KR20240013675A - 심전도를 이용한 건강 상태의 예측 방법, 프로그램및 장치 - Google Patents
심전도를 이용한 건강 상태의 예측 방법, 프로그램및 장치 Download PDFInfo
- Publication number
- KR20240013675A KR20240013675A KR1020230093176A KR20230093176A KR20240013675A KR 20240013675 A KR20240013675 A KR 20240013675A KR 1020230093176 A KR1020230093176 A KR 1020230093176A KR 20230093176 A KR20230093176 A KR 20230093176A KR 20240013675 A KR20240013675 A KR 20240013675A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- cardiac arrest
- time
- electrocardiogram
- ecg
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000000605 extraction Methods 0.000 title 1
- 208000010496 Heart Arrest Diseases 0.000 claims abstract description 190
- 230000003862 health status Effects 0.000 claims abstract description 32
- 238000002372 labelling Methods 0.000 claims abstract description 18
- 238000013136 deep learning model Methods 0.000 claims description 44
- 238000001914 filtration Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 6
- 238000002565 electrocardiography Methods 0.000 description 90
- 238000004891 communication Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 14
- 239000000284 extract Substances 0.000 description 10
- 238000013473 artificial intelligence Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000009795 derivation Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 208000019622 heart disease Diseases 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
- 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
- 238000012360 testing method Methods 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
- A61B5/7221—Determining signal validity, reliability or quality
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
-
- 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)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Signal Processing (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (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, 심전도 데이터, 및 상기 심전도 데이터를 측정한 대상의 심정지 발생 여부와 심정지 발생 시간을 포함하는 심정지 데이터를 획득하는 단계; 상기 심전도 데이터의 결측치 혹은 상기 심정지 데이터를 분석하여, 상기 심전도 데이터로부터 유효 데이터를 추출하는 단계; 및 상기 추출된 유효 데이터에 심정지 발생 여부 및 심정지 발생 시간을 기준으로 라벨링을 수행하여, 학습 데이터를 생성하는 단계를 포함할 수 있다.
Description
본 개시의 내용은 의료 분야의 인공지능 기술에 관한 것으로, 구체적으로 심정지 상태를 반영하여 심전도 데이터를 필터링 한 결과를 토대로 인공지능 모델을 학습시키고, 학습된 모델로 건강 상태를 예측하는 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 기반으로 건강 상태를 예측하려는 시도들이 늘어나고 있다. 인공지능 기술이 도입됨에 따라 가장 중요해지는 부분은 인공지능 학습에 필요한 적절한 데이터를 확보하는 것이다. 심전도는 심장 활동을 기록하는 것이기 때문에, 심정지가 심전도의 판독에 중요한 영향을 미치는데, 대부분의 종래 기술들은 인공지능 학습을 위해 확보된 데이터에 심정지 발생 및 현황을 반영하지 않는 경우가 많다.
본 개시는 심정지 상태를 반영하여 심전도 데이터를 필터링 한 결과를 토대로 인공지능 모델을 학습시키고, 학습된 모델로 건강 상태를 예측하는 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, 심전도 데이터, 및 상기 심전도 데이터를 측정한 대상의 심정지 발생 여부와 심정지 발생 시간을 포함하는 심정지 데이터를 획득하는 단계; 상기 심전도 데이터의 결측치 혹은 상기 심정지 데이터를 분석하여, 상기 심전도 데이터로부터 유효 데이터를 추출하는 단계; 및 상기 추출된 유효 데이터에 심정지 발생 여부 및 심정지 발생 시간을 기준으로 라벨링을 수행하여, 학습 데이터를 생성하는 단계를 포함할 수 있다.
대안적으로, 상기 심전도 데이터의 결측치 혹은 상기 심정지 데이터를 분석하여, 상기 심전도 데이터로부터 유효 데이터를 추출하는 단계는, 상기 심정지 데이터에 기록된 심정지 발생 시간 및 심정지에 관한 임상적 근거를 분석하여, 상기 심전도 데이터를 필터링 하기 위한 컷오프 시간을 결정하는 단계; 및 상기 획득된 심전도 데이터 중에서 상기 컷오프 시간 내 심정지가 발생한 대상의 심전도 데이터를 필터링 하여, 유효 데이터를 추출하는 단계를 포함할 수 있다.
대안적으로, 상기 심정지 데이터에 포함된 심정지 발생 시간 및 심정지에 관한 임상적 근거를 분석하여, 상기 심전도 데이터를 필터링 하기 위한 컷오프 시간을 결정하는 단계는, 심정지가 발생하기 이전 나타나는 심전도의 변화 양상에 대한 임상적 판단을 토대로 산출된 제 1 후보 시간, 심정지 발생이 예측됐을 때 심정지를 막기 위한 처치가 가능한 시간이라고 임상적으로 판단된 제 2 후보 시간, 또는 상기 심정지 데이터에 기록된 심정지 발생 시간과 상기 심전도 데이터를 측정한 대상의 실제 심정지 발생 시간 간의 오차에 대응되는 제 3 후보 시간 중에서 어느 하나를 컷오프 시간으로 결정하는 단계를 포함할 수 있다.
대안적으로, 상기 컷오프 시간은, 상기 제 1 후보 시간, 상기 제 2 후보 시간, 또는 상기 제 3 후보 시간 중 가장 큰 값으로 결정될 수 있다.
대안적으로, 상기 추출된 유효 데이터에 심정지 발생 여부 및 심정지 발생 시간을 기준으로 라벨링을 수행하여, 학습 데이터를 생성하는 단계는, 상기 유효 데이터에서 상기 컷오프 시간 이후 기 설정된 시간 내에 심정지가 발생한 대상의 데이터는 심정지 그룹으로 라벨링 하고, 상기 유효 데이터에서 상기 컷오프 시간 이후 기 설정된 시간 내에 심정지가 발생하지 않았거나사망하지 않은 대상의 데이터는 정상 그룹으로 라벨링 하는 단계를 포함할 수 있다.
대안적으로, 상기 심전도 데이터의 결측치 혹은 상기 심정지 데이터를 분석하여, 상기 심전도 데이터로부터 유효 데이터를 추출하는 단계는, 상기 심전도 데이터의 N유도 중 1개 이상의 유도 자체가 결측된 경우, 상기 N 유도 중 1개 이상의 유도 자체가 결측된 심전도 데이터를 상기 유효 데이터에서 배제하는 단계를 포함할 수 있다.
대안적으로, 상기 심전도 데이터의 결측치 혹은 상기 심정지 데이터를 분석하여, 상기 심전도 데이터로부터 유효 데이터를 추출하는 단계는, 상기 심전도 데이터의 N 유도 중에서 소정의 시간 이상 결측치가 존재하는 유도가 존재하는 경우, 상기 N 유도 중에서 소정의 시간 이상 결측치가 존재하는 유도가 존재하는 심전도 데이터를 상기 유효 데이터에서 배제하는 단계를 포함할 수 있다.
대안적으로, 상기 방법은, 상기 학습 데이터를 딥러닝 모델에 입력하여 상기 딥러닝 모델이 심정지가 발생할 가능성을 산출하도록, 상기 딥러닝 모델을 학습시키는 단계를 더 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 심전도를 이용한 건강 상태의 예측 방법이 개시된다. 상기 방법은, 제 1 심전도 데이터를 획득하는 단계; 사전 학습된 딥러닝 모델에 상기 제 1 심전도 데이터를 입력하여, 상기 심전도 데이터를 측정한 대상의 건강 상태를 예측하는 단계를 포함할 수 있다. 이때, 딥러닝 모델은, 제 2 심전도 데이터로부터 추출된 유효 데이터에 심정지 발생 여부 및 심정지 발생 시간을 기준으로 라벨링을 수행하여 생성된 학습 데이터를 기초로 학습될 수 있다. 그리고, 상기 유효 데이터는, 상기 제 2 심전도 데이터의 결측치 혹은 상기 제 2 심전도 데이터를 측정한 대상의 심정지 발생 여부와 심정지 발생 시간을 포함하는 심정지 데이터를 분석한 결과를 토대로, 상기 제 2 심전도 데이터로부터 추출될 수 있다.
대안적으로, 상기 사전 학습된 딥러닝 모델에 상기 제 1 심전도를 입력하여 도출된 예측 결과는, 상기 심전도 데이터를 측정한 대상의 건강 상태를 나타내는 스코어 값을 포함할 수 있다. 그리고, 상기 스코어 값은 제 1 임계 값에 가까울수록 건강한 상태임을 나타내고, 제 2 임계 값에 가까울수록 건강하지 않은 상태임을 나타낼 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 이용하여 건강 상태를 예측하기 위한 동작들을 수행하도록 한다. 이때, 상기 동작들은, 심전도 데이터, 및 상기 심전도 데이터를 측정한 대상의 심정지 발생 여부와 심정지 발생 시간을 포함하는 심정지 데이터를 획득하는 동작; 상기 심전도 데이터의 결측치 혹은 상기 심정지 데이터를 분석하여, 상기 심전도 데이터로부터 유효 데이터를 추출하는 동작; 및 상기 추출된 유효 데이터에 심정지 발생 여부 및 심정지 발생 시간을 기준으로 라벨링을 수행하여, 학습 데이터를 생성하는 동작을 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라, 심전도를 이용하여 건강 상태를 예측하기 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 데이터, 및 상기 심전도 데이터를 측정한 대상의 심정지 발생 여부와 심정지 발생 시간을 포함하는 심정지 데이터를 획득하기 위한 네트워크부(network unit)를 포함할 수 있다. 이때, 상기 프로세서는, 상기 심전도 데이터의 결측치 혹은 상기 심정지 데이터를 분석하여, 상기 심전도 데이터로부터 유효 데이터를 추출하고, 상기 추출된 유효 데이터에 심정지 발생 여부 및 심정지 발생 시간을 기준으로 라벨링을 수행하여, 학습 데이터를 생성할 수 있다.
본 개시는, 심정지 상태를 반영하여 심전도 데이터를 필터링 한 결과를 토대로 인공지능 모델을 학습시키고, 학습된 모델로 건강 상태를 예측하는 방법을 제공할 수 있다.
도 1은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록도이다.
도 2는 본 개시의 일 실시예에 따른 심전도 데이터에서 유효 데이터를 추출하는 과정을 나타낸 블록도이다.
도 3은 본 개시의 일 실시예에 따른 유효 데이터를 기초로 딥러닝 모델을 학습시키는 과정을 나타낸 블록도이다.
도 4는 본 개시의 일 실시예에 따른 심전도를 이용한 건강 상태의 예측 방법을 나타낸 순서도이다.
도 5는 본 개시의 대안적 실시예에 따른 심전도를 이용한 건강 상태의 예측 방법을 나타낸 순서도이다.
도 2는 본 개시의 일 실시예에 따른 심전도 데이터에서 유효 데이터를 추출하는 과정을 나타낸 블록도이다.
도 3은 본 개시의 일 실시예에 따른 유효 데이터를 기초로 딥러닝 모델을 학습시키는 과정을 나타낸 블록도이다.
도 4는 본 개시의 일 실시예에 따른 심전도를 이용한 건강 상태의 예측 방법을 나타낸 순서도이다.
도 5는 본 개시의 대안적 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 데이터와 심전도 데이터를 측정한 대상의 심정지 데이터를 기초로, 심전도 데이터를 필터링할 수 있다. 프로세서(110)는 심전도 데이터와 그에 대응되는 심정지 데이터를 분석하여, 심전도 데이터에서 학습에 사용될 수 있는 유효 데이터를 추출할 수 있다. 예를 들어, 프로세서(110)는 심정지 데이터에 포함된 심정지 발생 여부와 심정지 발생 시간 등을 분석해서, 심전도 데이터에서 학습 효용성이 적고 예측 결과에 따른 대응이 어려운 데이터를 필터링할 수 있다. 프로세서(110)는 심전도 데이터에 결측치가 어느 정도 존재하는지를 분석하여, 심전도 데이터에서 학습에 영향이 없거나 오히려 악영향을 줄 수 있는 데이터를 필터링할 수 있다. 이와 같이 프로세서(110)는 심정지에 관한 정보나 심전도 데이터 자체의 결측에 관한 정보를 토대로 심전도 데이터를 필터링하여 학습에 사용될 수 있는 유효 데이터를 선별할 수 있다.
프로세서(110)는 필터링 된 심전도 데이터를 기초로 건강 상태의 예측을 수행하는 딥러닝 모델의 학습 데이터를 생성할 수 있다. 프로세서(110)는 심전도 데이터에서 추출된 유효 데이터에 라벨링을 수행하고, 라벨링 된 유효 데이터를 이용하여 학습 데이터를 생성할 수 있다. 예를 들어, 프로세서(110)는 유효 데이터에 대응되는 심정지 데이터에 포함된 정보를 기준으로 유효 데이터를 라벨링 할 수 있다. 프로세서(110)는 심정지 발생 여부 및 심정지 발생 시간 등 심정지 데이터에 포함된 정보를 유효 데이터에 라벨링 할 수 있다. 프로세서(110)는 이와 같이 라벨링 된 유효 데이터를 심정지의 발생을 예측하는 모델의 학습 데이터로 결정할 수 있다.
프로세서(110)는 생성된 학습 데이터를 기초로, 심전도를 이용하여 건강 상태를 예측하는 딥러닝 모델을 학습시킬 수 있다. 학습 데이터는 입력인 심전도 데이터와 라벨을 포함하므로, 딥러닝 모델이 학습 데이터에 포함된 입력을 기초로 건강 상태에 대한 예측 결과를 출력하면, 프로세서(110)는 출력과 라벨을 비교하여 딥러닝 모델에 포함된 신경망 파라미터를 조정할 수 있다. 프로세서(110)는 출력과 라벨의 오차가 최소가 되도록 신경망 파라미터의 조정 과정을 반복 수행하여 딥러닝 모델을 학습시킬 수 있다. 이때, 딥러닝 모델은 심전도에서 특징을 추출하는 신경망 및 추출된 특징을 기초로 건강 상태에 대한 예측 값을 산출하는 신경망을 포함할 수 있다. 예를 들어, 프로세서(110)는 심정지에 관한 정보가 라벨링 된 유효 데이터를 딥러닝 모델에 입력하여 심정지 발생 가능성(또는 사망 가능성)에 대한 확률 값을 0 내지 100 사이의 스코어 형태로 출력할 수 있다. 프로세서(110)는 딥러닝 모델을 통해 출력된 스코어와 라벨을 입력 변수로 하는 손실 함수로 오차를 계산하고, 오차가 감소하는 방향으로 딥러닝 모델에 포함된 신경망 파라미터를 조정할 수 있다. 프로세서(110)는 이러한 과정을 반복 수행하여 딥러닝 모델이 심정지 발생을 예측하도록 학습시킬 수 있다.
프로세서(110)는 학습된 딥러닝 모델을 이용하여, 새롭게 획득된 심전도 데이터를 기초로 심전도 데이터를 측정한 대상의 건강 상태를 예측할 수 있다. 프로세서(110)는 심전도 데이터를 학습된 딥러닝 모델에 입력하여, 심전도 데이터를 측정한 대상의 건강 상태를 예측한 결과를 산출할 수 있다. 이때, 건강 상태를 예측한 결과는 심전도 데이터를 측정한 대상의 사망 가능성이 어떻게 되는지 등과 같이 전체적으로 건강이 얼만큼 악화된 상태인지를 표현한 점수를 포함할 수 있다. 예를 들어, 프로세서(110)는 새롭게 획득된 심전도 데이터를 학습이 완료된 딥러닝 모델에 입력하여, 심정지 발생 가능성(또는 사망 가능성)에 대한 확률 값을 0 내지 100 사이의 스코어 형태로 출력할 수 있다. 이때, 0은 사망 가능성이 매우 낮은 건강한 상태를 의미하고, 100은 사망 가능성이 가장 높은 위험한 상태임을 의미하는 것으로 이해될 수 있다. 즉, 프로세서(110)는 학습이 완료된 딥러닝 모델을 활용하여, 심전도 데이터로부터 사람의 전체적인 건강 상태가 어떠한지를 직관적으로 이해할 수 있는 스코어를 산출할 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 따른 심전도 데이터에서 유효 데이터를 추출하는 과정을 나타낸 블록도이다.
도 2를 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 심전도 데이터(10)와 심정지 데이터(20)를 분석하여, 심전도 데이터(10)로부터 유효 데이터(40)를 추출할 수 있다. 구체적으로, 컴퓨터 장치(100)는 심정지 데이터(20)에 기록된 심정지 발생 시간과 심정지에 관한 임상적 근거를 분석하여, 심전도 데이터를 필터링 하기 위한 컷오프 시간(39)을 결정할 수 있다. 그리고, 컴퓨팅 장치(100)는 심전도 데이터(10)에서 컷오프 시간(39) 내 심정지가 발생한 대상의 심전도 데이터를 필터링 해서, 심전도 데이터(10)로부터 유효 데이터(40)로 추출할 수 있다. 즉, 컴퓨팅 장치(100)는 심정지에 관한 정보를 토대로 컷오프 시간(39)을 산출하여, 컷오프 시간(39) 이후 기 설정된 시간 내에 심정지가 발생한 대상의 데이터를 유효 데이터(40)로 추출할 수 있다. 사망에 이른 시점 이전에 심전도 신호는 변화의 폭이 크고, 사망 시점에 가까운 예측은 분석의 효용성이 크지 않다. 따라서, 컴퓨팅 장치(100)는 심정지 발생 시간과 관련된 컷오프 시간(39)을 토대로, 심전도 데이터(10)로부터 유효 데이터(40)를 선별하여 건강 상태의 예측을 위한 분석 가치가 있는 데이터를 마련할 수 있다.
예를 들어, 컴퓨팅 장치(100)는 심정지 데이터(20)에 기록된 심정지 발생 시간과 심정지에 관한 임상적 근거를 분석하여, 컷오프 시간(39)을 도출하기 위한 후보 시간들을 산출할 수 있다. 후보 시간들은 심정지가 발생하기 이전 나타나는 심전도의 변화 양상에 대한 임상적 판단을 토대로 산출된 제 1 후보 시간(31), 심정지 발생이 예측됐을 때 심정지를 막기 위한 처치가 가능한 시간이라고 임상적으로 판단된 제 2 후보 시간(33), 및 심정지 데이터에 기록된 심정지 발생 시간과 심전도 데이터를 측정한 대상의 실제 심정지 발생 시간 간의 오차에 대응되는 제 3 후보 시간(35)을 포함할 수 있다.
컴퓨팅 장치(100)는 심정지가 발생할 확률이 높아져 변화가 크고 딥러닝 모델을 통한 분석의 정확도도 낮을 것으로 판단되는 N분을 제 1 후보 시간(31)으로 산출할 수 있다. 심정지가 발생하기 N분 전부터 심정지 발생까지 N분 동안 측정한 심전도는 일반적으로 건강한 상태보다 변화의 폭이 클 수 있다. 또한. 해당 부분은 딥러닝 모델을 통해 분석을 수행하더라도 심정지 발생 가능성에 대한 분석 결과의 정확도가 낮은 경향을 보일 수 있다. 따라서, 컴퓨팅 장치(100)는 심정지에 관한 임상적 판단을 근거로 심전도의 변화의 양상이 가장 크게 발생하기 시작할 것으로 추정되는 시간을 제 1 후보 시간(31)으로 산출할 수 있다.
컴퓨팅 장치(100)는 심정지가 발생할 것이라고 예측된 시간 이전에 심정지를 막기 위한 처치가 가능하다고 판단되는 시간인 M분을 제 2 후보 시간(33)으로 산출할 수 있다. 딥러닝 모델이 M분보다 짧은 시간을 심정지 발생 예상 시간으로 예측하더라도, 심정지를 막기 위한 처치가 불가능할 정도로 짧은 시간이라면 심정지를 사전에 예방하기 위한 목적으로 수행되는 예측 자체의 의미가 없어지기 때문이다. 따라서, 컴퓨팅 장치(100)는 심정지를 막기 위한 처치가 가능하다고 판단된 임상적 시간을 제 2 후보 시간(33)으로 산출할 수 있다. 이때, 심정지를 막기 위한 처치가 가능하다고 판단되는 시간은 심정지 데이터에 포함된 개인 정보와 심정지에 관한 임상적 근거를 기반으로 결정될 수 있다. 컴퓨팅 장치(100)는 개인 정보에 포함된 측정자의 나이, 성별 등을 고려하여, 임상적으로 심정지 발생이 예측된 시점으로부터 몇 분 이내에 처치가 이루어져야 심정지를 막을 수 있을지를 분석할 수 있다. 그리고, 컴퓨팅 장치(100)는 분석 결과로 도출된 시간을 제 2 후보 시간(33)으로 결정할 수 있다.
컴퓨팅 장치(100)는 실제로 심정지가 발생한 시간과 의료진 등에 의해 심정지 데이터 상에 기록된 시간 간의 오차인 L분을 제 2 후보 시간(35)으로 산출할 수 있다. 이때, 실제로 심정지가 발생한 시간은 심전도 데이터를 토대로 판단될 수 있다. 심전도 신호는 심장 활동을 나타내므로, 컴퓨팅 장치(100)는 심전도 데이터에 포함된 심전도 신호가 변화하지 않는 시간을 실제 심정지가 발생한 시간으로 판단할 수 있다. 심정지가 발생한 환자의 심장이 실제로 12시 24분에 멈추었더라도, 의료진은 주관적 판단에 따라 심정지가 12시 30분에 발생했다고 기록할 가능성이 존재한다. 이러한 경우, 12시 26분 이후에 측정된 심전도는 심정지가 온 이후에 찍은 심전도임에도 불구하고, 심정지 데이터와 연계해서 살펴보면 심정지가 오기 4분 전에 측정된 심전도로 잘못 분석될 가능성이 높다. 따라서, 이러한 오차에 따른 오분석을 막기 위해서, 컴퓨팅 장치(100)는 실제 심정지 발생 시간과 심정지 데이터에 포함된 심정지 발생 시간 간의 오차를 제 3 후보 시간(35)으로 결정할 수 있다.
컴퓨팅 장치(100)는 심정지가 발생하기 전에 분석의 효용성이 적은 시간인 컷오프 시간(39)을 결정하기 위해, 제 1 후보 시간(31), 제 2 후보 시간(33) 및 제 3 후보 시간(35)의 크기를 비교할 수 있다. 그리고, 컴퓨팅 장치(100)는 비교 결과에 따라 제 1 후보 시간(31), 제 2 후보 시간(33), 또는 제 3 후보 시간(35) 중에서 가장 큰 값을 컷오프 시간(39)으로 결정할 수 있다. 예를 들어, 제 1 후보 시간(31)인 N분, 제 2 후보 시간(33)인 M분, 또는 제 3 후보 시간(35)인 L분은 중에서 가장 큰 값은 나머지 시간을 포함할 수 있다. 따라서, 컴퓨팅 장치(100)는 후보 시간들(31, 33, 35) 중에서 나머지 시간을 포함하는 가장 큰 값을 컷오프 시간(39)인 T분으로 결정할 수 있다.
컴퓨팅 장치(100)는 심전도 데이터(10) 중에서 컷오프 시간(39) 이내 데이터는 배제하고, 나머지 데이터를 유효 데이터(40)로 추출할 수 있다. 예를 들어, 컷오프 시간(39)이 T분으로 결정되면, 컴퓨팅 장치(100)는 심전도 데이터(10) 중에서 T분 내 데이터는 학습 효용성이 낮은 데이터로 판단할 수 있다. 컴퓨팅 장치(100)는 심전도 데이터(10) 중에서 T분 이후 데이터는 학습 효용성이 높은 데이터로 판단할 수 있다. 또한, 컴퓨팅 장치(100)는 심전도 데이터(10) 중에서 심정지가 발생하지 않은 대상의 데이터를 학습 효용성이 높은 데이터로 판단할 수 있다. 그리고, 컴퓨팅 장치(100)는 심전도 데이터(10) 중에서 학습 효용성이 높은 데이터를 유효 데이터(40)로 결정할 수 있다.
한편, 도 2에는 개시되지 않았으나, 컴퓨팅 장치(100)는 심전도 데이터(10)의 결측치를 분석하여 심전도 데이터(10)로부터 유효 데이터(40)를 추출할 수도 있다. 컴퓨팅 장치(100)는 심전도 데이터(10)에 포함된 심전도 신호의 유도 자체 혹은 측정 시간을 기준으로 결측치가 얼만큼 존재하는지를 분석할 수 있다. 그리고, 컴퓨팅 장치(100)는 분석 결과를 토대로 심전도 데이터(10)를 필터링 하여 유효 데이터(40)를 생성할 수 있다. 예를 들어, 심전도 데이터(10)의 N유도 중 1개 이상의 유도 자체가 결측된 경우, 컴퓨팅 장치(100)는 N 유도 중 1개 이상의 유도 자체가 결측된 심전도 데이터를 유효 데이터(40)에서 배제할 수 있다. 심전도 데이터(10)의 N 유도 중에서 소정의 시간 이상 결측치가 존재하는 유도가 존재하는 경우, 컴퓨팅 장치(100)는 N 유도 중에서 소정의 시간 이상 결측치가 존재하는 유도가 존재하는 심전도 데이터를 유효 데이터(40)에서 배제할 수 있다. 즉, 컴퓨팅 장치(100)는 N 유도 중에서 1개 이상의 유도 자체 혹은 일부가 결측된 데이터는 유효 데이터(40)에서 배제할 수 있다.
컴퓨팅 장치(100)는 사용자 입력에 따라 컷오프 시간(39)에 기반한 유효 데이터(40)의 생성 방식 혹은 심전도 데이터(10)의 결측치에 기반한 유효 데이터(40)의 생성 방식 중 적어도 하나를 사용할 수 있다. 예를 들어, 학습 데이터를 생성하고자 하는 사용자가 순도 높은 학습 데이터를 생성하고자 하는 경우, 컴퓨팅 장치(100)는 사용자의 의도에 따른 입력에 맞춰 컷오프 시간(39)에 기반한 유효 데이터(40)의 생성 방식과 심전도 데이터(10)의 결측치에 기반한 유효 데이터(40)의 생성 방식을 모두 사용하여 유효 데이터(40)를 생성할 수 있다.
도 3은 본 개시의 일 실시예에 따른 유효 데이터를 기초로 딥러닝 모델을 학습시키는 과정을 나타낸 블록도이다.
도 2 및 도 3을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 상술한 도 2를 통해 산출된 유효 데이터(40)에 대한 라벨링을 수행하여, 학습 데이터(50)를 생성할 수 있다. 컴퓨팅 장치(100)는 유효 데이터(40)에 심정지 발생 여부 및 심정지 발생 시간을 기준으로 라벨링을 수행하여, 학습 데이터(50)를 생성할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 유효 데이터(40)에서 컷오프 시간(39) 이후 24시간 이내에 심정지가 발생한 대상의 데이터는 심정지 그룹으로 라벨링 할 수 있다. 그리고, 컴퓨팅 장치(100)는 유효 데이터(40)에서 컷오프 시간(39) 이후 24시간 이내에 심정지가 발생하지 않았거나사망하지 않은 대상의 데이터는 정상 그룹으로 라벨링 할 수 있다. 즉, 컴퓨팅 장치(100)는 심정지 발생 시간이 컷오프(39) 이후 24시간을 초과하는 데이터는 학습 과정에서 모델의 예측 오차를 줄이기 위해서 어느 그룹에도 분류하지 않을 수 있다. 한편, 상술한 24시간이라는 수치는 하나의 예시일 뿐이며, 컴퓨팅 장치(100)는 사용자 입력에 따라 다양하게 해당 시간을 설정할 수 있다.
컴퓨팅 장치(100)는 라벨링이 완료되어 생성된 학습 데이터(50)를 기초로, 딥러닝 모델(200)의 학습을 수행할 수 있다. 이때, 딥러닝 모델(200)은 심전도 데이터를 입력받은 시점으로부터 24시간 이내 심정지가 발생할 가능성을 산출하도록 학습될 수 있다. 예를 들어, 컴퓨팅 장치(100)는 학습 데이터(50)에 포함된 심전도 데이터를 딥러닝 모델(200)에 입력하여, 24시간 내 심정지 발생 가능성을 나타내는 스코어를 산출할 수 있다. 이때, 스코어는 24시간 내 심정지 발생 가능성을 0점 내지 100점 사이의 값으로 표현한 것일 수 있다. 컴퓨팅 장치(100)는 딥러닝 모델(200)에서 산출된 스코어와 라벨에 해당하는 스코어를 손실 함수를 통해 비교하여 오차를 계산할 수 있다. 컴퓨팅 장치(100)는 오차가 감소하는 방향으로 딥러닝 모델(200)의 신경망 파라미터를 조정할 수 있다. 컴퓨팅 장치(100)는 이러한 과정을 반복 수행하여 오차가 최소 기준을 만족하면 딥러닝 모델(200)의 학습을 종료할 수 있다. 한편, 도 3에서 딥러닝 모델(200)의 학습은 지도 학습을 기준으로 설명되고 있으나, 딥러닝 모델(200)의 신경망 구조에 따라 딥러닝 모델(200)의 학습은 자기 지도 학습을 기반으로 수행될 수도 있다.
도 4는 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 심전도 데이터, 및 심전도 데이터를 측정한 대상의 심정지 발생 여부와 심정지 발생 시간을 포함하는 심정지 데이터를 획득할 수 있다(S110). 컴퓨팅 장치(100)가 심전도 판독을 수행하는 서버인 경우, 컴퓨팅 장치(100)는 심전도 데이터와 심정지 데이터를 생성하는 장비와 통신을 통해 심전도 데이터 및 그에 대응되는 심정지 데이터를 획득할 수 있다. 컴퓨팅 장치(100)가 심전도 측정과 심정지 관련 정보의 기록을 수행할 수 있는 장치인 경우, 컴퓨팅 장치(100)는 측정부 및 입출력부를 통해 입력된 신호 및 정보를 토대로, 심전도 데이터와 심정지 데이터를 생성할 수 있다.
컴퓨팅 장치(100)는 심전도 데이터의 결측치 혹은 심정지 데이터를 분석하여, 심전도 데이터로부터 유효 데이터를 추출할 수 있다(S120). 컴퓨팅 장치(100)는 심정지 데이터에 기록된 심정지 발생 시간, 및 심정지에 관한 임상적 근거를 분석하여, 심전도 데이터를 필터링 하기 위한 컷오프 시간을 결정할 수 있다. 그리고, 컴퓨팅 장치(100)는 심전도 데이터 중에서 상기 컷오프 시간 내 심정지가 발생한 대상의 심전도 데이터를 필터링 하여, 유효 데이터를 추출할 수 있다.
컴퓨팅 장치(100)는 S120 단계를 통해 추출된 유효 데이터에 심정지 발생 여부 및 심정지 발생 시간을 기준으로 라벨링을 수행하여, 학습 데이터를 생성할 수 있다(S130). 컴퓨팅 장치(100)는 유효 데이터에서 심정지가 발생한 대상의 데이터와 심정지가 발생하지 않았거나사망하지 않은 대상의 데이터를 분류할 수 있다. 그리고, 컴퓨팅 장치(100)는 2개의 그룹으로 분류된 데이터에 각각 라벨링을 수행할 수 있다.
그리고, 도 4에 개시되지 않았으나, 컴퓨팅 장치(100)는 학습 데이터를 딥러닝 모델에 입력하여 딥러닝 모델이 심정지가 발생할 가능성을 산출하도록, 딥러닝 모델을 학습시킬 수 있다. 딥러닝 모델의 학습에 관한 설명은 상술한 도 3의 설명으로 갈음하도록 한다.
도 5는 본 개시의 대안적 실시예에 따른 심전도를 이용한 건강 상태의 예측 방법을 나타낸 순서도이다.
도 5를 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 심전도 데이터를 획득할 수 있다. 컴퓨팅 장치(100)가 심전도 판독을 수행하는 서버인 경우, 컴퓨팅 장치(100)는 심전도 데이터를 측정하는 웨어러블 디바이스와 같은 장비와 통신을 통해 심전도 데이터를 획득할 수 있다. 컴퓨팅 장치(100)가 심전도 측정을 수행할 수 있는 장치인 경우, 컴퓨팅 장치(100)는 전극 등과 같은 측정부를 통해 입력된 신호 및 정보를 토대로, 심전도 데이터를 생성할 수 있다.
컴퓨팅 장치(100)는 사전 학습된 딥러닝 모델에 심전도 데이터를 입력하여, 심전도 데이터를 측정한 대상의 건강 상태를 예측할 수 있다(S220). 컴퓨팅 장치(100)는 심전도 데이터가 입력된 딥러닝 모델을 통해 심전도 데이터를 측정한 대상이 24시간 이내 심정지가 발생할 가능성이 어느 정도인지를 표현하는 스코어를 산출할 수 있다. 그리고, 컴퓨팅 장치(100)는 스코어를 기초로 건강 상태가 어느 정도로 악화되어 있는지를 분석하여 리포트를 생성할 수 있다. 컴퓨팅 장치(100)가 심전도 판독을 수행하는 서버인 경우, 컴퓨팅 장치(100)는 심전도 데이터를 측정하는 웨어러블 디바이스와 같은 장비와 통신을 통해 리포트를 공유할 수 있다. 컴퓨팅 장치(100)가 입출력부를 구비한 경우, 컴퓨팅 장치(100)는 입출력부를 통해 리포트를 직접 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 (12)
- 적어도 하나의 프로세서(processor)를 포함하는 컴퓨팅 장치에 의해 수행되는, 심전도를 이용한 건강 상태의 예측 방법으로서,
심전도 데이터, 및 상기 심전도 데이터를 측정한 대상의 심정지 발생 여부와 심정지 발생 시간을 포함하는 심정지 데이터를 획득하는 단계;
상기 심전도 데이터의 결측치 혹은 상기 심정지 데이터를 분석하여, 상기 심전도 데이터로부터 유효 데이터를 추출하는 단계; 및
상기 추출된 유효 데이터에 심정지 발생 여부 및 심정지 발생 시간을 기준으로 라벨링을 수행하여, 학습 데이터를 생성하는 단계;
를 포함하는,
방법.
- 제 1 항에 있어서,
상기 심전도 데이터의 결측치 혹은 상기 심정지 데이터를 분석하여, 상기 심전도 데이터로부터 유효 데이터를 추출하는 단계는,
상기 심정지 데이터에 기록된 심정지 발생 시간, 및 심정지에 관한 임상적 근거를 분석하여, 상기 심전도 데이터를 필터링 하기 위한 컷오프 시간을 결정하는 단계; 및
상기 획득된 심전도 데이터 중에서 상기 컷오프 시간 내 심정지가 발생한 대상의 심전도 데이터를 필터링 하여, 유효 데이터를 추출하는 단계;
를 포함하는,
방법.
- 제 2 항에 있어서,
상기 심정지 데이터에 포함된 심정지 발생 시간 및 심정지에 관한 임상적 근거를 분석하여, 상기 심전도 데이터를 필터링 하기 위한 컷오프 시간을 결정하는 단계는,
심정지가 발생하기 이전 나타나는 심전도의 변화 양상에 대한 임상적 판단을 토대로 산출된 제 1 후보 시간, 심정지 발생이 예측됐을 때 심정지를 막기 위한 처치가 가능한 시간이라고 임상적으로 판단된 제 2 후보 시간, 또는 상기 심정지 데이터에 기록된 심정지 발생 시간과 상기 심전도 데이터를 측정한 대상의 실제 심정지 발생 시간 간의 오차에 대응되는 제 3 후보 시간 중에서 어느 하나를 컷오프 시간으로 결정하는 단계;
를 포함하는,
방법.
- 제 3 항에 있어서,
상기 컷오프 시간은,
상기 제 1 후보 시간, 상기 제 2 후보 시간, 또는 상기 제 3 후보 시간 중 가장 큰 값으로 결정되는 것인,
방법.
- 제 4 항에 있어서,
상기 추출된 유효 데이터에 심정지 발생 여부 및 심정지 발생 시간을 기준으로 라벨링을 수행하여, 학습 데이터를 생성하는 단계는,
상기 유효 데이터에서 상기 컷오프 시간 이후 기 설정된 시간 내에 심정지가 발생한 대상의 데이터는 심정지 그룹으로 라벨링 하고, 상기 유효 데이터에서 상기 컷오프 시간 이후 기 설정된 시간 내에 심정지가 발생하지 않았거나 사망하지 않은 대상의 데이터는 정상 그룹으로 라벨링 하는 단계;
를 포함하는,
방법.
- 제 1 항에 있어서,
상기 심전도 데이터의 결측치 혹은 상기 심정지 데이터를 분석하여, 상기 심전도 데이터로부터 유효 데이터를 추출하는 단계는,
상기 심전도 데이터의 N유도 중 1개 이상의 유도 자체가 결측된 경우, 상기 N 유도 중 1개 이상의 유도 자체가 결측된 심전도 데이터를 상기 유효 데이터에서 배제하는 단계;
를 포함하는,
방법.
- 제 1 항에 있어서,
상기 심전도 데이터의 결측치 혹은 상기 심정지 데이터를 분석하여, 상기 심전도 데이터로부터 유효 데이터를 추출하는 단계는,
상기 심전도 데이터의 N 유도 중에서 소정의 시간 이상 결측치가 존재하는 유도가 존재하는 경우, 상기 N 유도 중에서 소정의 시간 이상 결측치가 존재하는 유도가 존재하는 심전도 데이터를 상기 유효 데이터에서 배제하는 단계;
를 포함하는,
방법.
- 제 1 항에 있어서,
상기 학습 데이터를 딥러닝 모델에 입력하여 상기 딥러닝 모델이 심정지가 발생할 가능성을 산출하도록, 상기 딥러닝 모델을 학습시키는 단계;
를 더 포함하는,
방법.
- 적어도 하나의 프로세서(processor)를 포함하는 컴퓨팅 장치에 의해 수행되는, 심전도를 이용한 건강 상태의 예측 방법으로서,
제 1 심전도 데이터를 획득하는 단계;
사전 학습된 딥러닝 모델에 상기 제 1 심전도 데이터를 입력하여, 상기 심전도 데이터를 측정한 대상의 건강 상태를 예측하는 단계;
를 포함하되,
상기 딥러닝 모델은,
제 2 심전도 데이터로부터 추출된 유효 데이터에 심정지 발생 여부 및 심정지 발생 시간을 기준으로 라벨링을 수행하여 생성된 학습 데이터를 기초로 학습되고,
상기 유효 데이터는,
상기 제 2 심전도 데이터의 결측치 혹은 상기 제 2 심전도 데이터를 측정한 대상의 심정지 발생 여부와 심정지 발생 시간을 포함하는 심정지 데이터를 분석한 결과를 토대로, 상기 제 2 심전도 데이터로부터 추출되는,
방법.
- 제 9 항에 있어서,
상기 사전 학습된 딥러닝 모델에 상기 제 1 심전도를 입력하여 도출된 예측 결과는,
상기 심전도 데이터를 측정한 대상의 건강 상태를 나타내는 스코어 값을 포함하고,
상기 스코어 값은 제 1 임계 값에 가까울수록 건강한 상태임을 나타내고, 제 2 임계 값에 가까울수록 건강하지 않은 상태임을 나타내는 것인,
방법.
- 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램(program)으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서(processor)에서 실행되는 경우, 심전도를 이용하여 건강 상태를 예측하기 위한 동작들을 수행하도록 하며,
상기 동작들은,
심전도 데이터, 및 상기 심전도 데이터를 측정한 대상의 심정지 발생 여부와 심정지 발생 시간을 포함하는 심정지 데이터를 획득하는 동작;
상기 심전도 데이터의 결측치 혹은 상기 심정지 데이터를 분석하여, 상기 심전도 데이터로부터 유효 데이터를 추출하는 동작; 및
상기 추출된 유효 데이터에 심정지 발생 여부 및 심정지 발생 시간을 기준으로 라벨링을 수행하여, 학습 데이터를 생성하는 동작;
을 포함하는,
컴퓨터 프로그램.
- 심전도를 이용하여 건강 상태를 예측하기 위한 컴퓨팅 장치로서,
적어도 하나의 코어(core)를 포함하는 프로세서(processor);
상기 프로세서에서 실행 가능한 프로그램 코드(code)들을 포함하는 메모리(memory); 및
심전도 데이터, 및 상기 심전도 데이터를 측정한 대상의 심정지 발생 여부와 심정지 발생 시간을 포함하는 심정지 데이터를 획득하기 위한 네트워크부(network unit);
를 포함하고,
상기 프로세서는,
상기 심전도 데이터의 결측치 혹은 상기 심정지 데이터를 분석하여, 상기 심전도 데이터로부터 유효 데이터를 추출하고,
상기 추출된 유효 데이터에 심정지 발생 여부 및 심정지 발생 시간을 기준으로 라벨링을 수행하여, 학습 데이터를 생성하는,
장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/KR2023/010539 WO2024019575A1 (ko) | 2022-07-22 | 2023-07-21 | 심전도를 이용한 건강 상태의 예측 방법, 프로그램 및 장치 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220090767 | 2022-07-22 | ||
| KR20220090767 | 2022-07-22 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240013675A true KR20240013675A (ko) | 2024-01-30 |
Family
ID=89715322
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230093176A KR20240013675A (ko) | 2022-07-22 | 2023-07-18 | 심전도를 이용한 건강 상태의 예측 방법, 프로그램및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20240013675A (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102439082B1 (ko) | 2020-01-30 | 2022-08-31 | 연세대학교 원주산학협력단 | 딥러닝 기반 심전도 분석데이터를 이용한 일반인의 간질환 보유 가능성 예측 방법 |
-
2023
- 2023-07-18 KR KR1020230093176A patent/KR20240013675A/ko unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102439082B1 (ko) | 2020-01-30 | 2022-08-31 | 연세대학교 원주산학협력단 | 딥러닝 기반 심전도 분석데이터를 이용한 일반인의 간질환 보유 가능성 예측 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10743809B1 (en) | Systems and methods for seizure prediction and detection | |
| JP6556205B2 (ja) | ログおよびセンサデータに基づくデバイスの制御 | |
| JP6986724B2 (ja) | 人工知能に基づく心電図干渉識別方法 | |
| EP3777674A1 (en) | Time series data learning and analyzing method using artificial intelligence | |
| JP2020536623A (ja) | モバイルデバイスを用いたユーザの健康の連続的監視 | |
| CA2988416A1 (en) | Method and system for assessing mental state | |
| US8805484B2 (en) | System, apparatus and method for diagnosing seizures | |
| US20210361217A1 (en) | Ecg-based age and sex estimation | |
| AU2021363110A1 (en) | Method and system for personalized prediction of infection and sepsis | |
| KR20240013675A (ko) | 심전도를 이용한 건강 상태의 예측 방법, 프로그램및 장치 | |
| Punarselvam | A pragmatic approach of Parkinson disease detection using hybrid case-based reasoning neuro-fuzzy classification system over Mobile edge computing | |
| CN116504398A (zh) | 用于使用基于变换器的神经网络来进行心律失常预测的方法和系统 | |
| KR20230044124A (ko) | 설명 가능한 인공지능에 기반한 의료 데이터의 해석 방법, 프로그램 및 장치 | |
| WO2024019575A1 (ko) | 심전도를 이용한 건강 상태의 예측 방법, 프로그램 및 장치 | |
| Ganesh et al. | Diabetes Prediction using Logistic Regression and Feature Normalization | |
| US11887730B2 (en) | Systems and methods for unobtrusive digital health assessment | |
| KR20240013674A (ko) | 심전도를 이용한 건강 상태의 예측 방법, 프로그램및 장치 | |
| KR20240013676A (ko) | 심전도를 이용한 심근경색 진단 방법, 프로그램 및장치 | |
| KR20240013673A (ko) | 심전도 세그먼트를 이용한 건강 상태의 예측 방법,프로그램 및 장치 | |
| EP4385413A1 (en) | Method, computer program, and device for continuously measuring body condition on basis of deep learning | |
| WO2024019523A1 (ko) | 심전도를 이용한 건강 상태의 예측 방법, 프로그램 및 장치 | |
| Masanam et al. | Non-Contact Human Workload Assessment for Adaptive Intelligent Systems | |
| KR20240009891A (ko) | 단기 측정된 심장 신호를 기반으로 장기 심박 변이도를생성하는 방법, 프로그램 및 장치 | |
| WO2024019584A1 (ko) | 심전도를 이용한 심근경색 진단 방법, 프로그램 및 장치 | |
| WO2024014888A1 (ko) | 단기 측정된 심장 신호를 기반으로 장기 심박 변이도를 생성하는 방법, 프로그램 및 장치 |