WO2021100968A1 - 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템 - Google Patents

인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템 Download PDF

Info

Publication number
WO2021100968A1
WO2021100968A1 PCT/KR2019/018398 KR2019018398W WO2021100968A1 WO 2021100968 A1 WO2021100968 A1 WO 2021100968A1 KR 2019018398 W KR2019018398 W KR 2019018398W WO 2021100968 A1 WO2021100968 A1 WO 2021100968A1
Authority
WO
WIPO (PCT)
Prior art keywords
heart rate
rate per
medi
graph
per minute
Prior art date
Application number
PCT/KR2019/018398
Other languages
English (en)
French (fr)
Inventor
남영진
류내원
양용석
Original Assignee
네오컨버전스 주식회사
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 네오컨버전스 주식회사 filed Critical 네오컨버전스 주식회사
Publication of WO2021100968A1 publication Critical patent/WO2021100968A1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02411—Detecting, measuring or recording pulse rate or heart rate of foetuses
    • 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
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/02—Foetus

Definitions

  • the present invention relates to a method, apparatus, and system for diagnosing fetal heartbeat using artificial intelligence.
  • the fetus since the fetus has a different pulse rate and pattern than the general person, it cannot be determined by the diagnostic criteria based on the existing general person data, and the fetal pulse abnormality is the most important factor in the fetal abnormality.
  • the technical problem to be achieved by the present invention is to provide a fetal heartbeat diagnosis method, apparatus, and system using artificial intelligence capable of efficiently diagnosing the fetal heartbeat using artificial intelligence to check the normal/abnormality of the fetus.
  • the fetal heartbeat diagnosis method using artificial intelligence in the fetal heartbeat diagnosis method using artificial intelligence by the fetal heartbeat diagnosis apparatus using artificial intelligence, receiving the fetal heartbeat sound, the fetal heartbeat sound Extracting heart rate information from and calculating heart rate per minute, generating a Medi graph by converting the heart rate per minute for a preset specific time to a Medi graph, and generating pre-processed data by extracting features and pre-processing from the Medi graph.
  • the pre-learned fetal heartbeat diagnosis deep learning neural network analyzes the preprocessed data to classify normal/abnormality.
  • the fetal heartbeat diagnosis method using artificial intelligence in the fetal heartbeat diagnosis method using artificial intelligence by the fetal heartbeat diagnosis apparatus using artificial intelligence, receiving the fetal heartbeat sound, the fetal heartbeat sound Extracting heart rate information from and calculating a first minute heart rate, receiving a second heart rate per minute obtained from the fetal heart rate, the first heart rate per minute and the second minute rate for a predetermined time according to a preset command Generating a Medi-graph by converting the heart rate into a Medi-graph, generating pre-processed data by extracting features and performing pre-processing from the Medi-graph, and analyzing the pre-trained fetal heartbeat diagnosis deep learning neural network to analyze the pre-processed data. It includes the step of classifying.
  • the preset command is a command to generate the Medi graph by converting the first heart rate per minute to the Medi graph
  • the Medi graph is generated by converting the first heart rate per minute to the Medi graph
  • the preset command is the first
  • the Medi graph is generated by converting the second heart rate per minute into the Medi graph.
  • the preset command is a command to use a heart rate per minute having a higher priority in the first heart rate per minute and the second heart rate per minute
  • the priority is determined according to the preset command, and the heart rate per minute having the higher priority
  • the Medi-graph is converted to generate the Medi-graph, and the preset command compares and analyzes the first heart rate per minute and the second heart rate per second minute to use the average value of the first heart rate per minute and the second heart rate per second minute. If a command, the Medi-graph is generated by calculating the average value of the first heart rate per minute and the second heart rate per second minute, and converting the average value of the first heart rate per minute and the second heart rate per minute to the Medi-graph. do.
  • the pre-processed data may be spectrogram data generated by spectrogram conversion of the Medi-graph.
  • the fetal heartbeat diagnosis apparatus using artificial intelligence includes a memory storing a pre-learned fetal heartbeat diagnosis deep learning neural network, and calculates a heart rate per minute by extracting heart rate information from the fetal beating sound, and The heart rate per minute is converted to a Medi-graph for a period of time to generate a Medi-graph, feature extraction and pre-processing are performed from the Medi-graph to generate pre-processed data, and a pre-learned fetal heartbeat diagnosis deep learning neural network analyzes the pre-processed data to normal / Includes a control unit that controls to classify abnormalities.
  • a fetal heartbeat diagnosis apparatus using artificial intelligence includes a memory for storing a pre-learned fetal heartbeat diagnosis deep learning neural network, and calculates the heart rate per minute by extracting heart rate information from the sound of the fetal heartbeat. Receives the second heart rate per minute obtained from the beat, and converts the first heart rate per minute and the second heart rate per second minute for a preset specific time according to a preset command to create a Medi graph to generate a Medi graph, and extracts characteristics from the Medi graph And a control unit that performs preprocessing to generate preprocessed data, and controls the pre-learned fetal heartbeat diagnosis deep learning neural network to analyze the preprocessed data to classify normal/abnormality.
  • the controller If the preset command is a command to generate the Medi graph by converting the first heart rate per minute into the Medi graph, the controller generates the Medi graph by converting the first heart rate per minute into the Medi graph, and the preset command In response to the command to generate the Medi-graph by converting the second heart rate per minute to the Medi-graph, control is performed to generate the Medi-graph by converting the second heart rate per minute into the Medi-graph.
  • the controller determines the priority according to the preset command, and the priority is high.
  • the Medi-graph is generated by converting the heart rate per minute to the Medi-graph, and the preset command compares and analyzes the heart rate per first minute and the heart rate per second minute, and the average value of the heart rate per first minute and the second heart rate per second minute If the command is to use, calculate the average value of the first heart rate per minute and the second heart rate per second minute, and convert the average value of the first heart rate per minute and the second heart rate per minute into the Medi graph to generate the Medi graph. It is characterized by controlling.
  • the fetal heartbeat diagnosis system using artificial intelligence receives the fetal heartbeat sound, extracts heartbeat information from the fetal heartbeat sound, calculates the heart rate per minute, and calculates the second heart rate obtained from the fetal heartbeat.
  • the heart rate per minute is received, the heart rate per first minute or the heart rate per second minute is converted to a Medi-graph for a preset specific time according to a preset command to generate a Medi-graph, and feature extraction and pre-processing are performed from the Medi-graph to generate pre-processed data.
  • a terminal that generates and transmits the preprocessed data to a server
  • a server for receiving the pre-processed data and classifying normal/abnormal by analyzing the pre-processed data by a pre-learned fetal heartbeat diagnosis deep learning neural network.
  • the present invention detects an abnormal pattern of the fetal heartbeat through the sound of the fetal heartbeat using artificial intelligence (AI), and diagnoses the normal/abnormality of the fetus.
  • AI artificial intelligence
  • the present invention analyzes the fetal heartbeat numerical data provided from the hospital based on deep learning to check whether the fetal heartbeat is abnormal in speed, and diagnoses the normal/abnormality of the fetus using pattern change information of the fetal heartbeat numerical data. .
  • the present invention can develop a deep learning model for analyzing fetal heartbeat patterns using artificial intelligence.
  • the present invention applies deep learning technology to analyze fetal heartbeat waveforms to detect fetal heartbeat decline (Deceleration), and reduces fetal death by detecting fetal heartbeat decline through self-examination, thereby reducing social costs due to fetal death. , It can prevent avoidance of childbirth.
  • FIG. 1 is a block diagram illustrating an apparatus for diagnosing fetal heartbeat using artificial intelligence according to an embodiment of the present invention.
  • FIG. 2 is a flowchart illustrating a method for diagnosing fetal heartbeat using artificial intelligence according to an embodiment of the present invention.
  • FIG. 3 is a flowchart illustrating a method for diagnosing fetal heartbeat using artificial intelligence according to another embodiment of the present invention.
  • FIG. 4 is a flowchart illustrating a fetal heartbeat diagnosis system using artificial intelligence according to an embodiment of the present invention.
  • beat means a repetitive motion of contraction and expansion of the heart.
  • fetal heartbeat means a repetitive movement of contraction and expansion of the fetal heart.
  • FIG. 1 is a block diagram illustrating an apparatus for diagnosing fetal heartbeat using artificial intelligence according to an embodiment of the present invention.
  • a fetal heartbeat diagnosis apparatus using artificial intelligence includes a memory 10, a control unit 20, a display unit 30, and an input unit. (40), and a transmitting and receiving unit (50). These components communicate through one or more communication buses or signal lines.
  • the memory 10 is a part that stores various data.
  • the memory 10 includes fetal beating sound, heart rate per minute (heart rate per first minute, heart rate per second minute, medi graph, spectrogram data, spectrogram basis, various preset information (for example, preset commands, Pre-set specific time, etc.), pre-learned fetal heartbeat diagnosis, deep learning neural network, etc.
  • the memory 10 may store an artificial intelligence program.
  • the memory 10 may store a pre-learned fetal heartbeat diagnosis deep learning neural network or a pre-learned fetal heartbeat diagnosis deep learning program.
  • the control unit 20 is a part that controls the diagnostic device according to the present invention. In addition, the control unit 20 is a part that controls each component of the diagnostic device.
  • the controller 20 extracts heart rate information from the fetal beating sound and calculates the heart rate per minute, converts the heart rate per minute for a preset specific time to a Medi-graph to generate a Medi-graph, and extracts and preprocesses features from the Medi-graph.
  • the pre-processed data is generated, and the pre-learned fetal heartbeat diagnosis deep learning neural network analyzes the pre-processed data and controls it to classify normal/abnormality.
  • control unit 20 extracts the heart rate information from the fetal beat sound, calculates the heart rate per first minute, receives the second heart rate per minute obtained from the fetal beat, and receives the first heart rate for a preset specific time according to a preset command.
  • Heart rate per minute and heart rate per second are converted to Medi-graph to generate Medi-graph, feature extraction and pre-processing from Medi-graph to generate pre-processed data, and pre-learned fetal heartbeat diagnosis deep learning neural network analyzes pre-processed data to normalize. / Control to classify abnormalities.
  • the control unit 20 generates a Medi graph by converting the heart rate per minute to the Medi graph, and the preset command is If the command to generate a Medi graph by converting the heart rate to the Medi graph, the heart rate per second is converted to the Medi graph and controlled to generate the Medi graph.
  • the control unit 20 determines the priority according to the preset command, and determines the priority heart rate per minute. If the preset command is to use the average value of the heart rate per minute and the heart rate per second minute by comparing and analyzing the heart rate per minute and the heart rate per second minute, the preset command is to use the average value of heart rate per minute and heart rate per minute. And the average value of the heart rate per second minute is calculated, and the average value of the heart rate per first minute and the heart rate per second minute is converted to a Medi graph to generate a Medi graph.
  • the display unit 30 provides an interface for visual output between the user and the diagnostic device.
  • the display unit 30 is a part that displays spectrogram data, a medi graph, a diagnosis result, and the like so that a user can identify it.
  • the input unit 40 provides an interface for inputting a command signal between the user and the diagnostic device. That is, the input unit 40 allows the user to input a command signal such as an input signal to the diagnosis device, and when the user inputs an input signal through the input unit 40, the diagnosis device detects various types of user input signals. And executes a user's command under the control of the controller 20.
  • the user may input a preset command or a command signal for changing a preset specific time, etc. to the diagnostic device through the input unit 40.
  • the display unit 30 and the input unit 40 may be integrated or separated.
  • the transmission/reception unit 50 is a part that transmits and receives data through a signal such as an electromagnetic wave.
  • the transmission/reception unit 50 converts electric signals into electromagnetic waves and communicates with a communication network and other communication devices through the electromagnetic waves.
  • the transmission/reception unit 50 may transmit Medi-graph information and pre-processed data to an external server or receive diagnosis result information from an external server according to the control of the control unit 20.
  • FIG. 2 is a flowchart illustrating a method for diagnosing fetal heartbeat using artificial intelligence according to an embodiment of the present invention.
  • the diagnostic apparatus is operated under the control of the control unit 20 included therein.
  • the diagnostic device receives a fetal beating sound (S201).
  • the diagnostic device extracts heart rate information from the received fetal beating sound and calculates a beats per minute (BPM) (S202).
  • the diagnostic device generates a Medi-graph by converting the heart rate per minute for a preset specific time to a Medi-Graph (S203).
  • the Medi graph refers to a time series recording graph of heart rate per minute for a preset specific time period.
  • the present invention can be set by the user for a preset specific time, and if there is no preset specific time, the diagnostic apparatus converts the heart rate per minute into a Medi-Graph to generate a Medi-graph.
  • the diagnostic device generates pre-processed data by extracting features and pre-processing from the Medi-graph (S204).
  • the diagnostic apparatus may generate spectrogram data by converting the Medi-graph into a spectrogram.
  • Table 1 shows a detailed description of the spectrogram conversion and an example of a reference value.
  • the spectrogram conversion according to the present invention can be converted according to the reference value (or reference) as shown in Table 1, and the spectrogram reference (or spectrogram item) and the reference value for the spectrogram conversion can be various embodiments.
  • the invention can be applied to various types of spectrogram transformation.
  • the diagnostic device classifies normal/abnormality by analyzing the pre-processed data by a deep learning neural network for diagnosing fetal heartbeat that has been learned (S205).
  • the pre-processed data may be spectrogram data.
  • the diagnostic device classifies as abnormal (or abnormal) when the pre-learned fetal heartbeat diagnosis deep learning neural network analyzes preprocessed data (eg, spectrogram data) and detects an abnormal pattern of the fetal heartbeat. If the learned fetal heartbeat diagnosis deep learning neural network analyzes preprocessed data (eg, spectrogram data) and fails to detect an abnormal pattern of the fetal heartbeat, it is classified as normal.
  • preprocessed data eg, spectrogram data
  • the learned fetal heartbeat diagnosis deep learning neural network analyzes preprocessed data (eg, spectrogram data) and fails to detect an abnormal pattern of the fetal heartbeat, it is classified as normal.
  • the unit time increases to more than several tens of minutes in the pattern analysis of fetal heartbeat data
  • the size of the data increases and the learning and analysis performance are affected. Therefore, if necessary, the data reduction techniques of the following examples can be mixed and used.
  • the data reduction technique usable in the present invention is, first, an attribute subset selection technique that removes irrelevant or redundant attributes and dimensions, and second, a dimension that reduces the original data in a compressed format.
  • the dimensionality reduction technique, third, is numerical reduction, which is to reduce the size of the data by changing the numerical value of the data to an alternative value.
  • the diagnostic device diagnoses whether the fetal rhythm is abnormal using normal/abnormal classification (S206).
  • a user may perform a detailed diagnosis of the fetus when the diagnosis device diagnoses the fetal rhythm as abnormal using the normal/abnormal classification.
  • Figure 3 is a flow chart for explaining a fetal heartbeat diagnosis method using artificial intelligence according to another embodiment of the present invention.
  • the diagnostic device receives a fetal beating sound (S301).
  • the diagnostic device extracts heart rate information from the received fetal beating sound and calculates a beats per minute (BPM) (S302).
  • BPM beats per minute
  • the heart rate per minute calculated in step S302 may be referred to as the first heart rate per minute.
  • the diagnostic device receives the heart rate per minute obtained from the fetal beat (S303).
  • the heart rate per minute obtained from the fetal heartbeat may be heart rate data per minute obtained from the fetal heartbeat already possessed by a hospital or the like.
  • the heart rate per minute received in step S303 may be referred to as the second heart rate per minute.
  • the diagnostic device generates a Medi-graph by converting the heart rate per minute (heart rate per first minute and/or heart rate per second minute) for a preset specific time according to a preset command to a Medi-Graph (S304).
  • the Medi graph refers to a time series recording graph of heart rate per minute for a preset specific time period.
  • a user can set a preset command and a preset specific time.
  • the diagnostic device when the diagnostic device receives any one of the heart rate per minute calculated in step S302 (eg, heart rate per first minute) and the heart rate per minute (eg heart rate per second minute) received in step S303 If the preset command is a command to generate a Medi-graph by converting the heart rate per first minute into a Medi-graph, the device may generate a Medi-graph by converting the heart rate per first minute out of the two heart rates per minute into the Medi-graph.
  • the heart rate per minute eg, heart rate per first minute
  • the heart rate per minute eg heart rate per second minute
  • the diagnostic device when the diagnostic device receives any one of the heart rate per minute calculated in step S302 (eg, heart rate per first minute) and the heart rate per minute (eg heart rate per second minute) received in step S303 If a preset command is a command to generate a Medi graph by converting the heart rate per second minute to the Medi-graph, the device may generate the Medi-graph by converting the heart rate per second minute out of the two heart rates per minute into the Medi-graph.
  • the diagnostic apparatus when the diagnostic apparatus receives both the first heart rate per minute and the second heart rate per minute, various types of embodiments are possible for the preset command.
  • the preset command may be a command for the diagnostic apparatus to use data (heart rate per minute) having a higher priority in the first heart rate per minute and the second heart rate per minute.
  • the diagnostic device may determine a priority according to a preset command, and convert a heart rate per minute with a higher priority to a Medi graph to generate a Medi graph.
  • the preset command allows the diagnostic apparatus to compare and analyze the heart rate per first minute and the heart rate per second minute, and use the average value of the two data (heart rate per first minute and heart rate per second minute).
  • the diagnostic device calculates the average value of the heart rate per first minute and the heart rate per second minute according to a preset command, and calculates the average value of the heart rate per two minutes (heart rate per first minute and You can create a Medi graph by converting the average value of heart rate per minute) into a Medi graph.
  • the diagnostic device generates pre-processed data by extracting features and pre-processing from the Medi-graph (S305).
  • the diagnostic apparatus may generate spectrogram data by converting the Medi-graph into a spectrogram.
  • the diagnostic device classifies normal/abnormality by analyzing the pre-processed data by the deep learning neural network for diagnosing fetal heartbeat that has been learned (S306).
  • the pre-processed data may be spectrogram data.
  • the device classifies as an abnormal (or abnormal) if the pre-learned fetal heartbeat diagnosis deep learning neural network analyzes preprocessed data (eg, spectrogram data) and detects an abnormal pattern of the fetal heartbeat.
  • preprocessed data eg, spectrogram data
  • Fetal Beat Diagnosis Deep learning neural network analyzes preprocessed data (eg, spectrogram data) and classifies it as normal if it fails to detect abnormal patterns of fetal rhythm.
  • the diagnostic device diagnoses whether the fetal rhythm is abnormal using normal/abnormal classification (S307).
  • a user may perform a detailed diagnosis of the fetus when the diagnosis device diagnoses the fetal rhythm as abnormal using the normal/abnormal classification.
  • Figure 4 is a flow chart for explaining a fetal heartbeat diagnosis system using artificial intelligence according to an embodiment of the present invention.
  • a fetal heartbeat diagnosis system (hereinafter, referred to as “diagnosis system”) using artificial intelligence according to an embodiment of the present invention includes a terminal 1 and a server 2.
  • the terminal 1 and the server 2 may each be a diagnostic device.
  • the terminal 1 receives the fetal beating sound (S401).
  • the terminal 1 calculates the heart rate per minute (eg, heart rate per first minute) by extracting the heart rate information from the beating sound, and/or receives the heart rate per minute (eg, heart rate per second minute) obtained from the fetal heartbeat. Do (S402).
  • the heart rate per minute (eg, the second heart rate per minute) obtained from the fetal beat may be data previously held in a hospital or the like.
  • the terminal 1 generates a Medi-graph by converting the heart rate per minute (heart rate per first minute and/or heart rate per second minute) for a preset specific time according to a preset command to a Medi-Graph (S403).
  • the preset command and the preset specific time may be examples described in FIG. 3.
  • the terminal 1 generates pre-processed data by extracting and pre-processing features from the Medi-graph (S404).
  • the diagnostic apparatus may generate spectrogram data by converting the Medi-graph into a spectrogram.
  • the terminal 1 transmits the preprocessed data to the server 2 (S405).
  • the preprocessed data may be spectrogram data.
  • the server 2 classifies normal/abnormal by analyzing the pre-processed data by the deep learning neural network for pre-learning fetal heartbeat diagnosis (S406).
  • the server 2 diagnoses whether the fetal heartbeat is abnormal using normal/abnormal classification (S407).
  • the server 2 transmits the diagnosis result information to the terminal 1 (S408).
  • the terminal 1 displays the diagnosis result (S409).
  • the terminal 1 displays the diagnosis result
  • the user for example, a mother or a doctor
  • checks the diagnosis result and if it is confirmed that the fetal heartbeat is abnormally diagnosed, a detailed diagnosis of the fetus may be performed.
  • the present invention can diagnose the abnormality of the fetus by detecting the abnormal pattern in the beating of the fetus.
  • the method according to an embodiment of the present invention may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer-readable recording medium.
  • the computer-readable recording medium may include program instructions, data files, data structures, and the like alone or in combination.
  • the programs (program instructions) recorded on the recording medium may be specially designed and constructed for the present invention, or may be known and usable to those skilled in computer software.
  • Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CDROMs and DVDs, and magnetic-optical media such as floptical disks.
  • Hardware devices specially configured to store and execute program instructions such as Magneto-optical media, ROM, RAM, flash memory, and the like are included.
  • Examples of program instructions include not only machine language codes such as those 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 described above may be configured to operate as one or more software modules to perform the operation of the present invention, and vice versa.

Abstract

본 발명은 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템에 관한 것이다. 본 발명의 일 실시예에 따른 인공지능을 이용한 태아 박동 진단방법은 인공지능을 이용한 태아 박동 진단장치가 인공지능을 이용한 태아의 박동 진단방법에 있어서, 태아 박동 소리를 수신하는 단계, 태아 박동 소리에서 심장 박동 정보를 추출하여 분당 심박수를 계산하는 단계, 기 설정된 특정 시간동안 분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성하는 단계, 메디 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하는 단계, 기 학습된 태아 박동 진단 딥러닝 신경망이 전처리 데이터를 분석하여 정상/이상을 분류하는 단계를 포함한다.

Description

인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템
본 발명은 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템에 관한 것이다.
일반인의 경우 신체 접촉을 통한 일반 심장 박동 장치들로 심장 박동의 측정이 가능하나 태아의 경우 엄마의 뱃속에 있어 일반적 장치로 심장 박동을 측정하는 것은 어려움이 있다.
또한, 태아는 일반인과는 다른 맥박수와 패턴을 가지고 있어 기존 일반인 데이터를 기반으로 하는 진단 기준으로는 판단할 수 없고, 태아의 맥박 이상여부가 태아 이상여부의 가장 중요한 요소이다.
그러나, 심장 박동을 통한 태아를 진단하는 것은 현재 전문의들의 청진에 의해 진행되고 있으며, 국내에서 인공지능(AI)을 이용하여 태아의 심장 박동 소리와 시계열 데이터를 통해 태아 이상을 진단하는 사례는 없다.
본 발명이 이루고자 하는 기술적인 과제는 인공지능을 이용하여 태아 박동을 효율적으로 진단하여 태아의 정상/이상을 확인할 수 있는 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템을 제공하는데 있다.
본 발명의 일 실시예에 따른 인공지능을 이용한 태아 박동 진단방법은 인공지능을 이용한 태아 박동 진단장치가 인공지능을 이용한 태아의 박동 진단방법에 있어서, 태아 박동 소리를 수신하는 단계, 상기 태아 박동 소리에서 심장 박동 정보를 추출하여 분당 심박수를 계산하는 단계, 기 설정된 특정 시간동안 상기 분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성하는 단계, 상기 메디 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하는 단계, 기 학습된 태아 박동 진단 딥러닝 신경망이 상기 전처리 데이터를 분석하여 정상/이상을 분류하는 단계를 포함한다.
본 발명의 다른 실시예에 따른 인공지능을 이용한 태아 박동 진단방법은 인공지능을 이용한 태아 박동 진단장치가 인공지능을 이용한 태아의 박동 진단방법에 있어서, 태아 박동 소리를 수신하는 단계, 상기 태아 박동 소리에서 심장 박동 정보를 추출하여 제1분당 심박수를 계산하는 단계, 태아 박동으로부터 획득한 제2분당 심박수를 수신하는 단계, 기 설정된 명령에 따라 기 설정된 특정 시간동안 상기 제1분당 심박수와 상기 제2분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성하는 단계, 상기 메디 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하는 단계, 기 학습된 태아 박동 진단 딥러닝 신경망이 상기 전처리 데이터를 분석하여 정상/이상을 분류하는 단계를 포함한다.
상기 기 설정된 명령이 상기 제1분당 심박수를 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하라는 명령이면, 상기 제1분당 심박수를 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하고, 상기 기 설정된 명령이 상기 제2분당 심박수를 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하라는 명령이면, 상기 제2분당 심박수를 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하는 것을 특징으로 한다.
상기 기 설정된 명령이 상기 제1분당 심박수와 상기 제2분당 심박수에서 우선순위가 높은 분당 심박수를 이용하라는 명령이면, 상기 기 설정된 명령에 따라 상기 우선순위를 파악하고, 상기 우선순위가 높은 상기 분당 심박수를 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하고, 상기 기 설정된 명령이 상기 제1분당 심박수와 상기 제2분당 심박수를 비교 분석하여, 상기 제1분당 심박수와 상기 제2분당 심박수의 평균값을 이용하라는 명령이면, 상기 제1분당 심박수와 상기 제2분당 심박수의 상기 평균값을 계산하고, 상기 제1분당 심박수와 상기 제2분당 심박수의 상기 평균값을 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하는 것을 특징으로 한다.
상기 전처리 데이터는, 상기 메디 그래프를 스펙트로그램 변환하여 생성된 스펙트로그램 데이터인 것을 특징으로 한다.
본 발명의 일 실시예에 따른 인공지능을 이용한 태아 박동 진단장치는 기 학습된 태아 박동 진단 딥러닝 신경망을 저장하는 메모리, 태아 박동 소리에서 심장 박동 정보를 추출하여 분당 심박수를 계산하고, 기 설정된 특정 시간동안 상기 분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성하고, 상기 메디 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하고, 기 학습된 태아 박동 진단 딥러닝 신경망이 상기 전처리 데이터를 분석하여 정상/이상을 분류하도록 제어하는 제어부를 포함한다.
본 발명의 다른 실시예에 따른 인공지능을 이용한 태아 박동 진단장치는 기 학습된 태아 박동 진단 딥러닝 신경망을 저장하는 메모리, 태아 박동 소리에서 심장 박동 정보를 추출하여 제1분당 심박수를 계산하고, 태아 박동으로부터 획득한 제2분당 심박수를 수신하고, 기 설정된 명령에 따라 기 설정된 특정 시간동안 상기 제1분당 심박수와 상기 제2분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성하고, 상기 메디 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하고, 기 학습된 태아 박동 진단 딥러닝 신경망이 상기 전처리 데이터를 분석하여 정상/이상을 분류하도록 제어하는 제어부를 포함한다.
상기 제어부는 상기 기 설정된 명령이 상기 제1분당 심박수를 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하라는 명령이면, 상기 제1분당 심박수를 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하고, 상기 기 설정된 명령이 상기 제2분당 심박수를 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하라는 명령이면, 상기 제2분당 심박수를 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하도록 제어하는 것을 특징으로 한다.
상기 제어부는 상기 기 설정된 명령이 상기 제1분당 심박수와 상기 제2분당 심박수에서 우선순위가 높은 분당 심박수를 이용하라는 명령이면, 상기 기 설정된 명령에 따라 상기 우선순위를 파악하고, 상기 우선순위가 높은 상기 분당 심박수를 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하고, 상기 기 설정된 명령이 상기 제1분당 심박수와 상기 제2분당 심박수를 비교 분석하여, 상기 제1분당 심박수와 상기 제2분당 심박수의 평균값을 이용하라는 명령이면, 상기 제1분당 심박수와 상기 제2분당 심박수의 상기 평균값을 계산하고, 상기 제1분당 심박수와 상기 제2분당 심박수의 상기 평균값을 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하도록 제어하는 것을 특징으로 한다.
본 발명의 일 실시예에 따른 인공지능을 이용한 태아 박동 진단시스템은 태아 박동 소리를 수신하고, 상기 태아 박동 소리에서 심장 박동 정보를 추출하여 제1분당 심박수를 계산하고, 태아 박동으로부터 획득한 제2분당 심박수를 수신하고, 기 설정된 명령에 따라 기 설정된 특정 시간동안 제1분당 심박수 또는 제2분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성하고, 상기 메디 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하고, 상기 전처리 데이터를 서버로 전송하는 단말,
상기 전처리 데이터를 수신하고, 기 학습된 태아 박동 진단 딥러닝 신경망이 상기 전처리 데이터를 분석하여 정상/이상을 분류하는 서버를 포함한다.
본 발명의 실시예에 따른 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템에 의하면 다음과 같은 효과가 있다.
첫째, 본 발명은 인공지능(AI)을 이용하여 태아의 심장 박동 소리를 통해서 태아 박동의 이상 패턴을 검출하고, 태아의 정상/이상을 진단할 수 있다.
둘째, 본 발명은 병원으로부터 제공받은 태아 박동 수치 데이터를 딥러닝 기반으로 분석하여 태아 박동의 속도 이상 여부를 확인하고 태아 박동 수치 데이터의 패턴 변화 정보를 이용하여 태아의 정상/이상을 진단할 수 있다.
셋째, 본 발명은 인공지능을 이용하여 태아 박동 패턴 분석 딥러닝 모델을 개발할 수 있다.
넷째, 본 발명은 딥러닝 기술을 적용하여 태아 심장 박동 파형을 분석하여 태아 심장 박동 저하(Deceleration) 검출하고, 자가 검진을 통한 태아 박동 저하 검출로 태아 사망을 줄여, 태아 사망에 의한 사회적 비용을 줄이고, 출산 기피를 막을 수 있다.
도 1은 본 발명의 일 실시예에 따른 인공지능을 이용한 태아 박동 진단장치를 설명하기 위한 블록도이다.
도 2는 본 발명의 일 실시예에 따른 인공지능을 이용한 태아 박동 진단방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 다른 실시예에 따른 인공지능을 이용한 태아 박동 진단방법을 설명하기 위한 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 인공지능을 이용한 태아 박동 진단시스템을 설명하기 위한 흐름도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
또한, 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 이외의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다.
이하, 본 발명을 보다 구체적으로 설명하기 위하여 본 발명에 따른 실시예들을 첨부 도면을 참조하면서 보다 상세하게 설명하고자 한다.
본 발명에서 “박동”은 심장의 수축과 확장의 반복운동을 의미한다. 본 발명에서 “태아 박동”은 태아 심장의 수축과 확장의 반복운동을 의미한다.
도 1은 본 발명의 일 실시예에 따른 인공지능을 이용한 태아 박동 진단장치를 설명하기 위한 블록도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 인공지능을 이용한 태아 박동 진단장치(이하, “진단장치”라 한다.)는 메모리(10), 제어부(20), 표시부(30), 입력부(40), 송수신부(50)를 포함한다. 이러한 구성요소는 하나 이상의 통신버스 또는 신호선을 통하여 통신한다.
메모리(10)는 다양한 데이터 저장하는 부분이다.
예를 들어, 메모리(10)는 태아 박동 소리, 분당 심박수(제1분당 심박수, 제2분당 심박수, 메디 그래프, 스펙트로그램 데이터, 스펙트로그램 기준, 기 설정된 다양한 정보(예를 들어, 기 설정된 명령, 기 설정된 특정시간 등), 기 학습된 태아 박동 진단 딥러닝 신경망 등을 저장할 수 있다.
또한, 메모리(10)는 인공지능 프로그램을 저장할 수 있다. 예를 들어, 메모리(10)는 기 학습된 태아 박동 진단 딥러닝 신경망 또는 기 학습된 태아 박동 진단 딥러닝 프로그램을 저장할 수 있다.
제어부(20)는 본 발명에 따른 진단장치를 제어하는 부분이다. 또한, 제어부(20)는 진단장치의 각 구성요소를 제어하는 부분이다.
*제어부(20)는 태아 박동 소리에서 심장 박동 정보를 추출하여 분당 심박수를 계산하고, 기 설정된 특정 시간동안 분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성하고, 메디 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하고, 기 학습된 태아 박동 진단 딥러닝 신경망이 전처리 데이터를 분석하여 정상/이상을 분류하도록 제어한다.
또한, 제어부(20)는 태아 박동 소리에서 심장 박동 정보를 추출하여 제1분당 심박수를 계산하고, 태아 박동으로부터 획득한 제2분당 심박수를 수신하고, 기 설정된 명령에 따라 기 설정된 특정 시간동안 제1분당 심박수와 제2분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성하고, 메디 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하고, 기 학습된 태아 박동 진단 딥러닝 신경망이 전처리 데이터를 분석하여 정상/이상을 분류하도록 제어한다.
또한, 제어부(20)는 기 설정된 명령이 제1분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성하라는 명령이면, 제1분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성하고, 기 설정된 명령이 제2분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성하라는 명령이면, 제2분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성하도록 제어한다.
또한, 제어부(20)는 기 설정된 명령이 제1분당 심박수와 제2분당 심박수에서 우선순위가 높은 분당 심박수를 이용하라는 명령이면, 기 설정된 명령에 따라 우선순위를 파악하고, 우선순위가 높은 분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성하고, 기 설정된 명령이 제1분당 심박수와 제2분당 심박수를 비교 분석하여, 제1분당 심박수와 제2분당 심박수의 평균값을 이용하라는 명령이면, 제1분당 심박수와 제2분당 심박수의 평균값을 계산하고, 제1분당 심박수와 제2분당 심박수의 평균값을 메디 그래프 변환하여 메디 그래프를 생성하도록 제어한다.
표시부(30)는 사용자와 진단장치 사이의 시각적인 출력을 위한 인터페이스를 제공한다. 표시부(30)는 스펙트로그램 데이터, 메디 그래프, 진단 결과 등을 사용자가 식별할 수 있도록 표시하는 부분이다.
입력부(40)는 사용자와 진단장치 사이의 명령신호를 입력하는 인터페이스를 제공한다. 즉, 입력부(40)는 사용자가 진단장치에 입력신호와 같은 명령신호 등을 입력할 수 있고, 사용자가 입력부(40)를 통해서 입력신호를 입력하면, 진단장치는 다양한 종류의 사용자 입력신호를 검출하고 제어부(20)의 제어에 의해서 사용자의 명령을 수행한다.
사용자는 입력부(40)를 통해서 기 설정된 명령이나 기 설정된 특정시간 등을 변경하는 명령신호를 진단장치에 입력할 수 있다.
다만, 터치스크린과 같은 일부 실시예에서는 표시부(30)와 입력부(40)가 일체로 될 수 있고, 분리될 수도 있다.
송수신부(50)는 전자파와 같은 신호로 데이터를 송수신하는 부분이다. 송수신부(50)는 전기신호를 전자파로 변환하며 이 전자파를 통하여 통신 네트워크 및 다른 통신장치와 통신한다.
예를 들어, 송수신부(50)는 제어부(20)의 제어에 따라서 메디 그래프 정보, 전처리 데이터를 외부 서버에 전송하거나, 외부 서버로부터 진단 결과 정보를 수신할 수 있다.
도 2는 본 발명의 일 실시예에 따른 인공지능을 이용한 태아 박동 진단방법을 설명하기 위한 흐름도이다.
이하의 설명에서, 진단장치는 내부에 포함된 제어부(20)의 제어에 의해서 동작이 수행되는 것이라고 설명될 수 있다.
도 2를 참조하면, 진단장치는 태아 박동 소리를 수신한다(S201).
진단장치는 수신한 태아 박동 소리에서 심장 박동 정보를 추출하여 분당 심박수(BPM: beats per minute)를 계산한다(S202).
진단장치는 기 설정된 특정 시간동안 분당 심박수를 메디 그래프(Medi-Graph) 변환하여 메디 그래프를 생성한다(S203). 여기서, 메디 그래프는 기 설정된 특정 시간동안 분당 심박수의 시계열 기록 그래프를 의미한다.
이때, 본 발명은 기 설정된 특정 시간에 대해서 사용자가 설정 가능하며, 기 설정된 특정 시간이 없는 경우, 진단장치는 분당 심박수를 메디 그래프(Medi-Graph) 변환하여 메디 그래프를 생성한다.
진단장치는 메디 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성한다(S204). 메디 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하는 하나의 실시예로, 진단장치는 메디 그래프를 스펙트로그램(sprectrogram) 변환하여 스펙트로그램 데이터를 생성할 수 있다.
아래 표 1은 스펙트로그램 변환에 대한 상세설명과 기준값의 일 예를 나타낸 것이다.
스펙트로그램 기준 기준값
샘플링 주기 48000
최소 주파수 0
최대 주파수 24000
Fast Fourier transform윈도우크기 2048
샘플 변환시 이동단위 512
입력 샘플 프레임 입력 샘플 1.0초 프레임 48000/480+1=101101*128
입력 샘플 0.4초 프레임 19200/512+1=3838*128
입력 샘플 0.1초 프레임 4800/512+1=1111*128
본 발명에 따른 스펙트로그램 변환은 상기 표 1과 같은 기준값(또는 기준)에 따라 변환할 수 있는데, 이러한 스펙트로그램 변환에 대한 스펙트로그램 기준(또는 스펙트로그램 항목)과 기준값은 다양한 실시예가 가능하며, 본 발명은 다양한 형태의 스펙트로그램 변환에 적용 가능하다.
진단장치는 기 학습된 태아 박동 진단 딥러닝 신경망이 전처리 데이터를 분석하여 정상/이상을 분류한다(S205). 여기서, 전처리 데이터는 스펙트로그램 데이터가 가능하다.
*예를 들어, 진단장치는 기 학습된 태아 박동 진단 딥러닝 신경망이 전처리 데이터(예를 들어, 스펙트로그램 데이터)를 분석하여 태아 박동의 이상 패턴을 검출하면 이상(또는 비정상)으로 분류하고, 기 학습된 태아 박동 진단 딥러닝 신경망이 전처리 데이터(예를 들어, 스펙트로그램 데이터)를 분석하여 태아 박동의 이상 패턴을 검출하지 못하면 정상으로 분류한다.
본 발명은 태아 박동 데이터의 패턴 분석에서 단위 시간이 수 십분 이상으로 커지게 되면 데이터의 크기가 커지고 학습 및 분석 성능에 영향을 미치게 되기 때문에 필요한 경우 다음 실시예의 데이터 축소 기법을 혼합하여 사용할 수 있다.
본 발명에서 사용 가능한 데이터 축소 기법은 첫째, 관련이 없거나 중복되는 속성 및 차원을 제거하는 것인 속성부분집합 선택(attribute subset selection) 기법, 둘째, 원래의 데이터를 압축된 형식으로 축소시키는 것인 차원축소(dimensionality reduction)기법, 셋째, 데이터의 수치 값을 대체 값으로 변경시킴으로써 데이터의 크기를 줄이는 것인 수치 축소(numerosity reduction)이다.
진단장치는 정상/이상 분류를 이용하여 태아 박동의 이상 여부를 진단한다(S206).
여기서, 사용자(예를 들어, 산모 또는 의사)는 진단장치가 정상/이상 분류를 이용하여 태아 박동이 이상으로 진단하면 태아의 정밀 진단을 수행할 수 있다.
*도 3은 본 발명의 다른 실시예에 따른 인공지능을 이용한 태아 박동 진단방법을 설명하기 위한 흐름도이다.
도 3을 참조하면, 진단장치는 태아 박동 소리를 수신한다(S301).
진단장치는 수신한 태아 박동 소리에서 심장 박동 정보를 추출하여 분당 심박수(BPM: beats per minute)를 계산한다(S302). 예를 들어, S302단계에서 계산한 분당 심박수를 제1분당 심박수라 할 수 있다.
진단장치는 태아 박동으로부터 획득한 분당 심박수를 수신한다(S303). 예를 들어, 태아 박동으로부터 획득한 분당 심박수는 병원 등에서 기 보유하고 있는 태아 박동으로부터 획득한 분당 심박수 데이터가 될 수 있다. 예를 들어, S303단계에서 수신한 분당 심박수를 제2분당 심박수라 할 수 있다.
진단장치는 기 설정된 명령에 따라 기 설정된 특정 시간동안 분당 심박수(제1분당 심박수 및/또는 제2분당 심박수)를 메디 그래프(Medi-Graph) 변환하여 메디 그래프를 생성한다(S304). 여기서, 메디 그래프는 기 설정된 특정 시간동안 분당 심박수의 시계열 기록 그래프를 의미한다.
이때, 본 발명은 기 설정된 명령, 기 설정된 특정 시간에 대해서 사용자가 설정 가능하다.
예를 들어, 진단장치가 S302단계에서 계산한 분당 심박수(예를 들어, 제1분당 심박수)와 S303단계에서 수신한 분당 심박수(예를 들어, 제2분당 심박수) 중 어느 하나를 수신한 경우에 기 설정된 명령이 제1분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성하라는 명령이면, 장치는 두 분당 심박수 중에서 제1분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성할 수 있다.
다른 실시예로, 진단장치가 S302단계에서 계산한 분당 심박수(예를 들어, 제1분당 심박수)와 S303단계에서 수신한 분당 심박수(예를 들어, 제2분당 심박수) 중 어느 하나를 수신한 경우에 기 설정된 명령이 제2분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성하라는 명령이면, 장치는 두 분당 심박수 중에서 제2분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성할 수 있다.
본 발명에서 진단장치가 제1분당 심박수와 제2분당 심박수를 모두 수신한 경우에는 기 설정된 명령은 다양한 형태의 실시예가 가능하다.
제1실시예로, 기 설정된 명령은 진단장치가 제1분당 심박수와 제2분당 심박수에서 우선순위가 높은 데이터(분당 심박수)를 이용하라는 명령이 가능하다. 이때, 진단장치는 제1분당 심박수와 제2분당 심박수를 모두 수신 후에, 기 설정된 명령에 따라 우선순위를 파악하고, 우선순위가 높은 분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성할 수 있다.
제2실시예로, 기 설정된 명령은 진단장치가 제1분당 심박수와 제2분당 심박수를 비교 분석하여, 두 데이터(제1분당 심박수와 제2분당 심박수)의 평균값을 이용하라는 명령이 가능하다. 이때, 진단장치는 제1분당 심박수와 제2분당 심박수를 모두 수신 후에, 기 설정된 명령에 따라 제1분당 심박수와 제2분당 심박수의 평균값을 계산하고, 두 분당 심박수(제1분당 심박수와 제2분당 심박수)의 평균값을 메디 그래프 변환하여 메디 그래프를 생성할 수 있다.
진단장치는 메디 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성한다(S305). 메디 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하는 하나의 실시예로, 진단장치는 메디 그래프를 스펙트로그램(sprectrogram) 변환하여 스펙트로그램 데이터를 생성할 수 있다.
진단장치는 기 학습된 태아 박동 진단 딥러닝 신경망이 전처리 데이터를 분석하여 정상/이상을 분류한다(S306). 여기서, 전처리 데이터는 스펙트로그램 데이터가 가능하다.
예를 들어, 장치는 기 학습된 태아 박동 진단 딥러닝 신경망이 전처리 데이터(예를 들어, 스펙트로그램 데이터) 를 분석하여 태아 박동의 이상 패턴을 검출하면 이상(또는 비정상)으로 분류하고, 기 학습된 태아 박동 진단 딥러닝 신경망이 전처리 데이터(예를 들어, 스펙트로그램 데이터)를 분석하여 태아 박동의 이상 패턴을 검출하지 못하면 정상으로 분류한다.
진단장치는 정상/이상 분류를 이용하여 태아 박동의 이상 여부를 진단한다(S307).
여기서, 사용자(예를 들어, 산모 또는 의사)는 진단장치가 정상/이상 분류를 이용하여 태아 박동이 이상으로 진단하면 태아의 정밀 진단을 수행할 수 있다.
*도 4는 본 발명의 일 실시예에 따른 인공지능을 이용한 태아 박동 진단시스템을 설명하기 위한 흐름도이다.
도 4를 참조하면, 본 발명의 일 실시예에 따른 인공지능을 이용한 태아 박동 진단시스템(이하, “진단시스템”라 한다.)는 단말(1)과 서버(2)를 포함한다.
본 발명에서 단말(1)과 서버(2)는 각각이 진단장치가 될 수 있다.
단말(1)은 태아 박동 소리를 수신한다(S401).
단말(1)은 박동 소리에서 심장 박동 정보를 추출하여 분당 심박수(예를 들어, 제1분당 심박수)를 계산 및/또는 태아 박동으로부터 획득한 분당 심박수(예를 들어, 제2분당 심박수)를 수신한다(S402). 예를 들어, 태아 박동으로부터 획득한 분당 심박수(예를 들어, 제2분당 심박수)는 병원 등에서 기 보유하고 있는 데이터가 될 수 있다.
단말(1)은 기 설정된 명령에 따라 기 설정된 특정 시간동안 분당 심박수(제1분당 심박수 및/또는 제2분당 심박수)를 메디 그래프(Medi-Graph) 변환하여 메디 그래프를 생성한다(S403). 여기서, 기 설정된 명령, 기 설정된 특정 시간은 상기 도 3에서 설명한 예들이 가능하다.
단말(1)은 메디 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성한다(S404). 메디 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하는 하나의 실시예로, 진단장치는 메디 그래프를 스펙트로그램(sprectrogram) 변환하여 스펙트로그램 데이터를 생성할 수 있다.
단말(1)은 전처리 데이터를 서버(2)로 전송한다(S405). 예를 들어, 전처리 데이터는 스펙트로그램 데이터가 가능하다.
서버(2)는 기 학습된 태아 박동 진단 딥러닝 신경망이 전처리 데이터를 분석하여 정상/이상을 분류한다(S406).
서버(2)는 정상/이상 분류를 이용하여 태아 박동의 이상 여부를 진단한다(S407).
서버(2)는 진단 결과 정보를 단말(1)로 전송한다(S408).
단말(1)은 진단 결과를 표시한다(S409).
단말(1)이 진단 결과를 표시하면, 사용자(예를 들어, 산모 또는 의사)는 진단 결과를 확인하고, 태아 박동이 이상으로 진단된 것을 확인하면 태아의 정밀 진단을 수행할 수 있다.
이와 같이, 본 발명은 태아의 박동에서 이상 패턴을 검출하여 태아의 이상 여부를 진단할 수 있다.
본 발명의 실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 기록매체에 기록될 수 있다. 컴퓨터 판독 가능 기록매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기록매체에 기록되는 프로그램(프로그램 명령)은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(Magnetic media), CDROM, DVD와 같은 광기록 매체(Optical media), 플롭티컬 디스크(Floptical disk)와 같은 자기-광 매체(Magneto-optical media), 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 본 발명을 도면에 도시한 실시예를 참고하여 설명하였으나, 이는 발명을 설명하기 위한 것일 뿐이며, 본 발명이 속하는 기술 분야의 통상의 지식을 가진 자라면 발명의 상세한 설명으로부터 다양한 변형 또는 균등한 실시예가 가능하다는 것을 이해할 수 있을 것이다. 따라서 본 발명의 진정한 권리범위는 특허청구범위의 기술적 사상에 의해 결정되어야 한다.

Claims (10)

  1. 인공지능을 이용한 태아 박동 진단장치가 인공지능을 이용한 태아의 박동 진단방법에 있어서,
    태아 박동 소리를 수신하는 단계,
    상기 태아 박동 소리에서 심장 박동 정보를 추출하여 분당 심박수를 계산하는 단계,
    기 설정된 특정 시간동안 상기 분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성하는 단계,
    상기 메디 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하는 단계,
    기 학습된 태아 박동 진단 딥러닝 신경망이 상기 전처리 데이터를 분석하여 정상/이상을 분류하는 단계를 포함하는 인공지능을 이용한 태아 박동 진단방법.
  2. 인공지능을 이용한 태아 박동 진단장치가 인공지능을 이용한 태아의 박동 진단방법에 있어서,
    태아 박동 소리를 수신하는 단계,
    상기 태아 박동 소리에서 심장 박동 정보를 추출하여 제1분당 심박수를 계산하는 단계,
    태아 박동으로부터 획득한 제2분당 심박수를 수신하는 단계,
    기 설정된 명령에 따라 기 설정된 특정 시간동안 상기 제1분당 심박수와 상기 제2분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성하는 단계,
    상기 메디 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하는 단계,
    기 학습된 태아 박동 진단 딥러닝 신경망이 상기 전처리 데이터를 분석하여 정상/이상을 분류하는 단계를 포함하는 인공지능을 이용한 태아 박동 진단방법.
  3. 제2항에 있어서,
    상기 기 설정된 명령이 상기 제1분당 심박수를 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하라는 명령이면, 상기 제1분당 심박수를 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하고,
    상기 기 설정된 명령이 상기 제2분당 심박수를 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하라는 명령이면, 상기 제2분당 심박수를 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하는 것을 특징으로 하는 인공지능을 이용한 태아 박동 진단방법.
  4. 제2항에 있어서,
    상기 기 설정된 명령이 상기 제1분당 심박수와 상기 제2분당 심박수에서 우선순위가 높은 분당 심박수를 이용하라는 명령이면,
    상기 기 설정된 명령에 따라 상기 우선순위를 파악하고, 상기 우선순위가 높은 상기 분당 심박수를 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하고,
    상기 기 설정된 명령이 상기 제1분당 심박수와 상기 제2분당 심박수를 비교 분석하여, 상기 제1분당 심박수와 상기 제2분당 심박수의 평균값을 이용하라는 명령이면,
    상기 제1분당 심박수와 상기 제2분당 심박수의 상기 평균값을 계산하고, 상기 제1분당 심박수와 상기 제2분당 심박수의 상기 평균값을 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하는 것을 특징으로 하는 인공지능을 이용한 태아 박동 진단방법.
  5. 제1항 또는 제2항에 있어서,
    상기 전처리 데이터는,
    상기 메디 그래프를 스펙트로그램 변환하여 생성된 스펙트로그램 데이터인 것을 특징으로 하는 인공지능을 이용한 태아 박동 진단방법.
  6. 기 학습된 태아 박동 진단 딥러닝 신경망을 저장하는 메모리,
    태아 박동 소리에서 심장 박동 정보를 추출하여 분당 심박수를 계산하고, 기 설정된 특정 시간동안 상기 분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성하고, 상기 메디 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하고, 기 학습된 태아 박동 진단 딥러닝 신경망이 상기 전처리 데이터를 분석하여 정상/이상을 분류하도록 제어하는 제어부를 포함하는 인공지능을 이용한 태아 박동 진단장치.
  7. 기 학습된 태아 박동 진단 딥러닝 신경망을 저장하는 메모리,
    태아 박동 소리에서 심장 박동 정보를 추출하여 제1분당 심박수를 계산하고, 태아 박동으로부터 획득한 제2분당 심박수를 수신하고, 기 설정된 명령에 따라 기 설정된 특정 시간동안 상기 제1분당 심박수와 상기 제2분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성하고, 상기 메디 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하고, 기 학습된 태아 박동 진단 딥러닝 신경망이 상기 전처리 데이터를 분석하여 정상/이상을 분류하도록 제어하는 제어부를 포함하는 인공지능을 이용한 태아 박동 진단장치.
  8. 제7항에 있어서,
    상기 제어부는 상기 기 설정된 명령이 상기 제1분당 심박수를 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하라는 명령이면, 상기 제1분당 심박수를 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하고,
    상기 기 설정된 명령이 상기 제2분당 심박수를 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하라는 명령이면, 상기 제2분당 심박수를 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하도록 제어하는 것을 특징으로 하는 인공지능을 이용한 태아 박동 진단장치.
  9. 제7항에 있어서,
    상기 제어부는 상기 기 설정된 명령이 상기 제1분당 심박수와 상기 제2분당 심박수에서 우선순위가 높은 분당 심박수를 이용하라는 명령이면,
    상기 기 설정된 명령에 따라 상기 우선순위를 파악하고, 상기 우선순위가 높은 상기 분당 심박수를 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하고,
    상기 기 설정된 명령이 상기 제1분당 심박수와 상기 제2분당 심박수를 비교 분석하여, 상기 제1분당 심박수와 상기 제2분당 심박수의 평균값을 이용하라는 명령이면,
    상기 제1분당 심박수와 상기 제2분당 심박수의 상기 평균값을 계산하고, 상기 제1분당 심박수와 상기 제2분당 심박수의 상기 평균값을 상기 메디 그래프 변환하여 상기 메디 그래프를 생성하도록 제어하는 것을 특징으로 하는 인공지능을 이용한 태아 박동 진단장치.
  10. 태아 박동 소리를 수신하고, 상기 태아 박동 소리에서 심장 박동 정보를 추출하여 제1분당 심박수를 계산하고, 태아 박동으로부터 획득한 제2분당 심박수를 수신하고, 기 설정된 명령에 따라 기 설정된 특정 시간동안 제1분당 심박수 또는 제2분당 심박수를 메디 그래프 변환하여 메디 그래프를 생성하고, 상기 메디 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하고, 상기 전처리 데이터를 서버로 전송하는 단말,
    상기 전처리 데이터를 수신하고, 기 학습된 태아 박동 진단 딥러닝 신경망이 상기 전처리 데이터를 분석하여 정상/이상을 분류하는 서버를 포함하는 인공지능을 이용한 태아 박동 진단시스템.
PCT/KR2019/018398 2019-11-18 2019-12-24 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템 WO2021100968A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2019-0147944 2019-11-18
KR1020190147944A KR102319262B1 (ko) 2019-11-18 2019-11-18 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템

Publications (1)

Publication Number Publication Date
WO2021100968A1 true WO2021100968A1 (ko) 2021-05-27

Family

ID=75980680

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/018398 WO2021100968A1 (ko) 2019-11-18 2019-12-24 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템

Country Status (2)

Country Link
KR (1) KR102319262B1 (ko)
WO (1) WO2021100968A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023113048A1 (ko) * 2021-12-13 2023-06-22 네오컨버전스 주식회사 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1993008534A1 (en) * 1991-10-24 1993-04-29 Hewlett-Packard Gmbh Apparatus and method for evaluating the fetal condition
JPH10506034A (ja) * 1994-09-21 1998-06-16 ベス・イスラエル・デイーコネス・メデイカル・センター 胎児データ処理システム及び方法
KR101221406B1 (ko) * 2012-06-19 2013-01-25 (주)비스토스 태아 심음 측정 장치 및 이를 포함하는 시스템
KR101748261B1 (ko) * 2016-04-14 2017-06-16 계명대학교 산학협력단 심전도 데이터를 그래프로 시각화하여 부정맥을 판별하는 방법 및 시스템
KR20190114694A (ko) * 2018-03-30 2019-10-10 삼성에스디에스 주식회사 인공지능을 이용한 시계열 데이터 학습 및 분석 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101936302B1 (ko) 2018-06-29 2019-01-08 이채영 딥러닝 네트워크에 기반한 퇴행성 신경질환 진단 방법 및 진단 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1993008534A1 (en) * 1991-10-24 1993-04-29 Hewlett-Packard Gmbh Apparatus and method for evaluating the fetal condition
JPH10506034A (ja) * 1994-09-21 1998-06-16 ベス・イスラエル・デイーコネス・メデイカル・センター 胎児データ処理システム及び方法
KR101221406B1 (ko) * 2012-06-19 2013-01-25 (주)비스토스 태아 심음 측정 장치 및 이를 포함하는 시스템
KR101748261B1 (ko) * 2016-04-14 2017-06-16 계명대학교 산학협력단 심전도 데이터를 그래프로 시각화하여 부정맥을 판별하는 방법 및 시스템
KR20190114694A (ko) * 2018-03-30 2019-10-10 삼성에스디에스 주식회사 인공지능을 이용한 시계열 데이터 학습 및 분석 방법

Also Published As

Publication number Publication date
KR20210060730A (ko) 2021-05-27
KR102319262B1 (ko) 2021-11-01

Similar Documents

Publication Publication Date Title
WO2022145519A1 (ko) 딥러닝을 이용한 심전도 시각화 방법 및 장치
WO2020141807A2 (ko) 딥러닝을 이용한 정상동율동 심전도 상태에서의 발작성 심방세동 예측방법
WO2022059969A1 (ko) 심전도 데이터 분류를 위한 심층 신경망 사전 학습 방법
WO2022119155A1 (ko) 설명 가능한 다중 심전도 부정맥 진단 장치 및 방법
WO2023063587A1 (ko) 배터리 진단 방법 및 그 장치
WO2010032929A2 (ko) 뇌파 분석을 이용한 치매 진단 장치 및 방법
US9633168B2 (en) Biometric identity validation for use with unattended tests for medical conditions
WO2019031794A1 (ko) 피검체의 치명적 증상의 발생을 조기에 예측하기 위한 예측 결과를 생성하는 방법 및 이를 이용한 장치
WO2023120777A1 (ko) 심전도 전역 특징 벡터를 이용한 다중 박동 검출 방법 및 장치
WO2016126147A1 (ko) 코골이 검출 장치 및 방법
WO2021246700A1 (ko) 사용자 상태를 예측하기 위한 방법 및 그 장치
WO2020242101A1 (ko) Ir-uwb 레이더를 이용한 비침습/비접촉 방식 수면 무호흡증 검출 및 진단 장치 및 방법
WO2021100968A1 (ko) 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템
Ziani et al. QRS complex characterization based on non-negative matrix factorization NMF
WO2023128669A1 (ko) 부분방전 모니터링 시스템 및 부분방전 모니터링 방법
WO2023120775A1 (ko) 심전도 판독을 수정하기 위한 방법 및 장치
Gupta et al. Segmentation and classification of heart sounds
WO2023113048A1 (ko) 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템
WO2023200280A1 (ko) 보정된 이미지 기반 심박 추정 방법 및 그 장치
KR102186159B1 (ko) 피어슨 상관계수 및 뉴로-퍼지 네트워크 기반 심음 분석 방법 및 시스템
Bhosale et al. Contrastive Learning of Cough Descriptors for Automatic COVID-19 Preliminary Diagnosis.
WO2023128320A1 (ko) 인공지능 검증 시스템 및 방법
WO2023080697A1 (ko) 심장 신호 분할 방법 및 이를 이용한 심장 신호 분할용 디바이스
WO2013165044A1 (ko) 심전도 검출 회로 및 심전도 분석 알고리즘의 점검 장치 및 방법
WO2017010612A1 (ko) 의료 영상 분석 기반의 병리 진단 예측 시스템 및 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: 19953078

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: 19953078

Country of ref document: EP

Kind code of ref document: A1