KR20210060730A - 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템 - Google Patents

인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템 Download PDF

Info

Publication number
KR20210060730A
KR20210060730A KR1020190147944A KR20190147944A KR20210060730A KR 20210060730 A KR20210060730 A KR 20210060730A KR 1020190147944 A KR1020190147944 A KR 1020190147944A KR 20190147944 A KR20190147944 A KR 20190147944A KR 20210060730 A KR20210060730 A KR 20210060730A
Authority
KR
South Korea
Prior art keywords
heart rate
rate per
medi
graph
per minute
Prior art date
Application number
KR1020190147944A
Other languages
English (en)
Other versions
KR102319262B1 (ko
Inventor
남영진
류내원
양용석
Original Assignee
네오컨버전스 주식회사
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 네오컨버전스 주식회사 filed Critical 네오컨버전스 주식회사
Priority to KR1020190147944A priority Critical patent/KR102319262B1/ko
Priority to PCT/KR2019/018398 priority patent/WO2021100968A1/ko
Publication of KR20210060730A publication Critical patent/KR20210060730A/ko
Application granted granted Critical
Publication of KR102319262B1 publication Critical patent/KR102319262B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—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
    • A61B5/02411—Detecting, measuring or recording pulse rate or heart rate of foetuses
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • 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
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • 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
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/02—Foetus

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Cardiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Gynecology & Obstetrics (AREA)
  • Pregnancy & Childbirth (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

본 발명은 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템에 관한 것이다.
본 발명의 일 실시예에 따른 인공지능을 이용한 태아 박동 진단방법은 인공지능을 이용한 태아 박동 진단장치가 인공지능을 이용한 태아의 박동 진단방법에 있어서, 태아 박동 소리를 수신하는 단계, 태아 박동 소리에서 심장 박동 정보를 추출하여 분당 심박수를 계산하는 단계, 기 설정된 특정 시간동안 분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성하는 단계, 메디 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하는 단계, 기 학습된 태아 박동 진단 딥러닝 신경망이 전처리 데이터를 분석하여 정상/이상을 분류하는 단계를 포함한다.

Description

인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템{METHOD, APPARARUS AND SYSTEM OF DIAGNOSING BEAT OF FUTUS USING ARTIFICAIL INTELLIGENCE}
본 발명은 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템에 관한 것이다.
일반인의 경우 신체 접촉을 통한 일반 심장 박동 장치들로 심장 박동의 측정이 가능하나 태아의 경우 엄마의 뱃속에 있어 일반적 장치로 심장 박동을 측정하는 것은 어려움이 있다.
또한, 태아는 일반인과는 다른 맥박수와 패턴을 가지고 있어 기존 일반인 데이터를 기반으로 하는 진단 기준으로는 판단할 수 없고, 태아의 맥박 이상여부가 태아 이상여부의 가장 중요한 요소이다.
그러나, 심장 박동을 통한 태아를 진단하는 것은 현재 전문의들의 청진에 의해 진행되고 있으며, 국내에서 인공지능(AI)을 이용하여 태아의 심장 박동 소리와 시계열 데이터를 통해 태아 이상을 진단하는 사례는 없다.
대한민국 등록특허 제10-1936302호 (2019년01월02일 등록)
본 발명이 이루고자 하는 기술적인 과제는 인공지능을 이용하여 태아 박동을 효율적으로 진단하여 태아의 정상/이상을 확인할 수 있는 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템을 제공하는데 있다.
본 발명의 일 실시예에 따른 인공지능을 이용한 태아 박동 진단방법은 인공지능을 이용한 태아 박동 진단장치가 인공지능을 이용한 태아의 박동 진단방법에 있어서, 태아 박동 소리를 수신하는 단계, 상기 태아 박동 소리에서 심장 박동 정보를 추출하여 분당 심박수를 계산하는 단계, 기 설정된 특정 시간동안 상기 분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성하는 단계, 상기 메디 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하는 단계, 기 학습된 태아 박동 진단 딥러닝 신경망이 상기 전처리 데이터를 분석하여 정상/이상을 분류하는 단계를 포함한다.
본 발명의 다른 실시예에 따른 인공지능을 이용한 태아 박동 진단방법은 인공지능을 이용한 태아 박동 진단장치가 인공지능을 이용한 태아의 박동 진단방법에 있어서, 태아 박동 소리를 수신하는 단계, 상기 태아 박동 소리에서 심장 박동 정보를 추출하여 제1분당 심박수를 계산하는 단계, 태아 박동으로부터 획득한 제2분당 심박수를 수신하는 단계, 기 설정된 명령에 따라 기 설정된 특정 시간동안 상기 제1분당 심박수와 상기 제2분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성하는 단계, 상기 메디 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하는 단계, 기 학습된 태아 박동 진단 딥러닝 신경망이 상기 전처리 데이터를 분석하여 정상/이상을 분류하는 단계를 포함한다.
상기 기 설정된 명령이 상기 제1분당 심박수를 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하라는 명령이면, 상기 제1분당 심박수를 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하고, 상기 기 설정된 명령이 상기 제2분당 심박수를 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하라는 명령이면, 상기 제2분당 심박수를 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하는 것을 특징으로 한다.
상기 기 설정된 명령이 상기 제1분당 심박수와 상기 제2분당 심박수에서 우선순위가 높은 분당 심박수를 이용하라는 명령이면, 상기 기 설정된 명령에 따라 상기 우선순위를 파악하고, 상기 우선순위가 높은 상기 분당 심박수를 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하고, 상기 기 설정된 명령이 상기 제1분당 심박수와 상기 제2분당 심박수를 비교 분석하여, 상기 제1분당 심박수와 상기 제2분당 심박수의 평균값을 이용하라는 명령이면, 상기 제1분당 심박수와 상기 제2분당 심박수의 상기 평균값을 계산하고, 상기 제1분당 심박수와 상기 제2분당 심박수의 상기 평균값을 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하는 것을 특징으로 한다.
상기 전처리 데이터는, 상기 메디 그래프를 스펙트로그램 변환하여 생성된 스펙트로그램 데이터인 것을 특징으로 한다.
본 발명의 일 실시예에 따른 인공지능을 이용한 태아 박동 진단장치는 기 학습된 태아 박동 진단 딥러닝 신경망을 저장하는 메모리, 태아 박동 소리에서 심장 박동 정보를 추출하여 분당 심박수를 계산하고, 기 설정된 특정 시간동안 상기 분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성하고, 상기 메디 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하고, 기 학습된 태아 박동 진단 딥러닝 신경망이 상기 전처리 데이터를 분석하여 정상/이상을 분류하도록 제어하는 제어부를 포함한다.
본 발명의 다른 실시예에 따른 인공지능을 이용한 태아 박동 진단장치는 기 학습된 태아 박동 진단 딥러닝 신경망을 저장하는 메모리, 태아 박동 소리에서 심장 박동 정보를 추출하여 제1분당 심박수를 계산하고, 태아 박동으로부터 획득한 제2분당 심박수를 수신하고, 기 설정된 명령에 따라 기 설정된 특정 시간동안 상기 제1분당 심박수와 상기 제2분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성하고, 상기 메디 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하고, 기 학습된 태아 박동 진단 딥러닝 신경망이 상기 전처리 데이터를 분석하여 정상/이상을 분류하도록 제어하는 제어부를 포함한다.
상기 제어부는 상기 기 설정된 명령이 상기 제1분당 심박수를 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하라는 명령이면, 상기 제1분당 심박수를 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하고, 상기 기 설정된 명령이 상기 제2분당 심박수를 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하라는 명령이면, 상기 제2분당 심박수를 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하도록 제어하는 것을 특징으로 한다.
상기 제어부는 상기 기 설정된 명령이 상기 제1분당 심박수와 상기 제2분당 심박수에서 우선순위가 높은 분당 심박수를 이용하라는 명령이면, 상기 기 설정된 명령에 따라 상기 우선순위를 파악하고, 상기 우선순위가 높은 상기 분당 심박수를 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하고, 상기 기 설정된 명령이 상기 제1분당 심박수와 상기 제2분당 심박수를 비교 분석하여, 상기 제1분당 심박수와 상기 제2분당 심박수의 평균값을 이용하라는 명령이면, 상기 제1분당 심박수와 상기 제2분당 심박수의 상기 평균값을 계산하고, 상기 제1분당 심박수와 상기 제2분당 심박수의 상기 평균값을 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하도록 제어하는 것을 특징으로 한다.
본 발명의 일 실시예에 따른 인공지능을 이용한 태아 박동 진단시스템은 태아 박동 소리를 수신하고, 상기 태아 박동 소리에서 심장 박동 정보를 추출하여 제1분당 심박수를 계산하고, 태아 박동으로부터 획득한 제2분당 심박수를 수신하고, 기 설정된 명령에 따라 기 설정된 특정 시간동안 제1분당 심박수 또는 제2분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성하고, 상기 메디 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하고, 상기 전처리 데이터를 서버로 전송하는 단말,
상기 전처리 데이터를 수신하고, 기 학습된 태아 박동 진단 딥러닝 신경망이 상기 전처리 데이터를 분석하여 정상/이상을 분류하는 서버를 포함한다.
본 발명의 실시예에 따른 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템에 의하면 다음과 같은 효과가 있다.
첫째, 본 발명은 인공지능(AI)을 이용하여 태아의 심장 박동 소리를 통해서 태아 박동의 이상 패턴을 검출하고, 태아의 정상/이상을 진단할 수 있다.
둘째, 본 발명은 병원으로부터 제공받은 태아 박동 수치 데이터를 딥러닝 기반으로 분석하여 태아 박동의 속도 이상 여부를 확인하고 태아 박동 수치 데이터의 패턴 변화 정보를 이용하여 태아의 정상/이상을 진단할 수 있다.
셋째, 본 발명은 인공지능을 이용하여 태아 박동 패턴 분석 딥러닝 모델을 개발할 수 있다.
넷째, 본 발명은 딥러닝 기술을 적용하여 태아 심장 박동 파형을 분석하여 태아 심장 박동 저하(Deceleration) 검출하고, 자가 검진을 통한 태아 박동 저하 검출로 태아 사망을 줄여, 태아 사망에 의한 사회적 비용을 줄이고, 출산 기피를 막을 수 있다.
도 1은 본 발명의 일 실시예에 따른 인공지능을 이용한 태아 박동 진단장치를 설명하기 위한 블록도이다.
도 2는 본 발명의 일 실시예에 따른 인공지능을 이용한 태아 박동 진단방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 다른 실시예에 따른 인공지능을 이용한 태아 박동 진단방법을 설명하기 위한 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 인공지능을 이용한 태아 박동 진단시스템을 설명하기 위한 흐름도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
또한, 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 이외의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다.
이하, 본 발명을 보다 구체적으로 설명하기 위하여 본 발명에 따른 실시예들을 첨부 도면을 참조하면서 보다 상세하게 설명하고자 한다.
본 발명에서 “박동”은 심장의 수축과 확장의 반복운동을 의미한다. 본 발명에서 “태아 박동”은 태아 심장의 수축과 확장의 반복운동을 의미한다.
도 1은 본 발명의 일 실시예에 따른 인공지능을 이용한 태아 박동 진단장치를 설명하기 위한 블록도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 인공지능을 이용한 태아 박동 진단장치(이하, “진단장치”라 한다.)는 메모리(10), 제어부(20), 표시부(30), 입력부(40), 송수신부(50)를 포함한다. 이러한 구성요소는 하나 이상의 통신버스 또는 신호선을 통하여 통신한다.
메모리(10)는 다양한 데이터 저장하는 부분이다.
예를 들어, 메모리(10)는 태아 박동 소리, 분당 심박수(제1분당 심박수, 제2분당 심박수, 메디 그래프, 스펙트로그램 데이터, 스펙트로그램 기준, 기 설정된 다양한 정보(예를 들어, 기 설정된 명령, 기 설정된 특정시간 등), 기 학습된 태아 박동 진단 딥러닝 신경망 등을 저장할 수 있다.
또한, 메모리(10)는 인공지능 프로그램을 저장할 수 있다. 예를 들어, 메모리(10)는 기 학습된 태아 박동 진단 딥러닝 신경망 또는 기 학습된 태아 박동 진단 딥러닝 프로그램을 저장할 수 있다.
제어부(20)는 본 발명에 따른 진단장치를 제어하는 부분이다. 또한, 제어부(20)는 진단장치의 각 구성요소를 제어하는 부분이다.
제어부(20)는 태아 박동 소리에서 심장 박동 정보를 추출하여 분당 심박수를 계산하고, 기 설정된 특정 시간동안 분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성하고, 메디 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하고, 기 학습된 태아 박동 진단 딥러닝 신경망이 전처리 데이터를 분석하여 정상/이상을 분류하도록 제어한다.
또한, 제어부(20)는 태아 박동 소리에서 심장 박동 정보를 추출하여 제1분당 심박수를 계산하고, 태아 박동으로부터 획득한 제2분당 심박수를 수신하고, 기 설정된 명령에 따라 기 설정된 특정 시간동안 제1분당 심박수와 제2분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성하고, 메디 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하고, 기 학습된 태아 박동 진단 딥러닝 신경망이 전처리 데이터를 분석하여 정상/이상을 분류하도록 제어한다.
또한, 제어부(20)는 기 설정된 명령이 제1분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성하라는 명령이면, 제1분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성하고, 기 설정된 명령이 제2분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성하라는 명령이면, 제2분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성하도록 제어한다.
또한, 제어부(20)는 기 설정된 명령이 제1분당 심박수와 제2분당 심박수에서 우선순위가 높은 분당 심박수를 이용하라는 명령이면, 기 설정된 명령에 따라 우선순위를 파악하고, 우선순위가 높은 분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성하고, 기 설정된 명령이 제1분당 심박수와 제2분당 심박수를 비교 분석하여, 제1분당 심박수와 제2분당 심박수의 평균값을 이용하라는 명령이면, 제1분당 심박수와 제2분당 심박수의 평균값을 계산하고, 제1분당 심박수와 제2분당 심박수의 평균값을 메디 그래프 변환하여 메디 그래프를 생성하도록 제어한다.
표시부(30)는 사용자와 진단장치 사이의 시각적인 출력을 위한 인터페이스를 제공한다. 표시부(30)는 스펙트로그램 데이터, 메디 그래프, 진단 결과 등을 사용자가 식별할 수 있도록 표시하는 부분이다.
입력부(40)는 사용자와 진단장치 사이의 명령신호를 입력하는 인터페이스를 제공한다. 즉, 입력부(40)는 사용자가 진단장치에 입력신호와 같은 명령신호 등을 입력할 수 있고, 사용자가 입력부(40)를 통해서 입력신호를 입력하면, 진단장치는 다양한 종류의 사용자 입력신호를 검출하고 제어부(20)의 제어에 의해서 사용자의 명령을 수행한다.
사용자는 입력부(40)를 통해서 기 설정된 명령이나 기 설정된 특정시간 등을 변경하는 명령신호를 진단장치에 입력할 수 있다.
다만, 터치스크린과 같은 일부 실시예에서는 표시부(30)와 입력부(40)가 일체로 될 수 있고, 분리될 수도 있다.
송수신부(50)는 전자파와 같은 신호로 데이터를 송수신하는 부분이다. 송수신부(50)는 전기신호를 전자파로 변환하며 이 전자파를 통하여 통신 네트워크 및 다른 통신장치와 통신한다.
예를 들어, 송수신부(50)는 제어부(20)의 제어에 따라서 메디 그래프 정보, 전처리 데이터를 외부 서버에 전송하거나, 외부 서버로부터 진단 결과 정보를 수신할 수 있다.
도 2는 본 발명의 일 실시예에 따른 인공지능을 이용한 태아 박동 진단방법을 설명하기 위한 흐름도이다.
이하의 설명에서, 진단장치는 내부에 포함된 제어부(20)의 제어에 의해서 동작이 수행되는 것이라고 설명될 수 있다.
도 2를 참조하면, 진단장치는 태아 박동 소리를 수신한다(S201).
진단장치는 수신한 태아 박동 소리에서 심장 박동 정보를 추출하여 분당 심박수(BPM: beats per minute)를 계산한다(S202).
진단장치는 기 설정된 특정 시간동안 분당 심박수를 메디 그래프(Medi-Graph) 변환하여 메디 그래프를 생성한다(S203). 여기서, 메디 그래프는 기 설정된 특정 시간동안 분당 심박수의 시계열 기록 그래프를 의미한다.
이때, 본 발명은 기 설정된 특정 시간에 대해서 사용자가 설정 가능하며, 기 설정된 특정 시간이 없는 경우, 진단장치는 분당 심박수를 메디 그래프(Medi-Graph) 변환하여 메디 그래프를 생성한다.
진단장치는 메디 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성한다(S204). 메디 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하는 하나의 실시예로, 진단장치는 메디 그래프를 스펙트로그램(sprectrogram) 변환하여 스펙트로그램 데이터를 생성할 수 있다.
아래 표 1은 스펙트로그램 변환에 대한 상세설명과 기준값의 일 예를 나타낸 것이다.
스펙트로그램 기준 기준값
샘플링 주기 48000
최소 주파수 0
최대 주파수 24000
Fast Fourier transform
윈도우크기		 2048
샘플 변환시 이동단위 512
입력 샘플 프레임 입력 샘플 1.0초 프레임 48000/480+1=101
101*128
입력 샘플 0.4초 프레임 19200/512+1=38
38*128
입력 샘플 0.1초 프레임 4800/512+1=11
11*128
본 발명에 따른 스펙트로그램 변환은 상기 표 1과 같은 기준값(또는 기준)에 따라 변환할 수 있는데, 이러한 스펙트로그램 변환에 대한 스펙트로그램 기준(또는 스펙트로그램 항목)과 기준값은 다양한 실시예가 가능하며, 본 발명은 다양한 형태의 스펙트로그램 변환에 적용 가능하다.
진단장치는 기 학습된 태아 박동 진단 딥러닝 신경망이 전처리 데이터를 분석하여 정상/이상을 분류한다(S205). 여기서, 전처리 데이터는 스펙트로그램 데이터가 가능하다.
예를 들어, 진단장치는 기 학습된 태아 박동 진단 딥러닝 신경망이 전처리 데이터(예를 들어, 스펙트로그램 데이터)를 분석하여 태아 박동의 이상 패턴을 검출하면 이상(또는 비정상)으로 분류하고, 기 학습된 태아 박동 진단 딥러닝 신경망이 전처리 데이터(예를 들어, 스펙트로그램 데이터)를 분석하여 태아 박동의 이상 패턴을 검출하지 못하면 정상으로 분류한다.
본 발명은 태아 박동 데이터의 패턴 분석에서 단위 시간이 수 십분 이상으로 커지게 되면 데이터의 크기가 커지고 학습 및 분석 성능에 영향을 미치게 되기 때문에 필요한 경우 다음 실시예의 데이터 축소 기법을 혼합하여 사용할 수 있다.
본 발명에서 사용 가능한 데이터 축소 기법은 첫째, 관련이 없거나 중복되는 속성 및 차원을 제거하는 것인 속성부분집합 선택(attribute subset selection) 기법, 둘째, 원래의 데이터를 압축된 형식으로 축소시키는 것인 차원축소(dimensionality reduction)기법, 셋째, 데이터의 수치 값을 대체 값으로 변경시킴으로써 데이터의 크기를 줄이는 것인 수치 축소(numerosity reduction)이다.
진단장치는 정상/이상 분류를 이용하여 태아 박동의 이상 여부를 진단한다(S206).
여기서, 사용자(예를 들어, 산모 또는 의사)는 진단장치가 정상/이상 분류를 이용하여 태아 박동이 이상으로 진단하면 태아의 정밀 진단을 수행할 수 있다.
도 3은 본 발명의 다른 실시예에 따른 인공지능을 이용한 태아 박동 진단방법을 설명하기 위한 흐름도이다.
도 3을 참조하면, 진단장치는 태아 박동 소리를 수신한다(S301).
진단장치는 수신한 태아 박동 소리에서 심장 박동 정보를 추출하여 분당 심박수(BPM: beats per minute)를 계산한다(S302). 예를 들어, S302단계에서 계산한 분당 심박수를 제1분당 심박수라 할 수 있다.
진단장치는 태아 박동으로부터 획득한 분당 심박수를 수신한다(S303). 예를 들어, 태아 박동으로부터 획득한 분당 심박수는 병원 등에서 기 보유하고 있는 태아 박동으로부터 획득한 분당 심박수 데이터가 될 수 있다. 예를 들어, S303단계에서 수신한 분당 심박수를 제2분당 심박수라 할 수 있다.
진단장치는 기 설정된 명령에 따라 기 설정된 특정 시간동안 분당 심박수(제1분당 심박수 및/또는 제2분당 심박수)를 메디 그래프(Medi-Graph) 변환하여 메디 그래프를 생성한다(S304). 여기서, 메디 그래프는 기 설정된 특정 시간동안 분당 심박수의 시계열 기록 그래프를 의미한다.
이때, 본 발명은 기 설정된 명령, 기 설정된 특정 시간에 대해서 사용자가 설정 가능하다.
예를 들어, 진단장치가 S302단계에서 계산한 분당 심박수(예를 들어, 제1분당 심박수)와 S303단계에서 수신한 분당 심박수(예를 들어, 제2분당 심박수) 중 어느 하나를 수신한 경우에 기 설정된 명령이 제1분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성하라는 명령이면, 장치는 두 분당 심박수 중에서 제1분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성할 수 있다.
다른 실시예로, 진단장치가 S302단계에서 계산한 분당 심박수(예를 들어, 제1분당 심박수)와 S303단계에서 수신한 분당 심박수(예를 들어, 제2분당 심박수) 중 어느 하나를 수신한 경우에 기 설정된 명령이 제2분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성하라는 명령이면, 장치는 두 분당 심박수 중에서 제2분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성할 수 있다.
본 발명에서 진단장치가 제1분당 심박수와 제2분당 심박수를 모두 수신한 경우에는 기 설정된 명령은 다양한 형태의 실시예가 가능하다.
제1실시예로, 기 설정된 명령은 진단장치가 제1분당 심박수와 제2분당 심박수에서 우선순위가 높은 데이터(분당 심박수)를 이용하라는 명령이 가능하다. 이때, 진단장치는 제1분당 심박수와 제2분당 심박수를 모두 수신 후에, 기 설정된 명령에 따라 우선순위를 파악하고, 우선순위가 높은 분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성할 수 있다.
제2실시예로, 기 설정된 명령은 진단장치가 제1분당 심박수와 제2분당 심박수를 비교 분석하여, 두 데이터(제1분당 심박수와 제2분당 심박수)의 평균값을 이용하라는 명령이 가능하다. 이때, 진단장치는 제1분당 심박수와 제2분당 심박수를 모두 수신 후에, 기 설정된 명령에 따라 제1분당 심박수와 제2분당 심박수의 평균값을 계산하고, 두 분당 심박수(제1분당 심박수와 제2분당 심박수)의 평균값을 메디 그래프 변환하여 메디 그래프를 생성할 수 있다.
진단장치는 메디 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성한다(S305). 메디 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하는 하나의 실시예로, 진단장치는 메디 그래프를 스펙트로그램(sprectrogram) 변환하여 스펙트로그램 데이터를 생성할 수 있다.
진단장치는 기 학습된 태아 박동 진단 딥러닝 신경망이 전처리 데이터를 분석하여 정상/이상을 분류한다(S306). 여기서, 전처리 데이터는 스펙트로그램 데이터가 가능하다.
예를 들어, 장치는 기 학습된 태아 박동 진단 딥러닝 신경망이 전처리 데이터(예를 들어, 스펙트로그램 데이터) 를 분석하여 태아 박동의 이상 패턴을 검출하면 이상(또는 비정상)으로 분류하고, 기 학습된 태아 박동 진단 딥러닝 신경망이 전처리 데이터(예를 들어, 스펙트로그램 데이터)를 분석하여 태아 박동의 이상 패턴을 검출하지 못하면 정상으로 분류한다.
진단장치는 정상/이상 분류를 이용하여 태아 박동의 이상 여부를 진단한다(S307).
여기서, 사용자(예를 들어, 산모 또는 의사)는 진단장치가 정상/이상 분류를 이용하여 태아 박동이 이상으로 진단하면 태아의 정밀 진단을 수행할 수 있다.
도 4는 본 발명의 일 실시예에 따른 인공지능을 이용한 태아 박동 진단시스템을 설명하기 위한 흐름도이다.
도 4를 참조하면, 본 발명의 일 실시예에 따른 인공지능을 이용한 태아 박동 진단시스템(이하, “진단시스템”라 한다.)는 단말(1)과 서버(2)를 포함한다.
본 발명에서 단말(1)과 서버(2)는 각각이 진단장치가 될 수 있다.
단말(1)은 태아 박동 소리를 수신한다(S401).
단말(1)은 박동 소리에서 심장 박동 정보를 추출하여 분당 심박수(예를 들어, 제1분당 심박수)를 계산 및/또는 태아 박동으로부터 획득한 분당 심박수(예를 들어, 제2분당 심박수)를 수신한다(S402). 예를 들어, 태아 박동으로부터 획득한 분당 심박수(예를 들어, 제2분당 심박수)는 병원 등에서 기 보유하고 있는 데이터가 될 수 있다.
단말(1)은 기 설정된 명령에 따라 기 설정된 특정 시간동안 분당 심박수(제1분당 심박수 및/또는 제2분당 심박수)를 메디 그래프(Medi-Graph) 변환하여 메디 그래프를 생성한다(S403). 여기서, 기 설정된 명령, 기 설정된 특정 시간은 상기 도 3에서 설명한 예들이 가능하다.
단말(1)은 메디 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성한다(S404). 메디 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하는 하나의 실시예로, 진단장치는 메디 그래프를 스펙트로그램(sprectrogram) 변환하여 스펙트로그램 데이터를 생성할 수 있다.
단말(1)은 전처리 데이터를 서버(2)로 전송한다(S405). 예를 들어, 전처리 데이터는 스펙트로그램 데이터가 가능하다.
서버(2)는 기 학습된 태아 박동 진단 딥러닝 신경망이 전처리 데이터를 분석하여 정상/이상을 분류한다(S406).
서버(2)는 정상/이상 분류를 이용하여 태아 박동의 이상 여부를 진단한다(S407).
서버(2)는 진단 결과 정보를 단말(1)로 전송한다(S408).
단말(1)은 진단 결과를 표시한다(S409).
단말(1)이 진단 결과를 표시하면, 사용자(예를 들어, 산모 또는 의사)는 진단 결과를 확인하고, 태아 박동이 이상으로 진단된 것을 확인하면 태아의 정밀 진단을 수행할 수 있다.
이와 같이, 본 발명은 태아의 박동에서 이상 패턴을 검출하여 태아의 이상 여부를 진단할 수 있다.
본 발명의 실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 기록매체에 기록될 수 있다. 컴퓨터 판독 가능 기록매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기록매체에 기록되는 프로그램(프로그램 명령)은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(Magnetic media), CDROM, DVD와 같은 광기록 매체(Optical media), 플롭티컬 디스크(Floptical disk)와 같은 자기-광 매체(Magneto-optical media), 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 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 본 발명을 도면에 도시한 실시예를 참고하여 설명하였으나, 이는 발명을 설명하기 위한 것일 뿐이며, 본 발명이 속하는 기술 분야의 통상의 지식을 가진 자라면 발명의 상세한 설명으로부터 다양한 변형 또는 균등한 실시예가 가능하다는 것을 이해할 수 있을 것이다. 따라서 본 발명의 진정한 권리범위는 특허청구범위의 기술적 사상에 의해 결정되어야 한다.
10: 메모리
20: 제어부
30: 표시부
40: 입력부
50: 송수신부

Claims (10)

  1. 인공지능을 이용한 태아 박동 진단장치가 인공지능을 이용한 태아의 박동 진단방법에 있어서,
    태아 박동 소리를 수신하는 단계,
    상기 태아 박동 소리에서 심장 박동 정보를 추출하여 분당 심박수를 계산하는 단계,
    기 설정된 특정 시간동안 상기 분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성하는 단계,
    상기 메디 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하는 단계,
    기 학습된 태아 박동 진단 딥러닝 신경망이 상기 전처리 데이터를 분석하여 정상/이상을 분류하는 단계를 포함하는 인공지능을 이용한 태아 박동 진단방법.
  2. 인공지능을 이용한 태아 박동 진단장치가 인공지능을 이용한 태아의 박동 진단방법에 있어서,
    태아 박동 소리를 수신하는 단계,
    상기 태아 박동 소리에서 심장 박동 정보를 추출하여 제1분당 심박수를 계산하는 단계,
    태아 박동으로부터 획득한 제2분당 심박수를 수신하는 단계,
    기 설정된 명령에 따라 기 설정된 특정 시간동안 상기 제1분당 심박수와 상기 제2분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성하는 단계,
    상기 메디 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하는 단계,
    기 학습된 태아 박동 진단 딥러닝 신경망이 상기 전처리 데이터를 분석하여 정상/이상을 분류하는 단계를 포함하는 인공지능을 이용한 태아 박동 진단방법.
  3. 제2항에 있어서,
    상기 기 설정된 명령이 상기 제1분당 심박수를 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하라는 명령이면, 상기 제1분당 심박수를 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하고,
    상기 기 설정된 명령이 상기 제2분당 심박수를 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하라는 명령이면, 상기 제2분당 심박수를 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하는 것을 특징으로 하는 인공지능을 이용한 태아 박동 진단방법.
  4. 제2항에 있어서,
    상기 기 설정된 명령이 상기 제1분당 심박수와 상기 제2분당 심박수에서 우선순위가 높은 분당 심박수를 이용하라는 명령이면,
    상기 기 설정된 명령에 따라 상기 우선순위를 파악하고, 상기 우선순위가 높은 상기 분당 심박수를 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하고,
    상기 기 설정된 명령이 상기 제1분당 심박수와 상기 제2분당 심박수를 비교 분석하여, 상기 제1분당 심박수와 상기 제2분당 심박수의 평균값을 이용하라는 명령이면,
    상기 제1분당 심박수와 상기 제2분당 심박수의 상기 평균값을 계산하고, 상기 제1분당 심박수와 상기 제2분당 심박수의 상기 평균값을 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하는 것을 특징으로 하는 인공지능을 이용한 태아 박동 진단방법.
  5. 제1항 또는 제2항에 있어서,
    상기 전처리 데이터는,
    상기 메디 그래프를 스펙트로그램 변환하여 생성된 스펙트로그램 데이터인 것을 특징으로 하는 인공지능을 이용한 태아 박동 진단방법.
  6. 기 학습된 태아 박동 진단 딥러닝 신경망을 저장하는 메모리,
    태아 박동 소리에서 심장 박동 정보를 추출하여 분당 심박수를 계산하고, 기 설정된 특정 시간동안 상기 분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성하고, 상기 메디 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하고, 기 학습된 태아 박동 진단 딥러닝 신경망이 상기 전처리 데이터를 분석하여 정상/이상을 분류하도록 제어하는 제어부를 포함하는 인공지능을 이용한 태아 박동 진단장치.
  7. 기 학습된 태아 박동 진단 딥러닝 신경망을 저장하는 메모리,
    태아 박동 소리에서 심장 박동 정보를 추출하여 제1분당 심박수를 계산하고, 태아 박동으로부터 획득한 제2분당 심박수를 수신하고, 기 설정된 명령에 따라 기 설정된 특정 시간동안 상기 제1분당 심박수와 상기 제2분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성하고, 상기 메디 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하고, 기 학습된 태아 박동 진단 딥러닝 신경망이 상기 전처리 데이터를 분석하여 정상/이상을 분류하도록 제어하는 제어부를 포함하는 인공지능을 이용한 태아 박동 진단장치.
  8. 제7항에 있어서,
    상기 제어부는 상기 기 설정된 명령이 상기 제1분당 심박수를 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하라는 명령이면, 상기 제1분당 심박수를 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하고,
    상기 기 설정된 명령이 상기 제2분당 심박수를 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하라는 명령이면, 상기 제2분당 심박수를 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하도록 제어하는 것을 특징으로 하는 인공지능을 이용한 태아 박동 진단장치.
  9. 제7항에 있어서,
    상기 제어부는 상기 기 설정된 명령이 상기 제1분당 심박수와 상기 제2분당 심박수에서 우선순위가 높은 분당 심박수를 이용하라는 명령이면,
    상기 기 설정된 명령에 따라 상기 우선순위를 파악하고, 상기 우선순위가 높은 상기 분당 심박수를 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하고,
    상기 기 설정된 명령이 상기 제1분당 심박수와 상기 제2분당 심박수를 비교 분석하여, 상기 제1분당 심박수와 상기 제2분당 심박수의 평균값을 이용하라는 명령이면,
    상기 제1분당 심박수와 상기 제2분당 심박수의 상기 평균값을 계산하고, 상기 제1분당 심박수와 상기 제2분당 심박수의 상기 평균값을 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하도록 제어하는 것을 특징으로 하는 인공지능을 이용한 태아 박동 진단장치.
  10. 태아 박동 소리를 수신하고, 상기 태아 박동 소리에서 심장 박동 정보를 추출하여 제1분당 심박수를 계산하고, 태아 박동으로부터 획득한 제2분당 심박수를 수신하고, 기 설정된 명령에 따라 기 설정된 특정 시간동안 제1분당 심박수 또는 제2분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성하고, 상기 메디 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하고, 상기 전처리 데이터를 서버로 전송하는 단말,
    상기 전처리 데이터를 수신하고, 기 학습된 태아 박동 진단 딥러닝 신경망이 상기 전처리 데이터를 분석하여 정상/이상을 분류하는 서버를 포함하는 인공지능을 이용한 태아 박동 진단시스템.
KR1020190147944A 2019-11-18 2019-11-18 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템 KR102319262B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190147944A KR102319262B1 (ko) 2019-11-18 2019-11-18 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템
PCT/KR2019/018398 WO2021100968A1 (ko) 2019-11-18 2019-12-24 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190147944A KR102319262B1 (ko) 2019-11-18 2019-11-18 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템

Publications (2)

Publication Number Publication Date
KR20210060730A true KR20210060730A (ko) 2021-05-27
KR102319262B1 KR102319262B1 (ko) 2021-11-01

Family

ID=75980680

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190147944A KR102319262B1 (ko) 2019-11-18 2019-11-18 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템

Country Status (2)

Country Link
KR (1) KR102319262B1 (ko)
WO (1) WO2021100968A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023113048A1 (ko) * 2021-12-13 2023-06-22 네오컨버전스 주식회사 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10506034A (ja) * 1994-09-21 1998-06-16 ベス・イスラエル・デイーコネス・メデイカル・センター 胎児データ処理システム及び方法
KR101221406B1 (ko) * 2012-06-19 2013-01-25 (주)비스토스 태아 심음 측정 장치 및 이를 포함하는 시스템
KR101936302B1 (ko) 2018-06-29 2019-01-08 이채영 딥러닝 네트워크에 기반한 퇴행성 신경질환 진단 방법 및 진단 장치

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0564459B1 (en) * 1991-10-24 1996-05-15 Hewlett-Packard GmbH Apparatus and method for evaluating the fetal condition
KR101748261B1 (ko) * 2016-04-14 2017-06-16 계명대학교 산학협력단 심전도 데이터를 그래프로 시각화하여 부정맥을 판별하는 방법 및 시스템
KR20190114694A (ko) * 2018-03-30 2019-10-10 삼성에스디에스 주식회사 인공지능을 이용한 시계열 데이터 학습 및 분석 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10506034A (ja) * 1994-09-21 1998-06-16 ベス・イスラエル・デイーコネス・メデイカル・センター 胎児データ処理システム及び方法
KR101221406B1 (ko) * 2012-06-19 2013-01-25 (주)비스토스 태아 심음 측정 장치 및 이를 포함하는 시스템
KR101936302B1 (ko) 2018-06-29 2019-01-08 이채영 딥러닝 네트워크에 기반한 퇴행성 신경질환 진단 방법 및 진단 장치

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023113048A1 (ko) * 2021-12-13 2023-06-22 네오컨버전스 주식회사 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템

Also Published As

Publication number Publication date
KR102319262B1 (ko) 2021-11-01
WO2021100968A1 (ko) 2021-05-27

Similar Documents

Publication Publication Date Title
Dwivedi et al. Algorithms for automatic analysis and classification of heart sounds–a systematic review
Yuenyong et al. A framework for automatic heart sound analysis without segmentation
JP6250198B2 (ja) 異常音診断装置、異常音診断システム、異常音診断方法および異常音診断プログラム
JP2019531792A (ja) 異常心音の検出のための分類器アンサンブル
US20210319804A1 (en) Systems and methods using neural networks to identify producers of health sounds
Gupta et al. Segmentation and classification of heart sounds
Ulbricht et al. Neural networks for recognizing patterns in cardiotocograms
KR102319262B1 (ko) 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템
Zhu et al. Feature extraction from a novel ECG model for arrhythmia diagnosis
Fikri et al. ECG signal classification review
KR102186159B1 (ko) 피어슨 상관계수 및 뉴로-퍼지 네트워크 기반 심음 분석 방법 및 시스템
Riyadi et al. Classification of EEG-based brain waves for motor imagery using support vector machine
CN114224288A (zh) 检测癫痫脑电信号的微型胶囊神经网络训练方法及设备
Sun et al. Principal component analysis-based features generation combined with ellipse models-based classification criterion for a ventricular septal defect diagnosis system
KR20230089580A (ko) 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템
KR102407587B1 (ko) 급성심근경색 판단 방법, 장치 및 프로그램
KR20020043997A (ko) 주성분 분석에 의한 심음 분류 방법
Lv et al. An online heart rate variability analysis method based on sliding window Hurst series
Sun et al. PCA-based heart sound feature generation for a ventricular septal defect discrimination
KR102320100B1 (ko) 뉴로-퍼지 네트워크 기반 심음 분석 방법 및 시스템
WO2023113048A1 (ko) 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템
KR102352859B1 (ko) 심장질환의 유무를 분류하는 장치 및 방법
US11903718B2 (en) Automatic noise signal interval detection method and device
KR102630547B1 (ko) 사용자 상태 진단을 위한 진단 정보 제공 방법 및 이를 수행하는 장치
Mabrouk Non-Invasive EEG-based BCI system for Left or Right Hand Movement

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant