KR20210072866A - 심음 데이터를 이용한 심장질환 진단 시스템 및 방법 - Google Patents

심음 데이터를 이용한 심장질환 진단 시스템 및 방법 Download PDF

Info

Publication number
KR20210072866A
KR20210072866A KR1020190162884A KR20190162884A KR20210072866A KR 20210072866 A KR20210072866 A KR 20210072866A KR 1020190162884 A KR1020190162884 A KR 1020190162884A KR 20190162884 A KR20190162884 A KR 20190162884A KR 20210072866 A KR20210072866 A KR 20210072866A
Authority
KR
South Korea
Prior art keywords
heart sound
sound data
heart
disease
data
Prior art date
Application number
KR1020190162884A
Other languages
English (en)
Other versions
KR102404715B1 (ko
Inventor
신동진
김광기
오병천
경선영
이장형
Original Assignee
(의료)길의료재단
가천대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (의료)길의료재단, 가천대학교 산학협력단 filed Critical (의료)길의료재단
Priority to KR1020190162884A priority Critical patent/KR102404715B1/ko
Publication of KR20210072866A publication Critical patent/KR20210072866A/ko
Application granted granted Critical
Publication of KR102404715B1 publication Critical patent/KR102404715B1/ko

Links

Images

Classifications

    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier 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
    • A61B5/7271—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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B7/00—Instruments for auscultation
    • A61B7/02—Stethoscopes
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • Veterinary Medicine (AREA)
  • Primary Health Care (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Acoustics & Sound (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

심음 데이터를 이용한 심장 질환 예측 시스템을 제공한다. 본 발명의 실시예에 따른 시스템은 심음 획득부(100), 각각 병명이 판별되어 부여된 다수의 제1 심음 데이터와, 정상으로 판별되어 부여된 다수의 제2 심음 데이터가 미리 저장되는 데이터베이스(200), 상기 심음 획득부(100)가 획득한 예측 대상 심음 데이터와, 상기 데이터베이스(200)에 저장된 다수의 제1 심음 데이터를 소정의 방법으로 전처리하는 심음 전처리부(300) 및 상기 데이터베이스(200)에 저장된 제1 및 제2 심음 데이터를 이용하여 소정의 방법으로 질환 예측 모델을 생성하고, 생성된 상기 질환 예측 모델에 따라 상기 예측 대상 심음 데이터에 상응하는 질환을 예측하거나, 상기 심음 전처리부(300)에 의해 전처리된 전처리 심음 데이터에 대해 소정의 방법으로 상기 예측 대상 심음 데이터에 상응하는 질환을 예측하는 인공지능 서버(500)를 포함할 수 있다.

Description

심음 데이터를 이용한 심장질환 진단 시스템 및 방법{Heart Disease Diagnosis System and Method Using Cardiac Sound Data}
본 발명은 심음 데이터를 이용한 심장 질환 진단 시스템 및 방법에 관한 것이다.
심장질환은 전세계 사망의 주요 원인을 차지하며, 심장질환으로 인한 사망이 점점 늘어나고 있는 추세이다.
과학기술의 발달과 함께 현대사회의 부적절한 생활양식은 심장질환을 유발하는 일반적인 요인으로 작용하고 있다. 특히, 대부분의 시간을 앉아서 업무를 처리하는 생활양식은 현대인들에게 운동 부족 상태를 초래하였고, 고지방 섭취와 비만을 초래하는 식사습관, 흡연, 고혈압 등은 심장질환의 발생을 증가시키고 있다.
따라서, 심장질환의의 조기 진단이 가능한 시스템의 필요성이 대두되고 있다. 심장질환은 대부분 치명적이거나 심한 후유증을 남기기 때문에 심장질환의 조기 발견은 매우 중요하다고 할 것이다. 하지만, 심장질환 검사는 환자들에게 많은 비용 부담을 요구하고, 오랜 진단시간이 소요되는 단점이 있었다. 특히, 만성 심장질환 환자의 경우 주기적인 심장질환 검사가 필요하므로 많은 부담이 초래되고 있었다.
또한, 기존의 심장질환 검사는 검사 데이터를 가지고 진단의의 임상적 경험에 따라 심장질환 유무를 진단하는 방식인데, 이는 주관적 판단에 근거하기 때문에 객관성의 담보가 결여되는 문제가 있었다.
따라서, 비용의 이슈가 최소화되면서도 객관성이 담보되는 심장질환 진단 시스템에 대한 수요가 증가하고 있는 실정이다.
한국등록특허문헌 제10-1799194호 (2017.11.17.) 한국공개특허문헌 제10-2017-0064960호 (2017.06.12.) 한국등록특허문헌 제10-1398218호(2014.05.15.)
상기한 과제를 해결하기 위해 본 발명은 심음 데이터를 획득하고, 획득한 심음 데이터를 이용하여 인공지능 연산을 통한 질환 예측 또는 심음 데이터 전처리를 통해 기존의 질환 데이터와 비교하여 해당 심음 데이터에 상응하는 질환을 높은 정확도로 예측할 수 있는 시스템을 제공하고자 한다.
상기한 목적을 달성하기 위한 본 발명의 일 실시예는 심음 획득부(100), 각각 병명이 판별되어 부여된 다수의 제1 심음 데이터와, 정상으로 판별되어 부여된 다수의 제2 심음 데이터가 미리 저장되는 데이터베이스(200), 상기 심음 획득부(100)가 획득한 예측 대상 심음 데이터와, 상기 데이터베이스(200)에 저장된 다수의 제1 심음 데이터를 소정의 방법으로 전처리하는 심음 전처리부(300) 및 상기 데이터베이스(200)에 저장된 제1 및 제2 심음 데이터를 이용하여 소정의 방법으로 질환 예측 모델을 생성하고, 생성된 상기 질환 예측 모델에 따라 상기 예측 대상 심음 데이터에 상응하는 질환을 예측하거나, 상기 심음 전처리부(300)에 의해 전처리된 전처리 심음 데이터에 대해 소정의 방법으로 상기 예측 대상 심음 데이터에 상응하는 질환을 예측하는 인공지능 서버(500)를 포함하는, 인공지능을 이용한 심장 질환 예측 시스템을 제공한다.
일 실시예에 있어서, 상기 심음 전처리부(300)는, 상기 심음 데이터에 대해 단시간 푸리에 변환(Short-Time Fourier Transform, STFT)을 수행하는 단시간 주파수 변환부(310), 상기 심음 데이터를 구성하는 제1 심음(S1)과 제2 심음(S2)의 개수가 소정의 개수로 규격화(normarlizing)되도록 상기 심음 데이터를 전처리하는 제1 신호 전처리부(320), 상기 심음 데이터를 구성하는 심음 획득 시간이 통일화되도록 상기 심음 데이터를 전처리하는 제2 신호 전처리부(330), 상기 심음 데이터 중 소정의 문턱주파수값(fth)보다 큰 주파수 대역의 신호의 진폭(dB)이 저감되거나 제거되도록 상기 심음 데이터를 전처리하는 제3 신호 전처리부(340) 및 상기 심음 데이터의 상기 제1 심음(S1)과 상기 제2 심음(S2)의 진폭을 검출하는 피크 검출부(350)를 포함할 수 있다.
일 실시예에 있어서, 상기 예측 대상 심음 데이터의 진폭을 제1 음원 품질 계수(Iq1)로 연산하고, 상기 예측 대상 심음 데이터 중 상기 소정의 문턱주파수값(fth)보다 높은 주파수 대역의 파워(PH)를 상기 소정의 문턱주파수값(fth)보다 낮은 주파수 대역의 파워(PL)로 나눈 값을 제2 음원 품질 계수(Iq2)로 연산하는 음원 품질 계수 연산부(400)를 더 포함할 수 있다.
일 실시예에 있어서, 상기 인공지능 서버(500)는, 상기 데이터베이스(200)에 미리 저장된 다수의 상기 제1 및 제2 심음 데이터를 학습하여 소정의 방법에 따라 상기 심음 데이터를 구성하는 다수의 정보 각각에 대한 가중치를 선정하고, 선정된 가중치를 이용하여 상기 예측 대상 심음 데이터에 상응하는 질환을 예측할 수 있다.
일 실시예에 있어서, 상기 다수의 제1 심음 데이터가 상기 전처리부(300)에서 전처리되고, 하나의 심음 데이터에 대한 전처리 횟수에 따라 결정된 다차원 공간 상에 상기 다수의 제1 심음 데이터가 각각 사상되며, 상기 예측 대상 심음 데이터가 상기 전처리부(300)에서 전처리되어, 전처리 심음 데이터가 상기 다차원 공간 상에 사상될 수 있다.
일 실시예에 있어서, 상기 다차원 공간 상에 사상된 상기 다수의 제1 심음 데이터는 판별된 병명별로 각각 군집을 이루며, 상기 인공지능 서버(500)는 상기 다차원 공간에 사상된 상기 예측 대상 심음 데이터와, 각 군집의 중심점에 상응하는 데이터와의 거리를 연산하고, 연산된 거리에 기초하여 상기 예측 대상 심음 데이터의 질환 또는 질환 가능성을 예측하는 질환 예측부(560)를 더 포함할 수 있다.
일 실시예에 있어서, 상기 질환 예측부(560)는 상기 연산된 거리를, 해당 군집을 구성하는 데이터들의 표준편차로 나눈 값을 이용하여 상기 예측 대상 심음 데이터의 질환 또는 질환 가능성을 예측할 수 있다.
일 실시예에 있어서, 상기 질환 예측부(560)는 연산한 다수의 거리 중 최소가 되는 거리에 상응하는 군집에 해당하는 병명을 상기 예측 대상 심음 데이터의 질환으로 예측할 수 있다.
본 발명에 따르면, 청진기와 같은 심음 획득부를 이용하여 심음 측정 대상의 심음 데이터를 획득하는 것만으로, 해당 심음 데이터에 상응하는 심장 질환을 높은 정확도로 예측하는 것이 가능하다.
이를 통해, 많은 비용과 시간이 소모되는 종래의 심장질환 검사를 이용하지 않고서도 심장 질환을 예측할 수 있게 되어, 환자와 의료진의 편의성이 모두 증진된다.
획득된 심음 데이터의 음원 품질을 연산하고 이를 심장 질환 예측의 신뢰도를 평가하는데 이용하게 되어, 질환 예측의 신뢰도를 담보하는 것이 가능하다.
심장 질환 예측에 사용된 데이터는 다시 데이터베이스에 저장되어, 데이터들이 축적됨에 따라 보다 높은 정확도로 심장 질환을 예측하는 것이 가능하다.
도 1은 본 발명의 실시예에 따른 시스템을 설명하기 위한 블록도이다.
도 2는 심음 획득부에서 획득한 심음 신호를 나타낸 도면이다.
도 3은 임의의 문턱주파수값들로 구분지어진 주파수 대역의 예시를 도시한다.
도 4 및 5는 병명이 판별되어 부여된 다수의 제1 심음 데이터가 다차원 공간(hyper-space) 상에서 군집화되어 사상된 것을 설명하기 위한 도면이다.
도 6은 질의되는 임의의 예측 대상 심음 데이터와 다차원 공간 상에 군집화되어 사상된 다수의 제1 심음 데이터 사이의 거리를 연산하는 것을 설명하기 위한 도면이다.
이하, 첨부된 도면을 참조하여 본 발명을 상세히 설명한다.
도 1을 참조하면, 본 발명의 실시예에 따른 시스템은 심음 획득부(100), 데이터베이스(200), 심음 전처리부(300), 음원 품질 계수 연산부(400), 인공지능 서버(500) 및 디스플레이(600)를 포함할 수 있다.
심음 획득부(100)는 심음 측정 대상에 부착되어, 부착된 대상의 심음을 획득하는 부분이다.
일 예로, 청진기가 이에 해당할 수 있으며 이외에도 심음 측정 대상에 소정 시간 이상 부착 상태가 유지되어 부착 시간 동안 부착된 대상의 심음을 획득할 수 있는 장치이면 어느 것이든 적용될 수 있다.
심음 획득부(100)에 의해 획득된 심음 신호는, 일 예로 도 2에 도시된 바와 같이 시간(t)을 x축으로, 진폭(Amplitude, Amp)을 y축으로 하는 그래프로 나타날 수 있다.
데이터베이스(200)에는 각각 병명이 판별되어 부여된 다수의 제1 심음 데이터와, 정상으로 판별된 다수의 제2 심음 데이터가 미리 저장된다. 상기 병명은, 동맥경화증, 승모판협착증, 승모판폐쇄부전증, 대동맥판협착증, 허혈성 심장질환, 확장성 심근증, 비후성 심근증 등을 포함할 수 있으며, 이에 제한되지 않고 심장과 관련된 질환이면 모두 포함될 수 있다.
심음 전처리부(300)는 심음 획득부(100)에 획득된 예측 대상 심음 데이터, 그리고 데이터베이스(200)에 저장되어 있는 제1 심음 데이터 및 제2 심음 데이터를 소정의 방법으로 전처리하며, 단시간 주파수 변환부(310), 제1 신호 전처리부(320), 제2 신호 전처리부(330), 제3 신호 전처리부(340) 및 피크 검출부(350)를 포함할 수 있다.
단시간 주파수 변환부(310)는 심음 데이터에 대해 단시간 푸리에 변환(Short-Time Fourier Transform, STFT)을 수행한다. 심음 데이터에 대해 STFT를 수행하면, 시간(t)을 x축으로, 주파수(Frequency, F)를 y축으로 하는 그래프가 얻어질 수 있다.
다수의 대상으로부터 얻어진 심음 데이터는 획득 시간과, 데이터를 구성하는 샘플 포인트 개수, 진폭, 주파수 등이 상이할 수 있다. 이를 규격화하기 위해 본 발명에서는 아래와 같은 전처리 과정이 더 수행될 수 있다.
제1 신호 전처리부(320)는 심음 데이터를 구성하는 샘플 포인트의 개수를 규격화한다. 심음 데이터는 주기적으로 반복하고, 한 주기당 이첨판과 삼첨판이 닫힐 때 발생하는 음에 대응하는 제1 심음(S1)과, 반월판이 닫힐 때 발생하는 음에 대응하는 제2 심음(S2)을 포함하게 된다.
제1 심음(S1)과 제2 심음(S2)을 포함하는 한 주기의 심음 데이터가 적어도 100개가 필요하다고 가정한다. 일 대상으로부터 획득된 심음 데이터가 90 주기의 심음 데이터를 포함하고 있다고 할 때, 제1 신호 전처리부는 90 주기의 심음 데이터의 패턴으로부터 그 다음 10 주기를 심음 데이터를 추정하는 외삽법(Extrapolation)을 수행하여 100 주기의 심음 데이터를 획득하도록 할 수 있다. 또한, 내삽법(Interpolation)을 수행하여 100 주기의 심음 데이터를 획득하는 것도 역시 가능하다.
제1 신호 전처리부(320)에 의해 임의의 대상으로부터 획득된 심음 데이터가 100 주기의 심음 데이터를 포함하도록 전처리하는 것이 가능하다.
제2 신호 전처리부(330)는 대상으로부터 획득된 심음 데이터의 획득 시간을 통일화한다.
대상마다 획득된 심음 데이터의 획득 시간은 다를 것인데, 제2 신호 전처리부(230)는 이를 통일화하게 된다.
일 예로, 제2 신호 전처리부(330)는 142초의 시간을 통해 획득된 어느 하나의 심음 데이터의 전반부 또는 후반부 일부를 제거하는 절단(Truncation)하여 100초의 시간을 통해 획득된 심음 데이터를 생성하거나, 83초의 시간을 통해 획득된 다른 하나의 심음 데이터를 덧붙여(append) 100초의 시간을 통해 획득된 심음 데이터를 생성할 수 있다.
제3 신호 전처리부(340)는 대상으로부터 획득된 심음 데이터에 포함된 잡음 강도를 저감한다.
심음 데이터 중 실제 심장으로부터 획득되는 신호음은 저주파대역에 집중하여 분포하고, 나머지 잡음(noise)은 광대역에 걸쳐 분포하는 특성이 있다. 따라서, 순수 잡음으로 볼 수 있는 고주파대역에 존재하는 신호를 저감하면 신호 강도를 상대적으로 증진시킬 수 있다.
제3 신호 전처리부(340)는 소정의 주파수 값을 문턱주파수값(threshold frequency, fth)으로 미리 설정하고, 이보다 높은 주파수 대역에 존재하는 신호의 강도를 감소시키거나 제거함으로써 실제 심장으로부터 획득되는 신호음을 상대적으로 증진시키게 된다.
피크 검출부(350)는 심음 데이터의 피크에 해당하는 제1 심음(S1)과 제2 심음(S2)의 진폭을 검출한다.
상기한 단시간 주파수 변환부(310), 제1 신호 전처리부(320), 제2 신호 전처리부(330), 제3 신호 전처리부(340) 및 피크 검출부(350)에 의해 대상으로부터 획득된 예측 대상 심음 데이터에 대해 정량화되고 규격화된 데이터가 획득될 수 있다.
음원 품질 계수 연산부(400)는, 시간(t)을 x축으로, 진폭(Amp)을 y축으로 하는 도 2의 그래프와, 시간(t)을 x축으로, 주파수(f)를 y축으로 하는 그래프를 이용하여 제1 음원 품질 계수(Iq1)와 제2 음원 품질 계수(Iq2)를 연산한다.
대상으로부터 획득된 심음 데이터는 획득 대상에 따라 그 품질이 상이할 수 있다. 어떤 대상으로부터 획득된 심음 데이터는 최소한의 잡음만이 포함되고 높은 진폭을 가진 데이터일 수 있는 반면, 다른 대상으로부터 획득된 심음 데이터는 많은 잡음이 포함되고 낮은 진폭을 가진 데이터일 수 있다.
즉, 대상마다 획득된 심음 데이터의 상이한 진폭, 잡음의 영향을 최소화하여 진단의 정확성을 높이기 위해, 본 발명에서는 진폭(dB)을 제1 음원 품질 계수(Iq1)로, 그리고 아래에 설명된 방법에 따라 제2 음원 품질 계수(Iq2)를 규정하여 추후 심장 질환 진단에 이용하게 된다.
보다 구체적으로, 심음의 주파수 표현(frequency domain representation)에서 잡음(noise)은 광대역에 걸쳐 분포하고, 신호음은 저주파대역에 집중하여 분포하는 특성에 기초하여, 소정의 주파수 값을 문턱주파수값(threshold frequency, fth)으로 미리 설정하고, fth보다 낮은 주파수 대역의 파워(PL)와, fth보다 높은 주파수 대역의 파워(PH)를 각각 연산하여 그 비율(PL/PH)을 제2 음원품질계수(Iq2)로 규정한다.
임의의 주파수 f0, f1에 대해, f0<f<f1 구간 주파수 대역의 에너지는 하기의 수학식 1을 통해 연산될 수 있다.
Figure pat00001
또한, fth보다 낮은 주파수 대역의 파워(PL)와, fth보다 높은 주파수 대역의 파워(PH)는 하기의 수식 2를 통해 연산될 수 있다.
Figure pat00002
Figure pat00003
Figure pat00004
이렇게 연산된 PH/PL을 제2 음원 품질 계수(Iq2)로 이용하게 된다.
일반적으로, 심음 획득부(100)에 의한 심음 획득 과정에서 순수한 심음뿐만 아니라 의료 인력과 환자 간의 대화, 청진기와 피부간 마찰, 청진기와 환자 의복 간 마찰 등의 다양한 잡음원에 노출되어 있으며, 잡음원을 완전히 제거하기는 어렵다.
심음 획득부(100)로부터 획득한 심음 데이터는 소정의 진폭(dB)을 가질 수 있으며, 따라서 제1 음원 품질 계수(Iq1)가 상기 소정의 진폭(dB)에 상응하는 경우에 이를 심음으로 보아 후술하는 인공지능 서버(500)로의 질의가 이루어질 수 있다.
또한, 심음 신호는 저주파대역에 집중하여 분포하는 특성이 있으므로, PH/PL로 연산되는 제2 음원 품질 계수(Iq2)가 소정 값 이하인 경우에 이를 심음으로 보아 후술하는 인공지능 서버(500)로의 질의가 이루어질 수 있다.
하지만, 이에 제한되지 않고 음원 품질 계수 연산부(400)에 의해 연산된 음원 품질 계수(Iq1, Iq2)는 후술하는 질환 예측부(560)에 의해 판단된 질환의 정확도와 신뢰도를 평가하는데 이용될 수 있다.
인공지능 서버(500)는 데이터베이스(200)에 저장된 제1 및 제2 심음 데이터를 이용하여 소정의 방법으로 질환 예측 모델을 생성하고, 생성된 질환 예측 모델에 따라 예측 대상 심음 데이터에 상응하는 질환을 예측하거나, 심음 전처리부(300)에 의해 전처리된 전처리 심음 데이터에 대해 소정의 방법으로 예측 대상 심음 데이터에 상응하는 질환을 예측한다.
먼저, 질환 예측 모델을 생성하는 방법을 구체적으로 설명한다.
데이터 수집부(510)는 데이터베이스(200)에 저장된 제1 및 제2 심음 데이터를 일정 시간 간격으로 수집할 수 있다.
데이터 학습 및 모델 생성부(520)는 일정 시간 간격으로 수집된 제1 및 제2 심음 데이터를 이용하여, 심장 질환 예측을 위한 모델을 생성하는데, 다변수 상관관계를 통한 기계 학습을 통하여 성능 예측을 가능하게 하며, 제1 및 제2 심음 데이터의 패턴분석을 통하여 성능 예측을 가능하게 하는 모델을 생성한다.
즉, 데이터 학습 및 모델 생성부(520)는 일정 시간 간격으로 수집된 제1 및 제2 심음 데이터를 기계 학습 알고리즘을 통해 성능의 예측을 위한 모델을 생성하고, 성능 예측 및 가중치 선정부(530)로 하여금 생성된 모델로부터의 예측값과 실제 데이터를 비교하여 성능을 예측하게끔 할 수 있다.
데이터베이스(200)에 미리 저장된 제1 및 제2 심음 데이터들을 임의로 훈련용 데이터와 테스트 데이터로 분할된다.
데이터 수집부(510)는 임의로 분할된 훈련용 데이터를 수집하고, 데이터 학습 및 모델 생성부(520)는 다수의 기계 학습 모델 중 어느 하나의 기계 학습 모델을 생성한다.
데이터 학습 및 모델 생성부(520)는 임의로 분할된 상기 훈련용 데이터를 활용하여 격자탐색법(Grid Search), SVM(Support Vector Machine) 및 선형판별법 중 다양한 머신러닝 방법 중 하나를 적용하여 심음 데이터를 구성하는 다수의 정보 각각에 곱해지는 가중치를 연산한다.
즉, 데이터 학습 및 모델 생성부(520)에 의해 각 머신러닝 방법마다 상이한 가중치들이 연산될 것이다.
다음, 성능 예측 및 가중치 선정부(530)는 데이터 학습 및 모델 생성부(520)에 의해 연산된 각각의 가중치를 테스트 데이터에 적용하여 테스트 성능 수치를 산출하게 되는데, 이들 중 가장 높은 테스트 성능 수치를 보이는 방법과 그에 상응하는 가중치가 선정된다. 즉, 질환 예측부(560)에서의 최종 출력값과 실제 값의 오차가 최소가 되도록 심음 데이터를 구성하는 다수의 정보 각각에 곱해지는 가중치가 선정된다.
가중 합산부(540)는 성능 예측 및 가중치 선정부(530)에서 선정된 다수의 가중치를 합산하며, 합산된 가중치를 이용하여 질의 입력부(550)를 통해 입력된 질의에 따라 질환 예측부(560)에서 질환을 예측하게 된다.
다음, 심음 전처리부(300)에 의해 전처리된 전처리 심음 데이터에 대해 소정의 방법으로 예측 대상 심음 데이터에 상응하는 질환을 예측하는 방법을 구체적으로 설명한다.
데이터베이스(200)에 저장되어 있는 각각 병명이 판별되어 부여된 다수의 제1 심음 데이터들은 각각 상기한 단시간 주파수 변환부(310), 제1 신호 전처리부(320), 제2 신호 전처리부(330), 제3 신호 전처리부(340) 및 피크 검출부(350)에 의해 정량적 데이터로 변환된다.
이들 정량적 데이터를 병합(Concatenate)하면, 하나의 심음 데이터에 대해 수행된 전처리 횟수와 동일한 차원의 공간에서, 다수의 제1 심음 데이터 각각이 상기 공간에 사상(즉, 다차원 공간(hyper-space)에서 하나의 포인트에 해당될 수 있음)되는데, 동일한 병명이 부여된 데이터들은 소정 간격 이내에 군집화(cluster)된다. 즉, 동일한 병명이 부여된 심음 데이터는 일정한 경향을 보이기 때문에, 다차원 공간에서 군집을 형성할 수 있게 되는 것이다.
또한, 심음 획득부(100)를 이용하여 질환 진단 대상으로부터 예측 대상 심음 데이터를 획득하고, 획득된 심음 데이터를 단시간 주파수 변환부(310), 제1 신호 전처리부(320), 제2 신호 전처리부(330), 제3 신호 전처리부(340) 및 피크 검출부(350)에 의해 정량적 데이터로 변환하고, 이들을 병합하면 상기 다차원 공간에서의 제1 좌표가 설정된다.
질환 예측부(560)는 상기 제1 좌표와, 병명마다 군집화된 데이터들 사이의 거리를 연산하고, 연산된 거리 데이터를 이용하여 기 설정된 방법에 따라 질환별 가능성(likelihood) 또는 질환 진단 대상의 질환을 예측한다.
질환 예측부(560)가 질환 진단 대상의 질환을 예측하는 방법을 구체적으로 설명한다.
다차원 공간 내에서 질환별 군집의 분포는 도 4 및 5와 같을 수 있다.
도 4에서 보라색으로 표시된 군집은 부정맥 환자의 데이터에 해당할 수 있으며, 노란색으로 표시된 군집은 심부전 환자의 데이터에 해당할 수 있으며 빨간색, 초록색, 연두색 등으로 표시된 군집도 상응하는 질환 환자의 데이터에 해당할 수 있다.
전술한 방식을 이용하여, 질의 입력부(550)에 입력되는 임의의 질의(query)되는 데이터(즉, 진단 대상의 예측 대상 심음 데이터)를 다차원 공간 내 한 개의 점(point) P_Q으로 사상할 수 있다.
사상된 P_Q와, 각 군집에 해당하는 C_i간 거리(distance) d_i를 아래의 수식을 통해 연산할 수 있다.
Figure pat00005
여기서 C_c,i는 임의의 군집 C_i의 중심점에 해당하고, stdev(C_i)는 군집 C_i의 분포의 표준편차이다.
즉, 다차원 공간에 사상된 P_Q와 임의의 군집의 중심점 C_c,i 사이의 거리를 해당 군집의 표준 편차로 나눈 값을 이용하게 되며, 전술한 바와 같이, 각각 병명이 판별되어 부여된 다수의 심음 데이터들은 군집을 형성하게 되고, 질의되는 음원데이터와 가장 가까운 거리에 위치하는, 즉 d_i가 최소가 되는 d_min=(d_1, d_2, …, d_N)에 해당하는 군집, C_i의 질환을 예측의 결과로서 출력하게 된다.
특정 군집에 근접할수록 상기 특정 군집에 대응하는 질환에 해당될 가능성이 높다고 연산될 수 있으며, 질환 예측부(560)는 군집별 평균, 분산 및 통계적 분포(statistical distribution)에 기초하여 각 질환의 가능성(likelihood)을 연산할 수도 있다.
이상 본 출원의 바람직한 실시 예를 참조하여 설명하였지만, 당업계에서 통상의 지식을 가진 자라면 이하의 청구범위에 기재된 본 출원의 사상 및 영역을 벗어나지 않는 범위 내에서 본 출원을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100: 심음 획득부
200: 데이터베이스
300: 심음 전처리부
310: 단시간 주파수 변환부
320: 제1 신호 전처리부
330: 제2 신호 전처리부
340: 제3 신호 전처리부
350: 피크 검출부
400: 음원 품질 계수 연산부
500: 인공지능 서버
510: 데이터 수집부
520: 데이터 학습 및 모델 생성부
530: 성능 예측 및 가중치 선정부
540: 가중 합산부
550: 질의 입력부
560: 질환 예측부
600: 디스플레이

Claims (8)

  1. 심음 획득부(100);
    각각 병명이 판별되어 부여된 다수의 제1 심음 데이터와, 정상으로 판별되어 부여된 다수의 제2 심음 데이터가 미리 저장되는 데이터베이스(200);
    상기 심음 획득부(100)가 획득한 예측 대상 심음 데이터와, 상기 데이터베이스(200)에 저장된 다수의 제1 심음 데이터를 소정의 방법으로 전처리하는 심음 전처리부(300); 및
    상기 데이터베이스(200)에 저장된 제1 및 제2 심음 데이터를 이용하여 소정의 방법으로 질환 예측 모델을 생성하고, 생성된 상기 질환 예측 모델에 따라 상기 예측 대상 심음 데이터에 상응하는 질환을 예측하거나,
    상기 심음 전처리부(300)에 의해 전처리된 전처리 심음 데이터에 대해 소정의 방법으로 상기 예측 대상 심음 데이터에 상응하는 질환을 예측하는 인공지능 서버(500);를 포함하는,
    심음 데이터를 이용한 심장 질환 예측 시스템.
  2. 제1항에 있어서,
    상기 심음 전처리부(300)는,
    심음 데이터에 대해 단시간 푸리에 변환(Short-Time Fourier Transform, STFT)을 수행하는 단시간 주파수 변환부(310);
    상기 심음 데이터를 구성하는 제1 심음(S1)과 제2 심음(S2)의 개수가 소정의 개수로 규격화(normalizing)되도록 상기 심음 데이터를 전처리하는 제1 신호 전처리부(320);
    상기 심음 데이터를 구성하는 심음 획득 시간이 통일화되도록 상기 심음 데이터를 전처리하는 제2 신호 전처리부(330);
    상기 심음 데이터 중 소정의 문턱주파수값(fth)보다 큰 주파수 대역의 신호의 진폭(dB)이 저감되거나 제거되도록 상기 심음 데이터를 전처리하는 제3 신호 전처리부(340); 및
    상기 심음 데이터의 상기 제1 심음(S1)과 상기 제2 심음(S2)의 진폭을 검출하는 피크 검출부(350);를 포함하는,
    심음 데이터를 이용한 심장 질환 예측 시스템.
  3. 제2항에 있어서,
    상기 예측 대상 심음 데이터의 진폭을 제1 음원 품질 계수(Iq1)로 연산하고, 상기 예측 대상 심음 데이터 중 상기 소정의 문턱주파수값(fth)보다 높은 주파수 대역의 파워(PH)를 상기 소정의 문턱주파수값(fth)보다 낮은 주파수 대역의 파워(PL)로 나눈 값을 제2 음원 품질 계수(Iq2)로 연산하는 음원 품질 계수 연산부(400)를 더 포함하는,
    심음 데이터를 이용한 심장 질환 예측 시스템.
  4. 제3항에 있어서,
    상기 인공지능 서버(500)는,
    상기 데이터베이스(200)에 미리 저장된 다수의 상기 제1 및 제2 심음 데이터를 학습하여 소정의 방법에 따라 상기 심음 데이터를 구성하는 다수의 정보 각각에 대한 가중치를 선정하고, 선정된 가중치를 이용하여 상기 예측 대상 심음 데이터에 상응하는 질환을 예측하는,
    심음 데이터를 이용한 심장 질환 예측 시스템.
  5. 제4항에 있어서,
    상기 다수의 제1 심음 데이터가 상기 전처리부(300)에서 전처리되고, 하나의 심음 데이터에 대한 전처리 횟수에 따라 결정된 다차원 공간 상에 상기 다수의 제1 심음 데이터가 각각 사상되며,
    상기 예측 대상 심음 데이터가 상기 전처리부(300)에서 전처리되어, 전처리 심음 데이터가 상기 다차원 공간 상에 사상되는,
    심음 데이터를 이용한 심장 질환 예측 시스템.
  6. 제5항에 있어서,
    상기 다차원 공간 상에 사상된 상기 다수의 제1 심음 데이터는 판별된 병명별로 각각 군집을 이루며,
    상기 인공지능 서버(500)는 상기 다차원 공간에 사상된 상기 예측 대상 심음 데이터와, 각 군집의 중심점에 상응하는 데이터와의 거리를 연산하고, 연산된 거리에 기초하여 상기 예측 대상 심음 데이터의 질환 또는 질환 가능성을 예측하는 질환 예측부(560)를 더 포함하는,
    심음 데이터를 이용한 심장 질환 예측 시스템.
  7. 제6항에 있어서,
    상기 질환 예측부(560)는 상기 연산된 거리를, 해당 군집을 구성하는 데이터들의 표준편차로 나눈 값을 이용하여 상기 예측 대상 심음 데이터의 질환 또는 질환 가능성을 예측하는,
    심음 데이터를 이용한 심장 질환 예측 시스템.
  8. 제7항에 있어서,
    상기 질환 예측부(560)는 상기 연산된 거리를, 해당 군집을 구성하는 데이터들의 표준편차로 나눈 값 중 최소가 되는 거리에 상응하는 군집에 해당하는 병명을 상기 예측 대상 심음 데이터의 질환으로 예측하는,
    심음 데이터를 이용한 심장 질환 예측 시스템.
KR1020190162884A 2019-12-09 2019-12-09 심음 데이터를 이용한 심장질환 진단 시스템 및 방법 KR102404715B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190162884A KR102404715B1 (ko) 2019-12-09 2019-12-09 심음 데이터를 이용한 심장질환 진단 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190162884A KR102404715B1 (ko) 2019-12-09 2019-12-09 심음 데이터를 이용한 심장질환 진단 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20210072866A true KR20210072866A (ko) 2021-06-18
KR102404715B1 KR102404715B1 (ko) 2022-06-08

Family

ID=76623272

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190162884A KR102404715B1 (ko) 2019-12-09 2019-12-09 심음 데이터를 이용한 심장질환 진단 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102404715B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116759102A (zh) * 2023-08-17 2023-09-15 北京慧兰医疗科技有限公司 一种基于心脏康复数据的分析管理系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020043997A (ko) * 2000-12-05 2002-06-14 윤종용 주성분 분석에 의한 심음 분류 방법
JP2008167799A (ja) * 2007-01-09 2008-07-24 Ntt Data Corp 診療音分析装置、及び、プログラム
KR20100128083A (ko) * 2009-05-27 2010-12-07 충북대학교 산학협력단 심장질환 진단장치 및 방법
KR101191667B1 (ko) * 2010-05-20 2012-10-17 충북대학교 산학협력단 시간 영역 특징을 이용한 심장 질환 진단 장치
KR101398218B1 (ko) 2012-09-03 2014-05-22 경희대학교 산학협력단 감정 음성 인식장치 및 방법
KR20170064960A (ko) 2015-12-02 2017-06-12 김현호 파동신호를 활용한 질병 진단 장치 및 그 방법
KR101799194B1 (ko) 2016-04-18 2017-11-17 계명대학교 산학협력단 심전도 신호를 이용한 부정맥 진단 장치

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020043997A (ko) * 2000-12-05 2002-06-14 윤종용 주성분 분석에 의한 심음 분류 방법
JP2008167799A (ja) * 2007-01-09 2008-07-24 Ntt Data Corp 診療音分析装置、及び、プログラム
KR20100128083A (ko) * 2009-05-27 2010-12-07 충북대학교 산학협력단 심장질환 진단장치 및 방법
KR101191667B1 (ko) * 2010-05-20 2012-10-17 충북대학교 산학협력단 시간 영역 특징을 이용한 심장 질환 진단 장치
KR101398218B1 (ko) 2012-09-03 2014-05-22 경희대학교 산학협력단 감정 음성 인식장치 및 방법
KR20170064960A (ko) 2015-12-02 2017-06-12 김현호 파동신호를 활용한 질병 진단 장치 및 그 방법
KR101799194B1 (ko) 2016-04-18 2017-11-17 계명대학교 산학협력단 심전도 신호를 이용한 부정맥 진단 장치

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116759102A (zh) * 2023-08-17 2023-09-15 北京慧兰医疗科技有限公司 一种基于心脏康复数据的分析管理系统
CN116759102B (zh) * 2023-08-17 2023-12-05 北京慧兰医疗科技有限公司 一种基于心脏康复数据的分析管理系统

Also Published As

Publication number Publication date
KR102404715B1 (ko) 2022-06-08

Similar Documents

Publication Publication Date Title
Uğuz A biomedical system based on artificial neural network and principal component analysis for diagnosis of the heart valve diseases
Dey et al. InstaBP: cuff-less blood pressure monitoring on smartphone using single PPG sensor
Uğuz Adaptive neuro-fuzzy inference system for diagnosis of the heart valve diseases using wavelet transform with entropy
KR20160047516A (ko) 관동맥 병변들의 위치, 발병, 및/또는 변화를 예측하기 위한 시스템들 및 방법들
KR101072452B1 (ko) 심장질환 진단장치 및 방법
JP7278323B2 (ja) 対象者の緑内障のリスクを予測する予測モデルを生成する方法、当該予測モデルを用いて対象者の緑内障リスクを決定する方法、対象者の緑内障リスクを予測する装置、コンピュータプログラム及びコンピュータ可読媒体
KR20200123335A (ko) 순환신경망을 이용한 구간혈압 추정 방법 및 그 방법을 구현하기 위한 구간 혈압 추정 장치
KR20170126613A (ko) 사물인터넷 기반 건강 모니터링 및 평가 플랫폼
Singh et al. Short unsegmented PCG classification based on ensemble classifier
Chen et al. Edge2Analysis: a novel AIoT platform for atrial fibrillation recognition and detection
CN113116321A (zh) 基于pso-grnn神经网络的无创连续血压测量系统
KR102404715B1 (ko) 심음 데이터를 이용한 심장질환 진단 시스템 및 방법
KR20200004667A (ko) 순환신경망을 이용한 구간혈압 추정 방법 및 그 방법을 구현하기 위한 구간 혈압 추정 장치
US20210090734A1 (en) System, device and method for detection of valvular heart disorders
Han et al. Optimal DNN architecture search using Bayesian Optimization Hyperband for arrhythmia detection
Tanc et al. Hypertension classification using PPG signals
Khaled et al. Analysis of training optimization algorithms in the NARX neural network for classification of heart sound signals
Sengur et al. A hybrid method based on artificial immune system and fuzzy k-NN algorithm for diagnosis of heart valve diseases
Chen et al. Beat-to-beat heart rate detection based on seismocardiogram using BiLSTM network
Arora et al. A fusion framework based on cepstral domain features from phonocardiogram to predict heart health status
Agham et al. An advanced LAN model based on optimized feature algorithm: Towards hypertension interpretability
KR102483567B1 (ko) 인공지능 기반의 3분 미만 측정구간의 심박변이도 데이터로부터 5분 또는 3분의 심박변이도 지표를 예측하는 방법 및 그 시스템
Bikia et al. Cardiac output estimated from an uncalibrated radial blood pressure waveform: validation in an in-silico-generated population
US20240206823A1 (en) Method, apparatus and program for calculating disease risk based on heart rate measurement
US11730381B1 (en) Systems, apparatuses, and methods for locating blood flow turbulence in the cardiovascular system

Legal Events

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