KR20220139016A - 다양한 형식의 심전도 데이터 이용가능한 딥러닝기반 예측 시스템 - Google Patents

다양한 형식의 심전도 데이터 이용가능한 딥러닝기반 예측 시스템 Download PDF

Info

Publication number
KR20220139016A
KR20220139016A KR1020210045102A KR20210045102A KR20220139016A KR 20220139016 A KR20220139016 A KR 20220139016A KR 1020210045102 A KR1020210045102 A KR 1020210045102A KR 20210045102 A KR20210045102 A KR 20210045102A KR 20220139016 A KR20220139016 A KR 20220139016A
Authority
KR
South Korea
Prior art keywords
electrocardiogram
data
format
electrocardiogram data
deep learning
Prior art date
Application number
KR1020210045102A
Other languages
English (en)
Inventor
권준명
조용연
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 KR1020210045102A priority Critical patent/KR20220139016A/ko
Publication of KR20220139016A publication Critical patent/KR20220139016A/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]
    • A61B5/346—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
    • A61B5/7271—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
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/7465—Arrangements for interactive communication between patient and care services, e.g. by using a telephone network
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G16H50/70—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)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Cardiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Nursing (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

본 발명은, 제1 내지 제N의 다양한 형식의 동일 심전도 데이터 중, 특정 저장 특성에 상응하는 형식으로 심전도 측정결과의 심전도 데이터를 저장하고 제공하는 심전도 측정부(110), 미리학습된 딥러닝 알고리즘을 통해서, 심전도 측정부(110)로부터 제공되는 특정 형식에 상응하는 심전도 데이터를 입력으로 하여 표현값을 예측하는 N개 이상 예측모델(121,122)과, 각 예측모델(121,122)의 표현값들을 합쳐서, 심전도 데이터에 상응하는 질환 유무의 예측값 및 심전도 데이터의 특정 형식에 상응하지 않는 다른 형식의 심전도 데이터를 예측하는 최종예측모델(123)로 구성되는, 예측부(120), 및 예측부(120)에 의해 예측된 예측값과, 다른 형식의 심전도 데이터를 출력하는 출력부(130)를 포함하여, 단일 예측모델을 구축하여, 심전도 데이터의 형식에 상관없이 개별 의료기관의 심전도측정기기별 특정 형식의 심전도 데이터로부터 질환의 예측 및 진단이 가능하도록 하는, 다양한 형식의 심전도 데이터 이용가능한 딥러닝기반 예측 시스템을 개시한다.

Description

다양한 형식의 심전도 데이터 이용가능한 딥러닝기반 예측 시스템{PREDICTING SYSTEM CAPABLE OF USING VARIOUS TYPE OF ELECTROCARDIOGRAM DATA BASED ON DEEP LEARNING}
본 발명은 단일 예측모델을 구축하여, 심전도 데이터의 형식에 상관없이 개별 의료기관의 심전도측정기기별 특정 형식의 심전도 데이터로부터 질환의 예측 및 진단이 가능하도록 할 수 있는, 다양한 형식의 심전도 데이터 이용가능한 딥러닝기반 예측 시스템에 관한 것이다.
주지하는 바와 같이, 심전도는 심장으로부터 발생하는 전기적 신호를 기록한 것이며, 이를 활용해 다양한 질환을 진단할 수 있으며, 심전도는 개별의료기관이 보유한 심전도측정기기에 따라 서로 다른 형식으로 심전도 데이터를 저장한다.
예를 들면, 심전도 데이터의 형식을 숫자 배열과 이미지로 예로 들 수 있으나, 심전도 데이터의 형식은 이외에도 다양하다.
최근, 인공지능 특히 딥러닝의 발전과 시간이 지남에 따라 축적되는 대용량의 심전도 데이터를 활용하여 다양한 질환을 효율적으로 예측하거나 진단하는 연구들이 발표되고 있으나, 종래의 인공지능 모델들은 단일 데이터 형식에 대한 모델들을 주로 제공하고 있는데, 입력 데이터는 12 X 5000 형태의 숫자 배열이어야 한다거나, 2D 이미지로 넣어야 한다는 등의 제약이 있다.
한편, 인공지능 모델은 다양하며 품질 좋고 많은 데이터의 양을 학습할수록, 피검진자들에게 더욱 정확한 진단정보를 제공할 수 있으므로, 이를 위해서 여러 지역의 병원들로부터 획득된 심전도 데이터를 학습한 인공지능 모델이 필요하다.
하지만, 인공지능 모델을 학습시키기 위해서 초기 주어진 심전도 데이터의 형식에 매우 의존적일 수밖에 없어서, 피검진자의 동일 심전도이지만 이미지 형식의 심전도 데이터로 학습한 인공지능 모델은 숫자 배열 형식의 심전도 데이터를 분석하기는 매우 어렵다.
또한, 실제로 개별의료기관마다 심전도 데이터를 저장하는 방식이 서로 다르기 때문에, 심전도 데이터의 형식에 관계없이 예측 및 진단하는 인공지능 모델이 필요하다.
한국 공개특허공보 제10-2018-0055190호 (심전도 장치의 출력데이터 변환 방법 및 게이트웨이 시스템, 2018.05.25) 한국 등록특허공보 제10-1205489호 (의료정보 표준화 시스템 및 그를 이용한 의료정보 표준화 방법, 2012.11.27)
본 발명의 사상이 이루고자 하는 기술적 과제는, 단일 예측모델을 구축하여, 심전도 데이터의 형식에 상관없이 개별 의료기관의 심전도측정기기별 특정 형식의 심전도 데이터로부터 질환의 예측 및 진단이 가능하도록 할 수 있는, 다양한 형식의 심전도 데이터 이용가능한 딥러닝기반 예측 시스템을 제공하는 데 있다.
전술한 목적을 달성하고자, 본 발명의 실시예는, 제1 내지 제N의 다양한 형식의 동일 심전도 데이터 중, 특정 저장 특성에 상응하는 형식으로 심전도 측정결과의 심전도 데이터를 저장하고 제공하는 심전도 측정부; 미리학습된 딥러닝 알고리즘을 통해서, 상기 심전도 측정부로부터 제공되는 특정 형식에 상응하는 심전도 데이터를 입력으로 하여 표현값을 예측하는 N개 이상 예측모델과, 상기 각 예측모델의 표현값들을 합쳐서, 상기 심전도 데이터에 상응하는 질환 유무의 예측값 및 상기 심전도 데이터의 특정 형식에 상응하지 않는 다른 형식의 심전도 데이터를 예측하는 최종예측모델로 구성되는, 예측부; 및 상기 예측부에 의해 예측된 예측값과, 상기 다른 형식의 심전도 데이터를 출력하는 출력부;를 포함하는, 다양한 형식의 심전도 데이터 이용가능한 딥러닝기반 예측 시스템을 제공한다.
여기서, 상기 예측부는, 상기 심전도 측정부로부터 제공되는 상기 심전도 데이터의 특정 형식에 상응하지 않는 임의의 잠재 변수로 이루어져 제1표현값을 출력하는 적어도 하나 이상의 제1예측모델과, 특정 형식에 상응하는 심전도 데이터를 입력으로 하여 제2표현값을 예측하는 적어도 하나 이상의 제2예측모델을 포함하고, 상기 최종예측모델은 상기 제1예측모델의 제1표현값과 상기 제2예측모델의 제2표현값을 합쳐서, 상기 심전도 데이터에 상응하는 질환 유무의 예측값 및 상기 심전도 데이터의 특정 형식에 상응하지 않는 다른 형식의 심전도 데이터를 예측할 수 있다.
또한, 상기 제1예측모델과 상기 제2예측모델은 병렬 구조로 배치될 수 있다.
또한, 상기 예측부는, 동일 심전도 데이터에 대해, 입력값인 특정 형식의 심전도 데이터와 출력값인 다른 형식의 심전도 데이터 사이의 오차를 최소화하도록 학습할 수 있다.
또한, 상기 예측부에서, 동일 심전도 데이터에 대해, 상기 제1예측모델은 제1형식의 심전도 데이터를 입력받아 제1표현값을 예측하고, 상기 제2예측모델은 제2형식의 심전도 데이터를 입력받아 제2표현값을 예측하도록 학습할 수 있다.
또한, 상기 동일 심전도 데이터는 상기 심전도 측정부에 따라 숫자 배열 형식, 2D 이미지 형식 또는 3D 이미지 형식으로 저장되고 제공될 수 있다.
또한, 상기 제1예측모델은 숫자 배열 형식의 심전도 데이터를 입력으로 하여 제1표현값을 예측하며, 상기 제2예측모델은 2D 이미지 형식의 심전도 데이터를 입력으로 하여 제2표현값을 예측하고, 상기 최종예측모델은, 상기 제1예측모델의 제1표현값과 상기 제2예측모델의 제2표현값을 합쳐서, 상기 심전도 데이터에 상응하는 질환 유무의 예측값 및 상기 심전도 데이터의 특정 형식에 상응하지 않는 다른 형식의 심전도 데이터를 예측할 수 있다.
본 발명에 의하면, 심전도 데이터 저장 방식이 상이한 심전도측정기기에 대해, 제공되는 적어도 하나 이상의 특정 형식의 심전도 데이터로부터 질환 유무 및 제공되지 않은 다른 형식의 심전도 데이터를 예측하는 단일 예측모델을 구축하여서, 심전도 데이터의 형식에 상관없이 개별 의료기관의 심전도측정기기별 특정 형식의 심전도 데이터로부터 질환의 예측 및 진단이 가능하도록 하고, 심전도측정기기로부터 제공되지 않는 특정 형식의 심전도 데이터를 생성하여 다양한 형식의 심전도 데이터 DB를 구축하여서 다양한 딥러닝모델의 구축 및 학습에 활용하도록 할 수 있는 효과가 있다.
도 1은 본 발명의 실시예에 의한 다양한 형식의 심전도 데이터 이용가능한 딥러닝기반 예측 시스템의 개략적인 구성도를 도시한 것이다.
도 2는 도 1의 다양한 형식의 심전도 데이터 이용가능한 딥러닝기반 예측 시스템의 구현도를 예시한 것이다.
도 3은 도 1의 다양한 형식의 심전도 데이터 이용가능한 딥러닝기반 예측 시스템의 예측부의 학습과정을 예시한 것이다.
도 4는 도 1의 다양한 형식의 심전도 데이터 이용가능한 딥러닝기반 예측 시스템에 적용되는 다양한 형식의 심전도 데이터를 예시한 것이다.
이하, 첨부된 도면을 참조로 전술한 특징을 갖는 본 발명의 실시예를 더욱 상세히 설명하고자 한다.
본 발명의 실시예에 의한 다양한 형식의 심전도 데이터 이용가능한 딥러닝기반 예측 시스템은, 제1 내지 제N의 다양한 형식의 동일 심전도 데이터 중, 특정 저장 특성에 상응하는 형식으로 심전도 측정결과의 심전도 데이터를 저장하고 제공하는 심전도 측정부(110), 미리학습된 딥러닝 알고리즘을 통해서, 심전도 측정부(110)로부터 제공되는 특정 형식에 상응하는 심전도 데이터를 입력으로 하여 표현값을 예측하는 N개 이상 예측모델(121,122)과, 각 예측모델(121,122)의 표현값들을 합쳐서, 심전도 데이터에 상응하는 질환 유무의 예측값 및 심전도 데이터의 특정 형식에 상응하지 않는 다른 형식의 심전도 데이터를 예측하는 최종예측모델(123)로 구성되는, 예측부(120), 및 예측부(120)에 의해 예측된 예측값과, 다른 형식의 심전도 데이터를 출력하는 출력부(130)를 포함하여, 단일 예측모델을 구축하여, 심전도 데이터의 형식에 상관없이 개별 의료기관의 심전도측정기기별 특정 형식의 심전도 데이터로부터 질환의 예측 및 진단이 가능하도록 하는 것을 요지로 한다.
이하, 도 1 내지 도 4를 참조하여, 전술한 구성의 다양한 형식의 심전도 데이터 이용가능한 딥러닝기반 예측 시스템을 구체적으로 상술하면 다음과 같다.
우선, 심전도 측정부(110)는 개별 의료기관별 소유 심전도측정기기 특성상 제1 내지 제N의 다양한 형식의 동일 심전도 데이터 중, 특정 저장 특성에 상응하는 형식으로 심전도 측정결과의 심전도 데이터를 저장하고 예측부(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 수도 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 예측부(120)로 유무선 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, 예측부(120)는 단일 예측모델로 구축되되, 미리학습된 딥러닝 알고리즘을 통해서, 심전도 측정부(110)로부터 제공되는 특정 형식에 상응하는 심전도 데이터를 입력으로 하여 표현값(representation value)을 산출하여 예측하는 N개 이상 예측모델(121,122)과, 각 예측모델(121,122)의 표현값들을 합쳐서, 심전도 데이터에 상응하는 질환 유무의 예측값 및 입력되지 않은 심전도 데이터의 특정 형식에 상응하지 않는 다른 형식의 심전도 데이터를 예측하는 최종예측모델(123)로 구성되어서, 심전도측정기기별로 상이한 형식으로 저장되어 제공되는 다양한 형식의 심전도 데이터 중 하나 이상의 특정 형식의 심전도 데이터로부터 질환 유무를 예측하고, 심전도 데이터의 특정 형식에 상응하지 않는 다른 형식의 심전도 데이터를 예측하도록 한다.
여기서, 도 2를 참고하면, 예측부(120)는, 심전도 측정부(110)로부터 제공되는 심전도 데이터의 특정 형식, 예로 2D 이미지 형식에 상응하지 않는 임의의 잠재 변수(latent vector)로 이루어져 제1표현값을 출력하는 적어도 하나 이상의 제1예측모델(121)과, 특정 형식, 예로 2D 이미지 형식에 상응하는 심전도 데이터를 입력으로 하여 제2표현값을 예측하는 적어도 하나 이상의 제2예측모델(122)을 포함하고, 최종예측모델(123)은 제1예측모델(121)의 제1표현값과 제2예측모델(122)의 제2표현값을 합쳐(concatenated representation), 제2예측모델(122)로 입력된 특정 형식의 심전도 데이터의 핵심 정보가 함축되도록 하여서 심전도 데이터에 상응하는 질환 유무의 예측값 및 심전도 데이터의 특정 형식에 상응하지 않는 다른 형식의 심전도 데이터를 예측할 수 있다.
즉, 제1예측모델(121)은 숫자 배열 형식(array)의 심전도 데이터를 입력으로 하는 모델일 수 있으며, 제2예측모델(122)은 2D 이미지 형식의 심전도 데이터를 입력으로 하는 모델일 수 있고, 제1예측모델(121)과 제2예측모델(122)은 병렬 구조로 배치되어서, 심전도 측정부(110)로부터 2D 이미지 형식의 심전도 데이터만 제공되고 숫자 배열 형식의 심전도 데이터가 제공되지 않거나, 2D 이미지 형식의 심전도 데이터가 제공되지 않고 숫자 배열 형식의 심전도 데이터만 제공되더라도, 제1예측모델(121)은 제공되지 않는 형식의 심전도 데이터를 임의의 잠재 변수로 채워서 입력으로 하여 제1표현값을 예측하도록 할 수 있다.
한편, 예측부(120)는, 동일 피검진자의 동일 시점 및 동일 심전도측정기기에 의한 동일 심전도 데이터에 대해, 입력값인 특정 형식의 심전도 데이터와, 출력값인 다른 형식의 심전도 데이터 사이의 오차를 최소화하도록 학습 파라미터를 업데이트하고 반복 학습하여서, 예측부(120)로 숫자 배열 형식의 심전도 데이터가 입력되거나 2D 이미지 형식의 심전도 데이터가 입력되는 것과 상관없이, 입력되는 제1형식(2D 이미지 형식)의 실제 심전도 데이터와 최대한 유사한 제2형식(숫자 배열 형식)의 심전도 데이터를 예측하도록 할 수도 있다.
또한, 예측부(120)에서, 동일 피검진자의 동일 시점 및 동일 심전도측정기기에 의한 동일 심전도 데이터에 대해, 제1예측모델(121)은 제1형식의 심전도 데이터를 입력받아 여러 계산 과정을 통해 새로운 형태의 값으로 변형된 제1표현값을 예측하고, 제2예측모델(122)은 제2형식의 심전도 데이터를 입력받아 여러 계산 과정을 통해 새로운 형태의 값으로 변형된 제2표현값을 예측하도록 학습할 수 있다.
예컨대, 도 3에 도시된 바와 같이, 심전도 측정부(110)로부터 제공되지 않는 형식의 심전도 데이터와, 제공되지 않는 형식의 심전도 데이터로부터, 제공된 심전도 데이터의 특정 형식에 상응하지 않는 제공되지 않은 다른 형식의 심전도 데이터를 특정 정확도 이상으로 예측하기 위해서, 제1예측모델(121)은 숫자 배열 형식의 심전도 데이터를 입력으로 하여 제1표현값을 예측하며, 제2예측모델(122)은 2D 이미지 형식의 심전도 데이터를 입력으로 하여 제2표현값을 예측하고, 최종예측모델(123)은, 제1예측모델(121)의 제1표현값과 제2예측모델(122)의 제2표현값을 합쳐서, 심전도 데이터에 상응하는 질환 유무의 예측값 및 심전도 데이터의 특정 형식에 상응하지 않는 다른 형식의 심전도 데이터를 예측하며, 제공된 실제 심전도 데이터와 예측된 심전도 데이터 사이의 오차를 최소화하는 방향으로 제1예측모델(121)과 제2예측모델(122)을 업데이트하도록 반복 학습하도록 한다.
또한, 도 4에 예시된 바와 같이, 동일 심전도 데이터는 심전도 측정부(110)에 따라 숫자 배열 형식(a), 2D 이미지 형식(b) 또는 3D 이미지 형식(c)으로 저장되고 예측부(120)로 제공될 수 있으며, 심장박동 음파, 초음파 영상, 이외에 다양한 형식의 심전도 데이터가 적용될 수 있고, 다양한 형식의 심전도 데이터에 상응하는 다양한 예측모델이 추가될 수 있다.
또한, 3D 이미지 형식의 심전도 데이터를 입력으로 하여 제3표현값을 예측하는 제3예측모델(124)을 제1예측모델(121) 및 제2예측모델(122)과 병렬구조로 더 포함하고, 제1예측모델(121)은 숫자 배열 형식의 심전도 데이터를 입력으로 하여 제1표현값을 예측하며, 제2예측모델(122)은 2D 이미지 형식의 심전도 데이터를 입력으로 하여 제2표현값을 예측하고, 최종예측모델(123)은, 제1예측모델(121)의 제1표현값과 제2예측모델(122)의 제2표현값과 제3예측모델(124)의 제3표현값을 합쳐서, 심전도 데이터에 상응하는 질환 유무의 예측값 및 제공된 심전도 데이터의 특정 형식에 상응하지 않는 제공되지 않은 다른 형식의 심전도 데이터를 예측할 수 있다.
또한, 최종예측모델(123)은, 심전도 정보 및 심전도 정보에 의해 결정되는 질환정보를 학습데이터 및 검증데이터로 사용하여 심전도 정보와 질환 사이의 상관관계를 분석하여, 질환에 상응하는 심전도의 특징을 추출하고 이를 학습하여서, 심전도 정보의 특징으로부터 다양한 질환을 구분하여 예측하고, 예측의 원인이 되는 정보를 제공하도록 구축될 수 있다.
또한, 예측부(120)로 제공되는 심전도 데이터는 전처리모듈(미도시)에 의해 노이즈가 제거되고 정규화될 수 있다. 예컨대, 전처리모듈은 심전도 측정부(110)로부터 전송되어 10초 길이로 디지털로 저장된 심전도 데이터 중 시작 부분과 끝 부분의 각 1초씩 제거하여 아티팩트를 제거하여 보다 양질의 심전도 데이터를 확보하도록 할 수도 있고, 예측부(120)는 질환 유무 또는 심전도 데이터로부터 예측가능한 신장 기능의 이상여부 등 다양한 질환을 예측할 수도 있다.
다음, 출력부(130)는 앞서 예측부(120)에 의해 예측된 예측값과, 다른 형식의 심전도 데이터를 출력하여 사용자에게 결과를 보고하도록 하여서, 개별의료기관 소유의 심전도측정기기에서 제공되지 않는 형식의 심전도 데이터를 제공하여 다른 심전도측정기기에 의한 재측정 또는 다른 의료기관에 의한 재측정의 불편함을 해소할 수 있다.
따라서, 전술한 바와 같은 다양한 형식의 심전도 데이터 이용가능한 딥러닝기반 예측 시스템의 구성에 의해서, 심전도 데이터 저장 방식이 상이한 심전도측정기기에 대해, 제공되는 적어도 하나 이상의 특정 형식의 심전도 데이터로부터 질환 유무 및 제공되지 않은 다른 형식의 심전도 데이터를 예측하는 단일 예측모델을 구축하여서, 심전도 데이터의 형식에 상관없이 개별 의료기관의 심전도측정기기별 특정 형식의 심전도 데이터로부터 질환의 예측 및 진단이 가능하도록 하고, 심전도측정기기로부터 제공되지 않는 특정 형식의 심전도 데이터를 생성하여 다양한 형식의 심전도 데이터 DB를 구축하여서 다양한 딥러닝모델의 구축 및 학습에 활용하도록 할 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 측정기 113 : 안마의자
120 : 예측부 121 : 제1예측모델
122 : 제2예측모델 123 : 최종예측모델
124 : 제3예측모델 130 : 출력부

Claims (7)

  1. 제1 내지 제N의 다양한 형식의 동일 심전도 데이터 중, 특정 저장 특성에 상응하는 형식으로 심전도 측정결과의 심전도 데이터를 저장하고 제공하는 심전도 측정부;
    미리학습된 딥러닝 알고리즘을 통해서, 상기 심전도 측정부로부터 제공되는 특정 형식에 상응하는 심전도 데이터를 입력으로 하여 표현값을 예측하는 N개 이상 예측모델과, 상기 각 예측모델의 표현값들을 합쳐서, 상기 심전도 데이터에 상응하는 질환 유무의 예측값 및 상기 심전도 데이터의 특정 형식에 상응하지 않는 다른 형식의 심전도 데이터를 예측하는 최종예측모델로 구성되는, 예측부; 및
    상기 예측부에 의해 예측된 예측값과, 상기 다른 형식의 심전도 데이터를 출력하는 출력부;를 포함하는,
    다양한 형식의 심전도 데이터 이용가능한 딥러닝기반 예측 시스템.
  2. 제1항에 있어서,
    상기 예측부는, 상기 심전도 측정부로부터 제공되는 상기 심전도 데이터의 특정 형식에 상응하지 않는 임의의 잠재 변수로 이루어져 제1표현값을 출력하는 적어도 하나 이상의 제1예측모델과, 특정 형식에 상응하는 심전도 데이터를 입력으로 하여 제2표현값을 예측하는 적어도 하나 이상의 제2예측모델을 포함하고,
    상기 최종예측모델은 상기 제1예측모델의 제1표현값과 상기 제2예측모델의 제2표현값을 합쳐서, 상기 심전도 데이터에 상응하는 질환 유무의 예측값 및 상기 심전도 데이터의 특정 형식에 상응하지 않는 다른 형식의 심전도 데이터를 예측하는 것을 특징으로 하는,
    다양한 형식의 심전도 데이터 이용가능한 딥러닝기반 예측 시스템.
  3. 제2항에 있어서,
    상기 제1예측모델과 상기 제2예측모델은 병렬 구조로 배치되는 것을 특징으로 하는,
    다양한 형식의 심전도 데이터 이용가능한 딥러닝기반 예측 시스템.
  4. 제2항에 있어서,
    상기 예측부는, 동일 심전도 데이터에 대해, 입력값인 특정 형식의 심전도 데이터와 출력값인 다른 형식의 심전도 데이터 사이의 오차를 최소화하도록 학습하는 것을 특징으로 하는,
    다양한 형식의 심전도 데이터 이용가능한 딥러닝기반 예측 시스템.
  5. 제4항에 있어서,
    상기 예측부에서, 동일 심전도 데이터에 대해, 상기 제1예측모델은 제1형식의 심전도 데이터를 입력받아 제1표현값을 예측하고, 상기 제2예측모델은 제2형식의 심전도 데이터를 입력받아 제2표현값을 예측하도록 학습하는 것을 특징으로 하는,
    다양한 형식의 심전도 데이터 이용가능한 딥러닝기반 예측 시스템.
  6. 제5항에 있어서,
    상기 동일 심전도 데이터는 상기 심전도 측정부에 따라 숫자 배열 형식, 2D 이미지 형식 또는 3D 이미지 형식으로 저장되고 제공되는 것을 특징으로 하는,
    다양한 형식의 심전도 데이터 이용가능한 딥러닝기반 예측 시스템.
  7. 제6항에 있어서,
    상기 제1예측모델은 숫자 배열 형식의 심전도 데이터를 입력으로 하여 제1표현값을 예측하며,
    상기 제2예측모델은 2D 이미지 형식의 심전도 데이터를 입력으로 하여 제2표현값을 예측하고,
    상기 최종예측모델은, 상기 제1예측모델의 제1표현값과 상기 제2예측모델의 제2표현값을 합쳐서, 상기 심전도 데이터에 상응하는 질환 유무의 예측값 및 상기 심전도 데이터의 특정 형식에 상응하지 않는 다른 형식의 심전도 데이터를 예측하는 것을 특징으로 하는,
    다양한 형식의 심전도 데이터 이용가능한 딥러닝기반 예측 시스템.
KR1020210045102A 2021-04-07 2021-04-07 다양한 형식의 심전도 데이터 이용가능한 딥러닝기반 예측 시스템 KR20220139016A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210045102A KR20220139016A (ko) 2021-04-07 2021-04-07 다양한 형식의 심전도 데이터 이용가능한 딥러닝기반 예측 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210045102A KR20220139016A (ko) 2021-04-07 2021-04-07 다양한 형식의 심전도 데이터 이용가능한 딥러닝기반 예측 시스템

Publications (1)

Publication Number Publication Date
KR20220139016A true KR20220139016A (ko) 2022-10-14

Family

ID=83600020

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210045102A KR20220139016A (ko) 2021-04-07 2021-04-07 다양한 형식의 심전도 데이터 이용가능한 딥러닝기반 예측 시스템

Country Status (1)

Country Link
KR (1) KR20220139016A (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101205489B1 (ko) 2011-05-23 2012-11-27 한국과학기술원 의료정보 표준화 시스템 및 그를 이용한 의료정보 표준화 방법
KR20180055190A (ko) 2016-11-16 2018-05-25 (주)라우기술 심전도 장치의 출력데이터 변환 방법 및 게이트웨이 시스템

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101205489B1 (ko) 2011-05-23 2012-11-27 한국과학기술원 의료정보 표준화 시스템 및 그를 이용한 의료정보 표준화 방법
KR20180055190A (ko) 2016-11-16 2018-05-25 (주)라우기술 심전도 장치의 출력데이터 변환 방법 및 게이트웨이 시스템

Similar Documents

Publication Publication Date Title
US11476000B2 (en) Methods and systems using mathematical analysis and machine learning to diagnose disease
KR102437594B1 (ko) 전기적 바이오 시그널 데이터를 수치 벡터로 변환하는 방법 및 장치, 이를 이용하여 질병을 분석하는 방법 및 장치
KR102197112B1 (ko) 시계열 생체 신호 기반의 인공신경망 모델 학습 컴퓨터 프로그램 및 방법
KR102208759B1 (ko) 생체 신호에 기반하여 건강상태 및 병리증상을 진단하기 위한 딥러닝 모델 생성방법
CN115916056A (zh) 基于生成式对抗神经网络算法的心电图生成装置及其方法
KR20230133230A (ko) 심전도에 기초한 신경망 모델의 대조적인 사전 학습 방법, 프로그램 및 장치
KR20220040516A (ko) 심전도를 이용한 딥러닝 기반 관상동맥질환 예측 시스템
KR20220139016A (ko) 다양한 형식의 심전도 데이터 이용가능한 딥러닝기반 예측 시스템
KR20240009349A (ko) 심전도 판독에 기반한 시각화 콘텐츠를 제공하는 방법,프로그램 및 장치
EP4368107A1 (en) Health condition prediction system using asynchronous electrocardiogram
EP4368106A1 (en) System for predicting health state using single-lead electrocardiogram device
US20230105385A1 (en) Method And Assembly For Predicting The Occurrence Of Heart Disease Within An Individual
Rahman et al. Reconstruction of 3-Axis Seismocardiogram from Right-to-left and Head-to-foot Components Using A Long Short-Term Memory Network
Yoshizawa et al. Arterial blood pressure estimation method from electrocardiogram signals using u-net
KR20220166812A (ko) 심전도 분석
JP2012228492A (ja) 生体状態診断方法
EP4368115A1 (en) Cardiotocographic scanning session duration
KR102529063B1 (ko) 양방향 네트워크 기반의 알츠하이머 질병의 진행 예측 시스템 및 방법
KR102670032B1 (ko) 2유도 심전도 데이터를 이용한 복수개의 표준 심전도 데이터 생성 시스템
US20230072872A1 (en) System and method of marking cardiac time intervals from the heart valve signals using a Near-Field Communication based patch biosensor
JP7285763B2 (ja) 学習装置、学習方法、および測定装置
KR20240147615A (ko) 인공지능 기반의 심장 질환 위험도 예측 장치 및 방법
WO2023187990A1 (ja) 心電図評価方法
US20240306974A1 (en) Synthetic echo from ecg
CN117940060A (zh) 以心电图为基础诊断甲状腺功能障碍的方法、程序及装置