KR20230025963A - System for predicting health condition by using plural electrocardiogram based on deep learning - Google Patents
System for predicting health condition by using plural electrocardiogram based on deep learning Download PDFInfo
- Publication number
- KR20230025963A KR20230025963A KR1020210107780A KR20210107780A KR20230025963A KR 20230025963 A KR20230025963 A KR 20230025963A KR 1020210107780 A KR1020210107780 A KR 1020210107780A KR 20210107780 A KR20210107780 A KR 20210107780A KR 20230025963 A KR20230025963 A KR 20230025963A
- Authority
- KR
- South Korea
- Prior art keywords
- electrocardiogram
- electrocardiogram data
- unit
- deep learning
- health condition
- Prior art date
Links
- 230000036541 health Effects 0.000 title claims abstract description 36
- 238000013135 deep learning Methods 0.000 title claims abstract description 29
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 59
- 201000010099 disease Diseases 0.000 claims abstract description 57
- 238000005259 measurement Methods 0.000 claims abstract description 26
- 230000006698 induction Effects 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000003745 diagnosis Methods 0.000 claims description 10
- 238000012351 Integrated analysis Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000012774 diagnostic algorithm Methods 0.000 abstract 1
- 238000000034 method Methods 0.000 description 7
- 239000003814 drug Substances 0.000 description 5
- 230000003862 health status Effects 0.000 description 5
- 230000006866 deterioration Effects 0.000 description 4
- 238000000691 measurement method Methods 0.000 description 4
- 208000010125 myocardial infarction Diseases 0.000 description 4
- 238000004393 prognosis Methods 0.000 description 4
- 229940079593 drug Drugs 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000008733 trauma Effects 0.000 description 2
- 238000002255 vaccination Methods 0.000 description 2
- 206010008805 Chromosomal abnormalities Diseases 0.000 description 1
- 208000031404 Chromosome Aberrations Diseases 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 208000021129 Postpartum disease Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000035606 childbirth Effects 0.000 description 1
- 210000002808 connective tissue Anatomy 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 210000002249 digestive system Anatomy 0.000 description 1
- 208000016097 disease of metabolism Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002124 endocrine Effects 0.000 description 1
- 208000030172 endocrine system disease Diseases 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 230000036244 malformation Effects 0.000 description 1
- 210000001595 mastoid Anatomy 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000002346 musculoskeletal system Anatomy 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000009826 neoplastic cell growth Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 210000002229 urogenital system Anatomy 0.000 description 1
- 239000003643 water by type Substances 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
- A61B5/25—Bioelectric electrodes therefor
- A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
- A61B5/28—Bioelectric electrodes therefor specially adapted for particular uses for electrocardiography [ECG]
-
- 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
- A61B5/7271—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
- A61B5/72—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
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- 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
- G16H50/50—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
-
- 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
Abstract
Description
본 발명은 딥러닝에 기반하여 동일 피검진자의 서로 다른 시점의 촬영한 복수의 심전도를 비교분석하여 건강상태에 대한 계측과 진단과 검진과 예측의 정확도를 높일 수 있고, 시계열적으로 질환의 유무와 추이와 질환의 정도를 분석하고 예측할 수 있는, 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템에 관한 것이다.The present invention can increase the accuracy of measurement, diagnosis, examination, and prediction of health conditions by comparing and analyzing a plurality of electrocardiograms taken at different times of the same subject based on deep learning, and time-sequentially It relates to a deep learning-based health condition prediction system using multiple electrocardiograms that can analyze and predict trends and the degree of disease.
주지하는 바와 같이, 심전도란 심박동과 관련된 전위를 신체 표면에서 도형으로 기록한 것으로서, 표준 12유도 심전도 이외에 운동부하 심전도, 활동 중 심전도 등이 있다.As is well known, an electrocardiogram is a recording of electric potentials related to heartbeat in a figure on the surface of the body.
이와 같은 심전도는 순환기 질환의 검진과 진단에 사용되며, 간단하고, 비교적 저렴하며, 비침습적이고, 쉽게 반복하여 기록할 수 있는 장점이 있다.Such an electrocardiogram is used for examination and diagnosis of circulatory diseases, and has the advantage of being simple, relatively inexpensive, non-invasive, and able to record easily and repeatedly.
한편, 의료기관에서 사용되는 표준 12유도 심전도는 가슴 전면에 6개의 전극을 부착하고, 사지에 각각 3개의 전극을 부착한 후 12유도 심전도 정보를 모두 수집하고 이를 종합판단하여 질환을 진단할 수 있다.On the other hand, in the standard 12-lead ECG used in medical institutions, 6 electrodes are attached to the front of the chest and 3 electrodes are attached to each limb, then all 12-lead ECG information is collected and the disease can be diagnosed through a comprehensive judgment.
여기서, 12유도 심전도란 심장을 중심으로 12개의 전기적 방향에서 심장의 전위를 기록한 것으로서, 이를 통해 한 부위에 국한된 심장관련 질환을 판독하도록 할 수 있다.Here, the 12-lead electrocardiogram is a record of potentials of the heart in 12 electrical directions centered on the heart, and through this, heart-related diseases limited to one region can be read.
하지만, 심전도의 변화가 모든 피검진자에게 동일하게 적용되는 것은 아닌데, 즉 어느 한 피검진자는 질환이 전혀 없음에도 심전도의 모양이 질환이 있는 것처럼 보일 수 있으며, 다른 한 피검진자는 질환이 있음에도 심전도의 모양이 질환이 없는 것처럼 보일 수도 있다.However, changes in electrocardiogram are not equally applied to all subjects, that is, one subject may look like he has a disease even though he has no disease, and another subject may look like he has a disease. The shape may appear to be disease-free.
이에, 동일 피검진자의 서로 다른 시점의 촬영한 복수의 심전도를 비교분석하여 건강상태에 대한 계측과 진단과 검진과 예측의 정확도를 높일 수 있는 기술이 요구된다.Accordingly, there is a need for a technique capable of increasing the accuracy of measuring, diagnosing, checking, and predicting health conditions by comparing and analyzing a plurality of electrocardiograms taken at different times of the same examinee.
본 발명의 사상이 이루고자 하는 기술적 과제는, 딥러닝에 기반하여 동일 피검진자의 서로 다른 시점의 촬영한 복수의 심전도를 비교분석하여 건강상태에 대한 계측과 진단과 검진과 예측의 정확도를 높일 수 있는, 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템을 제공하는 데 있다.The technical problem to be achieved by the idea of the present invention is to compare and analyze a plurality of electrocardiograms taken at different times of the same examinee based on deep learning to increase the accuracy of measurement, diagnosis, examination, and prediction of health conditions , To provide a deep learning-based health condition prediction system using a plurality of electrocardiograms.
전술한 목적을 달성하고자, 본 발명의 실시예는, 동일 피검진자의 시차를 둔 서로 다른 시점의 심전도를 각각 측정하여 N개의 심전도 데이터를 각각 획득하는 심전도 측정부; 서로 다른 시점의 N개의 심전도 데이터 및 상기 심전도 데이터에 해당하는 질환의 데이터셋을 학습하여 미리 구축된 진단 알고리즘을 통해, 상기 심전도 측정부로부터 제공되는 상기 N개의 심전도 데이터로부터 시멘틱 특징값 또는 출력값을 통합하여 질환의 유무와 추이와 질환의 정도를 예측하는 질환정보를 생성하는, 예측부; 및 상기 심전도 측정부로부터의 상기 N개의 심전도 데이터를 상기 예측부로 변환하여 입력하는 입력부;를 포함하는, 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템을 제공한다.In order to achieve the above object, an embodiment of the present invention includes: an electrocardiogram measurement unit for obtaining N electrocardiogram data by measuring electrocardiograms of the same examinee at different time points with a time difference; Integration of semantic feature values or output values from the N electrocardiogram data provided from the electrocardiogram measurement unit through a pre-constructed diagnosis algorithm by learning N electrocardiogram data from different time points and a dataset of diseases corresponding to the electrocardiogram data. a prediction unit for generating disease information for predicting the presence or absence of a disease, its progression, and the extent of the disease; and an input unit for converting and inputting the N pieces of electrocardiogram data from the electrocardiogram measurement unit to the predictor;
여기서, 상기 입력부는, 상기 심전도 측정부로부터 입력되는 상기 N개의 심전도 데이터를 단일 심전도 데이터로 통합할 수 있다.Here, the input unit may integrate the N pieces of electrocardiogram data input from the electrocardiogram measurement unit into single electrocardiogram data.
또한, 상기 입력부는 상기 N개의 심전도 데이터를 각 심전도 데이터 단위로 통합할 수 있다.Also, the input unit may integrate the N electrocardiogram data into units of each electrocardiogram data.
또한, 상기 입력부는 상기 N개의 심전도 데이터를 각각 유도별로 구분하고, 상기 각 구분된 유도별 심전도 데이터를 유도별로 통합할 수 있다.In addition, the input unit may classify the N electrocardiogram data according to each lead and integrate the divided electrocardiogram data according to each lead.
또한, 상기 입력부는 상기 N개의 심전도 데이터를 각 유도별로 구분하고 비트단위로 분할한 후 동일 유도의 비트단위를 상호 짝지어 통합할 수 있다.In addition, the input unit may classify the N electrocardiogram data according to each induction, divide them into bit units, and then pair and integrate the bit units of the same induction.
또한, 상기 예측부는, 상기 입력부로부터 제공되는 상기 N개의 심전도 데이터의 시멘틱 특징값을 각각 추출하고, 상기 시멘틱 특징값을 통합 분석하여 상기 N개의 심전도 데이터를 비교분석하여 상기 질환정보를 생성할 수 있다.In addition, the prediction unit may generate the disease information by extracting semantic feature values of the N electrocardiogram data provided from the input unit, performing integrated analysis on the semantic feature values, and comparatively analyzing the N electrocardiogram data. .
본 발명에 의하면, 딥러닝에 기반하여 동일 피검진자의 서로 다른 시점의 촬영한 복수의 심전도를 비교분석하여 건강상태에 대한 계측과 진단과 검진과 예측의 정확도를 높일 수 있고, 시계열적으로 질환의 유무와 추이와 질환의 정도를 분석하고 예측할 수 있는 효과가 있다.According to the present invention, based on deep learning, it is possible to compare and analyze a plurality of electrocardiograms taken at different times of the same examinee to increase the accuracy of measurement, diagnosis, examination, and prediction of health conditions, and to time-series disease It has the effect of analyzing and predicting the presence, trend and degree of disease.
도 1은 본 발명의 실시예에 의한 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템의 구성도를 도시한 것이다.
도 2는 도 1의 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템에 의한 심전도 통합 방법을 각각 예시한 것이다.
도 3은 도 1의 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템에 의한 예측방법의 흐름도를 예시한 것이다.1 is a diagram showing the configuration of a deep learning-based health state prediction system using a plurality of electrocardiograms according to an embodiment of the present invention.
FIG. 2 illustrates an electrocardiogram integration method by the deep learning-based health state prediction system using a plurality of electrocardiograms of FIG. 1, respectively.
FIG. 3 illustrates a flowchart of a prediction method by the deep learning-based health condition prediction system using a plurality of electrocardiograms of FIG. 1 .
이하, 첨부된 도면을 참조로 전술한 특징을 갖는 본 발명의 실시예를 더욱 상세히 설명하고자 한다.Hereinafter, embodiments of the present invention having the above-described characteristics will be described in more detail with reference to the accompanying drawings.
본 발명의 실시예에 의한 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템은, 동일 피검진자의 시차를 둔 서로 다른 시점의 심전도를 각각 측정하여 N개의 심전도 데이터를 각각 획득하는 심전도 측정부(110), 서로 다른 시점의 N개의 심전도 데이터 및 심전도 데이터에 해당하는 질환의 데이터셋을 학습하여 미리 구축된 진단 알고리즘을 통해, 심전도 측정부(110)로부터 제공되는 N개의 심전도 데이터로부터 시멘틱 특징값 또는 출력값을 통합하여 질환의 유무와 추이와 질환의 정도를 예측하는 질환정보를 생성하는, 예측부(120), 및 심전도 측정부(110)로부터의 N개의 심전도 데이터를 예측부(120)로 변환하여 입력하는 입력부(130)를 포함하여, 동일 피검진자의 시차를 둔 복수의 심전도 데이터로부터 건강상태를 보다 더 정확하게 계측, 진단, 검진 및 예측하는 것을 요지로 한다.The deep learning-based health state prediction system using a plurality of electrocardiograms according to an embodiment of the present invention measures electrocardiograms of the same examinee at different time points with a time difference, respectively, and acquires N electrocardiogram data respectively (110). ), semantic feature values or output values from the N electrocardiogram data provided from the electrocardiogram measurement unit 110 through a pre-established diagnosis algorithm by learning N electrocardiogram data at different time points and a dataset of diseases corresponding to the electrocardiogram data. N pieces of electrocardiogram data from the prediction unit 120 and the electrocardiogram measurement unit 110 are converted into the prediction unit 120 to generate disease information predicting the presence and trend of the disease and the degree of the disease by integrating the Including the input unit 130, the main point is to more accurately measure, diagnose, examine, and predict the health condition from a plurality of staggered electrocardiogram data of the same examinee.
이하, 도 1 및 도 2를 참조하여, 전술한 구성의 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템을 구체적으로 상술하면 다음과 같다.Hereinafter, with reference to FIGS. 1 and 2, the deep learning-based health state prediction system using a plurality of electrocardiograms having the above-described configuration will be described in detail.
우선, 심전도 측정부(110)는 동일 피검진자의 시차를 둔 서로 다른 시점의 심전도를 각각 측정하여 N개의 심전도 데이터를 각각 획득한다.First, the electrocardiogram measurement unit 110 obtains N pieces of electrocardiogram data by measuring electrocardiograms of the same examinee at different time points with a time difference.
여기서, 심전도 측정부(110)는 동일 피검진자의 월별, 분기별 또는 연도별 등의 장기간의 시차를 두고 측정하여 두 시점 이상의 측정시별 N개의 심전도 데이터를 측정할 수 있다.Here, the electrocardiogram measuring unit 110 may measure N electrocardiogram data at two or more time points by measuring the same examinee with a long time difference such as monthly, quarterly, or yearly.
한편, 심전도 측정부(110)는 일상생활 중에 접촉시 또는 비접촉식의 심전도 측정이 가능한 웨어러블 심전도패치, 스마트워치, 단시간 측정되는 6유도 심전도 바 또는 의료기관에 설치된 심전도기기를 포함하여서 비동기적 또는 동기적 심전도를 측정하여 입력부(130)로 제공할 수 있다.On the other hand, the electrocardiogram measuring unit 110 includes a wearable electrocardiogram patch capable of measuring contact or non-contact electrocardiogram during daily life, a smart watch, a 6-lead electrocardiogram bar measured for a short time, or an electrocardiogram device installed in a medical institution, including asynchronous or synchronous electrocardiogram It may be measured and provided to the input unit 130.
다음, 예측부(120)는, 의료기관서버에 축적된 빅데이터인, 동일 피검진자들의 서로 다른 시점의 N개의 심전도 데이터 및 심전도 데이터에 해당하는 질환의 데이터셋을 학습하여 미리 구축된 진단 알고리즘을 통해서, 심전도 측정부(110)로부터 제공되는 N개의 심전도 데이터로부터 시멘틱 특징값 또는 출력값을 통합하여서, 질환의 유무와 추이와 질환의 정도를 예측하는 질환정보를 생성하도록 한다.Next, the prediction unit 120 learns N electrocardiogram data from different time points of the same subjects, which are big data accumulated in the medical institution server, and a dataset of diseases corresponding to the electrocardiogram data, through a pre-built diagnosis algorithm. , By integrating semantic feature values or output values from the N pieces of electrocardiogram data provided from the electrocardiogram measuring unit 110, disease information predicting the presence and trend of a disease and the degree of disease is generated.
여기서, 시멘틱 특징값은 심전도 데이터로부터 추출된 공간적 시계열적 특징값으로서 예측부(120)는 이를 기반으로 서로 다른 시점의 N개의 심전도 데이터를 비교분석하여 심전도 데이터가 최종 측정된 시점에서의 현시점에서의 건강상태 또는 미래의 건강상태를 계측하며 진단하고 검진하고 예측하도록 할 수 있다.Here, the semantic feature value is a spatial and time-series feature value extracted from the electrocardiogram data, and based on this, the prediction unit 120 compares and analyzes N electrocardiogram data at different points in time, Health status or future health status can be measured, diagnosed, examined, and predicted.
한편, 예측부(120)는, 후술하는 입력부(130)로부터 제공되는 서로 다른 시점의 N개의 심전도 데이터의 시멘틱 특징값을 각각 추출하고, 시멘틱 특징값을 통합 분석하여서, 서로 다른 시점의 N개의 심전도 데이터를 비교분석하여 시계열적 질환정보를 생성할 수도 있다.On the other hand, the prediction unit 120 extracts semantic feature values of N electrocardiogram data of different time points provided from the input unit 130 to be described later, respectively, and performs integrated analysis on the semantic feature values to obtain N electrocardiogram data of different points of time. Time-series disease information may be generated by comparative analysis of the data.
또한, 추출된 시멘틱 특징값을 통합분석하는 방법으로는, CNN, LSTM, RNN, MLP 등의 다양한 딥러닝 알고리즘을 사용하거나, 로지스틱회귀, 원칙기반모델, 랜덤포레스트, 서포트벡터머신 등의 기계학습방법을 사용할 수도 있다.In addition, as a method of integrated analysis of the extracted semantic feature values, various deep learning algorithms such as CNN, LSTM, RNN, and MLP are used, or machine learning methods such as logistic regression, principle-based models, random forests, and support vector machines can also be used.
다음, 입력부(130)는 심전도 측정부(110)로부터의 N개의 심전도 데이터를 변환하여 예측부(120)로 입력한다.Next, the input unit 130 converts N pieces of electrocardiogram data from the electrocardiogram measurement unit 110 and inputs them to the prediction unit 120 .
여기서, 입력부(130)는, 심전도 측정부(110)로부터 입력되는 동일 피검진자의 서로 다른 시점의 N개의 심전도 데이터를 단일 심전도 데이터로 통합하여서 예측부(120)로 입력하도록 할 수 있다.Here, the input unit 130 may integrate N pieces of electrocardiogram data of the same examinee at different points of time input from the electrocardiogram measurement unit 110 into a single electrocardiogram data and input the result to the prediction unit 120 .
예컨대, 도 2의 (a)에 예시된 바와 같이, 입력부(130)는 서로 다른 시점의 N개의 심전도 데이터를 각 심전도 데이터 단위로 동일 시간축의 길이로 통째로 통합할 수 있다. 한편, 서로 다른 시점의 N개의 심전도 데이터가 동일 시간축의 길이로 측정되지 않았다면 최소 시간축의 길이에 맞춰 자르거나, 딥러닝 알고리즘을 통해, 최대 시간축의 길이에 맞춰 나머지 심전도 데이터의 부족한 길이의 심전도를 생성하여 전체 길이를 맞추도록 할 수도 있다.For example, as illustrated in (a) of FIG. 2 , the input unit 130 may integrate N pieces of electrocardiogram data at different points in time with the same time axis length in each electrocardiogram data unit. On the other hand, if N electrocardiogram data at different points in time are not measured with the same length of time axis, cut them according to the length of the minimum time axis or, through a deep learning algorithm, create an electrocardiogram with insufficient length of the remaining electrocardiogram data according to the length of the maximum time axis through a deep learning algorithm. It can also be made to match the overall length.
또는, 도 2의 (b)에 예시된 바와 같이, 입력부(130)는 서로 다른 시점(T1,T2)의 N개의 심전도 데이터를 유도별 심전도 데이터의 개별 특성을 파악하고, 파악된 특성에 따라 각각 유도별로 구분하고, 각 구분된 유도별 심전도 데이터를 유도별로 통합하여 예측부(120)로 입력할 수도 있다.Alternatively, as exemplified in (b) of FIG. 2, the input unit 130 determines the individual characteristics of the ECG data by inducing N pieces of ECG data at different time points T1 and T2, and each according to the identified characteristics. It is also possible to classify the electrocardiogram data for each guidance, and integrate the electrocardiogram data for each guidance and input them to the prediction unit 120 .
또는, 도 2의 (c)에 예시된 바와 같이, 입력부(130)는 서로 다른 시점의 N개의 심전도 데이터를 각 유도별로 구분하고, 구분된 유도별 심전도 데이터를 비트단위로 분할한 후 동일 유도의 비트단위를 상호 짝지어 통합하여 예측부(120)로 입력할 수도 있다.Alternatively, as illustrated in (c) of FIG. 2, the input unit 130 classifies N pieces of electrocardiogram data at different points in time for each induction, divides the electrocardiogram data for each induction into bits, and then divides the electrocardiogram data for each induction into bits. Bit units may be paired and integrated and input to the prediction unit 120 .
한편, 심전도 측정부(110)로부터 입력부(130)로 제공되는 심전도 데이터의 노이즈를 최소화하여 예측부(120)에 의해 생성된 질환정보에 대한 신뢰도를 보다 높이도록 노이즈 제거부(140)를 더 포함할 수 있는데, 예컨대 노이즈 제거부(140)는 다수의 심전도 데이터, 예컨대 의료기관에 축적된 표준 12유도 심전도 데이터를 기반으로, 노이즈가 적은 각 유도별 심전도 데이터 및 각 유도별 심전도 데이터의 고유 스타일의 데이터셋을 미리 학습하여 구축된 딥러닝 알고리즘을 통해, 피검진자의 특성 및 측정방식의 특성을 반영하여서, 심전도 측정부(110)에 의해 측정된 심전도 데이터로부터 해당 고유 스타일을 추출하고, 추출된 고유 스타일을 통해 노이즈가 포함되지 않는 특정 유도 스타일의 심전도 데이터로 변환하여 생성할 수 있다.Meanwhile, a noise removal unit 140 is further included to increase reliability of the disease information generated by the prediction unit 120 by minimizing noise of the ECG data provided from the ECG measurement unit 110 to the input unit 130. For example, the noise removal unit 140 may use a plurality of electrocardiogram data, for example, based on standard 12-lead electrocardiogram data accumulated in medical institutions, electrocardiogram data for each conduction with low noise and unique style data for each conduction-type electrocardiogram data. The unique style is extracted from the ECG data measured by the ECG measurement unit 110 by reflecting the characteristics of the examinee and the characteristics of the measurement method through the deep learning algorithm built by learning the three in advance, and the extracted unique style It can be generated by converting into electrocardiogram data of a specific induction style that does not contain noise.
또한, 노이즈 제거부(140)는 피검진자의 연령, 성별, 질환 등으로 인한 특성 및 전극의 부착위치, 심전도 기기 등으로 인한 측정방식의 특성을 반영하여서, 각 심전도 데이터의 유도별 고유 스타일을 높은 정확도로 파악할 수 있고, 이를 기반으로 각 유도별 심전도 데이터를 보다 더 정확하게 변환하여 생성할 수도 있다.In addition, the noise removal unit 140 reflects the characteristics of the examinee's age, gender, disease, etc., electrode attachment position, and measurement method characteristics due to the electrocardiogram device, etc. It can be identified with accuracy, and based on this, electrocardiogram data for each induction can be more accurately converted and generated.
또한, 심전도 측정부(110)에 의한 측정시, 심전도 데이터에서 일부 유도나 일부 구간의 심전도 데이터에 노이즈가 많이 포함되거나 전극 접촉이 떨어져 측정이 제대로 이루어지지 않는 경우, 심전도 데이터 생성부(150)를 통해, 노이즈가 없는 유도의 심전도를 생성하여 탈락된 심전도 데이터를 채워 넣어서 보다 정확하게 건강상태의 계측과 진단과 검진과 예측을 수행할 수 있다.In addition, when measured by the electrocardiogram measurement unit 110, if the electrocardiogram data of some induction or some sections of the electrocardiogram data contains a lot of noise or the electrode contact is not properly measured, the electrocardiogram data generator 150 Through this, it is possible to more accurately measure, diagnose, examine, and predict the health condition by generating a noise-free electrocardiogram and filling in the omitted electrocardiogram data.
또한, 예측부(120)는 순환 계통의 질환과, 내분비, 영양 및 대사 질환과, 신생물 질환과, 정신 및 행동장애와, 신경계통의 질환과, 눈 및 부속기의 질환과, 귀 및 유돌의 질환과, 호흡계통의 질환과, 소화계통의 질환과, 피부 및 피부조직의 질환과, 근골격계통 및 결압조직의 질환과, 비뇨생식계통의 질환과, 임신, 출산 및 산후기 질환과, 선천기형, 변형 및 염색체이상을 진단하여 예측할 수 있다.In addition, the prediction unit 120 is a disease of the circulatory system, endocrine, nutritional and metabolic diseases, neoplasia diseases, mental and behavioral disorders, diseases of the nervous system, diseases of the eye and appendages, ears and mastoids Diseases of the respiratory system, diseases of the digestive system, diseases of the skin and skin tissue, diseases of the musculoskeletal system and connective tissue, diseases of the urogenital system, pregnancy, childbirth and postpartum diseases, congenital malformations , mutations and chromosomal abnormalities can be diagnosed and predicted.
이외에도, 예측부(120)를 통해서, 신체외상으로 인한 손상을 확인하고, 예후를 확인하며 통증을 계측할 수 있으며, 외상으로 인한 사망 위험성이나 악화 위험성을 예측할 수 있고, 병발한 합병증을 포착하거나 예측할 수 있고, 출생 전후기에 나타나는 특정 병태를 파악할 수도 있다. In addition, through the prediction unit 120, damage due to physical trauma can be confirmed, prognosis can be confirmed, pain can be measured, the risk of death or aggravation due to trauma can be predicted, and concurrent complications can be captured or predicted. It can also identify specific conditions that appear before and after birth.
또한, 예측부(120)를 통해서, 헬스케어 영역으로서, 노화, 수면, 체중, 혈압, 혈당, 산소포화도, 신진대사, 스트레스, 긴장, 공포, 음주, 흡연, 문제행동, 폐활량, 운동량, 통증관리, 비만, 체질량, 체성분, 식단, 운동 종류, 생활패턴 추천, 응급상황 관리, 만성질환 관리, 약제 처방, 검사 추천, 검진 추천, 간병, 원격건강관리, 원격진료, 예방접종 및 접종 이후 관리 등의 서비스로 이어질 수 있는 피검진자의 건강상태를 계측하며 진단하고 검진하고 예측하는 것이 가능할 수 있다.In addition, through the prediction unit 120, as a healthcare area, aging, sleep, weight, blood pressure, blood sugar, oxygen saturation, metabolism, stress, tension, fear, drinking, smoking, problem behavior, lung capacity, exercise, and pain management , obesity, body mass, body composition, diet, exercise type, life pattern recommendation, emergency management, chronic disease management, drug prescription, examination recommendation, examination recommendation, nursing care, remote health management, remote medical treatment, vaccination and post-vaccination management, etc. It may be possible to measure, diagnose, examine, and predict the health condition of the examinee, which may lead to service.
앞서 언급한 개별적인 질환으로 인한 건강상태 뿐만 아니라 복합적으로 나타나는 건강상태를 계측하고, 진단하며, 검진하고, 예측할 수 있으며, 피검진자의 건강상태의 악화 및 완화를 예측하고, 단기간 및 장기간의 예후 예측이 가능하고, 한 질환으로부터 다른 질환으로 전이되거나 합병되는 상태를 예측하도록 하고, 특정 약제와 심전도의 분석 및 예측에 따른 건강상태의 호전 또는 악화를 학습하여서 건강상태에 따라 특정 약제를 추천하도록 할 수도 있다.It is possible to measure, diagnose, examine, and predict not only the health conditions caused by the individual diseases mentioned above, but also the health conditions that appear complexly, predict deterioration and relief of the subject's health condition, and predict short-term and long-term prognosis. It is possible to predict the state of transition or merger from one disease to another, and to recommend a specific medicine according to the health condition by learning the improvement or deterioration of the health condition according to the analysis and prediction of a specific medicine and electrocardiogram. .
이에, 전술한 바와 같은 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템의 구성에 의해서, 이전시점에서 촬영한 심전도와 후속시점에서 촬영한 심전도를 비교하여 보다 더 정확하게 질환을 진단하도록 하는데, 예컨대 이전시점의 심전도를 통해 ST분절 상승 등으로 인해 심근경색 소견이 제시되었으나 검사상으로는 정상이었는데, 1년 후 등의 후속시점의 심전도에서 이전과 동일한 ST분절 상승으로 인한 심근경색 소견이 제시되었다면 심근경색의 가능성이 적다. 즉, 1년이란 긴 시간동안 심근경색을 가질 수 없기때문에 해당 피검진자를 정상인 환자로 간주하여야 한다.Therefore, by the configuration of the deep learning-based health condition prediction system using a plurality of electrocardiograms as described above, the electrocardiogram taken at the previous time point and the electrocardiogram taken at the subsequent time point are compared to diagnose the disease more accurately. Myocardial infarction findings due to ST-segment elevation were suggested through the electrocardiogram at that time, but the test was normal, but myocardial infarction was likely if the ECG at the follow-up time point, such as 1 year later, showed myocardial infarction findings due to the same ST-segment elevation as before. less That is, since a myocardial infarction cannot occur for a long time of one year, the subject must be regarded as a normal patient.
한편, 도 3은 도 1의 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템에 의한 예측방법의 흐름도를 예시한 것으로, 이를 참조항여 간략히 상술하면 다음과 같다.On the other hand, Figure 3 is an example of a flow chart of a prediction method by the deep learning-based health state prediction system using a plurality of electrocardiograms of Figure 1, briefly detailed in reference to this as follows.
선행하여, 심전도 측정부(110)를 통해, 동일 피검진자의 시차를 둔 서로 다른 시점의 심전도를 각각 측정하여 N개의 심전도 데이터를 각각 획득하여 입력부(130)로 제공할 수 있다(S110).Prior to this, electrocardiograms of the same examinee at different time points with a time difference may be measured through the electrocardiogram measuring unit 110 to obtain N pieces of electrocardiogram data, respectively, and provide them to the input unit 130 (S110).
여기서, 심전도 측정부(110)는 동일 피검진자의 월별, 분기별 또는 연도별 등의 장기간의 시차를 두고 측정하여 두 시점 이상의 측정시별 N개의 심전도 데이터를 측정할 수 있다.Here, the electrocardiogram measuring unit 110 may measure N electrocardiogram data at two or more time points by measuring the same examinee with a long time difference such as monthly, quarterly, or yearly.
한편, 심전도 측정부(110)는 일상생활 중에 접촉시 또는 비접촉식의 심전도 측정이 가능한 웨어러블 심전도패치, 스마트워치, 단시간 측정되는 6유도 심전도 바 또는 의료기관에 설치된 심전도기기를 포함하여서 비동기적 또는 동기적 심전도를 측정하여 입력부(130)로 제공할 수 있다.On the other hand, the electrocardiogram measuring unit 110 includes a wearable electrocardiogram patch capable of measuring contact or non-contact electrocardiogram during daily life, a smart watch, a 6-lead electrocardiogram bar measured for a short time, or an electrocardiogram device installed in a medical institution, including asynchronous or synchronous electrocardiogram It may be measured and provided to the input unit 130.
후속하여, 입력부(130)를 통해, 심전도 측정부(110)로부터의 N개의 심전도 데이터를 변환하여 예측부(120)로 입력한다(S120).Subsequently, through the input unit 130, N pieces of electrocardiogram data from the electrocardiogram measurement unit 110 are converted and input to the prediction unit 120 (S120).
여기서, 입력부(130)는, 심전도 측정부(110)로부터 입력되는 동일 피검진자의 서로 다른 시점의 N개의 심전도 데이터를 단일 심전도 데이터로 통합하여서 예측부(120)로 입력하도록 할 수 있다.Here, the input unit 130 may integrate N pieces of electrocardiogram data of the same examinee at different points of time input from the electrocardiogram measurement unit 110 into a single electrocardiogram data and input the result to the prediction unit 120 .
예컨대, 도 2의 (a)에 예시된 바와 같이, 입력부(130)는 서로 다른 시점의 N개의 심전도 데이터를 각 심전도 데이터 단위로 동일 시간축의 길이로 통째로 통합할 수 있다. 한편, 서로 다른 시점의 N개의 심전도 데이터가 동일 시간축의 길이로 측정되지 않았다면 최소 시간축의 길이에 맞춰 자르거나, 딥러닝 알고리즘을 통해, 최대 시간축의 길이에 맞춰 나머지 심전도 데이터의 부족한 길이의 심전도를 생성하여 전체 길이를 맞추도록 할 수도 있다.For example, as illustrated in (a) of FIG. 2 , the input unit 130 may integrate N pieces of electrocardiogram data at different points in time with the same time axis length in each electrocardiogram data unit. On the other hand, if N electrocardiogram data at different points in time are not measured with the same length of time axis, cut them according to the length of the minimum time axis or, through a deep learning algorithm, create an electrocardiogram with insufficient length of the remaining electrocardiogram data according to the length of the maximum time axis through a deep learning algorithm. It can also be made to match the overall length.
또는, 도 2의 (b)에 예시된 바와 같이, 입력부(130)는 서로 다른 시점(T1,T2)의 N개의 심전도 데이터를 유도별 심전도 데이터의 개별 특성을 파악하고, 파악된 특성에 따라 각각 유도별로 구분하고, 각 구분된 유도별 심전도 데이터를 유도별로 통합하여 예측부(120)로 입력할 수도 있다.Alternatively, as exemplified in (b) of FIG. 2, the input unit 130 determines the individual characteristics of the ECG data by inducing N pieces of ECG data at different time points T1 and T2, and each according to the identified characteristics. It is also possible to classify the electrocardiogram data for each guidance, and integrate the electrocardiogram data for each guidance and input them to the prediction unit 120 .
또는, 도 2의 (c)에 예시된 바와 같이, 입력부(130)는 서로 다른 시점의 N개의 심전도 데이터를 각 유도별로 구분하고, 구분된 유도별 심전도 데이터를 비트단위로 분할한 후 동일 유도의 비트단위를 상호 짝지어 통합하여 예측부(120)로 입력할 수도 있다.Alternatively, as illustrated in (c) of FIG. 2, the input unit 130 classifies N pieces of electrocardiogram data at different points in time for each induction, divides the electrocardiogram data for each induction into bits, and then divides the electrocardiogram data for each induction into bits. Bit units may be paired and integrated and input to the prediction unit 120 .
한편, 노이즈 제거부(140)를 통해, 심전도 측정부(110)로부터 입력부(130)로 제공되는 심전도 데이터의 노이즈를 최소화하여 예측부(120)에 의해 생성된 질환정보에 대한 신뢰도를 보다 높이도록 하는 단계(S125)를 더 포함할 수 있는데, 예컨대 노이즈 제거부(140)는 다수의 심전도 데이터, 예컨대 의료기관에 축적된 표준 12유도 심전도 데이터를 기반으로, 노이즈가 적은 각 유도별 심전도 데이터 및 각 유도별 심전도 데이터의 고유 스타일의 데이터셋을 미리 학습하여 구축된 딥러닝 알고리즘을 통해, 피검진자의 특성 및 측정방식의 특성을 반영하여서, 심전도 측정부(110)에 의해 측정된 심전도 데이터로부터 해당 고유 스타일을 추출하고, 추출된 고유 스타일을 통해 노이즈가 포함되지 않는 특정 유도 스타일의 심전도 데이터로 변환하여 생성할 수 있다.Meanwhile, noise of electrocardiogram data provided from the electrocardiogram measurement unit 110 to the input unit 130 is minimized through the noise removal unit 140 to further increase the reliability of the disease information generated by the prediction unit 120. It may further include a step (S125) of performing a noise removal unit 140, for example, based on a plurality of electrocardiogram data, e.g., standard 12-lead electrocardiogram data accumulated in medical institutions, electrocardiogram data for each conduction with less noise and electrocardiogram data for each conduction. Through a deep learning algorithm built by pre-learning a data set of a unique style of star ECG data, the characteristics of the examinee and the characteristics of the measurement method are reflected, and the corresponding unique style is obtained from the ECG data measured by the ECG measuring unit 110. It can be created by extracting and converting it into electrocardiogram data of a specific induction style that does not include noise through the extracted unique style.
또한, 노이즈 제거부(140)는 피검진자의 연령, 성별, 질환 등으로 인한 특성 및 전극의 부착위치, 심전도 기기 등으로 인한 측정방식의 특성을 반영하여서, 각 심전도 데이터의 유도별 고유 스타일을 높은 정확도로 파악할 수 있고, 이를 기반으로 각 유도별 심전도 데이터를 보다 더 정확하게 변환하여 생성할 수도 있다.In addition, the noise removal unit 140 reflects the characteristics of the examinee's age, gender, disease, etc., electrode attachment position, and measurement method characteristics due to the electrocardiogram device, etc. It can be identified with accuracy, and based on this, electrocardiogram data for each induction can be more accurately converted and generated.
또한, 심전도 측정부(110)에 의한 측정시, 심전도 데이터에서 일부 유도나 일부 구간의 심전도 데이터에 노이즈가 많이 포함되거나 전극 접촉이 떨어져 측정이 제대로 이루어지지 않는 경우, 심전도 데이터 생성부(150)를 통해, 노이즈가 없는 유도의 심전도를 생성하여 탈락된 심전도 데이터를 채워 넣어서 보다 정확하게 건강상태의 계측과 진단과 검진과 예측을 수행할 수 있다.In addition, when measured by the electrocardiogram measurement unit 110, if the electrocardiogram data of some induction or some sections of the electrocardiogram data contains a lot of noise or the electrode contact is not properly measured, the electrocardiogram data generator 150 Through this, it is possible to more accurately measure, diagnose, examine, and predict the health condition by generating a noise-free electrocardiogram and filling in the omitted electrocardiogram data.
후속하여, 예측부(120)를 통해, 의료기관서버에 축적된 빅데이터인, 동일 피검진자들의 서로 다른 시점의 N개의 심전도 데이터 및 심전도 데이터에 해당하는 질환의 데이터셋을 학습하여 미리 구축된 진단 알고리즘을 통해서, 심전도 측정부(110)로부터 제공되는 N개의 심전도 데이터로부터 시멘틱 특징값 또는 출력값을 통합하여서, 질환의 유무와 추이와 질환의 정도를 예측하는 질환정보를 생성하도록 한다(S130).Subsequently, through the prediction unit 120, a diagnosis algorithm built in advance by learning N ECG data of the same examinee at different times and a dataset of diseases corresponding to the ECG data, which is big data accumulated in the medical institution server. Through, semantic feature values or output values are integrated from the N pieces of electrocardiogram data provided from the electrocardiogram measuring unit 110 to generate disease information predicting the presence and trend of a disease and the degree of the disease (S130).
여기서, 시멘틱 특징값은 심전도 데이터로부터 추출된 공간적 시계열적 특징값으로서 예측부(120)는 이를 기반으로 서로 다른 시점의 N개의 심전도 데이터를 비교분석하여 심전도 데이터가 최종 측정된 시점에서의 현시점에서의 건강상태 또는 미래의 건강상태를 계측하며 진단하고 검진하고 예측하도록 할 수 있다.Here, the semantic feature value is a spatial and time-series feature value extracted from the electrocardiogram data, and based on this, the prediction unit 120 compares and analyzes N electrocardiogram data at different points in time, Health status or future health status can be measured, diagnosed, examined, and predicted.
한편, 예측부(120)는, 후술하는 입력부(130)로부터 제공되는 서로 다른 시점의 N개의 심전도 데이터의 시멘틱 특징값을 각각 추출하고, 시멘틱 특징값을 통합 분석하여서, 서로 다른 시점의 N개의 심전도 데이터를 비교분석하여 시계열적 질환정보를 생성할 수도 있다.On the other hand, the prediction unit 120 extracts semantic feature values of N electrocardiogram data of different time points provided from the input unit 130 to be described later, respectively, and performs integrated analysis on the semantic feature values to obtain N electrocardiogram data of different points of time. Time-series disease information may be generated by comparative analysis of the data.
또한, 추출된 시멘틱 특징값을 통합분석하는 방법으로는, CNN, LSTM, RNN, MLP 등의 다양한 딥러닝 알고리즘을 사용하거나, 로지스틱회귀, 원칙기반모델, 랜덤포레스트, 서포트벡터머신 등의 기계학습방법을 사용할 수도 있다.In addition, as a method of integrated analysis of the extracted semantic feature values, various deep learning algorithms such as CNN, LSTM, RNN, and MLP are used, or machine learning methods such as logistic regression, principle-based models, random forests, and support vector machines can also be used.
후속하여, 예후 예측부를 통해, 앞서 언급한 개별적인 질환으로 인한 건강상태 뿐만 아니라 복합적으로 나타나는 건강상태를 계측하고, 진단하며, 검진하고, 예측할 수 있으며, 피검진자의 건강상태의 악화 및 완화를 예측하고, 단기간 및 장기간의 예후 예측이 가능하도록 하고, 한 질환으로부터 다른 질환으로 전이되거나 합병되는 상태를 예측하도록 하고, 특정 약제와 심전도의 분석 및 예측에 따른 건강상태의 호전 또는 악화를 학습하여서 건강상태에 따라 특정 약제를 추천하도록 할 수도 있다(S140).Subsequently, through the prognosis prediction unit, it is possible to measure, diagnose, examine, and predict not only the health conditions caused by the individual diseases mentioned above, but also the health conditions that appear in combination, and predict deterioration and relief of the health condition of the examinee, and , To predict short-term and long-term prognosis, to predict the state of transition from one disease to another or to be combined, and to learn the improvement or deterioration of the health condition according to the analysis and prediction of specific drugs and electrocardiograms Accordingly, a specific drug may be recommended (S140).
따라서, 본 실시예는 딥러닝에 기반하여 동일 피검진자의 서로 다른 시점의 촬영한 복수의 심전도를 비교분석하여 건강상태에 대한 계측과 진단과 검진과 예측의 정확도를 높일 수 있고, 시계열적으로 질환의 유무와 추이와 질환의 정도를 분석하고 예측할 수 있다.Therefore, this embodiment can increase the accuracy of measurement, diagnosis, examination, and prediction of health status by comparing and analyzing a plurality of electrocardiograms taken at different time points of the same examinee based on deep learning, and time-series disease It is possible to analyze and predict the presence and trend of disease and the degree of disease.
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.The embodiments described in this specification and the configurations shown in the drawings are only one of the most preferred embodiments of the present invention, and do not represent all of the technical spirit of the present invention, so various equivalents that can replace them at the time of this application. It should be understood that there may be waters and variations.
110 : 심전도 측정부 120 : 예측부
130 : 입력부 140 : 노이즈 제거부
150 : 심전도 데이터 생성부110: electrocardiogram measurement unit 120: prediction unit
130: input unit 140: noise removal unit
150: electrocardiogram data generation unit
Claims (6)
서로 다른 시점의 N개의 심전도 데이터 및 상기 심전도 데이터에 해당하는 질환의 데이터셋을 학습하여 미리 구축된 진단 알고리즘을 통해, 상기 심전도 측정부로부터 제공되는 상기 N개의 심전도 데이터로부터 시멘틱 특징값 또는 출력값을 통합하여 질환의 유무와 추이와 질환의 정도를 예측하는 질환정보를 생성하는, 예측부; 및
상기 심전도 측정부로부터의 상기 N개의 심전도 데이터를 상기 예측부로 변환하여 입력하는 입력부;를 포함하는,
복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템.
an electrocardiogram measuring unit for acquiring N electrocardiogram data by measuring electrocardiograms of the same examinee at different time points with a time difference;
Integration of semantic feature values or output values from the N electrocardiogram data provided from the electrocardiogram measurement unit through a pre-constructed diagnosis algorithm by learning N electrocardiogram data from different time points and a dataset of diseases corresponding to the electrocardiogram data. a prediction unit for generating disease information for predicting the presence or absence of a disease, its progression, and the extent of the disease; and
An input unit for converting and inputting the N electrocardiogram data from the electrocardiogram measurement unit to the prediction unit;
Deep learning-based health condition prediction system using multiple electrocardiograms.
상기 입력부는, 상기 심전도 측정부로부터 입력되는 상기 N개의 심전도 데이터를 단일 심전도 데이터로 통합하는 것을 특징으로 하는,
복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템.
According to claim 1,
Characterized in that the input unit integrates the N electrocardiogram data input from the electrocardiogram measuring unit into single electrocardiogram data,
Deep learning-based health condition prediction system using multiple electrocardiograms.
상기 입력부는 상기 N개의 심전도 데이터를 각 심전도 데이터 단위로 통합하는 것을 특징으로 하는,
복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템.
According to claim 2,
Characterized in that the input unit integrates the N electrocardiogram data into units of each electrocardiogram data,
Deep learning-based health condition prediction system using multiple electrocardiograms.
상기 입력부는 상기 N개의 심전도 데이터를 각각 유도별로 구분하고, 상기 각 구분된 유도별 심전도 데이터를 유도별로 통합하는 것을 특징으로 하는,
복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템.
According to claim 2,
Characterized in that the input unit classifies the N electrocardiogram data for each induction, and integrates the divided electrocardiogram data for each induction for each induction.
Deep learning-based health condition prediction system using multiple electrocardiograms.
상기 입력부는 상기 N개의 심전도 데이터를 각 유도별로 구분하고 비트단위로 분할한 후 동일 유도의 비트단위를 상호 짝지어 통합하는 것을 특징으로 하는,
복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템.
According to claim 2,
Characterized in that the input unit classifies the N electrocardiogram data for each induction, divides them in bit units, and then pairs and integrates the bit units of the same induction.
Deep learning-based health condition prediction system using multiple electrocardiograms.
상기 예측부는, 상기 입력부로부터 제공되는 상기 N개의 심전도 데이터의 시멘틱 특징값을 각각 추출하고, 상기 시멘틱 특징값을 통합 분석하여 상기 N개의 심전도 데이터를 비교분석하여 상기 질환정보를 생성하는 것을 특징으로 하는,
복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템.According to claim 1,
The prediction unit extracts semantic feature values of the N electrocardiogram data provided from the input unit, respectively, performs integrated analysis on the semantic feature values, and compares and analyzes the N electrocardiogram data to generate the disease information. ,
Deep learning-based health condition prediction system using multiple electrocardiograms.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210107780A KR20230025963A (en) | 2021-08-17 | 2021-08-17 | System for predicting health condition by using plural electrocardiogram based on deep learning |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210107780A KR20230025963A (en) | 2021-08-17 | 2021-08-17 | System for predicting health condition by using plural electrocardiogram based on deep learning |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230025963A true KR20230025963A (en) | 2023-02-24 |
Family
ID=85330164
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210107780A KR20230025963A (en) | 2021-08-17 | 2021-08-17 | System for predicting health condition by using plural electrocardiogram based on deep learning |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230025963A (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024038930A1 (en) * | 2022-08-18 | 2024-02-22 | 주식회사 메디컬에이아이 | Deep learning-based health condition prediction system using plurality of electrocardiograms |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102241799B1 (en) | 2020-08-06 | 2021-04-19 | 주식회사 에이티센스 | Method and electronic apparatus for providing classfication data of ecg detection signal |
| KR20210054975A (en) | 2019-11-06 | 2021-05-14 | 메디팜소프트(주) | AI-based ECG reading system |
-
2021
- 2021-08-17 KR KR1020210107780A patent/KR20230025963A/en unknown
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210054975A (en) | 2019-11-06 | 2021-05-14 | 메디팜소프트(주) | AI-based ECG reading system |
| KR102241799B1 (en) | 2020-08-06 | 2021-04-19 | 주식회사 에이티센스 | Method and electronic apparatus for providing classfication data of ecg detection signal |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024038930A1 (en) * | 2022-08-18 | 2024-02-22 | 주식회사 메디컬에이아이 | Deep learning-based health condition prediction system using plurality of electrocardiograms |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11476000B2 (en) | Methods and systems using mathematical analysis and machine learning to diagnose disease | |
| Iftikhar et al. | Multiclass classifier based cardiovascular condition detection using smartphone mechanocardiography | |
| JP2022084673A (en) | Apparatuses, systems, and methods for screening and monitoring of encephalopathy/delirium | |
| US20220175324A1 (en) | Computer-based prediction of fetal and maternal outcomes | |
| US20230131629A1 (en) | System and method for non-invasive assessment of elevated left ventricular end-diastolic pressure (LVEDP) | |
| KR20220040515A (en) | System for predicting degree of risk in cardiac arrest by using electrocardiogram based on deep learning | |
| US20230075634A1 (en) | Methods and systems for engineering conduction deviation features from biophysical signals for use in characterizing physiological systems | |
| JP2024502764A (en) | Methods and systems for engineering period variation-related features from biophysical signals for use in characterizing physiological systems | |
| KR20220040516A (en) | System for predicting coronary artery disease by using electrocardiogram based on deep learning | |
| Sulas et al. | A non-invasive multimodal foetal ECG–Doppler dataset for antenatal cardiology research | |
| Altıntop et al. | A novel approach for detection of consciousness level in comatose patients from EEG signals with 1-D convolutional neural network | |
| Rajput et al. | Automated detection of hypertension using wavelet transform and nonlinear techniques with ballistocardiogram signals | |
| KR20230025963A (en) | System for predicting health condition by using plural electrocardiogram based on deep learning | |
| Majid et al. | A Multimodal Perceived Stress Classification Framework using Wearable Physiological Sensors | |
| EP4368107A1 (en) | Health condition prediction system using asynchronous electrocardiogram | |
| EP4124287A1 (en) | Regularized multiple-input pain assessment and trend | |
| Jothiramalingam et al. | Review of Computational Techniques for the Analysis of Abnormal Patterns of ECG Signal Provoked by Cardiac Disease. | |
| WO2024038930A1 (en) | Deep learning-based health condition prediction system using plurality of electrocardiograms | |
| EP4368106A1 (en) | System for predicting health state using single-lead electrocardiogram device | |
| KR20230025956A (en) | System for removing noise of electrocardiogram data based on deep learning | |
| Kuncoro et al. | Wearable sensor for psychological stress monitoring of pregnant woman-State of the art | |
| Selvaraju et al. | Detection of Preterm Birth from the Noncontraction Segments of Uterine EMG using Hjorth Parameters and Support Vector Machine | |
| KR20230025960A (en) | System for generating multi standard electrocardiogram data by using two leads electrocardiogram data | |
| US20230200746A1 (en) | System for acquisition and analysis of maternal and/or fetal physiological signals | |
| US20230076069A1 (en) | Methods and Systems for Engineering Cardiac Waveform Features From Biophysical Signals for Use in Characterizing Physiological Systems |