KR20240062655A - 심전도의 추가 측정 유도 방법 - Google Patents
심전도의 추가 측정 유도 방법 Download PDFInfo
- Publication number
- KR20240062655A KR20240062655A KR1020220144416A KR20220144416A KR20240062655A KR 20240062655 A KR20240062655 A KR 20240062655A KR 1020220144416 A KR1020220144416 A KR 1020220144416A KR 20220144416 A KR20220144416 A KR 20220144416A KR 20240062655 A KR20240062655 A KR 20240062655A
- Authority
- KR
- South Korea
- Prior art keywords
- type
- ecg signal
- signal
- electrocardiogram
- ecg
- Prior art date
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000001939 inductive effect Effects 0.000 title description 3
- 201000010099 disease Diseases 0.000 claims description 23
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 9
- 210000000115 thoracic cavity Anatomy 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 57
- 238000003745 diagnosis Methods 0.000 description 22
- 210000000038 chest Anatomy 0.000 description 21
- 230000006698 induction Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 208000019622 heart disease Diseases 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 10
- 208000007177 Left Ventricular Hypertrophy Diseases 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 206010003119 arrhythmia Diseases 0.000 description 5
- 230000006793 arrhythmia Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 208000031225 myocardial ischemia Diseases 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 5
- 208000004652 Cardiovascular Abnormalities Diseases 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000002405 diagnostic procedure Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000002565 electrocardiography Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 206010002383 Angina Pectoris Diseases 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000002330 Congenital Heart Defects Diseases 0.000 description 1
- 208000010496 Heart Arrest Diseases 0.000 description 1
- 230000036982 action potential Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000005831 heart abnormality Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
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]
-
- 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
- A61B5/25—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
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6813—Specially adapted to be attached to a specific body part
- A61B5/6823—Trunk, e.g., chest, back, abdomen, hip
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6813—Specially adapted to be attached to a specific body part
- A61B5/6824—Arm or wrist
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6813—Specially adapted to be attached to a specific body part
- A61B5/6828—Leg
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Cardiology (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Fuzzy Systems (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
본 개시는 심전도의 추가 측정을 유도하기 위해 프로세서에 의해 수행되는 방법으로서, 제 1 타입의 심전도 신호를 획득하는 단계; 및 상기 제 1 타입의 심전도 신호에 관한 정보 또는 상기 제 1 타입의 심전도 신호 기반의 진단 정보 중 적어도 하나에 기초하여, 상기 제 1 타입의 심전도 신호와는 상이한 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하는 단계를 포함할 수 있다.
Description
본 개시는 심전도 신호의 추가 측정을 유도하는 방법에 관한 것으로, 보다 구체적으로 추가적인 타입의 심전도 신호에 대한 추가 측정을 유도하는 방법에 관한 것이다.
심전도란 심장질환에 대한 기본적인 진단 방법 중의 하나로 협심증, 심근경색, 부정맥 등 심혈관계의 질환을 진단하는데 중요한 검사법이다. 심장이 3차원의 장기이고, 심전도를 통해 이러한 장기의 병적인 상태를 파악하기 위해 통상 여러 개의 유도 혹은 장기간 부착하여 많은 정보를 얻게끔 개발되어 왔다.
심전도는 크게 10개의 전극을 이용하여 신호를 기록하는 표준 12유도 심전계와 부정맥과 같이 간헐적으로 발생하는 이상 소견을 관찰하기 위한 연속적으로 심전도를 기록하는 홀터심전계가 있다. 최근 측정의 편의성을 제고한 웨어러블 형태(시계형, 패치형, 패드형)의 심전계가 개발되었으나, 대부분 단일 유도 신호만을 측정하며, 소수의 제품에서만 사지 유도 신호 측정 기능이 있다.
웨어러블 형태의 심전계에 사지 유도 기능이 있는 경우라도, 표준 12유도 심전계에서 보여주는 흉부 유도 신호가 없기에, 흉부 유도에서만 뚜렷하게 변화가 나타나는 심장질환의 경우단일 또는 사지 유도 만으로는 질환 진단에 어려움이 있다.
한편, 딥러닝 기술의 도약적인 발전으로 흉부 유도 신호가 없더라도 단일 혹은 사지유도 만으로도 다양한 질환을 탐지할 수 있으나, 흉부 유도의 변화가 진단에 중요한 질환의 경우 실제 심전계에서 얻어진 신호와 딥러닝 기술로 진단한 질환 간의 부조화가 사용자에게 발생하므로 결국 사용자에게 흉부 유도를 확인시켜줄 필요성이 있다. 이에 흉부 유도 측정을 유도하게끔 하는 알고리즘의 개발이 요구되고 있다.
본 개시는, 기본 타입의 심전도 신호에 추가하여, 추가적인 타입의 심전도 신호에 대한 측정을 유도하는 기술을 제공하는 것을 해결 과제로 한다. 예를 들어, 본 개시는, 단일 유도 심전도 신호 또는 사지 유도 심전도 신호에 추가하여, 흉부 유도 심전도 신호에 대한 측정이 필요한 상황을 식별하고, 이러한 상황에 대한 피드백을 제공하는 기술을 제공하는 것을 해결 과제로 한다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 심전도의 추가 측정을 유도하기 위한 방법은, 심전도의 추가 측정을 유도하기 위해, 프로세서에 의해 수행되는 방법이 개시된다. 상기 방법은 제 1 타입의 심전도 신호를 획득하는 단계; 및 상기 제 1 타입의 심전도 신호에 관한 정보 또는 상기 제 1 타입의 심전도 신호 기반의 진단 정보 중 적어도 하나에 기초하여, 상기 제 1 타입의 심전도 신호와는 상이한 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하는 단계; 를 포함할 수 있다.
대안적 실시예로, 상기 제 1 타입의 심전도 신호는, 단일 유도 심전도 신호 또는 사지 유도(limb lead) 심전도 신호를 포함할 수 있다.
대안적 실시예로, 상기 제 2 타입의 심전도 신호는, 흉부 유도(precordial lead) 심전도 신호를 포함할 수 있다.
대안적 실시예로, 상기 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하는 단계는, 상기 제 1 타입의 심전도 신호 기반의 진단 정보가 미리 결정된 타입의 질병에 대응되는 경우, 상기 제 2 타입의 심전도 신호가 추가적으로 필요하다고 결정하는 단계를 포함할 수 있다.
대안적 실시예로, 상기 미리 결정된 타입의 질병은, 사지 유도보다 흉부 유도에 더 민감한 것으로 분류된 질병, 또는 사지 유도와 흉부 유도에 대하여 서로 상이한 진단 방식이 존재하는 것으로 분류된 질병 중 적어도 하나의 질병을 포함할 수 있다.
대안적 실시예로, 상기 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하는 단계는, 상기 제 1 타입의 심전도 신호 기반의 예측 값이 기준 값(cut-off)으로부터 미리 결정된 영역 내에 있는 경우, 상기 제 2 타입의 심전도 신호가 추가적으로 필요하다고 결정하는 단계를 포함할 수 있다.
대안적 실시예로, 상기 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하는 단계는, 상기 제 1 타입의 심전도 신호에 기초하여, 상기 제 1 타입의 심전도 신호 기반의 제 1 진단 정보와, 상기 제 1 타입의 심전도 신호 및 상기 제 2 타입의 심전도 신호 기반의 제 2 진단 정보 사이의 차이를 예측하는 단계; 및 상기 예측된 차이에 기초하여, 상기 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하는 단계를 포함할 수 있다.
대안적 실시예로, 상기 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하는 단계는, 제 1 기준 값을 갖는 제 1 예측 모델에 상기 제 1 타입의 심전도 신호를 입력하여 예측 값을 생성하는 단계; 및 상기 생성된 예측 값에 기초하여 상기 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하는 단계를 포함하고, 상기 제 2 타입의 심전도 신호는, 제 2 기준 값을 갖는 제 2 예측 모델에 입력되기 위한 것일 수 있고, 상기 제 1 기준 값은, 상기 제 2 기준 값과 상이하게 설정되는 것일 수 있다.
대안적 실시예로, 상기 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하는 단계는, 상기 제 1 타입의 심전도 신호 기반의 진단 정보가 미리 결정된 기간 이내에 2 회 이상 생성되고, 상기 2 회 이상 생성된 진단 정보에 의해 기 설정된 횟수 이상의 심전도 문제가 진단되는 경우, 상기 제 2 타입의 심전도 신호가 추가적으로 필요하다고 결정되는 단계를 포함할 수 있다.
대안적 실시예로, 상기 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하는 단계는, 상기 제 1 타입의 심전도 신호에 포함되는 복수의 유도 신호들 각각의 파형을 추출하는 단계; 및 상기 복수의 유도 신호들의 파형들 사이의 차이에 기초하여, 상기 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하는 단계를 포함할 수 있다.
또한, 전술한 바와 같은 과제를 해결하기 위한 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에 의해 실행되는 경우, 심전도의 추가 측정을 유도하기 위한 동작들을 수행하도록 하며, 상기 동작들은, 제 1 타입의 심전도 신호를 획득하는 동작; 및 상기 제 1 타입의 심전도 신호에 관한 정보 또는 상기 제 1 타입의 심전도 신호 기반의 진단 정보 중 적어도 하나에 기초하여, 상기 제 1 타입의 심전도 신호와는 상이한 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하는 동작을 포함할 수 있다.
또한, 전술한 바와 같은 과제를 해결하기 위한 심전도의 추가 측정을 유도하기 위한 컴퓨팅 장치로서, 하나 이상의 코어를 포함하는 프로세서; 및 메모리를 포함하고, 상기 프로세서는, 제 1 타입의 심전도 신호를 획득하고; 그리고 상기 제 1 타입의 심전도 신호에 관한 정보 또는 상기 제 1 타입의 심전도 신호 기반의 진단 정보 중 적어도 하나에 기초하여, 상기 제 1 타입의 심전도 신호와는 상이한 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하는 것일 수 있다.
또한, 전술한 바와 같은 과제를 해결하기 위한 사용자 장비(user equipment)로서, 적어도 하나의 프로세서; 및 메모리를 포함하고, 상기 적어도 하나의 프로세서는, 제 1 타입의 심전도 신호와는 상이한 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하고; 그리고 상기 제 2 타입의 심전도 신호의 추가적인 측정과 관련된 피드백 정보를 생성하도록 구성되는 것일 수 있다.
본 개시에서 얻을 수 있는 기술적 해결 수단은 이상에서 언급한 해결 수단들로 제한되지 않으며, 언급하지 않은 또 다른 해결 수단들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 개시는, 기본 타입의 심전도 신호(예컨대, 단일 유도 심전도 신호 또는 사지 유도 심전도 신호)에 추가하여, 추가적인 타입의 심전도 신호(예컨대, 흉부 유도 심전도 신호)에 대한 측정을 유도하는 기술을 제공할 수 있다. 따라서, 보다 정확한 진단 정보를 생성하기 위하여 추가적인 타입의 심전도 신호가 필요한 경우, 이에 대한 피드백을 생성하여, 보다 정확한 진단 결과가 생성되게 할 수 있다.
한편, 본 개시의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상기 언급된 본 개시내용의 피처들이 상세하게, 보다 구체화된 설명으로, 이하의 실시예들을 참조하여 이해될 수 있도록, 실시예들 중 일부는 첨부되는 도면에서 도시된다. 또한, 도면과의 유사한 참조번호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭하는 것으로 의도된다. 그러나, 첨부된 도면들은 단지 본 개시 내용의 특정한 전형적인 실시예들만을 도시하는 것일 뿐, 본 개시의 범위를 한정하는 것으로 고려되지는 않으며, 동일한 효과를 갖는 다른 실시예들이 충분히 인식될 수 있다는 점을 유의하도록 한다.
도 1은 본 개시의 일 실시예에 따른 심전도의 추가 측정을 유도하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따른 신경망을 나타낸 개념도이다.
도 3은 본 개시의 일 실시예에 따른 심전도의 추가 측정을 유도하기 위한 순서도이다.
도 4는 본 개시의 일 실시예에 따라, 질병의 타입에 기초하여 심전도의 추가 측정을 유도하기 위한 순서도이다.
도 5는 본 개시의 일 실시예에 따라, 기 설정된 기준 값(cut-off)을 기반으로 심전도의 추가 측정을 유도하기 위한 순서도이다.
도 6은 본 개시의 일 실시예에 따라, 진단 정보들 사이의 차이를 기반으로 심전도의 추가 측정을 유도하기 위한 순서도이다.
도 7은 본 개시의 일 실시예에 따라, 정량적인 진단 정보에 기초하여 심전도 신호가 추가적으로 필요한지 여부를 결정시키기 위한 순서도이다.
도 8은 본 개시의 일 실시예에 따라, 복수의 유도 신호들에 대한 파형을 기반으로 심전도의 추가 측정을 유도하기 위한 순서도이다.
도 9는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
도 1은 본 개시의 일 실시예에 따른 심전도의 추가 측정을 유도하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따른 신경망을 나타낸 개념도이다.
도 3은 본 개시의 일 실시예에 따른 심전도의 추가 측정을 유도하기 위한 순서도이다.
도 4는 본 개시의 일 실시예에 따라, 질병의 타입에 기초하여 심전도의 추가 측정을 유도하기 위한 순서도이다.
도 5는 본 개시의 일 실시예에 따라, 기 설정된 기준 값(cut-off)을 기반으로 심전도의 추가 측정을 유도하기 위한 순서도이다.
도 6은 본 개시의 일 실시예에 따라, 진단 정보들 사이의 차이를 기반으로 심전도의 추가 측정을 유도하기 위한 순서도이다.
도 7은 본 개시의 일 실시예에 따라, 정량적인 진단 정보에 기초하여 심전도 신호가 추가적으로 필요한지 여부를 결정시키기 위한 순서도이다.
도 8은 본 개시의 일 실시예에 따라, 복수의 유도 신호들에 대한 파형을 기반으로 심전도의 추가 측정을 유도하기 위한 순서도이다.
도 9는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 서버에서 실행되는 애플리케이션 및 서버 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", "B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 개시는 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
본 개시의 일 실시예에서 컴퓨팅 장치는, 서버 및/또는 사용자 장비를 포괄할 수 있다. 본 개시 내용에서의 컴퓨팅 장치는, 컴퓨팅 능력을 가진 임의의 형태의 장치를 포함할 수 있다. 컴퓨팅 장치는, 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다. 일 실시예에서, 컴퓨팅 장치가 서버에 대응되는 경우, 상기 컴퓨팅 장치는, 서비스를 처리하는 웹 서버일 수 있다. 전술한 컴퓨팅 장치의 종류는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 상세한 설명 및 청구항들에 걸쳐 이용되는 데이터는, 영상 또는 텍스트 등과 같이 임의의 형태의 값 또는 정보를 포함하고 있는 자료를 의미할 수 있다.
도 1은 본 개시의 일 실시예에 따른 심전도의 추가 측정을 유도하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.
컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.
프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따른 네트워크부(150)는 임의의 형태의 데이터 및 신호 등을 송수신할 수 있는 임의의 유무선 통신 네트워크가 본 개시 내용에서 표현되는 네트워크에 포함될 수 있다.
본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 제 1 타입의 심전도 신호에 추가하여, 제 2 타입의 심전도 신호에 대한 측정을 유도하기 위한 동작을 수행할 수 있다. 여기서, 제 1 타입의 심전도 신호는 단일 유도 심전도 신호 또는 사지 유도(limb lead) 심전도 신호를 포함할 수 있고, 제 2 타입의 심전도 신호는, 흉부 유도(precordial) 심전도 신호를 포함할 수 있다.
예를 들어, 프로세서(110)는, ① 네트워크부(150)를 통해 전송되거나, 메모리(130)에 저장되거나, 또는 컴퓨팅 장치(100)의 자체적인 측정부를 통해 측정된 제 1 타입의 심전도 신호를 획득하는 동작을 수행하고, ② 상기 제 1 타입의 심전도 신호에 관한 정보 또는 상기 제 1 타입의 심전도 신호 기반의 진단 정보 중 적어도 하나에 기초하여, 상기 제 1 타입의 심전도 신호와는 상이한 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하는 동작을 수행할 수 있다. ③ 추가로, 프로세서(110)는, 상기 제 2 타입의 심전도 신호가 추가적으로 필요하다고 판단한 경우, 상기 제 2 타입의 심전도 신호에 대한 추가적인 측정을 유도하기 위한 피드백 정보를 생성할 수 있다. 여기서, 피드백 정보는, 시각적인 정보, 청각적인 정보 등을 포함하는 다양한 형태로 구현될 수 있다. 한편, 컴퓨팅 장치(100)는, 이러한 피드백 정보를 출력하기 위해, 디스플레이 장치 등의 시각적인 출력부를 더 포함하거나, 스피커 등의 청각적인 출력부를 더 포함할 수 있으며, 이러한 출력부 이외에도 피드백 정보를 사용자에게 전달하기 위한 다양한 출력부를 포함할 수 있다. 추가로, 컴퓨팅 장치(100)는, 네트워크부(150)를 통해, 이러한 피드백 정보를 스마트 디바이스 등의 외부 장치에 송신할 수도 있으며, 외부 장치를 통해 이러한 피드백 정보가 출력되도록 할 수도 있다.
도 2는 본 개시의 일 실시예에 따른 신경망을 나타낸 개념도이다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.
신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.
본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에서 네트워크 함수는 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.
뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사 학습(semi supervised learning) 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.
뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링 되어있는 학습 데이터를 사용하며(즉, 라벨링 된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링 되어 있지 않을 수 있다.
즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링 된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류 내지 손실함수가 계산될 수 있다.
도 3은 본 개시의 일 실시예에 따른 심전도의 추가 측정을 유도하기 위한 방법을 나타내는 순서도이다.
도 3을 참조하면, 심전도의 추가 측정을 유도하는 방법은, 컴퓨팅 장치(100)에 의해 수행될 수 있으며, 제 1 타입의 심전도 신호를 획득하는 단계(S100), 상기 제 1 타입의 심전도 신호에 관한 정보 또는 상기 제 1 타입의 심전도 신호 기반의 진단 정보 중 적어도 하나에 기초하여, 상기 제 1 타입의 심전도 신호와는 상이한 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하는 단계(S200), 상기 제 2 타입의 심전도 신호가 추가적으로 필요한 경우, 상기 제 2 타입의 심전도 신호의 측정을 유도하기 위한 피드백 정보를 생성하는 단계(S300)를 포함 할 수 있다.
심전도 신호(ECG: Electrocardiogram)는 심장의 수축에 따른 활동 전류 및 활동 전위차에 관한 신호이고, 전기적 또는 자기적 형태의 생물학적 신호에서 유래된 생체신호의 일종일 수 있다. 상기 심전도 신호는 파상 곡선으로 기록된 것일 수 있고, 보통 심전도계를 사용하여 몇 개의 심전 곡선으로 나타내며, 심장의 이상여부를 진단하는데 매우 중요하다.
심전도 신호는 10개 전극과 상기 전극의 조합인 12개 유도(lead) 신호가 있으며, 상기 전극은 RA, LA, RL, LL, V1, V2, V3, V4, V5, V6를 포함할 수 있고, 상기 유도(lead) 신호는 표준 사지 유도(standard limb leads) 3개, 증폭 사지 유도(augmented limb lead) 3개, 및 흉부 유도(precordial lead) 6개를 포함할 수 있다. 또한, 표준 사지 유도(standard limb leads)는 유도(lead) Ⅰ, Ⅱ, Ⅲ를 포함하고, 증폭 사지 유도(augmented limb lead)로는 aVR, aVL, aVF를 포함하며, 흉부 유도(precordial lead) 6개는 흉부 전극인 V1, V2, V3, V4, V5, V6에 의해 유도된 유도 신호를 포함할 수 있다. 상기 유도 신호는 "유도" 내지 "유도 심전도 신호" 등으로 혼용될 수 있다.
여기서, 상기 제 1 타입의 심전도 신호는, 단일 유도(single lead) 심전도 신호 또는 사지 유도(limb lead) 심전도 신호를 포함하는 것일 수 있다. 단일 유도 심전도 신호는 2개의 전극만으로 유도된 심전도 신호일 수 있고, 주로 유도 Ⅰ을 측정하며, 스마트폰, 스마트워치, 휴대용 패치, 휴대용 패드, 그 밖의 휴대 가능한 전용 심전도 측정 기기 또는 이들의 조합에 의해 간편하게 측정 가능할 수 있다. 따라서, 진단을 위해 한 번의 심전도 검사만으로는 불충분할 수 있는 부정맥의 경우, 일상생활을 하는 중에 기록되는 상기 단일 유도 심전도를 측정한다면 매우 유용할 수 있다. 이렇게 활동 중에 환자의 심율동을 기록하면 부정맥을 진단하고 환자의 증상과 부정맥의 연관성을 규명하는 데 도움이 되며, 치료 약제를 사용하는 경우에는 그 효과를 판정하는 자료가 된다.
표준 사지 유도(standard limb leads)를 측정하기 위해서는 양 팔 및 한쪽 다리(주로 왼쪽 다리)에 전극을 연결할 수 있고, 왼쪽 팔과 오른쪽 팔이 양극과 음극인 유도 Ⅰ(lead Ⅰ), 한쪽 다리와 오른쪽 팔이 각각 양극과 음극인 유도 Ⅱ(lead Ⅱ), 한쪽 다리와 왼쪽 팔이 각각 양극과 음극인 유도 Ⅲ(lead Ⅲ)를 포함하여 측정할 수 있다.
한편, 상기 제 2 타입의 심전도 신호는, 흉부 유도(precordial lead) 심전도 신호를 포함하는 것일 수 있다. 흉부 유도 또는 전흉부 유도는 사지 유도와 달리 좌측 측면에서 관찰한 심장의 전기흐름의 방향과 힘을 관찰하여, 사지 유도를 보완할 수 있다.
도 4는 본 개시의 일 실시예에 따라, 질병의 타입에 기초하여 심전도의 추가 측정을 유도하기 위한 순서도이다.
도 4를 추가로 참조하면, 상기 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하는 단계(S200)는, 상기 제 1 타입의 심전도 신호 기반의 진단 정보가 미리 결정된 타입의 질병에 대응되는 경우(S210), 상기 제 2 타입의 심전도 신호가 추가적으로 필요하다고 결정하는 단계(S290)를 포함할 수 있다. 특히 상기 미리 결정된 타입의 질병은 단일 유도 또는 사지 유도 만으로는 진단하기 어려운 심장의 이상일 수 있다.
여기서, 상기 미리 결정된 타입의 질병은, 사지 유도보다 흉부 유도에 더 민감한 것으로 분류된 질병을 포함하는 것일 수 있다. 일례로, 허혈성 심질환(ischemic heart disease)에 대해 흉부 유도를 측정할 경우, 사지 유도만을 측정한 경우에 비하여 진단의 민감도와 특이도를 높일 수 있다. 따라서, 우선 단일 유도 또는 사지 유도를 포함하여 접근성이 용이한 상기 제 1 타입의 심전도 신호 만으로 심전도를 모니터링 한 뒤, 상기 허혈성 심질환(ischemic heart disease)이 의심될 경우, 추가적으로 흉부 유도 심전도가 포함된 상기 제 2 타입의 심전도 신호를 측정하여, 상기 허혈성 심질환(ischemic heart disease)에 대한 경제적이고 지속적인 모니터링을 가능하게 하고, 진단의 정확도 역시 확보할 수 있다. 한편, 이러한 경우, 상기 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하는 단계(S200)는, 상기 제 1 타입의 심전도 신호 기반의 진단 정보가 미리 결정된 타입의 질병 중 하나인 허혈성 심질환과 관련되는지 확인하고, 확인 결과에 기초하여, 상기 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하는 단계(S290)를 포함할 수 있다. 상기 S290 단계는, 프로세서(110)가 상기 제 1 타입의 심전도 신호 기반의 진단 정보를 분석하여, 허혈성 심질환(ischemic heart disease)이 의심될 경우, 상기 제 2 타입의 심전도 신호가 추가적으로 필요하다고 결정하는 것을 포함할 수 있다.
또한, 상기 미리 결정된 타입의 질병은, 사지 유도와 흉부 유도에 대하여 서로 상이한 진단 방식이 존재하는 것으로 분류된 질병 중 적어도 하나의 질병을 포함하는 것일 수 있다. 일례로, 좌심실 비대(LVH: left ventricular hypertrophy)의 경우 일반적으로 흉부 유도를 측정하여 진단되지만, 사지 유도를 통하여도 진단될 수도 있다. 따라서, 우선 단일 유도 또는 사지 유도를 포함하여 접근성이 용이한 상기 제 1 타입의 심전도 신호 만으로 심전도를 모니터링 한 뒤, 상기 좌심실 비대가 의심될 경우, 추가적으로 흉부 유도 심전도가 포함된 상기 제 2 타입의 심전도 신호를 측정하여, 상기 좌심실 비대에 대한 경제적이고 지속적인 모니터링이 가능하게 할 수 있다. 또한, 사지 유도에 기초한 진단과 상기 흉부 유도에 기초한 진단 간 교차 검증을 하여, 진단의 정확도 역시 확보할 수 있다. 이때, 상기 사지 유도에 기초한 진단 또는 상기 흉부 유도에 기초한 진단은 기 학습된 인공 신경망 진단 모델에 의하거나, 규칙 기반 방법에 의할 수 있다. 한편, 이러한 경우, 상기 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하는 단계(S200)는, 상기 제 1 타입의 심전도 신호 기반의 진단 정보가 서로 상이한 진단 방식이 존재하는 것으로 분류된 질병 중 하나인 좌심실 비대와 관련되는지 확인하고, 확인 결과에 기초하여, 상기 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하는 단계(S290)를 포함할 수 있다. 상기 S290 단계는, 프로세서(110)가 상기 제 1 타입의 심전도 신호 기반의 진단 정보를 분석하여, 좌심실 비대가 의심될 경우, 상기 제 2 타입의 심전도 신호가 추가적으로 필요하다고 결정하는 것을 포함할 수 있다.
도 5는 본 개시의 일 실시예에 따라, 기 설정된 기준 값(cut-off)을 기반으로 심전도의 추가 측정을 유도하기 위한 순서도이다.
도 5를 추가로 참조하면, 상기 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하는 단계(S200)는, 상기 제 1 타입의 심전도 신호 기반의 예측 값이 기준 값(cut-off)으로부터 미리 설정된 영역 내에 있는 경우, 상기 제 2 타입의 심전도 신호가 추가적으로 필요하다고 결정하는 단계(S292)를 포함할 수 있다. 일례로, 환자로부터 상기 제 1 타입의 심전도 신호를 측정하고, 심전도 신호에 기반한 심장질환 위험도를 계산한 예측 값을 기 설정된 기준 값(cut-off)과 비교하는 방법에서, 상기 제 1 타입의 심전도 신호에 관한 파형 정보를 획득하고(S100), 상기 제 1 타입의 심전도 신호에 관한 파형 정보에 기반하여, 심장질환 위험도를 계산한 예측 값을 제 1 예측 값으로 두고, 상기 제 1 예측 값과 비교하여 심장질환 위험에 관한 정보를 제공하기 위한 기준 값(cut-off)을 제 1 기준 값으로 설정한다. 이때, 종래와 같은 경우에는, 상기 제 1 예측 값을 상기 제 1 기준 값과 비교하는 것에 기초하여 심장질환 위험에 관한 정보를 제공할 수 있으나, 본 개시에서는 상기 제 1 예측 값을 상기 제 1 기준 값과 비교(S220)한 이후에, 상기 제 1 예측 값이 상기 제 1 기준 값의 경계 영역(또는 마진(margin) 영역)일 경우, 상기 제 2 타입의 심전도를 추가 측정하는 것이 필요하다고 결정하고(S292), 상기 제 2 타입의 심전도를 추가 측정하는 것을 유도하기 위한 신호를 발생시킬 수 있다.
구체적으로는, 상기 제 1 기준 값의 경계 영역(또는 마진 영역)에 대하여, 상기 영역의 최하 지점을 제 1-1 기준 값으로 설정하고, 상기 영역의 최상 지점을 제 1-2 기준 값으로 설정할 경우, 프로세서(110)는 상기 제 1 기준 값이 상기 제 1-1 기준 값 미만일 경우 심장질환 위험이 낮은 정상으로 결정하고(S291), 상기 제 1 기준 값이 상기 제 1-1 기준 값 이상이고 상기 제 1-2 기준 값 미만일 경우 상기 제 2 타입의 심전도 신호가 추가적으로 필요하다고 결정할 수 있고(S292), 상기 제 1 기준 값이 상기 제 1-2 기준 값 이상일 경우 심장질환(예컨대, 심정지) 위험이 높은 것으로 결정(S293)할 수 있다. 상기 제 2 타입의 심전도 신호가 추가적으로 필요하거나 심장질환 위험이 높은 것으로 결정한 경우, 상기 프로세서(110)는 제 2 타입의 심전도 측정을 추가로 유도하는 피드백 신호를 사용자에게 전달할 수 있다.
상기 피드백 신호는 상기 컴퓨팅 장치(100)와 직접 또는 네트워크로 연결된 장치를 통해 영상, 텍스트 정보 또는 음성 신호로 사용자에게 전달할 수 있다.
또한, 본 개시에 따라, 사용자가 상기 제 1 타입의 심전도 신호를 측정할 수 있는 장치를 휴대할 수 있다. 상기 장치 또는 이에 내장된 어플리케이션은, 상기 제 1 타입의 심전도 신호에 기반하여, 상기 제 2 타입의 심전도 신호가 추가적으로 필요하거나 심장질환 위험이 높은 것으로 결정한 경우, 병원이나 구조 기관의 서버에 상기 사용자의 심전도 정보, 개인 식별 정보 또는 현재 위치 정보를 포함하는 데이터를 전달할 수 있다.
도 6은 본 개시의 일 실시예에 따라, 진단 정보들 사이의 차이를 예측하는 것에 기초하여 심전도의 추가 측정을 유도하기 위한 순서도이다.
본 개시의 일 실시예에 따르면, 상기 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하는 단계(S200)는, 상기 제 1 타입의 심전도 신호 기반의 “제 1 진단 정보”와, 상기 제 1 타입의 심전도 신호 및 상기 제 2 타입의 심전도 신호 기반의 “제 2 진단 정보” 사이의 차이를 예측하는 단계(S230), 및 상기 예측된 차이에 기초하여, 상기 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하는 단계(S290)를 포함할 수 있다.
여기서, 상기 S230 단계는, 상기 제 1 타입의 심전도 신호를 입력으로 받고, 상기 제 1 진단 정보와 상기 제 2 진단 정보 사이의 차이를 예측하는 신경망 모델을 활용하여 수행될 수 있다. 예를 들어, 상기 S230 단계는, 상기 제 1 타입의 심전도 신호를 입력 받은 후에, (i) 상기 제 1 진단 정보와 상기 제 2 진단 정보 사이의 차이가 클 것으로 예측되는 경우(예컨대, 양성/음성 등의 이진(binary) 진단에서 진단들이 서로 상이할 것으로 예측되는 경우, 정량적인 진단에서 진단 수치들 사이의 차이가 기 설정된 임계치를 초과할 것으로 예측되는 경우 등)에는, 참(true)인 예측 값을 출력하고, (ii) 상기 제 1 진단 정보와 상기 제 2 진단 정보 사이의 차이가 크지 않을 것으로 예측되는 경우에는, 거짓(false)인 예측 값을 출력하는 신경망 모델(이진 분류 모델)을 활용하여 수행될 수 있다. 또한, 이러한 실시예에서, 상기 S290 단계는, 상기 S230 단계에서 참(true)인 예측 값이 생성되는 경우, 상기 제 2 타입의 심전도 신호가 추가적으로 필요하다고 결정되는 단계를 포함할 수 있다. 즉, 이러한 실시예에 따르면, 상기 제 1 진단 정보(예컨대, 단일 또는 사지 유도 심전도 신호에 기초한 진단 정보) 및 상기 제 2 진단 정보(예컨대, 흉부 유도 심전도 신호가 추가된 12 유도 신호에 기초한 진단 정보) 사이의 차이가 클 것으로 예측되는 경우에, 제 2 타입의 심전도 신호(예컨대, 흉부 유도 심전도 신호)에 대한 추가 측정이 유도되므로, 제 1 타입의 심전도 신호(예컨대, 단일 유도 심전도 신호 또는 사지 유도 심전도 신호) 기반의 잘못된 진단 정보가 확정되는 것을 방지할 수 있다.
한편, 상기 S230 단계에서 활용될 수 있는 상기 신경망 모델(이진 분류 모델)은, ① “제 1 타입의 심전도 신호를 기반으로 진단 정보를 예측하는 제 1 모델” 및 “제 1 타입의 심전도 신호 및 제 2 타입의 심전도 신호 기반으로 진단 정보를 예측하는 제 2 모델”을 각각 학습시키는 동작, ② 일반 심전도 데이터들을 상기 제 1 모델 및 상기 제 2 모델에 각각 입력하여 예측을 수행하는 동작, ③ 상기 제 1 모델 및 상기 제 2 모델에 의해 차이가 큰 예측 값들이 생성되는 경우, 해당 데이터들을 추출하여 참(true)으로 레이블링(labeling)하고, 차이가 크지 않은 예측 값들이 생성되는 경우, 해당 데이터들을 추출하여 거짓(false)으로 레이블링하는 동작, ④ 이렇게 레이블링된 데이터들을 활용하여 상기 신경망 모델(이진 분류 모델)을 학습시키는 동작 등을 포함하는 예시적인 프로세스를 통해 학습될 수 있다.
도 7은 본 개시의 일 실시예에 따라, 정량적인 심전도 분석 정보에 기초하여 심전도 신호가 추가적으로 필요한지 여부를 결정시키기 위한 순서도이다.
도 7을 참조하면, 상기 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하는 단계(S200)는, 상기 제 1 타입의 심전도 신호 기반의 진단 정보가 미리 결정된 기간 이내에 2 회 이상 생성되고(S110), 상기 2 회 이상 생성된 진단 정보에 의해 기 설정된 횟수 이상의 심전도 문제가 진단되는 경우(S250), 상기 제 2 타입의 심전도 신호가 추가적으로 필요하다고 결정되는 단계(S290)를 포함할 수 있다.
예를 들어, 프로세서(110)는, 상기 제 1 타입의 심전도 신호(예컨대, 단일 유도 심전도 신호 또는 사지 유도 심전도 신호) 기반으로 심전도의 이상 여부를 예측 혹은 진단을 위한 정보를 제공하는 신경망 모델을 활용하여, 미리 결정된 기간(예컨대, 1시간, 12시간, 1일 등) 이내에 N회(N은 2 이상의 자연수) 이상 진단을 수행한 결과, N회 생성된 진단 정보에 의해 K회(K는 N보다 작은 자연수) 이상의 심전도 문제가 진단된 경우, 추가적으로 정밀한 진단을 유도하는 차원에서 상기 제 2 타입의 심전도 신호에 대한 추가적인 측정을 유도할 수 있다.
도 8은 본 개시의 몇몇 실시예에 따라, 복수의 유도 신호들에 대한 파형을 기반으로 심전도의 추가 측정을 유도하기 위한 순서도이다.
도 8을 참고하면, 상기 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하는 단계(S200)는, 상기 제 1 타입의 심전도 신호에 포함되는 복수의 유도 신호들(310, 320) 각각의 파형을 추출하는 단계, 및 상기 복수의 유도 신호들(310, 320)의 파형들 사이의 차이에 기초하여, 상기 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하는 단계(S290)를 포함한다.
구체적으로는, 유도 I(310), 유도 Ⅱ(320) 심전도에 대해 각각 P-QRS-T 파형(wave)을 추출했을 때 추출된 complex 중 1개 이상의 complex에서 위치, 형태 또는 갯수에 차이가 있는 경우 흉부 유도에 추가 측정을 제시하여, 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 확인할 수 있다. 이때, complex는 PR-구간의 간격(interval), 박동의 QRS-구간의 간격, 박동의 QT-구간의 간격, 또는 박동의 R-피크(peak)의 위치 중 하나 이상을 포함할 수 있다.
일례로, 프로세서(110)는 상기 제 1 타입의 심전도 신호에 포함된 사지 유도 신호들 중 유도 I(310), 유도 Ⅱ(320) 신호를 입력 받은 뒤, 각 신호에서 심전도 그래프의 좌표를 설정하고 그 안에서 박동의 p, q, r, s, t의 좌표를 식별하여 복수 요소들의 파형 위치 정보를 생성할 수 있다. 다음으로, 프로세서(110)는 유도 I의 파형 위치 정보와 유도 Ⅱ의 파형 위치 정보를 직접 비교하는 연산을 수행하여, 기 설정된 값 이상일 경우, 제 2 타입의 심전도 신호가 추가적으로 필요하다고 결정할 수 있다.
또는, 생성된 상기 파형 위치 정보를 이용하여 상기 유도 I(310) 및 상기 유도 Ⅱ(320) 신호에 포함된 요소인 PR-구간의 간격, QRS-구간의 간격 또는 QT-구간의 간격 값을 도출할 수 있고, 프로세서(110)는 유도 I(310), 유도 Ⅱ(320)의 PR-구간의 간격, QRS-구간의 간격 또는 QT-구간의 간격 중 어느 하나의 값의 차이가 기 설정된 값 이상일 경우, 제 2 타입의 심전도 신호가 추가적으로 필요하다고 결정할 수 있다.
이렇게 사지 유도 신호의 유도 I(310)과 유도 Ⅱ(320) 신호의 비교를 통해 흉부 유도가 필요한지 여부를 자동으로 식별하여 알리는 경우, 상기 사지 유도 신호가 스크리닝(screening) 역할을 수행할 수 있다. 결과적으로, 본 개시에 의해 의료진의 부담을 경감하고 흉부 유도 신호 측정이 필요한 빈도를 줄일 수 있으면서, 심전도 신호를 정확하게 모니터링 할 수 있는 효과가 발생한다.
추가적으로, 본 개시의 일 실시예에 따르면, 상기 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하는 단계는, ① 제 1 기준 값(cut-off value)을 갖고 심혈관계 이상을 예측하는 제 1 예측 모델에 상기 제 1 타입의 심전도 신호(예컨대, 단일 유도 심전도 신호 또는 사지 유도 심전도 신호)를 입력하여 예측 값을 생성하는 단계, 및 ②상기 생성된 예측 값에 기초하여 상기 제 2 타입의 심전도 신호(예컨대, 흉부 유도 심전도 신호)가 추가적으로 필요한지 여부를 결정하는 단계를 포함하는 것일 수 있다.
이때, 상기 제 2 타입의 심전도 신호는, 제 2 기준 값을 갖고 심혈관계 이상을 예측하는 제 2 예측 모델(예컨대, 12 유도 신호에 기반하는 예측 모델)에 입력되기 위한 것일 수 있고, 상기 제 2 기준 값은, 상기 제 1 기준 값과 상이하게 설정될 수 있다.
또한, 상기 제 1 기준 값 및 상기 제 2 기준 값은, 민감도 또는 특이도를 고려하여 서로 상이하게 설정될 수 있다. 예를 들어, 상기 제 1 기준 값 및 상기 제 2 기준 값은, 상기 제 1 예측 모델의 퍼포먼스(performance)가 상기 제 2 예측 모델에 비해 더 높은 민감도를 가지도록(예컨대, 민감도 기준이 0.8-0.9라고 할 때, 제 1 예측 모델이 0.9의 민감도를 가지도록), 서로 상이하게 설정될 수 있다. 이렇게 설정되는 경우, 상기 제 1 예측 모델이 심혈관계 이상과 관련하여 상기 제 2 예측 모델보다 더 높은 빈도로 알람을 생성할 수 있으며, 이러한 동작을 통해 상기 제 1 예측 모델이 심혈관계 이상 진단의 선행적인 스크리닝(screening) 수단으로써 활용될 수 있기 때문이다. 한편, 이러한 본 개시의 일 실시예는, 상기 제 1 예측 모델이 보다 잦은 위양성 알람(false alarm)을 생성하게 되더라도, 특정 질환이 의심 가는 환자들에 대해 상기 제 2 타입의 심전도 신호(예컨대, 흉부 유도 심전도 신호)를 추가로 측정하게 함으로써, 더 정확한 진단을 제공하고 환자를 놓치는 경우를 줄일 수 있다.
도 9는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
Claims (13)
- 심전도의 추가 측정을 유도하기 위해, 프로세서에 의해 수행되는 방법으로서,
제 1 타입의 심전도 신호를 획득하는 단계; 및
상기 제 1 타입의 심전도 신호에 관한 정보 또는 상기 제 1 타입의 심전도 신호 기반의 진단 정보 중 적어도 하나에 기초하여, 상기 제 1 타입의 심전도 신호와는 상이한 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하는 단계
를 포함하는,
방법.
- 제 1 항에 있어서,
상기 제 1 타입의 심전도 신호는, 단일 유도(single lead) 심전도 신호 또는 사지 유도(limb lead) 심전도 신호를 포함하는,
방법.
- 제 1 항에 있어서,
상기 제 2 타입의 심전도 신호는, 흉부 유도(precordial lead) 심전도 신호를 포함하는,
방법.
- 제 1 항에 있어서,
상기 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하는 단계는,
상기 제 1 타입의 심전도 신호 기반의 진단 정보가 미리 결정된 타입의 질병에 대응되는 경우, 상기 제 2 타입의 심전도 신호가 추가적으로 필요하다고 결정하는 단계를 포함하는,
방법.
- 제 4 항에 있어서,
상기 미리 결정된 타입의 질병은, 사지 유도보다 흉부 유도에 더 민감한 것으로 분류된 질병, 또는 사지 유도와 흉부 유도에 대하여 서로 상이한 진단 방식이 존재하는 것으로 분류된 질병 중 적어도 하나의 질병을 포함하는,
방법.
- 제 1 항에 있어서,
상기 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하는 단계는,
상기 제 1 타입의 심전도 신호 기반의 예측 값이 기준 값(cut-off)으로부터 미리 결정된 영역 내에 있는 경우, 상기 제 2 타입의 심전도 신호가 추가적으로 필요하다고 결정하는 단계를 포함하는,
방법.
- 제 1 항에 있어서,
상기 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하는 단계는,
상기 제 1 타입의 심전도 신호에 기초하여, 상기 제 1 타입의 심전도 신호 기반의 제 1 진단 정보와, 상기 제 1 타입의 심전도 신호 및 상기 제 2 타입의 심전도 신호 기반의 제 2 진단 정보 사이의 차이를 예측하는 단계; 및
상기 예측된 차이에 기초하여, 상기 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하는 단계
를 포함하는,
방법.
- 제 1 항에 있어서,
상기 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하는 단계는,
제 1 기준 값을 갖는 제 1 예측 모델에 상기 제 1 타입의 심전도 신호를 입력하여 예측 값을 생성하는 단계; 및
상기 생성된 예측 값에 기초하여 상기 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하는 단계
를 포함하고,
상기 제 2 타입의 심전도 신호는, 제 2 기준 값을 갖는 제 2 예측 모델에 입력되기 위한 것이고,
상기 제 1 기준 값은, 상기 제 2 기준 값과 상이하게 설정되는,
방법.
- 제 1 항에 있어서,
상기 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하는 단계는,
상기 제 1 타입의 심전도 신호 기반의 진단 정보가 미리 결정된 기간 이내에 2 회 이상 생성되고, 상기 2 회 이상 생성된 진단 정보에 의해 기 설정된 횟수 이상의 심전도 문제가 진단된 경우, 상기 제 2 타입의 심전도 신호가 추가적으로 필요하다고 결정되는 단계
를 포함하는,
방법.
- 제 1 항에 있어서,
상기 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하는 단계는,
상기 제 1 타입의 심전도 신호에 포함되는 복수의 유도 신호들 각각의 파형을 추출하는 단계; 및
상기 복수의 유도 신호들의 파형들 사이의 차이에 기초하여, 상기 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하는 단계
를 포함하는,
방법.
- 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에 의해 실행되는 경우, 심전도의 추가 측정을 유도하기 위한 동작들을 수행하도록 하며, 상기 동작들은,
제 1 타입의 심전도 신호를 획득하는 동작; 및
상기 제 1 타입의 심전도 신호에 관한 정보 또는 상기 제 1 타입의 심전도 신호 기반의 진단 정보 중 적어도 하나에 기초하여, 상기 제 1 타입의 심전도 신호와는 상이한 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하는 동작
을 포함하는,
컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램.
- 심전도의 추가 측정을 유도하기 위한 컴퓨팅 장치로서,
하나 이상의 코어를 포함하는 프로세서; 및
메모리;
를 포함하고,
상기 프로세서는,
제 1 타입의 심전도 신호를 획득하고; 그리고
상기 제 1 타입의 심전도 신호에 관한 정보 또는 상기 제 1 타입의 심전도 신호 기반의 진단 정보 중 적어도 하나에 기초하여, 상기 제 1 타입의 심전도 신호와는 상이한 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하는,
컴퓨팅 장치.
- 사용자 장비(user equipment)로서,
적어도 하나의 프로세서; 및
메모리;
를 포함하고,
상기 적어도 하나의 프로세서는,
제 1 타입의 심전도 신호와는 상이한 제 2 타입의 심전도 신호가 추가적으로 필요한지 여부를 결정하고; 그리고
상기 제 2 타입의 심전도 신호의 추가적인 측정과 관련된 피드백 정보를 생성하도록 구성되는,
사용자 장비.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220144416A KR20240062655A (ko) | 2022-11-02 | 2022-11-02 | 심전도의 추가 측정 유도 방법 |
| PCT/KR2023/013230 WO2024096290A1 (ko) | 2022-11-02 | 2023-09-05 | 심전도의 추가 측정 유도 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220144416A KR20240062655A (ko) | 2022-11-02 | 2022-11-02 | 심전도의 추가 측정 유도 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240062655A true KR20240062655A (ko) | 2024-05-09 |
Family
ID=90930726
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220144416A KR20240062655A (ko) | 2022-11-02 | 2022-11-02 | 심전도의 추가 측정 유도 방법 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR20240062655A (ko) |
| WO (1) | WO2024096290A1 (ko) |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7881778B2 (en) * | 2006-09-28 | 2011-02-01 | The General Electric Company | Floating physiological data acquisition system with expandable ECG and EEG |
| GB201101858D0 (en) * | 2011-02-03 | 2011-03-23 | Isansys Lifecare Ltd | Health monitoring |
| ES2953946T3 (es) * | 2014-10-31 | 2023-11-17 | Irhythm Tech Inc | Sistema de monitorización fisiológica |
| US10405765B2 (en) * | 2016-03-03 | 2019-09-10 | General Electric Company | Modular electrocardiogram device with high quality differential limb-leads and modularly expandable chest-leads |
| KR102402764B1 (ko) * | 2020-05-29 | 2022-05-27 | 주식회사 뷰노 | 휴대용 심전도 측정 장치 |
-
2022
- 2022-11-02 KR KR1020220144416A patent/KR20240062655A/ko not_active Application Discontinuation
-
2023
- 2023-09-05 WO PCT/KR2023/013230 patent/WO2024096290A1/ko unknown
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024096290A1 (ko) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pathinarupothi et al. | IoT-based smart edge for global health: Remote monitoring with severity detection and alerts transmission | |
| Smith et al. | A deep neural network learning algorithm outperforms a conventional algorithm for emergency department electrocardiogram interpretation | |
| US20240156357A1 (en) | Discordance monitoring | |
| Moghadas et al. | An IoT patient monitoring based on fog computing and data mining: Cardiac arrhythmia usecase | |
| US10779744B2 (en) | Automatic method to delineate or categorize an electrocardiogram | |
| JP6986724B2 (ja) | 人工知能に基づく心電図干渉識別方法 | |
| Lake et al. | Accurate estimation of entropy in very short physiological time series: the problem of atrial fibrillation detection in implanted ventricular devices | |
| EP3777674A1 (en) | Time series data learning and analyzing method using artificial intelligence | |
| Ripoll et al. | ECG assessment based on neural networks with pretraining | |
| KR102197112B1 (ko) | 시계열 생체 신호 기반의 인공신경망 모델 학습 컴퓨터 프로그램 및 방법 | |
| US20220265199A1 (en) | Automatic method to delineate or categorize an electrocardiogram | |
| US20230335289A1 (en) | Systems and methods for generating health risk assessments | |
| Demirel et al. | Energy-efficient real-time heart monitoring on edge–fog–cloud internet of medical things | |
| Kangwanariyakul et al. | Data mining of magnetocardiograms for prediction of ischemic heart disease | |
| Naseri Jahfari et al. | Machine learning for cardiovascular outcomes from wearable data: systematic review from a technology readiness level point of view | |
| Shrestha et al. | ECG data analysis with IoT and machine learning | |
| EP4216232A1 (en) | Methods and system for cardiac arrhythmia prediction using transformer-based neural networks | |
| Han et al. | Automatic detection of ECG cable interchange by analyzing both morphology and interlead relations | |
| KR20240062655A (ko) | 심전도의 추가 측정 유도 방법 | |
| Liu et al. | Multi-task cascaded assessment of signal quality for long-term single-lead ECG monitoring | |
| KR102208760B1 (ko) | 생체 신호에 기반하여 건강상태 및 병리증상을 진단하기 위한 영상 데이터 생성방법 | |
| KR20230043320A (ko) | 심박변이도 특징 값을 추출하기 위한 방법 | |
| Mousa et al. | Selective lead integration: Enhancing ecg classification for effective cardiac monitoring | |
| KR20240077740A (ko) | 심전도 진단을 위한 학습 데이터를 생성하는 방법 | |
| Durga | Intelligent Support for Cardiovascular Diagnosis: The AI-CDSS Approach |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |