KR20170029039A - 심박수 변이도 분석 방법 및 심박수 변이도 분석 시스템 - Google Patents

심박수 변이도 분석 방법 및 심박수 변이도 분석 시스템 Download PDF

Info

Publication number
KR20170029039A
KR20170029039A KR1020150125275A KR20150125275A KR20170029039A KR 20170029039 A KR20170029039 A KR 20170029039A KR 1020150125275 A KR1020150125275 A KR 1020150125275A KR 20150125275 A KR20150125275 A KR 20150125275A KR 20170029039 A KR20170029039 A KR 20170029039A
Authority
KR
South Korea
Prior art keywords
factor
rule
heart rate
cardiovascular disease
rate variability
Prior art date
Application number
KR1020150125275A
Other languages
English (en)
Other versions
KR101726071B1 (ko
Inventor
손창식
윤상훈
최락현
강원석
이동하
Original Assignee
재단법인대구경북과학기술원
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 재단법인대구경북과학기술원 filed Critical 재단법인대구경북과학기술원
Priority to KR1020150125275A priority Critical patent/KR101726071B1/ko
Publication of KR20170029039A publication Critical patent/KR20170029039A/ko
Application granted granted Critical
Publication of KR101726071B1 publication Critical patent/KR101726071B1/ko

Links

Images

Classifications

    • A61B5/0452—
    • 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
    • A61B5/04012—
    • A61B5/0402—

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Cardiology (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Physiology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

심박수 변이도 분석 방법 및 심박수 변이도 분석 시스템이 개시된다. 본 발명의 일실시예에 따른 심박수 변이도 분석 방법은, 복수의 병증요인 중에서, 대상 환자에 대해 제1 요인을 추출하는 단계, 및 상기 제1 요인에 대한 조건 값을 활용하여 심혈관질환에 대해 진단이 확정되는 경우, 상기 제1 요인을 적어도 포함하여, 해당 심혈관질환을 진단하는 규칙을 생성하는 단계를 포함한다.

Description

심박수 변이도 분석 방법 및 심박수 변이도 분석 시스템{METHOD AND SYSTEM FOR INTERPRETING HEART RATE VARIABILITY}
본 발명은 심박수 변이도(Heart Rate Variability, HRV) 분석에 사용되는 지표(시간 영역 및 주파수 영역)와 연관되는 복수의 병증요인 중에서 특정 심혈관질환(심근경색증, 부정맥 등)의 진단과 연관된 요인들 간의 상호관계에 관한 최소화된 규칙을 생성하고, 상기 규칙에 대한 확률적 근거를 추정하기 위한 심박수 변이도 분석 방법 및 심박수 변이도 분석 시스템에 관한 것이다.
심박수 변이도(HRV)는 심박동 사이의 변화 양상, 즉 교감신경계와 부교감신경계의 활성 정도의 변화를 정량적으로 분석하여 심장의 중추 자율신경계의 기능을 해석할 수 있는 지표이다.
심박수 변이도 분석은 대표적인 비침습적 검사방법으로서 심전도(electrocardiogram, ECG) 신호 상에서 RR 간격(RR interval)의 변화를 해석하는 시간 영역(time-domain)과, 파형(wave)의 변화를 해석하는 주파수 영역(frequency-domain)으로 구분되고 있다.
심박수 변이도 분석은, 당뇨병(diabetes), 심부전(congestive heart failure) 및 심근경색(myocardial infarction)을 앓고 있는 환자에 대한 심혈관계 이환율이나 예후를 판단하는데 유용할 수 있다.
일례로, 심박수 변이도는 당뇨병성 자율신경병증(diabetic autonomic neuropathy), 심부전, 심장이식 수술 후 감소하는 경향이 있으며, 특히, 급성 심근경색증 발병 후 나타나는 심박수 변이도의 감소는 병원 내 사망률, 추후 사망률, 악성 심실성 부정맥(malignant ventricular arrhythmia) 및 돌연사(sudden death) 등의 질환을 예측하는데 유용할 수 있다.
대부분의 선행 연구에서 심박수 변이도와 관련된 요인들이 심장의 기능 혹은 특정 심혈관질환을 예측하는데 유용한 지표가 되고 있음을 공통적으로 강조하고 있으나, 요인들 간에 상호 관계 혹은 연관성을 해석한 연구는 상당히 부족한 실정이다.
이에 따라, 심박수 변이도 분석 시 사용되는 지표로서 시간 영역과 주파수 영역을 해석하는데 유용한 요인들 간에 상호 관계를 규칙으로 표현하고 이를 활용하여 확률적 지식으로 해석하고 서비스할 수 있는 방법이 요구되고 있다.
본 발명의 실시예는 심박수 변이도와 관련된 복수의 병증요인을 이용하여, 특정 심혈관질환의 진단을 위한 규칙을 생성 함으로써, 상기 규칙에 의해 심전도 신호로부터 심박수 변이도의 분석을 용이하게 수행할 수 있도록 하여, 환자의 심혈관질환 유무를 손쉽게 진단할 수 있도록 하는 것을 목적으로 한다.
또한, 본 발명의 실시예는 상기 규칙에 대한 확률적 근거를 추정 함으로써, 상기 확률적 근거를 토대로, 특정 심혈관질환 진단을 위한 상기 규칙의 유용성과 신뢰도를 판단할 수 있도록 하는 것을 목적으로 한다.
본 발명의 일실시예에 따른 심박수 변이도 분석 방법은, 복수의 병증요인 중에서, 대상 환자에 대해 제1 요인을 추출하는 단계, 및 상기 제1 요인에 대한 조건 값을 활용하여 심혈관질환에 대해 진단이 확정되는 경우, 상기 제1 요인을 적어도 포함하여, 해당 심혈관질환을 진단하는 규칙을 생성하는 단계를 포함한다.
또한, 본 발명의 일실시예에 따른 심박수 변이도 분석 시스템은, 복수의 병증요인 중에서, 대상 환자에 대해 제1 요인을 추출하는 추출부, 및 상기 제1 요인에 대한 조건 값을 활용하여 심혈관질환에 대해 진단이 확정되는 경우, 상기 제1 요인을 적어도 포함하여, 해당 심혈관질환을 진단하는 규칙을 생성하는 처리부를 포함한다.
본 발명의 일실시예에 따르면, 심박수 변이도와 관련된 복수의 병증요인을 이용하여, 특정 심혈관질환의 진단을 위한 규칙을 생성 함으로써, 상기 규칙에 의해 심전도 신호로부터 심박수 변이도의 분석을 용이하게 수행할 수 있도록 하여, 환자의 심혈관질환 유무를 손쉽게 진단 가능하게 할 수 있다.
또한, 본 발명의 일실시예에 따르면, 상기 규칙에 대한 확률적 근거를 추정 함으로써, 상기 확률적 근거를 토대로, 특정 심혈관질환 진단을 위한 상기 규칙의 유용성과 신뢰도를 판단 가능하게 할 수 있다.
도 1은 본 발명의 일실시예에 따른 심박수 변이도 분석 시스템의 내부 구성을 도시한 블록도이다.
도 2는 본 발명의 일실시예에 따른 심박수 변이도 분석 시스템에서, 심혈관질환을 진단하는 규칙을 생성하는 과정을 설명하기 위한 도면이다.
도 3은 본 발명의 다른 실시예에 따른 심박수 변이도 분석 시스템의 내부 구성을 도시한 블록도이다.
도 4는 대상 환자에 관해 입력된 심전도 신호의 일례 및 심혈관질환 별 주파수 범위의 일례를 도시한 도면이다.
도 5는 입력된 심전도 신호를 차분 연산 또는 이산 웨이블릿 변환을 이용하여 변환한 신호의 일례들을 도시한 도면이다.
도 6은 차분 연산에 의해 변환된 신호 및 이산 웨이블릿 변환에 의해 출력된 신호에서 RR 간격을 비교하는 일례를 도시한 도면이다.
도 7은 민감도와 특이도를 기반으로 근사적으로 추정된 ROC 곡선의 일례를 도시한 도면이다.
도 8은 본 발명의 일실시예에 따른 심박수 변이도 분석 방법의 순서를 도시한 흐름도이다.
도 9는 본 발명의 다른 실시예에 따른 심박수 변이도 분석 방법의 순서를 도시한 흐름도이다.
이하, 첨부된 도면들을 참조하여 본 발명의 일실시예에 따른 응용프로그램 업데이트 장치 및 방법에 대해 상세히 설명한다. 그러나, 본 발명이 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
본 발명의 일실시예에 따른 심박수 변이도 분석 시스템은, 대상 환자에 관해 입력되는 심전도 신호로부터 특정 심혈관질환을 진단하기 위한 심박수 변이도(HRV) 분석을 보다 용이하게 수행하기 위해, 상기 심전도 신호로부터 검출한 복수의 병증요인 중에서 특정 심혈관질환과 연관된 요인들을 이용하여 최소화된 규칙을 생성하고, 상기 규칙에 대한 확률적 근거를 추정할 수 있다. 이에 따라, 심박수 변이도 분석 시스템은 상기 확률적 근거를 토대로 신뢰도가 높은 규칙에 의해 대상 환자의 심전도 신호에 대한 심박수 변이도 분석이 이루어지도록 함으로써, 특정 심혈관질환이 손쉽게 진단 가능하게 할 수 있다.
도 1은 본 발명의 일실시예에 따른 심박수 변이도 분석 시스템의 내부 구성을 도시한 블록도이다.
도 1을 참조하면, 본 발명의 일실시예에 따른 심박수 변이도 분석 시스템(100)은, 추출부(110) 및 처리부(120)를 포함하여 구성할 수 있다. 또한, 실시예에 따라, 심박수 변이도 분석 시스템(100)은 추정부(130)를 추가하여 구성할 수 있다.
추출부(110)는 복수의 병증요인 중에서, 대상 환자에 대해 제1 요인을 추출한다.
추출부(110)는 대상 환자가 착용한 웨어러블 심전도 장치로부터 심전도 신호를 입력 받을 수 있다. 또는, 추출부(110)는 선정된 기간(예, '1시간') 동안 상기 웨어러블 심전도 장치에서 출력된 심전도 신호가 유지되는 무선 ECG DB(미도시함)로부터, 무선 통신을 통해 심전도 신호를 입력 받을 수 있다.
추출부(110)는 입력된 심전도 신호를 이산 웨이블릿 변환(Discrete Wavelet Transform, DWT)하여 시간 영역 및 주파수 영역과 연관되는 복수의 병증요인을 검출할 수 있으며, 검출한 복수의 병증요인 중에서, 상기 제1 요인을 추출할 수 있다.
여기서, 이산 웨이블릿 변환(DWT)는 입력된 샘플링 주파수를 다른 형태의 샘플링 주파수로 변환시켜 다양한 주파수 대역에서 신호를 처리하는 다중 해상도 분석 기법으로서, 신호 내의 각 특징 요소들에 대한 높은 분해능을 제공할 수 있다.
추출부(110)는 입력된 심전도 신호에 이산 웨이블릿 변환(DWT)을 적용하여, 상기 심전도 신호에 대한 잡음 제거 및 파형 분할을 동시에 수행할 수 있다.
구체적으로, 추출부(110)는 이산 웨이블릿 변환을 통해, 상기 심전도 신호를 웨이블릿 함수와 스케일 함수에 각각 곱하여 고주파와 저주파로 주파수 대역을 나누고, 원하는 주파수 대역에서 심전도 신호를 순차적으로 분석하여 복수의 병증요인을 검출할 수 있다.
즉, 추출부(110)는 이산 웨이블릿 변환을 이용하여 고주파 신호와 저주파 신호로 분리한 상기 심전도 신호를, 레벨 별로 분할하여, FIR(finite impulse filters) 고대역 필터계수 및 FIR 저대역 필터계수를, 상기 복수의 병증요인으로서 검출할 수 있다.
이산 웨이블릿 변환으로 검출된 계수는 웨이블릿 모함수(mother wavelet)에 대한 유사도를 의미할 수 있으며, 이는 주어진 시간에 따른 주파수 신호를 나타낼 수 있다. 웨이블릿 모함수는 Harr, Daubechies, Biorthogonal, Coiflets 등과 같이 다양한 유형이 가능하며, 본 명세서에서, 추출부(110)는 Daubechies(db) 모함수를 기반으로, 심전도 신호 상에서 R 웨이브 신호를 포함하는 QRS 주파수 대역, 즉 db3(9.38 - 18.75Hz)과 db4(4.69 - 9.38Hz)를 특징점으로 검출할 수 있다.
추출부(110)는 상기 심전도 신호로부터, RR 간격, 심박 수 및 이웃한 심박 간격의 차이 중 적어도 하나에 관한 평균치 또는 표준편차를, 상기 시간 영역과 연관된 병증요인으로 검출할 수 있다. 보다 상세하게는 표 1을 참조하여 후술한다.
또한, 추출부(110)는 상기 심전도 신호로부터, 선정된 주파수 대역에 포함된 저주파 영역, 고주파 영역, 초저주파 영역 및 저주파 영역과 고주파 영역의 비율 중 적어도 하나를, 상기 주파수 영역과 연관된 병증요인으로 검출할 수 있다. 보다 상세하게는 표 1을 참조하여 후술한다.
이때, 추출부(110)는 상기 대상 환자가 갖는 병력 또는 신체 상태를 고려하여, 상기 복수의 병증요인 중에서 임의 하나의 병증요인을 상기 제1 요인으로 추출할 수 있다.
예를 들어, 추출부(110)는 검출한 복수의 병증요인 중에서, 대상 환자가 갖는 병력('고혈압', '당뇨', '부정맥' 등)과 대상 환자의 현재 신체 상태('혈압 측정치', '당수치', '맥박 수', '키', '체중', '비만도', 등)와의 관련성이 상대적으로 높은 병증요인을 제1 요인으로 추출할 수 있다.
즉, 추출부(110)는 검출한 복수의 병증요인에 대해 병력과 신체 상태와의 관련성에 근거하여 우선순위를 부여하고, 우선순위가 가장 높은 병증 요인을 제1 요인으로 추출할 수 있다.
처리부(120)는 상기 제1 요인에 대한 조건 값을 활용하여 심혈관질환에 대해 진단이 확정되는 경우, 상기 제1 요인을 적어도 포함하여, 해당 심혈관질환을 진단하는 규칙을 생성한다.
일례로, 처리부(120)는 상기 제1 요인에 대해 ROC 곡선(Receiver Operation Characteristic Curve)을 분석하여 추정한 AUC(area under the ROC curve) 값에 따라 로우(Low) 값 또는 하이(High) 값으로 이분화되는 조건 값을 산출하고, 상기 제1 요인에 대한 상기 조건 값과, 정상 그룹(도 2의 NSR)이 갖는 조건 값을 비교하여, 상기 심혈관질환에 대해 진단할 수 있다.
구체적으로, 처리부(120)는 정의된 혼동행렬을 이용하여 민감도와 특이도를 계산하고, 계산한 민감도 및 특이도를 기반으로 추정한 ROC 곡선에서, 후술하는 수학식 1을 이용하여 AUC 값을 추정할 수 있다. AUC 값을 추정하는 보다 상세한 과정은 표 2를 참조하여 후술한다.
처리부(120)는 상기 제1 요인에 대해, 상기 AUC 값에 따라 로우(Low) 값 또는 하이(High) 값으로 이분화되는 조건 값을 산출할 수 있다. 예를 들어, 도 2의 (ⅰ)을 참조하면, 처리부(120)는 대상 환자(샘플 1)에 관해 추출한 제1 요인('F1', 'F2', 'F3')에 대해, 각각 'Low', 'High', 'Low'와 같이 조건 값을 산출할 수 있다. 마찬가지로, 처리부(120)는 타 환자(샘플 2 내지 샘플 5)에 관해 추출한 제1 요인('F1', 'F2', 'F3')에 대해, 각각 조건 값을 산출할 수 있다.
처리부(120)는 대상 환자(샘플 1)에 관해 추출한 제1 요인('F1', 'F2', 'F3')에 대한 조건 값을, 정상 그룹(NSR)이 갖는 조건 값과 비교하여, 상기 심혈관질환에 대해 진단할 수 있다. 여기서, NSR은 심전도 신호 상에서 정상적인 심전도 소견을 보이는 정상 그룹에 속한 환자(샘플 3,4)를 나타내고, AF는 심전도 신호 상에서 특정 심혈관질환(부정맥 질환 중 심방세동 질환)에서 볼 수 있는 심전도 소견을 보이는 환자(샘플 1,2,5)를 나타낼 수 있다.
처리부(120)는 대상 환자(샘플 1)의 제1 요인 'F2'에 대한 조건 값 'High'을, 정상 그룹에 속한 환자(샘플3,4)의 제1 요인 'F2'에 대한 조건 값 'Low'와 비교하여, 제1 요인 'F2'에 대한 조건 값이 'High'인 대상 환자(샘플 1)에 대해 심혈관질환 환자(AF)임을 진단할 수 있다.
이와 같이, 처리부(120)는 제1 요인 'F2'에 대한 조건 값 'High'을 단독으로 활용하여 심혈관질환에 대해 진단을 확정할 수 있으며, 상기 제1 요인 'F2'를 적어도 포함하여, 해당 심혈관질환을 진단하는 규칙, 예를 들면 "F2가 High이면 심혈관질환(IF F2 is High THEN AF)"을 생성할 수 있다.
이에 따라, 후술하는 추정부(130)는 상기 규칙을 적용하여 타 환자에 관해 입력되는 심전도 신호에 대한 심박수 변이도 분석을 수행 함으로써, 환자의 심혈관질환 유무를 손쉽게 진단할 수 있다.
실시예에 따라, 심박수 변이도 분석 시스템(100)은 추정부(130)를 더 포함할 수 있다.
추정부(130)는 상기 규칙을 활용하여 타 환자의 심혈관질환에 대해 진단하여, 상기 규칙에 대한 평균 및 신뢰도를 포함하는 확률적 근거(경향)를 추정한다.
예를 들면, 도 2의 (ⅰ)을 참조하면, 추정부(130)는 환자(샘플 1 내지 샘플 5)에 관해 입력되는 심전도 신호 각각에 대해, 상기 규칙 "IF F2 is High THEN AF"를 적용하여 심박수 변이도 분석을 수행 함으로써, 샘플 1,2의 환자에 대해 심혈관질환을 진단할 수 있다.
이에 따라, 추정부(130)는 상기 규칙에 대한 확률적 근거로서, 후술하는 수학식 7에 따라 규칙 서포트(Rule Support)와, 후술하는 수학식 8에 따라 규칙 신뢰도(Rule Confidence) 및 후술하는 수학식 9에 따라 규칙 범위(Rule Coverage) 중 적어도 하나를 다음과 같이 추정할 수 있다.
Rule Support = 2 / |5| = 0.40(전체 샘플에서 40%를 포함).
Rule Confidence = |2| / |2| = 1.0(조건 F2가 High일 만족하는 샘플들에서 출력 d가 AF으로 결정될 확률이 1.0, 즉 100%를 포함).
Rule Coverage = |2| / |3| = 0.67(출력 d가 AF인 그룹에서 조건 F2가 High인 조건을 만족할 때의 확률이 0.67, 즉 67%를 포함).
정리하면, 추정부(130)는 상기 규칙과 상기 확률적 근거를 포함하는 지식 "IF F2 is High THEN AF (Rule Support, 0.40; Rule Confidence, 1.0; Rule Coverage, 0.67)"을 생성할 수 있다.
이와 같이, 추정부(130)는 상기 규칙에 대한 확률적 근거를 추정 함으로써, 상기 확률적 근거를 토대로, 특정 심혈관질환 진단을 위한 상기 규칙의 유용성과 신뢰도를 판단 가능하게 할 수 있다.
일례로, 추출부(110)는 상기 제1 요인에 대한 조건 값을 단독으로 활용하여, 상기 심혈관질환의 진단이 확정되지 않는 경우, 상기 복수의 병증요인 중에서, 상기 제1 요인과 종속 관계를 갖는 제2 요인을 추출하고, 처리부(120)는 상기 제2 요인에 대한 조건 값을 더 활용하여 상기 심혈관질환에 대해 진단이 확정 됨에 따라, 상기 제2 요인을 추가하여 상기 규칙을 갱신할 수 있다.
이때, 추출부(110)는 복수의 병증요인 중, 상기 제1 요인 다음으로 높은 우선순위가 부여된 병증요인을, 상기 제1 요인과 종속 관계를 갖는 제2 요인으로 추출할 수 있으며, 여기서, 우선순위는 복수의 병증요인에 대해 대상 환자가 갖는 병력('고혈압', '당뇨', '부정맥' 등)과 대상 환자의 현재 신체 상태('혈압 측정치', '당수치', '맥박 수', '키', '체중', '비만도', 등)와의 관련성에 근거하여 부여될 수 있다.
예를 들어, 도 2의 (ⅰ)을 참조하면, 처리부(120)는 제1 요인 'F2'에 대한 조건 값 'Low'를 단독으로 활용하여 환자(샘플 3,4,5)에 대해 심혈관질환(AF)인지, 정상 그룹(NSR)인지를 확정할 수 없는 경우, 제1 요인 'F2' 다음으로 우선순위가 높은 제2 요인 'F3'에 대한 조건 값 'Low'를 더 활용하여, 환자(샘플 3,4)에 대해 심혈관질환이 아님(정상 그룹, NSR)을 진단할 수 있다.
이에 따라, 처리부(120)는 제1 요인 'F2'에 대한 조건 값 'Low' 및 제2 요인 'F3'에 대한 조건 값 'Low'를 포함하여, "F2와 F3이 Low이면 정상(IF F2 and F3 are Low THEN NSR)"과 같이 규칙을 생성할 수 있다.
추정부(130)는 상기 규칙에 대한 확률적 근거로서, 후술하는 수학식 7에 따라 규칙 서포트와, 후술하는 수학식 8에 따라 규칙 신뢰도 및 후술하는 수학식 9에 따라 규칙 범위 중 적어도 하나를 추정할 수 있다.
다른 일례로, 처리부(120)는 상기 제1 요인으로 상기 심혈관질환에 대한 진단이 가능하지 않으면서, 상기 제2 요인으로 상기 심혈관질환에 대한 진단이 가능한 것으로 확인되는 경우, 상기 심혈관질환의 진단이 가능하지 않는 상기 제1 요인을 제외하여 상기 규칙을 갱신할 수 있다.
예를 들어, 도 2의 (ⅰ)을 참조하면, 처리부(120)는 제1 요인 'F2'에 대한 조건 값 'Low'를 활용하여 환자(샘플 5)에 대해 심혈관질환에 대한 진단이 가능하지 않으면서, 제2 요인 'F3'에 대한 조건 값 'High'를 활용하여 환자(샘플 5)에 대해 심혈관질환에 대한 진단이 가능한 것을 확인할 수 있다.
이에 따라, 처리부(120)는 심혈관질환의 진단이 가능하지 않는 제1 요인 'F2'를 제외한, 제2 요인 'F3'에 대한 조건 값 'Low'를 포함하여, 심혈관질환을 진단하는 규칙을 "F3이 High이면 심혈관질환(IF F3 is High THEN AF)"과 같이 생성할 수 있다.
추정부(130)는 상기 규칙에 대한 확률적 근거로서, 후술하는 수학식 7에 따라 규칙 서포트와, 후술하는 수학식 8에 따라 규칙 신뢰도 및 후술하는 수학식 9에 따라 규칙 범위 중 적어도 하나를 추정할 수 있다.
또한, 추정부(130)는 상기 규칙과 상기 확률적 근거를 포함하는 지식 "IF F3 is High THEN AF (Rule Support, 0.20; Rule Confidence, 1.0; Rule Coverage, 0.33)"을 생성할 수 있다.
이와 같이, 본 발명의 일실시예에 따르면, 심박수 변이도와 관련된 복수의 병증요인을 이용하여, 특정 심혈관질환의 진단을 위한 규칙을 생성 함으로써, 상기 규칙에 의해 심전도 신호로부터 심박수 변이도의 분석을 용이하게 수행할 수 있도록 하여, 환자의 특정 심혈관질환 유무를 손쉽게 진단 가능하게 할 수 있다.
또한, 본 발명의 일실시예에 따르면, 상기 규칙에 대한 확률적 근거를 추정 함으로써, 상기 확률적 근거를 토대로, 특정 심혈관질환 진단을 위한 상기 규칙의 유용성과 신뢰도를 판단 가능하게 할 수 있다.
도 2는 본 발명의 일실시예에 따른 심박수 변이도 분석 시스템에서, 심혈관질환을 진단하는 규칙을 생성하는 과정을 설명하기 위한 도면이다.
도 2를 참조하면, 본 발명의 일실시예에 따른 심박수 변이도 분석 시스템은, 제1 요인에 대해 ROC 곡선을 분석하여 추정한 AUC 값에 따라 로우(Low) 값 또는 하이(High) 값으로 이분화되는 조건 값을 도 2의 (ⅰ)과 같이 산출할 수 있다.
여기서, 3개의 입력 속성 'F1', 'F2', 'F3'은 심전도 신호로부터 검출한 복수의 병증요인을 나타내며, 심박수 변이도 분석 시스템은 각 병증요인에 대해 2가지의 정성적인 조건 값('High' 또는 'Low')을 산출할 수 있다. 즉, 심박수 변이도 분석 시스템은 복수의 병증요인 중에서 추출한 제1 요인 'Fi'에 대한 AUC 값(즉, AUC(Fi))을 추정하고, AUC(Fi) 값에 따라 이분화되는 조건 값을 산출할 수 있다. 예를 들어, 심박수 변이도 분석 시스템은 AUC(Fi) 값의 이하를 'Low', AUC(Fi) 값의 초과를 'High'와 같이 조건 값을 산출할 수 있다.
또한, 출력 속성 'd'는 정상 그룹(NSR, normal sinus rhythm) 또는 심혈관질환(AF, Atrial Fibrillation)의 상태를 나타낼 수 있다. 여기서, NSR은 심전도 신호 상에서 정상적인 심전도 소견을 보이는 정상 그룹에 속한 환자(예, 샘플 3,4)를 나타내고, AF는 심전도 신호 상에서 특정 심혈관질환(예, 부정맥 질환 중 심방세동 질환)에서 볼 수 있는 심전도 소견을 보이는 환자(예, 샘플 1,2,5)를 나타낼 수 있다.
심박수 변이도 분석 시스템은 상기 제1 요인에 대한 상기 조건 값과, 정상 그룹(NSR)이 갖는 조건 값을 비교하여, 도 2의 (ⅱ)와 같이 심혈관질환을 진단하는 규칙을 생성할 수 있다.
일례로, 심박수 변이도 분석 시스템은 환자(샘플 1,2)의 제1 요인 'F2'에 대한 조건 값 'High'을, 정상 그룹에 속한 환자(샘플3,4)의 제1 요인 'F2'에 대한 조건 값 'Low'와 비교하여, 제1 요인 'F2'에 대한 조건 값이 'High'인 환자(샘플 1,2)에 대해 심혈관질환 환자(AF)임을 진단할 수 있다. 이에 따라, 심박수 변이도 분석 시스템은 환자(샘플 1,2)에 대해 해당 심혈관질환을 진단하는 규칙을, 상기 제1 요인 'F2'를 적어도 포함하여, "F2가 High이면 심혈관질환(IF F2 is High THEN AF)"와 같이 생성할 수 있다.
또한, 심박수 변이도 분석 시스템은 제1 요인 'F2'에 대한 조건 값 'Low'를 단독으로 활용하여 환자(샘플 3,4,5)에 대해 심혈관질환(AF)인지, 정상 그룹(NSR)인지를 확정할 수 없는 경우, 제1 요인 'F2' 다음으로 우선순위가 높은 제2 요인 'F3'에 대한 조건 값 'Low'를 더 활용하여, 환자(샘플 3,4)에 대해 심혈관질환 환자가 아님(정상 그룹, NSR)을 진단할 수 있다.
이에 따라, 심박수 변이도 분석 시스템은 환자(샘플 3,4)에 대해 심혈관질환 환자가 아님을 진단하기 위한 규칙을, 제1 요인 'F2'에 대한 조건 값 'Low' 및 제2 요인 'F3'에 대한 조건 값 'Low'를 포함하여, "F2와 F3이 Low이면 정상(IF F2 and F3 are Low THEN NSR)"과 같이 생성할 수 있다.
또한, 심박수 변이도 분석 시스템은 환자(샘플 5)에 대해 제1 요인 'F2'에 대한 조건 값 'Low'를 활용하여 심혈관질환에 대한 진단이 가능하지 않으면서, 제2 요인 'F3'에 대한 조건 값 'High'를 활용하여 환자(샘플 5)에 대해 심혈관질환에 대한 진단이 가능한 것을 확인할 수 있다.
이에 따라, 심박수 변이도 분석 시스템은 환자(샘플 5)에 대해 심혈관질환을 진단하는 규칙을, 심혈관질환의 진단이 가능하지 않는 제1 요인 'F2'를 제외하고, 제2 요인 'F3'에 대한 조건 값 'Low'를 포함하여, "F3이 High이면 심혈관질환(IF F3 is High THEN AF)"과 같이 생성할 수 있다.
이에 따라, 심박수 변이도 분석 시스템은 도 2의 (ⅱ)에 도시한 규칙을 적용하여 타 환자에 관해 입력되는 심전도 신호에 대한 심박수 변이도 분석을 수행 함으로써, 환자의 심혈관질환 유무를 손쉽게 진단할 수 있다.
도 3은 본 발명의 다른 실시예에 따른 심박수 변이도 분석 시스템의 내부 구성을 도시한 블록도이다.
도 3을 참조하면, 본 발명의 일실시예에 따른 심박수 변이도 분석 시스템(300)은, 전처리 모듈(310) 및 지식 발견 모듈(320)을 포함하여 구성할 수 있다.
전처리 모듈(310)은 이산 웨이블릿 변환(DWT)을 이용하여 심박수 변이도(HRV)를 해석하는데 활용될 수 있는 2가지 지표, 즉 시간 영역과 주파수 영역과 관련된 요인들을 검출할 수 있다.
구체적으로, 전처리 모듈(310)은 입력된 심전도 신호를 이산 웨이블릿 변환을 통해 웨이블릿 함수와 스케일 함수에 각각 곱하여 고주파와 저주파로 주파수 대역을 나누어 원하는 주파수 대역에서 변환된 신호를 순차적으로 분석할 수 있다.
전처리 모듈(310)은 심전도 신호의 이산 신호 x(n)을 이산 웨이블릿 변환하여, 수학식 1에 따라 스케일링 요소(a)와 천이 요소(d)를 획득할 수 있으며, 레벨(j)가 j= -1로서 정의될 때, 고주파 성분을 포함하는 신호 D2 j[x(n)]와, 저주파 성분을 포함하는 신호 A2 j[x(n)]을 분리하여 획득할 수 있다.
Figure pat00001
전처리 모듈(310)은 수학식 2에 따라 고주파 성분을 포함하는 신호 D2 j[x(n)]를 분리할 수 있다. 이때, d2 j(K)는 웨이블릿 계수와 관련된 FIR 고대역 필터계수를 나타낼 수 있다.
Figure pat00002
또한, 전처리 모듈(310)은 수학식 3에 따라 저주파 성분을 포함하는 신호 A2 j[x(n)]을 분리할 수 있다. 이때, aj 2(K)는 스케일 함수 계수와 관련된 FIR 저대역 필터계수를 나타낼 수 있다.
Figure pat00003
이산 웨이블릿 변환으로 검출된 계수는 웨이블릿 모함수(mother wavelet)에 대한 유사도를 의미할 수 있으며, 이는 주어진 시간에 따른 주파수 신호를 나타낼 수 있다. 웨이블릿 모함수는 Harr, Daubechies, Biorthogonal, Coiflets 등과 같이 다양한 유형이 가능하며, 본 명세서에서는 Daubechies(db) 모함수를 기반으로, 심전도 신호 상에서 R 웨이브 신호를 포함하는 QRS 주파수 대역, 즉 db3(9.38 - 18.75Hz)과 db4(4.69 - 9.38Hz)를 특징점으로 검출할 수 있다.
전처리 모듈(310)은 상술한 이산 웨이블릿 변환에 따라, 심전도 신호의 RR 간격으로부터 시간 및 주파수 영역을 해석할 수 있는 복수의 병증요인을 표 1과 같이 검출할 수 있다.
Figure pat00004
지식 발견 모듈(320)은 특정 심혈관질환(예, 심근경색증, 부정맥 등)을 진단하는데 중요한 요인으로 설명될 수 있는 복수의 병증요인을 이용하여 심혈관질환의 진단을 위한 최소화된 규칙을 생성하고, 상기 규칙에 대한 확률적 근거를 추정하여, 규칙 및 확률적 근거를 포함하는 지식을 생성할 수 있다.
지식 발견 모듈(320)은 ROC 곡선 분석을 통해 시간 및 주파수 영역의 각 병증요인들에 대한 통계적인 분별력(discriminant power), 즉 AUC(area under the ROC curve) 값을 추정할 수 있다.
일례로, 지식 발견 모듈(320)은 표 2에 도시한 혼동행렬(confusion matrix)을 이용하여 AUC 값을 추정할 수 있다. 표 2에서, 'TP'는 true positive, 'FP'는 false positive, 'FN'은 false negative, 'TN'은 true negative를 나타낼 수 있다.
Figure pat00005
지식 발견 모듈(320)은 수학식 4에 근거하여 민감도(sensitivity, SENS)를 계산하고, 수학식 5에 근거하여 특이도(specificity, SPEC)를 계산할 수 있으며, 계산된 민감도와 특이도를 기반으로 도 7과 같이 근사적으로 추정된 ROC 곡선을 구할 수 있으며, 수학식 6에 따라 AUC 값을 추정할 수 있다.
Figure pat00006
Figure pat00007
Figure pat00008
수학식 6에서 Fi(i=1,…, M)은 검출된 시간 또는 주파수 영역과 관련된 병증요인(특징)을 나타내고, M은 병증요인(특징)의 수를 나타낼 수 있다.
지식 발견 모듈(320)은 각 특징들의 이산화(discretization)를 위한 분할 지점(cut points)을, 수학식 6을 이용하여 찾고, 그 지점을 중심으로 이분화(dichotomization) 할 수 있다. 이때, 지식 발견 모듈(320)은 각 특징마다 근사적으로 가장 좋은 값을 나타내는 분할 지점을 찾을 수 있다.
지식 발견 모듈(320)은 이산화 과정을 통해 이분화된 데이터(조건 값)로부터 불필요한 속성값(redundant or superfluous attribute values)(조건 값)을 제거 함으로써 최소화된 규칙을 생성할 수 있다.
예를 들어, 도 2의 (ⅰ)을 참조하면, 지식 발견 모듈(320)은 시간 및 주파수 영역과 연관된 복수의 병증요인을 수학식 6에 의해 이분화된 데이터로 변환할 수 있다. 지식 발견 모듈(320)은 복수의 병증요인 중에서 추출한 제1 요인 'Fi'에 대한 AUC 값(즉, AUC(Fi))을 추정하여, AUC(Fi) 값의 이하를 'Low', AUC(Fi) 값의 초과를 'High'와 같이 이분화되는 조건 값을 산출할 수 있다.
지식 발견 모듈(320)은 임의의 속성값을 제거하기 전과 후의 데이터에서 포함하고 있는 정보의 양을 평가할 수 있는 척도인 일관성 정도(consistency degree)가 동일해야 함을 전제로, 상기 이분화된 데이터로부터 불필요한 속성값(조건 값)을 제거하여, 도 2의 (ⅱ)에 도시한 규칙을 유도할 수 있다. 이때, 지식 발견 모듈(320)은 도 9에 도시한 흐름도에 따라, 전체 샘플 데이터로부터 최소화된 규칙을 유도할 수 있다.
예를 들어, 지식 발견 모듈(320)은 대상 환자(샘플 1)의 경우, 요인 F1의 조건 값 'Low'를 제거한 나머지 요인(F2 F3)의 조건 값의 쌍 (High Low)과 일치하는 조건 값을 갖는 정상 그룹(NSR)의 샘플이 존재하지 않으므로, F1의 조건 값 'Low'에 대해 불필요한 조건 값으로 정의하여 제거할 수 있다.
다음으로, 지식 발견 모듈(320)은 요인 F2의 조건 값 'High'를 추가로 제거한 나머지 요인 F3의 조건 값 'Low'와 일치하는 조건 값을 갖는 정상 그룹의 샘플 3,4을 찾을 수 있으므로, 요인 F2의 조건 값 'High'에 대해 불필요한 조건 값으로 정의되지 않아 제거할 수 없다.
마지막으로, 지식 발견 모듈(320)은 요인 F3의 조건 값 'Low'를 추가로 제거(즉, 요인 (F1 F3)의 조건 값의 쌍 (Low Low) 제거)한 나머지 요인 F2의 조건 값 'High'와 일치하는 조건 값을 갖는 정상 그룹의 샘플이 존재하지 않으므로, F2의 조건 값 'High'에 대해 불필요한 조건 값으로 정의하여 제거할 수 있다.
결론적으로, 대상 환자(샘플 1)의 경우, 요인 F2의 조건 값 만으로 정의된 규칙은, 3개의 요인 F1, F2, F3의 조건 값으로 정의된 규칙과 동일한 결과를 제공할 수 있다.
지식 발견 모듈(320)은 도 2의 (ⅱ)와 같이 규칙을 생성한 후, 이하의 수학식 7, 8, 9를 이용하여 상기 규칙에 대한 확률적 근거 혹은 경향을 계산, 추정할 수 있다. 지식 발견 모듈(320)은 수학식 7에 따라 규칙 서포트(Rule Support)와, 수학식 8에 따라 규칙 신뢰도(Rule Confidence) 및 수학식 9에 따라 규칙 범위(Rule Coverage) 중 적어도 하나의 확률적 근거를 추정할 수 있다.
Figure pat00009
Figure pat00010
Figure pat00011
여기서, N은 전체 샘플 수, |·|은 조건을 만족하는 샘플 수, |F∩d|는 생성된 규칙의 집합에서 입력과 출력 조건을 동시에 만족하는 샘플의 수를 나타낼 수 있다. 따라서, 수학식 8의 규칙 신뢰도와, 수학식 9의 규칙 범위는 각각 규칙의 입력조건 |F| 또는 |d|가 주어졌을 때의 조건부 확률로서 다음과 같이 표현될 수 있다. 즉, 수학식 8의 규칙 신뢰도는 p(F∩d|F), 수학식 9의 규칙 범위는 p(F∩d|d)와 같이 표현 가능하다.
예를 들어, 지식 발견 모듈(320)은 도 2의 (ⅱ)에 도시된 샘플 1,2의 조건을 동시에 만족하는 규칙에 대한 확률적 근거를 아래와 같이 추정할 수 있다.
Rule Support = 2 / |5| = 0.40(전체 샘플에서 40%를 포함).
Rule Confidence = |2| / |2| = 1.0(조건 F2가 High일 만족하는 샘플들에서 출력 d가 AF으로 결정될 확률이 1.0, 즉 100%를 포함).
Rule Coverage = |2| / |3| = 0.67(출력 d가 AF인 그룹에서 조건 F2가 High인 조건을 만족할 때의 확률이 0.67, 즉 67%를 포함).
이와 같이, 지식 발견 모듈(320)은 수학식 7,8,9를 이용하여 규칙에 대한 확률적 근거를 추정 함으로써, 새로운 입력(타 환자의 심전도 신호로부터 분석한 병증요인과 조건 값에 관한 이분화된 데이터 샘플)이 주어졌을 때 심혈관질환의 진단 결과를 용이하게 예측 가능하게 할 수 있다.
또한, 지식 발견 모듈(320)은 수학식 10에 근거하여, 새로운 입력이 주어졌을 때 상태 예측을 위한 유사도(similarity degree, SIM)를 계산할 수 있다.
Figure pat00012
수학식 10에서 Fl(x)와 Fl(y)는 각각 x와 y번째 샘플에서 l번째 요인의 조건 값을 나타내고, vmax l와 vmin l은 각각 l번째 요인의 조건 값에 대한 최대값과 최소값을 나타낼 수 있다.
예를 들어, 지식 발견 모듈(320)은 요인 F2의 조건 값이 'High'이고, 요인 F3의 조건 값이 'High'인 조건 값을 가지는 새로운 입력(샘플)이 주어질 경우, 수학식 10의 유사도 계산식에 따라, 도 2의 (ⅱ)에 도시된 첫 번째 행의 규칙(규칙 1)과 세 번째 행의 규칙(규칙 3)이 가장 유사한 규칙임을 알 수 있다. 이때, 규칙 1과 규칙 3의 규칙 서포트, 규칙 신뢰도 및 규칙 범위의 평균 값은 각각 0.30, 1.0, 0.50일 수 있다.
(규칙 1) IF F2 is High THEN AF (Rule Support, 0.40; Rule Confidence, 1.0; Rule Coverage, 0.67)
(규칙 3) IF F3 is High THEN AF (Rule Support, 0.20; Rule Confidence, 1.0; Rule Coverage, 0.33)
지식 발견 모듈(320)은 새로운 입력에 대한 출력을 정의하기 위해 의사 결정을 위한 첫 번째 조건으로 규칙 범위를 활용할 수 있으며, 이때, 서로 다른 출력에 대해 규칙 범위가 동일한 경향을 보이는 경우, 보다 큰 평균값을 포함하는 규칙 신뢰도의 상태로 출력을 정의할 수 있다.
이와 같이, 본 발명의 일실시예에 따르면, 심박수 변이도와 관련된 복수의 병증요인을 이용하여, 특정 심혈관질환의 진단을 위한 규칙을 생성하고, 상기 규칙에 대한 확률적 근거를 추정하여 마련할 수 있다.
도 4는 대상 환자에 관해 입력된 심전도 신호의 일례 및 심혈관질환 별 주파수 범위의 일례를 도시한 도면이다.
도 4를 참조하면, 본 발명의 일실시예에 따른 심박수 변이도 분석 시스템은, 대상 환자가 착용한 웨어러블 심전도 장치로부터 심전도 신호를 입력 받을 수 있다. 또는, 심박수 변이도 분석 시스템은 선정된 기간(예, '1시간') 동안 상기 웨어러블 심전도 장치에서 출력된 심전도 신호가 유지되는 무선 ECG DB(미도시함)로부터, 무선 통신을 통해 상기 심전도 신호를 입력 받을 수 있다.
도 4의 (ⅰ)에는 웨어러블 1채널 무선 홀터 심전계로부터 입력된 심전도 신호의 일례가 도시되어 있다. 심박수 변이도 분석 시스템은 상기 심전도 신호를 이산 웨이블릿 변환하여, QRS 특징점(병증요인)을 검출할 수 있다. 일례로, 심박수 변이도 분석 시스템은 입력된 심전도 신호로부터 진단하려는 심혈관질환 'D3' 및 'D4'에 선정된 주파수 범위(9.375-18.75 및 4.687-9.375)를 도 4의 (ⅱ)에 도시된 테이블로부터 찾고, 이산 웨이블릿 변환된 신호의 해당 주파수 범위로부터 특징점을 검출할 수 있다.
도 5는 입력된 심전도 신호를 차분 연산 또는 이산 웨이블릿 변환을 이용하여 변환한 신호의 일례들을 도시한 도면이다.
도 5를 참조하면, 본 발명의 일실시예에 따른 심박수 변이도 분석 시스템은, 입력된 심전도 신호를 차분 연산(differential operation)을 이용하여 도 5의 (ⅰ)에 도시한 신호로 변환할 수 있다.
심박수 변이도 분석 시스템은 차분 연산에 의해 변환된 신호 내 선정된 주파수 범위(예, 9.375-18.75 및 4.687-9.375)로부터 특징점(병증요인)을 검출하여 심혈관질환(예, 'D3' 및 'D4')의 진단에 이용할 수 있다.
또한, 심박수 변이도 분석 시스템은 입력된 심전도 신호를 이산 웨이블릿 변환하여 도 5의 (ⅱ)와 같은 신호를 출력할 수 있다.
심박수 변이도 분석 시스템은 이산 웨이블릿 변환에 의해 출력된 신호 내 선정된 주파수 범위(예, 9.375-18.75 및 4.687-9.375)로부터 특징점(병증요인)을 검출하여 심혈관질환(예, 'D3' 및 'D4')의 진단에 이용할 수 있다.
도 6은 차분 연산에 의해 변환된 신호 및 이산 웨이블릿 변환에 의해 출력된 신호에서 RR 간격을 비교하는 일례를 도시한 도면이다.
도 6을 참조하면, 본 발명의 일실시예에 따른 심박수 변이도 분석 시스템은, 도 6의 (ⅰ)에 도시한 차분 연산에 의해 변환된 신호로부터 RR 간격을 검출하고, 도 6의 (ⅱ)에 도시한 이산 웨이블릿 변환에 의해 출력된 신호로부터 RR 간격을 검출하여, 각각의 RR 간격을 비교할 수 있다.
도 7은 민감도와 특이도를 기반으로 근사적으로 추정된 ROC 곡선의 일례를 도시한 도면이다.
도 7을 참조하면, 본 발명의 일실시예에 따른 심박수 변이도 분석 시스템은, ROC 곡선 분석을 통해 시간 및 주파수 영역의 각 병증요인들에 대한 통계적인 분별력, 즉 AUC 값을 추정할 수 있다.
심박수 변이도 분석 시스템은 표 2에 도시한 혼동행렬을 이용하여 민감도 및 특이도를 계산하고, 계산된 민감도와 특이도를 기반으로 도 7과 같이 근사적으로 추정된 ROC 곡선을 구하고, ROC 곡선 분석 과정에서 상술한 수학식 6에 따라 AUC 값을 추정할 수 있다.
심박수 변이도 분석 시스템은 각 특징들의 이산화를 위한 분할 지점을, 수학식 6을 이용하여 추정한 AUC 값에 따라 찾고, 상기 분할 지점을 중심으로 이분화('Low', 'High')할 수 있다. 즉, 심박수 변이도 분석 시스템은 시간 및 주파수 영역과 연관된 복수의 병증요인을 이분화된 데이터(조건 값)로 변환할 수 있다.
심박수 변이도 분석 시스템은 이산화 과정을 통해 이분화된 데이터로부터 불필요한 속성값(조건 값)을 제거 함으로써 최소화된 규칙을 생성할 수 있다.
이하, 도 8 내지 도 9에서는 본 발명의 실시예들에 따른 심박수 변이도 분석 시스템(100)의 작업 흐름을 상세히 설명한다.
도 8은 본 발명의 일실시예에 따른 심박수 변이도 분석 방법의 순서를 도시한 흐름도이다.
본 실시예에 따른 심박수 변이도 분석 방법은 상술한 심박수 변이도 분석 시스템(100)에 의해 수행될 수 있다.
도 8을 참조하면, 단계(810)에서, 심박수 변이도 분석 시스템(100)은, 복수의 병증요인 중에서 대상 환자에 대해 제1 요인을 추출한다.
심박수 변이도 분석 시스템(100)은 입력된 심전도 신호를 이산 웨이블릿 변환하여 시간 영역 및 주파수 영역과 연관되는 복수의 병증요인을 검출할 수 있으며, 검출한 복수의 병증요인 중에서, 상기 제1 요인을 추출할 수 있다.
단계(820)에서, 심박수 변이도 분석 시스템(100)은, 상기 제1 요인에 대한 조건 값을 활용하여 심혈관질환에 대해 진단이 확정되는지 여부를 판단한다.
일례로, 심박수 변이도 분석 시스템(100)은 상기 제1 요인에 대해 ROC 곡선을 분석하여 추정한 AUC 값에 따라 로우(Low) 값 또는 하이(High) 값으로 이분화되는 조건 값을 산출하고, 상기 제1 요인에 대한 상기 조건 값과, 정상 그룹(NSR)이 갖는 조건 값을 비교하여, 상기 심혈관질환에 대해 진단할 수 있다.
단계(820)에서의 판단 결과, 상기 제1 요인에 대한 조건 값을 활용하여 심혈관질환에 대해 진단이 확정되는 경우, 심박수 변이도 분석 시스템(100)은, 상기 제1 요인을 적어도 포함하여, 해당 심혈관질환을 진단하는 규칙을 생성한다(단계 830).
예를 들어, 도 2의 (ⅰ)을 참조하면, 심박수 변이도 분석 시스템(100)은 대상 환자(샘플 1)에 관해 추출한 제1 요인('F1', 'F2', 'F3')에 대한 조건 값을, 정상 그룹(NSR)이 갖는 조건 값과 비교하여, 상기 심혈관질환에 대해 진단할 수 있다.
심박수 변이도 분석 시스템(100)은 대상 환자(샘플 1)의 제1 요인 'F2'에 대한 조건 값 'High'을, 정상 그룹에 속한 환자(샘플3,4)의 제1 요인 'F2'에 대한 조건 값 'Low'와 비교하여, 제1 요인 'F2'에 대한 조건 값이 'High'인 대상 환자(샘플 1)에 대해 심혈관질환 환자(AF)임을 진단할 수 있다.
이와 같이, 심박수 변이도 분석 시스템(100)은 제1 요인 'F2'에 대한 조건 값 'High'을 단독으로 활용하여 심혈관질환에 대해 진단을 확정할 수 있으며, 상기 제1 요인 'F2'를 적어도 포함하여, 해당 심혈관질환을 진단하는 규칙, 일례로, "F2가 High이면 심혈관질환(IF F2 is High THEN AF)"을 생성할 수 있다.
이에 따라, 심박수 변이도 분석 시스템(100)은 상기 규칙을 적용하여 타 환자에 관해 입력되는 심전도 신호에 대한 심박수 변이도 분석을 수행 함으로써, 환자의 심혈관질환 유무를 손쉽게 진단할 수 있다.
단계(820)에서의 판단 결과, 상기 제1 요인에 대한 조건 값을 단독으로 활용하여 상기 심혈관질환의 진단이 확정되지 않는 경우, 심박수 변이도 분석 시스템(100)은, 상기 복수의 병증요인 중에서, 상기 제1 요인과 종속 관계를 갖는 제2 요인을 추출하고(단계 840), 상기 제2 요인에 대한 조건 값을 더 활용하여 상기 심혈관질환에 대해 진단이 확정 됨에 따라, 상기 제2 요인을 추가하여 상기 규칙을 갱신한다(단계 850). 즉, 심박수 변이도 분석 시스템(100)은 상기 제1 요인 및 상기 제2 요인을 포함하여 상기 규칙을 생성한다.
예를 들어, 도 2의 (ⅰ)을 참조하면, 심박수 변이도 분석 시스템(100)은 제1 요인 'F2'에 대한 조건 값 'Low'를 단독으로 활용하여 환자(샘플 3,4,5)에 대해 심혈관질환(AF)인지, 정상 그룹(NSR)인지를 확정할 수 없는 경우, 제1 요인 'F2' 다음으로 우선순위가 높은 제2 요인 'F3'에 대한 조건 값 'Low'를 더 활용하여, 환자(샘플 3,4)에 대해 심혈관질환이 아님(정상 그룹, NSR)을 진단할 수 있다.
이에 따라, 심박수 변이도 분석 시스템(100)은 제1 요인 'F2'에 대한 조건 값 'Low' 및 제2 요인 'F3'에 대한 조건 값 'Low'를 포함하여, "F2와 F3이 Low이면 정상(IF F2 and F3 are Low THEN NSR)"과 같이 규칙을 생성할 수 있다.
단계(860)에서, 심박수 변이도 분석 시스템(100)은, 상기 규칙을 활용하여 타 환자의 심혈관질환에 대해 진단하여, 상기 규칙에 대한 평균 및 신뢰도를 포함하는 확률적 근거를 추정한다.
심박수 변이도 분석 시스템(100)은 상기 규칙에 대한 확률적 근거로서, 수학식 7에 따라 규칙 서포트(Rule Support)와, 수학식 8에 따라 규칙 신뢰도(Rule Confidence) 및 수학식 9에 따라 규칙 범위(Rule Coverage) 중 적어도 하나를 다음과 같이 추정할 수 있다.
예를 들면, 심박수 변이도 분석 시스템(100)은 도 2의 (ⅱ)에 도시한 규칙1 "IF F2 is High THEN AF"를 적용하여 심박수 변이도 분석을 수행할 경우, 다음과 같이 규칙 1에 대한 확률적 근거를 추정할 수 있다.
Rule Support = 2 / |5| = 0.40(전체 샘플에서 40%를 포함).
Rule Confidence = |2| / |2| = 1.0(조건 F2가 High일 만족하는 샘플들에서 출력 d가 AF으로 결정될 확률이 1.0, 즉 100%를 포함).
Rule Coverage = |2| / |3| = 0.67(출력 d가 AF인 그룹에서 조건 F2가 High인 조건을 만족할 때의 확률이 0.67, 즉 67%를 포함).
즉, 심박수 변이도 분석 시스템(100)은 규칙 1과 상기 확률적 근거를 포함하는 지식 "IF F2 is High THEN AF (Rule Support, 0.40; Rule Confidence, 1.0; Rule Coverage, 0.67)"을 생성할 수 있다.
이와 같이, 심박수 변이도 분석 시스템(100)은 규칙에 대한 확률적 근거를 추정 함으로써, 상기 확률적 근거를 토대로, 특정 심혈관질환 진단을 위한 상기 규칙의 유용성과 신뢰도를 판단 가능하게 할 수 있다.
도 9는 본 발명의 다른 실시예에 따른 심박수 변이도 분석 방법의 순서를 도시한 흐름도이다.
본 실시예에 따른 심박수 변이도 분석 방법은 상술한 심박수 변이도 분석 시스템(100)에 의해 수행될 수 있다.
도 9를 참조하면, 심박수 변이도 분석 시스템(100)은 임의의 I번째 레코드(I=1,2,3,…, N)를 추출하여(단계 910), k번째 속성값(k=1,2,3,…, M)을 제거하고(단계 920), 상기 I번째 레코드와 동일한 출력(상태)을 포함하지 않는 레코드들의 집합과 비교하여(단계 930), 하나 이상의 동일한 패턴이 존재하는지 확인한다(단계 940).
단계(940)에서의 확인 결과, 하나 이상의 동일한 패턴이 존재하는 경우, 심박수 변이도 분석 시스템(100)은 k번째 속성값을 복원한다.
단계(940)에서의 확인 결과, 하나 이상의 동일한 패턴이 존재하지 않는 경우, 심박수 변이도 분석 시스템(100)은 k번째 속성값이 마지막 속성값이면(즉, k가 M이면) 종료하고(단계 950), k번째 속성값이 마지막 속성값이 아니면(즉, k가 M이 아니면) 상기 k를 1 증가시켜 단계(920)으로 이동하여(단계 960), 단계(920)에서 k+1번째 속성값을 제거한다.
본 발명의 실시예에 따른 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 실시예를 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 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
100: 심박수 변이도 분석 시스템
110: 추출부
120: 처리부
130: 추정부

Claims (12)

  1. 복수의 병증요인 중에서, 대상 환자에 대해 제1 요인을 추출하는 단계; 및
    상기 제1 요인에 대한 조건 값을 활용하여 심혈관질환에 대해 진단이 확정되는 경우, 상기 제1 요인을 적어도 포함하여, 해당 심혈관질환을 진단하는 규칙을 생성하는 단계
    를 포함하는 심박수 변이도 분석 방법.
  2. 제1항에 있어서,
    상기 제1 요인에 대한 조건 값을 단독으로 활용하여, 상기 심혈관질환의 진단이 확정되지 않는 경우,
    상기 복수의 병증요인 중에서, 상기 제1 요인과 종속 관계를 갖는 제2 요인을 추출하는 단계; 및
    상기 제2 요인에 대한 조건 값을 더 활용하여 상기 심혈관질환에 대해 진단이 확정 됨에 따라, 상기 제2 요인을 추가하여 상기 규칙을 갱신하는 단계
    를 더 포함하는 심박수 변이도 분석 방법.
  3. 제2항에 있어서,
    상기 제1 요인으로 상기 심혈관질환에 대한 진단이 가능하지 않으면서, 상기 제2 요인으로 상기 심혈관질환에 대한 진단이 가능한 것으로 확인되는 경우,
    상기 심혈관질환의 진단이 가능하지 않는 상기 제1 요인을 제외하여 상기 규칙을 갱신하는 단계
    를 더 포함하는 심박수 변이도 분석 방법.
  4. 제1항에 있어서,
    상기 규칙을 활용하여 타 환자의 심혈관질환에 대해 진단하여, 상기 규칙에 대한 평균 및 신뢰도를 포함하는 확률적 근거를 추정하는 단계
    를 더 포함하는 심박수 변이도 분석 방법.
  5. 제1항에 있어서,
    상기 제1 요인을 추출하는 단계는,
    상기 대상 환자가 갖는 병력 또는 신체 상태를 고려하여, 상기 복수의 병증요인 중에서 임의 하나의 병증요인을 상기 제1 요인으로 추출하는 단계
    를 포함하는 심박수 변이도 분석 방법.
  6. 제1항에 있어서,
    입력된 심전도 신호를 이산 웨이블릿 변환하여, 시간 영역 및 주파수 영역과 연관되는 상기 복수의 병증요인을 검출하는 단계
    를 더 포함하는 심박수 변이도 분석 방법.
  7. 제1항에 있어서,
    상기 제1 요인에 대해 ROC 곡선을 분석하여 추정한 AUC(area under the ROC curve) 값에 따라 로우(Low) 값 또는 하이(High) 값으로 이분화되는 조건 값을 산출하는 단계; 및
    상기 제1 요인에 대한 상기 조건 값과, 정상 그룹이 갖는 조건 값을 비교하여, 상기 심혈관질환에 대해 진단하는 단계
    를 더 포함하는 심박수 변이도 분석 방법.
  8. 복수의 병증요인 중에서, 대상 환자에 대해 제1 요인을 추출하는 추출부; 및
    상기 제1 요인에 대한 조건 값을 활용하여 심혈관질환에 대해 진단이 확정되는 경우, 상기 제1 요인을 적어도 포함하여, 해당 심혈관질환을 진단하는 규칙을 생성하는 처리부
    를 포함하는 심박수 변이도 분석 시스템.
  9. 제8항에 있어서,
    상기 제1 요인에 대한 조건 값을 단독으로 활용하여, 상기 심혈관질환의 진단이 확정되지 않는 경우,
    상기 추출부는,
    상기 복수의 병증요인 중에서, 상기 제1 요인과 종속 관계를 갖는 제2 요인을 추출하고,
    상기 처리부는,
    상기 제2 요인에 대한 조건 값을 더 활용하여 상기 심혈관질환에 대해 진단이 확정 됨에 따라, 상기 제2 요인을 추가하여 상기 규칙을 갱신하는
    심박수 변이도 분석 시스템.
  10. 제9항에 있어서,
    상기 제1 요인으로 상기 심혈관질환에 대한 진단이 가능하지 않으면서, 상기 제2 요인으로 상기 심혈관질환에 대한 진단이 가능한 것으로 확인되는 경우,
    상기 처리부는,
    상기 심혈관질환의 진단이 가능하지 않는 상기 제1 요인을 제외하여 상기 규칙을 갱신하는
    심박수 변이도 분석 시스템.
  11. 제8항에 있어서,
    상기 규칙을 활용하여 타 환자의 심혈관질환에 대해 진단하여, 상기 규칙에 대한 평균 및 신뢰도를 포함하는 확률적 근거를 추정하는 추정부
    를 더 포함하는 심박수 변이도 분석 시스템.
  12. 제8항에 있어서,
    상기 추출부는,
    입력된 심전도 신호를 이산 웨이블릿 변환하여 검출한 시간 영역 및 주파수 영역과 연관되는 상기 복수의 병증요인 중에서, 상기 제1 요인을 추출하는
    심박수 변이도 분석 시스템.
KR1020150125275A 2015-09-04 2015-09-04 심박수 변이도 분석 방법 및 심박수 변이도 분석 시스템 KR101726071B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020150125275A KR101726071B1 (ko) 2015-09-04 2015-09-04 심박수 변이도 분석 방법 및 심박수 변이도 분석 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150125275A KR101726071B1 (ko) 2015-09-04 2015-09-04 심박수 변이도 분석 방법 및 심박수 변이도 분석 시스템

Publications (2)

Publication Number Publication Date
KR20170029039A true KR20170029039A (ko) 2017-03-15
KR101726071B1 KR101726071B1 (ko) 2017-04-14

Family

ID=58403255

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150125275A KR101726071B1 (ko) 2015-09-04 2015-09-04 심박수 변이도 분석 방법 및 심박수 변이도 분석 시스템

Country Status (1)

Country Link
KR (1) KR101726071B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100876764B1 (ko) * 2007-06-18 2009-01-07 한국정보통신대학교 산학협력단 심혈관계 질환 진단 시스템 및 그 진단 서비스 방법
KR101009959B1 (ko) * 2008-09-25 2011-01-20 한국생산기술연구원 건강상태 측정장치 및 방법 그리고 그 방법을 수행하기 위한 프로그램이 기록된 기록매체
KR20120133793A (ko) * 2011-06-01 2012-12-11 (주)한국티이에스 특징점 추출을 통한 심실부정맥 검출방법
KR20130071981A (ko) * 2011-12-21 2013-07-01 삼성전자주식회사 질환 진단을 위한 최적의 진단 요소 셋 결정 장치 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100876764B1 (ko) * 2007-06-18 2009-01-07 한국정보통신대학교 산학협력단 심혈관계 질환 진단 시스템 및 그 진단 서비스 방법
KR101009959B1 (ko) * 2008-09-25 2011-01-20 한국생산기술연구원 건강상태 측정장치 및 방법 그리고 그 방법을 수행하기 위한 프로그램이 기록된 기록매체
KR20120133793A (ko) * 2011-06-01 2012-12-11 (주)한국티이에스 특징점 추출을 통한 심실부정맥 검출방법
KR20130071981A (ko) * 2011-12-21 2013-07-01 삼성전자주식회사 질환 진단을 위한 최적의 진단 요소 셋 결정 장치 및 방법

Also Published As

Publication number Publication date
KR101726071B1 (ko) 2017-04-14

Similar Documents

Publication Publication Date Title
Sangaiah et al. An intelligent learning approach for improving ECG signal classification and arrhythmia analysis
Lin et al. Heartbeat classification using normalized RR intervals and morphological features
Narin et al. Early prediction of paroxysmal atrial fibrillation based on short-term heart rate variability
Krasteva et al. QRS template matching for recognition of ventricular ectopic beats
JP5019457B2 (ja) 急激な血圧変化の検知
US20200205687A1 (en) Detecting atrial fibrillation using short single-lead ecg recordings
WO2007130997A2 (en) Method and device for filtering, segmenting, compressing and classifying oscillatory signals
CN110123304B (zh) 基于多模板匹配和相关系数矩阵的动态心电噪声滤除方法
CN107622259B (zh) 一种t波检测方法、心电数据分析方法及装置
Kelwade et al. Radial basis function neural network for prediction of cardiac arrhythmias based on heart rate time series
Last et al. Multi-component based cross correlation beat detection in electrocardiogram analysis
KR20120116213A (ko) 심실조기수축 판별 시스템, 심실조기수축 판별 방법 및 이를 수행하는 프로그램이 기록된 저장매체
WO2019100563A1 (zh) 心电信号质量评估方法
WO2021103796A1 (zh) 心电信号处理方法、心电信号处理装置和电子设备
Slama et al. Application of statistical features and multilayer neural network to automatic diagnosis of arrhythmia by ECG signals
KR20130085632A (ko) 적응적 국부 임계화를 이용한 심전도 신호의 ｒ 피크 검출방법
Mazidi et al. Detection of premature ventricular contraction (PVC) using linear and nonlinear techniques: an experimental study
Rangappa et al. Classification of cardiac arrhythmia stages using hybrid features extraction with k-nearest neighbour classifier of ecg signals
Lewandowski et al. A simple real-time QRS detection algorithm utilizing curve-length concept with combined adaptive threshold for electrocardiogram signal classification
Bruun et al. Automatic atrial fibrillation detection: A novel approach using discrete wavelet transform and heart rate variability
WO2018023697A1 (zh) 一种胎儿心电分离方法及装置
CA3065208A1 (en) Long qt syndrome diagnosis and classification
Paul et al. Automated detection of cardinal points of ECG signal for feature extraction using a single median filter
KR101726071B1 (ko) 심박수 변이도 분석 방법 및 심박수 변이도 분석 시스템
KR20140087918A (ko) 차감 동작 기법 기반의 심전도 신호의 ｒ파 검출 시스템 및 방법

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant