을 위한 데이터 세트를 구성하는 단계;
    상기 구성된 데이터 세트로부터 시간 영역 및 주파수 영역의 특징들을 추출하는 단계; 및
    상기 추출된 특징들을 이용하여 가중 퍼지 소속 함수 기반 신경망을 학습시키는 단계를 포함하는 것을 특징으로 하는, 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용하여 심근 허혈을 검출하는 방법.
  3. 제2항에 있어서,
    상기 신경망 학습을 위한 데이터 세트를 구성하는 단계는,
    심근 허혈에 해당하는 데이터 세트를 추출할 ST 에피소드와 정상 동성 리듬에 해당하는 데이터 세트를 추출할 정상 에피소드를 각각 수집하는 단계; 및
    상기 수집된 각각의 에피소드에 대하여, 하나의 에피소드를 각각 미리 설정된 개수의 연속적인 심박동수 간격으로 이루어진 분절들로 나누는 단계를 포함하며,
    상기 ST 에피소드의 수집 시, 심전도에서 ST 분절의 변위(ST 분절의 하락 또는 상승)를 갖고 있는 에피소드만 수집하는 것을 특징으로 하는, 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용하여 심근 허혈을 검출하는 방법.
  4. 제2항에 있어서, 상기 특징들을 추출하는 단계는,
    시간과 주파수 영역의 분석을 통하여, 각각 미리 설정된 개수의 시간 영역의 특징들과 주파수 영역의 특징들을 추출하되,
    시간 영역의 특징들로서, 연속적인 심박동수 간격들의 표준편차(SDNN), 연속적인 심박동수 간격들의 차이의 표준편차(SDSD), 연속적인 심박동수 간격들의 차이의 제곱평균(RMSSD), 및 5㎳, 10㎳, 50㎳, 및 100㎳ 이상 차이 나는 연속적인 심박동수 간격들의 개수들(pNN5, pNN10, pNN50, 및 pNN100)을 추출하고,
    주파수 영역의 특징들로서, 웨이블릿 변환을 이용하여 A3와 D2-D3 주파수 대역들의 벡터들을 추출하는 것을 특징으로 하는, 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용하여 심근 허혈을 검출하는 방법.
  5. 제1항에 있어서, 상기 단계 (3)은,
    심근 허혈 여부를 검출해야 하는 상기 환자 데이터 세트를, 상기 단계 (2)에서 구축된 시간 영역의 분류 모델 및 주파수 영역의 분류 모델에 적합하도록 변경하는 단계; 및
    상기 변경된 환자 데이터 세트를 상기 단계 (2)에서 구축된 시간 영역의 분류 모델 및 주파수 영역의 분류 모델에 적용시켜 정상 동성 리듬 또는 심근 허혈로 분류하는 단계를 포함하는 것을 특징으로 하는, 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용하여 심근 허혈을 검출하는 방법.
KR1020110072806A 2011-07-22 2011-07-22 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용하여 심근 허혈을 검출하는 방법 KR101273652B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020110072806A KR101273652B1 (ko) 2011-07-22 2011-07-22 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용하여 심근 허혈을 검출하는 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020110072806A KR101273652B1 (ko) 2011-07-22 2011-07-22 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용하여 심근 허혈을 검출하는 방법

Publications (2)

Publication Number Publication Date
KR20130011567A true KR20130011567A (ko) 2013-01-30
KR101273652B1 KR101273652B1 (ko) 2013-06-11

Family

ID=47840503

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020110072806A KR101273652B1 (ko) 2011-07-22 2011-07-22 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용하여 심근 허혈을 검출하는 방법

Country Status (1)

Country Link
KR (1) KR101273652B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023048400A1 (ko) * 2021-09-24 2023-03-30 주식회사 뷰노 심박변이도 특징 값을 추출하기 위한 방법

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102163966B1 (ko) * 2018-11-02 2020-10-12 한국로봇융합연구원 시계열 데이터를 주파수 성분별로 분할하여 복수의 학습 모델을 병렬 처리하는 딥러닝 학습 방법 및 시스템
KR102152957B1 (ko) * 2019-10-18 2020-09-07 (의료)길의료재단 심박 변이도(hrv)에 기초한 기타 불안장애로부터 공황장애 감별 방법 및 그 장치
KR20210133447A (ko) 2020-04-29 2021-11-08 주식회사 바이오넷 심근허혈 검출을 위한 심전도 데이터 표시 방법
WO2023096372A1 (ko) * 2021-11-24 2023-06-01 조선대학교산학협력단 모바일넷을 이용한 심장 질병 분류 장치 및 방법

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6358201B1 (en) * 1999-03-02 2002-03-19 Doc L. Childre Method and apparatus for facilitating physiological coherence and autonomic balance
KR20030069586A (ko) * 2002-02-22 2003-08-27 유기호 다항식 근사를 이용한 심전도 분석 방법
KR100954817B1 (ko) * 2009-03-13 2010-04-28 (주)바이오센스크리에티브 맥파신호분석을 이용한 혈관건강 및 스트레스 검사시스템 및 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023048400A1 (ko) * 2021-09-24 2023-03-30 주식회사 뷰노 심박변이도 특징 값을 추출하기 위한 방법

Also Published As

Publication number Publication date
KR101273652B1 (ko) 2013-06-11

Similar Documents

Publication Publication Date Title
Nayak et al. A review on the nonlinear dynamical system analysis of electrocardiogram signal
Acharya et al. An integrated index for detection of sudden cardiac death using discrete wavelet transform and nonlinear features
KR102008196B1 (ko) 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치 및 그 방법
Acharya et al. Comprehensive analysis of cardiac health using heart rate signals
Narin et al. Early prediction of paroxysmal atrial fibrillation based on short-term heart rate variability
Sayadi et al. Robust detection of premature ventricular contractions using a wave-based Bayesian framework
JP2020536693A (ja) 人工知能自己学習に基づく心電図自動解析方法及び装置
CN105228508A (zh) 一种测定用于分类的危险评分的系统和方法
KR101273652B1 (ko) 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용하여 심근 허혈을 검출하는 방법
Liu et al. Automatic diagnosis of premature ventricular contraction based on Lyapunov exponents and LVQ neural network
Ashtiyani et al. Heart rate variability classification using support vector machine and genetic algorithm
Sumathi et al. A wavelet transform based feature extraction and classification of cardiac disorder
Safarbali et al. Nonlinear dynamic approaches to identify atrial fibrillation progression based on topological methods
Fang et al. Dual-channel neural network for atrial fibrillation detection from a single lead ECG wave
KR20130085632A (ko) 적응적 국부 임계화를 이용한 심전도 신호의 ｒ 피크 검출방법
Shen et al. Risk prediction for cardiovascular disease using ECG data in the China Kadoorie Biobank
Bhoi et al. QRS Complex Detection and Analysis of Cardiovascular Abnormalities: A Review.
CN108523873A (zh) 基于分数阶傅里叶变换和信息熵的心电信号特征提取方法
Moshawrab et al. Cardiovascular events prediction using artificial intelligence models and heart rate variability
Joo et al. Prediction of ventricular tachycardia by a neural network using parameters of heart rate variability
Hossen et al. A wavelet-based soft decision technique for screening of patients with congestive heart failure
Silveri et al. A big-data classification tree for decision support system in the detection of dilated cardiomyopathy using heart rate variability
Murugappan et al. ECG morphological features based sudden cardiac arrest (SCA) prediction using nonlinear classifiers
Azzaoui et al. Classifying heartrate by change detection and wavelet methods for emergency physicians
Oster et al. An artificial model of the electrocardiogram during paroxysmal atrial fibrillation

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20170524

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20180724

Year of fee payment: 6