KR20220149796A - 딥러닝기반의 심전도 판독 시스템 - Google Patents
딥러닝기반의 심전도 판독 시스템 Download PDFInfo
- Publication number
- KR20220149796A KR20220149796A KR1020210055019A KR20210055019A KR20220149796A KR 20220149796 A KR20220149796 A KR 20220149796A KR 1020210055019 A KR1020210055019 A KR 1020210055019A KR 20210055019 A KR20210055019 A KR 20210055019A KR 20220149796 A KR20220149796 A KR 20220149796A
- Authority
- KR
- South Korea
- Prior art keywords
- electrocardiogram data
- local
- server
- electrocardiogram
- model
- Prior art date
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 230000035945 sensitivity Effects 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 230000007175 bidirectional communication Effects 0.000 claims description 3
- 230000006854 communication Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 abstract description 11
- 230000010354 integration Effects 0.000 abstract 1
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 208000019622 heart disease Diseases 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 230000003907 kidney function Effects 0.000 description 3
- 238000013503 de-identification Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 208000035977 Rare disease Diseases 0.000 description 1
- 208000003734 Supraventricular Tachycardia Diseases 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 238000010606 normalization Methods 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
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
- A61B5/0006—ECG or EEG signals
-
- 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
-
- 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
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)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Cardiology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (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)
Abstract
본 발명은, 각 의료기관별 심전도데이터 및 심전도데이터에 상응하는 개인식별정보를 저장하며, 심전도데이터를 비식별화시켜 제공하는 하나 이상의 내부 서버(110), 각 의료기관별로, 내부 서버(110)로부터 비식별화된 심전도데이터를 단방향으로 전송받아 학습데이터 세트로 로컬 학습하여, 비식별화된 심전도데이터로 인한 예측결과를 도출하는 해당 로컬 모델을 각각 생성하는 하나 이상의 로컬 서버(120), 및 로컬 서버(120)로부터 로컬 모델을 전송받아 통합하여 글로벌 모델을 생성하고, 글로벌 모델을 로컬 서버(120)로 전송하여 검증하고, 검증된 글로벌 모델의 민감도와 특이도와 정확도값을 수신하는, 중앙 서버(130)를 포함하여, 각 의료기관별로 분산된 심전도데이터를, 개인정보 유출없이, 이용하여 딥러닝 모델을 구축하는, 딥러닝기반의 심전도 판독 시스템을 개시한다.
Description
본 발명은 개인식별정보가 포함된 심전도데이터를 비식별화시키고, 단방향으로만 로컬 서버로 전송하여 민감한 개인정보의 유출을 방지하도록 하며, 각 의료기관별로 분산된 심전도데이터를 이용하여 로컬 모델을 생성하고 통합하여 글로벌 모델을 구축하여 편향되지 않은 분석을 수행하여 보다 정확한 예측결과를 도출할 수 있는, 딥러닝기반의 심전도 판독 시스템에 관한 것이다.
주지하는 바와 같이, 인공지능, 특히 딥러닝 모델은 수백, 수천만 건 이상의 방대한 데이터를 학습시켜 생성되어야, 새로운 데이터가 입력되었을 때 해당 데이터를 보다 정확하게 분석해낼 수 있다.
한편, 딥러닝 모델에 의해 학습하고자 하는 방대한 양의 데이터는 분산되어 있을 가능성이 높으므로, 특정 클라우드 서버에 수집하여 저장하여 통합학습하도록 할 수 있다.
이와 같은 통합학습(unified learning)이 분산된 데이터를 학습시키는 가장 이상적인 학습방법이기는 하지만 데이터에 민감한 개인정보가 포함될 수 있어서 학습데이터의 수집시 개인정보도 반출되어 개인정보가 노출될 위험성 및 보안 이슈 등에 문제점이 발생한다.
특히, 의료데이터는 민감한 개인정보를 포함하고 있어 의료기관 외부로 반출이 용인되지 않으므로, 다수의 의료기관으로부터 수집된 의료데이터를 클라우드 서버에 모아 학습시키는 것이 어렵다.
이에, 의료기관별로 분산되어 저장된 의료데이터를 활용하여 보다 높은 예측정확도를 보이는 딥러닝 모델을 구축할 필요성이 제기된다.
본 발명의 사상이 이루고자 하는 기술적 과제는, 개인식별정보가 포함된 심전도데이터를 비식별화시키고, 단방향으로만 로컬 서버로 전송하여 민감한 개인정보의 유출을 방지하도록 하며, 각 의료기관별로 분산된 심전도데이터를 이용하여 로컬 모델을 생성하고 통합하여 글로벌 모델을 구축하여 편향되지 않은 분석을 수행하여 보다 정확한 예측결과를 도출할 수 있는, 딥러닝기반의 심전도 판독 시스템을 제공하는 데 있다.
전술한 목적을 달성하고자, 본 발명의 실시예는, 각 의료기관별 심전도데이터 및 상기 심전도데이터에 상응하는 개인식별정보를 저장하며, 상기 심전도데이터를 비식별화시켜 제공하는 하나 이상의 내부 서버; 각 의료기관별로, 상기 내부 서버로부터 상기 비식별화된 심전도데이터를 단방향으로 전송받아 학습데이터 세트로 로컬 학습하여, 상기 비식별화된 심전도데이터로 인한 예측결과를 도출하는 해당 로컬 모델을 각각 생성하는 하나 이상의 로컬 서버; 및 상기 로컬 서버로부터 상기 로컬 모델을 전송받아 통합하여 글로벌 모델을 생성하고, 상기 글로벌 모델을 상기 로컬 서버로 전송하여 검증하고, 상기 검증된 글로벌 모델의 민감도와 특이도와 정확도값을 수신하는, 중앙 서버;를 포함하는, 딥러닝기반의 심전도 판독 시스템을 제공한다.
여기서, 상기 로컬 서버는 상기 내부 서버와 단방향 통신이 가능하고, 상기 중앙 서버와 양방향 통신이 가능하여, 상기 중앙 서버로부터 상기 로컬 서버로의 접근이 차단될 수 있다.
또한, 상기 내부 서버는 상기 개인식별정보가 포함된 심전도데이터를 주파수 변형하여 비식별화할 수 있다.
또한, 상기 내부 서버는, 앙상블 경험적 모드 분해(EEMD, ensemble empirical mode decomposition), 삼극 모티프 필드(TMF, triadic motif field) 및 삼극 모티프 차이 필드 (TMDF, triadic motif difference field)의 신호해체 알고리즘 중에서 적어도 하나의 방법을 이용하여 상기 심전도데이터의 심전도 파형을 주파수 대역에 따라 복수개로 분리하여 비식별화할 수 있다.
또한, 상기 로컬 모델은 상기 로컬 서버에 분산된 상기 심전도데이터를 순차적으로 순환하며 학습하거나 임의로 순환하며 학습하는 순환모델일 수 있다.
본 발명에 의하면, 개인식별정보가 포함된 심전도데이터를 비식별화시키고, 단방향으로만 로컬 서버로 전송하여 민감한 개인정보의 유출을 방지하도록 하며, 각 의료기관별로 분산된 심전도데이터를 이용하여 로컬 모델을 생성하고 통합하여 글로벌 모델을 구축하여 편향되지 않은 분석을 수행하여 보다 정확한 예측결과를 도출할 수 있고, 데이터가 극히 적은 희귀병에 대해서도 각 의료기관별로 분산된 방대한 양의 의료데이터를 활용하여 예측결과를 도출하도록 할 수 있는 효과가 있다.
도 1은 본 발명의 실시예에 의한 딥러닝기반의 심전도 판독 시스템의 개략적인 구성도를 도시한 것이다.
도 2는 도 1의 딥러닝기반의 심전도 판독 시스템의 구현도를 예시한 것이다.
도 3은 도 1의 딥러닝기반의 심전도 판독 시스템의 웨이블릿 변환을 각각 예시한 것이다.
도 4는 도 1의 딥러닝기반의 심전도 판독 시스템의 로컬 모델의 학습과정을 예시한 것이다.
도 2는 도 1의 딥러닝기반의 심전도 판독 시스템의 구현도를 예시한 것이다.
도 3은 도 1의 딥러닝기반의 심전도 판독 시스템의 웨이블릿 변환을 각각 예시한 것이다.
도 4는 도 1의 딥러닝기반의 심전도 판독 시스템의 로컬 모델의 학습과정을 예시한 것이다.
이하, 첨부된 도면을 참조로 전술한 특징을 갖는 본 발명의 실시예를 더욱 상세히 설명하고자 한다.
본 발명의 실시예에 의한 딥러닝기반의 심전도 판독 시스템은, 각 의료기관별 심전도데이터 및 심전도데이터에 상응하는 개인식별정보를 저장하며, 심전도데이터를 비식별화시켜 제공하는 하나 이상의 내부 서버(110), 각 의료기관별로, 내부 서버(110)로부터 비식별화된 심전도데이터를 단방향으로 전송받아 학습데이터 세트로 로컬 학습하여, 비식별화된 심전도데이터로 인한 예측결과를 도출하는 해당 로컬 모델을 각각 생성하는 하나 이상의 로컬 서버(120), 및 로컬 서버(120)로부터 로컬 모델을 전송받아 통합하여 글로벌 모델을 생성하고, 글로벌 모델을 로컬 서버(120)로 전송하여 검증하고, 검증된 글로벌 모델의 민감도와 특이도와 정확도값을 수신하는, 중앙 서버(130)를 포함하여, 각 의료기관별로 분산된 심전도데이터를, 개인정보 유출없이, 이용하여 딥러닝 모델을 구축하는 것을 요지로 한다.
이하, 도 1 내지 도 4를 참고하여, 전술한 구성의 딥러닝기반의 심전도 판독 시스템을 구체적으로 상술하면 다음과 같다.
우선, 내부 서버(110)는 각 의료기관별로 내부 네트워크로 구성되어 하나 이상으로 구현되며, 심전도데이터 등의 의료데이터 및 심전도데이터 등의 의료데이터에 상응하는 개인정보보호가 필수적인 개인식별정보를 저장하고, 심전도데이터 등의 의료데이터를 비식별화시켜 개인정보 유출없이 로컬 서버(120)로 비식별데이터를 단방향으로 제공한다. 참고로, 이하 심전도데이터 등의 의료데이터를 심전도데이터로 기술하고자 한다.
여기서, 내부 서버(110)는, 심전도데이터에 포함된 개인식별정보를 보호하기 위해, 심전도데이터를 주파수 변형하여 비식별화하여서, 개인식별이 가능한 생체신호에 대한 식별이 불가능하도록 하여 보호할 수 있다.
또한, 내부 서버(110)는, 앙상블 경험적 모드 분해(EEMD, ensemble empirical mode decomposition), 삼극 모티프 필드(TMF, triadic motif field), 삼극 모티프 차이 필드 (TMDF, triadic motif difference field) 등의 신호해체 알고리즘 중에서 적어도 하나의 방법을 이용하여 심전도데이터의 심전도 파형을 주파수 대역에 따라 복수개로 분리하여 비식별화할 수 있다.
여기서, 앙상블 경험적 모드 분해는, 비선형, 비정상(nonstationary) 특성을 지닌 심전도데이터에 적합한 것으로서, 심전도데이터를 다양한 시간-주파수 해상도로 분해할 수 있고, 모티프 필드 기반 분해 방법에는 삼극 모티프 필드와 삼극 모티프 차이 필드를 포함한다. 삼극 모티프 필드 및 삼극 모티프 차이 필드는 원본 심전도데이터를 삼극 모티프 매트릭스로 분해할 수 있다.
또는, 내부 서버(110)는, 도 3을 참고하면, STFT(Short-Time Fourier Transform) 또는 심전도의 QRS파 신호분석 등에 이용되는 웨이블릿(wavelet) 변환을 통해 차원변환하거나, 심전도데이터의 2차원변형을 수행하는 2차원 행렬을 적용하여 차원변환을 수행하여, 심전도데이터를 비식별화할 수 있다.
여기서, 웨이블릿 변환은 마더 웨이블릿을 이용해 크기를 줄이거나 키우거나(scaling), 신호의 위치를 옮겨(translating) 신호를 분해하는 방법으로서, 스케일링을 통해 웨이블릿을 늘리거나 압축해 웨이블릿의 폭을 조절하고, 트랜스래이팅을 통해 시간의 흐름에 따라 신호 위를 이동하며 특징을 추출하도록 한다.
한편, 비식별화 수행 전에, 전체 심전도데이터의 평균을 기준으로 평균보다 작으면 음수로, 평균보다 크면 양수로 나타내고 크기는 표준편차를 활용하여 계산하는 Z-score 정규화, 전체 심전도데이터 중에서 최소값을 0으로 최대값을 1로 두고 나머지 값들을 비율을 맞춰 0과 1사이의 값으로 크기를 조정하는 Min-Max 정규화 등의 방법을 사용하여 정규화할 수도 있다.
다음, 로컬 서버(120)는 각 의료기관별로 내부 네트워크와 각각 연결되어 하나 이상으로 구현되어 의료기관내 'DMZ영역'을 형성하는 구성으로서, 내부 서버(110)로부터 비식별화된 심전도데이터를 단방향으로만 전송받아 학습데이터 세트로 로컬 학습하여, 비식별화된 심전도데이터로 인한 질병진단의 예측결과를 도출하는 해당 로컬 모델을 각각 생성한다.
다음, 중앙 서버(130)는 각 로컬 서버(120)로부터 로컬 모델을 각각 전송받아 통합하여 글로벌 모델을 생성하고, 글로벌 모델을 로컬 서버(120)로 전송하여 검증하고, 로컬서버(120)에서 검증된 글로벌 모델의 민감도와 특이도와 정확도값을 수신하여 글로벌 모델을 업데이트하도록 한다.
여기서, 로컬 서버(120)는 내부 서버(110)와 단방향 통신만이 가능하고, 중앙 서버(130)와 양방향 통신이 가능하여, 중앙 서버(130)로부터 로컬 서버(120)로의 접근이 차단되어, 외부 네트워크로부터 해킹 등에 의해 내부 서버(110)에 저장된 개인식별정보가 유출되는 것을 원천적으로 방지할 수 있다.
또한, 로컬 모델은 로컬 서버(120)에 분산된 심전도데이터를 순차적으로 순환하며 학습하거나 임의로 순환하며 학습하는 순환모델일 수 있다.
도 4는 도 1의 딥러닝기반의 심전도 판독 시스템의 로컬 모델의 학습과정을 예시한 것으로, 이를 참고하면, 앞서 비식별화된 학습데이터 세트로 학습시켜서 심전도데이터로부터 생체신호로 인한 예측결과, 예컨대 심전도신호와 같은 생체신호의 분석으로부터 예측될 수 있는 질환 여부와 질환 종류를 도출하도록 하는 딥러닝기반의 로컬 모델을 구축할 수 있다.
예컨대, 도 3에 예시된 바와 같이, 로컬 서버(120)에 분산된 심전도데이터로부터 추출된 학습데이터 세트를 순환하며 학습하는 순환모델일 수 있으며, 도 3의 (a)와 같이 순환모델은 로컬 서버(120)에 분산된 의료데이터를 순차적으로 순환하며 학습하거나, 도 3의 (b)와 같이 임의로 순환하며 학습할 수 있다.
여기서, 순환학습(cyclic learning)은 한번의 에폭(epoch)마다 다른 의료기관의 로컬 서버(120)의 학습데이터 세트로 옮겨가며 학습하거나, 하나의 의료기관의 로컬 서버(120)의 학습데이터 세트에 얼리스톱(early stopping)을 통해 최종 딥러닝 모델을 생성한 후 다른 의료기관의 로컬 서버(120)의 학습데이터 세트로 옮겨가며 학습하도록 하여서, 개인정보의 외부유출없이 예측모델을 구축할 수 있다.
또는, 도 3의 (c)에서와 같이, 클라우드 상에 사전에 구축된 예측모델을 로컬 서버(120)로 병렬적으로 전송하여 로컬 서버(120)에 분산된 의료데이터를 동시에 각각 학습하도록 하고, 가중치(w)와 편향값(a,b)과 그래디언트값의 모델 파라미터를 각각 전송받아 평균값의 통합 파라미터로 앞서 구축된 예측모델을 업데이트하는 연합모델일 수 있다.
참고로, 도 3의 (d)에 도시된 바와 같이, 입력층을 통해 1X5000 형태의 심전도를 입력받아, 하나 이상의 은닉층(hidden layer)을 통과하여 0과 1사이의 확률값을 출력하여 예로 해당 심전도가 심근경색일 확률을 출력하도록 할 수 있는데, 제1은닉층에서 입력받은 데이터 각각에 가중치(w)를 곱해 a1, a2, a3,...aN을 얻어내고, 제2은닉층에서는 a1, a2, a3,...aN에 다른 가중치(w)를 곱해 b1, b2, b3,...bN을 얻어내고, 예측모델에 의해 예측한 값과 실제 값 사이의 오차를 최소화하는 모델 파라미터의 조합을 찾는 방식으로 학습되어서, 개인식별정보가 포함된 심전도데이터를 외부로 반출할 필요없이 모델 파라미터만을 전송받아 프라이버시를 보호하도록 할 수도 있다.
한편, 글로벌 모델은, 예를 들면, 각 채널별 시계열 데이터를 주파수영역의 심전도데이터로 변환하는 주파수 변환부와, 각 채널별 심전도데이터의 주파수 대역에 따른 크기의 3차원 심전도 정보를 생성하는 3차원 변환부와, 3차원 심전도 정보 및 3차원 심전도 정보에 의해 결정되는 질환정보를 학습데이터 및 검증데이터로 사용하여 3차원 심전도 정보와 질환 사이의 상관관계를 인공지능에 의해 분석하여 특징을 추출하고 학습하여, 3차원 심전도 정보로부터 질환을 예측하도록 구축된, 제1딥러닝 모델일 수 있으며, PSVT 및 PSVT와 매핑되는 심전도데이터의 학습 데이터 세트 및 검증 데이터 세트를 사용하여 구축되어, 특징점을 추출하여 심전도데이터에 따른 PSVT 가능성을 도출하여 SVT 환자 또는 PSVT 의심 피검진자의 평상시에서의 부정맥 특성이 발현되지 않은 심전도를 상시 모니터링하여 잠재된 PSVT를 진단하여 발병가능성과 진단이유를 제공할 수 있는 딥러닝 모델일 수도 있고, 혈액데이터의 임상데이터를 이용하여, 신장 기능을 결정하는 혈액데이터 및 혈액데이터에 상응하는 심전도데이터를 학습데이터 및 검증데이터로 사용하여 심전도데이터와 신장 기능 사이의 상관관계를 인공지능에 의해 분석하여, 심전도데이터로부터 신장 기능을 도출하도록 구축된, 딥러닝 모델일 수도 있고, 심장질환 및 심장질환을 결정하는 심전도데이터를 학습데이터로 사용하고, 심장질환의 진단명을 판단하는 하나 이상의 특성을 해석하는 하나 이상의 해당 해석모듈을 구비하여, 심장질환의 진단명 및 진단된 심장질환의 판단 특성을 도출하여 진단이유에 따른 해당 치료법을 제공하도록 구축된, XAI 딥러닝 모델일 수도 있다.
또한, 도시되지는 않았으나, 개인식별정보가 저장되지 않은 더미 서버를 포함하여, 중앙서버(130) 또는 외부 네트워크로부터 로컬 서버(120)를 통한 내부 서버(110)의 인가되지 않은 접근 트래픽이 급격히 증가하는 경우, 더미 서버로 우회하도록 하여, 내부 서버(110)로의 접근을 차단하도록 할 수도 있고, 인가되지 않은 접근으로 내부 서버(110)가 해킹되는 경우 저장된 개인식별정보를 즉각적으로 암호화하여 비식별화시켜 해킹으로 인한 피해를 최소화하도록 할 수도 있다.
따라서, 전술한 바와 같은 딥러닝기반의 심전도 판독 시스템의 구성에 의해서, 개인식별정보가 포함된 심전도데이터를 비식별화시키고, 단방향으로만 로컬 서버로 전송하여 민감한 개인정보의 유출을 방지하도록 하며, 각 의료기관별로 분산된 심전도데이터를 이용하여 로컬 모델을 생성하고 통합하여 글로벌 모델을 구축하여 편향되지 않은 분석을 수행하여 보다 정확한 예측결과를 도출할 수 있고, 데이터가 극히 적은 희귀병에 대해서도 각 의료기관별로 분산된 방대한 양의 의료데이터를 활용하여 예측결과를 도출하도록 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 : 내부서버 120 : 로컬 서버
130 : 중앙 서버
130 : 중앙 서버
Claims (5)
- 각 의료기관별 심전도데이터 및 상기 심전도데이터에 상응하는 개인식별정보를 저장하며, 상기 심전도데이터를 비식별화시켜 제공하는 하나 이상의 내부 서버;
각 의료기관별로, 상기 내부 서버로부터 상기 비식별화된 심전도데이터를 단방향으로 전송받아 학습데이터 세트로 로컬 학습하여, 상기 비식별화된 심전도데이터로 인한 예측결과를 도출하는 해당 로컬 모델을 각각 생성하는 하나 이상의 로컬 서버; 및
상기 로컬 서버로부터 상기 로컬 모델을 전송받아 통합하여 글로벌 모델을 생성하고, 상기 글로벌 모델을 상기 로컬 서버로 전송하여 검증하고, 상기 검증된 글로벌 모델의 민감도와 특이도와 정확도값을 수신하는, 중앙 서버;를 포함하는,
딥러닝기반의 심전도 판독 시스템.
- 제1항에 있어서,
상기 로컬 서버는 상기 내부 서버와 단방향 통신이 가능하고, 상기 중앙 서버와 양방향 통신이 가능하여, 상기 중앙 서버로부터 상기 로컬 서버로의 접근이 차단되는 것을 특징으로 하는,
딥러닝기반의 심전도 판독 시스템.
- 제1항에 있어서,
상기 내부 서버는 상기 개인식별정보가 포함된 심전도데이터를 주파수 변형하여 비식별화하는 것을 특징으로 하는,
딥러닝기반의 심전도 판독 시스템.
- 제3항에 있어서,
상기 내부 서버는, 앙상블 경험적 모드 분해(EEMD, ensemble empirical mode decomposition), 삼극 모티프 필드(TMF, triadic motif field) 및 삼극 모티프 차이 필드 (TMDF, triadic motif difference field)의 신호해체 알고리즘 중에서 적어도 하나의 방법을 이용하여 상기 심전도데이터의 심전도 파형을 주파수 대역에 따라 복수개로 분리하여 비식별화하는 것을 특징으로 하는,
딥러닝기반의 심전도 판독 시스템.
- 제1항에 있어서,
상기 로컬 모델은 상기 로컬 서버에 분산된 상기 심전도데이터를 순차적으로 순환하며 학습하거나 임의로 순환하며 학습하는 순환모델인 것을 특징으로 하는,
딥러닝기반의 심전도 판독 시스템.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210055019A KR20220149796A (ko) | 2021-04-28 | 2021-04-28 | 딥러닝기반의 심전도 판독 시스템 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210055019A KR20220149796A (ko) | 2021-04-28 | 2021-04-28 | 딥러닝기반의 심전도 판독 시스템 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20220149796A true KR20220149796A (ko) | 2022-11-08 |
Family
ID=84041534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210055019A KR20220149796A (ko) | 2021-04-28 | 2021-04-28 | 딥러닝기반의 심전도 판독 시스템 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20220149796A (ko) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101123361B1 (ko) | 2008-06-27 | 2012-03-23 | (주)디유넷 | 네트워크를 통한 학습 분산 환경 관리 서버, 방법 및 그방법을 실행하는 프로그램이 기록된 기록매체 |
KR20210112082A (ko) | 2020-03-04 | 2021-09-14 | 중앙대학교 산학협력단 | 분산 병렬 딥러닝 시스템, 서버 및 방법 |
-
2021
- 2021-04-28 KR KR1020210055019A patent/KR20220149796A/ko not_active Application Discontinuation
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101123361B1 (ko) | 2008-06-27 | 2012-03-23 | (주)디유넷 | 네트워크를 통한 학습 분산 환경 관리 서버, 방법 및 그방법을 실행하는 프로그램이 기록된 기록매체 |
KR20210112082A (ko) | 2020-03-04 | 2021-09-14 | 중앙대학교 산학협력단 | 분산 병렬 딥러닝 시스템, 서버 및 방법 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hamil et al. | Design of a secured telehealth system based on multiple biosignals diagnosis and classification for IoT application | |
Senthil Kumar et al. | Cardiac arrhythmia classification using multi-granulation rough set approaches | |
KR20220111599A (ko) | 의료데이터 인공지능 분산학습 방법 | |
Coelho et al. | Multimodal biometric authentication method by federated learning | |
Nawaz et al. | Cloud-based healthcare framework for real-time anomaly detection and classification of 1-D ECG signals | |
Hanumantharaju et al. | Fog based smart healthcare: a machine learning paradigms for IoT sector | |
Djenouri et al. | An intelligent collaborative image-sensing system for disease detection | |
Wen et al. | The EEG signals encryption algorithm with K-sine-transform-based coupling chaotic system | |
Wang et al. | Biometric recognition based on scalable end-to-end convolutional neural network using photoplethysmography: A comparative study | |
Thai et al. | Toward an IoT-based expert system for heart disease diagnosis | |
Sun | Automatic cardiac arrhythmias classification using CNN and attention‐based RNN network | |
KR20220149796A (ko) | 딥러닝기반의 심전도 판독 시스템 | |
Kohno et al. | Medical healthcare network platform and big data analysis based on integrated ICT and data science with regulatory science | |
Bhalerao et al. | Reversible ecg data hiding: Analysis and comparison of ann, regression svm and random forest regression | |
Shaikh et al. | Sensitivity and positive prediction of secured electrocardiograph (ECG) transmission using fully homomorphic encryption technique (FHE) | |
Gopalakrishnan et al. | Cloud Security System for ECG Transmission and Monitoring Based on Chaotic Logistic Maps | |
Singh et al. | Smart device for effective communication in the healthcare system | |
Al Hammadi et al. | Novel EEG risk framework to identify insider threats in national critical infrastructure using deep learning techniques | |
Jude et al. | Wearable Telemedicine Technology for the Healthcare Industry | |
Divya et al. | Efficient Key Generation Techniques for Wireless Body Area Network | |
Mallios et al. | A virtual doctor prototype for quick diagnosis and secure health information exchange | |
Rathod et al. | Deep Learning Techniques Using Lightweight Cryptography for IoT Based E-Healthcare System | |
Mengash et al. | Deep learning enabled intelligent healthcare management system in smart cities environment | |
Chen et al. | Parametric canonical correlation analysis | |
Hounaida et al. | A Learning based Secure Anomaly Detection for Healthcare Applications |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal |