KR20220110358A - 머신러닝을 활용한 경동맥 협착증 진단 방법 - Google Patents

머신러닝을 활용한 경동맥 협착증 진단 방법 Download PDF

Info

Publication number
KR20220110358A
KR20220110358A KR1020210012834A KR20210012834A KR20220110358A KR 20220110358 A KR20220110358 A KR 20220110358A KR 1020210012834 A KR1020210012834 A KR 1020210012834A KR 20210012834 A KR20210012834 A KR 20210012834A KR 20220110358 A KR20220110358 A KR 20220110358A
Authority
KR
South Korea
Prior art keywords
carotid artery
machine learning
data
artery stenosis
reference value
Prior art date
Application number
KR1020210012834A
Other languages
English (en)
Other versions
KR102483149B1 (ko
Inventor
남우철
유재영
양원석
장경식
Original Assignee
중앙대학교 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 중앙대학교 산학협력단 filed Critical 중앙대학교 산학협력단
Priority to KR1020210012834A priority Critical patent/KR102483149B1/ko
Publication of KR20220110358A publication Critical patent/KR20220110358A/ko
Application granted granted Critical
Publication of KR102483149B1 publication Critical patent/KR102483149B1/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
    • G16H50/20—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
    • 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
    • A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
    • 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
    • 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
    • A61B7/04—Electric stethoscopes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G16H50/30—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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

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

Abstract

본 발명은 머신러닝을 활용한 경동맥 협착증 진단 방법에 관한 것으로, 전자 청진기의 청진음 데이터를 복수의 세그먼트 데이터들로 분할하고, 분할된 데이터를 머신러닝 신경망에 입력하여 각 데이터의 잡음(bruit)신호 여부를 판별하며, 그 판별된 데이터를 정량적인 지표값으로 연산하여 경동맥 협착 유무를 진단하는데 활용할 수 있도록 구성됨으로써, 전문가의 청각적인 판단에만 의존해야 하는 기존의 한계를 해결할 수 있고 저비용으로도 경동맥 협착증에 대한 진단을 정밀하고 신속하게 할 수 있게 하는 효과를 가진다.

Description

머신러닝을 활용한 경동맥 협착증 진단 방법{Carotid artery stenosis diagnosis method using machine learning}
본 발명은 머신러닝을 활용한 경동맥 협착증 진단 방법에 관한 것으로, 더욱 상세하게는 전문가의 청진을 통해 경동맥의 혈류음을 분석해야 하는 한계를 극복하고 청각적인 신호를 데이터 기반의 정량적인 분석 방법을 통해 자동적으로 경동맥 협착 유무를 진단할 수 있도록, 개선된 머신러닝을 활용한 경동맥 협착증 진단 방법에 관한 것이다.
뇌졸중 발병은 경동맥 협착증과 밀접한 관련이 있다. 이를 진단하기 위해 자기 공명 혈관 영상 (MRA), 전산화 단층촬영 혈관조영술 (CTA), 또는 의료 초음파 (Ultrasonography)와 같이 영상을 통한 가시화로 협착을 확인하는 기술들을 사용한다. 이외에도 경동맥 협착증으로 인한 혈류음이 정상적인 혈류음과는 다르다는 점을 활용하여 전문가의 청진을 통해 협착증을 진단한다.
영상을 통하여 시각적으로 협착증을 진단하는 방법들은 병원을 주기적으로 방문하여 진료를 받아야 하기 때문에 많은 비용이 들고 번거로움이 있다. 또한, 자기 공명 혈관 영상과 전산화 단층촬영 혈관조영술의 경우, 영상의 가시성을 높여주는 조영제를 투여하면 구토, 어지럼증과 같은 부작용이 발생하고, 촬영하는 동안 방사선이 노출되어 인체에 악영향을 끼치는 문제점들이 있다.
이에 비해 청진은 비교적 적은 비용 및 안전한 방식으로 간단한 방법을 통해 협착 증상을 진단할 수 있다. 하지만 협착증 진단과 관련된 명확한 기준이 없기 때문에 전문가의 청각적 자극에 의한 주관적인 판단에 의해 결정된다. 또한 사람들마다 혈류음의 편차가 크기 때문에 정상과 비정상을 구분하는데 있어서 큰 어려움이 있다.
대한민국 등록특허공보 등록번호 제10-1178867호 대한민국 등록특허공보 등록번호 제10-2123147호 일본등록특허 제6073799호
본 발명은 상기와 같은 필요성에 의해 안출된 것으로, 본 발명의 목적은 경동맥 협착 유무를 의사의 진찰이나 고가의 검사에 의하지 않고도 정확하고 신속하게 진단할 수 있게 하는 머신러닝을 활용한 경동맥 협착증 진단 방법을 제공하고자 하는 것이다.
상기 목적을 달성하기 위한 본 발명에 의한 머신러닝을 활용한 경동맥 협착증 진단 방법은, 딥러닝을 통해 학습된 머신러닝 신경망을 이용하여 경동맥 협착증을 진단하는데 사용되는 것으로, 데이터 획득부에서 전자 청진기를 이용하여 피험자의 경동맥으로부터 청진음 데이터를 획득하는 단계; 데이터 가공부에서 상기 청진음 데이터를 단시간 푸리에 변환을 적용하여 시간-주파수 영역대의 신호값으로 변환하며, 상기 신호값의 시간 데이터를 복수개로 분할하고 그 분할된 시간영역에 해당하는 특정 주파수 대역의 신호값을 추출하여 복수의 세그먼트 데이터를 형성하는 단계; 판별부에서 상기 복수의 세그먼트 데이터를 상기 머신러닝 신경망에 입력하여 잡음(bruit) 유무를 판별하는 단계; 연산부에서 상기 세그먼트 데이터들의 총 개수에 대한 잡음(bruit)이 있는 세그먼트 데이터의 개수의 비율인 지표값을 연산하는 단계; 및 진단부에서 상기 지표값과 기준값을 비교하여 경동맥 협착 유무 진단에 활용하는 단계;를 포함하여 이루어지는 것을 특징으로 한다.
상기 머신러닝 신경망은 SVM(Support vector machine) 신경망인 것이 바람직하다.
상기 기준값은 0 보다 크고 1 보다 작은 제1기준값과 그 제1기준값보다 크고 1 보다 작은 제2기준값을 포함하여 이루어지고, 상기 연산된 지표값이 상기 제1기준값 이하인 경우에는 경동맥 협착이 없는 것으로 진단하고, 상기 제2기준값 이상인 경우에는 경동맥 협착이 있는 것으로 진단하며, 상기 제1기준값 초과 제2기준값 미만인 경우에는 별도의 정밀 진단을 통해 경동맥 협착 여부를 진단할 수 있게 하는 것이 바람직하다.
상기 각 세트먼트 데이터는 상기 분할된 시간영역의 일부가 중첩되는 것이 바람직하다.
상기 각 세그먼트 데이터는 2초 동안의 50-300Hz 주파수 대역에 해당하는 신호들에 대한 정보이고, 시간 영역에서 서로 인접한 세그먼트 데이터들 간의 오프셋은 0.3초인 것이 바람직하다.
상술한 바와 같은 구성을 가지는 본 발명에 의한 머신러닝을 활용한 경동맥 협착증 진단 방법은, 전자 청진기의 청진음 데이터를 복수의 세그먼트 데이터들로 분할하고, 분할된 데이터를 머신러닝 신경망에 입력하여 각 데이터의 잡음(bruit)신호 여부를 판별하며, 그 판별된 데이터를 정량적인 지표값으로 연산하여 경동맥 협착 유무를 진단하는데 활용할 수 있도록 구성됨으로써, 전문가의 청각적인 판단에만 의존해야 하는 기존의 한계를 해결할 수 있고 저비용으로도 경동맥 협착증에 대한 진단을 정밀하고 신속하게 할 수 있게 하는 효과를 가진다.
도 1은 본 발명의 일실시예에 따른 머신러닝을 활용한 경동맥 협착증 진단 방법의 논리 흐름을 설명하기 위한 블럭도.
도 2는 본 발명 일실시예의 구현을 위한 장치 구성을 설명하기 위한 블럭도.
도 3은 본 발명 일실시예에 채용된 청진음 데이터 획득 단계에서 음파를 단시간 푸리에 변환을 통해 시간-주파수 영역대로 변환된 신호를 나타낸 도면.
도 4는 본 발명 일실시예에 채용된 세그먼트 데이터 형성 단계에서 단시간 푸리에 변환을 거쳐 획득한 신호로부터 스펙트로그램 세그먼트를 얻는 과정을 설명하기 위한 도면.
도 5는 본 발명 일실시예에 채용된 잡음유무 판별 단계를 거쳐 판별된 결과를 도시한 도면.
도 6은 본 발명 일실시예에 채용된 지표값 연산 단계와 진단 활용 단계를 이용하여 경동맥 협착 여부를 진단하는 과정을 설명하기 위한 도면.
이하의 설명에서 본 발명에 대한 이해를 명확히 하기 위하여, 본 발명의 특징에 대한 공지의 기술에 대한 설명은 생략하기로 한다. 이하의 실시 예는 본 발명의 이해를 돕기 위한 상세한 설명이며, 본 발명의 권리 범위를 제한하는 것이 아님은 당연할 것이다. 따라서, 본 발명과 동일한 기능을 수행하는 균등한 발명 역시 본 발명의 권리 범위에 속할 것이다.
그리고, 이하의 설명에서 동일한 식별 기호는 동일한 구성을 의미하며, 불필요한 중복적인 설명 및 공지 기술에 대한 설명은 생략하기로 한다. 또한, 상기 발명의 배경이 되는 기술에 대한 기재 내용과 중복되는 이하의 본 발명의 각 실시예에 관한 설명 역시 생략하기로 한다.
이하에서는 본 발명의 일실시예에 따른 머신러닝을 활용한 경동맥 협착증 진단 방법을 첨부된 도면을 참조하여 상세히 설명하기로 한다.
도 1은 본 발명의 일실시예에 따른 머신러닝을 활용한 경동맥 협착증 진단 방법의 논리 흐름을 설명하기 위한 블럭도이고, 도 2는 본 발명 일실시예의 구현을 위한 장치 구성을 설명하기 위한 블럭도이며, 도 3은 본 발명 일실시예에 채용된 청진음 데이터 획득 단계에서 음파를 단시간 푸리에 변환을 통해 시간-주파수 영역대로 변환된 신호를 나타낸 도면이며, 도 4는 본 발명 일실시예에 채용된 세그먼트 데이터 형성 단계에서 단시간 푸리에 변환을 거쳐 획득한 신호로부터 스펙트로그램 세그먼트를 얻는 과정을 설명하기 위한 도면이며, 도 5는 본 발명 일실시예에 채용된 잡음유무 판별 단계를 거쳐 판별된 결과를 도시한 도면이며, 도 6은 본 발명 일실시예에 채용된 지표값 연산 단계와 진단 활용 단계를 이용하여 경동맥 협착 여부를 진단하는 과정을 설명하기 위한 도면이다.
도 1 및 도 2에 잘 도시된 바와 같이, 본 발명의 일실시예에 따른 머신러닝을 활용한 경동맥 협착증 진단 방법은, 딥러닝을 통해 학습된 머신러닝 신경망을 이용하여 경동맥 협착증을 진단하는데 사용되는 것으로, 청진음 데이터 획득 단계(S1)와 세그먼트 데이터 형성 단계(S2)와 잡음(bruit)유무 판별 단계(S3)와 지표값 연산 단계(S4)와 진단 활용 단계(S5)를 포함하여 이루어진다.
상기 청진음 데이터 획득 단계(S1)에서는 전자 청진기를 포함하여 이루어지는 데이터 획득부(1)가 피험자의 경동맥으로부터 청진음 데이터를 획득하는 과정이 수행된다.
상기 전자 청진기를 이용한 청진음 측정시에는 환자의 숨소리가 분석에 영향을 미치기 때문에, 피 측정자에게 호흡을 참도록 권고함이 바람직하고, 주변 소음이 적을수록 분석의 정확도가 향상될 수 있으며, 1초당 4000개의 데이터를 저장하는 Sampling Rate 4000Hz의 전자 청진기가 사용될 수 있다.
상기 세그먼트 데이터 형성 단계(S2)에서는 데이터 가공부(2)가 상기 청진음 데이터를 단시간 푸리에 변환을 적용하여, 도 3에 잘 도시된 바와 같이 시간-주파수 영역대의 신호값으로 변환하고, 도 4에 잘 도시된 바와 같이 상기 신호값의 시간 데이터를 복수개로 분할한 후 그 분할된 시간영역에 해당하는 특정 주파수 대역의 신호값을 추출하여 복수의 세그먼트 데이터를 형성하는 과정이 수행된다.
여기서, 상기 데이터 가공부(2)는 단시간 푸리에 변환을 위한 이미 알려진 프로그램을 포함하여 이루어져서, 그 프로그램을 활용하여 시간-주파수 영역대의 신호값 뿐만 아니라, 상기 세그먼트 데이터들의 형성을 가능하게 한다.
상기 단시간 푸리에 변환을 위한 파라미터는 다양한 값으로 설정할 수 있음은 물론이나, 본 실시예에서는 윈도우의 크기를 0.5s, 오프셋을 0.025s로 설정하고 이 변환을 통해 나온 신호의 주파수 해상도를 2Hz, 시간 해상도를 0.025s가 되게 하였다.
그리고, 상기 각 세그먼트 데이터는 상기 데이터 가공부에 의해 다양한 시간값과 주파수 대역을 갖도록 형성될 수 있음은 물론이나, 본 실시예에서는 2초 동안의 50-300Hz 주파수 대역에 해당하는 신호값을 갖도록 형성되었다. 또한, 시간 영역에서 서로 인접한 세그먼트 데이터들 간의 오프셋 시간은 상기 2초의 10%에 해당하는 0.2초와 20%에 해당하는 0.4초인 것이 바람직하다. 본 실시예에서는 0.3초가 채용되었다.
상기 잡음유무 판별 단계(S3)에서는 상기 복수의 세그먼트 데이터를 상기 머신러닝 신경망에 입력하여 잡음(bruit) 유무를 판별하는 과정이 수행된다. 즉, 상기 머신러닝 신경망을 포함한 판별부(4)는 제어부(3)의 제어신호에 기초하여 상기 각 세그먼트 데이터에 잡음(bruit) 신호 정보가 포함되어 있는지 여부를 미리 학습된 머신러닝 신경망을 통해 판별하게 된다.
여기서, 상기 머신러닝 신경망은 널리 알려진 다양한 기계학습장치 중 하나임은 물론이나, 본 실시예에서는 서포트 벡터 머신(SVM)이 채용되었다. 상기 서포트 벡터 머신은 진단대상이 아닌 신경망 구축을 위한 다른 대상들에 대한 세그먼트 데이터들을 학습데이터로 설정하여 학습시킨 분류기이다.
상기 지표값 연산 단계(S4)에서는 상기 제어부(3)의 제어신호에 기초하여 연산부(5)가 상기 세그먼트 데이터들의 총 개수에 대한 잡음(bruit)이 있는 세그먼트 데이터의 개수의 비율인 지표값을 연산하는 과정이 수행된다.
예컨대, 도 5에 도시된 바와 같이, 상기 판별부에서 미리 학습된 머신러닝 신경망을 통해 80개의 세그먼트 데이터들 중 2개를 제외한 78개가 잡음(bruit) 신호 정보를 포함하고 있는 것으로 판별된 경우에는, Nonbruit 개수를 기준으로 하면 상기 지표값이 2÷80, 0.025에 해당되고, bruit개수를 기준으로 하면 상기 지표값이 0.975에 해당된다.
상기 진단 활용 단계(S5)에서는 진단부(6)에서 이러한 지표값을 기준값과 비교하여 경동맥 협착 유무 진단에 활용하게 된다.
즉, 상기 기준값은 상기 머신러닝 신경망의 학습을 통해 도출되는 값으로, 진단대상의 지표값과 비교하여 잡음 유무에 따른 경동맥 협착 여부를 진단하기 위해 미리 설정된 값이다.
이러한 구성을 가지는 본 발명의 일실시예에 따른 머신러닝을 활용한 경동맥 협착증 진단 방법은, 전자 청진기의 청진음 데이터를 복수의 세그먼트 데이터들로 분할하고, 분할된 데이터를 머신러닝 신경망에 입력하여 각 데이터의 잡음(bruit)신호 여부를 판별하며, 그 판별된 데이터를 정량적인 지표값으로 연산하여 경동맥 협착 유무를 진단하는데 활용할 수 있도록 구성됨으로써, 전문가의 청각적인 판단에만 의존해야 하는 기존의 한계를 해결할 수 있고 저비용으로도 경동맥 협착증에 대한 진단을 정밀하고 신속하게 할 수 있게 하는 효과를 가진다.
상기 기준값은 0 보다 크고 1 보다 작은 제1기준값(β)과 그 제1기준값(β)보다 크고 1 보다 작은 제2기준값(α)을 포함하여 이루어지는 것이 바람직하다. 상기 제1기준값은 잡음(bruit)이 감지됨에 따른 협착증 진단을 위한 최소값을 의미하고, 상기 제2기준값은 잡음(bruit)이 감지되지 않음에 따른 정상 진단을 위한 최대값을 의미한다.
예컨대, 도 6에 잘 도시된 바와 같이, 상기 연산된 지표값이 상기 제1기준값 이하인 경우에는 경동맥 협착이 없는 것으로 진단하고, 상기 제2기준값 이상인 경우에는 경동맥 협착이 있는 것으로 진단하며, 상기 제1기준값 초과 제2기준값 미만인 경우에는 별도의 정밀 진단을 통해 경동맥 협착 여부를 진단할 수 있도록 구성될 수 있음은 물론이다.
상기 각 세트먼트 데이터는 상기 분할된 시간영역의 일부가 중첩되도록 하여 모든 시간영역의 데이터를 누락없이 확보할 수 있게 하는 것이 바람직하다.
이상 본 발명의 다양한 실시예에 대하여 설명하였으나, 본 실시예 및 본 명세서에 첨부된 도면은 본 발명에 포함되는 기술적 사상의 일부를 명확하게 나타내고 있는 것에 불과하며, 본 발명의 명세서 및 도면에 포함된 기술적 사상의 범위 내에서 당업자가 용이하게 유추할 수 있는 변형 예와 구체적인 실시예는 모두 본 발명의 권리범위에 포함되는 것이 자명하다고 할 것이다.

Claims (5)

  1. 딥러닝을 통해 학습된 머신러닝 신경망을 이용하여 경동맥 협착증을 진단하는데 사용되는 것으로,
    데이터 획득부에서 전자 청진기를 이용하여 피험자의 경동맥으로부터 청진음 데이터를 획득하는 단계;
    데이터 가공부에서 상기 청진음 데이터를 단시간 푸리에 변환을 적용하여 시간-주파수 영역대의 신호값으로 변환하며, 상기 신호값의 시간 데이터를 복수개로 분할하고 그 분할된 시간영역에 해당하는 특정 주파수 대역의 신호값을 추출하여 복수의 세그먼트 데이터를 형성하는 단계;
    판별부에서 상기 복수의 세그먼트 데이터를 상기 머신러닝 신경망에 입력하여 잡음(bruit) 유무를 판별하는 단계;
    연산부에서 상기 세그먼트 데이터들의 총 개수에 대한 잡음(bruit)이 있는 세그먼트 데이터의 개수의 비율인 지표값을 연산하는 단계; 및
    진단부에서 상기 지표값과 기준값을 비교하여 경동맥 협착 유무 진단에 활용하는 단계;를 포함하여 이루어지는 것을 특징으로 하는 머신러닝을 활용한 경동맥 협착증 진단 방법.
  2. 제1항에 있어서,
    상기 머신러닝 신경망은 SVM(Support vector machine) 신경망인 것을 특징으로 하는 머신러닝을 활용한 경동맥 협착증 진단 방법.
  3. 제1항에 있어서,
    상기 기준값은 0 보다 크고 1 보다 작은 제1기준값과 그 제1기준값보다 크고 1 보다 작은 제2기준값을 포함하여 이루어지고,
    상기 연산된 지표값이 상기 제1기준값 이하인 경우에는 경동맥 협착이 없는 것으로 진단하고, 상기 제2기준값 이상인 경우에는 경동맥 협착이 있는 것으로 진단하며, 상기 제1기준값 초과 제2기준값 미만인 경우에는 별도의 정밀 진단을 통해 경동맥 협착 여부를 진단할 수 있게 하는 것을 특징으로 하는 머신러닝을 활용한 경동맥 협착증 진단 방법.
  4. 제1항에 있어서,
    상기 각 세트먼트 데이터는 상기 분할된 시간영역의 일부가 중첩되는 것을 특징으로 하는 머신러닝을 활용한 경동맥 협착증 진단 방법.
  5. 제4항에 있어서,
    상기 각 세그먼트 데이터는 2초 동안의 50-300Hz 주파수 대역에 해당하는 신호들에 대한 정보이고,
    시간 영역에서 서로 인접한 세그먼트 데이터들 간의 오프셋은 0.025초인 것을 특징으로 하는 머신러닝을 활용한 경동맥 협착증 진단 방법.
KR1020210012834A 2021-01-29 2021-01-29 머신러닝을 활용한 경동맥 협착증 판별을 위한 정보제공 방법 KR102483149B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210012834A KR102483149B1 (ko) 2021-01-29 2021-01-29 머신러닝을 활용한 경동맥 협착증 판별을 위한 정보제공 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210012834A KR102483149B1 (ko) 2021-01-29 2021-01-29 머신러닝을 활용한 경동맥 협착증 판별을 위한 정보제공 방법

Publications (2)

Publication Number Publication Date
KR20220110358A true KR20220110358A (ko) 2022-08-08
KR102483149B1 KR102483149B1 (ko) 2022-12-30

Family

ID=82845455

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210012834A KR102483149B1 (ko) 2021-01-29 2021-01-29 머신러닝을 활용한 경동맥 협착증 판별을 위한 정보제공 방법

Country Status (1)

Country Link
KR (1) KR102483149B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101178867B1 (ko) 2011-03-30 2012-09-03 김주한 원격진료 청진기
JP6073799B2 (ja) 2010-12-13 2017-02-01 アカリクス アクティーゼルスカブ 冠状動脈疾患を診断するための周波数電力を検出するシステム
KR102123147B1 (ko) 2018-03-29 2020-06-15 가톨릭대학교 산학협력단 혈류 바이오마커 기반 웨어러블 혈관건강 관리 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6073799B2 (ja) 2010-12-13 2017-02-01 アカリクス アクティーゼルスカブ 冠状動脈疾患を診断するための周波数電力を検出するシステム
KR101178867B1 (ko) 2011-03-30 2012-09-03 김주한 원격진료 청진기
KR102123147B1 (ko) 2018-03-29 2020-06-15 가톨릭대학교 산학협력단 혈류 바이오마커 기반 웨어러블 혈관건강 관리 장치

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
N.S.Nehe, Heart Sound Abnormality Detection Using Short Time Fourier Transform and Continuous Wavelet Transform, ICETET, 2009(2010.01.22.)* *
장경식, Short Time Fourier Transform and Support Vector Machine of Blood Flow Noise for Detection of Carotid Artery Stenosis, 대한기계학회, 2019(2019.11.30.)* *

Also Published As

Publication number Publication date
KR102483149B1 (ko) 2022-12-30

Similar Documents

Publication Publication Date Title
Altan et al. Deep learning with 3D-second order difference plot on respiratory sounds
US11786148B2 (en) Autonomous diagnosis of ear diseases from biomarker data
US7520860B2 (en) Detection of coronary artery disease using an electronic stethoscope
Wang et al. Phonocardiographic signal analysis method using a modified hidden Markov model
Ishigaki et al. A clinical study of temporomandibular joint (TMJ) vibrations in TMJ dysfunction patients
US20110208080A1 (en) Categorizing automatically generated physiological data based on industry guidelines
EP2653109B1 (en) Image processing method and apparatus
Kim et al. Estimation algorithm of the bowel motility based on regression analysis of the jitter and shimmer of bowel sounds
Hillman et al. Current diagnostics and office practice: appropriate use of objective measures of vocal function in the multidisciplinary management of voice disorders
US9883817B2 (en) Management, assessment and treatment planning for inflammatory bowel disease
Shokouhmand et al. Diagnosis of peripheral artery disease using backflow abnormalities in proximal recordings of accelerometer contact microphone (ACM)
US20230414192A1 (en) Heart valve abnormality detection device, non-transitory recording medium, and detection method
Jaros et al. Novel phonocardiography system for heartbeat detection from various locations
Sakai Modeling the relationship between heart rate and features of vocal frequency
Park et al. Feasibility of deep learning-based analysis of auscultation for screening significant stenosis of native arteriovenous fistula for hemodialysis requiring angioplasty
KR102483149B1 (ko) 머신러닝을 활용한 경동맥 협착증 판별을 위한 정보제공 방법
Yuasa et al. Wearable flexible device for respiratory phase measurement based on sound and chest movement
KR102554084B1 (ko) 청진기 음파 분석을 통한 혈관 협착 평가 방법
KR102179511B1 (ko) 연하 진단 장치 및 프로그램
KR20200049683A (ko) 깊이 카메라를 이용한 호흡량 측정 시스템
EP4181790B1 (en) Ultrasound data processor
Grochowina et al. Design and implementation of a device supporting automatic diagnosis of arteriovenous fistula
AU2021104107A4 (en) A method for empirical risk assessment of brain disorder using neural network diagnostic system
Bello et al. A wearable, cloud-based system to enable Alzheimer's disease analysis, diagnosis, and progression monitoring
EP3967237A1 (en) Ultrasound data processor

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