WO2020091229A1 - 인공 신경망을 이용하여 부정맥을 인식하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 - Google Patents

인공 신경망을 이용하여 부정맥을 인식하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 Download PDF

Info

Publication number
WO2020091229A1
WO2020091229A1 PCT/KR2019/012478 KR2019012478W WO2020091229A1 WO 2020091229 A1 WO2020091229 A1 WO 2020091229A1 KR 2019012478 W KR2019012478 W KR 2019012478W WO 2020091229 A1 WO2020091229 A1 WO 2020091229A1
Authority
WO
WIPO (PCT)
Prior art keywords
arrhythmia
ecg signal
artificial neural
neural network
target
Prior art date
Application number
PCT/KR2019/012478
Other languages
English (en)
French (fr)
Inventor
길영준
정성훈
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
Publication of WO2020091229A1 publication Critical patent/WO2020091229A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Definitions

  • the present invention relates to a method, system and a non-transitory computer readable recording medium for recognizing arrhythmias using artificial neural networks.
  • arrhythmias can be subdivided into ten or more different types according to their characteristics, and in order to accurately recognize which electrocardiogram signal corresponds to what kind of arrhythmia condition, the ECG signal corresponding to the normal state and the various arrhythmia states It is necessary to train an artificial neural network using various and extensive data on a corresponding ECG signal.
  • the artificial neural network is implemented or trained in a manner that treats the steady state ECG data equally to any one of the various types of arrhythmia ECG data among the various types of arrhythmias, despite the presence of the asymmetry as described above, among the steady state ECG data Since most of the data (for example, 90% or more) except for some data cannot be used for the implementation or learning of the artificial neural network, a problem may occur in which the implementation or learning of the artificial neural network is poor.
  • the present inventor proposes a technique for accurately recognizing arrhythmia and type from an electrocardiogram signal by using the first artificial neural network to discriminate arrhythmia and the second artificial neural network for recognizing arrhythmia in stages.
  • the present invention aims to solve all the above-mentioned problems.
  • the present invention is a method, system and non-transient method for accurately recognizing arrhythmia and type from an ECG signal by using the first artificial neural network for discriminating arrhythmia and the second artificial neural network for recognizing arrhythmia step by step.
  • Another object is to provide a computer readable recording medium.
  • a first artificial neural network that is learned based on at least one of data related to a steady state ECG signal and data related to an arrhythmia ECG signal is used.
  • Performing a first decision to determine whether at least a part of the target ECG signal corresponds to an arrhythmia state by analyzing the target ECG signal of the subject to be measured, and at least a part of the target ECG signal corresponds to an arrhythmia state If it is determined that the target ECG signal is analyzed using a second artificial neural network that is learned based on data on a plurality of types of arrhythmia state ECG signals, at least some of the target ECG signals correspond to certain types of arrhythmia states To make a second decision to determine whether The method is provided comprising a.
  • a system for recognizing arrhythmia using an artificial neural network an electrocardiogram signal acquiring unit for acquiring a target ECG signal measured from a subject, and data on a steady state ECG signal and an arrhythmia state ECG signal Performing a first determination to determine whether at least a portion of the target ECG signal corresponds to an arrhythmia state by analyzing the target ECG signal using a first artificial neural network learned based on at least one of the data relating to, If it is determined that at least a portion of the target ECG signal corresponds to an arrhythmia state, the target ECG signal is analyzed by analyzing the target ECG signal using a second artificial neural network learned based on data on a plurality of types of arrhythmia ECG signals. At least some of the ECG signals The system including a ECG signal analysis is provided for performing a second determination to determine whether the current state of the arrhythmia.
  • the present invention by using the first artificial neural network for determining the arrhythmia and the second artificial neural network for recognizing the type of arrhythmia in stages, an effect of accurately recognizing arrhythmia and type from the ECG signal is achieved. .
  • each of the first artificial neural network for discriminating arrhythmia and the second artificial neural network for recognizing the type of arrhythmia are respectively classified. It is possible to correctly learn, and accordingly, an effect of accurately determining an ECG signal to be measured is achieved.
  • FIG. 1 is a view schematically showing the configuration of the entire system according to the present invention.
  • FIG. 2 is a diagram showing the internal configuration of an arrhythmia recognition system according to an embodiment of the present invention by way of example.
  • FIG. 3 is a diagram conceptually showing a configuration of a first artificial neural network used to determine whether an arrhythmia is present according to an embodiment of the present invention.
  • FIG. 4 is a diagram exemplarily showing a process of recognizing arrhythmia and types of arrhythmias by using the first artificial neural network and the second artificial neural network stepwise according to an embodiment of the present invention.
  • control unit 240 control unit
  • FIG. 1 is a view schematically showing the configuration of the entire system according to the present invention.
  • the entire system may include a communication network 100, an arrhythmia recognition system 200, and a device 300.
  • the communication network 100 can be configured regardless of a communication mode such as wired communication or wireless communication, a local area network (LAN, Local Area Network), a metropolitan area network (MAN, Metropolitan Area Network) ), A wide area network (WAN, Wide Area Network).
  • a communication mode such as wired communication or wireless communication, a local area network (LAN, Local Area Network), a metropolitan area network (MAN, Metropolitan Area Network) ), A wide area network (WAN, Wide Area Network).
  • the communication network 100 referred to herein includes a known short-range wireless communication network such as Wi-Fi, Wi-Fi Direct, LTE Direct, and Bluetooth. Can be.
  • the communication network 100 need not be limited thereto, and may include a known wired / wireless data communication network, a known telephone network, or a known wired / wireless television communication network in at least a part thereof.
  • the communication network 100 is a wireless data communication network, WiFi (WiFi) communication, WiFi Direct (WiFi-Direct) communication, Long Term Evolution (LTE) communication, Bluetooth communication (low-power Bluetooth (BLE; Bluetooth Low) Energy)), infrared communication, ultrasonic communication, or the like, may be implemented in at least a part of a conventional communication method.
  • the communication network 100 may be an optical communication network, and implement at least a part of a conventional communication method such as LiFi (Light Fidelity).
  • the arrhythmia recognition system 200 avoids using a first artificial neural network that is learned based on at least one of data related to a steady state ECG signal and data related to an arrhythmia ECG signal.
  • a first determination is made to determine whether at least a portion of the target ECG signal corresponds to an arrhythmia state, and when it is determined that at least a portion of the target ECG signal corresponds to the arrhythmia state, a plurality of
  • a second determination is performed to determine which kind of arrhythmia state corresponds to at least a part of the target ECG signal can do.
  • arrhythmia recognition system 200 The function of the arrhythmia recognition system 200 will be described in more detail below. Meanwhile, the arrhythmia recognition system 200 has been described as above, but these descriptions are exemplary, and at least some of the functions or components required for the arrhythmia recognition system 200 may be realized in the device 300 as necessary. It will be apparent to those skilled in the art that it may be included in the device 300.
  • the device 300 is a digital device including a function capable of communicating after connecting to the arrhythmia recognition system 200, comprising a memory means and mounting a microprocessor to perform computational capability
  • Any digital device equipped with can be adopted as the device 300 according to the present invention.
  • the device 300 is a wearable device, such as a smart glass, smart watch, smart band, smart ring, smart necklace, etc., or rather traditional, such as a smart phone, smart pad, desktop computer, laptop computer, workstation, PDA, web pad, mobile phone, etc. It can be a device.
  • the device 300 may include sensing means (eg, a contact electrode, an imaging device, etc.) for obtaining a predetermined biosignal from the human body, and measure the biosignal. It may include a display means for providing a variety of information about the user.
  • sensing means eg, a contact electrode, an imaging device, etc.
  • a display means for providing a variety of information about the user.
  • the device 300 may further include an application program for performing a function according to the present invention.
  • an application may exist in the form of a program module in the corresponding device 300.
  • the characteristics of the program module may be generally similar to the ECG signal acquisition unit 210, the ECG signal analysis unit 220, the communication unit 230, and the control unit 240 of the arrhythmia recognition system 200, which will be described later.
  • the application may be replaced with a hardware device or a firmware device capable of performing at least a part of the same or a substantially equivalent function as necessary.
  • FIG. 2 is a diagram showing the internal configuration of an arrhythmia recognition system according to an embodiment of the present invention by way of example.
  • the arrhythmia recognition system 200 includes an electrocardiogram signal acquisition unit 210, an electrocardiogram signal analysis unit 220, a communication unit 230, and a control unit 240.
  • It can be program modules. These program modules may be included in the arrhythmia recognition system 200 in the form of an operating system, an application program module, and other program modules, and may be physically stored on various known storage devices.
  • program modules may be stored in a remote storage device capable of communicating with the arrhythmia recognition system 200.
  • program modules include, but are not limited to, routines, subroutines, programs, objects, components, data structures, etc. that perform specific tasks to be described later or execute specific abstract data types according to the present invention.
  • the electrocardiogram signal acquisition unit 210 may perform a function of acquiring an electrocardiogram (ECG) signal from at least one device that is in contact with a body part of the subject.
  • ECG electrocardiogram
  • the electrocardiogram signal may be obtained through a wireless communication network.
  • the ECG signal may be transmitted through a known short-range wireless communication network such as Wi-Fi, Wi-Fi Direct, LTE Direct, and Bluetooth.
  • the electrocardiogram signal analysis unit 220 by using the first artificial neural network and the second artificial neural network step by step to determine whether the arrhythmia from the ECG signal to be analyzed and the arrhythmia It can perform the function of recognizing the type.
  • the electrocardiogram signal analysis unit 220 uses a first artificial neural network that is learned based on at least one of data related to a steady state ECG signal and data related to an arrhythmia ECG signal. By analyzing the target electrocardiogram signal, the first determination may be performed to determine whether at least a part of the target electrocardiogram signal corresponds to an arrhythmia condition.
  • the electrocardiogram signal analysis unit 220 may implement and train a first artificial neural network based on an autoencoder technology.
  • the technology that can be used to implement and train the first artificial neural network in the present invention is not necessarily limited to those listed above, and may be changed as many as possible within the scope of achieving the object of the present invention. Reveals.
  • FIG. 3 is a diagram conceptually showing a configuration of a first artificial neural network used to determine whether an arrhythmia is present according to an embodiment of the present invention.
  • the first artificial neural network may be implemented in a structure in which an encoder and a decoder are sequentially combined, and a dimension of an input end of an encoder and a dimension of an output end of a decoder are the same.
  • the ECG signal X input to the encoder and the ECG signal X ′ output from the decoder may be learned in the same direction.
  • the electrocardiogram signal analysis unit 220 may train the first artificial neural network based only on the steady state electrocardiogram signal. Assuming that the first artificial neural network has been successfully learned according to this learning method, when the ECG signal corresponding to the normal state is input to the first artificial neural network, the input ECG signal and the ECG signal output from the first artificial neural network The difference may be relatively small, and when the ECG signal corresponding to the arrhythmia state is input to the first artificial neural network, the difference between the input ECG signal and the ECG signal output from the first artificial neural network may be relatively large. .
  • the electrocardiogram signal analysis unit 220 when inputting a target electrocardiogram signal to a first artificial neural network, measures the input ECG signal. 1 If the difference between the ECG signals output from the artificial neural network is less than a predetermined level, the target ECG signal may be determined to be a steady state ECG signal, and if the difference is greater than a predetermined level, the target ECG signal may be determined to be an arrhythmia ECG signal. Can be.
  • the ECG signal analysis unit 220 determines that at least a portion of the target ECG signal corresponds to an arrhythmia state, data related to a plurality of types of arrhythmia state ECG signals are determined.
  • the target ECG signal By analyzing the target ECG signal using the second artificial neural network that is learned based on the second determination, it is possible to perform a second determination to determine which kind of arrhythmia condition corresponds to at least a part of the target ECG signal.
  • the electrocardiogram signal analysis unit 220 the second artificial based on at least one of a convolutional neural network (CNN) and a recurrent neural network (RNN) You can implement and train neural networks.
  • CNN convolutional neural network
  • RNN recurrent neural network
  • the technology that can be used to implement and train the second artificial neural network in the present invention is not necessarily limited to those listed above, and may be changed as many as possible within the scope of achieving the object of the present invention. Reveals.
  • the ECG signal analysis unit 220 may train a second artificial neural network using various types of arrhythmia ECG signals. Assuming that the second artificial neural network is successfully learned according to this learning, when an ECG signal is input to the second artificial neural network, a probability that the corresponding ECG signal corresponds to a specific type of arrhythmia can be derived as an output.
  • FIG. 4 is a diagram illustrating a process of sequentially recognizing arrhythmia and types of arrhythmias using the first artificial neural network and the second artificial neural network stepwise according to an embodiment of the present invention.
  • the ECG signal analysis unit 220 may determine whether a target ECG signal corresponds to an arrhythmia state using a first artificial neural network, and the target ECG signal is an arrhythmia.
  • the second artificial neural network may be used to determine what kind of arrhythmia condition the target ECG signal corresponds to.
  • the target ECG signal in the first step using the first artificial neural network, may be determined to correspond to an arrhythmia state, and in the second step using the second artificial neural network, the target ECG signal is probable It can be determined that this corresponds to the arrhythmia of the type of atrial fibrillation (AFIB), which is the highest as 0.8.
  • AFIB atrial fibrillation
  • the communication unit 230 may perform a function to enable data transmission / reception to / from the ECG signal acquisition unit 210 and the ECG signal analysis unit 220.
  • control unit 240 may perform a function of controlling the flow of data between the ECG signal acquisition unit 210, the ECG signal analysis unit 220, and the communication unit 230. That is, the controller 240 according to the present invention controls the data flow from / to the external of the arrhythmia recognition system 200 or the data flow between each component of the arrhythmia recognition system 200, thereby obtaining the ECG signal acquisition unit 210 , ECG signal analysis unit 220 and the communication unit 230 may be controlled to perform a unique function, respectively.
  • the embodiments according to the present invention described above may be implemented in the form of program instructions that can be executed through various computer components to be recorded in a non-transitory computer-readable recording medium.
  • the non-transitory computer-readable recording medium may include program instructions, data files, data structures, or the like alone or in combination.
  • the program instructions recorded on the non-transitory computer-readable recording medium may be specially designed and configured for the present invention or may be known and available to those skilled in the computer software field.
  • non-transitory computer-readable recording media examples include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical recording media such as CD-ROMs, DVDs, and magnetic-optical media such as floptical disks ( magneto-optical media), and hardware devices specifically configured to store and execute program instructions such as ROM, RAM, flash memory, and the like.
  • program instructions include not only machine language codes produced by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like.
  • the hardware device may be configured to operate as one or more software modules to perform processing according to the present invention, and vice versa.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Human Computer Interaction (AREA)
  • Physiology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Cardiology (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

본 발명의 일 태양에 따르면, 인공 신경망을 이용하여 부정맥을 인식하기 위한 방법으로서, 정상 상태 심전도 신호에 관한 데이터 및 부정맥 상태 심전도 신호에 관한 데이터 중 적어도 하나에 기초하여 학습되는 제1 인공 신경망을 이용하여 피측정자의 대상 심전도 신호를 분석함으로써, 상기 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는지 여부를 결정하는 제1 결정을 수행하는 단계, 및 상기 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는 것으로 판단되면, 복수의 종류의 부정맥 상태 심전도 신호에 관한 데이터에 기초하여 학습되는 제2 인공 신경망을 이용하여 상기 대상 심전도 신호를 분석함으로써, 상기 대상 심전도 신호 중 적어도 일부가 어떤 종류의 부정맥 상태에 해당하는지를 결정하는 제2 결정을 수행하는 단계를 포함하는 방법이 제공된다.

Description

인공 신경망을 이용하여 부정맥을 인식하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
본 발명은 인공 신경망을 이용하여 부정맥을 인식하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체에 관한 것이다.
최근 과학 기술의 비약적인 발전으로 인해 인류 전체의 삶의 질이 향상되고 있으며, 의료 환경에서도 많은 변화가 발생하였다. 과거에는 병원에서 X-ray, CT, fMRI 등의 의료영상을 촬영한 후 몇 시간 또는 며칠을 기다려야 영상 판독이 가능했었다.
최근에는, 피측정자의 다양한 신체 부위(가슴, 손목, 발목, 등)와 접점을 형성시켜 생체 신호(ECG 신호 등)를 측정하는 웨어러블 디바이스가 널리 보급됨에 따라, 일상 생활 중에 생체 신호를 상시적으로 측정 또는 분석할 수 있는 기술이 소개되고 있고, 특히, 상시적으로 측정되는 심전도(ECG) 신호를 분석함으로써 부정맥을 인식하는 기술이 주목을 받고 있다.
종래에는 숙련된 의료진이 자신의 임상적인 판단에 기초하여 심전도 신호를 직접 판독함으로써 부정맥을 판별하는 전통적으로 방식에 의존하였지만, 최근에는 비약적으로 발전하고 있는 인공지능(또는 인공 신경망) 기술을 활용하여 심전도 신호를 분석함으로써 부정맥 여부를 판별하거나 부정맥의 종류(유형)을 인식하는 기술이 소개되고 있다.
구체적으로, 부정맥은 그 특성에 따라 10가지 이상의 다양한 종류로 세분화될 수 있으며, 어떤 심전도 신호가 어떤 종류의 부정맥 상태에 해당하는지를 정확하게 인식하기 위해서는 정상 상태에 해당하는 심전도 신호와 다양한 종류의 부정맥 상태에 해당하는 심전도 신호에 관한 다양하고 방대한 데이터를 이용하여 인공 신경망을 학습시킬 필요가 있다.
하지만, 병원이나 일상에서 측정되는 심전도 신호를 구성하는 데이터 중 90% 이상의 데이터가 정상 상태(normal sinus rhythm)에 해당하는 데이터이기 때문에, 정상 상태 심전도 데이터와 부정맥 상태 심전도 데이터 사이의 비대칭이 발생하게 되고, 이러한 데이터 양의 비대칭으로 인해 인공 신경망을 올바르게 학습시키기 어렵게 되는 문제가 발생한다.
한편, 위와 같은 비대칭이 존재함에도 불구하고, 정상 상태 심전도 데이터를 다양한 종류의 부정맥 중 어느 한 종류의 부정맥 상태 심전도 데이터와 동등하게 취급하는 방식으로 인공 신경망을 구현하거나 학습시키게 되면, 정상 상태 심전도 데이터 중 극히 일부 데이터를 제외한 나머지 대부분의(예를 들면, 90% 이상의) 데이터는 인공 신경망의 구현 또는 학습에 활용될 수 없기 때문에, 인공 신경망의 구현 또는 학습이 부실하게 이루어지는 문제가 발생할 수 있다.
이에, 본 발명자는, 부정맥 여부를 판별하기 위한 제1 인공 신경망과 부정맥의 종류를 인식하기 위한 제2 인공 신경망을 단계적으로 이용함으로써 심전도 신호로부터 부정맥 여부 및 유형을 정확하게 인식하는 기술을 제안하는 바이다.
본 발명은 상술한 문제점을 모두 해결하는 것을 그 목적으로 한다.
또한, 본 발명은 부정맥 여부를 판별하기 위한 제1 인공 신경망과 부정맥의 종류를 인식하기 위한 제2 인공 신경망을 단계적으로 이용함으로써 심전도 신호로부터 부정맥 여부 및 유형을 정확하게 인식하는 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체를 제공하는 것을 다른 목적으로 한다.
상기 목적을 달성하기 위한 본 발명의 대표적인 구성은 다음과 같다.
본 발명의 일 태양에 따르면, 인공 신경망을 이용하여 부정맥을 인식하기 위한 방법으로서, 정상 상태 심전도 신호에 관한 데이터 및 부정맥 상태 심전도 신호에 관한 데이터 중 적어도 하나에 기초하여 학습되는 제1 인공 신경망을 이용하여 피측정자의 대상 심전도 신호를 분석함으로써, 상기 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는지 여부를 결정하는 제1 결정을 수행하는 단계, 및 상기 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는 것으로 판단되면, 복수의 종류의 부정맥 상태 심전도 신호에 관한 데이터에 기초하여 학습되는 제2 인공 신경망을 이용하여 상기 대상 심전도 신호를 분석함으로써, 상기 대상 심전도 신호 중 적어도 일부가 어떤 종류의 부정맥 상태에 해당하는지를 결정하는 제2 결정을 수행하는 단계를 포함하는 방법이 제공된다.
본 발명의 다른 태양에 따르면, 인공 신경망을 이용하여 부정맥을 인식하기 위한 시스템으로서, 피측정자로부터 측정되는 대상 심전도 신호를 획득하는 심전도 신호 획득부, 및 정상 상태 심전도 신호에 관한 데이터 및 부정맥 상태 심전도 신호에 관한 데이터 중 적어도 하나에 기초하여 학습되는 제1 인공 신경망을 이용하여 상기 대상 심전도 신호를 분석함으로써, 상기 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는지 여부를 결정하는 제1 결정을 수행하고, 상기 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는 것으로 판단되면, 복수의 종류의 부정맥 상태 심전도 신호에 관한 데이터에 기초하여 학습되는 제2 인공 신경망을 이용하여 상기 대상 심전도 신호를 분석함으로써, 상기 대상 심전도 신호 중 적어도 일부가 어떤 종류의 부정맥 상태에 해당하는지를 결정하는 제2 결정을 수행하는 심전도 신호 분석부를 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, 부정맥 여부를 판별하기 위한 제1 인공 신경망과 부정맥의 종류를 인식하기 위한 제2 인공 신경망을 단계적으로 이용함으로써 심전도 신호로부터 부정맥 여부 및 종류를 정확하게 인식할 수 있게 되는 효과가 달성된다.
또한, 본 발명에 의하면, 정상 상태 심전도 데이터가 부정맥 상태 심전도 데이터보다 훨씬 많은 비대칭적인 환경에서도, 부정맥 여부를 판별하기 위한 제1 인공 신경망과 부정맥의 종류를 인식하기 위한 제2 인공 신경망을 구분하여 각각 올바르게 학습시킬 수 있으며, 이에 따라 피측정자의 대상 심전도 신호를 정확하게 판별할 수 있게 되는 효과가 달성된다.
도 1은 본 발명에 따른 전체 시스템의 구성을 개략적으로 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 부정맥 인식 시스템의 내부 구성을 예시적으로 나타내는 도면이다.
도 3은 본 발명의 일 실시예에 따라 부정맥 여부를 판별하기 위해 이용되는 제1 인공 신경망의 구성을 개념적으로 나타내는 도면이다.
도 4는 본 발명의 일 실시예에 따라 제1 인공 신경망과 제2 인공 신경망을 단계적으로 이용하여 부정맥 여부 및 부정맥의 종류를 인식하는 과정을 예시적으로 나타내는 도면이다.
<부호의 설명>
100: 통신망
200: 부정맥 인식 시스템
210: 심전도 신호 획득부
220: 심전도 신호 분석부
230: 통신부
240: 제어부
300: 디바이스
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 부정맥 인식 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), 부정맥 인식 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 부정맥 인식 시스템(200)은, 정상 상태 심전도 신호에 관한 데이터 및 부정맥 상태 심전도 신호에 관한 데이터 중 적어도 하나에 기초하여 학습되는 제1 인공 신경망을 이용하여 피측정자의 대상 심전도 신호를 분석함으로써, 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는지 여부를 결정하는 제1 결정을 수행하고, 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는 것으로 판단되면, 복수의 종류의 부정맥 상태 심전도 신호에 관한 데이터에 기초하여 학습되는 제2 인공 신경망을 이용하여 대상 심전도 신호를 분석함으로써, 대상 심전도 신호 중 적어도 일부가 어떤 종류의 부정맥 상태에 해당하는지를 결정하는 제2 결정을 수행할 수 있다.
부정맥 인식 시스템(200)의 기능에 관하여는 아래에서 더 자세하게 알아보기로 한다. 한편, 부정맥 인식 시스템(200)에 관하여 위와 같이 설명되었으나, 이러한 설명은 예시적인 것이고, 부정맥 인식 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 부정맥 인식 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 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 따르면, 디바이스(300)는 인체로부터 소정의 생체 신호를 획득하기 위한 센싱 수단(예를 들면, 접촉 전극, 영상 촬영 장치 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 부정맥 인식 시스템(200)의 심전도 신호 획득부(210), 심전도 신호 분석부(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.
부정맥 인식 시스템의 구성
이하에서는, 본 발명의 구현을 위하여 중요한 기능을 수행하는 부정맥 인식 시스템(200)의 내부 구성 및 각 구성요소의 기능에 대하여 살펴보기로 한다.
도 2는 본 발명의 일 실시예에 따른 부정맥 인식 시스템의 내부 구성을 예시적으로 나타내는 도면이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 부정맥 인식 시스템(200)은, 심전도 신호 획득부(210), 심전도 신호 분석부(220), 통신부(230) 및 제어부(240)를 포함할 수 있다. 본 발명의 일 실시예에 따르면, 심전도 신호 획득부(210), 심전도 신호 분석부(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 부정맥 인식 시스템(200)에 포함될 수 있으며, 물리적으로는 여러 가지 공지의 기억 장치 상에 저장될 수 있다. 또한, 이러한 프로그램 모듈들은 부정맥 인식 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.
먼저, 본 발명의 일 실시예에 따르면, 심전도 신호 획득부(210)는, 피측정자의 신체 부위와 접촉되는 적어도 하나의 디바이스로부터 심전도(ECG) 신호를 획득하는 기능을 수행할 수 있다.
여기서, 본 발명의 일 실시예에 따르면, 심전도 신호는 무선 통신망을 통하여 획득될 수 있다. 예를 들면, 심전도 신호는 와이파이(Wi-Fi), 와이파이 다이렉트(Wi-Fi Direct), LTE 다이렉트(LTE Direct), 블루투스(Bluetooth)와 같은 공지의 근거리 무선 통신망을 통하여 전송될 수 있다.
다음으로, 본 발명의 일 실시예에 따르면, 심전도 신호 분석부(220)는, 제1 인공 신경망 및 제2 인공 신경망을 단계적으로 이용함으로써 분석의 대상이 되는 심전도 신호로부터 부정맥 여부를 판별하고 부정맥의 종류를 인식하는 기능을 수행할 수 있다.
구체적으로, 본 발명의 일 실시예에 따르면, 심전도 신호 분석부(220)는, 정상 상태 심전도 신호에 관한 데이터 및 부정맥 상태 심전도 신호에 관한 데이터 중 적어도 하나에 기초하여 학습되는 제1 인공 신경망을 이용하여 피측정자의 대상 심전도 신호를 분석함으로써, 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는지 여부를 결정하는 제1 결정을 수행할 수 있다.
예를 들면, 본 발명의 일 실시예에 따른 심전도 신호 분석부(220)는, 오토인코더(autoencoder) 기술에 기초하여 제1 인공 신경망을 구현하고 학습시킬 수 있다. 다만, 본 발명에서 제1 인공 신경망을 구현하고 학습시키는 데에 이용될 수 있는 기술이 반드시 상기 열거된 것에 한정되는 것은 아니며, 본 발명의 목적을 달성할 수 있는 범위 내에서 얼마든지 변경될 수 있음을 밝혀 둔다.
도 3은 본 발명의 일 실시예에 따라 부정맥 여부를 판별하기 위해 이용되는 제1 인공 신경망의 구성을 개념적으로 나타내는 도면이다.
도 3을 참조하면, 제1 인공 신경망은, 인코더(encoder) 및 디코더(decoder)가 순차적으로 결합되는 구조로 구현될 수 있고, 인코더의 입력단의 차원과 디코더의 출력단의 차원이 서로 동일하게 되도록 구현될 수 있으며, 인코더에 입력되는 심전도 신호(X)와 디코더로부터 출력되는 심전도 신호(X')가 서로 동일해지는 방향으로 학습될 수 있다.
계속하여, 도 3을 참조하면, 본 발명의 일 실시예에 따른 심전도 신호 분석부(220)는, 정상 상태 심전도 신호에만 기초하여 제1 인공 신경망을 학습시킬 수 있다. 이러한 학습 방식에 따라 제1 인공 신경망이 성공적으로 학습되었다고 가정하면, 정상 상태에 해당하는 심전도 신호가 제1 인공 신경망에 입력되는 경우에 그 입력되는 심전도 신호와 제1 인공 신경망으로부터 출력되는 심전도 신호의 차이가 상대적으로 작게 나타날 수 있고, 부정맥 상태에 해당하는 심전도 신호가 제1 인공 신경망에 입력되는 경우에 그 입력되는 심전도 신호와 제1 인공 신경망으로부터 출력되는 심전도 신호의 차이가 상대적으로 크게 나타날 수 있다.
따라서, 도 3을 참조하면, 본 발명의 일 실시예에 따른 심전도 신호 분석부(220)는, 피측정자의 대상 심전도 신호를 제1 인공 신경망에 입력시키는 경우에, 그 입력되는 대상 심전도 신호와 제1 인공 신경망으로부터 출력되는 심전도 신호 사이의 차이가 기설정된 수준 미만이면 대상 심전도 신호가 정상 상태 심전도 신호인 것으로 결정할 수 있고, 그 차이가 기설정된 수준 이상이면 대상 심전도 신호가 부정맥 상태 심전도 신호인 것으로 결정할 수 있다.
또한, 본 발명의 일 실시예에 따르면, 심전도 신호 분석부(220)는, 위의 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는 것으로 판단되면, 복수의 종류의 부정맥 상태 심전도 신호에 관한 데이터에 기초하여 학습되는 제2 인공 신경망을 이용하여 대상 심전도 신호를 분석함으로써, 대상 심전도 신호 중 적어도 일부가 어떤 종류의 부정맥 상태에 해당하는지를 결정하는 제2 결정을 수행할 수 있다.
예를 들면, 본 발명의 일 실시예에 따른 심전도 신호 분석부(220)는, 합성곱 신경망(Convolutional Neural Network; CNN) 및 순환 신경망(Recurrent Neural Network; RNN) 중 적어도 하나에 기초하여 제2 인공 신경망을 구현하고 학습시킬 수 있다. 다만, 본 발명에서 제2 인공 신경망을 구현하고 학습시키는 데에 이용될 수 있는 기술이 반드시 상기 열거된 것에 한정되는 것은 아니며, 본 발명의 목적을 달성할 수 있는 범위 내에서 얼마든지 변경될 수 있음을 밝혀 둔다.
본 발명의 일 실시예에 따른 심전도 신호 분석부(220)는, 다양한 종류의 부정맥 상태 심전도 신호를 이용하여 제2 인공 신경망을 학습시킬 수 있다. 이러한 학습에 따라 제2 인공 신경망이 성공적으로 학습되었다고 가정하면, 어떤 심전도 신호가 제2 인공 신경망에 입력되는 경우에 해당 심전도 신호가 특정 종류의 부정맥 상태에 해당할 확률이 출력으로서 도출될 수 있다.
도 4는 본 발명의 일 실시예에 따라 제1 인공 신경망과 제2 인공 신경망을 단계적으로 이용하여 부정맥 여부 및 부정맥의 종류를 순차적으로 인식하는 과정을 예시적으로 나타내는 도면이다.
도 4를 참조하면, 본 발명의 일 실시예에 따른 심전도 신호 분석부(220)는, 제1 인공 신경망을 이용하여 대상 심전도 신호가 부정맥 상태에 해당하는지 여부를 결정할 수 있고, 대상 심전도 신호가 부정맥 상태에 해당하는 것으로 결정되는 경우에 제2 인공 신경망을 이용하여 대상 심전도 신호가 어떤 종류의 부정맥 상태에 해당하는지를 결정할 수 있다.
예를 들면, 도 4의 실시예에서, 제1 인공 신경망을 이용하는 첫 번째 단계에서 대상 심전도 신호가 부정맥 상태에 해당하는 것으로 결정될 수 있고, 제2 인공 신경망을 이용하는 두 번째 단계에서 대상 심전도 신호가 확률이 0.8로서 가장 높게 나타난 심방세동(AFIB; Atrial FIBrillation)이라는 종류의 부정맥 상태에 해당하는 것으로 결정될 수 있다.
한편, 본 발명의 일 실시예에 따른 통신부(230)는 심전도 신호 획득부(210) 및 심전도 신호 분석부(220)로부터의/로의 데이터 송수신이 가능하도록 하는 기능을 수행할 수 있다.
마지막으로, 본 발명의 일 실시예에 따른 제어부(240)는 심전도 신호 획득부(210), 심전도 신호 분석부(220) 및 통신부(230) 간의 데이터의 흐름을 제어하는 기능을 수행할 수 있다. 즉, 본 발명에 따른 제어부(240)는 부정맥 인식 시스템(200)의 외부로부터의/로의 데이터 흐름 또는 부정맥 인식 시스템(200)의 각 구성요소 간의 데이터 흐름을 제어함으로써, 심전도 신호 획득부(210), 심전도 신호 분석부(220) 및 통신부(230)에서 각각 고유 기능을 수행하도록 제어할 수 있다.
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.

Claims (5)

  1. 인공 신경망을 이용하여 부정맥을 인식하기 위한 방법으로서,
    정상 상태 심전도 신호에 관한 데이터 및 부정맥 상태 심전도 신호에 관한 데이터 중 적어도 하나에 기초하여 학습되는 제1 인공 신경망을 이용하여 피측정자의 대상 심전도 신호를 분석함으로써, 상기 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는지 여부를 결정하는 제1 결정을 수행하는 단계, 및
    상기 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는 것으로 판단되면, 복수의 종류의 부정맥 상태 심전도 신호에 관한 데이터에 기초하여 학습되는 제2 인공 신경망을 이용하여 상기 대상 심전도 신호를 분석함으로써, 상기 대상 심전도 신호 중 적어도 일부가 어떤 종류의 부정맥 상태에 해당하는지를 결정하는 제2 결정을 수행하는 단계를 포함하는
    방법.
  2. 제1항에 있어서,
    상기 제1 인공 신경망은 오토인코더(autoencoder) 기술에 기초하여 구현되는
    방법.
  3. 제1항에 있어서,
    상기 제2 인공 신경망은 합성곱 신경망(Convolutional Neural Network; CNN) 및 순환 신경망(Recurrent Neural Network; RNN) 중 적어도 하나에 기초하여 구현되는
    방법.
  4. 제1항에 따른 방법을 실행하기 위한 컴퓨터 프로그램을 기록한 비일시성의 컴퓨터 판독 가능한 기록 매체.
  5. 인공 신경망을 이용하여 부정맥을 인식하기 위한 시스템으로서,
    피측정자로부터 측정되는 대상 심전도 신호를 획득하는 심전도 신호 획득부, 및
    정상 상태 심전도 신호에 관한 데이터 및 부정맥 상태 심전도 신호에 관한 데이터 중 적어도 하나에 기초하여 학습되는 제1 인공 신경망을 이용하여 상기 대상 심전도 신호를 분석함으로써, 상기 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는지 여부를 결정하는 제1 결정을 수행하고, 상기 대상 심전도 신호 중 적어도 일부가 부정맥 상태에 해당하는 것으로 판단되면, 복수의 종류의 부정맥 상태 심전도 신호에 관한 데이터에 기초하여 학습되는 제2 인공 신경망을 이용하여 상기 대상 심전도 신호를 분석함으로써, 상기 대상 심전도 신호 중 적어도 일부가 어떤 종류의 부정맥 상태에 해당하는지를 결정하는 제2 결정을 수행하는 심전도 신호 분석부를 포함하는
    시스템.
PCT/KR2019/012478 2018-10-31 2019-09-25 인공 신경망을 이용하여 부정맥을 인식하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 WO2020091229A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2018-0131545 2018-10-31
KR1020180131545A KR102219378B1 (ko) 2018-10-31 2018-10-31 인공 신경망을 이용하여 부정맥을 인식하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체

Publications (1)

Publication Number Publication Date
WO2020091229A1 true WO2020091229A1 (ko) 2020-05-07

Family

ID=70462588

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/012478 WO2020091229A1 (ko) 2018-10-31 2019-09-25 인공 신경망을 이용하여 부정맥을 인식하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체

Country Status (2)

Country Link
KR (1) KR102219378B1 (ko)
WO (1) WO2020091229A1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230060007A1 (en) * 2020-12-29 2023-02-23 Seerstechnology Co., Ltd. Method and apparatus for visualizing electrocardiogram using deep learning
KR102460058B1 (ko) * 2021-12-02 2022-10-28 (주)씨어스테크놀로지 딥 러닝을 이용하여 심방세동을 감지하는 방법 및 장치

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007502676A (ja) * 2003-08-21 2007-02-15 アイシェム コーポレイション 血管プラーク検出および分析のための自動化方法およびシステム
KR20110077740A (ko) * 2009-12-30 2011-07-07 서울여자대학교 산학협력단 혈관 및 석회질 자동 추출장치 및 방법
JP2013537445A (ja) * 2010-07-26 2013-10-03 ケイジャヤ、エルエルシー 内科医が直接用いるのに適応したビジュアライゼーション
KR20140063100A (ko) * 2012-11-16 2014-05-27 삼성전자주식회사 원격 심질환 관리 장치 및 방법
KR20180097035A (ko) * 2017-02-22 2018-08-30 연세대학교 산학협력단 컴퓨터 단층촬영 영상에서 플라크를 분석하기 위한 방법 및 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007502676A (ja) * 2003-08-21 2007-02-15 アイシェム コーポレイション 血管プラーク検出および分析のための自動化方法およびシステム
KR20110077740A (ko) * 2009-12-30 2011-07-07 서울여자대학교 산학협력단 혈관 및 석회질 자동 추출장치 및 방법
JP2013537445A (ja) * 2010-07-26 2013-10-03 ケイジャヤ、エルエルシー 内科医が直接用いるのに適応したビジュアライゼーション
KR20140063100A (ko) * 2012-11-16 2014-05-27 삼성전자주식회사 원격 심질환 관리 장치 및 방법
KR20180097035A (ko) * 2017-02-22 2018-08-30 연세대학교 산학협력단 컴퓨터 단층촬영 영상에서 플라크를 분석하기 위한 방법 및 장치

Also Published As

Publication number Publication date
KR20200052452A (ko) 2020-05-15
KR102219378B9 (ko) 2022-03-15
KR102219378B1 (ko) 2021-02-24

Similar Documents

Publication Publication Date Title
Gradl et al. Real-time ECG monitoring and arrhythmia detection using Android-based mobile devices
WO2019031794A1 (ko) 피검체의 치명적 증상의 발생을 조기에 예측하기 위한 예측 결과를 생성하는 방법 및 이를 이용한 장치
ES2960027T3 (es) Detección de anomalías en las señales de ECG
WO2020091229A1 (ko) 인공 신경망을 이용하여 부정맥을 인식하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
KR20140063100A (ko) 원격 심질환 관리 장치 및 방법
WO2022119155A1 (ko) 설명 가능한 다중 심전도 부정맥 진단 장치 및 방법
US20200337581A1 (en) Apparatus and method for analyzing electrocardiogram
WO2024049052A1 (ko) 복합 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
WO2023022507A1 (ko) 2개 유도의 비동시적 심전도를 기반으로 동시적 심전도를 생성하는 방법
WO2021010734A1 (ko) 건강검진 결과지 생성 시스템
WO2023003236A1 (ko) 생체 신호 분석 모델의 학습 데이터를 관리하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
Strik et al. Artificial intelligence for detection of ventricular oversensing: Machine learning approaches for noise detection within nonsustained ventricular tachycardia episodes remotely transmitted by pacemakers and implantable cardioverter-defibrillators
Bridge et al. Artificial intelligence to detect abnormal heart rhythm from scanned electrocardiogram tracings
WO2022131698A1 (ko) 웨어러블 디바이스를 이용하여 생체 신호를 모니터링하기 위한 방법, 서버, 디바이스 및 비일시성의 컴퓨터 판독 가능 기록 매체
KR102573416B1 (ko) 생체 신호 분석 모델의 출력 데이터를 관리하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
WO2023287118A1 (ko) 생체 신호 분석 모델의 출력 데이터를 관리하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
CN114631796A (zh) 基于人脸视频的房颤检测方法及系统
WO2016144094A1 (ko) 다중 생체 신호를 측정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
WO2024049053A1 (ko) 클러스터링을 이용하여 생체 신호 분석을 지원하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
WO2024019584A1 (ko) 심전도를 이용한 심근경색 진단 방법, 프로그램 및 장치
WO2023146270A1 (ko) 디바이스의 무선 연동을 지원하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
WO2024019575A1 (ko) 심전도를 이용한 건강 상태의 예측 방법, 프로그램 및 장치
WO2023234758A1 (ko) 인공지능 모델을 이용하여 손톱을 분석하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
WO2022181948A1 (ko) 웨어러블 심전도 리듬 분석을 이용한 심장 위험도 산출 시스템 및 방법
WO2024096290A1 (ko) 심전도의 추가 측정 유도 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19879820

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19879820

Country of ref document: EP

Kind code of ref document: A1