KR20200052452A - 인공 신경망을 이용하여 부정맥을 인식하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 - Google Patents
인공 신경망을 이용하여 부정맥을 인식하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 Download PDFInfo
- Publication number
- KR20200052452A KR20200052452A KR1020180131545A KR20180131545A KR20200052452A KR 20200052452 A KR20200052452 A KR 20200052452A KR 1020180131545 A KR1020180131545 A KR 1020180131545A KR 20180131545 A KR20180131545 A KR 20180131545A KR 20200052452 A KR20200052452 A KR 20200052452A
- Authority
- KR
- South Korea
- Prior art keywords
- arrhythmia
- ecg signal
- neural network
- artificial neural
- target
- Prior art date
Links
- 206010003119 arrhythmia Diseases 0.000 title claims abstract description 93
- 230000006793 arrhythmia Effects 0.000 title claims abstract description 92
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 230000002763 arrhythmic effect Effects 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 32
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 6
- 206010003658 Atrial Fibrillation Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000003423 ankle Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow
-
- G06K9/00885—
-
- 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
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G06K2009/00939—
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Physiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Cardiology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
본 발명의 일 태양에 따르면, 인공 신경망을 이용하여 부정맥을 인식하기 위한 방법으로서, 정상 상태 심전도 신호에 관한 데이터 및 부정맥 상태 심전도 신호에 관한 데이터 중 적어도 하나에 기초하여 학습되는 제1 인공 신경망을 이용하여 피측정자의 대상 심전도 신호를 분석함으로써, 상기 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는지 여부를 결정하는 제1 결정을 수행하는 단계, 및 상기 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는 것으로 판단되면, 복수의 종류의 부정맥 상태 심전도 신호에 관한 데이터에 기초하여 학습되는 제2 인공 신경망을 이용하여 상기 대상 심전도 신호를 분석함으로써, 상기 대상 심전도 신호 중 적어도 일부가 어떤 종류의 부정맥 상태에 해당하는지를 결정하는 제2 결정을 수행하는 단계를 포함하는 방법이 제공된다.
Description
본 발명은 인공 신경망을 이용하여 부정맥을 인식하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체에 관한 것이다.
최근 과학 기술의 비약적인 발전으로 인해 인류 전체의 삶의 질이 향상되고 있으며, 의료 환경에서도 많은 변화가 발생하였다. 과거에는 병원에서 X-ray, CT, fMRI 등의 의료영상을 촬영한 후 몇 시간 또는 며칠을 기다려야 영상 판독이 가능했었다.
최근에는, 피측정자의 다양한 신체 부위(가슴, 손목, 발목, 등)와 접점을 형성시켜 생체 신호(ECG 신호 등)를 측정하는 웨어러블 디바이스가 널리 보급됨에 따라, 일상 생활 중에 생체 신호를 상시적으로 측정 또는 분석할 수 있는 기술이 소개되고 있고, 특히, 상시적으로 측정되는 심전도(ECG) 신호를 분석함으로써 부정맥을 인식하는 기술이 주목을 받고 있다.
종래에는 숙련된 의료진이 자신의 임상적인 판단에 기초하여 심전도 신호를 직접 판독함으로써 부정맥을 판별하는 전통적으로 방식에 의존하였지만, 최근에는 비약적으로 발전하고 있는 인공지능(또는 인공 신경망) 기술을 활용하여 심전도 신호를 분석함으로써 부정맥 여부를 판별하거나 부정맥의 종류(유형)을 인식하는 기술이 소개되고 있다.
구체적으로, 부정맥은 그 특성에 따라 10가지 이상의 다양한 종류로 세분화될 수 있으며, 어떤 심전도 신호가 어떤 종류의 부정맥 상태에 해당하는지를 정확하게 인식하기 위해서는 정상 상태에 해당하는 심전도 신호와 다양한 종류의 부정맥 상태에 해당하는 심전도 신호에 관한 다양하고 방대한 데이터를 이용하여 인공 신경망을 학습시킬 필요가 있다.
하지만, 병원이나 일상에서 측정되는 심전도 신호를 구성하는 데이터 중 90% 이상의 데이터가 정상 상태(normal sinus rhythm)에 해당하는 데이터이기 때문에, 정상 상태 심전도 데이터와 부정맥 상태 심전도 데이터 사이의 비대칭이 발생하게 되고, 이러한 데이터 양의 비대칭으로 인해 인공 신경망을 올바르게 학습시키기 어렵게 되는 문제가 발생한다.
한편, 위와 같은 비대칭이 존재함에도 불구하고, 정상 상태 심전도 데이터를 다양한 종류의 부정맥 중 어느 한 종류의 부정맥 상태 심전도 데이터와 동등하게 취급하는 방식으로 인공 신경망을 구현하거나 학습시키게 되면, 정상 상태 심전도 데이터 중 극히 일부 데이터를 제외한 나머지 대부분의(예를 들면, 90% 이상의) 데이터는 인공 신경망의 구현 또는 학습에 활용될 수 없기 때문에, 인공 신경망의 구현 또는 학습이 부실하게 이루어지는 문제가 발생할 수 있다.
이에, 본 발명자는, 부정맥 여부를 판별하기 위한 제1 인공 신경망과 부정맥의 종류를 인식하기 위한 제2 인공 신경망을 단계적으로 이용함으로써 심전도 신호로부터 부정맥 여부 및 유형을 정확하게 인식하는 기술을 제안하는 바이다.
본 발명은 상술한 문제점을 모두 해결하는 것을 그 목적으로 한다.
또한, 본 발명은 부정맥 여부를 판별하기 위한 제1 인공 신경망과 부정맥의 종류를 인식하기 위한 제2 인공 신경망을 단계적으로 이용함으로써 심전도 신호로부터 부정맥 여부 및 유형을 정확하게 인식하는 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체를 제공하는 것을 다른 목적으로 한다.
상기 목적을 달성하기 위한 본 발명의 대표적인 구성은 다음과 같다.
본 발명의 일 태양에 따르면, 인공 신경망을 이용하여 부정맥을 인식하기 위한 방법으로서, 정상 상태 심전도 신호에 관한 데이터 및 부정맥 상태 심전도 신호에 관한 데이터 중 적어도 하나에 기초하여 학습되는 제1 인공 신경망을 이용하여 피측정자의 대상 심전도 신호를 분석함으로써, 상기 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는지 여부를 결정하는 제1 결정을 수행하는 단계, 및 상기 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는 것으로 판단되면, 복수의 종류의 부정맥 상태 심전도 신호에 관한 데이터에 기초하여 학습되는 제2 인공 신경망을 이용하여 상기 대상 심전도 신호를 분석함으로써, 상기 대상 심전도 신호 중 적어도 일부가 어떤 종류의 부정맥 상태에 해당하는지를 결정하는 제2 결정을 수행하는 단계를 포함하는 방법이 제공된다.
본 발명의 다른 태양에 따르면, 인공 신경망을 이용하여 부정맥을 인식하기 위한 시스템으로서, 피측정자로부터 측정되는 대상 심전도 신호를 획득하는 심전도 신호 획득부, 및 정상 상태 심전도 신호에 관한 데이터 및 부정맥 상태 심전도 신호에 관한 데이터 중 적어도 하나에 기초하여 학습되는 제1 인공 신경망을 이용하여 상기 대상 심전도 신호를 분석함으로써, 상기 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는지 여부를 결정하는 제1 결정을 수행하고, 상기 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는 것으로 판단되면, 복수의 종류의 부정맥 상태 심전도 신호에 관한 데이터에 기초하여 학습되는 제2 인공 신경망을 이용하여 상기 대상 심전도 신호를 분석함으로써, 상기 대상 심전도 신호 중 적어도 일부가 어떤 종류의 부정맥 상태에 해당하는지를 결정하는 제2 결정을 수행하는 심전도 신호 분석부를 포함하는 시스템이 제공된다.
이 외에도, 본 발명을 구현하기 위한 다른 방법, 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램을 기록하기 위한 비일시성의 컴퓨터 판독 가능한 기록 매체가 더 제공된다.
본 발명에 의하면, 부정맥 여부를 판별하기 위한 제1 인공 신경망과 부정맥의 종류를 인식하기 위한 제2 인공 신경망을 단계적으로 이용함으로써 심전도 신호로부터 부정맥 여부 및 종류를 정확하게 인식할 수 있게 되는 효과가 달성된다.
또한, 본 발명에 의하면, 정상 상태 심전도 데이터가 부정맥 상태 심전도 데이터보다 훨씬 많은 비대칭적인 환경에서도, 부정맥 여부를 판별하기 위한 제1 인공 신경망과 부정맥의 종류를 인식하기 위한 제2 인공 신경망을 구분하여 각각 올바르게 학습시킬 수 있으며, 이에 따라 피측정자의 대상 심전도 신호를 정확하게 판별할 수 있게 되는 효과가 달성된다.
도 1은 본 발명에 따른 전체 시스템의 구성을 개략적으로 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 부정맥 인식 시스템의 내부 구성을 예시적으로 나타내는 도면이다.
도 3은 본 발명의 일 실시예에 따라 부정맥 여부를 판별하기 위해 이용되는 제1 인공 신경망의 구성을 개념적으로 나타내는 도면이다.
도 4는 본 발명의 일 실시예에 따라 제1 인공 신경망과 제2 인공 신경망을 단계적으로 이용하여 부정맥 여부 및 부정맥의 종류를 인식하는 과정을 예시적으로 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 부정맥 인식 시스템의 내부 구성을 예시적으로 나타내는 도면이다.
도 3은 본 발명의 일 실시예에 따라 부정맥 여부를 판별하기 위해 이용되는 제1 인공 신경망의 구성을 개념적으로 나타내는 도면이다.
도 4는 본 발명의 일 실시예에 따라 제1 인공 신경망과 제2 인공 신경망을 단계적으로 이용하여 부정맥 여부 및 부정맥의 종류를 인식하는 과정을 예시적으로 나타내는 도면이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 바람직한 실시예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
전체 시스템의 구성
이하, 본 발명에 따른 부정맥 인식 시스템의 바람직한 실시예에 관하여 상세히 설명하면 다음과 같다.
도 1은 본 발명에 따른 전체 시스템의 구성을 개략적으로 나타내는 도면이다.
도 1에 도시되어 있는 바와 같이, 본 발명의 일 실시예에 따른 전체 시스템은, 통신망(100), 부정맥 인식 시스템(200) 및 디바이스(300)로 구성될 수 있다.
먼저, 본 발명의 일 실시예에 따른 통신망(100)은 유선 통신이나 무선 통신과 같은 통신 양태를 가리지 않고 구성될 수 있으며, 근거리 통신망(LAN, Local Area Network), 도시권 통신망(MAN, Metropolitan Area Network), 광역 통신망(WAN, Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 바람직하게는, 본 명세서에서 말하는 통신망(100)은 와이파이(Wi-Fi), 와이파이 다이렉트(Wi-Fi Direct), LTE 다이렉트(LTE Direct), 블루투스(Bluetooth)와 같은 공지의 근거리 무선 통신망을 포함할 수 있다. 그러나, 통신망(100)은, 굳이 이에 국한될 필요 없이, 공지의 유무선 데이터 통신망, 공지의 전화망 또는 공지의 유무선 텔레비전 통신망을 그 적어도 일부에 있어서 포함할 수도 있다.
예를 들면, 통신망(100)은 무선 데이터 통신망으로서, 와이파이(WiFi) 통신, 와이파이 다이렉트(WiFi-Direct) 통신, 롱텀 에볼루션(LTE, Long Term Evolution) 통신, 블루투스 통신(저전력 블루투스(BLE; Bluetooth Low Energy) 포함), 적외선 통신, 초음파 통신 등과 같은 종래의 통신 방법을 적어도 그 일부분에 있어서 구현하는 것일 수 있다. 다른 예를 들면, 통신망(100)은 광 통신망으로서, 라이파이(LiFi, Light Fidelity) 등과 같은 종래의 통신 방법을 적어도 그 일부분에 있어서 구현하는 것일 수 있다.
다음으로, 본 발명의 일 실시예에 따른 부정맥 인식 시스템(200)은, 정상 상태 심전도 신호에 관한 데이터 및 부정맥 상태 심전도 신호에 관한 데이터 중 적어도 하나에 기초하여 학습되는 제1 인공 신경망을 이용하여 피측정자의 대상 심전도 신호를 분석함으로써, 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는지 여부를 결정하는 제1 결정을 수행하고, 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는 것으로 판단되면, 복수의 종류의 부정맥 상태 심전도 신호에 관한 데이터에 기초하여 학습되는 제2 인공 신경망을 이용하여 대상 심전도 신호를 분석함으로써, 대상 심전도 신호 중 적어도 일부가 어떤 종류의 부정맥 상태에 해당하는지를 결정하는 제2 결정을 수행할 수 있다.
부정맥 인식 시스템(200)의 기능에 관하여는 아래에서 더 자세하게 알아보기로 한다. 한편, 부정맥 인식 시스템(200)에 관하여 위와 같이 설명되었으나, 이러한 설명은 예시적인 것이고, 부정맥 인식 시스템(200)에 요구되는 기능이나 구성요소의 적어도 일부가 필요에 따라 디바이스(300) 내에서 실현되거나 디바이스(300) 내에 포함될 수도 있음은 당업자에게 자명하다.
마지막으로, 본 발명의 일 실시예에 따른 디바이스(300)는 부정맥 인식 시스템(200)에 접속한 후 통신할 수 있는 기능을 포함하는 디지털 기기로서, 메모리 수단을 구비하고 마이크로 프로세서를 탑재하여 연산 능력을 갖춘 디지털 기기라면 얼마든지 본 발명에 따른 디바이스(300)로서 채택될 수 있다. 디바이스(300)는 스마트 글래스, 스마트 워치, 스마트 밴드, 스마트 링, 스마트 넥클리스 등과 같은 웨어러블 디바이스이거나 스마트폰, 스마트 패드, 데스크탑 컴퓨터, 노트북 컴퓨터, 워크스테이션, PDA, 웹 패드, 이동 전화기 등과 같은 다소 전통적인 디바이스일 수 있다.
특히, 본 발명의 일 실시예에 따르면, 디바이스(300)는 인체로부터 소정의 생체 신호를 획득하기 위한 센싱 수단(예를 들면, 접촉 전극, 영상 촬영 장치 등)을 포함할 수 있고, 생체 신호 측정에 관한 다양한 정보를 사용자에게 제공하기 위한 표시 수단을 포함할 수 있다.
또한, 본 발명의 일 실시예에 따르면, 디바이스(300)에는 본 발명에 따른 기능을 수행하기 위한 애플리케이션 프로그램이 더 포함되어 있을 수 있다. 이러한 애플리케이션은 해당 디바이스(300) 내에서 프로그램 모듈의 형태로 존재할 수 있다. 이러한 프로그램 모듈의 성격은 후술할 바와 같은 부정맥 인식 시스템(200)의 심전도 신호 획득부(210), 심전도 신호 분석부(220), 통신부(230) 및 제어부(240)와 전반적으로 유사할 수 있다. 여기서, 애플리케이션은 그 적어도 일부가 필요에 따라 그것과 실질적으로 동일하거나 균등한 기능을 수행할 수 있는 하드웨어 장치나 펌웨어 장치로 치환될 수도 있다.
부정맥 인식 시스템의 구성
이하에서는, 본 발명의 구현을 위하여 중요한 기능을 수행하는 부정맥 인식 시스템(200)의 내부 구성 및 각 구성요소의 기능에 대하여 살펴보기로 한다.
도 2는 본 발명의 일 실시예에 따른 부정맥 인식 시스템의 내부 구성을 예시적으로 나타내는 도면이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 부정맥 인식 시스템(200)은, 심전도 신호 획득부(210), 심전도 신호 분석부(220), 통신부(230) 및 제어부(240)를 포함할 수 있다. 본 발명의 일 실시예에 따르면, 심전도 신호 획득부(210), 심전도 신호 분석부(220), 통신부(230) 및 제어부(240)는 그 중 적어도 일부가 외부 시스템(미도시됨)과 통신하는 프로그램 모듈들일 수 있다. 이러한 프로그램 모듈들은 운영 시스템, 응용 프로그램 모듈 및 기타 프로그램 모듈의 형태로 부정맥 인식 시스템(200)에 포함될 수 있으며, 물리적으로는 여러 가지 공지의 기억 장치 상에 저장될 수 있다. 또한, 이러한 프로그램 모듈들은 부정맥 인식 시스템(200)과 통신 가능한 원격 기억 장치에 저장될 수도 있다. 한편, 이러한 프로그램 모듈들은 본 발명에 따라 후술할 특정 업무를 수행하거나 특정 추상 데이터 유형을 실행하는 루틴, 서브루틴, 프로그램, 오브젝트, 컴포넌트, 데이터 구조 등을 포괄하지만, 이에 제한되지는 않는다.
먼저, 본 발명의 일 실시예에 따르면, 심전도 신호 획득부(210)는, 피측정자의 신체 부위와 접촉되는 적어도 하나의 디바이스로부터 심전도(ECG) 신호를 획득하는 기능을 수행할 수 있다.
여기서, 본 발명의 일 실시예에 따르면, 심전도 신호는 무선 통신망을 통하여 획득될 수 있다. 예를 들면, 심전도 신호는 와이파이(Wi-Fi), 와이파이 다이렉트(Wi-Fi Direct), LTE 다이렉트(LTE Direct), 블루투스(Bluetooth)와 같은 공지의 근거리 무선 통신망을 통하여 전송될 수 있다.
다음으로, 본 발명의 일 실시예에 따르면, 심전도 신호 분석부(220)는, 제1 인공 신경망 및 제2 인공 신경망을 단계적으로 이용함으로써 분석의 대상이 되는 심전도 신호로부터 부정맥 여부를 판별하고 부정맥의 종류를 인식하는 기능을 수행할 수 있다.
구체적으로, 본 발명의 일 실시예에 따르면, 심전도 신호 분석부(220)는, 정상 상태 심전도 신호에 관한 데이터 및 부정맥 상태 심전도 신호에 관한 데이터 중 적어도 하나에 기초하여 학습되는 제1 인공 신경망을 이용하여 피측정자의 대상 심전도 신호를 분석함으로써, 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는지 여부를 결정하는 제1 결정을 수행할 수 있다.
예를 들면, 본 발명의 일 실시예에 따른 심전도 신호 분석부(220)는, 오토인코더(autoencoder) 기술에 기초하여 제1 인공 신경망을 구현하고 학습시킬 수 있다. 다만, 본 발명에서 제1 인공 신경망을 구현하고 학습시키는 데에 이용될 수 있는 기술이 반드시 상기 열거된 것에 한정되는 것은 아니며, 본 발명의 목적을 달성할 수 있는 범위 내에서 얼마든지 변경될 수 있음을 밝혀 둔다.
도 3은 본 발명의 일 실시예에 따라 부정맥 여부를 판별하기 위해 이용되는 제1 인공 신경망의 구성을 개념적으로 나타내는 도면이다.
도 3을 참조하면, 제1 인공 신경망은, 인코더(encoder) 및 디코더(decoder)가 순차적으로 결합되는 구조로 구현될 수 있고, 인코더의 입력단의 차원과 디코더의 출력단의 차원이 서로 동일하게 되도록 구현될 수 있으며, 인코더에 입력되는 심전도 신호(X)와 디코더로부터 출력되는 심전도 신호(X')가 서로 동일해지는 방향으로 학습될 수 있다.
계속하여, 도 3을 참조하면, 본 발명의 일 실시예에 따른 심전도 신호 분석부(220)는, 정상 상태 심전도 신호에만 기초하여 제1 인공 신경망을 학습시킬 수 있다. 이러한 학습 방식에 따라 제1 인공 신경망이 성공적으로 학습되었다고 가정하면, 정상 상태에 해당하는 심전도 신호가 제1 인공 신경망에 입력되는 경우에 그 입력되는 심전도 신호와 제1 인공 신경망으로부터 출력되는 심전도 신호의 차이가 상대적으로 작게 나타날 수 있고, 부정맥 상태에 해당하는 심전도 신호가 제1 인공 신경망에 입력되는 경우에 그 입력되는 심전도 신호와 제1 인공 신경망으로부터 출력되는 심전도 신호의 차이가 상대적으로 크게 나타날 수 있다.
따라서, 도 3을 참조하면, 본 발명의 일 실시예에 따른 심전도 신호 분석부(220)는, 피측정자의 대상 심전도 신호를 제1 인공 신경망에 입력시키는 경우에, 그 입력되는 대상 심전도 신호와 제1 인공 신경망으로부터 출력되는 심전도 신호 사이의 차이가 기설정된 수준 미만이면 대상 심전도 신호가 정상 상태 심전도 신호인 것으로 결정할 수 있고, 그 차이가 기설정된 수준 이상이면 대상 심전도 신호가 부정맥 상태 심전도 신호인 것으로 결정할 수 있다.
또한, 본 발명의 일 실시예에 따르면, 심전도 신호 분석부(220)는, 위의 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는 것으로 판단되면, 복수의 종류의 부정맥 상태 심전도 신호에 관한 데이터에 기초하여 학습되는 제2 인공 신경망을 이용하여 대상 심전도 신호를 분석함으로써, 대상 심전도 신호 중 적어도 일부가 어떤 종류의 부정맥 상태에 해당하는지를 결정하는 제2 결정을 수행할 수 있다.
예를 들면, 본 발명의 일 실시예에 따른 심전도 신호 분석부(220)는, 합성곱 신경망(Convolutional Neural Network; CNN) 및 순환 신경망(Recurrent Neural Network; RNN) 중 적어도 하나에 기초하여 제2 인공 신경망을 구현하고 학습시킬 수 있다. 다만, 본 발명에서 제2 인공 신경망을 구현하고 학습시키는 데에 이용될 수 있는 기술이 반드시 상기 열거된 것에 한정되는 것은 아니며, 본 발명의 목적을 달성할 수 있는 범위 내에서 얼마든지 변경될 수 있음을 밝혀 둔다.
본 발명의 일 실시예에 따른 심전도 신호 분석부(220)는, 다양한 종류의 부정맥 상태 심전도 신호를 이용하여 제2 인공 신경망을 학습시킬 수 있다. 이러한 학습에 따라 제2 인공 신경망이 성공적으로 학습되었다고 가정하면, 어떤 심전도 신호가 제2 인공 신경망에 입력되는 경우에 해당 심전도 신호가 특정 종류의 부정맥 상태에 해당할 확률이 출력으로서 도출될 수 있다.
도 4는 본 발명의 일 실시예에 따라 제1 인공 신경망과 제2 인공 신경망을 단계적으로 이용하여 부정맥 여부 및 부정맥의 종류를 순차적으로 인식하는 과정을 예시적으로 나타내는 도면이다.
도 4를 참조하면, 본 발명의 일 실시예에 따른 심전도 신호 분석부(220)는, 제1 인공 신경망을 이용하여 대상 심전도 신호가 부정맥 상태에 해당하는지 여부를 결정할 수 있고, 대상 심전도 신호가 부정맥 상태에 해당하는 것으로 결정되는 경우에 제2 인공 신경망을 이용하여 대상 심전도 신호가 어떤 종류의 부정맥 상태에 해당하는지를 결정할 수 있다.
예를 들면, 도 4의 실시예에서, 제1 인공 신경망을 이용하는 첫 번째 단계에서 대상 심전도 신호가 부정맥 상태에 해당하는 것으로 결정될 수 있고, 제2 인공 신경망을 이용하는 두 번째 단계에서 대상 심전도 신호가 확률이 0.8로서 가장 높게 나타난 심방세동(AFIB; Atrial FIBrillation)이라는 종류의 부정맥 상태에 해당하는 것으로 결정될 수 있다.
한편, 본 발명의 일 실시예에 따른 통신부(230)는 심전도 신호 획득부(210) 및 심전도 신호 분석부(220)로부터의/로의 데이터 송수신이 가능하도록 하는 기능을 수행할 수 있다.
마지막으로, 본 발명의 일 실시예에 따른 제어부(240)는 심전도 신호 획득부(210), 심전도 신호 분석부(220) 및 통신부(230) 간의 데이터의 흐름을 제어하는 기능을 수행할 수 있다. 즉, 본 발명에 따른 제어부(240)는 부정맥 인식 시스템(200)의 외부로부터의/로의 데이터 흐름 또는 부정맥 인식 시스템(200)의 각 구성요소 간의 데이터 흐름을 제어함으로써, 심전도 신호 획득부(210), 심전도 신호 분석부(220) 및 통신부(230)에서 각각 고유 기능을 수행하도록 제어할 수 있다.
이상 설명된 본 발명에 따른 실시예들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 비일시성의 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 비일시성의 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 비일시성의 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다. 비일시성의 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 상기 실시예들에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등하게 또는 등가적으로 변형된 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다.
100: 통신망
200: 부정맥 인식 시스템
210: 심전도 신호 획득부
220: 심전도 신호 분석부
230: 통신부
240: 제어부
300: 디바이스
200: 부정맥 인식 시스템
210: 심전도 신호 획득부
220: 심전도 신호 분석부
230: 통신부
240: 제어부
300: 디바이스
Claims (5)
- 인공 신경망을 이용하여 부정맥을 인식하기 위한 방법으로서,
정상 상태 심전도 신호에 관한 데이터 및 부정맥 상태 심전도 신호에 관한 데이터 중 적어도 하나에 기초하여 학습되는 제1 인공 신경망을 이용하여 피측정자의 대상 심전도 신호를 분석함으로써, 상기 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는지 여부를 결정하는 제1 결정을 수행하는 단계, 및
상기 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는 것으로 판단되면, 복수의 종류의 부정맥 상태 심전도 신호에 관한 데이터에 기초하여 학습되는 제2 인공 신경망을 이용하여 상기 대상 심전도 신호를 분석함으로써, 상기 대상 심전도 신호 중 적어도 일부가 어떤 종류의 부정맥 상태에 해당하는지를 결정하는 제2 결정을 수행하는 단계를 포함하는
방법. - 제1항에 있어서,
상기 제1 인공 신경망은 오토인코더(autoencoder) 기술에 기초하여 구현되는
방법. - 제1항에 있어서,
상기 제2 인공 신경망은 합성곱 신경망(Convolutional Neural Network; CNN) 및 순환 신경망(Recurrent Neural Network; RNN) 중 적어도 하나에 기초하여 구현되는
방법. - 제1항에 따른 방법을 실행하기 위한 컴퓨터 프로그램을 기록한 비일시성의 컴퓨터 판독 가능한 기록 매체.
- 인공 신경망을 이용하여 부정맥을 인식하기 위한 시스템으로서,
피측정자로부터 측정되는 대상 심전도 신호를 획득하는 심전도 신호 획득부, 및
정상 상태 심전도 신호에 관한 데이터 및 부정맥 상태 심전도 신호에 관한 데이터 중 적어도 하나에 기초하여 학습되는 제1 인공 신경망을 이용하여 상기 대상 심전도 신호를 분석함으로써, 상기 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는지 여부를 결정하는 제1 결정을 수행하고, 상기 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는 것으로 판단되면, 복수의 종류의 부정맥 상태 심전도 신호에 관한 데이터에 기초하여 학습되는 제2 인공 신경망을 이용하여 상기 대상 심전도 신호를 분석함으로써, 상기 대상 심전도 신호 중 적어도 일부가 어떤 종류의 부정맥 상태에 해당하는지를 결정하는 제2 결정을 수행하는 심전도 신호 분석부를 포함하는
시스템.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180131545A KR102219378B1 (ko) | 2018-10-31 | 2018-10-31 | 인공 신경망을 이용하여 부정맥을 인식하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 |
PCT/KR2019/012478 WO2020091229A1 (ko) | 2018-10-31 | 2019-09-25 | 인공 신경망을 이용하여 부정맥을 인식하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180131545A KR102219378B1 (ko) | 2018-10-31 | 2018-10-31 | 인공 신경망을 이용하여 부정맥을 인식하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 |
Publications (3)
Publication Number | Publication Date |
---|---|
KR20200052452A true KR20200052452A (ko) | 2020-05-15 |
KR102219378B1 KR102219378B1 (ko) | 2021-02-24 |
KR102219378B9 KR102219378B9 (ko) | 2022-03-15 |
Family
ID=70462588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020180131545A KR102219378B1 (ko) | 2018-10-31 | 2018-10-31 | 인공 신경망을 이용하여 부정맥을 인식하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR102219378B1 (ko) |
WO (1) | WO2020091229A1 (ko) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102322234B1 (ko) * | 2020-12-29 | 2021-11-05 | (주)씨어스테크놀로지 | 딥러닝을 이용한 심전도 시각화 방법 및 장치 |
WO2023101090A1 (ko) * | 2021-12-02 | 2023-06-08 | (주)씨어스테크놀로지 | 딥 러닝을 이용하여 심방세동을 감지하는 방법 및 장치 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140063100A (ko) * | 2012-11-16 | 2014-05-27 | 삼성전자주식회사 | 원격 심질환 관리 장치 및 방법 |
KR20180097035A (ko) * | 2017-02-22 | 2018-08-30 | 연세대학교 산학협력단 | 컴퓨터 단층촬영 영상에서 플라크를 분석하기 위한 방법 및 장치 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2535942A1 (en) * | 2003-08-21 | 2005-03-10 | Ischem Corporation | Automated methods and systems for vascular plaque detection and analysis |
KR101169138B1 (ko) * | 2009-12-30 | 2012-07-30 | 서울여자대학교 산학협력단 | 혈관 및 석회질 자동 추출장치 및 방법 |
JP5926728B2 (ja) * | 2010-07-26 | 2016-05-25 | ケイジャヤ、エルエルシー | 内科医が直接用いるのに適応したビジュアライゼーション |
-
2018
- 2018-10-31 KR KR1020180131545A patent/KR102219378B1/ko active IP Right Grant
-
2019
- 2019-09-25 WO PCT/KR2019/012478 patent/WO2020091229A1/ko active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140063100A (ko) * | 2012-11-16 | 2014-05-27 | 삼성전자주식회사 | 원격 심질환 관리 장치 및 방법 |
KR20180097035A (ko) * | 2017-02-22 | 2018-08-30 | 연세대학교 산학협력단 | 컴퓨터 단층촬영 영상에서 플라크를 분석하기 위한 방법 및 장치 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102322234B1 (ko) * | 2020-12-29 | 2021-11-05 | (주)씨어스테크놀로지 | 딥러닝을 이용한 심전도 시각화 방법 및 장치 |
WO2022145519A1 (ko) * | 2020-12-29 | 2022-07-07 | (주)씨어스테크놀로지 | 딥러닝을 이용한 심전도 시각화 방법 및 장치 |
WO2023101090A1 (ko) * | 2021-12-02 | 2023-06-08 | (주)씨어스테크놀로지 | 딥 러닝을 이용하여 심방세동을 감지하는 방법 및 장치 |
Also Published As
Publication number | Publication date |
---|---|
WO2020091229A1 (ko) | 2020-05-07 |
KR102219378B1 (ko) | 2021-02-24 |
KR102219378B9 (ko) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102141617B1 (ko) | 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 | |
US20220125322A1 (en) | Methods and Systems for Determining Abnormal Cardiac Activity | |
US11696729B2 (en) | Systems and methods for image data acquisition | |
JP2022550705A (ja) | Ecgベースの将来の心房細動予測システムおよび方法 | |
US20200337581A1 (en) | Apparatus and method for analyzing electrocardiogram | |
US20220233077A1 (en) | Wearable health monitoring device | |
KR20200011818A (ko) | 사용자의 신체 상태를 추정하기 위한 방법 및 디바이스 | |
CA3158504A1 (en) | Neural networks for atrial fibrillation screening | |
EP3730049A1 (en) | Apparatus and method for analyzing electrocardiogram | |
KR102219378B1 (ko) | 인공 신경망을 이용하여 부정맥을 인식하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 | |
US20240215925A1 (en) | Method, system, and non-transitory computer-readable recording medium for estimating arrhythmia using composite artificial neural network | |
Strik et al. | Artificial intelligence for detection of ventricular oversensing: Machine learning approaches for noise detection within nonsustained ventricular tachycardia episodes remotely transmitted by pacemakers and implantable cardioverter-defibrillators | |
KR102620321B1 (ko) | 생체 신호 분석 모델을 관리하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 | |
KR20230012942A (ko) | 생체 신호 분석 모델의 출력 데이터를 관리하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 | |
WO2018096631A1 (ja) | データ処理装置、コンピュータ読取可能媒体、データ処理方法、及びプログラム | |
KR102579962B1 (ko) | 생체 신호 분석 모델의 학습 데이터를 관리하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 | |
KR102576831B1 (ko) | 생체 신호 분석 모델의 학습 데이터를 관리하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 | |
KR102491203B1 (ko) | 심전도 신호에서 비트를 검출하고 분류하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 | |
US20240153646A1 (en) | Method, system, and non-transitory computer-readable recording medium for managing output data of biosignal analysis model | |
WO2018096630A1 (ja) | データ処理装置、コンピュータ読取可能媒体、データ処理方法、及びプログラム | |
KR101560269B1 (ko) | 심전도 신호를 처리하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 | |
KR102445749B1 (ko) | 머신 러닝을 이용하여 인지 기능을 평가하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 | |
KR102640557B1 (ko) | 음악 이론을 이용한 뇌-컴퓨터 인터페이스 기반 음악 작곡 방법 및 장치 | |
KR102613879B1 (ko) | 뇌파의 기저 박자에 기반한 뇌 신호 디코딩 장치 및 방법 | |
KR102342775B1 (ko) | 심전도 신호 처리 방법 및 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
AMND | Amendment | ||
E601 | Decision to refuse application | ||
X091 | Application refused [patent] | ||
AMND | Amendment | ||
X701 | Decision to grant (after re-examination) | ||
GRNT | Written decision to grant | ||
G170 | Re-publication after modification of scope of protection [patent] |