KR20220104583A - 인공지능을 통한 2차원 심전도의 3차원 심전도로의 변환 전처리 및 심장질환 예측 시스템 - Google Patents
인공지능을 통한 2차원 심전도의 3차원 심전도로의 변환 전처리 및 심장질환 예측 시스템 Download PDFInfo
- Publication number
- KR20220104583A KR20220104583A KR1020210007068A KR20210007068A KR20220104583A KR 20220104583 A KR20220104583 A KR 20220104583A KR 1020210007068 A KR1020210007068 A KR 1020210007068A KR 20210007068 A KR20210007068 A KR 20210007068A KR 20220104583 A KR20220104583 A KR 20220104583A
- Authority
- KR
- South Korea
- Prior art keywords
- electrocardiogram
- heart disease
- dimensional
- data
- information
- Prior art date
Links
- 208000019622 heart disease Diseases 0.000 title claims abstract description 77
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 26
- 238000007781 pre-processing Methods 0.000 title claims abstract description 22
- 238000006243 chemical reaction Methods 0.000 title abstract description 9
- 208000020446 Cardiac disease Diseases 0.000 title 1
- 238000013136 deep learning model Methods 0.000 claims abstract description 22
- 238000012795 verification Methods 0.000 claims abstract description 9
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 abstract description 11
- 230000001939 inductive effect Effects 0.000 abstract 1
- 238000002565 electrocardiography Methods 0.000 description 24
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 210000005245 right atrium Anatomy 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 238000012351 Integrated analysis Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 210000001992 atrioventricular node Anatomy 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004141 dimensional analysis Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000001174 endocardium Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 210000005246 left atrium Anatomy 0.000 description 1
- 210000005240 left ventricle Anatomy 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000028161 membrane depolarization Effects 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 210000003516 pericardium Anatomy 0.000 description 1
- 210000003742 purkinje fiber Anatomy 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 210000001013 sinoatrial node Anatomy 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—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
-
- 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]
- A61B5/327—Generation of artificial ECG signals based on measured signals, e.g. to compensate for missing leads
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet 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
-
- G06N3/0427—
-
- 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
- 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
- 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)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Data Mining & Analysis (AREA)
- Cardiology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
본 발명은, 2개 이상의 다채널 유도 심전도의 시계열 데이터를 측정하는 심전도 측정부(110), 각 채널별로 시계열 데이터를 주파수영역의 심전도 데이터로 변환하는 주파수 변환부(120), 각 채널별 심전도 데이터의 주파수 대역에 따른 크기의 3차원 심전도 정보를 생성하는 3차원 변환부(130), 및 3차원 심전도 정보 및 3차원 심전도 정보에 의해 결정되는 심장질환정보를 학습데이터 및 검증데이터로 사용하여 3차원 심전도 정보와 심장질환 사이의 상관관계를 인공지능에 의해 분석하여 특징을 추출하고 학습하여, 3차원 심전도 정보로부터 심장질환을 예측하도록 구축된, 제1딥러닝 모델부(140)를 포함하여, 단일의 3차원 심전도 정보를 분석하여 심전도 패턴 및 추세를 동시에 파악하여 심전도 분석 및 심장질환 판단의 정확도를 높일 수 있는, 인공지능을 통한 2차원 심전도의 3차원 심전도로의 변환 전처리 및 심장질환 예측 시스템을 개시한다.
Description
본 발명은 단일의 3차원 심전도 정보를 분석하여 심전도 패턴 및 추세를 동시에 파악하여 심전도 분석 및 심장질환 판단의 정확도를 높일 수 있는, 인공지능을 통한 2차원 심전도의 3차원 심전도로의 변환 전처리 및 심장질환 예측 시스템에 관한 것이다.
통상, 심전도 신호는 심장 계통의 질환을 판단할 때 사용되는 중요한 신호로서, 심장에서 발생하는 전기적인 신호를 측정하여 심장에서부터 전극까지의 전도계통의 이상 유무를 확인하여 질환유무를 판별할수 있게 하는 신호이다.
예컨대, 심전도 신호의 발생 원인인 심장박동은 우심방에 자리잡은 동방결절에서 시작된 임펄스가 먼저 우심방과 좌심방을 탈분극시키며 방실결절에서 잠시 지체된 후 심실을 활성화시키고, 중격이 가장 빠르고 벽이 얇은 우심실은 벽이 두꺼운 좌심실보다 먼저 활성화되며, 푸르키녜 섬유까지 전달된 탈분극 파는 심근에서 파도와 같이 심장내막에서 외 심막으로 퍼져 나가면서 심실수축을 일으키게 된다.
한편, 정확한 심장 및 심혈관 진단을 위해 12채널 심전도 측정이 선행되고, 2차원 분석 방법에 의해 심전도 분석을 수행한다.
하지만, 심장 및 심혈관 질환이 있다고 판단되는 영역대에서 각 리드로부터 획득한 신호에 대해 개별적인 분석을 통해 각각의 심전도 데이터를 비교하여야 하는 불편함이 있다.
이에, 이와 같은 불편함을 해소하고자, 심전도 데이터를 3차원 정보로 변환한 단일의 3차원 심전도 정보를 분석하여 심전도 패턴 및 추세를 동시에 파악하여 심전도 분석 및 심장질환 판단의 정확도를 보다 높일 수 있는 기술이 요구된다.
본 발명의 사상이 이루고자 하는 기술적 과제는, 단일의 3차원 심전도 정보만을 분석하여 심전도 패턴 및 추세를 동시에 파악하여 심전도 분석 및 심장질환 판단의 정확도를 높일 수 있는, 인공지능을 통한 2차원 심전도의 3차원 심전도로의 변환 전처리 및 심장질환 예측 시스템을 제공하는 데 있다.
전술한 목적을 달성하고자, 본 발명의 실시예는, 2개 이상의 다채널 유도 심전도의 시계열 데이터를 측정하는 심전도 측정부; 각 채널별로 상기 시계열 데이터를 주파수영역의 심전도 데이터로 변환하는 주파수 변환부; 각 채널별 상기 심전도 데이터의 주파수 대역에 따른 크기의 3차원 심전도 정보를 생성하는 3차원 변환부; 및 상기 3차원 심전도 정보 및 상기 3차원 심전도 정보에 의해 결정되는 심장질환정보를 학습데이터 및 검증데이터로 사용하여 상기 3차원 심전도 정보와 상기 심장질환 사이의 상관관계를 인공지능에 의해 분석하여 특징을 추출하고 학습하여, 상기 3차원 심전도 정보로부터 심장질환을 예측하도록 구축된, 제1딥러닝 모델부;를 포함하는, 인공지능을 통한 2차원 심전도의 3차원 심전도로의 변환 전처리 및 심장질환 예측 시스템을 제공한다.
여기서, 상기 심전도 측정부는 1유도 심전도의 시계열 데이터를 측정하고, 상기 주파수 변환부는 상기 시계열 데이터를 단위시간별로 분할하고, 각 단위시간별 시계열 데이터를 주파수영역의 심전도 데이터로 변환할 수 있다.
또한, 상기 3차원 변환부에 의해 생성된 상기 3차원 심전도 정보에, 상기 심전도 측정부에 의한 측정시간정보를 추가하여 4차원 심전도 정보를 생성하는 4차원 변환부를 더 포함할 수 있다.
또한, 상기 심전도 측정부에 의한 상기 시계열 데이터의 기저선 변동 잡음, 근잡음 또는 전력선잡음을 각각 제거하는 필터부를 더 포함할 수 있다.
또한, 상기 심전도 측정부에 의해 측정된 시계열 데이터 및 상기 시계열 데이터에 의해 결정되는 심장질환정보를 학습데이터 및 검증데이터로 사용하여 상기 시계열 데이터와 상기 심장질환 사이의 상관관계를 인공지능에 의해 분석하여 특징을 추출하고 학습하여, 상기 시계열 데이터로부터 심장질환을 예측하도록 구축된, 제2딥러닝 모델부를 더 포함할 수 있다.
또한, 상기 제1딥러닝 모델부에 의해 예측된 심장질환 가능성 및 상기 제2딥러닝 모델부에 의해 예측된 심장질환 가능성을 통합하여 심장질환의 존재 가능성을 도출하는 통합 출력부를 더 포함할 수 있다.
본 발명에 의하면, 단일의 3차원 심전도 정보만을 분석하여 심전도 패턴 및 추세를 동시에 파악하여 심전도 분석 및 심장질환 판단의 정확도를 높일 수 있으며, 시간에 따른 1유도 심전도의 패턴 변화 및 추세 변화를 분석할 수 있고, 주파수상에서, 심전도 패턴을 한눈에 파악하고 심전도의 추세를 동시에 파악하도록 할 수 있으며, 정상적인 심전도와 비정상적인 심전도를 시각적으로 비교 분석하여 심장질환 진단을 위한 시각 자료로 활용할 수 있고, 심전도 분석에 고려되는 파형의 크기, 시간, 심전도 종류 등에 대하여 효율적으로 통합 분석할 수 있는 효과가 있다.
도 1은 본 발명의 실시예에 의한 인공지능을 통한 2차원 심전도의 3차원 심전도로의 변환 전처리 및 심장질환 예측 시스템의 개략적인 구성도를 도시한 것이다.
도 2는 도 1의 인공지능을 통한 2차원 심전도의 3차원 심전도로의 변환 전처리 및 심장질환 예측 시스템에 의한 3차원 심전도 정보 생성을 예시한 것이다.
도 3은 도 1의 인공지능을 통한 2차원 심전도의 3차원 심전도로의 변환 전처리 및 심장질환 예측 시스템에 의한 변환 전처리 및 심장질환 예측 방법의 순서도를 예시한 것이다.
도 2는 도 1의 인공지능을 통한 2차원 심전도의 3차원 심전도로의 변환 전처리 및 심장질환 예측 시스템에 의한 3차원 심전도 정보 생성을 예시한 것이다.
도 3은 도 1의 인공지능을 통한 2차원 심전도의 3차원 심전도로의 변환 전처리 및 심장질환 예측 시스템에 의한 변환 전처리 및 심장질환 예측 방법의 순서도를 예시한 것이다.
이하, 첨부된 도면을 참조로 전술한 특징을 갖는 본 발명의 실시예를 더욱 상세히 설명하고자 한다.
본 발명의 실시예에 의한 인공지능을 통한 2차원 심전도의 3차원 심전도로의 변환 전처리 및 심장질환 예측 시스템은, 2개 이상의 다채널 유도 심전도의 시계열 데이터를 측정하는 심전도 측정부(110), 각 채널별로 시계열 데이터를 주파수영역의 심전도 데이터로 변환하는 주파수 변환부(120), 각 채널별 심전도 데이터의 주파수 대역에 따른 크기의 3차원 심전도 정보를 생성하는 3차원 변환부(130), 및 3차원 심전도 정보 및 3차원 심전도 정보에 의해 결정되는 심장질환정보를 학습데이터 및 검증데이터로 사용하여 3차원 심전도 정보와 심장질환 사이의 상관관계를 인공지능에 의해 분석하여 특징을 추출하고 학습하여, 3차원 심전도 정보로부터 심장질환을 예측하도록 구축된, 제1딥러닝 모델부(140)를 포함하여, 단일의 3차원 심전도 정보를 분석하여 심전도 패턴 및 추세를 동시에 파악하여 심전도 분석 및 심장질환 판단의 정확도를 높이는 것을 요지로 한다.
이하, 도 1 내지 도 3을 참조하여, 전술한 구성의 인공지능을 통한 2차원 심전도의 3차원 심전도로의 변환 전처리 및 심장질환 예측 시스템을 구체적으로 상술하면 다음과 같다.
우선, 심전도 측정부(110)는 피검진자로부터 2개 이상의 다채널 유도 심전도의 시계열 데이터를 측정하여 주파수 변환부(120)로 제공한다.
여기서, 심전도 측정부(110)는 표준 12유도 심전도, 사지 6유도 심전도 또는 흉부 6유도 심전도를 측정하는 의료기관의 심전도 기기(미도시), 단일유도 이상의 심전도를 측정할 수 있는 휴대용 웨어러블 측정기기(111), 휴대용 패드 측정기기(112) 또는 심전도측정가능 안마의자(113)일 수 있다.
예컨대, 심전도 측정부(110)는 aVL, Ⅰ, aVR, Ⅱ, VF, Ⅲ, V1, V2, V3, V4, V5, V6의 표준 12유도 심전도, 피검진자의 사지와 접촉하여 측정되는 aVL, Ⅰ, aVR, Ⅱ, VF, Ⅲ의 사지 6유도 심전도, 또는 V1, V2, V3, V4, V5, V6의 흉부 6유도 심전도의 다채널 유도 심전도의 시계열 데이터를 주파수 변환부(120)로 무선 전송할 수 있는 의료기관의 심전도 기기, 일상생활속에서 상시 측정 및 모니터링이 가능한 스마트워치와 같은 휴대용 웨어러블 측정기기(111), 간편하게 심전도 측정이 가능한 휴대용 패드 측정기기(112), 휴식중 편안한 자세로 심전도 측정이 가능한 안마의자(113) 또는 일상생활속에서 24시간 심전도 검사가 가능한 홀터(holter)일 수 있다.
다음, 주파수 변환부(120)는 앞서 획득된 각 채널별 시계열 데이터를 고속 퓨리에 변환(Fast Fourier Transform;FFT) 등을 이용하여 채널별로 주파수영역의 심전도 데이터로 변환하여 주파수영역분석이 가능하도록 한다.
한편, 앞서 언급한 바와 같이 각 채널별로 시계열 데이터를 주파수 변환할 수도 있으나, 심전도 측정부(110)는 1유도 심전도의 시계열 데이터를 측정할 수 있고, 주파수 변환부(120)는 1유도 심전도의 시계열 데이터를 단위시간별로 분할하고, 각 단위시간별 분할된 시계열 데이터를 주파수영역의 심전도 데이터로 각각 변환하여서 시간에 따른 1유도 심전도의 패턴 변화 및 추세 변화를 분석하도록 할 수도 있다.
또한, 주파수 변환부(120)는, 주파수 변환 이전에, 전처리모듈(미도시)에 의해 시계열 데이터의 노이즈를 제거하고 정규화할 수 있는데, 예컨대 전처리모듈은 심전도 측정부(110)로부터 제공되어 10초 길이로 디지털로 저장된 시계열 데이터 중 시작 부분과 끝 부분의 각 1초씩 제거하여 아티팩트를 제거하여 보다 양질의 시계열 데이터를 확보하도록 할 수 있다.
다음, 3차원 변환부(130)는 앞서 주파수변환된 각 채널별 심전도 데이터의 주파수 대역에 따른 크기의 3차원 심전도 정보를 생성한다.
예컨대, 도 2에 예시된 바와 같이, 3차원 변환부(130)는 X축에는 주파수대역이, Y축에는 순차적으로 배열된 채널이, Z축에는 각 주파수대역별 크기가 3차원 직교좌표 그래프 또는 3차원 행렬로 표현된 3차원 심전도 정보를 생성하여서, 주파수상에서, 심전도 패턴을 한눈에 파악하고 심전도의 추세를 동시에 파악하도록 할 수 있으며, 정상적인 심전도와 비정상적인 심전도를 시각적으로 비교 분석하여 심장질환 진단을 위한 시각 자료로 활용할 수 있고, 심전도 분석에 고려되는 파형의 크기, 시간, 심전도 종류 등에 대하여 효율적으로 통합 분석할 수 있도록 한다.
다음, 제1딥러닝 모델부(140)는, 앞서 생성된 3차원 심전도 정보 및 3차원 심전도 정보에 의해 결정되는 심장질환정보를 학습데이터 및 검증데이터로 사용하여 3차원 심전도 정보와 심장질환 사이의 상관관계를 인공지능에 의해 분석하여, 심장질환에 상응하는 3차원 심전도의 특징을 추출하고 이를 학습하여서, 3차원 심전도 정보의 특징으로부터 다양한 심장질환을 구분하여 예측하도록 구축된다.
예컨대, 제1딥러닝 모델부(140)는 심장질환을 진단받지 않은 정상인의 3차원 심전도 정보와 심장질환을 진단받은 환자의 심전도를 분석하여 정상인 심전도와 구분되는 환자의 3차원 심전도의 특징점을 추출하여 정상인의 3차원 심전도와 환자의 3차원 심전도를 학습하도록 하고, 휴대용 웨어러블 측정기기(111), 휴대용 패드 측정기기(112) 또는 심전도측정가능 안마의자(113)로부터 입력되어 변환된 3차원 심전도 정보로부터 앞서 학습된 심장질환의 특징점을 추출하여 3차원 심전도 정보에 따른 심장질환 가능성을 도출할 수 있다.
한편, 3차원 변환부(130)에 의해 생성된 3차원 심전도 정보에, 심전도 측정부(110)의 타이머로부터 제공되는 측정시간정보를 추가하여 4차원 심전도 정보를 생성하는 4차원 변환부(150)를 더 포함하여서, 시간축상에서 3차원 심전도 정보의 변화 패턴 및 추세를 추가적으로 분석하도록 할 수도 있다.
또한, 앞서 언급한 전처리모듈 이외에, 심전도 측정부(110)에 의한 시계열 데이터로부터 1Hz 미만의 기저선 변동 잡음, 20Hz 이상의 근잡음 또는 60Hz의 전력선잡음을 각각 제거하도록 하는 대역통과필터를 구비하는 필터부(160)를 더 포함하여서, 양질의 QRS 정보를 획득하도록 할 수도 있다.
또한, 심전도 측정부(110)에 의해 측정된 시계열 데이터 및 시계열 데이터에 의해 결정되는 심장질환정보를 학습데이터 및 검증데이터로 사용하여 시계열 데이터와 심장질환 사이의 상관관계를 인공지능에 의해 분석하여, 심장질환에 해당하는 시계열 데이터의 특징점을 추출하고 학습하여서, 시계열 데이터로부터 심장질환을 예측하도록 구축된, 제2딥러닝 모델부(170)를 더 포함할 수도 있다.
이에, 앙상블 모델을 구비하는 통합 출력부(180)를 통해서, 병렬적으로 처리되는, 제1딥러닝 모델부(140)에 의해 예측된 심장질환 가능성 및 제2딥러닝 모델부(170)에 의해 예측된 심장질환 가능성을 연산하여서, 심장질환의 존재 가능성을 통합하여 최종적으로 도출하여서, 제1딥러닝 모델부(140)에 의한 신속한 연산과 제2딥러닝 모델부(170)에 의한 정확한 연산을 상호 보완하여 연산성능을 높이면서 심장질환의 진단 정확도를 높일 수도 있다.
도 3은 도 1의 인공지능을 통한 2차원 심전도의 3차원 심전도로의 변환 전처리 및 심장질환 예측 시스템에 의한 변환 전처리 및 심장질환 예측 방법의 순서도를 예시한 것으로서, 이를 참조하면, 심전도 측정부(110)를 통해, 피검진자로부터 2개 이상의 다채널 유도 심전도의 시계열 데이터를 측정하여 주파수 변환부(120)로 제공하며(S110), 주파수 변환부(120)를 통해, 앞서 획득된 각 채널별 시계열 데이터를 고속 퓨리에 변환 등을 이용하여 채널별로 주파수영역의 심전도 데이터로 변환하여 주파수영역분석이 가능하도록 하고(S120), 3차원 변환부(130)를 통해, 앞서 주파수변환된 각 채널별 심전도 데이터의 주파수 대역에 따른 크기의 3차원 심전도 정보를 생성하고(S130), 앞서 생성된 3차원 심전도 정보 및 3차원 심전도 정보에 의해 결정되는 심장질환정보를 학습데이터 및 검증데이터로 사용하여 3차원 심전도 정보와 심장질환 사이의 상관관계를 인공지능에 의해 분석하여, 심장질환에 상응하는 3차원 심전도의 특징을 추출하고 이를 학습하여서, 3차원 심전도 정보의 특징으로부터 다양한 심장질환을 구분하여 예측하도록 제1딥러닝 모델부(140)를 구축하고(S140), 심전도 측정부(110)에 의해 측정된 시계열 데이터 및 시계열 데이터에 의해 결정되는 심장질환정보를 학습데이터 및 검증데이터로 사용하여 시계열 데이터와 심장질환 사이의 상관관계를 인공지능에 의해 분석하여, 심장질환에 해당하는 시계열 데이터의 특징점을 추출하고 학습하여서, 시계열 데이터로부터 심장질환을 예측하도록 제2딥러닝 모델부(170)를 구축하고(S150), 앙상블 모델을 구비하는 통합 출력부(180)를 통해서, 병렬적으로 처리되는, 제1딥러닝 모델부(140)에 의해 예측된 심장질환 가능성 및 제2딥러닝 모델부(170)에 의해 예측된 심장질환 가능성을 연산하여서, 심장질환의 존재 가능성을 통합하여 최종적으로 도출한다(S160).
따라서, 전술한 바와 같은 인공지능을 통한 2차원 심전도의 3차원 심전도로의 변환 전처리 및 심장질환 예측 시스템의 구성에 의해서, 단일의 3차원 심전도 정보만을 분석하여 심전도 패턴 및 추세를 동시에 파악하여 심전도 분석 및 심장질환 판단의 정확도를 높일 수 있다.
본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원 시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
110 : 심전도 측정부 111 : 웨어러블 측정기기
112 : 패드 측정기기 113 : 안마의자
120 : 주파수 변환부 130 : 3차원 변환부
140 : 제1딥러닝 모델부 150 : 4차원 변환부
160 : 필터부 170 : 제2딥러닝 모델부
180 : 통합 출력부
112 : 패드 측정기기 113 : 안마의자
120 : 주파수 변환부 130 : 3차원 변환부
140 : 제1딥러닝 모델부 150 : 4차원 변환부
160 : 필터부 170 : 제2딥러닝 모델부
180 : 통합 출력부
Claims (6)
- 2개 이상의 다채널 유도 심전도의 시계열 데이터를 측정하는 심전도 측정부;
각 채널별로 상기 시계열 데이터를 주파수영역의 심전도 데이터로 변환하는 주파수 변환부;
각 채널별 상기 심전도 데이터의 주파수 대역에 따른 크기의 3차원 심전도 정보를 생성하는 3차원 변환부; 및
상기 3차원 심전도 정보 및 상기 3차원 심전도 정보에 의해 결정되는 심장질환정보를 학습데이터 및 검증데이터로 사용하여 상기 3차원 심전도 정보와 상기 심장질환 사이의 상관관계를 인공지능에 의해 분석하여 특징을 추출하고 학습하여, 상기 3차원 심전도 정보로부터 심장질환을 예측하도록 구축된, 제1딥러닝 모델부;를 포함하는,
인공지능을 통한 2차원 심전도의 3차원 심전도로의 변환 전처리 및 심장질환 예측 시스템.
- 제1항에 있어서,
상기 심전도 측정부는 1유도 심전도의 시계열 데이터를 측정하고,
상기 주파수 변환부는 상기 시계열 데이터를 단위시간별로 분할하고, 각 단위시간별 시계열 데이터를 주파수영역의 심전도 데이터로 변환하는 것을 특징으로 하는,
인공지능을 통한 2차원 심전도의 3차원 심전도로의 변환 전처리 및 심장질환 예측 시스템.
- 제1항에 있어서,
상기 3차원 변환부에 의해 생성된 상기 3차원 심전도 정보에, 상기 심전도 측정부에 의한 측정시간정보를 추가하여 4차원 심전도 정보를 생성하는 4차원 변환부를 더 포함하는 것을 특징으로 하는,
인공지능을 통한 2차원 심전도의 3차원 심전도로의 변환 전처리 및 심장질환 예측 시스템.
- 제1항에 있어서,
상기 심전도 측정부에 의한 상기 시계열 데이터의 기저선 변동 잡음, 근잡음 또는 전력선잡음을 각각 제거하는 필터부를 더 포함하는 것을 특징으로 하는,
인공지능을 통한 2차원 심전도의 3차원 심전도로의 변환 전처리 및 심장질환 예측 시스템.
- 제1항에 있어서,
상기 심전도 측정부에 의해 측정된 시계열 데이터 및 상기 시계열 데이터에 의해 결정되는 심장질환정보를 학습데이터 및 검증데이터로 사용하여 상기 시계열 데이터와 상기 심장질환 사이의 상관관계를 인공지능에 의해 분석하여 특징을 추출하고 학습하여, 상기 시계열 데이터로부터 심장질환을 예측하도록 구축된, 제2딥러닝 모델부를 더 포함하는 것을 특징으로 하는,
인공지능을 통한 2차원 심전도의 3차원 심전도로의 변환 전처리 및 심장질환 예측 시스템.
- 제5항에 있어서,
상기 제1딥러닝 모델부에 의해 예측된 심장질환 가능성 및 상기 제2딥러닝 모델부에 의해 예측된 심장질환 가능성을 통합하여 심장질환의 존재 가능성을 도출하는 통합 출력부를 더 포함하는 것을 특징으로 하는,
인공지능을 통한 2차원 심전도의 3차원 심전도로의 변환 전처리 및 심장질환 예측 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210007068A KR20220104583A (ko) | 2021-01-18 | 2021-01-18 | 인공지능을 통한 2차원 심전도의 3차원 심전도로의 변환 전처리 및 심장질환 예측 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210007068A KR20220104583A (ko) | 2021-01-18 | 2021-01-18 | 인공지능을 통한 2차원 심전도의 3차원 심전도로의 변환 전처리 및 심장질환 예측 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220104583A true KR20220104583A (ko) | 2022-07-26 |
Family
ID=82609885
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210007068A KR20220104583A (ko) | 2021-01-18 | 2021-01-18 | 인공지능을 통한 2차원 심전도의 3차원 심전도로의 변환 전처리 및 심장질환 예측 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20220104583A (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024101759A1 (ko) * | 2022-11-09 | 2024-05-16 | 주식회사 메디컬에이아이 | 심전도 데이터의 분석 방법, 프로그램 및 장치 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101510522B1 (ko) | 2013-07-17 | 2015-04-10 | 건국대학교 산학협력단 | 심전도 신호 분류 시스템 |
| KR20210061769A (ko) | 2019-11-20 | 2021-05-28 | 연세대학교 산학협력단 | 심전도 재구축 시스템 및 방법 |
-
2021
- 2021-01-18 KR KR1020210007068A patent/KR20220104583A/ko not_active Application Discontinuation
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101510522B1 (ko) | 2013-07-17 | 2015-04-10 | 건국대학교 산학협력단 | 심전도 신호 분류 시스템 |
| KR20210061769A (ko) | 2019-11-20 | 2021-05-28 | 연세대학교 산학협력단 | 심전도 재구축 시스템 및 방법 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024101759A1 (ko) * | 2022-11-09 | 2024-05-16 | 주식회사 메디컬에이아이 | 심전도 데이터의 분석 방법, 프로그램 및 장치 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11476000B2 (en) | Methods and systems using mathematical analysis and machine learning to diagnose disease | |
| CN109157202B (zh) | 一种基于多生理信号深度融合的心血管疾病预警系统 | |
| WO2019100566A1 (zh) | 基于人工智能自学习的静态心电图分析方法和装置 | |
| WO2019100565A1 (zh) | 基于人工智能自学习的动态心电图分析方法和装置 | |
| Tadi et al. | Seismocardiography: Toward heart rate variability (HRV) estimation | |
| CN109691994A (zh) | 一种基于心电图的心率监测分析方法 | |
| CN109288515B (zh) | 基于穿戴式心电信号中早搏信号的周期性监测方法及装置 | |
| CN107595274B (zh) | 基于心率变异性非接触式检测情绪压力的靠垫 | |
| CN109431482A (zh) | 一种基于非接触式的检测心率变异性的床垫及其检测方法 | |
| US11633142B2 (en) | Electrocardiogram apparatus and method | |
| Kanna et al. | Automated defective ECG signal detection using MATLAB applications | |
| Asl et al. | An adaptive backpropagation neural network for arrhythmia classification using RR interval signal | |
| KR20220104583A (ko) | 인공지능을 통한 2차원 심전도의 3차원 심전도로의 변환 전처리 및 심장질환 예측 시스템 | |
| CN115956918A (zh) | 一种具有基于多特征融合的心电信号质量评估功能的远程心电监测系统 | |
| Guo et al. | Machine learning-based automatic cardiovascular disease diagnosis using two ecg leads | |
| Hssayeni et al. | ECG Fiducial Point Localization Using a Deep Learning Model | |
| Aravind et al. | ECG Classification and Arrhythmia Detection Using Wavelet Transform and Convolutional Neural Network | |
| KR20220104563A (ko) | 심전도를 이용한 딥러닝 기반 psvt 예측 시스템 | |
| Deotale et al. | Identification of arrhythmia using ECG signal patterns | |
| Zhou et al. | End-Edge Coordinated Multiview Deep Learning for Time-Efficient Atrial Fibrillation Detection | |
| Kumar et al. | Statistical heart rate variability analysis under rest and post-exercise | |
| Mengko et al. | Design and implementation of 12 Lead ECG signals interpretation system | |
| EP3833248B1 (en) | Method and biomedical electronic equipment for monitoring patient's condition after a stroke | |
| Kuila et al. | Classification of heart arrhythmia in ecg signals using pca and svm | |
| RU2442529C1 (ru) | Способ диагностирования сердечно-сосудистой системы |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal |