KR20240013674A - 심전도를 이용한 건강 상태의 예측 방법, 프로그램및 장치 - Google Patents
심전도를 이용한 건강 상태의 예측 방법, 프로그램및 장치 Download PDFInfo
- Publication number
- KR20240013674A KR20240013674A KR1020230093007A KR20230093007A KR20240013674A KR 20240013674 A KR20240013674 A KR 20240013674A KR 1020230093007 A KR1020230093007 A KR 1020230093007A KR 20230093007 A KR20230093007 A KR 20230093007A KR 20240013674 A KR20240013674 A KR 20240013674A
- Authority
- KR
- South Korea
- Prior art keywords
- deep learning
- learning model
- data
- features
- electrocardiogram
- Prior art date
Links
- 230000003862 health status Effects 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013136 deep learning model Methods 0.000 claims abstract description 77
- 238000013528 artificial neural network Methods 0.000 claims description 31
- 239000013598 vector Substances 0.000 claims description 30
- 201000010099 disease Diseases 0.000 claims description 15
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 15
- 238000004891 communication Methods 0.000 description 14
- 239000000284 extract Substances 0.000 description 12
- 238000012545 processing Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 208000019622 heart disease Diseases 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000002565 electrocardiography Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000000718 qrs complex Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000001131 transforming effect Effects 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
- A61B5/72—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Primary Health Care (AREA)
- Cardiology (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Fuzzy Systems (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 심전도를 이용한 건강 상태의 예측 방법, 프로그램 및 장치가 개시된다. 상기 방법은, 사전 학습된 제 1 딥러닝 모델에 심전도 데이터를 입력하여, 상기 심전도 데이터로부터 특징을 추출하는 단계; 및 사전 학습된 제 2 딥러닝 모델에 상기 추출된 특징을 입력하여, 상기 심전도 데이터를 측정한 대상의 건강 상태를 예측하는 단계를 포함할 수 있다. 이때, 상기 제 1 딥러닝 모델은, 동일한 사람으로부터 유사 시점에 측정된 제 1 학습 데이터 세트로부터 유사한 특징을 추출하도록 학습되고, 상이한 사람으로부터 측정된 제 2 학습 데이터 세트로부터 상이한 특징을 추출하도록 학습될 수 있다.
Description
본 개시의 내용은 의료 분야의 딥러닝 기술에 관한 것으로, 구체적으로 건강 상태의 예측에 중요한 역할을 하는 심전도 신호의 특징을 먼저 추출하고, 추출된 특징으로 건강 상태의 예측을 수행하는 방법에 관한 것이다.
심전도 검사는 심장의 전기 활동을 기록하는 검사이다. 심전도 검사는 비교적 간단하고 비용 효율적인 검사 방법으로, 심장의 건강 상태를 확인할 수 있으며, 이는 심장 질환의 초기 진단과 관리에 있어 중요한 역할을 한다. 예를 들어, 심전도 검사를 통해 측정된 심전도 신호는 심장의 각 부분이 정상적으로 작동하는지, 심장의 크기와 위치가 정상적인지, 그리고 심장 근육에 손상이 있는지 등을 확인하는 데 사용될 수 있다. 그리고, 심전도 신호는 이러한 확인을 기반으로 다양한 심장 관련 문제를 진단하고, 사람의 건강 상태를 예측하는데 사용될 수 있다.
한편, 인공지능 기술이 발전함에 따라, 인공지능 기술을 이용하여 심전도를 분석하는 시도들이 늘어나고 있다. 신경망 기반의 모델에 심전도를 입력하여 각종 심장 질환을 예측하는 서비스가 대표적인 예시 중 하나이다. 이러한 종래 기술 및 서비스들은 사람이 식별할 수 있는 형태의 심전도의 원본을 인공지능 모델에 입력하는 형태를 사용한다. 이러한 형태를 사용하는 이유는 인공지능 모델이 의료진과 같이 심전도를 보고 판단할 때 사용하는 특징을 기반으로 질환을 예측 혹은 진단하길 기대하기 때문이다. 그러나, 인공지능 모델들이 심전도 원본을 보고 의료진이 판단하는 특징들을 직접적으로 파악하는 것은 현재까지 개발된 수준으로는 매우 어렵다.
본 개시는 심전도 원본이 아닌 심전도에서 추출 가능한 특징을 이용하여 건강 상태를 예측하기 위한 모델의 성능을 높일 수 있는 방법을 제공하는 것을 목적으로 한다.
다만, 본 개시에서 해결하고자 하는 과제는 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재를 근거로 명확하게 이해될 수 있을 것이다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 심전도를 이용한 건강 상태의 예측 방법이 개시된다. 상기 방법은, 사전 학습된 제 1 딥러닝 모델에 심전도 데이터를 입력하여, 상기 심전도 데이터로부터 특징을 추출하는 단계; 및 사전 학습된 제 2 딥러닝 모델에 상기 추출된 특징을 입력하여, 상기 심전도 데이터를 측정한 대상의 건강 상태를 예측하는 단계를 포함할 수 있다. 이때, 상기 제 1 딥러닝 모델은, 동일한 사람으로부터 유사 시점에 측정된 제 1 학습 데이터 세트로부터 유사한 특징을 추출하도록 학습되고, 상이한 사람으로부터 측정된 제 2 학습 데이터 세트로부터 상이한 특징을 추출하도록 학습될 수 있다.
대안적으로, 상기 제 1 학습 데이터는, 상기 동일한 사람으로부터 측정된 서로 다른 리드의 심전도 데이터; 상기 동일한 사람으로부터 측정된 서로 다른 비트의 심전도 데이터; 혹은 상기 동일한 사람으로부터 측정되어 기하학적 변형이 수행된 심전도 데이터 중 적어도 하나를 포함할 수 있다.
대안적으로, 상기 제 1 딥러닝 모델은, 상기 제 1 학습 데이터 세트로부터 제 1 임베딩 벡터들을 추출하고, 상기 추출된 제 1 임베딩 벡터들의 거리를 계산하며, 상기 제 1 임베딩 벡터들의 거리가 가까워지도록 신경망 파라미터를 조정함으로써 학습될 수 있다.
대안적으로, 상기 제 1 딥러닝 모델은, 상기 제 2 학습 데이터 세트로부터 제 2 임베딩 벡터들을 추출하고, 상기 추출된 제 2 임베딩 벡터들의 거리를 계산하며, 상기 제 2 임베딩 벡터들의 거리가 멀어지도록 신경망 파라미터를 조정함으로써 학습될 수 있다.
대안적으로, 상기 제 2 딥러닝 모델은, 상기 추출된 특징을 입력 받아 질환의 가능성을 출력하는 신경망; 혹은 상기 추출된 특징을 입력 받아 질환에 대한 이진 분류를 출력하는 신경망을 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램(program)이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 심전도를 이용한 건강 상태의 예측을 위한 동작들을 수행하도록 한다. 이때, 상기 동작들은, 사전 학습된 제 1 딥러닝 모델에 심전도 데이터를 입력하여, 상기 심전도 데이터로부터 특징을 추출하는 동작; 및 사전 학습된 제 2 딥러닝 모델에 상기 추출된 특징을 입력하여, 상기 심전도 데이터를 측정한 대상의 건강 상태를 예측하는 동작을 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라, 심전도를 이용한 건강 상태의 예측을 위한 컴퓨팅 장치가 개시된다. 상기 장치는, 적어도 하나의 코어(core)를 포함하는 프로세서; 상기 프로세서에서 실행 가능한 프로그램 코드(code)들을 포함하는 메모리(memory); 및 심전도 데이터를 획득하기 위한 네트워크부(network unit)를 포함할 수 있다. 이때, 상기 프로세서는, 사전 학습된 제 1 딥러닝 모델에 상기 심전도 데이터를 입력하여, 상기 심전도 데이터로부터 특징을 추출하고, 사전 학습된 제 2 딥러닝 모델에 상기 추출된 특징을 입력하여, 상기 심전도 데이터를 측정한 대상의 건강 상태를 예측할 수 있다.
본 개시의 방법에 따르면, 심전도 원본이 아닌 심전도에서 추출 가능한 특징을 이용하여 건강 상태를 예측하기 위한 모델의 성능을 높일 수 있다.
도 1은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록도이다.
도 2는 본 개시의 일 실시예에 따라 건강 상태를 예측하는 과정을 나타낸 블록도이다.
도 3은 본 개시의 일 실시예에 따른 제 1 딥러닝 모델의 구조를 나타낸 개념도이다.
도 4 는 본 개시의 일 실시예에 따른 심전도를 이용한 건강 상태의 예측 방법을 나타낸 순서도이다.
도 2는 본 개시의 일 실시예에 따라 건강 상태를 예측하는 과정을 나타낸 블록도이다.
도 3은 본 개시의 일 실시예에 따른 제 1 딥러닝 모델의 구조를 나타낸 개념도이다.
도 4 는 본 개시의 일 실시예에 따른 심전도를 이용한 건강 상태의 예측 방법을 나타낸 순서도이다.
아래에서는 첨부한 도면을 참조하여 본 개시의 기술 분야에서 통상의 지식을 가진 자(이하, 당업자)가 용이하게 실시할 수 있도록 본 개시의 실시예가 상세히 설명된다. 본 개시에서 제시된 실시예들은 당업자가 본 개시의 내용을 이용하거나 또는 실시할 수 있도록 제공된다. 따라서, 본 개시의 실시예들에 대한 다양한 변형들은 당업자에게 명백할 것이다. 즉, 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며, 이하의 실시예에 한정되지 않는다.
본 개시의 명세서 전체에 걸쳐 동일하거나 유사한 도면 부호는 동일하거나 유사한 구성요소를 지칭한다. 또한, 본 개시를 명확하게 설명하기 위해서, 도면에서 본 개시에 대한 설명과 관계없는 부분의 도면 부호는 생략될 수 있다.
본 개시에서 사용되는 "또는" 이라는 용어는 배타적 "또는" 이 아니라 내포적 "또는" 을 의미하는 것으로 의도된다. 즉, 본 개시에서 달리 특정되지 않거나 문맥상 그 의미가 명확하지 않은 경우, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 이해되어야 한다. 예를 들어, 본 개시에서 달리 특정되지 않거나 문맥상 그 의미가 명확하지 않은 경우, "X는 A 또는 B를 이용한다" 는 X가 A를 이용하거나, X가 B를 이용하거나, 혹은 X가 A 및 B 모두를 이용하는 경우 중 어느 하나로 해석될 수 있다.
본 개시에서 사용되는 "및/또는" 이라는 용어는 열거된 관련 개념들 중 하나 이상의 개념의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
본 개시에서 사용되는 "포함한다" 및/또는 "포함하는" 이라는 용어는, 특정 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는" 이라는 용어는, 하나 이상의 다른 특징, 다른 구성요소 및/또는 이들에 대한 조합의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다.
본 개시에서 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 단수는 일반적으로 "하나 또는 그 이상" 을 포함할 수 있는 것으로 해석되어야 한다.
본 개시에서 사용되는 "제 N(N은 자연수)" 이라는 용어는 본 개시의 구성요소들을 기능적 관점, 구조적 관점, 혹은 설명의 편의 등 소정의 기준에 따라 상호 구별하기 위해 사용되는 표현으로 이해될 수 있다. 예를 들어, 본 개시에서 서로 다른 기능적 역할을 수행하는 구성요소들은 제 1 구성요소 혹은 제 2 구성요소로 구별될 수 있다. 다만, 본 개시의 기술적 사상 내에서 실질적으로 동일하나 설명의 편의를 위해 구분되어야 하는 구성요소들도 제 1 구성요소 혹은 제 2 구성요소로 구별될 수도 있다.
본 개시에서 사용되는 "획득" 이라는 용어는, 외부 장치 혹은 시스템과의 유무선 통신 네트워크를 통해 데이터를 수신하는 것 뿐만 아니라, 온-디바이스(on-device) 형태로 데이터를 생성하는 것을 의미하는 것으로 이해될 수 있다.
한편, 본 개시에서 사용되는 용어 "모듈(module)", 또는 "부(unit)" 는 컴퓨터 관련 엔티티(entity), 펌웨어(firmware), 소프트웨어(software) 혹은 그 일부, 하드웨어(hardware) 혹은 그 일부, 소프트웨어와 하드웨어의 조합 등과 같이 컴퓨팅 자원을 처리하는 독립적인 기능 단위를 지칭하는 용어로 이해될 수 있다. 이때, "모듈", 또는 "부"는 단일 요소로 구성된 단위일 수도 있고, 복수의 요소들의 조합 혹은 집합으로 표현되는 단위일 수도 있다. 예를 들어, 협의의 개념으로서 "모듈", 또는 "부"는 컴퓨팅 장치의 하드웨어 요소 또는 그 집합, 소프트웨어의 특정 기능을 수행하는 응용 프로그램, 소프트웨어 실행을 통해 구현되는 처리 과정(procedure), 또는 프로그램 실행을 위한 명령어 집합 등을 지칭할 수 있다. 또한, 광의의 개념으로서 "모듈", 또는 "부"는 시스템을 구성하는 컴퓨팅 장치 그 자체, 또는 컴퓨팅 장치에서 실행되는 애플리케이션 등을 지칭할 수 있다. 다만, 상술한 개념은 하나의 예시일 뿐이므로, "모듈", 또는 "부"의 개념은 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 정의될 수 있다.
본 개시에서 사용되는 "모델(model)" 이라는 용어는 특정 문제를 해결하기 위해 수학적 개념과 언어를 사용하여 구현되는 시스템, 특정 문제를 해결하기 위한 소프트웨어 단위의 집합, 혹은 특정 문제를 해결하기 위한 처리 과정에 관한 추상화 모형으로 이해될 수 있다. 예를 들어, 신경망(neural network) "모델" 은 학습을 통해 문제 해결 능력을 갖는 신경망으로 구현되는 시스템 전반을 지칭할 수 있다. 이때, 신경망은 노드(node) 혹은 뉴런(neuron)을 연결하는 파라미터(parameter)를 학습을 통해 최적화하여 문제 해결 능력을 가질 수 있다. 신경망 "모델" 은 단일 신경망을 포함할 수도 있고, 복수의 신경망들이 조합된 신경망 집합을 포함할 수도 있다.
전술한 용어의 설명은 본 개시의 이해를 돕기 위한 것이다. 따라서, 전술한 용어를 본 개시의 내용을 한정하는 사항으로 명시적으로 기재하지 않은 경우, 본 개시의 내용을 기술적 사상을 한정하는 의미로 사용하는 것이 아님을 주의해야 한다.
도 1은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 데이터의 종합적인 처리 및 연산을 수행하는 하드웨어 장치 혹은 하드웨어 장치의 일부일 수도 있고, 통신 네트워크로 연결되는 소프트웨어 기반의 컴퓨팅 환경일 수도 있다. 예를 들어, 컴퓨팅 장치(100)는 집약적 데이터 처리 기능을 수행하고 자원을 공유하는 주체인 서버일 수도 있고, 서버와의 상호 작용을 통해 자원을 공유하는 클라이언트(client)일 수도 있다. 또한, 컴퓨팅 장치(100)는 복수의 서버들 및 클라이언트들이 상호 작용하여 데이터를 종합적으로 처리하는 클라우드 시스템(cloud system)일 수도 있다. 상술한 기재는 컴퓨팅 장치(100)의 종류와 관련된 하나의 예시일 뿐이므로, 컴퓨팅 장치(100)의 종류는 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
도 1을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 프로세서(processor)(110), 메모리(memory)(120), 및 네트워크부(network unit)(130)를 포함할 수 있다. 다만, 도 1은 하나의 예시일 뿐이므로, 컴퓨팅 장치(100)는 컴퓨팅 환경을 구현하기 위한 다른 구성들을 포함할 수 있다. 또한, 상기 개시된 구성들 중 일부만이 컴퓨팅 장치(100)에 포함될 수도 있다.
본 개시의 일 실시예에 따른 프로세서(110)는 컴퓨팅 연산을 수행하기 위한 하드웨어 및/또는 소프트웨어를 포함하는 구성 단위로 이해될 수 있다. 예를 들어, 프로세서(110)는 컴퓨터 프로그램을 판독하여 기계 학습을 위한 데이터 처리를 수행할 수 있다. 프로세서(110)는 기계 학습을 위한 입력 데이터의 처리, 기계 학습을 위한 특징 추출, 역전파(backpropagation)에 기반한 오차 계산 등과 같은 연산 과정을 처리할 수 있다. 이와 같은 데이터 처리를 수행하기 위한 프로세서(110)는 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치(GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit), 주문형 반도체(ASIC: application specific integrated circuit), 혹은 필드 프로그래머블 게이트 어레이(FPGA: field programmable gate array) 등을 포함할 수 있다. 상술한 프로세서(110)의 종류는 하나의 예시일 뿐이므로, 프로세서(110)의 종류는 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
프로세서(110)는 심전도 신호를 포함하는 심전도 데이터로부터 특징을 추출하도록 제 1 딥러닝 모델을 학습시킬 수 있다. 심전도는 리드 별로 형태가 달라질 수 있는데, 동일한 사람으로부터 유사 시점에 추출된 심전도라면 형태가 다르더라도 유사한 특징을 추출하는 것이 필요하다. 반면, 서로 다른 사람으로부터 추출된 심전도는 형태가 유사하더라도 그 사람의 특성이 반영되어 상이한 특징이 추출될 필요가 있다. 따라서, 프로세서(110)는 제 1 딥러닝 모델이 특정인의 유사 시점에 추출된 심전도 데이터를 포함하는 심전도 데이터 세트에서는 모두 유사한 특징을 추출하도록 학습시키고, 서로 다른 사람의 심전도 데이터 세트에서는 다른 특징을 추출하도록 학습시킬 수 있다. 이때, 유사 시점은 동일 시점을 기준으로 사전 결정된 오차 범위 내에 포함된 시점을 모두 포함할 수 있다.
프로세서(110)는 제 1 딥러닝 모델이 학습 과정에서 추출한 특징으로 건강 상태를 예측하기 위한 제 2 딥러닝 모델을 학습시킬 수 있다. 프로세서(110)는 제 1 딥러닝 모델이 학습 과정에서 추출한 특징을 제 2 딥러닝 모델에 입력하여, 제 2 딥러닝 모델이 건강 상태를 예측하도록 학습을 수행할 수 있다. 예를 들어, 제 2 딥러닝 모델은 제 1 딥러닝 모델이 학습 과정에서 추출한 특징을 기반으로 질환의 발생 확률, 질환의 진행 경과, 또는 질환의 악화 속도 등을 추론할 수 있다. 프로세서(110)는 제 2 딥러닝 모델을 통해 추론된 정보와 GT(ground truth)를 손실 함수를 통해 비교하여 제 2 딥러닝 모델의 신경망 파라미터를 조정할 수 있다. 상술한 추론 및 조정 과정은 제 2 딥러닝 모델이 소정의 성능을 만족할 때까지 반복 수행될 수 있다. 제 2 딥러닝 모델은 이와 같이 지도 학습을 기반으로 학습될 수 있으나, 신경망 구조에 따라 지도 학습 이외에도 비지도 학습, 자기 지도 학습 등을 기반으로 학습될 수도 있다.
이와 같이 제 2 딥러닝 모델이 심전도 데이터 자체가 아닌 제 1 딥러닝 모델로부터 추출된 특징을 기반으로 예측을 수행할 수 있으므로, 심전도 해석을 수행하는 사람이 어떠한 특징을 판단하는지를 더 명확하게 딥러닝 모델로 전달할 수 있다.
프로세서(110)는 학습된 제 1 딥러닝 모델 및 학습된 제 2 딥러닝 모델을 이용하여, 심전도 신호를 포함하는 심전도 데이터로부터 건강 상태를 예측할 수 있다. 프로세서(110)는 사전 학습된 제 1 딥러닝 모델을 기초로, 심전도 신호를 포함하는 심전도 데이터에서 특징을 추출할 수 있다. 이때, 특징은 P파, QRS 복합체, T파 등과 같이 심전도에 대한 임상적 해석의 근거가 되는 심전도 신호 파형의 특징일 수 있다. 제 1 딥러닝 모델을 통해 특징이 추출되면, 프로세서(110)는 사전 학습된 제 2 딥러닝 모델을 기초로, 심전도 특징으로부터 건강 상태에 대한 예측 정보를 추출할 수 있다. 이때, 건강 상태에 대한 예측 정보는 심전도 데이터를 측정한 대상이 질환을 앓고 있는지, 질환의 종류가 어떤 것인지, 질환의 예후가 어떠한지 혹은 질환의 악화 속도에 따라 사망 확률은 어떠한지 등과 같이 질환의 발생과 경과에 관한 정보를 포함할 수 있다.
본 개시의 일 실시예에 따른 메모리(120)는 컴퓨팅 장치(100)에서 처리되는 데이터를 저장하고 관리하기 위한 하드웨어 및/또는 소프트웨어를 포함하는 구성 단위로 이해될 수 있다. 즉, 메모리(120)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 데이터 및 네트워크부(130)가 수신한 임의의 형태의 데이터를 저장할 수 있다. 예를 들어, 메모리(120)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리, 램(RAM: random access memory), 에스램(SRAM: static random access memory), 롬(ROM: read-only memory), 이이피롬(EEPROM: electrically erasable programmable read-only memory), 피롬(PROM: programmable read-only memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 메모리(120)는 데이터를 소정의 체제로 통제하여 관리하는 데이터베이스(database) 시스템을 포함할 수도 있다. 상술한 메모리(120)의 종류는 하나의 예시일 뿐이므로, 메모리(120)의 종류는 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
메모리(120)는 프로세서(110)가 연산을 수행하는데 필요한 데이터, 데이터의 조합, 및 프로세서(110)에서 실행 가능한 프로그램 코드(code) 등을 구조화 및 조직화 하여 관리할 수 있다. 예를 들어, 메모리(120)는 후술할 네트워크부(130)를 통해 수신된 의료 데이터를 저장할 수 있다. 메모리(120)는 신경망 모델이 의료 데이터를 입력받아 학습을 수행하도록 동작시키는 프로그램 코드, 신경망 모델이 의료 데이터를 입력받아 컴퓨팅 장치(100)의 사용 목적에 맞춰 추론을 수행하도록 동작시키는 프로그램 코드, 및 프로그램 코드가 실행됨에 따라 생성된 가공 데이터 등을 저장할 수 있다.
본 개시의 일 실시예에 따른 네트워크부(130)는 임의의 형태의 공지된 유무선 통신 시스템을 통해 데이터를 송수신하는 구성 단위로 이해될 수 있다. 예를 들어, 네트워크부(130)는 근거리 통신망(LAN: local area network), 광대역 부호 분할 다중 접속(WCDMA: wideband code division multiple access), 엘티이(LTE: long term evolution), 와이브로(WiBro: wireless broadband internet), 5세대 이동통신(5G), 초광역대 무선통신(ultra wide-band), 지그비(ZigBee), 무선주파수(RF: radio frequency) 통신, 무선랜(wireless LAN), 와이파이(wireless fidelity), 근거리 무선통신(NFC: near field communication), 또는 블루투스(Bluetooth) 등과 같은 유무선 통신 시스템을 사용하여 데이터 송수신을 수행할 수 있다. 상술한 통신 시스템들은 하나의 예시일 뿐이므로, 네트워크부(130)의 데이터 송수신을 위한 유무선 통신 시스템은 상술한 예시 이외에 다양하게 적용될 수 있다.
네트워크부(130)는 임의의 시스템 혹은 임의의 클라이언트 등과의 유무선 통신을 통해, 프로세서(110)가 연산을 수행하는데 필요한 데이터를 수신할 수 있다. 또한, 네트워크부(130)는 임의의 시스템 혹은 임의의 클라이언트 등과의 유무선 통신을 통해, 프로세서(110)의 연산을 통해 생성된 데이터를 송신할 수 있다. 예를 들어, 네트워크부(130)는 병원 환경 내 데이터베이스, 의료 데이터의 표준화 등의 작업을 수행하는 클라우드 서버, 스마트 워치와 같은 클라이언트 혹은 의료 컴퓨팅 장치 등과의 통신을 통해 의료 데이터를 수신할 수 있다. 네트워크부(130)는 전술한 데이터베이스, 서버, 클라이언트 혹은 컴퓨팅 장치 등과의 통신을 통해, 신경망 모델의 출력 데이터, 및 프로세서(110)의 연산 과정에서 도출되는 중간 데이터, 가공 데이터 등을 송신할 수 있다.
도 2는 본 개시의 일 실시예에 따라 건강 상태를 예측하는 과정을 나타낸 블록도이다.
도 2를 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 심전도 데이터(10)를 제 1 딥러닝 모델(200)에 입력하여, 심전도 특징(20)을 추출할 수 있다. 예를 들어, 제 1 딥러닝 모델(200)은 심전도 신호의 피크 간 간격, 심전도 신호의 형태 등 심전도 신호에서 해석 가능한 다양한 정보를 토대로, 심전도 데이터(10)로부터 [0.5], [0.8], [0.1] 과 같은 형태로 심전도 특징(20)을 추출할 수 있다. 이때, 제 1 딥러닝 모델(200)에서 추출되는 심전도 특징(20)의 개수는 제 1 딥러닝 모델(200)의 학습 과정에서 정해질 수 있다.
한편, 제 1 딥러닝 모델(200)은 동일한 사람으로부터 유사 시점에 측정된 제 1 학습 데이터 세트로부터 유사한 특징을 추출하도록 학습되고, 상이한 사람으로부터 측정된 제 2 학습 데이터 세트로부터 상이한 특징을 추출하도록 학습될 수 있다. 이때, 제 1 학습 데이터는, 동일한 사람으로부터 유사 시점에 측정된 서로 다른 리드의 심전도 데이터, 동일한 사람으로부터 측정된 서로 다른 비트의 심전도 데이터, 혹은 동일한 사람으로부터 측정되어 기하학적 변형이 수행된 심전도 데이터 중 적어도 하나를 포함할 수 있다. 여기서 기하학적 변형이란, 심전도 데이터에 포함된 심전도 신호를 뒤집기, 좌우 전환 등의 작업을 통해 변형하는 것으로 이해될 수 있다. 예를 들어, 환자 A에게서 측정된 N유도 심전도 신호를 포함하는 제 1 학습 데이터 세트가 입력되면, 제 1 딥러닝 모델(200)은 제 1 학습 데이터 세트에 포함된 서로 다른 유도의 데이터에서 모두 유사한 특징을 추출하도록 학습될 수 있다. 환자 A와 환자 B에게서 측정된 심전도 신호를 포함하는 제 2 학습 데이터 세트가 입력되면, 제 1 딥러닝 모델(200)은 제 2 학습 데이터 세트에 포함된 환자 A의 심전도 데이터와 환자 B의 심전도 데이터가 서로 상이한 특징을 추출하도록 학습될 수 있다. 이와 같이 제 1 딥러닝 모델(200)이 특징을 추출할 때 심전도 데이터의 특성을 고려하여 수행하도록 학습되면, 특징을 기반으로 하는 건강 상태의 분석의 정확도를 더욱 높일 수 있다.
컴퓨팅 장치(100)는 제 1 딥러닝 모델(200)에서 출력된 심전도 특징(20)을 제 2 딥러닝 모델(300)에 입력하여, 심전도 데이터(10)를 측정한 대상의 건강 상태를 예측한 결과(30)를 도출할 수 있다. 이때, 건강 상태를 예측한 결과(30)는 질환의 발생 가능성을 나타내는 값 혹은 질환의 발생 여부를 분류한 값 중 적어도 하나를 포함할 수 있다. 예를 들어, 제 2 딥러닝 모델(300)은 심장 질환의 가능성을 출력하는 신경망을 통해 심전도 특징(20)을 해석하여, 심장 질환이 발생될 확률 값을 도출할 수 있다. 제 2 딥러닝 모델(300)은 심장 질환에 대한 이진 분류를 출력하는 신경망을 통해 심전도 특징(20)을 해석하여, 심장 질환의 발생 유무를 나타내는 이진 분류 값을 도출할 수 있다.
도 3은 본 개시의 일 실시예에 따른 제 1 딥러닝 모델의 구조를 나타낸 개념도이다.
도 3을 참조하면, 본 개시의 일 실시예에 따른 제 1 딥러닝 모델은 심전도 데이터로부터 임베딩 벡터를 추출하는 신경망(210), 임베딩 벡터들의 거리를 계산하기 위한 연산 함수(220)를 포함할 수 있다. 즉, 제 1 딥러닝 모델은 신경망(210)을 통해 산출된 임베딩 벡터들 간의 거리를 연산 함수(220)를 통해 계산하고, 계산된 결과를 토대로 신경망 파라미터를 조정하는 학습을 수행할 수 있다.
예를 들어, 동일한 사람으로부터 측정된 제 1 학습 데이터 세트(40)가 제 1 딥러닝 모델에 입력되면, 제 1 딥러닝 모델은 신경망(210)을 통해 유도 I의 데이터(45)로부터 제 1 임베딩 벡터(50)를 추출할 수 있다. 또한, 제 1 딥러닝 모델은 신경망(210)을 통해 유도 V1의 데이터(49)로부터 제 2 임베딩 벡터(55)를 추출할 수 있다. 즉, 신경망(210)은 제 1 학습 데이터 세트(40)에 포함된 유도 별 데이터를 각각 처리하여 임베딩 벡터를 생성할 수 있다. 제 1 딥러닝 모델은 연산 함수(220)를 이용하여 제 1 임베딩 벡터(50)와 제 2 임베딩 벡터(55) 간의 거리(60)를 산출할 수 있다. 그리고, 제 1 딥러닝 모델은 제 1 임베딩 벡터(50)와 제 2 임베딩 벡터(55) 간의 거리(60)가 가까워지도록 신경망 파라미터를 조정함으로써 학습될 수 있다.
도 3에 개시되지 않았으나, 상이한 사람인 환자 A와 B로부터 각각 측정된 데이터를 포함하는 제 2 학습 데이터 세트가 제 1 딥러닝 모델에 입력되면, 제 1 딥러닝 모델은 신경망(210)을 통해 환자 A의 데이터로부터 제 3 임베딩 벡터를 추출할 수 있다. 또한, 제 1 딥러닝 모델은 신경망(210)을 통해 환자 B의 데이터로부터 제 4 임베딩 벡터를 추출할 수 있다. 즉, 신경망(210)은 제 2 학습 데이터 세트에 포함된 사람 별 데이터를 각각 처리하여 임베딩 벡터를 생성할 수 있다. 제 1 딥러닝 모델은 연산 함수(220)를 이용하여 제 3 임베딩 벡터와 제 4 임베딩 벡터 간의 거리를 산출할 수 있다. 그리고, 제 1 딥러닝 모델은 제 3 임베딩 벡터와 제 4 임베딩 벡터 간의 거리가 멀어지도록 신경망 파라미터를 조정함으로써 학습될 수 있다.
즉, 동일한 사람으로부터 측정된 심전도 신호들을 포함하는 학습 데이터 세트의 경우, 제 1 딥러닝 모델은 연산 함수(220)를 통해 계산된 임베딩 벡터들 간의 거리가 가까워지도록 학습을 수행할 수 있다. 그리고, 서로 다른 사람으로부터 측정된 심전도 신호들을 포함하는 학습 데이터 세트의 경우, 제 1 딥러닝 모델은 연산 함수(220)를 통해 계산된 임베딩 벡터들 간의 거리가 멀어지도록 학습을 수행할 수 있다. 이를 통해 제 1 딥러닝 모델은 사람에 따라 구별되는 데이터를 정확히 식별하여 특징을 추출할 수 있다.
도 4 는 본 개시의 일 실시예에 따른 심전도를 이용한 건강 상태의 예측 방법을 나타낸 순서도이다.
도 4를 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 사전 학습된 제 1 딥러닝 모델에 심전도 데이터를 입력하여, 심전도 데이터로부터 특징을 추출할 수 있다(S100). 컴퓨팅 장치(100)가 심전도 판독을 수행하는 서버인 경우, 컴퓨팅 장치(100)는 심전도 데이터를 측정하는 장비와 통신을 통해 심전도 데이터를 획득할 수 있다. 이때, 심전도 데이터를 측정하는 장비는 병원 환경에서 사용하는 심전도 검사 장비 뿐만 아니라 심전도 측정이 가능한 웨어러블 디바이스를 포함할 수 있다. 컴퓨팅 장치(100)가 심전도 데이터를 측정하기 위한 측정부를 구비하는 장비일 경우, 컴퓨팅 장치(100)는 측정부를 통해 획득된 심전도 신호를 기초로 심전도 데이터를 생성할 수 있다.
컴퓨팅 장치(100)는 사전 학습된 제 2 딥러닝 모델에 S100 단계를 통해 추출된 특징을 입력하여, 심전도 데이터를 측정한 대상의 건강 상태를 예측할 수 있다(S200). 컴퓨팅 장치(100)가 심전도 판독을 수행하는 서버인 경우, 컴퓨팅 장치(100)는 건강 상태를 예측한 결과를 리포트 형태로 구성하여, 리포트를 열람하고자 하는 클라이언트에 공유할 수 있다. 컴퓨팅 장치(100)가 디스플레이부를 포함하는 클라이언트인 경우, 컴퓨팅 장치(100)는 건강 상태를 예측한 결과를 리포트 형태로 구성하여, 디스플레이부를 통해 출력할 수 있다.
앞서 설명된 본 개시의 다양한 실시예는 추가 실시예와 결합될 수 있고, 상술한 상세한 설명에 비추어 당업자가 이해 가능한 범주에서 변경될 수 있다. 본 개시의 실시예들은 모든 면에서 예시적인 것이며, 한정적이 아닌 것으로 이해되어야 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성요소들도 결합된 형태로 실시될 수 있다. 따라서, 본 개시의 특허청구범위의 의미, 범위 및 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 개시의 범위에 포함되는 것으로 해석되어야 한다.
Claims (7)
- 적어도 하나의 프로세서(processor)를 포함하는 컴퓨팅 장치에 의해 수행되는, 심전도를 이용한 건강 상태의 예측 방법으로서,
사전 학습된 제 1 딥러닝 모델에 심전도 데이터를 입력하여, 상기 심전도 데이터로부터 특징을 추출하는 단계; 및
사전 학습된 제 2 딥러닝 모델에 상기 추출된 특징을 입력하여, 상기 심전도 데이터를 측정한 대상의 건강 상태를 예측하는 단계;
를 포함하되,
상기 제 1 딥러닝 모델은,
동일한 사람으로부터 유사 시점에 측정된 제 1 학습 데이터 세트로부터 유사한 특징을 추출하도록 학습되고, 상이한 사람으로부터 측정된 제 2 학습 데이터 세트로부터 상이한 특징을 추출하도록 학습되는,
방법.
- 제 1 항에 있어서,
상기 제 1 학습 데이터는,
상기 동일한 사람으로부터 측정된 서로 다른 리드의 심전도 데이터;
상기 동일한 사람으로부터 측정된 서로 다른 비트의 심전도 데이터; 혹은
상기 동일한 사람으로부터 측정되어 기하학적 변형이 수행된 심전도 데이터 중 적어도 하나를 포함하는,
방법.
- 제 1 항에 있어서,
상기 제 1 딥러닝 모델은,
상기 제 1 학습 데이터 세트로부터 제 1 임베딩 벡터들을 추출하고, 상기 추출된 제 1 임베딩 벡터들의 거리를 계산하며, 상기 제 1 임베딩 벡터들의 거리가 가까워지도록 신경망 파라미터를 조정함으로써 학습되는,
방법.
- 제 1 항에 있어서,
상기 제 1 딥러닝 모델은,
상기 제 2 학습 데이터 세트로부터 제 2 임베딩 벡터들을 추출하고, 상기 추출된 제 2 임베딩 벡터들의 거리를 계산하며, 상기 제 2 임베딩 벡터들의 거리가 멀어지도록 신경망 파라미터를 조정함으로써 학습되는,
방법.
- 제 1 항에 있어서,
상기 제 2 딥러닝 모델은,
상기 추출된 특징을 입력 받아 질환의 가능성을 출력하는 신경망; 혹은
상기 추출된 특징을 입력 받아 질환에 대한 이진 분류를 출력하는 신경망;
을 포함하는,
방법.
- 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램(program)으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서(processor)에서 실행되는 경우, 심전도를 이용한 건강 상태의 예측을 위한 동작들을 수행하도록 하며,
상기 동작들은,
사전 학습된 제 1 딥러닝 모델에 심전도 데이터를 입력하여, 상기 심전도 데이터로부터 특징을 추출하는 동작; 및
사전 학습된 제 2 딥러닝 모델에 상기 추출된 특징을 입력하여, 상기 심전도 데이터를 측정한 대상의 건강 상태를 예측하는 동작;
을 포함하되,
상기 제 1 딥러닝 모델은,
동일한 사람으로부터 유사 시점에 측정된 제 1 학습 데이터 세트로부터 유사한 특징을 추출하도록 학습되고, 상이한 사람으로부터 측정된 제 2 학습 데이터 세트로부터 상이한 특징을 추출하도록 학습되는,
컴퓨터 프로그램.
- 심전도를 이용한 건강 상태의 예측을 위한 컴퓨팅 장치로서,
적어도 하나의 코어(core)를 포함하는 프로세서(processor);
상기 프로세서에서 실행 가능한 프로그램 코드(code)들을 포함하는 메모리(memory); 및
심전도 데이터를 획득하기 위한 네트워크부(network unit);
를 포함하고,
상기 프로세서는,
사전 학습된 제 1 딥러닝 모델에 상기 심전도 데이터를 입력하여, 상기 심전도 데이터로부터 특징을 추출하고,
사전 학습된 제 2 딥러닝 모델에 상기 추출된 특징을 입력하여, 상기 심전도 데이터를 측정한 대상의 건강 상태를 예측하되,
상기 제 1 딥러닝 모델은,
동일한 사람으로부터 유사 시점에 측정된 제 1 학습 데이터 세트로부터 유사한 특징을 추출하도록 학습되고, 상이한 사람으로부터 측정된 제 2 학습 데이터 세트로부터 상이한 특징을 추출하도록 학습되는,
장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/KR2023/010404 WO2024019523A1 (ko) | 2022-07-22 | 2023-07-19 | 심전도를 이용한 건강 상태의 예측 방법, 프로그램 및 장치 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20220090765 | 2022-07-22 | ||
| KR1020220090765 | 2022-07-22 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240013674A true KR20240013674A (ko) | 2024-01-30 |
Family
ID=89715494
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230093007A KR20240013674A (ko) | 2022-07-22 | 2023-07-18 | 심전도를 이용한 건강 상태의 예측 방법, 프로그램및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20240013674A (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101410989B1 (ko) | 2013-01-02 | 2014-06-25 | (주) 태웅메디칼 | 장시간 심전도획득 및 스트레스 분석방법 |
-
2023
- 2023-07-18 KR KR1020230093007A patent/KR20240013674A/ko unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101410989B1 (ko) | 2013-01-02 | 2014-06-25 | (주) 태웅메디칼 | 장시간 심전도획득 및 스트레스 분석방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102197112B1 (ko) | 시계열 생체 신호 기반의 인공신경망 모델 학습 컴퓨터 프로그램 및 방법 | |
| CN111194468A (zh) | 利用移动装置持续监测用户健康 | |
| KR102208759B1 (ko) | 생체 신호에 기반하여 건강상태 및 병리증상을 진단하기 위한 딥러닝 모델 생성방법 | |
| JP2020004126A (ja) | ヘルスケアデータ分析システム、ヘルスケアデータ分析方法、ヘルスケアデータ分析プログラム、学習済みモデル、情報処理装置、情報処理方法および情報処理プログラム | |
| KR20230044124A (ko) | 설명 가능한 인공지능에 기반한 의료 데이터의 해석 방법, 프로그램 및 장치 | |
| KR20240013674A (ko) | 심전도를 이용한 건강 상태의 예측 방법, 프로그램및 장치 | |
| WO2024019523A1 (ko) | 심전도를 이용한 건강 상태의 예측 방법, 프로그램 및 장치 | |
| KR102208760B1 (ko) | 생체 신호에 기반하여 건강상태 및 병리증상을 진단하기 위한 영상 데이터 생성방법 | |
| US20220391760A1 (en) | Combining model outputs into a combined model output | |
| Bharathi et al. | Energy Aware Clustering with Medical Data Classification Model in IoT Environment. | |
| KR20230043320A (ko) | 심박변이도 특징 값을 추출하기 위한 방법 | |
| KR20240013675A (ko) | 심전도를 이용한 건강 상태의 예측 방법, 프로그램및 장치 | |
| US11289202B2 (en) | Method and system to improve clinical workflow | |
| KR20240013673A (ko) | 심전도 세그먼트를 이용한 건강 상태의 예측 방법,프로그램 및 장치 | |
| Christal et al. | Heart diseases diagnosis using chaotic Harris Hawk optimization with E-CNN for IoMT framework | |
| WO2024019500A1 (ko) | 심전도 세그먼트를 이용한 건강 상태의 예측 방법, 프로그램 및 장치 | |
| WO2024019575A1 (ko) | 심전도를 이용한 건강 상태의 예측 방법, 프로그램 및 장치 | |
| Hayyolalam et al. | A Hybrid Edge-assisted Machine Learning Approach for Detecting Heart Disease | |
| KR20240013676A (ko) | 심전도를 이용한 심근경색 진단 방법, 프로그램 및장치 | |
| KR20240017320A (ko) | 심전도 판독 서비스의 과금 방법, 프로그램 및 장치 | |
| KR20240009891A (ko) | 단기 측정된 심장 신호를 기반으로 장기 심박 변이도를생성하는 방법, 프로그램 및 장치 | |
| KR20240009883A (ko) | 심전도 기반 신경망 모델의 학습 방법, 프로그램 및장치 | |
| WO2024014888A1 (ko) | 단기 측정된 심장 신호를 기반으로 장기 심박 변이도를 생성하는 방법, 프로그램 및 장치 | |
| CN117999031A (zh) | 以可解释人工智能为基础的医疗数据的解析方法、程序及装置 | |
| KR102592762B1 (ko) | 합성곱 신경망 기반의 덴스넷을 통한 부정맥 분류 방법 |