KR20240030450A - 클러스터링을 이용하여 생체 신호 분석을 지원하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 - Google Patents

클러스터링을 이용하여 생체 신호 분석을 지원하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 Download PDF

Info

Publication number
KR20240030450A
KR20240030450A KR1020220109506A KR20220109506A KR20240030450A KR 20240030450 A KR20240030450 A KR 20240030450A KR 1020220109506 A KR1020220109506 A KR 1020220109506A KR 20220109506 A KR20220109506 A KR 20220109506A KR 20240030450 A KR20240030450 A KR 20240030450A
Authority
KR
South Korea
Prior art keywords
clustering
data
biosignal
biosignal data
present
Prior art date
Application number
KR1020220109506A
Other languages
English (en)
Inventor
안준호
하권우
이광로
정성훈
김진국
장재성
Original Assignee
주식회사 휴이노
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 휴이노 filed Critical 주식회사 휴이노
Priority to KR1020220109506A priority Critical patent/KR20240030450A/ko
Priority to PCT/KR2023/012039 priority patent/WO2024049053A1/ko
Publication of KR20240030450A publication Critical patent/KR20240030450A/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • 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
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
    • 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
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/366—Detecting abnormal QRS complex, e.g. widening
    • 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
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Cardiology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (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 발명의 일 태양에 따르면, 클러스터링을 이용하여 생체 신호 분석을 지원하기 위한 방법으로서, 생체 신호에 관한 복수의 생체 신호 데이터로부터 특징을 추출하고, 상기 추출된 특징에 기초하여 상기 복수의 생체 신호 데이터 각각에 대한 복수의 특징 벡터를 생성하는 단계, 및 상기 복수의 특징 벡터를 참조하여 상기 복수의 생체 신호 데이터에 대한 클러스터링을 수행하는 단계를 포함하는 방법이 제공된다.

Description

클러스터링을 이용하여 생체 신호 분석을 지원하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체{METHOD, SYSTEM AND NON-TRANSITORY COMPUTER-READABLE RECORDING MEDIUM FOR ASSISTING ANALYSIS OF BIO-SIGNAL BY USING CLUSTERING}
본 발명은 클러스터링을 이용하여 생체 신호 분석을 지원하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체에 관한 것이다.
근래에 들어, 병원 방문 없이 일상 생활 중에 상시적으로 생체 신호를 모니터링할 수 있는 웨어러블 모니터링 디바이스가 소개되고 있다. 웨어러블 모니터링 디바이스를 통해 측정된 생체 신호는 자동화된 또는 지능화된 생체 신호 분석 모델에 의해 분석될 수 있는데, 분석의 정확도를 높이기 위하여 다양한 최신 기술이 활용되고 있다.
인공 신경망 등 최신 기술이 적용된 분석 모델에 힘입어 분석의 정확도가 높아지고 있음에도 불구하고, 생체 신호에 대한 최종적인 판별 또는 진단을 내리기 위해서는 여전히 의료진(의사, 판독전문가 등)이 생체 신호 분석 모델의 분석 결과를 검수하는 과정을 거쳐야 한다.
그런데, 수일 또는 수주에 걸쳐서 측정된 생체 신호 데이터 또는 그 생체 신호 데이터에 대한 분석 결과 데이터는 수십만 건에 이를 정도로 방대하기 때문에, 의료진이 모든 데이터를 일일이 검수하는 데에 많은 시간과 노력이 소모된다는 문제점이 있다.
특히, 생체 신호가 심전도 신호인 경우에는 측정 디바이스의 특성이나 피측정자 개개인의 특성에 따라 신호의 중요 특징(QRS complex 형태 등)이 다르게 나타날 수 있기 때문에, 인공지능 기반 분석 모델을 이용한다고 하더라도 그 분석 모델만으로는 심전도 신호를 100% 정확하게 분석하기 어렵고, 의료진이 심전도 신호를 직접 검수하는 과정이 필수적으로 요구된다.
일 예로서, 60 BPM의 정상 박동수의 심전도 신호를 14일 동안 측정하는 경우를 가정하면, 총 120만개 이상의 비트(beat, QRS complex를 포함하는 데이터 단위) 데이터가 발생하게 되고, 그중 1% 정도의 데이터만 비정상(abnormal) 데이터에 해당한다고 하더라도 1만 2천개의 비정상 비트 데이터가 발생하게 되는데, 의료진이 이 정도로 방대한 데이터를 일일이 확인하고 검수하려면 굉장히 많은 노력과 시간을 투입해야 한다.
이에, 본 발명자(들)는, 생체 신호 데이터를 정확하고도 효율적으로 클러스터링함으로써, 의료진이 유사한 특징(형태, 리듬. 패턴 등)을 가지는 복수의 생체 신호 데이터(또는 그에 대한 분석 결과)를 효율적으로 검수할 수 있도록 지원하는 기술을 고안하였다.
본 발명은 상술한 문제점을 모두 해결하는 것을 그 목적으로 한다.
본 발명은 생체 신호에 관한 복수의 생체 신호 데이터로부터 특징을 추출하고, 그 추출된 특징에 기초하여 복수의 생체 신호 데이터 각각에 대한 복수의 특징 벡터를 생성하고, 복수의 특징 벡터를 참조하여 복수의 생체 신호 데이터에 대한 클러스터링을 수행함으로써, 의료진이 생체 신호 데이터를 전수 검수하는 비효율을 겪지 않고도 클러스터를 기준으로 생체 신호 데이터 및 그에 대한 분석 결과 데이터를 효율적으로 검수할 수 있도록 하는 것을 다른 목적으로 한다.
또한, 본 발명은 생체 신호 데이터로부터 얻어지는 다양한 정보를 활용하여 클러스터링의 정확도를 향상시키고 상황에 맞게 클러스터의 수를 조절함으로써, 생체 신호 데이터 분석 결과에 대한 의료진 검수의 효율성과 신뢰성을 모두 높이는 것을 다른 목적으로 한다.
상기 목적을 달성하기 위한 본 발명의 대표적인 구성은 다음과 같다.
본 발명의 일 태양에 따르면, 클러스터링을 이용하여 생체 신호 분석을 지원하기 위한 방법으로서, 생체 신호에 관한 복수의 생체 신호 데이터로부터 특징을 추출하고, 상기 추출된 특징에 기초하여 상기 복수의 생체 신호 데이터 각각에 대한 복수의 특징 벡터를 생성하는 단계, 및 상기 복수의 특징 벡터를 참조하여 상기 복수의 생체 신호 데이터에 대한 클러스터링을 수행하는 단계를 포함하는 방법이 제공된다.
본 발명의 다른 태양에 따르면, 클러스터링을 이용하여 생체 신호 분석을 지원하기 위한 시스템으로서, 생체 신호에 관한 복수의 생체 신호 데이터로부터 특징을 추출하고, 상기 추출된 특징에 기초하여 상기 복수의 생체 신호 데이터 각각에 대한 복수의 특징 벡터를 생성하는 특징 추출부, 및 상기 복수의 특징 벡터를 참조하여 상기 복수의 생체 신호 데이터에 대한 클러스터링을 수행하는 클러스터링 관리부를 포함하는 시스템이 제공된다.
이 외에도, 본 발명을 구현하기 위한 다른 방법, 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램을 기록하기 위한 비일시성의 컴퓨터 판독 가능한 기록 매체가 더 제공된다.
본 발명에 의하면, 의료진이 생체 신호 데이터를 전수 검수하는 비효율을 겪지 않고도 클러스터를 기준으로 생체 신호 데이터 및 그에 대한 분석 결과 데이터를 효율적으로 검수할 수 있게 되는 효과가 달성된다.
또한, 본 발명에 의하면, 생체 신호 데이터로부터 얻어지는 다양한 정보를 활용하여 클러스터링의 정확도를 향상시키고 상황에 맞게 클러스터의 수를 조절함으로써, 생체 신호 데이터 분석 결과에 대한 의료진 검수의 효율성과 신뢰성을 모두 높일 수 있게 되는 효과가 달성된다.
도 1은 본 발명에 따른 전체 시스템의 구성을 개략적으로 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 생체 신호 분석 시스템의 내부 구성을 예시적으로 나타내는 도면이다.
도 3은 본 발명의 일 실시예에 따라 클러스터링의 대상이 되는 생체 신호 데이터를 예시적으로 나타내는 도면이다.
도 4는 본 발명의 일 실시예에 따라 특징 추출을 위해 사용되는 모델의 구조를 예시적으로 나타내는 도면이다.
도 5는 본 발명의 일 실시예에 따라 계층적 클러스터링을 수해한 결과를 예시적으로 나타내는 도면이다.
도 6은 본 발명의 일 실시예에 따라 클러스터링을 수행함에 따라 검수자의 판독 효율이 높아지는 정도를 예시적으로 나타내는 도면이다.
도 7 내지 도 10은 본 발명의 일 실시예에 따라 심전도 신호 데이터에 대하여 클러스터링을 수행한 결과를 예시적으로 나타내는 도면이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 바람직한 실시예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
전체 시스템의 구성
이하, 본 발명에 따른 생체 신호 분석 시스템의 바람직한 실시예에 관하여 상세히 설명하면 다음과 같다.
도 1은 본 발명에 따른 전체 시스템의 구성을 개략적으로 나타내는 도면이다.
도 1에 도시되어 있는 바와 같이, 본 발명의 일 실시예에 따른 전체 시스템은, 통신망(100), 생체 신호 분석 시스템(200) 및 디바이스(300)로 구성될 수 있다.
먼저, 본 발명의 일 실시예에 따른 통신망(100)은 유선 통신이나 무선 통신과 같은 통신 양태를 가리지 않고 구성될 수 있으며, 근거리 통신망(LAN, Local Area Network), 도시권 통신망(MAN, Metropolitan Area Network), 광역 통신망(WAN, Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 바람직하게는, 본 명세서에서 말하는 통신망(100)은 와이파이(Wi-Fi), 와이파이 다이렉트(Wi-Fi Direct), LTE 다이렉트(LTE Direct), 블루투스(Bluetooth)와 같은 공지의 근거리 무선 통신망을 포함할 수 있다. 그러나, 통신망(100)은, 굳이 이에 국한될 필요 없이, 공지의 유무선 데이터 통신망, 공지의 전화망 또는 공지의 유무선 텔레비전 통신망을 그 적어도 일부에 있어서 포함할 수도 있다.
예를 들면, 통신망(100)은 무선 데이터 통신망으로서, 와이파이(WiFi) 통신, 와이파이 다이렉트(WiFi-Direct) 통신, 롱텀 에볼루션(LTE, Long Term Evolution) 통신, 블루투스 통신(저전력 블루투스(BLE; Bluetooth Low Energy) 포함), 적외선 통신, 초음파 통신 등과 같은 종래의 통신 방법을 적어도 그 일부분에 있어서 구현하는 것일 수 있다. 다른 예를 들면, 통신망(100)은 광 통신망으로서, 라이파이(LiFi, Light Fidelity) 등과 같은 종래의 통신 방법을 적어도 그 일부분에 있어서 구현하는 것일 수 있다.
다음으로, 본 발명의 일 실시예에 따른 생체 신호 분석 시스템(200)은, 생체 신호에 관한 복수의 생체 신호 데이터로부터 특징을 추출하고, 그 추출된 특징에 기초하여 복수의 생체 신호 데이터 각각에 대한 복수의 특징 벡터를 생성하고, 복수의 특징 벡터를 참조하여 복수의 생체 신호 데이터에 대한 클러스터링을 수행하는 기능을 수행할 수 있다.
한편, 생체 신호 분석 시스템(200)에 관하여 위와 같이 설명되었으나, 이러한 설명은 예시적인 것이고, 생체 신호 분석 시스템(200)에 요구되는 기능이나 구성요소의 적어도 일부가 필요에 따라 디바이스(300) 내에서 실현되거나 디바이스(300) 내에 포함될 수도 있음은 당업자에게 자명하다.
마지막으로, 본 발명의 일 실시예에 따른 디바이스(300)는 생체 신호 분석 시스템(200)에 접속한 후 통신할 수 있는 기능을 포함하는 디지털 기기로서, 메모리 수단을 구비하고 마이크로 프로세서를 탑재하여 연산 능력을 갖춘 디지털 기기라면 얼마든지 본 발명에 따른 디바이스(300)로서 채택될 수 있다. 디바이스(300)는 스마트 글래스, 스마트 워치, 스마트 패치, 스마트 밴드, 스마트 링, 스마트 넥클리스 등과 같은 웨어러블 디바이스이거나 스마트폰, 스마트 패드, 데스크탑 컴퓨터, 노트북 컴퓨터, 워크스테이션, PDA, 웹 패드, 이동 전화기 등과 같은 다소 전통적인 디바이스일 수 있다.
특히, 본 발명의 일 실시예에 따른 디바이스(300)는 인체로부터 소정의 생체 신호를 획득하기 위한 센싱 수단(예를 들면, 접촉 전극, 적외선 센서 등)을 포함할 수 있고, 생체 신호 측정에 관한 다양한 정보를 사용자에게 제공하기 위한 표시 수단을 포함할 수 있다.
또한, 본 발명의 일 실시예에 따르면, 디바이스(300)에는 본 발명에 따른 기능을 수행하기 위한 애플리케이션 프로그램이 더 포함되어 있을 수 있다. 이러한 애플리케이션은 해당 디바이스(300) 내에서 프로그램 모듈의 형태로 존재할 수 있다. 이러한 프로그램 모듈의 성격은 후술할 바와 같은 생체 신호 분석 시스템(200)의 특징 추출부(210), 클러스터링 관리부(220), 통신부(230) 및 제어부(240)와 전반적으로 유사할 수 있다. 여기서, 애플리케이션은 그 적어도 일부가 필요에 따라 그것과 실질적으로 동일하거나 균등한 기능을 수행할 수 있는 하드웨어 장치나 펌웨어 장치로 치환될 수도 있다.
생체 신호 분석 시스템의 구성
이하에서는, 본 발명의 구현을 위하여 중요한 기능을 수행하는 생체 신호 분석 시스템(200)의 내부 구성 및 각 구성요소의 기능에 대하여 살펴보기로 한다.
도 2는 본 발명의 일 실시예에 따른 생체 신호 분석 시스템의 내부 구성을 예시적으로 나타내는 도면이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 생체 신호 분석 시스템(200)은 특징 추출부(210), 클러스터링 관리부(220), 통신부(230) 및 제어부(240)를 포함할 수 있다. 본 발명의 일 실시예에 따르면, 생체 신호 분석 시스템(200)의 특징 추출부(210), 클러스터링 관리부(220), 통신부(230) 및 제어부(240)는 그 중 적어도 일부가 외부 시스템(미도시됨)과 통신하는 프로그램 모듈들일 수 있다. 이러한 프로그램 모듈들은 운영 시스템, 응용 프로그램 모듈 및 기타 프로그램 모듈의 형태로 생체 신호 분석 시스템(200)에 포함될 수 있으며, 물리적으로는 여러 가지 공지의 기억 장치 상에 저장될 수 있다. 또한, 이러한 프로그램 모듈들은 생체 신호 분석 시스템(200)과 통신 가능한 원격 기억 장치에 저장될 수도 있다. 한편, 이러한 프로그램 모듈들은 본 발명에 따라 후술할 특정 업무를 수행하거나 특정 추상 데이터 유형을 실행하는 루틴, 서브루틴, 프로그램, 오브젝트, 컴포넌트, 데이터 구조 등을 포괄하지만, 이에 제한되지는 않는다.
한편, 본 발명의 일 실시예에 따르면, 생체 신호 분석 시스템(200)은 외부와의 통신 없이 독자적으로 동작할 수 있으며, 이러한 경우 통신부(230)가 생체 신호 분석 시스템(200)에 포함되지 않을 수도 있음을 밝혀 둔다.
먼저, 본 발명의 일 실시예에 따른 특징 추출부(210)는, 피측정자의 신체로부터 측정되는 복수의 생체 신호 데이터를 획득할 수 있다. 여기서, 생체 신호 데이터는 피측정자의 신체로부터 측정되는 심전도 신호 데이터일 수 있고, 이러한 심전도 신호 데이터는 QRS complex를 포함하는 비트(beat) 단위로 구성될 수 있다.
예를 들면, 클러스터링의 대상이 되는 심전도 신호 데이터는 5개의 비트 스퀀스로 구성될 수 있고, 첫 비트의 R 피크(peak)부터 마지막 비트의 R 피크 까지의 구간이 하나의 심전도 신호 데이터로서 정의될 수 있다(도 3 참조).
그리고, 본 발명의 일 실시예에 따른 특징 추출부(210)는, 생체 신호에 관한 복수의 생체 신호 데이터로부터 특징을 추출할 수 있고, 상기 추출된 특징에 기초하여 상기 복수의 생체 신호 데이터 각각에 대한 복수의 특징 벡터를 생성할 수 있다.
예를 들면, 본 발명의 일 실시예에 따른 특징 추출부(210)는, 지도 학습(supervised learning)을 통해 학습된 특징 추출 모델을 이용하여 생체 신호 데이터로부터 특징을 추출할 수 있다.
본 발명의 일 실시예에 따르면, 심전도 신호에 포함되는 QRS complex에서는 신호값의 변화가 크게 나타나기 때문에, 생체 신호 데이터의 원 데이터(raw data)를 기준으로 클러스터링할 경우 비트 위치 차이, 비트 높이 차이, 기저선 변동, 노이즈 등으로 인해 클러스터링이 제대로 이루어지지 않게 되는 문제가 발생할 수 있다. 본 발명에 의하면, 원 데이터로부터 특징을 추출하여 특징 벡터를 생성하고 그 특징 벡터를 기준으로 클러스터링을 수행하게 되므로, 원 데이터를 기준으로 클러스터링하는 경우에 발생할 수 있는 문제점을 줄일 수 있게 된다.
나아가, 본 발명의 일 실시예에 따른 특징 추출부(210)는, 복수의 원 데이터를 정규화하고 그 정규화된 데이터로부터 특징을 추출할 수 있다. 이렇게 함으로써, 심박수 등 다양한 요인에 따라 원 데이터의 길이가 달라지는 경우에도 클러스터링의 대상이 되는 데이터의 길이를 동일하게(균일하게) 만들 수 있게 된다.
또한, 본 발명의 일 실시예에 따른 특징 추출부(210)는, 특징 추출 모델을 이용하여 복수의 원 데이터로부터 특징을 추출할 수 있으며, 복수의 원 데이터는 앞서 설명한 방식에 따라 정규화되어 특징 추출 모델에 입력될 수 있다. 예를 들면, 특징 추출 모델은 SE(Squeeze & Excitation) ResNet 모델을 본 발명의 목적에 따라 최적화한 모델일 수 있다.
한편, 본 발명의 일 실시예에 따른 특징 추출부(210)는, 심전도 신호에 관한 복수의 원 데이터 내부의 비트 간 리듬에 관한 특징이 반영되는 scaled R-R 간격(interval)을 추출할 수 있고, 이렇게 추출된 scaled R-R 간격은 후술할 클러스터링의 기준으로 활용될 수 있다.
도 4는 본 발명의 일 실시예에 따라 특징 추출을 위해 사용되는 모델의 구조를 예시적으로 나타내는 도면이다. 다만, 본 발명에 따란 특징 추출부(210)가 반드시 도 4에 도시된 모델에 따라 구현되는 것은 아니면, 본 발명의 목적을 달성할 수 있는 범위 내에서 얼마든지 변경될 수 있음을 밝혀 둔다.
다음으로, 본 발명의 일 실시예에 따른 클러스터링 관리부(220)는, 생체 신호 분석 모델로부터 복수의 생체 신호 데이터에 대한 분석 결과 데이터를 획득할 수 있다. 본 발명의 일 실시예에 따르면, 생체 신호 분석 모델은 분석의 대상이 되는 생체 신호 데이터가 부정맥에 해당하는지 여부에 대한 분석 결과를 출력하거나 어떤 유형의 부정맥에 해당하는지에 대한 분석 결과를 출력하는 모델일 수 있다.
예를 들어, 본 발명의 일 실시예에 따르면, 생체 신호 분석 모델은, 인공 신경망 등 머신 러닝 알고리즘을 이용하여 피측정자의 생체 신호 데이터를 분석함으로써, 생체 신호 데이터가 부정맥의 관점에서 정상 상태에 해당하는지(아니면 해당하지 않는지)에 관한 스코어를 산출할 수 있다.
다른 예를 들어, 본 발명의 일 실시예에 따르면, 생체 신호 분석 모델은, 인공 신경망 등 머신 러닝 알고리즘을 이용하여 피측정자의 생체 신호 데이터를 분석함으로써, 생체 신호 데이터가 특정 유형의 부정맥에 해당하는지(아니면 해당하지 않는지)에 관한 스코어를 산출할 수 있다.
여기서, 본 발명의 일 실시예에 따르면, 생체 신호 분석 모델에 의하여 산출되는 스코어는 정상 상태에 해당하는지(아니면 해당하지 않는지) 또는 특정 유형의 부정맥에 해당하는지(아니면 해당하지 않는지)에 관한 확률(probability), 벡터(vector), 행렬(matrix) 및 좌표(coordinate) 중 적어도 하나에 관한 값을 포함하는 개념일 수 있다.
한편, 생체 신호 분석 모델에 의하여 분석될 수 있는 생체 신호에는, 심전도(ECG), 근전도(EMG), 뇌파(EEG), 맥파(PPG), 심장 박동, 체온, 혈당, 동공 변화, 혈압, 혈중 용존 산소량 등에 관한 신호가 포함될 수 있다.
다음으로, 본 발명의 일 실시예에 따른 클러스터링 관리부(220)는, 복수의 생체 신호 데이터 중 생체 신호 분석 모델에 의하여 제1 유형에 해당하는 것으로 분석된 복수의 제1 유형 생체 신호 데이터에 대하여 클러스터링을 수행할 수 있다.
여기서, 본 발명의 일 실시예에 따르면, 제1 유형은, 생체 신호 분석 모델에 의하여 판별될 수 있는 유형을 가리키는 최광의의 개념으로서, 부정맥 관점에서의 정상 상태, 부정맥 관점에서의 비정상 상태, 부정맥 중 특정 유형에 해당하는 상태(예를 들면, 심방 조기 수축(Atrial Premature Contraction, APC), 심실조기수축(VPC; Ventricular Premature Complexes), 심방세동(A.Fib; Atrial fibrillation), 발작성상실성빈맥(PSVT; Paroxysmal Supra Ventricular Tachycardia) 등)를 모두 포괄할 수 있다.
구체적으로, 본 발명의 일 실시예에 따른 클러스터링 관리부(220)는, 제1 유형에 해당하는 것으로 분석된 복수의 제1 유형 생체 신호 데이터를 적어도 하나의 군집으로 클러스터링(clustering)할 수 있다. 본 발명의 일 실시예에 따르면, 이렇게 클러스터링이 수행됨에 따라 같은 군집에 속하게 되는 생체 신호 데이터들은 서로 공통되는 특징(패턴, 특징점, 파형 등)을 포함할 수 있다.
예를 들면, 본 발명의 일 실시예에 따른 생체 신호 데이터 클러스터링에 이용될 수 있는 알고리즘으로서, 완전 연결(complete linkage) 클러스터링, k-평균(k-means), 평균 이동(mean shift), 가우스 혼합 모델(Gaussian Mixture Model; GMM), DBSCAN(Density-Based Spatial Clustering of Applications with Noise), 자기 조직화 지도(Self-Organizing Map; SOM) 등을 상정할 수 있지만, 본 발명에 따른 클러스터링 알고리즘이 반드시 상기 열거된 것에 한정되는 것은 아니며, 본 발명의 목적을 달성할 수 있는 범위 내에서 얼마든지 변경될 수 있음을 밝혀 둔다.
또한, 본 발명의 일 실시예에 따른 클러스터링 관리부(220)는, 위의 추출된 복수의 특징 벡터에 대한 클러스터링을 수행할 수 있다.
그리고, 본 발명의 일 실시예에 따른 클러스터링 관리부(220)는, 복수의 특징 벡터를 참조하여 복수의 특징 벡터에 대응되는 복수의 생체 신호 데이터에 대한 클러스터링을 수행할 수 있다.
예를 들면, 본 발명의 일 실시예에 따른 생체 신호 데이터(복수의 원 데이터)에는 APC(Atrial Premature Complex)로 구분된 데이터 또는 VPC(Ventricular Premature Complex)로 구분된 데이터가 포함될 수 있고, 본 발명의 일 실시예에 따른 클러스터링 관리부(220)는, APC로 구분된 데이터에 대한 클러스터링과 VPC로 구분된 데이터에 대한 클러스터링을 따로 수행할 수 있다.
또한, 본 발명의 일 실시예에 따른 클러스터링 관리부(220)는, 계층적 클러스터링 기술을 이용하여 생체 신호 데이터에 대한 클러스터링을 수행할 수 있다. 본 발명에서 활용되는 계층적 클러스터링 기술에 의하면, 클러스터의 개수를 미리 정하지 않아도 되고 클러스터 간 구조적인 관계 쉽게 파악할 수 있게 되는 장점이 있다. 그리고, 계층적 클러스터링을 통해 분석 내지 판독 상황에 맞는 수준(수)의 클러스터만 생성할 수 있게 되므로, 불필요한 클러스터링이 실행되는 것을 막고 판독(검수) 효율을 더 높일 수 있게 된다.
구체적으로, 본 발명의 일 실시예에 따른 클러스터링 관리부(220)는, 복수의 생체 신호 데이터로부터 추출된 특징에 기초하여 생성되는 복수의 특징 벡터 사이의 거리 맵(distance map)을 참조하여 클러스터링을 수행할 수 있다. 예를 들면, 어떤 특징 벡터들 사이의 거리가 멀수록 해당 특징 벡터들에 대응하는 생체 신호 데이터들이 서로 다른 클러스터에 속하도록 클러스터링될 수 있고, 어떤 특징 벡터들 사이의 거리가 가까울수록 해당 특징 벡터들에 대응하는 생체 신호 데이터들이 서로 같은 클러스터에 속하도록 클러스터링될 수 있다.
보다 더 구체적으로, 본 발명의 일 실시예에 따른 클러스터링 관리부(220)는, 복수의 원 데이터 사이의 거리 맵(distance map)을 더 참조하여 클러스터링을 수행할 수 있다. 참고로, 복수의 원 데이터 사이의 거리 맵은 원 데이터에 포함되어 있는 QRS complex의 형태 또는 위치 사이의 차이를 나타내는 지표로서 취급될 수 있다. 예를 들면, 본 발명의 일 실시예에 따른 클러스터링 관리부(220)는, 어떤 원 데이터들이 거리 차이가 소정 값 이상인 경우에(즉, QRS complex의 형태 또는 위치가 상이한 경우에), 해당 원 데이터들에 대응되는 특징 벡터들 사이의 거리 맵에 소정의 페널티를 부여할 수 있으며, 이로써 원 데이터에서 나타나는 생체 신호 데이터 사이의 형태적 유사도가 클러스터링에 반영되도록 할 수 있다.
한편, 본 발명의 일 실시예에 따른 클러스터링 관리부(220)는, 위와 같이 계산된 거리 맵을 참조하여 완전 연결(complete linkage) 클러스터링을 수행할 수 있다.
그리고, 본 발명의 일 실시예에 따른 클러스터링 관리부(220)는, 클러스터링의 결과로서 구축된 계층 클러스터에서 전체 원 데이터 수 대비 클러스터 수의 비율에 따라 결정되는 컷-오프 거리 값(cut-off distance threshold)을 기준으로, 클러스터링의 결과로서 출력될 클러스터의 계층(수)을 결정할 수 있다. 예를 들면, 도 5에 도시된 바와 같이, 클러스터링에 따른 검수 효율 증가 비율(전체 원 데이터 수/클러스터 수)이 20배 이상이어야 하고 전체 원 데이터 수가 3,256개인 경우에, 총 132개의 클러스터를 생성시키는 계층을 출력 계층으로서 결정할 수 있고, 이로써 검수 효율 증가 비율은 24.7이 될 수 있다.
다시 말하면, 클러스터링에 따른 검수 효율 증가 비율이 20인 경우에, 의료진(검수자)는 20개의 심전도 신호 데이터를 일일이 검수하는 대신에 그 20개의 심전도 신호 데이터가 포함된 1개의 클러스터만 검수하면 되므로, 본 발명에 따른 클러스터링에 의해 검수 효율이 20배 정도 높아질 수 있게 된다.
한편, 도 6은 본 발명의 일 실시예에 따라 클러스터링을 수행함에 따라 검수자의 판독 효율이 높아지는 정도를 예시적으로 나타내는 도면이다. 도 6을 참조하면, 클러스터링의 대상이 되는 생체 신호 데이터 수(도 6의 가로축)가 많을수록 클러스터링에 따른 검수 효율 증가 비율(도 6의 세로축)이 높아지는 것을 확인할 수 있다.
한편, 도 7 내지 도 10은 본 발명의 일 실시예에 따라 심전도 신호 데이터에 대하여 클러스터링을 수행한 결과를 예시적으로 나타내는 도면이다.
도 7 및 도 8을 참조하면, APC로 분류된 18개의 심전도 신호 데이터가 하나의 클러스터로 클러스터링된 결과(도 7 참조)와 APC로 분류된 24개의 심전도 신호 데이터가 하나의 클러스터로 클러스터링 된 결과(도 8 참조)를 확인할 수 있다.
도 9 및 도 10을 참조하면, VPC로 분류된 16개의 심전도 신호 데이터가 하나의 클러스터로 클러스터링된 결과(도 9 참조)와 VPC로 분류된 9개의 심전도 신호 데이터가 하나의 클러스터로 클러스터링된 결과(도 10 참조)를 확인할 수 있다.
다음으로, 본 발명의 일 실시예에 따른 통신부(230)는 특징 추출부(210) 및 클러스터링 관리부(220)로부터의/로의 데이터 송수신이 가능하도록 하는 기능을 수행할 수 있다.
마지막으로, 본 발명의 일 실시예에 따른 제어부(240)는 특징 추출부(210), 클러스터링 관리부(220) 및 통신부(230) 간의 데이터의 흐름을 제어하는 기능을 수행할 수 있다. 즉, 본 발명에 따른 제어부(240)는 생체 신호 분석 시스템(200)의 외부로부터의/로의 데이터 흐름 또는 생체 신호 분석 시스템(200)의 각 구성요소 간의 데이터 흐름을 제어함으로써, 특징 추출부(210), 클러스터링 관리부(220) 및 통신부(230)에서 각각 고유 기능을 수행하도록 제어할 수 있다.
이상에서는, 심전도 신호 데이터를 분석하는 실시예에 대하여 주로 설명되어 있지만, 본 발명에 따른 분석 대상이 될 수 있는 생체 신호가 반드시 심전도 신호에만 한정되는 것은 아니며, 본 발명의 목적을 달성할 수 있는 범위 내에서 다른 종류의 생체 신호에까지 얼마든지 이용될 수 있음을 밝혀 둔다.
이상 설명된 본 발명에 따른 실시예들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 비일시성의 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 비일시성의 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 비일시성의 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다. 비일시성의 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 상기 실시예들에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등하게 또는 등가적으로 변형된 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다.
100: 통신망
200: 생체 신호 분석 시스템
210: 특징 추출부
220: 클러스터링 관리부
230: 통신부
240: 제어부
300: 디바이스

Claims (13)

  1. 클러스터링을 이용하여 생체 신호 분석을 지원하기 위한 방법으로서,
    생체 신호에 관한 복수의 생체 신호 데이터로부터 특징을 추출하고, 상기 추출된 특징에 기초하여 상기 복수의 생체 신호 데이터 각각에 대한 복수의 특징 벡터를 생성하는 단계, 및
    상기 복수의 특징 벡터를 참조하여 상기 복수의 생체 신호 데이터에 대한 클러스터링을 수행하는 단계를 포함하는
    방법.
  2. 제1항에 있어서,
    상기 특징 벡터 생성 단계에서, 상기 복수의 생체 신호 데이터를 정규화하고, 상기 정규화된 복수의 생체 신호 데이터로부터 특징을 추출하는
    방법.
  3. 제1항에 있어서,
    상기 클러스터링 수행 단계에서, 제1 분류에 해당하는 생체 신호에 관한 복수의 생체 신호 데이터에 대한 클러스터링과 제1 분류에 해당하는 생체 신호에 관한 복수의 생체 신호 데이터에 대한 클러스터링을 따로 수행하는
    방법.
  4. 제1항에 있어서,
    상기 클러스터링 수행 단계에서, 상기 특징 벡터 사이의 거리 맵(distance map)을 참조하여 상기 복수의 생체 신호 데이터에 대한 클러스터링을 수행하는
    방법.
  5. 제4항에 있어서,
    상기 클러스터링 수행 단계에서, 상기 복수의 생체 신호 데이터의 원 데이터 사이의 거리 맵을 더 참조하여 상기 복수의 생체 신호 데이터에 대한 클러스터링을 수행하는
    방법.
  6. 제1항에 있어서,
    상기 클러스터링 수행 단계에서, 상기 복수의 생체 신호 데이터에 대한 계층적 클러스터링을 수행하고, 생체 신호 데이터 검수 효율에 근거하여 상기 클러스터링의 결과로서 출력될 클러스터의 수를 결정하는
    방법.
  7. 제1항에 따른 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 비일시성의 컴퓨터 판독 가능 기록 매체.
  8. 클러스터링을 이용하여 생체 신호 분석을 지원하기 위한 시스템으로서,
    생체 신호에 관한 복수의 생체 신호 데이터로부터 특징을 추출하고, 상기 추출된 특징에 기초하여 상기 복수의 생체 신호 데이터 각각에 대한 복수의 특징 벡터를 생성하는 특징 추출부, 및
    상기 복수의 특징 벡터를 참조하여 상기 복수의 생체 신호 데이터에 대한 클러스터링을 수행하는 클러스터링 관리부를 포함하는
    시스템.
  9. 제8항에 있어서,
    상기 특징 추출부는, 상기 복수의 생체 신호 데이터를 정규화하고, 상기 정규화된 복수의 생체 신호 데이터로부터 특징을 추출하는
    시스템.
  10. 제8항에 있어서,
    상기 클러스터링 관리부는, 제1 분류에 해당하는 생체 신호에 관한 복수의 생체 신호 데이터에 대한 클러스터링과 제1 분류에 해당하는 생체 신호에 관한 복수의 생체 신호 데이터에 대한 클러스터링을 따로 수행하는
    시스템.
  11. 제8항에 있어서,
    상기 클러스터링 관리부는, 상기 특징 벡터 사이의 거리 맵을 참조하여 상기 복수의 생체 신호 데이터에 대한 클러스터링을 수행하는
    시스템.
  12. 제11항에 있어서,
    상기 클러스터링 관리부는, 상기 복수의 생체 신호 데이터의 원 데이터 사이의 거리 맵을 더 참조하여 상기 복수의 생체 신호 데이터에 대한 클러스터링을 수행하는
    시스템.
  13. 제8항에 있어서,
    상기 클러스터링 관리부는, 상기 복수의 생체 신호 데이터에 대한 계층적 클러스터링을 수행하고, 생체 신호 데이터 검수 효율에 근거하여 상기 클러스터링의 결과로서 출력될 클러스터의 수를 결정하는
    시스템.
KR1020220109506A 2022-08-30 2022-08-30 클러스터링을 이용하여 생체 신호 분석을 지원하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 KR20240030450A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020220109506A KR20240030450A (ko) 2022-08-30 2022-08-30 클러스터링을 이용하여 생체 신호 분석을 지원하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
PCT/KR2023/012039 WO2024049053A1 (ko) 2022-08-30 2023-08-14 클러스터링을 이용하여 생체 신호 분석을 지원하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220109506A KR20240030450A (ko) 2022-08-30 2022-08-30 클러스터링을 이용하여 생체 신호 분석을 지원하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체

Publications (1)

Publication Number Publication Date
KR20240030450A true KR20240030450A (ko) 2024-03-07

Family

ID=90098284

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220109506A KR20240030450A (ko) 2022-08-30 2022-08-30 클러스터링을 이용하여 생체 신호 분석을 지원하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체

Country Status (2)

Country Link
KR (1) KR20240030450A (ko)
WO (1) WO2024049053A1 (ko)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006271876A (ja) * 2005-03-30 2006-10-12 Kyoto Univ スパイクソーティング装置、スパイクソーティング方法、スパイクソーティングプログラムおよび記録媒体
EP2459065B1 (en) * 2009-07-31 2014-01-08 Koninklijke Philips N.V. Method and apparatus for the analysis of a ballistocardiogram signal
KR20110113392A (ko) * 2010-04-09 2011-10-17 한국 한의학 연구원 유비쿼터스 헬스 케어 서비스 방법
KR101524918B1 (ko) * 2013-07-09 2015-06-02 중앙대학교 산학협력단 생체 신호를 이용한 감정 인식 방법 및 그 장치
EP3043699B1 (en) * 2013-09-09 2022-12-07 Koninklijke Philips N.V. Fetal heart rate extraction from maternal abdominal ecg recordings

Also Published As

Publication number Publication date
WO2024049053A1 (ko) 2024-03-07

Similar Documents

Publication Publication Date Title
Goh et al. Robust PPG motion artifact detection using a 1-D convolution neural network
CN105228508B (zh) 一种测定用于分类的危险评分的系统
Martis et al. Application of higher order statistics for atrial arrhythmia classification
Eerikäinen et al. Detecting atrial fibrillation and atrial flutter in daily life using photoplethysmography data
JP2020536693A (ja) 人工知能自己学習に基づく心電図自動解析方法及び装置
CN109036573A (zh) 基于生成式对抗网络技术的心电图生成及分类方法
KR20140063100A (ko) 원격 심질환 관리 장치 및 방법
Leutheuser et al. Comparison of real-time classification systems for arrhythmia detection on Android-based mobile devices
US20220175324A1 (en) Computer-based prediction of fetal and maternal outcomes
Park et al. PcHD: Personalized classification of heartbeat types using a decision tree
US20200074281A1 (en) Computer-readable recording medium, abnormality determination method, and abnormality determination device
Bashar et al. Atrial fibrillation detection in icu patients: A pilot study on mimic iii data
Zhang et al. Interpretable detection and location of myocardial infarction based on ventricular fusion rule features
Wong et al. Ultra-efficient edge cardiac disease detection towards real-time precision health
Zhang et al. Cascade forest regression algorithm for non-invasive blood pressure estimation using PPG signals
KR102573416B1 (ko) 생체 신호 분석 모델의 출력 데이터를 관리하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
Koteska et al. Machine learning based SpO2 prediction from PPG signal's characteristics features
JP5207172B2 (ja) 波形解析装置及び波形解析プログラム
KR20240030450A (ko) 클러스터링을 이용하여 생체 신호 분석을 지원하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
Hong et al. Gated temporal convolutional neural network and expert features for diagnosing and explaining physiological time series: a case study on heart rates
Bashir et al. Trigger learning and ECG parameter customization for remote cardiac clinical care information system
Rashkovska et al. Clustering of heartbeats from ECG recordings obtained with wireless body sensors
KR102521116B1 (ko) 웨어러블 디바이스를 이용하여 생체 신호를 모니터링하기 위한 방법, 서버, 디바이스 및 비일시성의 컴퓨터 판독 가능 기록 매체
Chandar et al. Suppression of noises using fast independent component analysis (FICA) and signal saturation using fuzzy adaptive histogram equalization (FAHE) for intensive care unit false alarms
US20240153646A1 (en) Method, system, and non-transitory computer-readable recording medium for managing output data of biosignal analysis model

Legal Events

Date Code Title Description
E902 Notification of reason for refusal