KR20200036908A - 심전도 신호의 검출 방법 - Google Patents

심전도 신호의 검출 방법 Download PDF

Info

Publication number
KR20200036908A
KR20200036908A KR1020207005872A KR20207005872A KR20200036908A KR 20200036908 A KR20200036908 A KR 20200036908A KR 1020207005872 A KR1020207005872 A KR 1020207005872A KR 20207005872 A KR20207005872 A KR 20207005872A KR 20200036908 A KR20200036908 A KR 20200036908A
Authority
KR
South Korea
Prior art keywords
set number
neural network
convolutional neural
determining
heartbeats
Prior art date
Application number
KR1020207005872A
Other languages
English (en)
Other versions
KR102451795B1 (ko
Inventor
콩챠오 왕
웨이 자오
야자오 리
샤오 리
Original Assignee
안후이 화미 인포메이션 테크놀러지 코., 엘티디.
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 안후이 화미 인포메이션 테크놀러지 코., 엘티디. filed Critical 안후이 화미 인포메이션 테크놀러지 코., 엘티디.
Publication of KR20200036908A publication Critical patent/KR20200036908A/ko
Application granted granted Critical
Publication of KR102451795B1 publication Critical patent/KR102451795B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/0452—
    • A61B5/04012—
    • A61B5/04028—
    • A61B5/0468—
    • 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
    • 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]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/364—Detecting abnormal ECG interval, e.g. extrasystoles, ectopic heartbeats
    • 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
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06K9/00496—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0454—
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

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

Abstract

본 출원은 심전도 신호를 검출하는 방법 및 전자 장치를 제공한다. 방법에 대한 일 실시예에 따르면, 설정된 시간 길이의 심전도 신호는 분할되어(101) 제1 세트 개수의 단일 심장 박동들을 획득하고, 상기 제1 세트 개수의 단일 심장 박동들 각각에 대응하는 특징 데이터를 결정하여(102) 제1 세트 개수의 특징 데이터를 획득하고, 상기 설정된 시간 길이의 심전도 신호 및 상기 제1 세트 개수의 특징 데이터를 기초하여 상기 설정된 시간 길이의 심전도 신호에 대한 병리학적 카테고리를 결정한다.

Description

심전도 신호의 검출 방법
본 발명은 전자 기술 분야에 관한 것이다. 본 발명은 특히 심전도(electrocardiographic, ECG) 신호를 검출하는 방법 및 장치에 관한 것이고, 전자 기기에 관한 것이다.
최근에 딥러닝(deep learning) 기법이 주목받으면서, 심전도 신호를 분류 및 식별을 위하여 신경망을 훈련하는 패턴을 적용하기 시작한 연구자들이 증가하였다. 그러나, 대부분의 연구는 단일 심장 박동(single heartbeat)의 신전도 신호를 식별 및 분류하는 것이고, 연속적인 다중 심전도에 대한 병리학적 식별까지 수행하지 않는다.
이와 같은 측면에서 본 출원은 연속적인 심전도 신호에 대한 병리학적 진단을 수행할 수 있는 새로운 기술 해결 수단을 제공한다.
상기 목적을 달성하기 위하여, 본 출원은 다음과 같은 기술 해결 수단을 제공한다.
본 출원의 하나의 제1 양상에 따라, 심전도 신호를 검출하는 방법은 설정된 시간 길이의 심전도 신호를 분할하여 제1 세트 개수의 단일 심장 박동들을 획득하는 단계; 상기 제1 세트 개수의 단일 심장 박동들 각각에 대응하는 특징 데이터를 결정하여 제1 세트 개수의 특징 데이터를 획득하는 단계; 및 상기 설정된 시간 길이의 심전도 신호 및 상기 제1 세트 개수의 특징 데이터에 기초하여 상기 설정된 시간 길이의 심전도 신호에 대한 병리학적 카테고리를 결정하는 단계를 포함한다.
본 출원에 대한 제2 양상에 따라, 심전도 신호를 검출하는 방법은 제2 컨볼루션 신경망을 통하여 설정된 시간 길이의 심전도 신호에 대한 병리학적 카테고리를 결정하는 단계; 상기 병리학적 카테고리가 상기 심전도 신호가 비정상이라고 지시하면, 상기 설정된 시간 길이의 심전도 신호를 분할하여 제1 세트 개수의 단일 심장 박동들을 획득하는 단계; 및 제1 컨볼루션 신경망에 상기 제1 세트 개수의 단일 심장 박동들의 데이터를 입력하여, 상기 제1 컨볼루션 신경망을 통해 상기 제1 세트 개수의 단일 심장 박동들에서 적어도 하나의 비정상 심장 박동의 위치를 결정하는 단계를 포함한다.
본 출원에 대한 제3 양상에 따라, 심전도 신호를 검출하는 장치는 설정된 시간 길이의 심전도 신호를 분할하여 제1 세트 개수의 단일 심장 박동들을 획득하는 제1 분할 모듈; 상기 제1 세트 개수의 단일 심장 박동들 각각에 대응하는 특징 데이터를 결정하여 제1 세트 개수의 특징 데이터를 획득하는 제1 결정 모듈; 및 상기 설정된 시간 길이의 심전도 신호 및 상기 제1 세트 개수의 특징 데이터에 기초하여 상기 설정된 시간 길이의 심전도 신호에 대한 병리학적 카테고리를 결정하는 제2 결정 모듈을 포함한다.
본 출원에 대한 제4 양상에 따라, 심전도 신호를 검출하는 장치는 제2 컨볼루션 신경망을 통하여 설정된 시간 길이의 심전도 신호에 대한 병리학적 카테고리를 결정하는 제4 결정 모듈; 상기 제4 결정 모듈에 의하여 상기 병리학적 카테고리가 상기 심전도 신호가 비정상이라고 지시되면, 상기 설정된 시간 길이의 심전도 신호를 분할하여 제1 세트 개수의 단일 심장 박동들을 획득하는 제2 분할 모듈; 및 제1 컨볼루션 신경망에 상기 제2 분할 모듈에 의하여 획득된 상기 제1 세트 개수의 단일 심장 박동들의 데이터를 입력하여, 상기 제1 컨볼루션 신경망을 통해 상기 제1 세트 개수의 단일 심장 박동들에서 적어도 하나의 비정상 심장 박동의 위치를 결정하는 제5 결정 모듈을 포함한다.
본 출원에 대한 제5 양상에 따라, 상기 제1 양상 또는 상기 제2 양상에 따른 심전도 신호를 검출하는 방법을 실행하기 위한 기계 장치가 실행가능한 명령들을 기록한 기계 장치로 읽을 수 있는 기록 매체를 제공한다.
본 출원에 대한 제6 양상에 따라, 프로세서; 및 상기 프로세서가 실행가능한 명령들을 저장하는 저장 매체를 포함하는 전자 장치를 제공하되, 상기 프로세서는 상기 제1 양상 또는 상기 제2 양상에 따른 심전도 신호를 검출하는 방법을 수행한다.
전술한 기술적 해결 수단으로부터 알 수 있듯이, 연속적인 시간 순서를 갖는 심전도 신호에서 어느 단일 심장 박동이 분리되지 않고 상기 어느 단일 심장 박동에 대하여 앞과 뒤에 인접한 단일 심장 박동들이 연관되기 때문에, 본 출원에서 제1 세트 개수의 단일 심장 박동들에 대응하는 특징 데이터는 심전도 신호가 나타내는 병리학적 특징들을 잘 나타내는데 사용될 수 있다. 또한, 심전도 신호 및 제1 세트 개수의 특징 데이터를 이용하여 설정된 시간 길이를 갖는 심전도 신호에 대한 병리학적 카테고리 검출이 될 수 있다.
도 1a는 본 발명의 일 실시예에 따른 심전도 신호 검출 방법의 개략적인 흐름도이다.
도 1b는 도 1a에 도시된 실시예에서의 연속적인 심전도 신호에 대한 개략적인 도면이다.
도 1c는 도 1a에 도시된 실시예에서의 단일 심장 박동에 대한 개략적인 도면이다.
도 2a는 본 발명의 다른 실시예에 따른 심전도 신호 검출 방법의 개략적인 흐름도이다.
도 2b는 도 2a에 도시된 실시예에 적용 가능한 심전도 신호를 검출하기위한 구조에 대한 개략도이다.
도 2c는 도 2a에 도시된 실시예에서 제1 컨볼루션 신경망의 구조를 도시한 개략도이다.
도 2d는 도 2a에 도시한 실시예에서 제2 컨볼루션 신경망의 구조를 도시한 개략도이다.
도 3a는 본 발명의 또 다른 실시예에 따른 심전도 신호 검출 방법의 개략적인 흐름도이다.
도 3b는 도 3a에 도시된 실시예에 적용 가능한 심전도 신호를 검출하기 위한 구조의 제1 개략도이다.
도 3c는 도 3a에 도시된 실시예에 적용 가능한 심전도 신호를 검출하기 위한 구조의 제2 개략도이다.
도 4a는 본 발명의 또 다른 실시예에 따른 심전도 신호 검출 방법의 개략적인 흐름도이다.
도 4b는 도 4a에 도시된 실시예에 적용 가능한 심전도 신호 검출을 위한 구조의 개략도이다.
도 5는 본 발명의 일 실시예에 따른 심전도 신호 검출 장치에 대한 개략적인 구조도이다.
도 6은 본 발명의 다른 실시예에 따른 심전도 신호 검출 장치의 개략적인 구조도이다.
도 7은 본 발명의 또 다른 실시예에 따른 심전도 신호 검출 장치의 개략적인 구조도이다.
도 8은 본 출원의 실시예에 따른 전자 장치의 구조를 도시한 개략적인 구조도이다.
이하, 도면에서 설명되는 실시예에 대하여 상세하게 설명한다. 이하 설명에서 서로 다른 도면에서 동일한 번호는 동일 또는 유사한 요소를 나타낸다. 이하 설명하는 실시예들은 본 개시 기술과 관련된 모든 실시예들을 대표하지는 않는다. 오히려, 이하 설명하는 실시예들은 청구범위에서 설명하는 본 개시 기술의 일부 양상에 대응하는 장치 및 방법에 해당한다.
본 출원에서 사용하는 용어는 특정 실시예를 설명하는 것으로 본 출원을 한정할 의도가 아니다. 본 출원 및 청구범위에서 단수 형태로 사용되는 어느 하나("a") 및 상기("the", "said")는 문맥에서 명확하게 다른 정의가 없다면 복수의 형태도 포함하는 것으로 해석되어야 한다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함하는 것으로 해석되어야 한다.
본 출원에서 "제1(first)", "제2(second)" 및 "제3(third)" 등의 용어가 다양한 정보를 기술하기 위하여 사용될 수 있지만, 이러한 정보는 이와 같은 용어로 제한되지는 않는다고 이해되어야 한다. 이러한 용어는 동일한 유형의 정보를 서로 구별하기 위해서만 사용됩니다. 예를 들어, 본 출원의 범위를 벗어나지 않으면서, 제1 정보는 또한 제2 정보로 지칭될 수 있고, 유사하게 제2 정보는 또한 제1 정보로 지칭될 수 있다. 문맥에 따라, 이하 사용되는 "만약(if)"이라는 단어는 특정 시기(when), 특정 조건(upon) 또는 결정에 대한 응답(response to determining)으로 해석될 수 있다.
본 출원에 대한 설명을 위하여 다음과 같은 예들이 제공된다.
도 1a는 본 발명의 일 실시예에 따른 심전도 신호 검출 방법의 개략적인 흐름도이다. 도 1b는 도 1a에 도시된 실시예에서의 연속적인 심전도 신호에 대한 도면이다. 도 1c는 도 1a에 도시된 실시예에서의 단일 심장 박동에 대한 도면이다.
본 출원은 도 1a에 도시된 바와 같이 다음 단계를 포함하여 사용자의 심장 건강 상태를 모니터링하는 웨어러블 장치 및 휴대용 장치에 적용할 수 있다.
단계 101에서 제1 세트 개수의 단일 심장 박동을 획득하기 위하여 일정하게 설정된 시간 길이의 심전도 신호가 분할된다.
일 실시예에서, 상기 시간 길이의 심전도 신호는 하나의 심전도 신호를 식별하는 방법에 의하여 상기 제1 세트 개수의 단일 심장 박동으로 분할될 수 있다. 도 1b 및 도 1c에 도시된 바와 같이, 일정한 시간 길이를 갖는 연속적인 심전도 신호를 분할하여 각각의 단일 심장 박동에 대한 시작 시점, 종료 시점 및 단일 심장 박동의 지속 기간을 알 수 있다. 단일 심장 박동의 지속 시간 t는 사전에 설정된 길이로 정규화될 수 있다. 예를 들어 사전 설정 길이가 L인 경우, 단일 심장 박동은 다음과 같은 수식으로 표현될 수 있다.
Figure pct00001
단일 심장 박동의 지속 기간을 정규화하는 과정에서, 고정된 샘플링 레이트(sampling rate)로 샘플링될 수 있다. P는 각 샘플링 지점(sampling point)에서의 단일 심장 박동의 신호 강도를 나타낸다. 예를 들어 p1은 첫 번째 샘플 지점에서의 단일 심장 박동의 신호 강도를 나타낸다. pL은 L 번째 샘플링 지점에서 단일 심장 박동의 신호 강도를 나타낸다. p1, p2,...,pL은 L 개의 샘플링 지점에서 단일 심장 박동의 신호 강도이다. t는 단일 심장 박동의 지속 시간이다. 예를 들어, 제1 세트의 개수를 N이라고 하면, 연속적인 N개의 심전도 단일 심장 박동은 다음과 같은 수식으로 표현될 수 있다.
Figure pct00002
여기서, Pij는 j번째 샘플링 지점에서 i번째 단일 심장 박동의 신호 강도를 나타낸다. i = 1,2,...,N, j = 1,2,...,L이다. t1, t2,..., tN은 N개의 단일 심장 박동 각각의 지속 시간을 나타낸다.
단계 102에서 상기 제1 세트 개수의 단일 심장 박동들 각각에 대한 특징 데이터를 결정한다. 제1 세트 개수의 특징 데이터는 상기 제1 세트 개수의 단일 심장 박동들 각각에 대한 특징 데이터들을 포함한다.
일 실시예에서, 상기 제1 세트 개수의 단일 심장 박동 각각에 대응하는 특징 데이터는 딥러닝 네트워크로 결정될 수 있다. 특징 데이터는 단일 특징 또는 다수의 특징의 조합 일 수 있다. 하나의 단일 심장 박동 신호는 딥러닝 네트워크에 입력될 수 있다. 딥러닝 네트워크의 컨볼루션 레이어는 상기 단일 심장 박동 신호에 대해 컨볼루션 처리를 수행하여 특징 데이터를 획득하도록 설정된다.
상기 단계 101에 대응하여, 특성 데이터는 예를 들어 T1,T2,...,TN이라고 한다.
즉, 단계 102는 Pi → Ti로 구현될 수 있다. 여기서 i = 1,2,...,N이다.
단계 103에서 설정된 시간 길이의 심전도 신호 및 상기 제1 세트 개수의 특징 데이터에 기초하여 설정 시간 길이의 심전도 신호에 대한 병리학적 카테고리가 결정된다.
일 실시예에서, 설정된 시간 길이의 심전도 신호는 컨볼루션 신경망의 입력 레이어에 입력될 수 있다. 제1 세트 개수의 특징 데이터는 컨볼루션 신경망의 컨볼루션 레이어에 입력된다. 컨볼루션 신경망의 프로세싱을 통해, 컨볼루션 신경망의 출력 레이어에서 심전도 신호의 병리학적 카테고리가 결정된다.
일 실시예에서, 컨볼루션 신경망은 다양한 병리학적 특성들을 갖는 대규모 심전도 신호들로 훈련될 수 있다. 컨볼루션 신경망 훈련을 통하여, 컨볼루션 신경망은 심전도 신호의 병리학적 카테고리를 정확하게 식별할 수 있다.
일 실시예에서, 병리학적 카테고리는 심방 조기 박동(atrial premature beats), 심실 조기 박동(ventricular premature beats), 심방 세동(atrial fibrillation), 심방 조동(atrial flutter), 심실상성 빈맥(supraventricular tachycardia) 등을 포함할 수 있다. 상기 언급된 병리학적 카테고리는 단지 예시적인 설명이고, 본 출원에 대한 제한이 아님을 유의해야 한다.
연속적인 심전도 신호에서 어느 단일 심장 박동은 분리되지 않고, 다만 앞뒤로 인접한 단일 심장 박동은 연관되기 때문에, 본 출원에서 상기 제1 세트 개수의 단일 심장 박동들 각각에 대응하는 특징 데이터는 심전도 신호가 나타내는 병리학적 특징을 잘 나타낸다. 따라서, 설정된 시간 길이를 갖는 심전도 신호의 병리학적 카테고리는 심전도 신호 및 제1 세트 개수의 특징 데이터를 이용하여 검출될 수 있다.
도 2a는 본 발명의 다른 실시예에 따른 심전도 신호 검출 방법의 개략적인 흐름도이다. 도 2b는 도 2a에 도시된 실시예에 적용 가능한 심전도 신호를 검출하기위한 구조에 대한 개략도이다. 도 2c는 도 2a에 도시된 실시예에서 제1 컨볼루션 신경망의 구조를 도시한 개략도이다. 도 2d는 도 2a에 도시한 실시예에서 제2 컨볼루션 신경망의 구조를 도시한 개략도이다. 도 2a에 도시된 바와 같이 다음과 같은 단계를 포함한다.
단계 201에서, 제1 세트 개수의 단일 심장 박동들을 획득하기 위하여 일정하게 설정된 시간 길이를 갖는 심전도 신호가 분할된다.
단계 201의 설명을 위해, 도 1a에 도시된 실시예의 설명이 참조될 수 있으며, 세부 사항은 여기서 다시 설명되지 않는다.
단계 202에서 상기 제1 세트 개수의 단일 심장 박동들의 데이터는 순차적으로 제1 컨볼루션 신경망에 입력되어, 상기 제1 세트 개수의 단일 심장 박동들 각각에 대한 특징 데이터가 추출된다.
단계 203에서 제1 세트 개수의 시간 순서 데이터(time sequence data)를 획득하기 위하여 설정된 시간 길이의 심전도 신호에서 각각의 단일 심장 박동에 대응하는 시간 순서 데이터를 결정한다.
단계 204에서 심전도 신호의 병리학적 카테고리를 결정하기 위하여 상기 제1 세트 개수의 시간 순서 데이터 및 상기 제1 세트 개수의 특징 데이터를 제2 컨볼루션 신경망의 입력 레이어에 입력한다.
단계 205에서 상기 제1 세트 개수의 단일 심장 박동들 각각은 상기 제1 컨볼루션 신경망을 통해 판정되어 각 판정 결과를 획득한다.
단계 206에서 상기 판정 결과에 따라 상기 제1 세트 개수의 단일 심장 박동에서 적어도 하나의 비정상 심장 박동의 위치를 결정한다.
상기 단계 205 및 단계 206은 반드시 단계 204 이후에 수행될 필요는 없고, 단계 202 후에 수행될 수 있다. 따라서, 상기 제1 세트 개수의 단일 심장 박동들에서의 적어도 하나의 비정상 심장 박동의 위치는 상기 제1 컨볼루션 신경망에 의해 식별될 수 있다.
이하, 도 2b 내지 도 2d를 참조하여 실시예를 설명한다.
상기 단계 202에서, 도 2b에 도시된 바와 같이 연속 단일 심장 박동들뿐만 아니라, 25개의 단일 심장 박동 각각의 시작 시점, 종료 시점 및 지속 시간이 획득된다. 상기 제201 단계를 통해 각 단일 심장 박동의 길이에 대한 정규화가 수행된다. 예를 들어, 정규화된 길이가 196인 경우 길이가 196인 25개의 단일 심장 박동들의 데이터가 순차적으로 상기 제1 컨볼루션 신경망에 입력될 수 있다. 각 단일 심장 박동에 대응하는 특징 데이터는 상기 제1 컨볼루션 신경망에서 사전에 설정된 컨볼루션 레이어에서 출력될 수 있다. 예를 들어, 각 단일 심장 박동에 대응하는 5 * 2 특징 데이터가 있다면, 상기 25개의 단일 심장 박동들은 5 * 2 * 25 특징 데이터에 대응할 수 있다.
도 2b에 도시된 바와 같이, 상기 제1 컨볼루션 신경망을 통해 각각의 단일 심장 박동의 특징 데이터를 획득한 후 각각의 단일 심장 박동에 대응하는 특징 데이터는 버퍼링(buffering)될 수 있다.
상기 단계들 203 및 204에서의 일 실시예에서, 설정된 시간 길이의 상기 심전도 신호에서 각 단일 심장 박동에 대한 단일 심장 박동의 R 파(R wave)에 대응하는 시점이 결정될 수 있고, 상기 단일 심장 박동의 앞과 뒤에서 각각 상기 단일 심장 박동의 R 파에 인접한 제2 세트 개수의 단일 심장 박동들의 각 R 파에 대응하는 시점들이 결정될 수 있고, 상기 단일 심장 박동의 R 파에 대응하는 상기 시점 및 상기 단일 심장 박동의 앞과 뒤에서 상기 단일 심장 박동의 R 파에 인접한 상기 제2 세트 개수의 단일 심장 박동들의 각 R 파에 대응하는 시점들에 기초하여 상기 단일 심장 박동에 대응하는 시간 순서 데이터가 결정될 수 있다. 예를 들어 상기 제2 세트 개수가 2인 경우, 현재 단일 심장 박동의 R 파와 상기 단일 심장 박동을 기준하여 앞과 뒤에서 각각 2개의 단일 심장 박동들( 즉 전체 4개의 단일 심장 박동들)의 R 파들 사이의 거리들은 각각 x1, x2, x3 및 x4이다.
각 단일 심장 박동의 리듬 정보(rhythm information) X는 다음 수식과 같이 5차원 벡터로 표현된다.
Figure pct00003
나아가, N개의 단일 심장 박동들은 다음 수식과 같이 표현될 수 있다.
Figure pct00004
여기서, N은 제1 세트의 개수로서, 단일 심장 박동들의 개수를 나타낸다.
예를 들어, 하나의 단일 심장 박동이 m1 * n1 특징 데이터 및 m2 * n2 시계열 데이터에 대응하는 경우, 상기 제2 컨볼루션 신경망에 입력되는 데이터의 양은 m1 * n1 + m2 * n2로 표현될 수 있다. 도 2b에 도시된 바와 같이, 제2 컨볼루션 신경망에 입력되는 단일 심장 박동들은 5 * 2 * 25 특징 데이터에 대응한다. 그리고, 제2 컨볼루션 신경망에 입력되는 단일 심장 박동들은 5 * 1 * 25 시간 순서 데이터에 대응한다. 이때, 제2 컨볼루션 신경망에 입력되는 데이터의 양은 5 * 3 * 25로 표현될 수 있다.
상기 단계 204에서, 제2 컨볼루션 신경망이 다양한 병리학적 특성을 갖는 대량의 심전도 신호들로 훈련된 후, 상기 제2 컨볼루션 신경망은 입력 레이어의 데이터를 통해 심전도 신호에 대한 병리학적 카테고리를 정확하게 식별할 수 있다.
상기 단계들 205 및 206에서, 제1 컨볼루션 신경망은 정상 단일 심장 박동 및 비정상 단일 심장 박동에 대한 대량의 심전도 신호를 통해 훈련될 수 있다. 훈련 후에 제1 컨볼루션 신경망은 단일 심장 박동이 비정상인지 여부를 정확하게 식별할 수 있다.
예를 들어, 25개의 단일 심장 박동들이 제1 컨볼루션 신경망에 순차적으로 입력되면, 상기 제1 컨볼루션 신경망은 상기 단일 심장 박동들이 정상인지 또는 비정상인지 정확하게 식별할 수 있다.
예를 들어, 만약 1은 단일 심장 박동이 정상임을 나타내고 0은 단일 심장 박동이 비정상임을 나타낸다면, 상기 25개의 단일 심장 박동들은 0과 1의 시퀀스 조합에 해당하며, 시퀀스 조합에서 0과 1의 전체 개수는 25개이다. 이런 시퀀스 조합을 통해 상기 25개의 단일 심장 박동들에서 비정상 심장 박동 위치를 식별할 수 있다.
도 2c에 도시된 바와 같이, 제1 컨볼루션 신경망은 4개의 컨볼루션 레이어들을 포함한다. 각 컨볼루션 레이어는 컨볼루션(convolution), 활성화(activation) 및 풀링(pooling)과 같은 프로세스에 참여한다. 각 컨볼루션 레이어는 입력 및 출력 데이터와 컨볼루션 커널의 크기를 제외하고, 각 프로세스의 연산 순서가 동일하다. 즉,
단일 심장 박동들의 데이터가 제1 컨볼루션 신경망에 입력된 후 상기 제1 컨볼루션 레이어에 의하여 처음으로 컨볼루션, 활성화 및 풀링되어 특징 데이터를 출력하게 된다. 제1 컨볼루션 레이어에서 제3 컨볼루션 레이어까지, 각 레이어는 두 개의 연속적인 레벨의 컨볼루션, 활성화 및 풀링을 수행한다. 제4 컨볼루션 레이어는 하나의 레벨의 컨볼루션, 활성화 및 풀링을 수행한다. 활성화 연산은 sigmoid, tanH 및 reLu와 같은 기능을 이용한다. 제1 컨볼루션 신경망에서 컨볼루션 연산은 심전도 신호의 특징 데이터를 추출하고, 활성화 연산은 비선형성(nonlinearity, 특징 데이터의 활성도)을 증가시키고, 풀링 연산은 특징 데이터의 차원을 축소한다.
도 2d에 도시된 바와 같이, 제2 컨볼루션 신경망은 3개의 컨볼루션 레이어들을 포함한다. 각 컨볼루션 레이어는 입력 및 출력 데이터 및 컨볼루션 커널의 크기를 제외하고, 각 프로세스의 연산 순서가 동일하다. 즉,
상기 제2 컨볼루션 신경망에 입력된 후 심전도 신호의 시간 순서 데이터를 포함하는 입력 데이터는 컨볼루션 레이어에 의하여 컨볼루션되고 활성화된다. 이를 통해 특징 데이터를 획득하게 된다. 제1 컨볼루션 레이어에서 제3 컨볼루션 레이어까지, 각 레이어는 하나의 레벨의 컨볼루션 및 활성화를 수행하고, 풀링을 수행하지 않는다.
이 실시예에서, 상기 제2 컨볼루션 신경망은 연속 심전도 신호에 대한 병리학적 진단을 수행하는 동안, 상기 제1 컨볼루션 신경망은 적어도 하나의 비정상적인 심장 박동 위치를 정확하게 결정할 수 있다.
상기 제1 컨볼루션 신경망이 출력하는 특징 데이터는 원본(original) 단일 심장 박동들에 대한 근사치로 볼 수 있고, 원본 심전도 신호에 상기 제1 컨볼루션 신경망이 출력하는 특징 데이터를 누적하여 심전도 신호의 식별 가능성을 크게 향상시킨다.
도 3a는 본 발명의 또 다른 실시예에 따른 심전도 신호 검출 방법의 개략적인 흐름도이다. 도 3b는 도 3a에 도시된 실시예에 적용 가능한 심전도 신호를 검출하기 위한 구조의 제1 개략도이다. 도 3c는 도 3a에 도시된 실시예에 적용 가능한 심전도 신호를 검출하기 위한 구조의 제2 개략도이다. 도 3a에 도시된 바와 같이 다음 단계를 포함한다.
단계 301에서 설정된 시간 길이의 심전도 신호를 분할하여 제1 세트 개수의 단일 심장 박동을 획득한다.
단계 301의 설명을 위해, 도 1a에 도시된 실시예에 대한 설명이 참조될 수 있고, 이하 상세하게 다시 설명하지는 않는다.
단계 302에서 제1 세트 개수의 단일 심장 박동들의 데이터가 제1 컨볼루션 신경망에 입력되어, 상기 제1 세트 개수의 단일 심장 박동들 각각에 대응하는 특징 데이터를 추출한다.
단계 302의 설명을 위해, 도 2a에 도시된 실시예에 대한 설명이 참조될 수 있고, 이하 상세하게 다시 설명하지는 않는다.
단계 303에서 상기 제1 세트 개수의 특징 데이터가 제2 컨볼루션 신경망의 설정된 컨볼루션 레이어에 입력된다. 설정된 시간 길이의 심전도 신호가 제2 컨볼루션 신경망의 입력 레이어에 입력되고, 제2 컨볼루션 신경망을 통하여 심전도 신호에 대한 병리학적 카테고리가 결정된다.
단계 303의 설명을 위해, 도 2a에 도시된 실시예에 대한 설명이 참조될 수 있고, 이하 상세하게 다시 설명하지는 않는다.
이하, 도 3b 및 도 3c를 참조하여 단계 303을 설명한다. 도 3b에 도시된 바와 같이, 분할에 의해 획득된 상기 제1 세트 개수의 단일 심장 박동들에 대한 데이터는 순차적으로 상기 제1 컨볼루션 신경망에 입력될 수 있고, 분할되지 않은 원본 심전도 신호는 제2 컨볼루션 신경망에 입력된다.
예를 들어, 연속적인 원본 심전도 신호가 20개의 단일 심장 박동들로 분할된다면, 20개의 단일 심장 박동들의 데이터는 순차적으로 제1 컨볼루션 신경망에 입력된다. 상기 20개의 단일 심장 박동들의 데이터가 제1 컨볼루션 신경망에 입력되어 대응하는 프로세싱을 수행된 후, 상기 제1 컨볼루션 신경망의 설정된 컨볼루션 레이어로부터 출력된 특징 데이터가 버퍼링될 수 있다. 예를 들어, 상기 제1 컨볼루션 신경망의 제2 컨볼루션 레이어가 출력하는 20개 세트의 특징 데이터가 버퍼링될 수 있다. 각 단일 심장 박동 단위로 상기 제2 컨볼루션 레이어로부터 출력되는 특징 데이터의 양이 21 * 32이라면, 상기 20개의 단일 심장 박동들의 특징 데이터의 양은 21 * 32 * 20 = 420 * 32로 표현될 수 있다.
연속적인 원본 심전도 신호는 제2 컨볼루션 신경망의 입력 레이어에 입력된다.
일실시예에서, 상기 제1 컨볼루션 신경망의 설정된 컨볼루션 레이어로부터 획득된 특징 데이터는 상기 제2 컨볼루션 신경망의 설정된 컨볼루션 레이어로부터 획득된 특징 데이터에 주입될 수 있다.
도 3c에 도시된 바와 같이, 상기 제1 컨볼루션 신경망의 제2 컨볼루션 레이어로부터 획득된 특징 데이터는
상기 제2 컨볼루션 신경망의 제2 컨볼루션 레이어로부터 획득된 특징 데이터에 주입된다. 그리고, 2개 세트의 특징 데이터 결합되어 상기 제2 컨볼루션 신경망의 제3 컨볼루션 레이어에 입력된다. 예를 들어, 상기 제2 컨볼루션 신경망의 제2 컨볼루션 레이어로부터 획득된 특징 데이터의 양이 531 * 32이라면, 상기 제3 컨볼루션 레이어에 입력되는 특징 데이터의 양은 420 * 32 + 531 * 32 =（531-111） * 32 + 531 * 32 = 531 * 64 - 111 * 32로 표현된다.
제3 컨볼루션 레이어가 처리할 수 있는 특징 데이터의 양을 531 * 64라고 한다면, 상기 제3 컨볼루션 레이어에 대해서는 111 * 32의 특징 데이터가 손실되게 된다. 손실된 부분에 대해서는 상기 제3 컨볼루션 레이어에서의 특징 데이터에 대한 제로 패딩(zero padding)을 통해 상기 제3 컨볼루션 레이어에 실제 입력되는 특징 데이터의 일관성을 확보할 수 있다.
도 3c는 단지 예시이며, 다른 차원의 특징 데이터가 제1 컨볼루션 신경망의 설정된 컨볼루션 레이어로부터 출력될 수 있고, 제2 컨볼루션 신경망의 컨볼루션 레이어 세트에 주입될 수도 있다. 따라서, 제1 컨볼루션 신경망의 특징 데이터에 대한 제2 컨볼루션 신경망의 의존도(dependence)는 유연하게 조정될 수 있다. 상기 설정된 컨볼루션 레이어는 하나의 컨볼루션 레이어 또는 복수의 컨볼루션 레이어일 수 있다.
예를 들어, 상기 제1 컨볼루션 신경망의 제2 컨볼루션 레이어로부터 출력되는 특징 데이터는 상기 제2 컨볼루션 신경망의 제2 컨볼루션 레이어에 주입될 수 있고, 동시에 상기 제1 컨볼루션 신경망의 제3 컨볼루션 레이어로부터 출력되는 특징 데이터는 상기 제2 컨볼루션 신경망의 제3 컨볼루션 레이어에 주입될 수 있다.
이 실시예에서, 상기 제1 컨볼루션 신경망의 설정된 컨볼루션 레이어로부터 출력되는 특징 데이터를 상기 제2 컨볼루션 신경망의 설정된 컨볼루션 레이어에 입력함으로써, 상기 제2 컨볼루션 신경망으로부터의 식별 결과가 상기 제1 신경망의 특징 데이터에 의존적일 수 있고, 이는 결과적으로 심전도 신호의 식별 성능을 향상시킨다.
도 4a는 본 발명의 또 다른 실시예에 따른 심전도 신호 검출 방법의 개략적인 흐름도이다. 도 4b는 도 4a에 도시된 실시예에 적용 가능한 심전도 신호 검출을 위한 구조의 개략도이다. 도 4a에 도시된 바와 같이 다음 단계를 포함한다.
단계 401에서 설정된 시간 길이의 심전도 신호를 제2 컨볼루션 신경망에 입력하고, 제2 컨볼루션 신경망을 통해 심전도 신호의 병리학적 카테고리를 결정한다.
단계 402에서의 병리학적 카테고리가 심전도 신호가 비정상임을 나타내면, 설정된 시간 길이의 심전도 신호를 분할하여 제1 세트 개수의 단일 심장 박동들을 획득한다.
단계 403에서 상기 제1 세트 개수의 단일 심장 박동들의 획득된 데이터를 제 1 컨볼루션 신경망에 입력하고, 상기 제1 컨볼루션 신경망을 통해 제1 세트 개수의 단일 심장 박동들 중 적어도 하나의 비정상 심장 박동의 위치를 결정한다.
선택적으로, 상기 단계 403에서 상기 제1 세트 개수의 단일 심장 박동들의 데이터를 상기 제1 컨볼루션 신경망의 입력 레이어에 입력할 수 있다. 상기 제1 컨볼루션 신경망을 통하여 제1 세트 개수의 단일 심장 박동들 각각에 대한 판정을 하여 개별 판정 결과를 획득할 수 있다. 그리고, 상기 판정 결과에 따라 상기 제1 세트 개수의 단일 심장 박동들 중에서 적어도 하나의 비정상 심장 박동의 위치를 결정할 수 있다.
도 4b에 도시된 바와 같이, 설정된 시간 (예를 들어, 30 초) 동안 연속적인 심전도 신호의 데이터 세그먼트가 상기 제2 컨볼루션 신경망에 직접 입력된다. 이를 통해, 연속적인 심전도 신호의 데이터에 대한 병리학적 카테고리가 식별될 수 있다.
병리학적 카테고리가 상기 심전도 신호가 비정상임을 나타내면, 상기 심전도 신호는 예를 들어 25개의 단일 심장 박동들의 데이터를 얻기 위해 분할될 수 있다.
상기 25개의 단일 심장 박동들의 데이터는 상기 제1 컨볼루션 신경망에 순차적으로 입력되어 각 판정 결과가 얻어진다. 판정 결과들은 0과 1의 시퀀스일 수 있다. 예를 들어, 0은 비정상을 의미하고 1은 정상을 의미할 수 있다. 상기 25개의 단일 심장 박동들은 25 비트 길이의 0과 1의 조합에 대응할 수 있다. 0의 위치를 식별하여 25개의 단일 박동들 중 적어도 하나의 비정상 단일 심장 박동의 위치를 결정할 수 있다.
이 실시예에서, 상기 제2 컨볼루션 신경망에 의해 식별된 병리학적 카테고리가 심전도 신호가 비정상임을 나타내면, 상기 심전도 신호의 단일 심장 박동들은 하나씩 제1 컨볼루션 신경망을 통해 식별되어 상기 적어도 하나의 비정상 심장 박동의 위치를 식별하게 된다.
도 2b, 도 3a, 도 3b, 및 도 4b에 도시된 구조도에 따르면, 본 출원에서의 제 1 컨볼루션 신경망은 단일 심장 박동을 식별하는 네트워크에 해당하고, 제2 컨볼루션 신경망은 심전도 신호를 검출하는 네트워크에 해당한다.
본 출원에서 상기 제1 컨볼루션 신경망 및 제2 컨볼루션 신경망의 구조 디자인은 다음과 같은 기술적 효과를 가질 수 있다.
1) 상기 제1 컨볼루션 신경망은 전체 네트워크 구조를 훈련해야 하는 어려움을 줄이기 위하여 별도로 훈련될 수 있다.
2) 상기 제1 컨볼루션 신경망의 훈련 샘플로 충분한 단일 심장 박동 데이터를 쉽게 얻을 수 있다. 따라서, 상기 제1 컨볼루션 신경망을 충분하게 훈련시킬 수 있으며 단일 심장 박동 인식의 안정성과 신뢰성을 보장할 수 있다.
3) 제 1 컨볼루션 신경망으로부터 획득된 특징 데이터에 기초하여 제 2 컨볼루션 신경망의 훈련이 향상될 수 있다. 따라서, 긴 연속적인 심장 박동의 심전도에 대한 불충분한 데이터의 문제가 해결될 수 있다.
4) 심전도 신호의 수가 적기 때문에, 본 출원의 구조 디자인은 임베디드 개발 애플리케이션에 적용될 수 있다.
도 5는 본 발명의 일 실시예에 따른 심전도 신호 검출 장치에 대한 개략적인 구조도이다. 도 5에 도시된 바와 같이, 심전도 신호 검출 장치는 제 1 분할 모듈(51), 제 1 결정 모듈(52) 및 제 2 결정 모듈(53)을 포함할 수 있다.
상기 제 1 분할 모듈(51)은 제1 세트 개수의 단일 심장 박동들을 획득하기 위하여, 일정한 시간 길이의 심전도 신호를 분할한다.
상기 제 1 결정 모듈(52)은 상기 제 1 분할 모듈(51)에 의해 획득된 제 1 세트 개수의 단일 심장 박동들 각각에 대응하는 특징 데이터를 결정하여, 제1 세트 개수의 특징 데이터를 획득한다.
상기 제 2 결정 모듈(53)은 설정된 시간 길이의 심전도 신호 및 상기 제 1 결정 모듈(52)에 의해 결정된 상기 제 1 세트 개수의 특징 데이터에 기초하여 상기 설정된 시간 길이의 심전도 신호에 대한 병리학적 카테고리를 결정한다.
도 6은 본 발명의 다른 실시예에 따른 심전도 신호 검출 장치의 개략적인 구조도이다. 도 5에 도시된 실시예에 기초하면, 도 6에 도시된 바와 같이 제1 결정 모듈(52)은 다음과 같은 구성을 포함한다.
제1 입력 유닛(521)은 제 1 세트 개수의 단일 심장 박동들의 데이터를 순차적으로 제 1 컨볼루션 신경망에 입력되게 한다.
추출 유닛(522)은 제 1 컨벌루션 신경망을 통해 제 1 세트 개수의 단일 심장 박동들 각각에 대응하는 특징 데이터를 추출한다.
일 실시예에서, 심전도 신호 검출 장치는 다음과 같은 구성을 더 포함할 수 있다.
판정 모듈(54)은 제 1 컨볼루션 신경망을 통해 제 1 분할 모듈(51)에 의해 획득된 제 1 세트 개수의 단일 심장 박동들 각각을 판정하여 판정 결과를 획득하게 한다.
제3 결정 모듈(55)은 판정 모듈(54)에 의해 획득된 판정 결과에 따라 제 1 세트 개수의 단일 심장 박동들 중 비정상적인 심장 박동 위치를 결정하도록 구성된다.
일 실시예에서, 제 2 결정 모듈(53)은 다음과 같은 구성을 포함할 수 있다.
제 1 결정 유닛(531)은 제 1 세트 개수호의 시간 순서 데이터를 획득하기 위해 제 1 세트 개수의 단일 심장 박동들 각각에 대응하는 시간 순서 데이터를 결정하게 한다.
제 2 입력 유닛(532)은 제 1 결정 유닛 (531)에 의해 획득된 제 1 세트 개수의 시계열 데이터 및 제 1 세트 개수의 특징 데이터를 제 2 컨볼루션 신경망의 입력 계층에 입력하게 한다.
제 2 결정 유닛(533)은 제 2 컨볼루션 신경망을 통해 심전도 신호의 병리학적 카테고리를 결정하게 한다.
상기 제 1 결정 유닛(531)은 구체적으로 다음과 같이 구성될 수 있다.
설정된 시간 길이의 심전도 신호에서 각각의 단일 심장 박동에 대해, 하나의 단일 심장 박동의 R 파에 대응하는 시점을 결정할 수 있다;
각각 단일 심장 박동들의 앞과 뒤에서 단일 심장 박동들의 R 파에 인접한 제2 세트 개수의 단일 심장 박동들의 R 파에 각각 대응하는 시점들을 결정할 수 있다; 그리고,
단일 심장 박동의 R 파에 대응하는 시점 및 각각 상기 단일 심장 박동의 앞과 뒤에 인접한 상기 제2 세트 개수의 단일 심장 박동의 각 R 파에 대응하는 시점들에 기초하여, 단일 심장 박동에 대한 시간 순서 데이터를 결정할 수 있다.
일 실시예에서, 제 2 결정 모듈(53)은 다음과 같은 구성을 포함한다.
제 3 입력 유닛(534)은 상기 제 2 컨볼루션 신경망의 설정된 컨볼루션 레이어에 상기 제 1 세트 개수의 특징 데이터를 입력한다.
제 4 입력 유닛(535)은 설정된 시간 길이의 심전도 신호를 상기 제 2 컨볼루션 신경망의 입력 계층에 입력한다.
제 3 결정 유닛(536)은 심전도 신호의 병리학적 카테고리를 결정하기 위하여 제 2 컨볼루션 신경망을 통해 제 3 입력 유닛(534)에 의해 입력된 상기 제 1 세트 개수의 특징 데이터 및 제 4 입력 유닛(535)에 의해 입력된 심전도 신호를 식별한다.
도 7은 본 발명의 또 다른 실시예에 따른 심전도 신호 검출 장치의 개략적인 구조도이다. 도 7에 도시된 바와 같이, 심전도 신호 검출 장치는 제 4 결정 모듈(71), 제 2 분할 모듈(72) 및 제 5 결정 모듈(73)을 포함할 수 있다.
상기 제 4 결정 모듈(71)은 제 2 컨볼루션 신경망을 통해 설정된 시간 길이의 심전도 신호에 대한 병리학적 카테고리를 결정한다.
제 2 분할 모듈(72)은 제 4 결정 모듈(71)에 의해 결정된 병리학적 카테고리가 심전도 신호가 비정상임을 나타내는 경우, 제 1 세트 개수의 단일 심장 박동들을 획득하기 위하여 상기 심전도 신호를 분할한다.
제 5 결정 모듈(73)은 제 1 컨볼루션 신경망을 통해 제 1 세트 개수의 심장 박동들에서 적어도 하나의 비정상 심장 박동의 위치를 결정하기 위하여 제 2 분할 모듈(72)에 의해 획득된 제 1 세트 개수의 단일 심장 박동들의 데이터를 제 1 컨볼루션 신경망에 입력한다.
일 실시예에서, 제 5 결정 모듈(73)은 다음과 같은 구성을 포함할 수 있다.
제 5 입력 유닛(731)은 제 1 컨볼루션 신경망의 입력 레이어에 제 1 세트 개수의 단일 심장 박동들의 데이터를 입력한다.
판정 유닛(732)은 제 5 입력 유닛(731)을 통해 제 1 컨볼루션 신경망에 입력된 제 1 세트 개수의 단일 심장 박동들 각각을 판정하여 각각의 판정 결과를 획득한다.
제 4 결정 유닛(733)은 판정 유닛(762)에 의해 획득된 판단 결과에 따라 제 1 세트 개수의 단일 심장 박동들에서 적어도 하나의 비정상 심장 박동의 위치를 결정한다.
본 출원에 따라 메모리 검출 장치의 실시예는 전자 기기에 적용될 수 있다. 상기 장치의 실시예는 소프트웨어, 또는 하드웨어 또는 소프트웨어와 하드웨어의 조합으로 구현될 수 있다. 논리적 장치로서 소프트웨어 구현을 예로 들면, 비휘발성 저장 매체에 있는 해당 기계에서 실행 가능한 명령을 판독 가능한 전자 장치의 프로세서를 통해 구현된다. 하드웨어 측면에서는 본 출원에 따른 심전도 신호 검출 장치에서 전자 장치의 하드웨어 구조를 도시한 도 8에 도시된 바와 같이, 프로세서(801), 메모리(802), 네트워크 인터페이스(803) 및 비휘발성 저장 매체(804)를 포함한다. 나아가, 상기 전자 장치는 전자 장치의 실제 기능을 위한 다른 하드웨어(이하 자세하게 설명하지 않음)를 더 포함할 수 있다.
본 명세서를 고려하고 개시된 내용을 실시한 후 본 출원의 다른 실시예들은 통상의 지식을 가진자에게 명백할 것이다. 본 출원은 본 출원의 일반적인 원리 및 본 출원에 개시하지 않은 해당 분야의 상식 또는 일반적인 기술 수단을 통해 구현 가능한 본 출원의 임의의 변형, 사용 또는 개조를 포괄하는 것으로 이해되어야 한다. 본 명세서 및 실시예는 단지 예시적인 것으로 간주 된다. 본 출원의 진정한 범위 및 사상은 청구 범위에 의해 지시된다.
"포함하는" 또는 동일한 의미의 변형된 용어는 비배타적인 포함을 의도하며, 따라서 다양한 구성 요소를 포함하는 프로세스, 방법, 제품 또는 장치는 이러한 구성 요소뿐만 아니라 명시적으로 나열하지 않은 다른 요소들 또는 그러한 프로세스, 방법, 제품 또는 장치에 내재하는 요소들을 포함한다. 추가적인 한정이 없는 경우, "~을 포함하는"이라는 문장에 의해 정의된 요소는 상기 요소를 포함하는 프로세스, 방법, 제품 또는 장비에서 다른 동일한 요소들을 포함하는 것을 배제하지 않는다.
상기 내용은 본 출원의 바람직한 실시예일 뿐이며, 본 출원을 제한하려는 것이 아니다. 본 출원의 사상 및 원리 내에서 이루어진 임의의 수정, 동등한 대체 또는 개선도 본 출원의 보호 범위에 포함되어야한다.

Claims (17)

  1. 설정된 시간 길이의 심전도 신호를 분할하여 제1 세트 개수의 단일 심장 박동들을 획득하는 단계;
    상기 제1 세트 개수의 단일 심장 박동들 각각에 대응하는 특징 데이터를 결정하여 제1 세트 개수의 특징 데이터를 획득하는 단계; 및
    상기 설정된 시간 길이의 심전도 신호 및 상기 제1 세트 개수의 특징 데이터에 기초하여 상기 설정된 시간 길이의 심전도 신호에 대한 병리학적 카테고리를 결정하는 단계를 포함하는 심전도 신호를 검출하는 방법.
  2. 제1항에 있어서,
    상기 제1 세트 개수의 단일 심장 박동들 각각에 대응하는 특징 데이터를 결정하는 단계는
    제1 컨볼루션 신경망에 상기 제1 세트 개수의 단일 심장 박동들의 데이터를 순차적으로 입력하는 단계; 및
    상기 제1 컨볼루션 신경망을 통하여 상기 제1 세트 개수의 단일 심장 박동들 각각에 대응하는 특징 데이터를 추출하는 단계를 포함하는 심전도 신호를 검출하는 방법.
  3. 제2항에 있어서,
    상기 제1 컨볼루션 신경망을 통하여 상기 제1 세트 개수의 단일 심장 박동들 각각에 대한 판정을 하여 각 판정 결과들을 획득하는 단계; 및
    상기 판정 결과들에 따라 상기 제1 세트 개수의 단일 심장 박동들에서 적어도 하나의 비정상 심장 박동의 위치를 결정하는 단계를 더 포함하는 심전도 신호를 검출하는 방법.
  4. 제1항 내지 제3항 중 어느 하나의 항에 있어서,
    상기 설정된 시간 길이의 심전도 신호 및 상기 제1 세트 개수의 특징 데이터에 기초하여 상기 설정된 시간 길이의 심전도 신호에 대한 병리학적 카테고리를 결정하는 단계는
    상기 제1 세트 개수의 단일 심장 박동들 각각에 대응하는 시간 순서 데이터를 결정하여 제1 세트 개수의 시간 순서 데이터를 획득하는 단계; 및
    상기 제1 세트 개수의 시간 순서 데이터 및 제1 세트 개수의 특징 데이터를 제2 컨볼루션 신경망의 입력 레이어에 입력하여 상기 제2 컨볼루션 신경망을 통하여 상기 심전도 신호에 대한 상기 병리학적 카테고리를 결정하는 단계를 포함하는 심전도 신호를 검출하는 방법.
  5. 제4항에 있어서,
    상기 제1 세트 개수의 단일 심장 박동들 각각에 대응하는 시간 순서 데이터를 결정하는 단계는
    상기 단일 심장 박동의 R 파에 대응하는 시점을 결정하는 단계;
    상기 단일 심장 박동의 앞과 뒤에 각각 위치한 단일 심장 박동들의 R 파에 인접한 제2 세트 개수의 단일 심장 박동들의 R 파에 대응하는 시점들을 결정하는 단계; 및
    상기 단일 심장 박동의 R 파에 대응하는 상기 시점 및 상기 단일 심장 박동의 앞과 뒤에 각각 위치한 단일 심장 박동들의 R 파에 인접한 상기 제2 세트 개수의 단일 심장 박동들의 R 파에 대응하는 상기 시점들을 기초하여 상기 단일 심장 박동에 대응하는 시간 순서 데이터를 결정하는 단계를 포함하는 심전도 신호를 검출하는 방법.
  6. 제1항에 있어서,
    상기 설정된 시간 길이의 심전도 신호 및 상기 제1 세트 개수의 특징 데이터에 기초하여 상기 설정된 시간 길이의 심전도 신호에 대한 병리학적 카테고리를 결정하는 단계는
    제2 컨볼루션 신경망의 설정된 컨볼루션 레이어에 상기 제1 세트 개수의 특징 데이터를 입력하는 단계;
    상기 제2 컨볼루션 신경망의 입력 레이어에 상기 설정된 시간 길이의 심전도 신호를 입력하는 단계; 및
    상기 제2 컨볼루션 신경망을 통하여 상기 심전도 신호에 대한 상기 병리학적 카테고리를 결정하는 단계를 포함하는 심전도 신호를 검출하는 방법.
  7. 제2 컨볼루션 신경망을 통하여 설정된 시간 길이의 심전도 신호에 대한 병리학적 카테고리를 결정하는 단계;
    상기 병리학적 카테고리가 상기 심전도 신호가 비정상이라고 지시하면, 상기 설정된 시간 길이의 심전도 신호를 분할하여 제1 세트 개수의 단일 심장 박동들을 획득하는 단계; 및
    제1 컨볼루션 신경망에 상기 제1 세트 개수의 단일 심장 박동들의 데이터를 입력하여, 상기 제1 컨볼루션 신경망을 통해 상기 제1 세트 개수의 단일 심장 박동들에서 적어도 하나의 비정상 심장 박동의 위치를 결정하는 단계를 포함하는 심전도 신호를 검출하는 방법.
  8. 제7항에 있어서,
    상기 제1 컨볼루션 신경망을 통해 상기 제1 세트 개수의 단일 심장 박동들에서 적어도 하나의 비정상 심장 박동의 위치를 결정하는 단계는
    상기 제1 컨볼루션 신경망의 입력 레이어에 상기 제1 세트 개수의 단일 심장 박동들의 데이터를 입력하여, 상기 제1 세트 개수의 단일 심장 박동들 각각에 대한 판정을 하고, 각 판정 결과들을 획득하는 단계; 및
    상기 판정 결과들에 따라 상기 제1 세트 개수의 단일 심장 박동들에서 상기 적어도 하나의 비정상 심장 박동의 위치를 결정하는 단계를 포함하는 심전도 신호를 검출하는 방법.
  9. 설정된 시간 길이의 심전도 신호를 분할하여 제1 세트 개수의 단일 심장 박동들을 획득하는 제1 분할 모듈;
    상기 제1 세트 개수의 단일 심장 박동들 각각에 대응하는 특징 데이터를 결정하여 제1 세트 개수의 특징 데이터를 획득하는 제1 결정 모듈; 및
    상기 설정된 시간 길이의 심전도 신호 및 상기 제1 세트 개수의 특징 데이터에 기초하여 상기 설정된 시간 길이의 심전도 신호에 대한 병리학적 카테고리를 결정하는 제2 결정 모듈을 포함하는 심전도 신호를 검출하는 장치.
  10. 제9항에 있어서,
    상기 제1 결정 모듈은
    제1 컨볼루션 신경망에 상기 제1 세트 개수의 단일 심장 박동들의 데이터를 순차적으로 입력하는 제1 입력 유닛; 및
    상기 제1 컨볼루션 신경망을 통하여 상기 제1 세트 개수의 단일 심장 박동들 각각에 대응하는 특징 데이터를 추출하는 추출 유닛을 포함하는 심전도 신호를 검출하는 장치.
  11. 제10항에 있어서,
    상기 제1 컨볼루션 신경망을 통하여 상기 제1 세트 개수의 단일 심장 박동들 각각에 대한 판정을 하여 각 판정 결과들을 획득하는 판정 모듈; 및
    상기 판정 결과들에 따라 상기 제1 세트 개수의 단일 심장 박동들에서 적어도 하나의 비정상 심장 박동의 위치를 결정하는 제3 결정 모듈을 포함하는 심전도 신호를 검출하는 장치.
  12. 제9항 내지 제10항 중 어느 하나의 항에 있어서,
    상기 제2 결정 모듈은
    상기 제1 세트 개수의 단일 심장 박동들 각각에 대응하는 시간 순서 데이터를 결정하여 제1 세트 개수의 시간 순서 데이터를 획득하는 제1 결정 유닛;
    상기 제1 결정 유닛이 획득한 상기 제1 세트 개수의 시간 순서 데이터 및 상기 제1 세트 개수의 특징 데이터를 제2 컨볼루션 신경망의 입력 레이어에 입력하는 제2 입력 유닛; 및
    상기 제2 컨볼루션 신경망을 통하여 상기 심전도 신호에 대한 상기 병리학적 카테고리를 결정하는 제2 결정 유닛을 포함하는 심전도 신호를 검출하는 장치.
  13. 제9항에 있어서,
    상기 제2 결정 모듈은
    제2 컨볼루션 신경망의 설정된 컨볼루션 레이어에 상기 제1 세트 개수의 특징 데이터를 입력하는 제3 입력 유닛;
    상기 제2 컨볼루션 신경망의 입력 레이어에 상기 설정된 시간 길이의 심전도 신호를 입력하는 제4 입력 유닛; 및
    상기 제3 입력 유닛에 의하여 입력된 상기 제1 세트 개수의 특징 데이터 및 상기 제4 입력 유닛에 의하여 입력된 상기 심전도 신호를 식별하고, 상기 제2 컨볼루션 신경망을 통하여 상기 심전도 신호에 대한 상기 병리학적 카테고리를 결정하는 제3 결정 유닛을 포함하는 심전도 신호를 검출하는 장치.
  14. 제2 컨볼루션 신경망을 통하여 설정된 시간 길이의 심전도 신호에 대한 병리학적 카테고리를 결정하는 제4 결정 모듈;
    상기 제4 결정 모듈에 의하여 상기 병리학적 카테고리가 상기 심전도 신호가 비정상이라고 지시되면, 상기 설정된 시간 길이의 심전도 신호를 분할하여 제1 세트 개수의 단일 심장 박동들을 획득하는 제2 분할 모듈; 및
    제1 컨볼루션 신경망에 상기 제2 분할 모듈에 의하여 획득된 상기 제1 세트 개수의 단일 심장 박동들의 데이터를 입력하여, 상기 제1 컨볼루션 신경망을 통해 상기 제1 세트 개수의 단일 심장 박동들에서 적어도 하나의 비정상 심장 박동의 위치를 결정하는 제5 결정 모듈을 포함하는 심전도 신호를 검출하는 장치.
  15. 제14항에 있어서,
    상기 제5 결정 모듈은
    상기 제1 컨볼루션 신경망의 입력 레이어에 상기 제1 세트 개수의 단일 심장 박동들의 데이터를 입력하는 제5 입력 유닛;
    상기 제5 입력 유닛에 의하여 상기 제1 컨볼루션 신경망에 입력된 상기 제1 세트 개수의 단일 심장 박동들 각각에 대한 판정을 하고, 각 판정 결과들을 획득하는 판정 유닛; 및
    상기 판정 유닛의 상기 판정 결과들에 따라 상기 제1 세트 개수의 단일 심장 박동들에서 상기 적어도 하나의 비정상 심장 박동의 위치를 결정하는 제4 결정 유닛을 포함하는 심전도 신호를 검출하는 장치.
  16. 제1항 내지 제8항 중 어느 하나의 항에 기재된 심전도 신호를 검출하는 방법을 실행하기 위한 기계 장치가 실행가능한 명령들을 기록한 기계 장치로 읽을 수 있는 기록 매체.
  17. 프로세서; 및
    상기 프로세서가 실행가능한 명령들을 저장하는 저장 매체를 포함하되,
    상기 프로세서는 제1항 내지 제8항 중 어느 하나의 항에 기재된 심전도 신호를 검출하는 방법을 수행하는 전자 장치.

KR1020207005872A 2017-08-03 2018-08-01 심전도 신호의 검출 방법 KR102451795B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201710656849.8A CN107516075B (zh) 2017-08-03 2017-08-03 心电信号的检测方法、装置及电子设备
CN201710656849.8 2017-08-03
PCT/CN2018/097917 WO2019024861A1 (zh) 2017-08-03 2018-08-01 心电信号的检测

Publications (2)

Publication Number Publication Date
KR20200036908A true KR20200036908A (ko) 2020-04-07
KR102451795B1 KR102451795B1 (ko) 2022-10-06

Family

ID=60722226

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020207005872A KR102451795B1 (ko) 2017-08-03 2018-08-01 심전도 신호의 검출 방법

Country Status (7)

Country Link
US (1) US11534097B2 (ko)
EP (1) EP3644220A4 (ko)
JP (1) JP7065185B2 (ko)
KR (1) KR102451795B1 (ko)
CN (1) CN107516075B (ko)
CA (1) CA3071699C (ko)
WO (1) WO2019024861A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023158102A1 (ko) * 2022-02-18 2023-08-24 주식회사 뷰노 심전도 기술 및 결과 통합 방법
WO2024019523A1 (ko) * 2022-07-22 2024-01-25 주식회사 메디컬에이아이 심전도를 이용한 건강 상태의 예측 방법, 프로그램 및 장치

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107516075B (zh) * 2017-08-03 2020-10-09 安徽华米智能科技有限公司 心电信号的检测方法、装置及电子设备
CN108030488A (zh) * 2017-11-30 2018-05-15 北京医拍智能科技有限公司 基于卷积神经网络的心律失常的检测系统
CN108470158B (zh) * 2018-03-08 2020-05-12 华南理工大学 一种为动态ecg数据寻找误差最小网络计算结构的方法
KR20190114694A (ko) * 2018-03-30 2019-10-10 삼성에스디에스 주식회사 인공지능을 이용한 시계열 데이터 학습 및 분석 방법
EP3847958A4 (en) * 2018-09-04 2021-09-08 Shenzhen Institutes of Advanced Technology ARRHYTHMIA DETECTION METHOD AND APPARATUS, ELECTRONIC DEVICE AND COMPUTER INFORMATION MEDIA
TWI680746B (zh) * 2018-11-21 2020-01-01 晶神醫創股份有限公司 神經事件偵測方法與系統
CN109480824B (zh) * 2018-12-11 2021-10-08 武汉中旗生物医疗电子有限公司 心电波形数据的处理方法、装置和服务器
CN109875579A (zh) * 2019-02-28 2019-06-14 京东方科技集团股份有限公司 情绪健康管理系统和情绪健康管理方法
WO2020221632A1 (en) * 2019-04-30 2020-11-05 Medicalgorithmics Sa Electrocardiogram signal segmentation
JP6865329B1 (ja) * 2019-07-29 2021-04-28 株式会社カルディオインテリジェンス 表示装置、表示方法及びプログラム
US11521743B2 (en) * 2019-10-21 2022-12-06 Tencent America LLC Framework for performing electrocardiography analysis
CN111488793B (zh) * 2020-02-21 2024-04-30 广州视源电子科技股份有限公司 心电信号分类方法、装置、电子设备和存储介质
KR102241799B1 (ko) * 2020-08-06 2021-04-19 주식회사 에이티센스 심전도 신호의 분류 데이터를 제공하는 방법 및 전자 장치
CN112690802B (zh) * 2020-12-25 2023-03-03 平安科技（深圳）有限公司 一种检测心电信号的方法、装置、终端及存储介质
CN112883803B (zh) * 2021-01-20 2023-09-01 武汉中旗生物医疗电子有限公司 一种基于深度学习的心电信号分类方法、装置及存储介质
CN116530996B (zh) * 2023-06-26 2023-08-29 广东技术师范大学 一种面向低测量负荷心电数据的异常预警方法及系统
CN116548980B (zh) * 2023-07-07 2023-09-01 广东技术师范大学 基于脉冲神经网络的长时程心电分类方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140063100A (ko) * 2012-11-16 2014-05-27 삼성전자주식회사 원격 심질환 관리 장치 및 방법
KR20160075677A (ko) * 2013-10-23 2016-06-29 콴투스, 아이엔씨. 소비자 생체측정 장치

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IL155955A0 (en) * 2003-05-15 2003-12-23 Widemed Ltd Adaptive prediction of changes of physiological/pathological states using processing of biomedical signal
WO2008027520A2 (en) * 2006-08-30 2008-03-06 The Trustees Of Columbia University In The City Of New York Systems and methods for composite elastography and wave imaging
TW200927065A (en) 2007-12-28 2009-07-01 Tatung Co Monitoring and control system for cardiopulmonary function and device thereof
EP2523534B1 (en) 2011-05-12 2019-08-07 Ledengin, Inc. Apparatus and methods for tuning of emitter with multiple LEDs to a single color bin
CN102779234B (zh) * 2012-06-28 2015-10-28 中国科学院苏州纳米技术与纳米仿生研究所 一种心电图分类处理方法及装置
CN104783782B (zh) * 2015-04-13 2017-09-01 深圳市飞马与星月科技研究有限公司 心电信号自动检测方法及装置
PT3367897T (pt) * 2015-10-27 2021-05-25 Cardiologs Tech Processo automático para traçar ou categorizar um eletrocardiograma
CN105232032A (zh) 2015-11-05 2016-01-13 福州大学 基于小波分析远程心电监护与预警系统及方法
EP3379998A4 (en) 2015-11-23 2019-07-31 Mayo Foundation for Medical Education and Research PROCESSING PHYSIOLOGICAL ELECTRICAL DATA FOR ANALYTICAL ASSESSMENTS
JP6610278B2 (ja) 2016-01-18 2019-11-27 富士通株式会社 機械学習装置、機械学習方法及び機械学習プログラム
US20180032689A1 (en) * 2016-07-29 2018-02-01 Qatar University Method and apparatus for performing feature classification on electrocardiogram data
CN106344004A (zh) * 2016-09-28 2017-01-25 清华大学 心电信号特征点检测方法及装置
CN106779051A (zh) * 2016-11-24 2017-05-31 厦门中控生物识别信息技术有限公司 一种卷积神经网络模型参数处理方法及系统
CN106934799B (zh) * 2017-02-24 2019-09-03 安翰科技(武汉)股份有限公司 胶囊内窥镜图像辅助阅片系统及方法
CN107516075B (zh) 2017-08-03 2020-10-09 安徽华米智能科技有限公司 心电信号的检测方法、装置及电子设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140063100A (ko) * 2012-11-16 2014-05-27 삼성전자주식회사 원격 심질환 관리 장치 및 방법
KR20160075677A (ko) * 2013-10-23 2016-06-29 콴투스, 아이엔씨. 소비자 생체측정 장치

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
U. Rajendra Acharya et al "Application of deep convolutional neural network for automated detection of myocardial infarction using ECG signals." Information Sciences, Vol. 415, pp. 190-198(2017.06.) 1부.* *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023158102A1 (ko) * 2022-02-18 2023-08-24 주식회사 뷰노 심전도 기술 및 결과 통합 방법
WO2024019523A1 (ko) * 2022-07-22 2024-01-25 주식회사 메디컬에이아이 심전도를 이용한 건강 상태의 예측 방법, 프로그램 및 장치

Also Published As

Publication number Publication date
US20200155024A1 (en) 2020-05-21
JP2020528336A (ja) 2020-09-24
CN107516075A (zh) 2017-12-26
CA3071699A1 (en) 2019-02-07
KR102451795B1 (ko) 2022-10-06
CN107516075B (zh) 2020-10-09
EP3644220A1 (en) 2020-04-29
EP3644220A4 (en) 2020-11-04
US11534097B2 (en) 2022-12-27
WO2019024861A1 (zh) 2019-02-07
CA3071699C (en) 2023-02-28
JP7065185B2 (ja) 2022-05-11

Similar Documents

Publication Publication Date Title
KR102451795B1 (ko) 심전도 신호의 검출 방법
US10869610B2 (en) System and method for identifying cardiac arrhythmias with deep neural networks
US20210000365A1 (en) Automatic method to delineate or categorize an electrocardiogram
Acharya et al. Automated detection of arrhythmias using different intervals of tachycardia ECG segments with convolutional neural network
EP3367897B1 (en) An automatic method to delineate or categorize an electrocardiogram
US20200015694A1 (en) Automatic method to delineate or categorize an electrocardiogram
CN109171712A (zh) 心房颤动识别方法、装置、设备及计算机可读存储介质
Raghavendra et al. Cardiac arrhythmia detection using dynamic time warping of ECG beats in e-healthcare systems
WO2021017313A1 (zh) 房颤的检测方法、装置、计算机设备及存储介质
US10791939B2 (en) Biometric scale
CN105726018A (zh) 一种与rr间期无关的房颤自动检测方法
CN111345816B (zh) 多导联qrs波群检测方法、装置、设备及存储介质
US20220022799A1 (en) Automatic method to delineate or categorize an electrocardiogram
EP3735894B1 (en) Recurrent neural network architecture based classification of atrial fibrillation using single lead ecg
CN109077720B (zh) 信号处理方法、装置、设备和存储介质
Rohmantri et al. Arrhythmia classification using 2D convolutional neural network
CN111657925A (zh) 基于机器学习的心电信号分类方法、系统、终端以及存储介质
Sanjana et al. Explainable artificial intelligence for heart rate variability in ECG signal
CN111067512B (zh) 心室颤动的检测装置、检测模型的训练装置、方法及设备
CN115177262A (zh) 一种基于深度学习的心音心电联合诊断装置和系统
Bitarafan et al. A hybrid deep model for automatic arrhythmia classification based on LSTM recurrent networks
Subashini et al. Identification and classification of heart beat by analyzing ecg signal using naive bayes
Bai et al. A deep multi-scale convolutional neural network for classifying heartbeats
Eleyan et al. Multi-Classifier Deep Learning based System for ECG Classification Using Fourier Transform
Muthuvel et al. Research Article Hybrid Features and Classifier for Classification of ECG Signal

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