KR20220120922A - 딥러닝 알고리즘을 기반으로 하는 심전도 생성 시스템 및 그 방법 - Google Patents

딥러닝 알고리즘을 기반으로 하는 심전도 생성 시스템 및 그 방법 Download PDF

Info

Publication number
KR20220120922A
KR20220120922A KR1020210024707A KR20210024707A KR20220120922A KR 20220120922 A KR20220120922 A KR 20220120922A KR 1020210024707 A KR1020210024707 A KR 1020210024707A KR 20210024707 A KR20210024707 A KR 20210024707A KR 20220120922 A KR20220120922 A KR 20220120922A
Authority
KR
South Korea
Prior art keywords
electrocardiogram
learning
ecg
virtual
generating
Prior art date
Application number
KR1020210024707A
Other languages
English (en)
Inventor
권준명
Original Assignee
주식회사 바디프랜드
주식회사 메디컬에이아이
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 주식회사 바디프랜드, 주식회사 메디컬에이아이 filed Critical 주식회사 바디프랜드
Priority to KR1020210024707A priority Critical patent/KR20220120922A/ko
Priority to PCT/KR2022/002747 priority patent/WO2022182182A1/ko
Priority to US18/258,859 priority patent/US20240047075A1/en
Priority to JP2023545852A priority patent/JP2024505217A/ja
Priority to EP22760098.8A priority patent/EP4248867A1/en
Priority to CN202280008177.9A priority patent/CN116744850A/zh
Publication of KR20220120922A publication Critical patent/KR20220120922A/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
    • A61B5/24—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
    • A61B5/24—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]
    • A61B5/332—Portable devices specially adapted therefor
    • 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
    • A61B5/72—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
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Cardiology (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Electrotherapy Devices (AREA)

Abstract

본 발명은 딥러닝 알고리즘을 기반으로 하는 심전도 생성 시스템 및 그 방법 에 관한 것이다.
본 발명에 따르면, 딥러닝 알고리즘을 기반으로 하는 심전도 생성 시스템은 복수의 환자에 의해 측정된 12 유도 심전도를 입력받는 데이터 입력부, 상기 입력된 12 유도 심전도로부터 학습 데이터를 추출하는 데이터 추출부, 상기 추출된 학습 데이터를 복수의 학습 모델에 입력하여 심전도에 대한 특성을 학습시키는 학습부, 상기 측정대상자로부터 1개 이상의 기준 심전도를 입력받고, 상기 입력된 기준 심전도를 학습이 완료된 복수의 학습 모델에 입력하여 가상 심전도를 생성하는 심전도 생성부, 그리고 상기 기준 심전도와 생성된 가상 심전도를 상호 동기화하며, 동기화된 기준 심전도 및 가상 심전도에 대한 파형을 출력하는 제어부를 포함한다.

Description

딥러닝 알고리즘을 기반으로 하는 심전도 생성 시스템 및 그 방법{Apparatus of generating electrocardiogram based on deep learning algorithm and method thereof}
본 발명은 딥러닝 알고리즘을 기반으로 하는 심전도 생성 시스템 및 그 방법에 관한 것으로서, 더욱 상세하게 설명하면 딥러닝 알고리즘을 이용하여 하나 이상의 유도 심전도로부터 복수개의 심전도를 생성하는 심전도 생성 시스템 및 그 방법에 관한 것이다.
병원에서 사용되는 표준 12유도 심전도는 가슴 전면에 6개 전극을 부착하고, 사지에도 각각 3개의 전극 (접지 전극을 포함하면 4개 전극)을 부착한 다음, 12유도 정보를 모두 수집하고 이를 종합하여 질환을 진단한다.
12유도 심전도란 심장을 중심으로 12개의 전기적 방향에서 심장의 전위를 기록하는 것으로, 이를 통해 여러 방향에서 심장의 상태를 판단함으로써, 한 부위에 국한된 심장의 질병을 정확하게 판독할 수 있다.
심장의 전위를 다양한 방향에서 측정하는 것은 심장의 특성을 각 방향에서 파악할 수 있다는 점에서 의미가 있으며, 이 때문에 의료에서는 심장질환(심근경색 등)의 진단을 위해 표준 12유도 심전도를 측정하도록 권고하고 있다.
하지만, 12유도를 촬영하기 위해서는 가슴 전극을 부착하기 위해 가슴을 노출해야 하고, 일반인이 9개 전극(사지 3개, 흉부 6개)를 정확한 위치에 붙이기 어렵기 때문에 가정이나 일상생활에서 측정되기 어렵다. 또한 10개의 전극을 붙이고 움직이기 어렵기 때문에 실시간 모니터링에 사용되기 어렵다.
따라서, 최근에는 일상생활에서도 사용할 수 있도록 1유도 심전도 또는 2개 이상의 유도 심전도를 측정할 수 있는 기기가 개발되었다.
먼저, 2개 전극을 사용하는 1유도 심전도 기기는 시계형 심전도 기구(애플워치 혹은 갤럭시워치)를 포함한다. 시계형 심전도 기구는 시계의 뒷면과 왼쪽 손목이 접촉하고, 오른쪽 손가락와 시계의 크라운이 접촉함으로써 왼팔 전극과 오른팔 전극이 접촉하여 두개 전극의 전위차를 활용하여 I유도 심전도를 측정한다.
또한, 시계형 심전도 기구는 왼팔에 차고 오른손으로 크라운을 접촉해서 I유도를 측정하고, 시계를 배위에 올려둔 상태에서 오른손으로 크라운을 접촉해서 II유도를 측정하고, 배위에 올려둔 상태에서 왼손으로 크라운을 접촉해서 III유도를 측정한다. 이후 시계 크라운에 왼손을 접촉한 상태로 V1-6전극 위치에 시계 뒷면을 접촉함으로써 V1-6유도 심전도를 측정한다.
위 방법은 사용자가 V1-6위치에 정확하게 심전도를 접촉해야 한다는 점에서 사용성이 떨어지고, V1-6유도 심전도의 경우는 해당 부위에 접촉하더라도 가상의 중심점과 V전극 사이의 전위차를 도시해야 하는 표준 흉부 유도 심전도와는 달리 오른팔 전극과 V전극 사이의 전위차를 도시한다는 점에서 표준 흉부 유도를 구현하지 못하는 문제점이 있었다.
또한, 양손에 전극을 쥐고 다리 혹은 발목에 기기 뒷면의 전극을 접촉하고, 왼팔, 오른팔, 왼쪽 다리에 각각 전극을 접촉한 상태에서 2개 이상의 유도 심전도를 측정할 수도 있다. 그러나 상기의 방법은 장시간 (1시간, 24시간 7일 등) 모니터링을 할 수 없는 방법이며, 기기 자체가 3개의 전극을 가지고 있어야 한다는 단점이 있다.
본 발명의 배경이 되는 기술은 한국등록특허 제 10-2180135호(2020.11.17. 공고)에 개시되어 있다.
이와 같이 본 발명에 따르면, 딥러닝 알고리즘을 이용하여 하나 이상의 유도 심전도로부터 복수개의 심전도를 생성하는 심전도 생성 시스템 및 그 방법을 제공하기 위한 것이다.
이러한 기술적 과제를 이루기 위한 본 발명의 실시예에 따르면 딥러닝 알고리즘을 기반으로 하는 심전도 생성 시스템은 복수의 환자에 의해 측정된 12 유도 심전도와 상기 12 유도 심전도에 대응되는 환자 정보를 입력받는 데이터 입력부, 상기 입력된 12 유도 심전도를 상기 환자 정보에 따라 분류하여 저장하고, 저장된 12 유도 심전도로부터 학습 데이터를 추출하는 데이터 추출부, 상기 추출된 학습 데이터를 1개 이상의 학습 모델에 입력하여 심전도에 대한 특성을 학습시키는 학습부, 상기 측정대상자로부터 1개 이상의 기준 심전도를 입력받고, 상기 입력된 기준 심전도를 학습이 완료된 1개 이상의 학습 모델에 입력하여 가상 심전도를 생성하는 심전도 생성부, 그리고 상기 기준 심전도와 생성된 가상 심전도를 상호 동기화하며, 동기화된 기준 심전도 및 가상 심전도에 대한 파형을 출력하는 제어부를 포함한다.
상기 환자 정보는, 성별, 나이, 심장 질환 여부, 측정된 심전도의 전위 벡터 중에서 적어도 하나를 포함할 수 있다.
상기 학습부는, 사지 6유도 심전도와 흉부 6유도 심전도 중 일부인 n개 유도의 심전도를 제1 학습모델에 입력하여 상기 제 1 학습모델로 하여금 입력된 심전도에 대한 전위 벡터를 판별하여 12-n개의 심전도를 생성하도록 학습시킬 수 있다.
상기 학습부는, 사지 6유도 심전도와 흉부 6유도 심전도에 대한 12개의 제2 학습모델을 구축하고, 상기 구축된 제 1 학습모델로 부터 나온 12-n개의 생성된 심전도를 제2 학습모델에 입력하면, 상기 입력된 유도 심전도를 해당되는 전위 벡터를 가진 스타일로 변환하여 n개의 가상 심전도로 출력하도록 학습시킬 수 있다.
상기 제1 학습모델 및 제2 학습모델은, 적대적 생성망과 오토인코더 방법을 혼합하여 구축될 수 있다.
상기 심전도 생성부는, 입력된 기준 심전도를 제1 학습모델에 입력하여 상기 기준 심전도에 대한 전위 벡터를 추출하여 나머지 복수의 가상 심전도를 생성하고, 추출된 전위 벡터로 학습된 제2 학습모델에 상기 생성된 가상 심전도를 입력하여 다시 기준 심전도와 동일한 유도의 가상 심전도를 생성할 수 있다.
상기 제어부는, 상기 기준 심전도와 상기 복수의 가상 심전도를 매칭하여 동기화하고, 동기화된 복수개의 심전도를 모니터를 통해 출력한다.
또한, 본 발명의 실시예에 따르면 심전도 생성 시스템을 이용한 심전도 생성 방법은 딥러닝 알고리즘을 기반으로 하는 심전도 생성 시스템은 복수의 환자에 의해 측정된 12 유도 심전도와 상기 12 유도 심전도에 대응되는 환자 정보를 입력받는 단계, 상기 입력된 12 유도 심전도를 상기 환자 정보에 따라 분류하여 저장하고, 저장된 12 유도 심전도로부터 학습 데이터를 추출하는 단계, 상기 추출된 학습 데이터를 1개 이상의 학습 모델에 입력하여 심전도에 대한 특성을 학습시키는 단계, 상기 측정대상자로부터 1개 이상의 기준 심전도를 입력받고, 상기 입력된 기준 심전도를 학습이 완료된 1개 이상의 학습 모델에 입력하여 가상 심전도를 생성하는 단계, 그리고 상기 기준 심전도와 생성된 가상 심전도를 상호 동기화하며, 동기화된 기준 심전도 및 가상 심전도에 대한 파형을 출력하는단계를 포함한다.
이와 같이 본 발명에 따르면, 딥러닝 알고리즘을 이용하여 서로 다른 지점에서 측정된 두 개의 심전도로부터 동기화된 복수의 심전도를 생성할 수 있으므로 12유도 심전도와 같이 심장의 질병의 정확하게 판독할 수 있다.
또한, 본 발명에 따르면, 2개의 유도 심전도를 이용하므로 가정이나 일상생활에서도 측정가능하며, 움직이는 상태에서도 측정할 수 있어 실시간 모니터링이 가능하며, 서로 다른 시점에 측정된 심전도 정보를 활용하여 동기화된 심전도를 생성하므로 의료진으로 하여금 해당 박동에 맞춘 동기화된 유도 심전도 정보를 판독할 수 있고, 이를 기반으로 더 정확한 진단이 가능하다.
도 1은 본 발명의 실시예에 따른 심전도 생성 시스템을 설명하기 위한 구성도이다.
도 2는 본 발명의 실시예에 따른 심전도 생성 시스템을 이용한 심전도 생성 방법을 설명하기 위한 순서도이다.
도 3은 일반적인 12 유도 심전도를 측정하는 방법을 설명하는 예시도이다.
도 4는 도 2에 도시된 S240단계를 설명하기 위한 예시도이다.
도 5는 도 2에 도시된 S260단계를 설명하기 위한 예시도이다.
이하 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하기로 한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다.
또한 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서, 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
이하에서는 도 1을 이용하여 본 발명의 실시예에 따른 딥러닝 알고리즘을 기반으로 하는 심전도 생성 시스템에 대하여 더욱 상세하게 설명한다.
도 1은 본 발명의 실시예에 따른 심전도 생성 시스템을 설명하기 위한 구성도이다.
도 1에 도시된 바와 같이, 본 발명의 실시예에 따른 심전도 생성 시스템(100)은 데이터 입력부(110), 데이터 추출부(120), 학습부(130), 심전도 생성부(140) 및 제어부(150)를 포함한다.
먼저, 데이터 입력부(110)는 복수의 환자를 통해 측정된 12 유도 심전도와 12 유도 심전도에 대응되는 환자 정보를 입력받는다.
여기서 12 유도 심전도는 사지 6유도 심전도와 흉부 6유도 심전도를 포함하고, 환자 정보는 성별, 나이, 심장 질환 여부, 측정된 심전도의 전위 벡터 중에서 적어도 하나를 포함한다.
데이터 추출부(120)는 입력된 환자 정보를 이용하여 12 유도 심전도를 분류하여 데이터 베이스에 저장한다. 그리고, 데이터 추출부(120)는 데이터 베이스에 저장된 복수의 12 유도 심전도를 무작위로 추출하여 학습데이터를 생성한다.
그 다음, 학습부(130)는 학습데이터를 이용하여 구축된 학습모델을 학습시킨다. 부연하자면, 학습부(130)는 입력된 유도 심전도에 대한 전위 벡터 정보를 추출하여 n개 유도의 기준 심전도로부터 12-n개 유도 가상의 심전도를 생성하는 제1 학습모델과, 12-n개 유도 가상의 심전도로부터 n개 유도의 가상 심전도를 생성하는 제2 학습모델을 구축한다.
그리고 학습부(130)는 구축된 제1 학습모델 또는 제2 학습모델에 생성된 학습데이터를 입력하여 제1 학습모델 또는 제2 학습모델을 학습시킨다.
심전도 생성부(140)는 측정대상자로부터 획득한 하나 이상의 기준 심전도를 획득한다. 그리고, 심전도 생성부(140)는 획득한 기준 심전도를 학습이 완료된 제1 학습모델에 입력하여 기준 심전도에 대한 전위 벡터를 기반으로 제 1의 가상 심전도를 생성한다. 심전도 생성부(140)는 학습한 제2 학습모델에 생성된 제 1의 가상 심전도를 입력하여 제2 학습모델로 하여금 제 2의 가상 심전도를 출력하게 한다.
마지막으로 제어부(150)는 기준 심전도와 가상 심전도를 동기화하고, 기준 심전도 및 가상 심전도로부터 동기화된 복수의 심전도를 모니터 장치를 통해 출력한다.
이하에서는 도 2 내지 도 5를 이용하여 본 발명의 실시예에 따른 심전도 생성 시스템(100)을 이용한 심전도 생성 방법에 대해 더욱 상세하게 설명한다.
도 2는 본 발명의 실시예에 따른 심전도 생성 시스템을 이용한 심전도 생성 방법을 설명하기 위한 순서도이다.
도2에 도시된 바와 같이, 본 발명의 실시예에 따른 심전도 생성 시스템을 이용한 심전도 생성 방법은 학습 모델을 학습시키는 단계와, 학습이 완료된 학습 모델을 이용하여 심전도를 생성하는 단계로 나뉘어진다.
학습 모델을 학습시키는 단계에 있어서, 먼저, 심전도 생성 시스템(100)은 복수의 환자를 통해 측정된 유도 심전도와 환자에 대한 정보를 입력받는다(S210).
먼저, 12 유도 심전도는 심장을 중심으로 12개의 전기적인 방향에서 심장의 전위를 기록한 것을 나타낸다.
유도 심전도를 촬영하는 일반적인 방법을 살펴보면, 먼저, 환자의 양팔과 양쪽 다리에 4개의 전극 (사지 전극, limb lead)를 붙인다. 이때, 심전도 측정 장치는 이중 양팔과 왼쪽 다리 전극으로 전위를 측정하며 오른쪽 다리 전극은 접지전극 역할을 한다.
도 3은 일반적인 12 유도 심전도를 측정하는 방법을 설명하는 예시도이다.
도 3에 도시된 바와 같이, 심전도 측정 장치는 왼팔의 전위에서 오른팔의 전위를 빼서 I유도 심전도를 생성하고, 왼쪽 다리 전위에서 오른팔 전위를 빼서 II유도 심전도를 생성하고, 왼쪽 다리 전위에서 왼팔의 전위를 빼서 III유도 심전도를 생성한다.
심전도 측정 장치는 양팔과 왼쪽 다리 전극의 전위의 평균을 구해서 가상의 중심점의 전위를 구한다. 그리고 심전도 측정 장치는 왼팔의 전위에서 가상의 중심점의 전위를 빼서 aVL유도의 심전도를 생성하고, 오른팔의 전위에서 가상의 중심점의 전위를 빼서 aVR유도의 심전도를 생성한다. 또한, 심전도 측정 장치는 왼쪽 다리 전극의 전위에서 가상의 중심점의 전위를 빼서 aVF 유도의 심전도를 생성한다. 상기와 같이, 심전도 측정 장치는 3개 (접지전극까지 하면 4개)의 사지 전극을 사용하여 총 6개 유도 (6개 줄의) 심전도를 생성한다.
그 다음, 심전도 측정 장치는 사지 유도에서 결정한 가상의 중심점의 전위와, 흉부에 부착한 6개 전극의 전위차이를 이용하여 흉부 6유도 심전도를 생성한다. 즉 가슴에 V1, V2, V3, V4, V5, V6의 6개 전극을 정해진 위치의 앞쪽에서부터 왼쪽 가슴까지 붙인다.
그리고, 심전도 측정 장치는 V1전극에서 측정된 전위와 위에서 사지전극의 평균을 통해 구한 가상의 중심점의 전위를 빼서 V1유도 심전도를 생성한다.
상기와 같이 심전도 측정 장치는 복수의 환자에 부착된 전극을 이용하여 12 유도 심전도를 생성한다. 그리고, 생성된 12 유도 심전도는 심전도 생성 시스템(100)에 전달된다.
이때, 심전도 생성 시스템(100)는 생성된 12 유도 심전도와 그에 대응되는 환자 정보를 추가로 입력받는다.
여기서, 환자 정보는 성별, 나이, 심장 질환 여부, 측정된 심전도의 전위 벡터 중에서 적어도 하나를 포함한다.
S210단계가 완료되면, 심전도 생성 시스템(100)은 수집된 12 유도 심전도와 환자 정보를 이용하여 학습 데이터를 추출한다(S220).
이를 다시 설명하면, 데이터 추출부(120)는 수집된 12 유도 심전도를 환자 정보에 따라 분류하여 데이터베이스에 저장한다. 그리고, 데이터 추출부(120)는 저장된 복수의 12 유도 심전도로부터 무작위로 추출하여 학습데이터를 생성한다.
그 다음, 학습부(130)는 생성된 학습데이터를 이용하여 제1 학습모델과 제2 학습모델을 각각 학습시키다(S230).
먼저, 학습부(130)는 12 유도 심전도로 구성된 학습데이터를 제1 학습모델과 제2학습모델에 입력하여 심전도에 대한 특성을 학습시킨다. 이를 다시 설명하면, 유도 심전도는 전위 벡터에 따라 전기 흐름 방향이 상이하고, 환자의 나이와 성별에 따라 심전도 스타일에 영향을 준다. 즉, 노인이 될수록 심장 근육이 감소하므로 심전도의 진폭은 감소하는 경향을 보이고, 여성의 경우에는 유방으로 인해 심전도의 전극 위치가 낮아지거나 심장과 전극 사이의 거리가 멀어져 심전도 모양에 변형이 발생된다.
또한, 만성폐질환 (만성 폐쇄성 폐질환)이 있는 경우 폐의 용량이 커지면서 폐 사이에 있는 심장이 수직 방향으로 세워지므로 3차원 공간에서 심장의 전기적인 흐름이 수직방향으로 변화하게 된다.
따라서, 학습부(130)는 환자 정보 즉, 환자의 나이, 성별, 건강 정도 및 전위 벡터에 따라 각각 분리되어 저장된 유도 심전도를 제1 학습모델과 제2 학습모델에 입력한다. 그러면, 제1 학습모델과 제2 학습모델은 입력된 유도 심전도의 특성을 학습하여 입력되는 유도 심전도의 전위 벡터 정보를 추출한다. 하지만 환자 정보에 따라 구분하지 않고 심전도를 입력받아 학습할 수도 있으며, 이 방법을 통해서 한 개의 특성에 국한되지 않는 학습모델을 학습할 수도 있다.
또한, 학습부(130)는 12 유도 심전도에 대응하는 12개의 제2 학습모델을 구축한다. 그리고 학습부(130)는 심전도의 특성에 따라 각각의 제2 학습모델을 학습시킨다.
이를 다시 설명하면, 제1 학습모델은 딥러닝 알고리즘을 기반으로 입력되는 심전도와 12 유도 심전도와의 연관성을 학습하여 입력된 심전도에 대한 특징 즉, 나이, 성별, 전위 벡터 중에서 적어도 하나를 추출하며 이를 통해 n개 유도의 기준 심전도로부터 12-n개 유도의 가상 심전도를 생성한다. 반면에 제2 학습모델은 12-n개 유도의 가상 심전도로부터 n개 유도의 가상 심전도를 생성한다. 예를 들어, V1유도 심전도를 생성한다고 가정하면, 학습부(130)는 제1학습모델에서 V1 유도의 심전도로부터 가상의 I, II, III, aVL, aVR, aVF, V2, V3, V4, V5, V6 유도의 심전도를 생성하도록 스타일을 학습하며, 제2학습모델은 가상의 I, II, III, aVL, aVR, aVF, V2, V3, V4, V5, V6 유도의 심전도로부터 가상의 V1유도의 심전도를 생성하도록 스타일을 학습시킨다. 그러면, 제2 학습모델은 입력된 심전도를 V1유도 스타일로 변환하여 가상 심전도를 생성한다.
제1 학습모델에는 입력된 심전도가 어떤 유도의 심전도인지를 판별하도록, 어떤 유도의 심전도인지를 함께 입력하여 학습한다. 이를 통해 학습된 이후 사용할 때 유도를 알 수 없는 임의의 심전도가 입력되더라도 12유도 심전도를 생성할 수 있다.
이때, 제1 학습모델과 제2 학습모델은 오토인코더 또는 적대적 생성망으로 구성된 딥러닝 알고리즘을 기반으로 하며, 딥러닝 알고리즘은 오토인코더 또는 적대적 생성망 중에서 선택된 하나를 이용하여 구현될 수도 있고, 오토인코더와 적대적 생성망을 혼합하여 구현될 수도 있다.
S210 단계 및 S230단계를 통해 학습 모델에 대한 학습이 완료되면, 본 발명의 실시예에 따른 심전도 생성 시스템(100)은 학습된 학습 모델을 이용하여 심선도를 생성한다.
먼저, 심전도 생성 시스템(100)은 측정대상자의 신체에 부착된 전극을 통해 측정된 기준 심전도를 입력받는다(S240).
여기서 기준 심전도는 전위 벡터에 대한 정보를 포함하지 않는다.
그 다음, 심전도 생성부(140)는 입력된 기준 심전도를 제1 학습모델 및 제2 학습모델에 입력하여 복수의 가상 심전도를 생성한다(S250).
먼저, 심전도 생성부(140)는 기준 심전도를 제1 학습모델에 입력하여 기준 심전도에 대한 특성을 추출한다.
여기서 특성은 측정대상자의 나이, 성별 및 전위 벡터 중에서 적어도 하나를 포함한다.
이를 통해 기준 심전도로부터 제1의 가상의 심전도를 생성한다.
그 다음, 심전도 생성부(140)는 생성된 제 1의 가상의 심전도를 제2 학습모델에 입력한다. 그러면, 제2 학습모델은 입력된 제 1의 가상의 심전도를 기반으로 제 2의 가상의 심전도를 생성한다.
도 4는 도 2에 도시된 S240단계를 설명하기 위한 예시도이다.
도 4에 도시된 바와 같이, 첫번째 심전도는 기준 심전도를 나타낸다. 이때, 제1 학습모델이 기준 심전도에 대한 특성을 L1이라고 하였다고 가정한다. 그러면 심전도 생성부(140)는 제 1학습모델이 L1심전도를 기반으로 나머지 11개 유도의 가상 심전도를 생성한다. 생성된 11개 유도의 가상 심전도를 제 2학습모델에 입력한 뒤 가상의 L1유도 심전도를 생성한다. 각각의 학습모델에는 심전도를 생성하는 생성자와 함께 생성된 심전도가 정확하게 생성되었는지를 판별하고 되먹임을 통해 생성된 심전도의 정확도를 올리기 위한 판별자가 함께 구성된다.
S250단계가 완료되면, 제어부(150)는 기준 심전도와 11개의 가상 심전도를 모니터링 장치를 통해 출력한다(S260).
도 5는 도 2에 도시된 S260단계를 설명하기 위한 예시도이다.
제어부(150)는 기준 심전도와 11개의 가상 심전도를 출력한다. 그리고 도 5에 도시된 바와 같이, 제어부(150)는 출력된 기준 심전도와 11개의 가상 심전도를 동기화하여 측정 대상자의 건강 이상 여부를 판단한다. 이때 기준 심전도와 동일한 유도의 가상심전도도 제2학습모델에서 생성되기 때문에 12개의 가싱 심전도로 판별할 수도 있다.
앞서 설명한 바와 같이, 심전도는 측정 대상자의 나이, 성별 그리고 건강 이상 여부에 따라 심전도의 기울기, 진폭 크기 등이 상이하게 출력된다. 따라서, 제어부(150)는 기준 심전도, 11개의 가상 심전도를 통해 동기화된 12개의 심전도를 모니터링 장치를 통해 출력한다.
이와 같이 본 발명에 따르면, 딥러닝 알고리즘을 이용하여 서로 다른 지점에서 측정된 두 개의 심전도로부터 동기화된 복수의 심전도를 생성할 수 있으므로 12유도 심전도와 같이 심장의 질병의 정확하게 판독할 수 있다.
또한, 본 발명에 따른 심전도 생성 시스템은 2개의 유도 심전도를 이용하므로 가정이나 일상생활에서도 측정가능하며, 움직이는 상태에서도 측정할 수 있어 실시간 모니터링이 가능하며, 서로 다른 시점에 측정된 심전도 정보를 활용하여 동기화된 심전도를 생성하므로 의료진으로 하여금 해당 박동에 맞춘 동기화된 유도 심전도 정보를 판독할 수 있고, 이를 기반으로 더 정확한 진단이 가능하다.
본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호범위는 아래의 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
100 : 심전도 생성 시스템
110 : 데이터 입력부
120 : 데이터 추출부
130 : 학습부
140 : 심전도 생성부
150 : 제어부

Claims (14)

  1. 딥러닝 알고리즘을 기반으로 하는 심전도 생성 시스템에 있어서,
    복수의 환자에 의해 측정된 12 유도 심전도를 입력받는 데이터 입력부,
    상기 입력된 12 유도 심전도로부터 학습 데이터를 추출하는 데이터 추출부,
    상기 추출된 학습 데이터를 복수의 학습 모델에 입력하여 심전도에 대한 특성을 학습시키는 학습부,
    상기 측정대상자로부터 1개 이상의 기준 심전도를 입력받고, 상기 입력된 기준 심전도를 학습이 완료된 복수의 학습 모델에 입력하여 가상 심전도를 생성하는 심전도 생성부, 그리고
    상기 기준 심전도와 생성된 가상 심전도를 상호 동기화하며, 동기화된 기준 심전도 및 가상 심전도에 대한 파형을 출력하는 제어부를 포함하는 심전도 생성 시스템.
  2. 제1항에 있어서,
    상기 환자 정보는,
    성별, 나이, 심장 질환 여부, 측정된 심전도의 전위 벡터 중에서 적어도 하나를 포함하는 심전도 생성 시스템.
  3. 제2항에 있어서,
    상기 학습부는,
    사지 6유도 심전도와 흉부 6유도 심전도를 제1 학습모델에 입력하여 상기 제 1 학습모델로 하여금 입력된 심전도에 대한 전위 벡터를 판별하도록 학습시키는 심전도 생성 시스템.
  4. 제3항에 있어서,
    상기 학습부는,
    사지 6유도 심전도와 흉부 6유도 심전도에 대한 제1 학습모델과 제2 학습모델을 구축하고,
    상기 구축된 제 1 학습모델과 제2 학습모델에 기준 유도 심전도를 입력하면, 상기 입력된 기준 유도 심전도를 해당되는 전위 벡터를 가진 스타일로 변환하여 가상 심전도로 출력하도록 학습시키는 심전도 생성 시스템.
  5. 제3항 또는 제4항에 있어서,
    상기 제1 학습모델 및 제2 학습모델은,
    적대적 생성망과 오토인코더 방법을 혼합하거나 각각 사용하여 구축되는 심전도 생성 시스템.
  6. 제5항에 있어서,
    상기 심전도 생성부는,
    입력된 기준 심전도를 제1 학습모델에 입력하여 상기 기준 심전도에 대한 전위 벡터를 추출하고 제 1 가상 심전도를 생성하며,
    상기 제 1 가상 심전도를 제2 학습모델에 입력하여 제 2 가상 심전도를 생성하는 심전도 생성 시스템.
  7. 제6항에 있어서,
    상기 제어부는,
    상기 기준 심전도와 상기 복수의 가상 심전도를 매칭하여 동기화하고, 동기화된 복수개의 심전도를 모니터를 통해 출력시키며,
    상기 출력된 기준 심전도 및 가상 심전도의 파형의 진폭, 기울기, 전극 위치 중에서 적어도 하나를 이용하여 측정 대상자의 건강 이상 여부를 판단하는 심전도 생성 시스템.
  8. 심전도 생성 시스템을 이용한 심전도 생성 방법에 있어서,
    복수의 환자에 의해 측정된 12 유도 심전도와 상기 12 유도 심전도에 대응되는 환자 정보를 입력받는 단계,
    상기 입력된 12 유도 심전도를 상기 환자 정보에 따라 분류하여 저장하고, 저장된 12 유도 심전도로부터 학습 데이터를 추출하는 단계,
    상기 추출된 학습 데이터를 복수의 학습 모델에 입력하여 심전도에 대한 특성을 학습시키는 단계,
    상기 측정대상자로부터 1개 이상의 기준 심전도를 입력받고, 상기 입력된 기준 심전도를 학습이 완료된 복수의 학습 모델에 입력하여 가상 심전도를 생성하는 단계, 그리고
    상기 기준 심전도와 생성된 가상 심전도를 상호 동기화하며, 동기화된 기준 심전도 및 가상 심전도에 대한 파형과 상기 측정대상자에 대한 건강 이상 발생 여부를 출력하는 단계를 포함하는 심전도 생성 방법.
  9. 제8항에 있어서,
    상기 환자 정보는,
    성별, 나이, 심장 질환 여부, 측정된 심전도의 전위 벡터 중에서 적어도 하나를 포함하는 심전도 생성 방법.
  10. 제8항에 있어서,
    상기 심전도에 대한 특성을 학습시키는 단계는,
    사지 6유도 심전도와 흉부 6유도 심전도를 제1 학습모델에 입력하여 상기 제 1 학습모델로 하여금 입력된 심전도에 대한 전위 벡터를 판별하고 제 1 가상 심전도를 생성하도록 학습시키는 심전도 생성 방법.
  11. 제10항에 있어서,
    상기 심전도에 대한 특성을 학습시키는 단계는,
    제 1 가상심전도를 기반으로 스타일을 학습하는 제2 학습모델을 구축하고,
    상기 구축된 제2 학습모델에 제1의 가상심전도를 입력하면, 상기 입력된 유도 심전도를 해당되는 전위 벡터를 가진 스타일로 변환하여 제2이 가상 심전도로 출력하도록 학습시키는 심전도 생성 방법.
  12. 제10항 또는 제11항에 있어서,
    상기 제1 학습모델 및 제2 학습모델은,
    적대적 생성망과 오토인코더 방법을 혼합하거나 각각 사용하여 구축되는 심전도 생성 방법.
  13. 제12항에 있어서,
    상기 가상 심전도를 생성하는 단계는,
    입력된 기준 심전도를 제1 학습모델에 입력하여 상기 기준 심전도에 대한 전위 벡터를 추출하고 제1 가상 심전도를 생성하고,
    상기 추출된 전위 벡터로 학습된 제2 학습모델에 상기 제1 가상 심전도를 입력하여 제 2가상 심전도를 생성하는 심전도 생성 방법.
  14. 제13항에 있어서,
    상기 건강 이상 발생 여부를 출력하는 단계는,
    상기 기준 심전도와 상기 복수의 가상 심전도를 매칭하여 동기화하고, 동기화된 복수개의 심전도를 모니터를 통해 출력시키며,
    상기 출력된 기준 심전도 및 가상 심전도의 파형의 진폭, 기울기, 전극 위치 중에서 적어도 하나를 이용하여 측정 대상자의 건강 이상 여부를 판단하는 심전도 생성 방법.
KR1020210024707A 2021-02-24 2021-02-24 딥러닝 알고리즘을 기반으로 하는 심전도 생성 시스템 및 그 방법 KR20220120922A (ko)

Priority Applications (6)

Application Number Priority Date Filing Date Title
KR1020210024707A KR20220120922A (ko) 2021-02-24 2021-02-24 딥러닝 알고리즘을 기반으로 하는 심전도 생성 시스템 및 그 방법
PCT/KR2022/002747 WO2022182182A1 (ko) 2021-02-24 2022-02-24 딥러닝 알고리즘을 기반으로 하는 심전도 생성 시스템 및 그 방법
US18/258,859 US20240047075A1 (en) 2021-02-24 2022-02-24 System and method for generating electrocardiogram on basis of deep learning algorithm
JP2023545852A JP2024505217A (ja) 2021-02-24 2022-02-24 ディープラーニングアルゴリズムに基づく心電図生成システム及びその方法
EP22760098.8A EP4248867A1 (en) 2021-02-24 2022-02-24 System and method for generating electrocardiogram on basis of deep learning algorithm
CN202280008177.9A CN116744850A (zh) 2021-02-24 2022-02-24 基于深度学习算法的心电图生成系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210024707A KR20220120922A (ko) 2021-02-24 2021-02-24 딥러닝 알고리즘을 기반으로 하는 심전도 생성 시스템 및 그 방법

Publications (1)

Publication Number Publication Date
KR20220120922A true KR20220120922A (ko) 2022-08-31

Family

ID=83049528

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210024707A KR20220120922A (ko) 2021-02-24 2021-02-24 딥러닝 알고리즘을 기반으로 하는 심전도 생성 시스템 및 그 방법

Country Status (6)

Country Link
US (1) US20240047075A1 (ko)
EP (1) EP4248867A1 (ko)
JP (1) JP2024505217A (ko)
KR (1) KR20220120922A (ko)
CN (1) CN116744850A (ko)
WO (1) WO2022182182A1 (ko)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100748184B1 (ko) * 2005-05-11 2007-08-10 인하대학교 산학협력단 신경망을 이용한 심전도 기반의 심장질환 진단장치 및방법
CN107832737B (zh) * 2017-11-27 2021-02-05 上海优加利健康管理有限公司 基于人工智能的心电图干扰识别方法
KR102163217B1 (ko) * 2018-06-14 2020-10-08 한국과학기술원 심층 컨볼루션 신경망을 이용한 심전도 부정맥 분류 방법 및 장치
KR102180135B1 (ko) 2018-10-12 2020-11-17 계명대학교 산학협력단 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템 및 방법
KR102226875B1 (ko) * 2018-12-04 2021-03-11 건양대학교산학협력단 기계학습 모델을 이용한 심장질환예측 시스템, 및 방법
KR102142841B1 (ko) * 2019-11-06 2020-08-10 메디팜소프트(주) Ai 기반 심전도 판독 시스템

Also Published As

Publication number Publication date
WO2022182182A1 (ko) 2022-09-01
EP4248867A1 (en) 2023-09-27
JP2024505217A (ja) 2024-02-05
US20240047075A1 (en) 2024-02-08
CN116744850A (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
US10226195B2 (en) Electronic system to control the acquisition of an electrocardiogram
Merdjanovska et al. Comprehensive survey of computational ECG analysis: Databases, methods and applications
Trobec et al. Body sensors and electrocardiography
US20230274832A1 (en) Apparatus and method for generating electrocardiogram based on generative adversarial network algorithm
JP5422513B2 (ja) 導出心電図生成システム及び導出心電図生成方法
JP2023532488A (ja) ２リードｑｔ間隔予測
KR20220098600A (ko) 시차를 둔 단일유도 심전도를 통한 딥러닝기반의 복수 유도 심전도 생성 시스템
EP4368105A1 (en) Method for generating synchronous electrocardiograms on basis of two lead asynchronous electrocardiograms
EP2984984B1 (en) Device and method for recording physiological signal
US20230017105A1 (en) Ultraviolet cardiac monitoring and analysis
KR20220120922A (ko) 딥러닝 알고리즘을 기반으로 하는 심전도 생성 시스템 및 그 방법
Almasi et al. Basic technology of voluntary cardiorespiratory synchronization in electrocardiology
US20240225514A1 (en) Synchronous electrocardiograms created apparatus using two lead asynchronous electrocardiograms
KR20210083087A (ko) 인공지능 기반 심전도 자동 분석 장치 및 방법
EP4371486A1 (en) Simultaneous electrocardiogram generation method based on 2-lead non-simultaneous electrocardiograms
WO2024014838A1 (ko) 심전도 판독에 기반한 시각화 콘텐츠를 제공하는 방법, 프로그램 및 장치
EP4371487A1 (en) Method for generating multiple pieces of standard electrocardiogram data on basis of deep learning algorithm
Trobec et al. From Multichannel ECG to Wireless Body Sensors
Shcheglov et al. The contemporary ways of introduction ECG technology: ML, telemetry and bioauthentification.
Carreres Prieto et al. Real-time cardiac monitoring through the development of a smart holter to detect pathologies through an expert algorithm
CN117813050A (zh) 利用2导联心电图数据的复数个标准心电图数据生成系统
Velmurugan Development of a Heart Rate Variability Measurement System using Embedded Electronics
Shorna Printing and signing ECG leads in PDF files

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal