WO2020111464A1 - 자궁 근전도 기반의 조산 위험도 식별방법 - Google Patents

자궁 근전도 기반의 조산 위험도 식별방법 Download PDF

Info

Publication number
WO2020111464A1
WO2020111464A1 PCT/KR2019/011528 KR2019011528W WO2020111464A1 WO 2020111464 A1 WO2020111464 A1 WO 2020111464A1 KR 2019011528 W KR2019011528 W KR 2019011528W WO 2020111464 A1 WO2020111464 A1 WO 2020111464A1
Authority
WO
WIPO (PCT)
Prior art keywords
signal
uterine
uterine contraction
contraction
image data
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/KR2019/011528
Other languages
English (en)
French (fr)
Inventor
조영창
홍혁기
최연식
정석원
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Korea Electronics Technology Institute
Original Assignee
Korea Electronics Technology Institute
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 Korea Electronics Technology Institute filed Critical Korea Electronics Technology Institute
Publication of WO2020111464A1 publication Critical patent/WO2020111464A1/ko
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

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
    • A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
    • A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
    • A61B5/4343—Pregnancy and labour monitoring, e.g. for labour onset detection
    • A61B5/4356—Assessing uterine contractions
    • 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
    • A61B5/389—Electromyography [EMG]
    • A61B5/391—Electromyography [EMG] of genito-urinary organs
    • 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
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor

Definitions

  • the present invention relates to a method for identifying a preterm birth risk based on uterine electromyography, and more particularly, to a method for identifying a preterm birth risk based on uterine electromyography that determines whether a uterine contraction is performed using a uterine electromyography signal and identifies a preterm birth risk using the uterine electromyography signal will be.
  • Preterm birth usually means giving birth before the 37th week after 20 weeks of pregnancy. It is estimated that around 15 million newborns are born prematurely worldwide each year, and in Korea, the premature birth rate is already over 10%, and it is estimated that about 40,000 premature babies are born each year. Not only do these premature infants not receive sufficient nutrients from their mothers, but there is a great risk of death because the organs of the body are born immature. In addition, premature babies have weak immunity, so there are many residual diseases, which can cause problems with growth and development.
  • premature birth is the most important cause of neonatal death, and its incidence has recently increased, but there is no way to predict and prevent premature birth 100%. That is, in order to prevent the premature birth of pregnant women and lower the mortality rate due to the premature birth of the fetus, accurate prediction of preterm birth is essential.
  • TOCO Tocodynamometry
  • the present invention has been devised to solve the above problems, and an object of the present invention is to label the uterine electromyography signal for uterine contraction, to separate the uterine electromyography signal into signals for a plurality of frequency bands, and to separate signals.
  • an object of the present invention is to label the uterine electromyography signal for uterine contraction, to separate the uterine electromyography signal into signals for a plurality of frequency bands, and to separate signals.
  • Whether to uterine contraction based on the uterine electromyography signal by dividing into a certain time unit, normalizing the segmented signal, converting the segmented and normalized signal into image data in the frequency domain, and deep learning using the converted image data It is to provide a method for determining a uterine contraction, a device for determining a uterine contraction, and a method for identifying a preterm birth risk.
  • a method of determining a uterine contraction by a uterine contraction determination device includes: receiving an uterine electromyography signal; Labeling the uterine electromyography signal for uterine contraction; Separating the EMG signal into a plurality of signals for each frequency band; A segmentation step of dividing the separated signal into predetermined time units; Normalizing the divided signal; Converting the segmented and normalized signal into image data in the frequency domain; And generating a uterine contraction determination model for determining whether uterine contraction is based on the uterine electromyography signal through deep learning learning using the converted image data.
  • the uterine contraction signal may be labeled with the uterine electromyography signal using a signal measured by a tocodynamometer at the same time.
  • the uterine electromyography signal may be separated into four frequency band-specific signals.
  • the step of separating, the first separation signal corresponding to the intrauterine EMG signal, the second separation signal corresponding to the uterine signal in the low frequency band, the third separation signal corresponding to the uterine signal in the high frequency band, and others can also be separated into a fourth separation signal corresponding to the signal.
  • the first separation signal is a signal obtained by separating the frequency band of 0.001 Hz to 0.005 Hz from the EMG signal
  • the second separation signal is a signal obtained by separating the frequency band of 0.02 Hz to 0.45 Hz from the EMG signal.
  • the separation signal is a signal obtained by separating a frequency band of 0.8 Hz to 3 Hz from the EMG signal
  • the fourth separation signal may be a signal obtained by separating a frequency band exceeding 3 Hz from the EMG signal.
  • the segmentation step when the separated signal is divided into units of a predetermined time, some time may be overlapped.
  • the divided and normalized signal may be converted into image data in the frequency domain by using a short-time Fourier transform (STFT).
  • STFT short-time Fourier transform
  • the step of generating a predictive model of uterine contraction is through deep learning learning by a convolutional neural network (CNN) using the converted image data as learning data, and determining uterine contraction to determine whether uterine contraction is based on the EMG signal.
  • CNN convolutional neural network
  • determining the number of uterine contractions for a predetermined time based on the input uterine electromyography signal may further include.
  • the computer-readable recording medium receiving the EMG signal of the womb; Labeling the uterine electromyography signal for uterine contraction; Separating the EMG signal into a plurality of signals for each frequency band; A segmentation step of dividing the separated signal into predetermined time units; Normalizing the segmented signal; Converting the segmented and normalized signal into image data in the frequency domain; And generating a uterine contraction determination model for determining whether uterine contraction is based on the uterine electromyography signal through deep learning learning using the converted image data.
  • a computer program for executing a uterine contraction determination method is included.
  • the apparatus for determining uterine contraction comprises: an input unit that receives an uterine electromyography signal; Labeling the uterine electromyography signal for uterine contraction, separating the uterine electromyography signal into signals for a plurality of frequency bands, segmenting the separated signals into units of a predetermined time, normalizing the segmented signals, and segmenting and normalizing signals It includes; a controller for converting to image data in the frequency domain, and through deep learning learning using the converted image data, to generate a uterine contraction determination model for determining whether uterine contraction is based on the uterus electromyography signal.
  • a method of identifying a preterm birth risk by a uterine contraction determination device includes: receiving an EMG signal; Labeling the uterine electromyography signal for uterine contraction; Separating the EMG signal into a plurality of signals for each frequency band; A segmentation step of dividing the separated signal into predetermined time units; Normalizing the segmented signal; Converting the segmented and normalized signal into image data in the frequency domain; Generating a uterine contraction determination model for determining whether uterine contraction is based on the uterine electromyography signal through deep learning learning using the converted image data; Determining the number of uterine contractions for a predetermined period of time based on the input uterine electromyography signal using the generated uterine contraction determination model; And identifying the risk of preterm birth based on the number of cervical contractions for a period of time.
  • the uterine electromyography signal is labeled with uterine contraction
  • the uterine electromyography signal is divided into signals for a plurality of frequency bands
  • the separated signals are divided into units of a predetermined time
  • the segmented signals are normalized.
  • Uterine contraction which converts segmentation and normalized signals into image data in the frequency domain, and through deep learning learning using the converted image data, generates a uterine contraction judgment model that determines whether uterine contraction is based on the uterine electromyography signal. It is possible to provide a judgment method, a uterine contraction judgment device, and a method for identifying a preterm birth risk, so that it is possible to more easily and accurately predict whether a uterine contraction and a preterm birth risk.
  • FIG. 1 is a block diagram showing the configuration of a device for determining uterine contraction according to an embodiment of the present invention
  • FIG. 2 is a flowchart provided to explain a method of determining uterine contraction and identifying a preterm birth risk according to an embodiment of the present invention
  • FIG. 3 is a view showing a signal measured by a uterine contraction force meter (tocodynamometer) and an EMG signal according to an embodiment of the present invention
  • FIG. 4 is a diagram illustrating a signal in which the uterine electromyography signal is separated into four frequency bands according to an embodiment of the present invention
  • FIG. 5 is a diagram illustrating a process of dividing a separated signal into predetermined time units according to an embodiment of the present invention
  • FIG. 6 is a view showing a short-time Fourier transform process, according to an embodiment of the present invention.
  • FIG. 7 is a diagram illustrating image data obtained as a result of a short-time Fourier transform when a user is in a normal state, according to an embodiment of the present invention.
  • FIG. 8 is a diagram illustrating image data obtained as a result of a short-time Fourier transform when a user is in a uterine contraction state according to an embodiment of the present invention
  • FIG. 9 is a diagram illustrating a process of generating a uterine contraction judgment model by performing deep learning learning using transformed image data according to an embodiment of the present invention.
  • FIG. 10 is a view showing a test result of the apparatus for determining uterine contraction according to an embodiment of the present invention.
  • first and second are used to describe various components, and are used only to distinguish one component from other components, and to limit the components It is not used.
  • the second component may be referred to as a first component without departing from the scope of the present invention, and similarly, the first component may also be referred to as a second component.
  • 1 is a block diagram showing the configuration of a uterine contraction determining device 100 according to an embodiment of the present invention. 1, the input unit 110 and the control unit 120 are included.
  • the uterine electromyography signal is an electrical signal having characteristics of 0.1 to 5 Hz and 0.04 to 0.5 mV generated in the myometrium of the uterus due to uterine electrical activity such as uterine contraction.
  • the uterine electromyography device 10 is composed of an abdominal attachment-type electromyography measurement patch that attaches an electrode to an abdomen of a pregnant woman in which a fetus is located.
  • the abdominal attachment type EMG measurement patch is designed to transmit the measured uterine EMG signal to the input unit 110.
  • the uterus electromyography sensor may be configured to be able to integrally measure bio signals such as fetal heart rate (THR) and body temperature in addition to the uterine electromyogram signal.
  • the input unit 110 receives an uterine electromyogram signal (EHG:electrohysterogram) from the uterine electromyography meter 10.
  • the input unit 110 is connected to the uterine electromyography device 10 so as to be able to communicate by wire or wirelessly, for example, may be connected through a wired cable such as USB, or may be connected through wireless communication such as Wi-Fi or Bluetooth.
  • the input unit 110 receives the EMG signal through wired or wireless communication.
  • the control unit 120 controls the overall operation of the apparatus 100 for determining the contraction of the uterus. Specifically, the control unit 120 labels the uterine electromyography signal whether or not uterine contraction, separates the uterine electromyography signal into signals for a plurality of frequency bands, segmentes the divided signals into units of a predetermined time, and segments the signals. Normalization, segmentation and normalized signals are converted into image data in the frequency domain, and deep learning learning using the converted image data generates a uterine contraction determination model that determines whether uterine contraction is based on the uterus electromyography signal.
  • the controller 120 determines the number of uterine contractions for a certain time based on the input uterine electromyography signal using the generated uterine contraction prediction model, and identifies the risk of preterm birth based on the number of uterine contractions for a predetermined time. .
  • the apparatus 100 for determining uterine contraction having such a configuration may determine whether the user has contracted the uterus by using the EMG signal measured by the user, and use this to identify the risk of preterm birth.
  • the uterine contraction determination device 100 may include a uterine electromyography measurement module and be configured. .
  • FIG. 2 is a flowchart provided to explain a method of determining uterine contraction and identifying a preterm birth risk according to an embodiment of the present invention.
  • the uterine contraction determination device 100 receives the user's uterine electromyography signal from the uterine electromyography meter 10 (S210).
  • the uterine contraction determining device 100 labels the uterine contraction signal on the uterus electromyography signal (S220). Specifically, the uterine contraction determining device 100 performs labeling by indicating whether the uterine contraction is in the uterine electromyography signal using the uterine contraction signal measured by the tocodynamometer at the same time.
  • FIG. 3 is a view showing a signal measured by a uterine contraction force meter (tocodynamometer) and an uterine electromyogram signal according to an embodiment of the present invention.
  • the graph displayed at the top in FIG. 3 represents a uterine contraction signal (TOCO signal) measured by a tocodynamometer. And, the graph displayed at the bottom in FIG. 3 is a diagram showing the EMG signal of the same time zone.
  • TOCO signal uterine contraction signal
  • the uterine contraction signal indicates that the time zone in which the peak is present indicates the time zone in which uterine contraction occurred. Therefore, the uterine contraction determination device 100 can check the time zone in which uterine contraction occurred using the uterine contraction signal, and label the uterine contraction signal in the uterine electromyography signal using the confirmed time zone in which uterine contraction occurred.
  • the uterine electromyography signal displayed at the bottom of FIG. 3 is labeled with red uterine contraction, a period in which a red graph corresponds to a high value indicates a period of uterine contraction, and a period in which a red graph corresponds to a low value indicates a steady state period. Shows.
  • the uterine contraction determination device 100 can display the uterine contraction signal in the uterine electromyography signal using the uterine contraction signal measured by the tocodynamometer at the same time to perform labeling. .
  • the apparatus for determining uterine contraction 100 separates the uterine electromyography signal into signals for a plurality of frequency bands (S230 ).
  • the uterine contraction determining device 100 may separate the uterine EMG signal into a plurality of frequency band signals by using a band pass filter for each band.
  • the uterine contraction determination device 100 may separate the uterine electromyography signal into four frequency band-specific signals.
  • the uterine contraction determination device 100 is a first separation signal corresponding to the intrauterine pressure signal, the second separation signal corresponding to the uterine signal in the low frequency band, the third separation corresponding to the uterine signal in the high frequency band
  • the signal may be separated into a fourth separation signal corresponding to signals and other signals.
  • the first separation signal is a signal obtained by separating the frequency band of 0.001 Hz to 0.005 Hz from the EMG signal
  • the second separation signal is a signal obtained by separating the frequency band of 0.02 Hz to 0.45 Hz from the EMG signal.
  • the third separation signal is a signal obtained by separating a frequency band of 0.8 Hz to 3 Hz from the EMG signal
  • the fourth separation signal may be a signal obtained by separating a frequency band exceeding 3 Hz from the EMG signal.
  • the uterine contraction determining device 100 separates the uterine electromyography signal into four frequency band-specific signals and processes the signal to determine whether uterine contraction is performed. It can be seen that the accuracy of judging whether the uterus contracted is improved.
  • the uterine contraction determining apparatus 100 performs a segmentation step of dividing the signal separated for each frequency band into predetermined time units (S240).
  • the cervical contraction determining device 100 is divided so that some time overlaps when the separated signal is divided into a certain time unit. That is, the uterine contraction determining device 100 is configured to set the time domain so that the rear part of the segment leading ahead in time overlaps the part of the segment leading backward in time when the separated signal is divided into predetermined time units.
  • the apparatus for determining uterine contraction 100 can more accurately process the characteristics of the boundary portion to be divided.
  • the uterine contraction determining device 100 may divide the signal separated for each frequency band into 2 second units, and at this time, 25% (ie, 0.5 seconds) of the signal may be divided so as to overlap with the previous time domain. have. This will be described in more detail with reference to FIG. 5.
  • FIG. 5 is a diagram illustrating a process of dividing a separated signal into predetermined time units according to an embodiment of the present invention. Specifically, FIG. 5 shows that the uterine contraction determining device 100 divides the signal separated for each frequency band into a window of 2 seconds, and divides 25% (ie, 0.5 seconds) of the signal so that it overlaps the previous time domain window. The case is illustrated.
  • the signal graph displayed on the upper part of FIG. 5 indicates the input uterine electromyogram (EHG) (electrohysterogram), and it can be seen that the period of contraction of the uterus is labeled in red.
  • EHG electromyogram
  • the uterine contraction determination device 100 performs all of the above-described segmentation steps for the four separation signals for each frequency band, that is, the first separation signal, the second separation signal, the third separation signal, and the fourth separation signal. In this case, all the separated signals are made into a plurality of divided signals divided into time domains.
  • the apparatus for determining uterine contraction 100 normalizes the divided signal (S250 ). Specifically, the cervical contraction determining apparatus 100 performs normalization processing such that the divided signals have an overall amplitude of between -1 and 1, an average of 0, and a standard deviation between 0 and 1.
  • the uterine contraction determining apparatus 100 converts the segmented and normalized signal into image data in the frequency domain (S260). Specifically, the cervical contraction determining apparatus 100 converts the segmented and normalized signal into image data in the frequency domain by using a short-time Fourier transform (STFT).
  • STFT short-time Fourier transform
  • FIG. 6 is a diagram illustrating a short-time Fourier transform process according to an embodiment of the present invention.
  • the short-time Fourier transform is a widely used transform method for expressing the frequency change over time contained in a time series signal.
  • the uterine contraction determining device 100 multiplies the EMG signal of a specific range and a window function having a specific characteristic, and then performs frequency analysis using FFT (Fast Fourier Transform), and performs the splitting of the signals along the time axis. If FFT (Fast Fourier Transform) is continuously performed, it is possible to obtain image data in the frequency domain that is a result of the short-time Fourier transform.
  • FFT Fast Fourier Transform
  • the uterine contraction determining device 100 performs a short-time Fourier transform through the schematic process illustrated in FIG. 6 and acquires image data for signals separated for each frequency band.
  • the image data corresponds to the result of the short-time Fourier transform of the signals separated for each frequency band
  • the x-axis of the image data represents time
  • the y-axis represents frequency
  • the color represents the amplitude.
  • FIG. 7 is a diagram illustrating image data obtained as a result of a short-time Fourier transform when a user is in a normal state according to an embodiment of the present invention.
  • the graph displayed at the top of FIG. 7 shows the EMG signal 700 when the user is in a normal state.
  • the 1-1 image data 710 which is the result of the short time Fourier transform for the first separation signal (0.001 Hz to 0.005 Hz), and the short time Fourier for the second separation signal (0.02 Hz to 0.45 Hz).
  • the 1-4 image data 740 which is the result of the short-time Fourier transform, is shown.
  • FIG. 8 is a diagram illustrating image data obtained as a result of a short-time Fourier transform when a user is in a uterine contraction according to an embodiment of the present invention.
  • the graph displayed at the top of FIG. 8 shows the uterine electromyography signal 800 when the user is in a uterine contraction state.
  • the 2-1 image data 810 as a result of the short-time Fourier transform for the first separation signal (0.001 Hz to 0.005 Hz), and the short-time Fourier for the second separation signal (0.02 Hz to 0.45 Hz).
  • the 2-4 image data 840 which is the result of the short-time Fourier transform, is shown.
  • the cervical contraction determining apparatus 100 converts the segmented and normalized signal into image data in the frequency domain using a short-time Fourier transform (STFT), and uses the image pattern difference of the corresponding image data. Therefore, it can be used to determine whether or not the uterine contraction.
  • STFT short-time Fourier transform
  • the uterine contraction determination device 100 generates a uterine contraction determination model that determines whether uterine contraction is based on the EMG signal through deep learning learning using the converted image data (S270).
  • the uterine contraction determination device 100 is a uterine contraction determination model that determines whether uterine contraction is based on the EMG signal through deep learning learning using a convolutional neural network (CNN) using the converted image data as learning data.
  • CNN convolutional neural network
  • FIG. 9 is a diagram illustrating a process of generating a uterine contraction judgment model by performing deep learning learning using transformed image data according to an embodiment of the present invention.
  • CNN Convolutional Neural Network
  • the convolutional filter is a feature extraction filter basically used in a deep learning model using an image as an input.
  • the convolutional filter can extract various features as there are more types of filters, and serves to convert data of different patterns to be separated from each other by converting the pixel data of the image to different domains. Since the convolutional filter does not check the relationship of the entire data, the computational amount and computational parameters are less than the existing neural network.
  • the convolutional filter has a filter weights matrix for each channel, and after performing matrix multiplication on the weighting matrix that fits each channel, it adds all of them to extract the characteristics of the corresponding pixel.
  • Batch Normalization is a technique that stabilizes learning convergence through normalization when learning deep learning models. Assuming that the mean and standard deviation of the data that are linearly transformed through the filter are biased, batch normalization adjusts the mean and standard deviation in a way to re-adjust it, so that learning is stable and aims to accelerate learning speed and improve performance. There is this. Batch normalization is inserted as a module between deep learning layers, and scale parameters and shift parameters are scaled and shifted to fit the data based on the data when learning a deep learning model. ). After learning the scaler value, and completing the learning, it plays the role of re-adjusting the data passing through the layer using each batch normalization parameter when inferring the deep learning model.
  • Convolutional filters can see a certain portion of the input image according to the size of the filter weight (Filter weights), has a trade-off (trade-off) characteristic that the number of calculations and parameters increases as the filter weight increases.
  • trade-off trade-off
  • pooling is performed, and pooling has the advantage that the entire image can be viewed with the same convolutional filter size through the role of reducing the image size while leaving the typical properties of the image.
  • a Max pooling technique that reduces the size of an image while maintaining sharpness may be used.
  • Dropout is a technique that has the effect of normalizing by not randomly using the weights of the network, and aims to improve learning stability, convergence speed, and performance of deep learning models.
  • the dropout has the effect that all weights in the model do not learn all the imbalanced data by turning off certain weights for specific data in a situation where the data is imbalanced. Because it has a normalization effect, it serves to prevent overfitting of the training data.
  • the fully connected network is called a neural network (Neural Netowrk) or an artificial neural network, and in this embodiment, represents a network that determines boundary functions for data representations that can be separated through a convolutional filter.
  • CNN convolutional neural network
  • the uterine contraction determining device 100 integrates the four transformed image data into one image having 4 channels and performs deep learning learning through a convolutional neural network (CNN) having the structure shown in FIG. 9 as an input. .
  • CNN convolutional neural network
  • the apparatus 100 for determining uterine contraction undergoes deep learning by CNN (Convolutional Neural Network) using four transformed image data as learning data, and uterine contraction to determine whether uterine contraction is based on the EMG signal. Create a judgment model
  • the uterine contraction determination device 100 determines the number of uterine contractions for a predetermined time based on the input uterine electromyography signal using the generated uterine contraction determination model (S280).
  • the uterine contraction determination device 100 generates a uterine contraction determination model through the process described above using the user's existing uterine electromyography signal, inputs the currently input uterine electromyography signal into the corresponding uterine contraction determination model, and is currently input It is possible to determine how many times the uterine contraction is included in the EMG signal.
  • the uterine contraction determining device 100 identifies the risk of preterm birth based on the number of uterine contractions for a certain period of time (S290). For example, the uterine contraction determination device 100 may identify that there is a risk of preterm birth when uterine contraction is detected more than 10 times in 5 hours.
  • the uterine contraction determining device 100 may determine whether the uterine contraction is performed using the user's uterine electromyography signal and identify the risk of preterm birth.
  • FIG. 10 is a diagram illustrating a test result of the uterine contraction determining device 100 according to an embodiment of the present invention.
  • a total of 8 data sets are predicted for the entire data in the uterine contraction determination device 100, and 90% of the defined total data is trained for training the uterine contraction determination model. dataset), and the rest 10% was randomly shuffled with test dataset to test.
  • the apparatus 100 for determining uterine contraction can determine whether the uterine contraction is performed using the uterine EMG signal with a fairly high accuracy.
  • the technical idea of the present invention can be applied to a computer-readable recording medium containing a computer program for performing functions and methods of the apparatus according to the present embodiment.
  • the technical idea according to various embodiments of the present disclosure may be implemented in the form of computer-readable programming language codes recorded on a computer-readable recording medium.
  • the computer-readable recording medium can be any data storage device that can be read by a computer and stores data.
  • the computer-readable recording medium may be a ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical disk, hard disk drive, flash memory, solid state disk (SSD), or the like.
  • computer-readable codes or programs stored on a computer-readable recording medium may be transmitted through a network connected between computers.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Fuzzy Systems (AREA)
  • Pregnancy & Childbirth (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Reproductive Health (AREA)
  • Gynecology & Obstetrics (AREA)
  • Urology & Nephrology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Psychology (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

자궁수축 판단방법, 자궁수축 판단장치 및 조산 위험도 식별방법이 제공된다. 본 자궁수축 판단방법에 의하면, 자궁 근전도 신호에 자궁수축 여부를 라벨링하고, 자궁 근전도 신호를 복수개의 주파수 대역별 신호로 분리하며, 분리된 신호를 일정 시간 단위로 분할하고, 세그멘테이션된 신호를 정규화하며, 세그멘테이션 및 정규화된 신호를 주파수 영역의 이미지 데이터로 변환하고, 변환된 이미지 데이터를 이용한 딥러닝 학습을 통해, 자궁 근전도 신호에 기반하여 자궁수축 여부를 판단하는 자궁수축 판단모델을 생성할 수 있게 되어, 자궁수축 여부 및 조산 위험도를 더욱 쉽고 정확하게 예측할 수 있게 된다.

Description

자궁 근전도 기반의 조산 위험도 식별방법
본 발명은 자궁 근전도 기반의 조산 위험도 식별방법에 관한 것으로, 더욱 상세하게는, 자궁 근전도 신호를 이용하여 자궁 수축 여부를 판단하고 이를 이용하여 조산 위험도를 식별하는 자궁 근전도 기반의 조산 위험도 식별방법에 관한 것이다.
이 부분에 기술된 내용은 단순히 본 실시 예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.
조산(preterm birth)은 일반적으로 임신 20주를 지나 37주 이전에 분만하는 것을 의미한다. 전세계적으로 매년 약 1천 5백만 명의 신생아가 조산으로 태어나며, 우리나라도 이미 조산율이 10 %를 넘어 매년 약 4~5만 명 정도의 미숙아가 출생하는 것으로 추정된다. 이러한 조산아들은 모체로부터 충분한 영양공급을 받지 못했을 뿐만 아니라, 신체의 기관들이 미형성된 상태로 태어나기 때문에 사망의 위험이 매우 크다. 또한 조산아는 기본적으로 면역력이 약해 잔병치레가 많아 성장과 발달에 문제가 있을 수 있다.
따라서, 조산의 위험성을 미리 예측함으로써 조산위험 산모군을 선별하고, 이들에 대한 적절한 관리를 통하여 조산을 방지하거나 효과적인 치료를 하는 것이 매우 필요하다. 또한, 조산의 시기가 빠를수록 신생아에게 후유증을 남길 가능성이 높고, 후유증의 정도도 심하기 때문에 조산을 미리 정확하게 예측할 수 있다면 미숙아와 그로 인한 장애아의 발생률을 현저하게 줄일 수 있을 것으로 기대된다.
이와 같이, 조산은 신생아 사망의 가장 주요한 원인이고, 최근 그 발생이 증가하고 있으나, 아직까지 조산을 100% 예측하고 예방할 수 있는 방법은 없다. 즉, 임산부의 조산을 예방하고 태아의 조산으로 인한 사망율을 낮추기 위해서는 정확한 조산의 예측이 필수적이다.
또한 임산부는 혈액량이 임신전보다 약 1.5배가 증가하며, 혈압이 변화하며, 심장의 위치 또한 비임신시 대비 왼쪽으로 이동하게 된다. 이에 따라 임신 중기 이후에 빈혈 증세가 나타나거나, 심하게 숨이 차거나 또는 심장에 무리를 줄 수 있다. 또한 임신 중에는 호르몬의 변화, 혈역동학적 변화, 자율신경계의 변화가 필수적으로 일어나게 된다. 즉, Estrogen과 β-human chorionic gonadotropin 등의 호르몬이 증가하며, 혈역동학적으로는 순환 혈류량과 심박출량이 증가하고, 또한 혈장 카테콜라민 농도 및 아드레날린 수용체의 민감도가 증가하여 교감신경계가 활성화 된다. 이러한 모든 변화는 임신 중 부정맥을 일으키는 기전으로 작용할 수 있다. 따라서 임신 중기 이후에는 심전도 검사를 정기적으로 실시하여야 한다.
현재의 조산 예측은 자궁근 수축 측정계(Tocodynamometry, TOCO)를 통한 자궁 수축 또는 자궁경부의 변화를 관찰하는 방법에 크게 의존하고 있다. 그러나 상기 TOCO를 통한 자궁 수축의 측정은 조산 예측을 하기에는 너무 낮은 감도를 갖고 있으며, 또한 자궁경부 검사를 통한 조산의 예측은 임상의에 따라 큰 편차를 갖는 문제가 있으며, 역시 조산 예측 성공율은 낮은 것으로 알려져 있다.
이와 같이 종래의 조산 예측은 정확도가 떨어지고, 조산을 예측하기 위한 절차 및 방법이 복잡하다는 단점이 있다.
따라서, 조산 위험 여부를 더욱 정확히 예측하기 위한 방안의 모색이 요청된다.
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 목적은, 자궁 근전도 신호에 자궁수축 여부를 라벨링하고, 자궁 근전도 신호를 복수개의 주파수 대역별 신호로 분리하며, 분리된 신호를 일정 시간 단위로 분할하고, 세그멘테이션된 신호를 정규화하며, 세그멘테이션 및 정규화된 신호를 주파수 영역의 이미지 데이터로 변환하고, 변환된 이미지 데이터를 이용한 딥러닝 학습을 통해, 자궁 근전도 신호에 기반하여 자궁수축 여부를 판단하는 자궁수축 판단모델을 생성하는 자궁수축 판단방법, 자궁수축 판단장치 및 조산 위험도 식별방법을 제공함에 있다.
본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른, 자궁수축 판단장치에 의한 자궁수축 판단 방법은, 자궁 근전도 신호를 입력받는 단계; 자궁 근전도 신호에 자궁수축 여부를 라벨링하는 단계; 자궁 근전도 신호를 복수개의 주파수 대역별 신호로 분리하는 단계; 분리된 신호를 일정 시간 단위로 분할하는 세그멘테이션 단계; 분할된 신호를 정규화하는 단계; 분할 및 정규화된 신호를 주파수 영역의 이미지 데이터로 변환하는 단계; 및 변환된 이미지 데이터를 이용한 딥러닝 학습을 통해, 자궁 근전도 신호에 기반하여 자궁수축 여부를 판단하는 자궁수축 판단모델을 생성하는 단계;를 포함한다.
그리고, 라벨링하는 단계는, 동일 시간대에 자궁수축력측정기(tocodynamometer)에 의해 측정된 신호를 이용하여 자궁 근전도 신호에 자궁수축 여부를 라벨링할 수도 있다.
또한, 분리하는 단계는, 자궁 근전도 신호를 4개의 주파수 대역별 신호로 분리할 수도 있다.
그리고, 분리하는 단계는, 자궁 근전도 신호를 자궁 내압 신호에 해당되는 제1 분리신호, 저주파대역의 자궁신호에 해당되는 제2 분리신호, 고주파대역의 자궁신호에 해당되는 제3 분리신호, 및 기타 신호에 해당되는 제4 분리신호로 분리할 수도 있다.
또한, 제1 분리신호는 자궁 근전도 신호에서 0.001Hz 내지 0.005Hz의 주파수 대역을 분리한 신호이고, 제2 분리신호는 자궁 근전도 신호에서 0.02Hz 내지 0.45Hz의 주파수 대역을 분리한 신호이고, 제3 분리신호는 자궁 근전도 신호에서 0.8Hz 내지 3Hz의 주파수 대역을 분리한 신호이고, 제4 분리신호는 자궁 근전도 신호에서 3Hz 초과의 주파수 대역을 분리한 신호일 수도 있다.
그리고, 세그멘테이션 단계는, 분리된 신호를 일정 시간 단위로 분할할 때 일부 시간이 중첩되도록 분할할 수도 있다.
또한, 변환하는 단계는, 분할 및 정규화된 신호를 숏타임푸리에변환(STFT : Short-time Fourier transform)를 이용하여 주파수 영역의 이미지 데이터로 변환할 수도 있다.
그리고, 자궁수축 예측모델을 생성하는 단계는, 변환된 이미지 데이터를 학습데이터로 이용한 CNN(Convolutional Neural Network)에 의한 딥러닝 학습을 통해, 자궁 근전도 신호에 기반하여 자궁수축 여부를 판단하는 자궁수축 판단모델을 생성할 수도 있다.
또한, 생성된 자궁수축 판단모델을 이용하여, 입력된 자궁 근전도 신호에 기초하여 일정 시간동안 자궁수축 횟수를 판단하는 단계;를 더 포함할 수도 있다.
한편, 본 발명의 일 실시예에 따른, 컴퓨터로 읽을 수 있는 기록매체는, 자궁 근전도 신호를 입력받는 단계; 자궁 근전도 신호에 자궁수축 여부를 라벨링하는 단계; 자궁 근전도 신호를 복수개의 주파수 대역별 신호로 분리하는 단계; 분리된 신호를 일정 시간 단위로 분할하는 세그멘테이션 단계; 세그멘테이션된 신호를 정규화하는 단계; 세그멘테이션 및 정규화된 신호를 주파수 영역의 이미지 데이터로 변환하는 단계; 및 변환된 이미지 데이터를 이용한 딥러닝 학습을 통해, 자궁 근전도 신호에 기반하여 자궁수축 여부를 판단하는 자궁수축 판단모델을 생성하는 단계;를 포함하는 자궁수축 판단방법을 실행하는 컴퓨터 프로그램이 수록된다.
한편, 본 발명의 일 실시예에 따른, 자궁수축 판단장치는, 자궁 근전도 신호를 입력받는 입력부; 자궁 근전도 신호에 자궁수축 여부를 라벨링하고, 자궁 근전도 신호를 복수개의 주파수 대역별 신호로 분리하며, 분리된 신호를 일정 시간 단위로 분할하는 세그멘테이션하고, 세그멘테이션된 신호를 정규화하며, 세그멘테이션 및 정규화된 신호를 주파수 영역의 이미지 데이터로 변환하고, 변환된 이미지 데이터를 이용한 딥러닝 학습을 통해, 자궁 근전도 신호에 기반하여 자궁수축 여부를 판단하는 자궁수축 판단모델을 생성하는 제어부;를 포함한다.
한편, 본 발명의 일 실시예에 따른, 자궁수축 판단장치에 의한 조산 위험도 식별방법은, 자궁 근전도 신호를 입력받는 단계; 자궁 근전도 신호에 자궁수축 여부를 라벨링하는 단계; 자궁 근전도 신호를 복수개의 주파수 대역별 신호로 분리하는 단계; 분리된 신호를 일정 시간 단위로 분할하는 세그멘테이션 단계; 세그멘테이션된 신호를 정규화하는 단계; 세그멘테이션 및 정규화된 신호를 주파수 영역의 이미지 데이터로 변환하는 단계; 변환된 이미지 데이터를 이용한 딥러닝 학습을 통해, 자궁 근전도 신호에 기반하여 자궁수축 여부를 판단하는 자궁수축 판단모델을 생성하는 단계; 생성된 자궁수축 판단모델을 이용하여, 입력된 자궁 근전도 신호에 기초하여 일정 시간동안 자궁수축 횟수를 판단하는 단계; 및 일정 시간동안 자궁수축 횟수에 기초하여 조산 위험도를 식별하는 단계;를 포함한다.
본 발명의 다양한 실시예에 따르면, 자궁 근전도 신호에 자궁수축 여부를 라벨링하고, 자궁 근전도 신호를 복수개의 주파수 대역별 신호로 분리하며, 분리된 신호를 일정 시간 단위로 분할하고, 세그멘테이션된 신호를 정규화하며, 세그멘테이션 및 정규화된 신호를 주파수 영역의 이미지 데이터로 변환하고, 변환된 이미지 데이터를 이용한 딥러닝 학습을 통해, 자궁 근전도 신호에 기반하여 자궁수축 여부를 판단하는 자궁수축 판단모델을 생성하는 자궁수축 판단방법, 자궁수축 판단장치 및 조산 위험도 식별방법을 제공할 수 있게 되어, 자궁수축 여부 및 조산 위험도를 더욱 쉽고 정확하게 예측할 수 있게 된다.
본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에 서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 발명에 대한 실시 예를 제공하고, 상세한 설명과 함께 본 발명의 기술적 특징을 설명한다.
도 1은 본 발명의 일 실시예에 따른, 자궁수축 판단 장치의 구성을 도시한 블록도,
도 2는 본 발명의 일 실시예에 따른, 자궁수축 판단 및 조산 위험도 식별 방법을 설명하기 위해 제공되는 흐름도,
도 3은 본 발명의 일 실시예에 따른, 자궁수축력측정기(tocodynamometer)에 의해 측정된 신호와 자궁 근전도 신호를 도시한 도면,
도 4는 본 발명의 일 실시예에 따른, 자궁 근전도 신호를 4개의 주파수 대역별로 분리한 신호를 도시한 도면,
도 5는 본 발명의 일 실시예에 따른, 분리된 신호를 일정 시간 단위로 분할하는 과정을 도시한 도면,
도 6은 본 발명의 일 실시예에 따른, 숏타임푸리에변환 과정을 도시한 도면,
도 7은 본 발명의 일 실시예에 따른, 사용자가 정상 상태일 때의 숏타임푸리에 변환 결과 얻어지는 이미지 데이터를 도시한 도면,
도 8은 본 발명의 일 실시예에 따른, 사용자가 자궁 수축 상태일 때의 숏타임푸리에 변환 결과 얻어지는 이미지 데이터를 도시한 도면,
도 9는 본 발명의 일 실시예에 따른, 변환된 이미지 데이터를 이용하여 딥러닝 학습을 진행하여 자궁수축 판단모델을 생성하는 과정을 도시한 도면, 및
도 10은 본 발명의 일 실시예에 따른, 자궁수축 판단장치의 테스트 결과를 도시한 도면이다.
본 발명의 과제 해결 수단의 특징 및 이점을 보다 명확히 하기 위하여, 첨부된 도면에 도시된 본 발명의 특정 실시 예를 참조하여 본 발명을 더 상세하게 설명한다.
다만, 하기의 설명 및 첨부된 도면에서 본 발명의 요지를 흐릴 수 있는 공지기능 또는 구성에 대한 상세한 설명은 생략한다. 또한, 도면 전체에 걸쳐 동일한 구성 요소들은 가능한 한 동일한 도면 부호로 나타내고 있음에 유의하여야 한다.
이하의 설명 및 도면에서 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위한 용어의 개념으로 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.
따라서 본 명세서에 기재된 실시 예와 도면에 도시된 구성은 본 발명의 가장바람직한 일 실시 예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
또한, 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하기 위해 사용하는 것으로, 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용될 뿐, 상기 구성요소들을 한정하기 위해 사용되지 않는다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제2 구성요소는 제1 구성요소로 명명될 수 있고, 유사하게 제1 구성요소도 제2 구성요소로 명명될 수 있다.
더하여, 어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급할 경우, 이는 논리적 또는 물리적으로 연결되거나, 접속될 수 있음을의미한다.
다시 말해, 구성요소가 다른 구성요소에 직접적으로 연결되거나 접속되어 있을 수 있지만, 중간에 다른 구성요소가 존재할 수도 있으며, 간접적으로 연결되거나 접속될 수도 있다고 이해되어야 할 것이다.
또한, 본 명세서에서 기술되는 "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
또한, 명세서에 기재된 "…부", "…기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사어는 본 발명을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른, 자궁수축 판단 장치(100)의 구성을 도시한 블록도이다. 도 1에 도시된 바와 같이, 입력부(110) 및 제어부(120)를 포함한다.
자궁 근전도 신호는 자궁 수축 등의 자궁 전기 활동(uterine electrical activity)로 인하여 자궁의 근육층(myometrium)에서 발생하는 0.1 ~ 5 Hz와 0.04 ~ 0.5 mV의 특성을 갖는 전기적 신호이다.
자궁 근전도 측정장치(10)는 태아가 위치하는 임산부의 복부에 전극을 붙여 검사하는 복부 부착형 근전도 측정 패치로 구성된다. 복부 부착형 근전도 측정 패치는 측정된 자궁 근전도 신호를 입력부(110)로 전송하도록 설계된다. 또한 자궁 근전도 측정 센서는 자궁 근전도(Electrohysterogram) 신호 이 외에 태아 심박수(Tetal heart rate, 이하 THR), 체온 등의 생체 신호에 대해 통합 측정가능하도록 구성될 수도 있다.
입력부(110)는 자궁 근전도 측정기(10)로부터 자궁 근전도 신호(EHG : Electrohysterogram)를 입력받는다. 입력부(110)는 자궁 근전도 측정기(10)와 유선 또는 무선으로 통신가능하도록 연결되어 있으며, 예를 들어, USB 등의 유선 케이블을 통해 연결될 수도 있고, 와이파이나 블루투스와 같은 무선 통신을 통해 연결될 수도 있다. 그리고, 입력부(110)는 자궁 근전도 신호를 유선 또는 무선 통신을 이용하여 입력받게 된다.
제어부(120)는 자궁수축 판단 장치(100)의 전반적인 동작을 제어한다. 구체적으로, 제어부(120)는 자궁 근전도 신호에 자궁수축 여부를 라벨링하고, 자궁 근전도 신호를 복수개의 주파수 대역별 신호로 분리하며, 분리된 신호를 일정 시간 단위로 분할하는 세그멘테이션하고, 세그멘테이션된 신호를 정규화하며, 세그멘테이션 및 정규화된 신호를 주파수 영역의 이미지 데이터로 변환하고, 변환된 이미지 데이터를 이용한 딥러닝 학습을 통해, 자궁 근전도 신호에 기반하여 자궁수축 여부를 판단하는 자궁수축 판단모델을 생성한다. 그리고, 제어부(120)는 생성된 자궁수축 예측모델을 이용하여, 입력된 자궁 근전도 신호에 기초하여 일정 시간동안 자궁수축 횟수를 판단하고, 일정 시간동안 자궁수축 횟수에 기초하여 조산 위험도를 식별하게 된다.
이와 같은 구성의 자궁수축 판단 장치(100)는 사용자로부터 측정된 자궁 근전도 신호를 이용하여 사용자의 자궁수축 여부를 판단하고 이를 이용하여 조산 위험도를 식별할 수 있게 된다.
한편, 도 1에는 자궁수축 판단 장치(100)와 자궁 근전도 측정기(10)가 별도의 장치인 것으로 설명하였으나, 자궁수축 판단 장치(100)에 자궁 근전도 측정 모듈이 포함되어 구성될 수도 있음은 물론이다.
이하에서는, 도 2를 참고하여 자궁수축 판단 장치(100)에 의한 자궁수축 판단방법 및 조산 위험도 식별방법에 대해 더욱 상세히 설명한다.
도 2는 본 발명의 일 실시예에 따른, 자궁수축 판단 및 조산 위험도 식별 방법을 설명하기 위해 제공되는 흐름도이다.
우선, 자궁수축 판단 장치(100)는 자궁 근전도 측정기(10)로부터 사용자의 자궁 근전도 신호를 입력받는다(S210).
그리고, 자궁수축 판단장치(100)는 자궁 근전도 신호에 자궁수축 여부를 라벨링한다(S220). 구체적으로, 자궁수축 판단장치(100)는 동일 시간대에 자궁수축력측정기(tocodynamometer)에 의해 측정된 자궁수축신호를 이용하여 자궁 근전도 신호에 자궁수축 여부를 표시하여 라벨링을 수행하게 된다.
이와 관련하여 도 3을 참고하여 상세히 설명한다. 도 3은 본 발명의 일 실시예에 따른, 자궁수축력측정기(tocodynamometer)에 의해 측정된 신호와 자궁 근전도 신호를 도시한 도면이다.
도 3에서 상단에 표시된 그래프는 자궁수축력측정기(tocodynamometer)에 의해 측정된 자궁수축신호(TOCO신호)를 나타낸다. 그리고, 도 3에서 하단에 표시된 그래프는 동일 시간대의 자궁 근전도 신호를 도시한 도면이다.
도 3에 도시된 바와 같이, 자궁수축신호(TOCO신호)는 피크가 존재하는 시간대가 자궁수축이 발생한 시간대를 나타내는 것이다. 따라서, 자궁수축 판단장치(100)는 자궁수축신호를 이용하면 자궁수축이 발생한 시간대를 확인할 수 있으며, 확인된 자궁수축이 발생한 시간대를 이용하여 자궁 근전도 신호에 자궁수축 여부를 라벨링할 수 있게 된다.
도 3의 하단에 표시된 자궁 근전도 신호에는 빨간색으로 자궁수축 여부가 라벨링되어 있으며, 빨간색 그래프가 높은값에 해당되는 기간이 자궁수축 기간을 나타내고, 빨간색 그래프가 낮은값에 해당되는 기간이 정상상태 기간을 나타낸다.
이와 같은 과정을 통해, 자궁수축 판단장치(100)는 동일 시간대에 자궁수축력측정기(tocodynamometer)에 의해 측정된 자궁수축신호를 이용하여 자궁 근전도 신호에 자궁수축 여부를 표시하여 라벨링을 수행할 수 있게 된다.
다시 도 2로 돌아가서, 자궁수축 판단장치(100)는 자궁 근전도 신호를 복수개의 주파수 대역별 신호로 분리한다(S230). 자궁수축 판단장치(100)는 각 대역별 밴드패스필터를 이용하여 자궁 근전도 신호를 복수개의 주파수 대역별 신호로 분리할 수 있게 된다.
자궁수축 판단장치(100)는 자궁 근전도 신호를 4개의 주파수 대역별 신호로 분리할 수 있다. 구체적으로, 자궁수축 판단장치(100)는 자궁 근전도 신호를 자궁 내압 신호에 해당되는 제1 분리신호, 저주파대역의 자궁신호에 해당되는 제2 분리신호, 고주파대역의 자궁신호에 해당되는 제3 분리신호, 및 기타 신호에 해당되는 제4 분리신호로 분리할 수도 있다. 여기에서, 제1 분리신호는 자궁 근전도 신호에서 0.001Hz 내지 0.005Hz의 주파수 대역을 분리한 신호이고, 제2 분리신호는 자궁 근전도 신호에서 0.02Hz 내지 0.45Hz의 주파수 대역을 분리한 신호이고, 제3 분리신호는 자궁 근전도 신호에서 0.8Hz 내지 3Hz의 주파수 대역을 분리한 신호이고, 제4 분리신호는 자궁 근전도 신호에서 3Hz 초과의 주파수 대역을 분리한 신호가 될 수도 있다.
이와 같은 방식으로, 자궁수축 판단장치(100)는 자궁 근전도 신호를 4개의 주파수 대역별 신호로 분리하여 이를 신호처리하여 자궁수축여부를 판단하게 되며, 상술한 4개의 주파수 대역별 신호로 분리할 경우 자궁 수축 여부 판단의 정확도가 향상되는 것을 확인할 수 있다.
다시 도 2로 돌아와서, 자궁수축 판단장치(100)는 주파수 대역별로 분리된 신호를 일정 시간 단위로 분할하는 세그멘테이션(segmentation) 단계를 수행한다(S240). 이 때, 자궁수축 판단장치(100)는 분리된 신호를 일정 시간 단위로 분할할 때 일부 시간이 중첩되도록 분할하게 된다. 즉, 자궁수축 판단장치(100)는 분리된 신호를 일정 시간 단위로 분할할 때 시간상으로 앞서는 분할구간의 뒷부분과 시간상으로 뒤지는 분할구간의 앞부분이 일정부분 중첩되도록 시간영역을 설정하게 되는 것이다. 이와 같이, 일부 시간이 중첩되도록 분할할 경우, 자궁수축 판단장치(100)는 분할되는 경계 부분의 특성을 더욱 정확하게 처리할 수 있게 된다.
예를 들어, 자궁수축 판단장치(100)는 주파수 대역별로 분리된 신호를 2초 단위로 분할할 수 있으며, 이 때 신호의 25%(즉, 0.5초)가 이전 시간영역과 중첩되도록 분할할 수도 있다. 이에 대해 도 5를 참고하여 더 구체적으로 설명한다.
도 5는 본 발명의 일 실시예에 따른, 분리된 신호를 일정 시간 단위로 분할하는 과정을 도시한 도면이다. 구체적으로, 도 5는 자궁수축 판단장치(100)가 주파수 대역별로 분리된 신호를 2초 단위의 윈도우로 분할하고, 신호의 25%(즉, 0.5초)가 이전 시간영역 윈도우와 중첩되도록 분할하는 경우를 도시하고 있다.
도 5의 상단에 표시된 신호 그래프는 입력되는 자궁 근전도 신호(EHG : Electrohysterogram)를 나타내고 있고, 자궁수축 기간은 빨간색으로 라벨링이 되어 있는 것을 확인할 수 있다.
도 5의 하단에 표시된 그래프들은 2초 단위의 윈도우로 분할된 신호들이 표시되어 있으며, 25%(0.5초)씩 중첩되어 분할된 것을 확인할 수 있다.
자궁수축 판단장치(100)는 이와 같은 세그멘테이션(segmentation) 단계를 상술한 주파수 대역별 4개의 분리신호 즉, 제1 분리신호, 제2 분리신호, 제3 분리신호 및 제4 분리신호에 대해 모두 수행하게 되며, 보든 분리신호들을 시간 영역으로 분할된 복수개의 분할 신호로 만들게 된다.
그 후에, 자궁수축 판단장치(100)는 분할된 신호를 정규화하게 된다(S250). 구체적으로, 자궁수축 판단장치(100)는 분할된 신호들이 전체적으로 진폭이 -1과 1의 사이값이 되고, 평균이 0이 되고, 표준편차가 0에서 1 사이값이 되도록 정규화 처리를 하게 된다.
그 다음, 자궁수축 판단장치(100)는 분할 및 정규화된 신호를 주파수 영역의 이미지 데이터로 변환한다(S260). 구체적으로, 자궁수축 판단장치(100)는 분할 및 정규화된 신호를 숏타임푸리에변환(STFT : Short-time Fourier transform)를 이용하여 주파수 영역의 이미지 데이터로 변환하게 된다. 숏타임푸리에변환 과정에 대해서는 도 6 내지 도 8을 참고하여 설명한다.
도 6은 본 발명의 일 실시예에 따른, 숏타임푸리에변환 과정을 도시한 도면이다.
숏타임푸리에변환은 시계열 신호에 내포되어 있는 시간별 주파수 변화를 표현하는 광범위하게 사용되는 변환 방법이다. 자궁수축 판단장치(100)는 특정 범위의 자궁 근전도 신호와 특정한 특징을 갖는 윈도우 함수를 곱한 후, 이를 FFT (Fast Fourier Transform)을 사용하여 주파수 분석을 수행하며, 시간 축을 따라서 분할된 신호들에 대해 계속적으로 FFT(Fast Fourier Transform)를 수행하면, 숏타임푸리에변환의 결과인 주파수 영역의 이미지 데이터를 얻을 수 있게 된다.
자궁수축 판단장치(100)는 도 6에 도시된 개략적인 과정을 통해 숏타임푸리에변환을 수행하게 되고, 주파수 대역별로 분리된 신호들에 대한 이미지 데이터를 획득하게 된다. 여기에서 이미지 데이터는 주파수 대역별로 분리된 신호들의 숏타임푸리에변환 결과값에 해당되며, 이미지 데이터의 x축은 시간, y축은 주파수, 색깔은 진폭(amplitude)을 나타내게 된다.
도 7은 본 발명의 일 실시예에 따른, 사용자가 정상 상태일 때의 숏타임푸리에 변환 결과 얻어지는 이미지 데이터를 도시한 도면이다.
도 7의 상단에 표시된 그래프는 사용자가 정상상태(normal)일 경우의 자궁 근전도 신호(700)를 나타낸다. 그리고, 그 밑에는 제1 분리신호(0.001Hz 내지 0.005Hz)에 대한 숏타임푸리에변환 결과인 제1-1 이미지데이터(710), 제2 분리신호(0.02Hz 내지 0.45Hz)에 대한 숏타임푸리에변환 결과인 제1-2 이미지데이터(720), 제3 분리신호(0.8Hz 내지 3Hz)에 대한 숏타임푸리에변환 결과인 제1-3 이미지데이터(730), 제4 분리신호(3Hz 초과)에 대한 숏타임푸리에변환 결과인 제1-4 이미지데이터(740)가 도시되어 있는 것을 확인할 수 있다.
도 8은 본 발명의 일 실시예에 따른, 사용자가 자궁 수축 상태(contraction)일 때의 숏타임푸리에 변환 결과 얻어지는 이미지 데이터를 도시한 도면이다.
도 8의 상단에 표시된 그래프는 사용자가 자궁 수축 상태일 경우의 자궁 근전도 신호(800)를 나타낸다. 그리고, 그 밑에는 제1 분리신호(0.001Hz 내지 0.005Hz)에 대한 숏타임푸리에변환 결과인 제2-1 이미지데이터(810), 제2 분리신호(0.02Hz 내지 0.45Hz)에 대한 숏타임푸리에변환 결과인 제2-2 이미지데이터(820), 제3 분리신호(0.8Hz 내지 3Hz)에 대한 숏타임푸리에변환 결과인 제2-3 이미지데이터(830), 제4 분리신호(3Hz 초과)에 대한 숏타임푸리에변환 결과인 제2-4 이미지데이터(840)가 도시되어 있는 것을 확인할 수 있다.
도 7 및 도 8의 제1-1 이미지데이터(710), 제1-2 이미지데이터(720), 제1-3 이미지데이터(730), 및 제1-4 이미지데이터(740)와 제2-1 이미지데이터(810), 제2-2 이미지데이터(820), 제2-3 이미지데이터(830), 및 제2-4 이미지데이터(840)를 서로 비교하면, 서로 패턴이 차이가 있는 것을 확인할 수 있다.
따라서, 자궁수축 판단장치(100)는 분할 및 정규화된 신호를 숏타임푸리에변환(STFT : Short-time Fourier transform)를 이용하여 주파수 영역의 이미지 데이터로 변환하여, 해당 이미지 데이터의 이미지 패턴 차이를 이용하여, 자궁수축 상태인지 여부를 판단하는데 이용할 수 있게 된다.
다시 도 2로 돌아가서, 자궁수축 판단장치(100)는 변환된 이미지 데이터를 이용한 딥러닝 학습을 통해, 자궁 근전도 신호에 기반하여 자궁수축 여부를 판단하는 자궁수축 판단모델을 생성한다(S270). 구체적으로, 자궁수축 판단장치(100)는 변환된 이미지 데이터를 학습데이터로 이용한 CNN(Convolutional Neural Network)에 의한 딥러닝 학습을 통해, 자궁 근전도 신호에 기반하여 자궁수축 여부를 판단하는 자궁수축 판단모델을 생성하게 된다. 이와 같은 과정에 대해 도 9를 참고하여 설명한다.
도 9는 본 발명의 일 실시예에 따른, 변환된 이미지 데이터를 이용하여 딥러닝 학습을 진행하여 자궁수축 판단모델을 생성하는 과정을 도시한 도면이다.
CNN(Convolutional Neural Network)에 의한 학습은 다음과 같은 과정을 통해 수행된다.
먼저 컨볼루셔널 필터(Convolutional Filter)를 통해 입력된 이미지의 특징을 추출한다. 구체적으로, 컨볼루셔널 필터는 이미지를 입력으로 사용하는 딥러닝 모델에 기본적으로 쓰이는 특징 추출 필터이다. 컨볼루셔널 필터는 필터의 종류가 많으면 많을수록 다양한 특징을 추출할 수 있으며, 이미지의 픽셀 데이터들을 다른 도메인으로 변환하는 것을 통해서 다른 패턴의 데이터들을 서로 분리할 수 있게 변환해주는 역할을 한다. 컨볼루셔널 필터는 전체 데이터의 관계를 확인하지 않기 때문에 연산량 및 연산 파라미터가 기존의 신경망(Neural Network)보다 적다. 컨볼루셔널 필터는 각 채널별로 필터 가중 행렬(filter weights matrix)이 존재하며 각 채널과 맞는 가중 행렬에 행렬곱을 수행한 후, 모두 더해 평균을 내는 방식으로 해당 픽셀의 특징을 추출하게 된다.
그 다음 배치 노멀라이제이션(Batch Normalization)을 수행하게 된다. 배치 노멀라이제이션(Batch Normalization)은 딥러닝 모델 학습시 정규화를 통해 학습 수렴이 안정되게 해주는 기법이다. 필터를 통해 선형 변환되어 나오는 데이터의 평균과 표준편차가 편향되어있다고 가정하고, 배치 노멀라이제이션은 이를 다시 재조정해주는 방식으로 평균과 표준편차를 맞춰주어 학습이 안정적이며 학습 속도 가속화 및 성능 향상에 목적이 있다. 배치 노멀라이제이션은 딥러닝 계층사이에 모듈형태로 삽입이 되며, 스케일 파라미터(scale parameter)와 시프트(shift) 파라미터를 딥러닝 모델 학습 시 데이터에 기반하여 데이터에 맞는 스케일(scale)과 시프트(shift)의 스케일러(scalar) 값을 학습하고, 학습 완료 후, 딥러닝 모델 추론 시 각 배치 노멀라이제이션 파라미터를 이용하여 계층을 통과한 데이터를 다시 재조정하는 역할을 수행하게 된다.
그 다음으로는 풀링(Pooling)을 수행하게 된다. 컨볼루셔널 필터(Convolutional Filter)는 필터 가중치(Filter weights)의 크기에 따라서 입력 이미지에서 일정한 부분을 볼 수 있으며, 필터 가중치가 커지면 연산량 및 파라미터 수가 많아지는 트레이드오프(trade-off) 특성을 갖는다. 이를 보완하기 위해 풀링이 수행되며, 풀링은 이미지의 대표적인 성질은 남겨두되 영상 크기를 줄이는 역할을 통해서 같은 컨볼루셔널 필터 크기로 전체 영상을 볼 수 있다는 이점을 갖는다. 본 실시예에서는 선명도는 유지하면서 영상의 크기만 감소시키는 맥스 풀링(Max pooling) 기법을 이용할 수 있다.
그 다음으로는 드랍아웃(Drop out)을 수행하게 된다. 드랍아웃은 네트워크의 가중치들을 랜덤하게 사용하지 않는 것을 통해서 정규화하는 효과를 갖는 기법으로 딥러닝 모델의 학습 안정성 및 수렴속도, 성능향상에 목적이 있다. 드랍아웃은 데이터가 임밸런스(imbalance)한 상황에서 특정한 데이터에 대해서 특정 가중치(weight)를 오프(off)하여 모델의 모든 가중치(weight)가 임밸런스(imbalance)한 데이터를 모두 학습하지 못하는 효과를 갖기 때문에 정규화효과가 일어나며, 학습 데이터에 대한 오버피팅(overfitting)을 막는 역할을 하게 된다.
그 다음으로 풀리 커넥티드 네트워크(Fully Connected Network)를 생성하게 된다. 풀리 커넥티드 네트워크는 뉴럴 네트워크(Neural Netowrk) 혹은 인공신경망이라고 불리며, 본 실시예에서 컨볼루셔널 필터(Convolutioanl Filter)를 통해서 분리 가능하도록 나타난 데이터 표현에 대해서 경계 함수를 결정하는 네트워크를 나타낸다.
이와 같은 각 모듈들을 모두 결합하여 CNN(Convolutional Neural network)를 도 9와 같이 설계하게 된다.
자궁수축 판단장치(100)는 4개의 변환된 이미지 데이터를 4채널을 갖는 하나의 이미지로 통합하여 이를 입력으로 도 9에 도시된 구조의 CNN(Convolutional Neural network)를 통해 딥러닝 학습을 수행하게 된다. 이를 통해, 자궁수축 판단장치(100)는 4개의 변환된 이미지 데이터를 학습데이터로 이용한 CNN(Convolutional Neural Network)에 의한 딥러닝 학습을 통해, 자궁 근전도 신호에 기반하여 자궁수축 여부를 판단하는 자궁수축 판단모델을 생성하게 된다
다시 도 2로 돌아가서, 자궁수축 판단장치(100)는 생성된 자궁수축 판단모델을 이용하여, 입력된 자궁 근전도 신호에 기초하여 일정 시간동안 자궁수축 횟수를 판단한다(S280). 자궁수축 판단장치(100)는 사용자의 기존 자궁 근전도 신호를 이용하여 앞서 설명한 과정을 통해 자궁수축 판단모델을 생성하게 되고, 현재 입력된 자궁 근전도 신호를 해당 자궁수축 판단모델에 입력하여, 현재 입력된 자궁 근전도 신호에 자궁수축이 몇번 포함되어 있는지를 판단할 수 있게 된다.
그리고, 자궁수축 판단장치(100)는 일정 시간동안 자궁수축 횟수에 기초하여 조산 위험도를 식별하게 된다(S290). 예를 들어, 자궁수축 판단장치(100)는 5시간동안 10회이상의 자궁수축이 감지된 경우, 조산 위험이 있는 것으로 식별할 수도 있다.
이와 같은 과정을 통해, 자궁수축 판단장치(100)는 사용자의 자궁 근전도 신호를 이용하여 자궁수축 여부를 판단하고 및 조산 위험도를 식별할 수 있게 된다.
도 10은 본 발명의 일 실시예에 따른, 자궁수축 판단장치(100)의 테스트 결과를 도시한 도면이다.
도 10의 경우, 자궁수축 판단장치(100)에 총 8개 데이터 셋을 전체데이터를 대상으로 예측 테스트를 실시한 것이며, 정의된 전체 데이터에서 90%를을 자궁수축 판단모델 학습을 위한 학습용 데이터(training dataset)로 이용하고, 나머지 10%를 테스트용 데이터(test dataset)로 데이터를 랜덤 셔플링하여 테스트를 진행한 것이다.
도 10에서, TP(true positive)는 실제 자궁 수축 시에 자궁 근전도 신호 샘플을 정확하게 자궁수축상태라고 판단한 경우, TN(true negative)는 실제 정상상태일 때에 자궁 근전도 신호 샘플을 정확하게 정상상태라고 판단한 경우, FP (false positive)는 실제 정상상태일 때에 자궁 근전도 신호 샘플을 자궁수축상태라고 잘못 판단한 경우, FN (false negative)는 실제 자궁수축상태일 때에 자궁 근전도 신호 샘플을 정상상태신호라고 잘못 판단한 경우를 나타낸다.
도 10에서, 자궁수축 판단장치(100)는 총 50회의 테스트에서 틀린 횟수는 FP 3회, FN 1회로 총 4번만 틀리고 나머지 46번은 모두 맞게 판단한 것으로 결과가 도출된 것을 확인할 수 있다. 이와 같은 결과를 통해 정확도를 산출하면, 자궁수축 판단장치(100)의 정확도는 총 92%(=46/50*100)인 것을 확인할 수 있다.
따라서, 본 실시예에 따른 자궁수축 판단장치(100)는 상당히 높은 정확도로 자궁 근전도 신호를 이용하여 자궁수축 여부를 판단할 수 있는 것을 확인할 수 있다.
한편, 본 실시예에 따른 장치의 기능 및 방법을 수행하게 하는 컴퓨터 프로그램을 수록한 컴퓨터로 읽을 수 있는 기록매체에도 본 발명의 기술적 사상이 적용될 수 있음은 물론이다. 또한, 본 발명의 다양한 실시예에 따른 기술적 사상은 컴퓨터로 읽을 수 있는 기록매체에 기록된 컴퓨터로 읽을 수 있는 프로그래밍 언어 코드 형태로 구현될 수도 있다. 컴퓨터로 읽을 수 있는 기록매체는 컴퓨터에 의해 읽을 수 있고 데이터를 저장할 수 있는 어떤 데이터 저장 장치이더라도 가능하다. 예를 들어, 컴퓨터로 읽을 수 있는 기록매체는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광디스크, 하드 디스크 드라이브, 플래시 메모리, 솔리드 스테이트 디스크(SSD) 등이 될 수 있음은 물론이다. 또한, 컴퓨터로 읽을 수 있는 기록매체에 저장된 컴퓨터로 읽을 수 있는 코드 또는 프로그램은 컴퓨터간에 연결된 네트워크를 통해 전송될 수도 있다.
본 명세서와 도면에서는 예시적인 장치 구성을 기술하고 있지만, 본 명세서에서 설명하는 기능적인 동작과 주제의 구현물은 다른 유형의 디지털 전자 회로로구현되거나, 본 명세서에서 개시하는 구조 및 그 구조적인 등가물들을 포함하는 컴퓨터 소프트웨어, 펌웨어 혹은 하드웨어로 구현되거나, 이들 중 하나 이상의 결합으로 구현 가능하다.
따라서, 상술한 예를 참조하여 본 발명을 상세하게 설명하였지만, 본 발명이속하는 분야의 통상의 기술자라면 본 발명의 범위를 벗어나지 않으면서도 본 예들에 대한 개조, 변경 및 변형을 가할 수 있다.
또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.

Claims (12)

  1. 자궁수축 판단장치에 의한 자궁수축 판단 방법에 있어서,
    자궁 근전도 신호를 입력받는 단계;
    자궁 근전도 신호에 자궁수축 여부를 라벨링하는 단계;
    자궁 근전도 신호를 복수개의 주파수 대역별 신호로 분리하는 단계;
    분리된 신호를 일정 시간 단위로 분할하는 세그멘테이션 단계;
    분할된 신호를 정규화하는 단계;
    분할 및 정규화된 신호를 주파수 영역의 이미지 데이터로 변환하는 단계; 및
    변환된 이미지 데이터를 이용한 딥러닝 학습을 통해, 자궁 근전도 신호에 기반하여 자궁수축 여부를 판단하는 자궁수축 판단모델을 생성하는 단계;를 포함하는 자궁수축 판단방법.
  2. 청구항 1에 있어서,
    라벨링하는 단계는,
    동일 시간대에 자궁수축력측정기(tocodynamometer)에 의해 측정된 신호를 이용하여 자궁 근전도 신호에 자궁수축 여부를 라벨링하는 것을 특징으로 하는 자궁수축 판단방법.
  3. 청구항 1에 있어서,
    분리하는 단계는,
    자궁 근전도 신호를 4개의 주파수 대역별 신호로 분리하는 것을 특징으로 하는 자궁수축 판단방법.
  4. 청구항 3에 있어서,
    분리하는 단계는,
    자궁 근전도 신호를 자궁 내압 신호에 해당되는 제1 분리신호, 저주파대역의 자궁신호에 해당되는 제2 분리신호, 고주파대역의 자궁신호에 해당되는 제3 분리신호, 및 기타 신호에 해당되는 제4 분리신호로 분리하는 것을 특징으로 하는 자궁수축 판단방법.
  5. 청구항 4에 있어서,
    제1 분리신호는 자궁 근전도 신호에서 0.001Hz 내지 0.005Hz의 주파수 대역을 분리한 신호이고,
    제2 분리신호는 자궁 근전도 신호에서 0.02Hz 내지 0.45Hz의 주파수 대역을 분리한 신호이고,
    제3 분리신호는 자궁 근전도 신호에서 0.8Hz 내지 3Hz의 주파수 대역을 분리한 신호이고,
    제4 분리신호는 자궁 근전도 신호에서 3Hz 초과의 주파수 대역을 분리한 신호인 것을 특징으로 하는 자궁수축 판단방법.
  6. 청구항 1에 있어서,
    세그멘테이션 단계는,
    분리된 신호를 일정 시간 단위로 분할할 때 일부 시간이 중첩되도록 분할하는 것을 특징으로 하는 자궁수축 판단방법.
  7. 청구항 1에 있어서,
    변환하는 단계는,
    분할 및 정규화된 신호를 숏타임푸리에변환(STFT : Short-time Fourier transform)를 이용하여 주파수 영역의 이미지 데이터로 변환하는 것을 특징으로 하는 자궁수축 판단방법.
  8. 청구항 1에 있어서,
    자궁수축 예측모델을 생성하는 단계는,
    변환된 이미지 데이터를 학습데이터로 이용한 CNN(Convolutional Neural Network)에 의한 딥러닝 학습을 통해, 자궁 근전도 신호에 기반하여 자궁수축 여부를 판단하는 자궁수축 판단모델을 생성하는 것을 특징으로 하는 자궁수축 판단방법.
  9. 청구항 1에 있어서,
    생성된 자궁수축 판단모델을 이용하여, 입력된 자궁 근전도 신호에 기초하여 일정 시간동안 자궁수축 횟수를 판단하는 단계;를 더 포함하는 것을 특징으로 하는 자궁수축 판단방법.
  10. 자궁 근전도 신호를 입력받는 단계;
    자궁 근전도 신호에 자궁수축 여부를 라벨링하는 단계;
    자궁 근전도 신호를 복수개의 주파수 대역별 신호로 분리하는 단계;
    분리된 신호를 일정 시간 단위로 분할하는 세그멘테이션 단계;
    세그멘테이션된 신호를 정규화하는 단계;
    세그멘테이션 및 정규화된 신호를 주파수 영역의 이미지 데이터로 변환하는 단계; 및
    변환된 이미지 데이터를 이용한 딥러닝 학습을 통해, 자궁 근전도 신호에 기반하여 자궁수축 여부를 판단하는 자궁수축 판단모델을 생성하는 단계;를 포함하는 자궁수축 판단방법을 실행하는 컴퓨터 프로그램이 수록된 컴퓨터로 읽을 수 있는 기록매체.
  11. 자궁 근전도 신호를 입력받는 입력부;
    자궁 근전도 신호에 자궁수축 여부를 라벨링하고, 자궁 근전도 신호를 복수개의 주파수 대역별 신호로 분리하며, 분리된 신호를 일정 시간 단위로 분할하는 세그멘테이션하고, 세그멘테이션된 신호를 정규화하며, 세그멘테이션 및 정규화된 신호를 주파수 영역의 이미지 데이터로 변환하고, 변환된 이미지 데이터를 이용한 딥러닝 학습을 통해, 자궁 근전도 신호에 기반하여 자궁수축 여부를 판단하는 자궁수축 판단모델을 생성하는 제어부;를 포함하는 자궁수축 판단장치.
  12. 자궁수축 판단장치에 의한 조산 위험도 식별방법에 있어서,
    자궁 근전도 신호를 입력받는 단계;
    자궁 근전도 신호에 자궁수축 여부를 라벨링하는 단계;
    자궁 근전도 신호를 복수개의 주파수 대역별 신호로 분리하는 단계;
    분리된 신호를 일정 시간 단위로 분할하는 세그멘테이션 단계;
    세그멘테이션된 신호를 정규화하는 단계;
    세그멘테이션 및 정규화된 신호를 주파수 영역의 이미지 데이터로 변환하는 단계;
    변환된 이미지 데이터를 이용한 딥러닝 학습을 통해, 자궁 근전도 신호에 기반하여 자궁수축 여부를 판단하는 자궁수축 판단모델을 생성하는 단계;
    생성된 자궁수축 판단모델을 이용하여, 입력된 자궁 근전도 신호에 기초하여 일정 시간동안 자궁수축 횟수를 판단하는 단계; 및
    일정 시간동안 자궁수축 횟수에 기초하여 조산 위험도를 식별하는 단계;를 포함하는 조산 위험도 식별방법.
PCT/KR2019/011528 2018-11-27 2019-09-06 자궁 근전도 기반의 조산 위험도 식별방법 Ceased WO2020111464A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020180148241A KR102222282B1 (ko) 2018-11-27 2018-11-27 자궁 근전도 기반의 조산 위험도 식별방법
KR10-2018-0148241 2018-11-27

Publications (1)

Publication Number Publication Date
WO2020111464A1 true WO2020111464A1 (ko) 2020-06-04

Family

ID=70852840

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/011528 Ceased WO2020111464A1 (ko) 2018-11-27 2019-09-06 자궁 근전도 기반의 조산 위험도 식별방법

Country Status (2)

Country Link
KR (1) KR102222282B1 (ko)
WO (1) WO2020111464A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113133771A (zh) * 2021-03-18 2021-07-20 浙江工业大学 基于时频域熵特征的子宫肌电信号分析及早产预测方法

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102603983B1 (ko) * 2021-07-01 2023-11-22 주식회사 인텔리고 근전도 신호를 이용한 딥러닝 기반의 행동 인식 시스템 및 방법
KR102594173B1 (ko) * 2021-11-29 2023-11-16 주식회사 데이터스튜디오 타임 시리즈 데이터 예측을 위한 학습 이미지를 생성하는 방법 및 장치
KR102903208B1 (ko) * 2022-10-04 2025-12-22 동의대학교 산학협력단 통증자극 및 진동자극을 제공하는 피부 근전도 측정 장치 및 이를 이용한 시스템
KR102745246B1 (ko) * 2022-10-04 2024-12-19 동의대학교 산학협력단 피부 표면근전도를 이용한 말초신경계 기능 및 건강 상태 평가 방법과 이를 이용한 시스템

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003245258A (ja) * 2002-01-15 2003-09-02 General Electric Co <Ge> 腹部表面ｅｍｇ信号の線形予測モデリングを使用する子宮収縮監視の方法及び装置
KR20170130773A (ko) * 2016-05-19 2017-11-29 한국과학기술연구원 Eeg 및 emg 신호에 기반한 자궁 수축도 검사 장치 및 그 방법
KR101858411B1 (ko) * 2017-11-20 2018-05-15 재단법인 구미전자정보기술원 생체 신호를 이용한 조산 예측 방법 및 장치
KR20180087084A (ko) * 2017-01-24 2018-08-01 계명대학교 산학협력단 착용형 자궁 근전도 센서를 이용한 조산 예측 시스템 및 그 방법
KR101890072B1 (ko) * 2017-11-28 2018-08-21 주식회사 멕 아이씨에스 자궁 근전도 신호를 기반으로 임산부의 조산예측기능을 갖는 임산부 모니터링 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003245258A (ja) * 2002-01-15 2003-09-02 General Electric Co <Ge> 腹部表面ｅｍｇ信号の線形予測モデリングを使用する子宮収縮監視の方法及び装置
KR20170130773A (ko) * 2016-05-19 2017-11-29 한국과학기술연구원 Eeg 및 emg 신호에 기반한 자궁 수축도 검사 장치 및 그 방법
KR20180087084A (ko) * 2017-01-24 2018-08-01 계명대학교 산학협력단 착용형 자궁 근전도 센서를 이용한 조산 예측 시스템 및 그 방법
KR101858411B1 (ko) * 2017-11-20 2018-05-15 재단법인 구미전자정보기술원 생체 신호를 이용한 조산 예측 방법 및 장치
KR101890072B1 (ko) * 2017-11-28 2018-08-21 주식회사 멕 아이씨에스 자궁 근전도 신호를 기반으로 임산부의 조산예측기능을 갖는 임산부 모니터링 시스템

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113133771A (zh) * 2021-03-18 2021-07-20 浙江工业大学 基于时频域熵特征的子宫肌电信号分析及早产预测方法
CN113133771B (zh) * 2021-03-18 2022-10-28 浙江工业大学 基于时频域熵特征的子宫肌电信号分析及早产预测方法

Also Published As

Publication number Publication date
KR102222282B1 (ko) 2021-03-04
KR20200062627A (ko) 2020-06-04

Similar Documents

Publication Publication Date Title
KR102222282B1 (ko) 자궁 근전도 기반의 조산 위험도 식별방법
US10987047B2 (en) System and method for analyzing progress of labor and preterm labor
Mas-Cabo et al. Uterine contractile efficiency indexes for labor prediction: A bivariate approach from multichannel electrohysterographic records
Hao et al. Application of decision tree in determining the importance of surface electrohysterography signal characteristics for recognizing uterine contractions
JP2003517865A (ja) 人類や哺乳類の陣痛（ｌａｂｏｒ）予測装置
Saleem et al. Granger causal analysis of electrohysterographic and tocographic recordings for classification of term vs. preterm births
WO2022119155A1 (ko) 설명 가능한 다중 심전도 부정맥 진단 장치 및 방법
WO2023136588A1 (ko) 음성 분석을 이용한 연하 장애에 관한 보조 정보를 제공하는 방법
WO2017082461A2 (ko) 초음파 도플러 태아감시 장치의 심박 검출 신호처리 방법
Chowdhury et al. Automated method for uterine contraction extraction and classification of term versus pre-term EHG signals
Huber et al. Potential use of electrohysterography in obstetrics: a review article
Reis‐de‐Carvalho et al. Quality of fetal heart rate monitoring with transabdominal fetal ECG during maternal movement in labor: A prospective study
Nitzschke et al. Single-channel amplitude integrated EEG recording for the identification of epileptic seizures by nonexpert physicians in the adult acute care setting
WO2018092986A2 (ko) 태아의 자율신경계 및 심장활동 상태 진단방법
Eenkhoorn et al. Evaluation and patient experience of wireless noninvasive fetal heart rate monitoring devices
WO2014021515A1 (ko) 태아 건강 평가 방법 및 장치
WO2024043453A1 (ko) 다중 생체신호 기반 노인성 인지장애 진단 방법 및 장치
WO2012057406A1 (ko) 장음 분석을 통한 비침습적인 장 운동성 측정 장치 및 방법
WO2018236195A1 (ko) 초음파 영상 처리 방법
Tian et al. A comprehensive evaluation of the predictive abilities of fetal electrocardiogram‐derived parameters during labor in newborn acidemia: our institutional experience
KR101958863B1 (ko) 착용형 자궁 근전도 센서를 이용한 조산 예측 시스템 및 그 방법
Abbasi et al. 2D Wavelet-scalogram deep-learning for seizures pattern identification in the post-hypoxic-ischemic EEG of preterm fetal sheep
Zaylaa et al. Automatic segmentation of bipolar EHGs’ contractions using wavelet transform
SU624602A1 (ru) Способ оценки состо ни системы кровообращени плода
WO2020209614A1 (ko) 임신 1분기 초음파 이미지 분석 방법 및 장치

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: 19889716

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: 19889716

Country of ref document: EP

Kind code of ref document: A1