WO2022014942A1 - 딥러닝 기반 심전도를 이용한 심장 질환 진단 장치 및 그 방법 - Google Patents

딥러닝 기반 심전도를 이용한 심장 질환 진단 장치 및 그 방법 Download PDF

Info

Publication number
WO2022014942A1
WO2022014942A1 PCT/KR2021/008626 KR2021008626W WO2022014942A1 WO 2022014942 A1 WO2022014942 A1 WO 2022014942A1 KR 2021008626 W KR2021008626 W KR 2021008626W WO 2022014942 A1 WO2022014942 A1 WO 2022014942A1
Authority
WO
WIPO (PCT)
Prior art keywords
diagnosis
heart disease
learning
electrocardiogram data
electrocardiogram
Prior art date
Application number
PCT/KR2021/008626
Other languages
English (en)
French (fr)
Inventor
권준명
Original Assignee
주식회사 바디프랜드
주식회사 메디컬에이아이
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 바디프랜드, 주식회사 메디컬에이아이 filed Critical 주식회사 바디프랜드
Publication of WO2022014942A1 publication Critical patent/WO2022014942A1/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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/363—Detecting tachycardia or bradycardia
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Definitions

  • the present invention relates to an apparatus and method for diagnosing heart disease using a deep learning-based electrocardiogram, and more particularly, by using a deep learning algorithm to learn electrocardiogram data for each characteristic, and to derive a diagnosis name for heart disease using the learned model
  • a device for diagnosing a heart disease using an electrocardiogram based on deep learning and a method therefor To a device for diagnosing a heart disease using an electrocardiogram based on deep learning and a method therefor.
  • cardiovascular disease is the leading cause of death today. More than 17.7 million people have died from cardiovascular disease, accounting for about 31% of all deaths, and over 75% of these deaths occur in low- and middle-income countries.
  • Arrhythmia a representative type of cardiovascular disease, is a disease that shows irregular changes in normal heart rhythm. This is included. Although a single arrhythmic heartbeat may not seriously affect life, a continuous arrhythmic heartbeat can lead to a fatal situation, so it is important to continuously monitor the heartbeat as a routine management and preventive measure.
  • ECG electrocardiogram
  • the electrocardiogram measures the electrical signal (electrocardiogram signal) generated by the heart and records the potential related to the heartbeat on the surface of the body as a graphic. to determine
  • arrhythmia is not diagnosed as having a disease (1) or not (0), but when it is judged to be abnormal, that is, when it is judged as an arrhythmia, the type of arrhythmia must also be distinguished.
  • ECG analysis and artificial intelligence models have been developed and are being used to diagnose arrhythmias.
  • FIG. 1 is a diagram illustrating a conventional artificial intelligence model for diagnosing arrhythmias.
  • Fig. 1 it is an algorithm that classifies various arrhythmias at once when ECG data is input.
  • a method of classifying it into 3 (asystole), abnormal 4 (ventricular fibrillation, abnormal 5 (ventricular tachycardia), and N) was developed.
  • the technical problem to be achieved by the present invention is to learn electrocardiogram data by characteristics using a deep learning algorithm, and to derive a diagnosis name of a heart disease using the learned model.
  • an apparatus for diagnosing a heart disease using an electrocardiogram based on deep learning comprising: an input unit for receiving electrocardiogram data; a characteristic extracting unit that analyzes the electrocardiogram data and extracts n characteristics for diagnosing the heart disease; a decision model generation unit generating each identification code for the n characteristics for each diagnosis name of the heart disease, and generating n judgment models for determining each characteristic by learning the generated identification code; a diagnostic model generator for generating a diagnostic model for deriving a diagnosis name of the heart disease by learning values determined from the judgment model; and a controller for outputting a diagnosis result for the electrocardiogram data to be diagnosed using the judgment model and the diagnosis model.
  • the judgment model generating unit generates two identification codes divided into binary values for each characteristic so as to have a value corresponding to each diagnosis name, and clusters the same identification code into two groups for each characteristic. And, by learning the binary values of the two groups divided by using a deep learning algorithm, it is possible to generate the judgment model for classifying each characteristic.
  • control unit may store the electrocardiogram data to be diagnosed and a diagnosis result for the data in a storage unit, and the judgment model generator may learn the stored electrocardiogram data and the diagnosis result using a deep learning algorithm.
  • the input unit may further receive patient information including age and gender, and the determination model generator may generate the determination model by further learning patient information of the electrocardiogram data.
  • the controller may output a diagnosis name and diagnosis reason for the electrocardiogram data to be diagnosed.
  • a method for diagnosing a heart disease using an electrocardiogram based on deep learning comprising: receiving, by an apparatus for diagnosing a heart disease, electrocardiogram data; extracting n characteristics for diagnosing the heart disease by analyzing the electrocardiogram data; generating each identification code for the n characteristics for each diagnosis name of the heart disease; generating n judgment models for judging each characteristic by learning the generated identification code; generating a diagnostic model for deriving a diagnosis name of the heart disease by learning values determined from the judgment model; and outputting a diagnosis result for the electrocardiogram data to be diagnosed using the judgment model and the diagnosis model.
  • diagnosis accuracy is improved, and the reason for diagnosis can be presented together. reliability can be improved.
  • the diagnosis result can be classified into multivariate such as normal, arrhythmia type 1, arrhythmia type 2, arrhythmia type 3, and N, rather than binary classification such as normal and abnormal (arrhythmia), so accurate diagnosis results can be presented.
  • an objective and accurate diagnosis is possible because a learning model is learned by a deep learning method that automatically extracts features by judging only by data, and it can be usefully utilized for diagnosing various diseases by learning various bio-signals. It works.
  • FIG. 1 is a diagram illustrating a conventional artificial intelligence model for diagnosing arrhythmias.
  • FIG. 2 is a block diagram illustrating an apparatus for diagnosing a heart disease using an electrocardiogram based on deep learning according to an embodiment of the present invention.
  • FIG. 3 is a flowchart illustrating an operation flow of a method for diagnosing a heart disease using an electrocardiogram based on deep learning according to an embodiment of the present invention.
  • FIG. 4 is a diagram illustrating a process of generating an identification code for each characteristic for each diagnosis name in step S300 of FIG. 3 .
  • FIG. 5 is a diagram illustrating a decision model generated in step S400 of FIG. 3 .
  • FIG. 6 is a diagram illustrating a process of outputting a heart disease diagnosis result according to an embodiment of the present invention.
  • An apparatus for diagnosing a heart disease using an electrocardiogram based on deep learning includes an input unit for receiving electrocardiogram data; a characteristic extracting unit that analyzes the electrocardiogram data and extracts n characteristics for diagnosing the heart disease; a decision model generation unit generating each identification code for the n characteristics for each diagnosis name of the heart disease, and generating n judgment models for determining each characteristic by learning the generated identification code; a diagnostic model generator for generating a diagnostic model for deriving a diagnosis name of the heart disease by learning values determined from the judgment model; and a controller for outputting a diagnosis result for the electrocardiogram data to be diagnosed using the judgment model and the diagnosis model.
  • FIG. 2 is a block diagram illustrating an apparatus for diagnosing a heart disease using an electrocardiogram based on deep learning according to an embodiment of the present invention.
  • the apparatus 100 for diagnosing a heart disease using an electrocardiogram based on deep learning includes an input unit 110 , a characteristic extraction unit 120 , a judgment model generation unit 130 , and a diagnosis model generation. It includes a unit 140 , a control unit 150 , and a storage unit 160 .
  • the input unit 110 receives electrocardiogram data.
  • the ECG based on 12 electrodes is measured for about 10 seconds, and the ECG signal measured for 10 seconds is stored as 5000 numbers for each electrode.
  • the electrocardiogram is output as a picture.
  • the 60,000 numbers (5000*12 electrodes) that generate the electrocardiogram are called back data (or source data), and in the embodiment of the present invention, this back data can be input as electrocardiogram data.
  • the embodiment of the present invention has been described as an example of measuring the ECG signal in the 12-guide method, but in addition to this, the ECG signal is measured using various electrode combinations such as the 6-guide method and the single-guide method such as a wrist watch type or patch. may be It is preferable that the measurement time is also increased or decreased according to the signal to be obtained.
  • the input unit 110 may further receive patient information including age and gender.
  • the characteristic extraction unit 120 extracts n characteristics for diagnosing a heart disease by analyzing the received electrocardiogram data.
  • the characteristic extraction unit 120 may extract characteristics included in the electrocardiogram data using an auto-encoder, but is not limited thereto.
  • the autoencoder method is a machine learning method using unsupervised learning.
  • the ECG signal As an example, when 12*5000 ECG data is input, it is output to have the same value as the input value. That is, the same electrocardiogram is input and output. Instead, in the middle layer, the middle layer is made with a much smaller number of layers, and machine learning is performed so that the ECG data identical to the input ECG data is output.
  • This method summarizes large data into a few numbers and returns it back to the original data, so that the entire ECG data is summarized into a few characteristic values, and then the original ECG data is reconstructed using the characteristic values again. .
  • the decision model generating unit 130 generates identification codes for n characteristics for each diagnosis name of heart disease, and generates n judgment models for determining each characteristic by learning the generated identification codes.
  • two identification codes divided by binary values are generated for each characteristic to have a value corresponding to each diagnosis name, and the same identification code is clustered to classify each characteristic into two groups, deep learning By learning the binary values of the divided groups using an algorithm, a judgment model that distinguishes each characteristic is created.
  • the deep learning algorithm is based on a neural network model such as an artificial neural network (ANN) including a recurrent neural network (RNN) algorithm or a convolutional neural network (CNN) algorithm, and here Various machine learning methods such as random forest, support vector machine (SVM), linear discriminant analysis (LDA), quadratic discriminant analysis (QDA), K-nearest neighbor (K-NN), and K-means can be applied together. .
  • ANN artificial neural network
  • RNN recurrent neural network
  • CNN convolutional neural network
  • Various machine learning methods such as random forest, support vector machine (SVM), linear discriminant analysis (LDA), quadratic discriminant analysis (QDA), K-nearest neighbor (K-NN), and K-means can be applied together.
  • SVM support vector machine
  • LDA linear discriminant analysis
  • QDA quadratic discriminant analysis
  • K-NN K-nearest neighbor
  • K-means K-means
  • the decision model generating unit 130 may generate a decision model by further learning patient information of the electrocardiogram data received through the input unit 110 .
  • the diagnostic model generator 140 generates a diagnostic model for deriving a diagnosis name of a heart disease by learning values determined from the judgment model, respectively.
  • the controller 150 outputs the diagnosis result for the electrocardiogram data to be diagnosed using the judgment model and the diagnosis model.
  • the controller 150 may filter the noise of the electrocardiogram data to be diagnosed, or may input the signal data into the judgment model without noise filtering.
  • controller 150 may output a diagnosis name and a diagnosis reason for the electrocardiogram data to be diagnosed.
  • the storage unit 160 stores the diagnosis result diagnosed by the control unit 150 and the corresponding electrocardiogram data.
  • the decision model generator 130 may further learn the ECG data and the diagnosis result stored in the storage 160 using a deep learning algorithm.
  • FIGS. 3 to 6 a method for diagnosing a heart disease using an electrocardiogram based on deep learning according to an embodiment of the present invention will be described with reference to FIGS. 3 to 6 .
  • FIG. 3 is a flowchart illustrating an operation flow of a method for diagnosing a heart disease using a deep learning-based electrocardiogram according to an embodiment of the present invention. A detailed operation of the present invention will be described with reference to this.
  • the input unit 110 of the heart disease diagnosis apparatus 100 receives electrocardiogram data (S100).
  • the input unit 110 may further receive patient information including age and gender.
  • the characteristic extraction unit 120 analyzes the electrocardiogram data received in step S100 to extract n characteristics for diagnosing a heart disease (S200).
  • the decision model generating unit 130 generates identification codes for n characteristics for each diagnosis name of heart disease (S300).
  • the decision model generating unit 130 may generate two identification codes divided into binary values for each characteristic so as to have a value corresponding to each diagnosis name.
  • FIG. 4 is a diagram illustrating a process of generating an identification code for each characteristic for each diagnosis name in step S300 of FIG. 3 .
  • the judgment model generating unit 130 analyzes the electrocardiogram data received in step S100 to generate and label the diagnosis name of heart disease and an identification code corresponding to each characteristic extracted by the characteristic extraction unit 120. desirable.
  • the identification codes are indicated by A to Z for convenience of understanding, but the present invention is not limited thereto.
  • the decision model generating unit 130 generates n judgment models for determining each characteristic by learning the identification code generated in step S300 (S400).
  • the decision model generating unit 130 classifies the same identification code into two groups for each characteristic by clustering the same identification code, and a decision model for classifying each characteristic by learning the binary values of the two groups divided using a deep learning algorithm.
  • FIG. 5 is a diagram illustrating a decision model generated in step S400 of FIG. 3 .
  • the identification code of characteristic 1 is divided into two groups, the group in which the identification code is A, and the identification code of characteristic 1 is B, and accordingly, the binary value of each identification code is deep learning
  • a judgment model for characteristic 1 that distinguishes characteristic 1 by learning it using an algorithm is generated.
  • the generated judgment model is not a model for diagnosing a heart disease, but a model for judging the characteristic 1.
  • the diagnostic model generating unit 140 generates a diagnostic model for deriving a diagnosis name of a heart disease by learning values determined from the judgment model generated in step S400 ( S500 ).
  • controller 150 outputs a diagnosis result for the electrocardiogram data to be diagnosed using the judgment model generated in step S400 and the diagnostic model generated in step S500 ( S600 ).
  • step S600 the controller 150 may output a diagnosis name and diagnosis reason for the electrocardiogram data to be diagnosed.
  • the control unit 150 does not simply read and output only the diagnosis name, but says "Atrial fibrillation, the reason has irregular characteristics, and Pwave is not visible. and because the pulse rate is between 50 and 100."
  • the controller 150 may store electrocardiogram data to be diagnosed and a diagnosis result for the data in the storage 160 .
  • the decision model generator 130 may further learn the electrocardiogram data stored in the storage 160 and the diagnosis result of the electrocardiogram data by using a deep learning algorithm.
  • the determination model generator 130 may improve the accuracy of the determination model by outputting the determination result and simultaneously learning the corresponding electrocardiogram data.
  • the decision model generating unit 130 may further learn patient information of the electrocardiogram data.
  • FIG. 6 is a diagram illustrating a process of outputting a heart disease diagnosis result according to an embodiment of the present invention.
  • the controller 150 inputs electrocardiogram data to be diagnosed into the judgment model generated by the judgment model generator 130 , and each judgment value determined by each judgment model is converted into the diagnosis model generator 140 . ), a diagnosis result for the corresponding electrocardiogram data can be derived using the output diagnosis result.
  • the apparatus and method for diagnosing heart disease using an electrocardiogram based on deep learning learns electrocardiogram data by characteristics using a deep learning algorithm, and uses the learned model to diagnose heart disease Diagnosis accuracy is improved by deriving the
  • the diagnosis result can be classified into multivariate, such as normal, arrhythmia type 1, arrhythmia type 2, arrhythmia type 3, and N, rather than binary classification such as normal and abnormal (arrhythmia). It can provide accurate diagnostic results.
  • an objective and accurate diagnosis is possible because the learning model is learned by a deep learning method that automatically extracts features by judging only by data, and it is useful for diagnosing various diseases by learning various biosignals can have an effect.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Cardiology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Theoretical Computer Science (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Fuzzy Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

본 발명은 딥러닝 기반 심전도를 이용한 심장 질환 진단 장치 및 그 방법에 대한 것이다. 본 발명에 따른 딥러닝 기반 심전도를 이용한 심장 질환 진단 장치는, 심전도 데이터를 입력받는 입력부; 상기 심전도 데이터를 분석하여 상기 심장 질환을 진단하기 위한 n개의 특성을 추출하는 특성 추출부; 상기 심장 질환의 진단명별로 상기 n개의 특성에 대한 각각의 식별코드를 생성하고, 생성된 식별코드를 학습하여 각 특성을 판단하는 n개의 판단 모델을 생성하는 판단 모델 생성부; 상기 판단 모델로부터 판단된 값을 각각 학습하여 상기 심장 질환의 진단명을 도출하는 진단 모델을 생성하는 진단 모델 생성부; 및 상기 판단 모델과 상기 진단 모델을 이용하여 진단받고자 하는 심전도 데이터에 대한 진단 결과를 출력하는 제어부를 포함한다. 이와 같이 본 발명에 따르면, 딥러닝 알고리즘을 이용하여 심전도 데이터를 특성별로 학습하고, 학습된 모델을 이용하여 심장 질환의 진단명을 도출함으로써 진단 정확도가 향상되고, 진단의 이유를 함께 제시할 수 있어 진단 신뢰도를 향상시킬 수 있다.

Description

딥러닝 기반 심전도를 이용한 심장 질환 진단 장치 및 그 방법
본 발명은 딥러닝 기반 심전도를 이용한 심장 질환 진단 장치 및 그 방법에 관한 것으로서, 더욱 상세하게는 딥러닝 알고리즘을 이용하여 심전도 데이터를 특성별로 학습하고, 학습된 모델을 이용하여 심장 질환의 진단명을 도출하는 딥러닝 기반 심전도를 이용한 심장 질환 진단 장치 및 그 방법에 관한 것이다.
세계보건기구에 따르면, 심혈관계 질환(cardiovascular disease)은 오늘날 사망 원인 중 가장 큰 원인으로 꼽힌다. 1770만 명이 넘는 사람들이 심혈관계 질환으로 사망했으며, 이는 전체 사망자의 약 31%에 해당하고, 이 중 75% 이상이 저소득 및 중간 소득 국가에서 발생한다.
심혈관계 질환 중 대표적 유형인 부정맥은 정상적인 심장 리듬에서 불규칙적인 변화를 나타내는 질환으로, 이러한 부정맥에는 심장 세동(atrial fibrillation), 조기 수축(premature contraction), 심실 세동(ventricular fibrillation) 및 빈맥(tachycardia) 등이 포함된다. 비록 단일 부정맥 심장 박동이 생명에 심각한 영향을 미치지 않을 수도 있지만, 지속적인 부정맥 박동은 치명적인 상황을 초래할 수 있으므로 평소에 관리 및 예방 차원으로 심장 박동을 지속적으로 모니터링 하는 것이 중요하다.
부정맥과 관상동맥질환(심장동맥질환)의 진단에 많은 검사들이 이용되고 있으나, 그 중에서도 심전도(Electrocardiogram : ECG)를 이용한 검사는 많은 장점을 가지며 임상에서 가장 많이 사용되는 검사이다.
심전도는 심장에서 발생하는 전기적인 신호(심전도 신호)를 측정하여 심박동과 관련된 전위를 신체 표면에서 도형으로 기록한 것으로, 이 기록지를 판독하여 심장에서부터 전극까지의 전도계통의 이상 유무를 확인하여 질환 유무를 판별한다.
일반적으로 부정맥은 질환이 있다(1) 없다(0)로 진단하는 것이 아니라, 정상이 아닌 것으로 판단된 경우, 즉, 부정맥으로 판단된 경우 부정맥의 종류까지 구분해야하므로, 최근에는 딥러닝을 활용한 심전도 분석과 인공지능 모델이 개발되어 부정맥 진단에 이용되고 있다.
도 1은 종래의 부정맥 진단을 위한 인공지능 모델을 설명하기 위해 도시한 도면이다.
도 1에서와 같이, 심전도 데이터를 입력하면 다양한 부정맥을 한번에 분류하는 방식의 알고리즘으로, 자세히는 인공지능 알고리즘을 이용하여 전체 심전도를 정상, 비정상1(심방세동), 비정상2(심방분리), 비정상3(무수축), 비정상4(심실세동, 비정상5(심실빈맥), 쪋 N으로 구분하는 방식이 개발되었다.
그러나, 이와 같이 전체 심전도 데이터를 한꺼번에 분리하는 방식은 정확도가 떨어지는 문제점이 있었다.
본 발명의 배경이 되는 기술은 대한민국 등록특허공보 제10-1109738호(2012. 02. 24. 공고)에 개시되어 있다.
본 발명이 이루고자 하는 기술적 과제는 딥러닝 알고리즘을 이용하여 심전도 데이터를 특성별로 학습하고, 학습된 모델을 이용하여 심장 질환의 진단명을 도출하는 딥러닝 기반 심전도를 이용한 심장 질환 진단 장치 및 그 방법을 제공하기 위한 것이다.
이러한 기술적 과제를 이루기 위한 본 발명의 실시 예에 따른 딥러닝 기반 심전도를 이용한 심장 질환 진단 장치는, 심전도 데이터를 입력받는 입력부; 상기 심전도 데이터를 분석하여 상기 심장 질환을 진단하기 위한 n개의 특성을 추출하는 특성 추출부; 상기 심장 질환의 진단명별로 상기 n개의 특성에 대한 각각의 식별코드를 생성하고, 생성된 식별코드를 학습하여 각 특성을 판단하는 n개의 판단 모델을 생성하는 판단 모델 생성부; 상기 판단 모델로부터 판단된 값을 각각 학습하여 상기 심장 질환의 진단명을 도출하는 진단 모델을 생성하는 진단 모델 생성부; 및 상기 판단 모델과 상기 진단 모델을 이용하여 진단받고자 하는 심전도 데이터에 대한 진단 결과를 출력하는 제어부를 포함한다.
이때, 상기 판단 모델 생성부는 각 진단명에 대응하는 값을 가지도록 각 특성마다 이진(binary) 값으로 구분되는 두 가지의 식별코드를 생성하고, 동일한 식별코드를 클러스터링하여 각 특성별로 두 개의 그룹으로 구분하고, 딥러닝 알고리즘을 이용하여 상기 구분된 두 그룹의 이진 값을 학습하여 각 특성을 구분해내는 상기 판단 모델을 생성할 수 있다.
또한, 상기 제어부는 상기 진단받고자 하는 심전도 데이터와 상기 데이터에 대한 진단 결과를 저장부에 저장하고, 상기 판단 모델 생성부는 딥러닝 알고리즘을 이용하여 상기 저장된 상기 심전도 데이터와 상기 진단 결과를 학습할 수 있다.
또한, 상기 입력부는 나이 및 성별을 포함하는 환자 정보를 더 입력받고, 상기 판단 모델 생성부는 심전도 데이터의 환자 정보를 더 학습하여 상기 판단 모델을 생성할 수 있다.
또한, 상기 제어부는 상기 진단받고자 하는 심전도 데이터에 대한 진단명 및 진단 이유를 출력할 수 있다.
또한, 본 발명의 다른 실시 예에 따른 딥러닝 기반 심전도를 이용한 심장 질환 진단 방법은, 심장 질환 진단 장치는 심전도 데이터를 입력받는 단계; 상기 심전도 데이터를 분석하여 상기 심장 질환을 진단하기 위한 n개의 특성을 추출하는 단계; 상기 심장 질환의 진단명별로 상기 n개의 특성에 대한 각각의 식별코드를 생성하는 단계; 상기 생성된 식별코드를 학습하여 각 특성을 판단하는 n개의 판단 모델을 생성하는 단계; 상기 판단 모델로부터 판단된 값을 각각 학습하여 상기 심장 질환의 진단명을 도출하는 진단 모델을 생성하는 단계; 및 상기 판단 모델과 상기 진단 모델을 이용하여 진단받고자 하는 심전도 데이터에 대한 진단 결과를 출력하는 단계를 포함한다.
이와 같이 본 발명에 따르면, 딥러닝 알고리즘을 이용하여 심전도 데이터를 특성별로 학습하고, 학습된 모델을 이용하여 심장 질환의 진단명을 도출함으로써 진단 정확도가 향상되고, 진단의 이유를 함께 제시할 수 있어 진단 신뢰도를 향상시킬 수 있다.
또한 본 발명에 따르면, 진단 결과를 정상과 비정상(부정맥)과 같이 이진법적으로 분류하는 것이 아니라 정상, 부정맥 종류1, 부정맥 종류2, 부정맥 종류3, 쪋N과 같이 다변량으로 분류할 수 있어 정확한 진단 결과를 제시할 수 있다.
또한 본 발명에 따르면, 데이터로만 판단하여 자동으로 특징을 추출하는 딥러닝 방식으로 학습 모델을 학습하므로 객관적이고 정확한 진단이 가능하고, 다양한 생체신호를 학습하여 다양한 질환을 진단하는데 유용하게 활용될 수 있는 효과가 있다.
도 1은 종래의 부정맥 진단을 위한 인공지능 모델을 설명하기 위해 도시한 도면이다.
도 2는 본 발명의 실시 예에 따른 딥러닝 기반 심전도를 이용한 심장 질환 진단 장치를 나타낸 블록구성도이다.
도 3은 본 발명의 실시 예에 따른 딥러닝 기반 심전도를 이용한 심장 질환 진단 방법의 동작 흐름을 도시한 순서도이다.
도 4는 도 3의 S300 단계에서 진단명별 각 특성에 대한 식별코드를 생성하는 과정을 설명하기 위해 도시한 도면이다.
도 5는 도 3의 S400 단계에서 생성된 판단 모델을 설명하기 위해 도시한 도면이다.
도 6은 본 발명의 실시 예에 따라 심장 질환 진단 결과를 출력하는 과정을 설명하기 위해 도시한 도면이다.
딥러닝 기반 심전도를 이용한 심장 질환 진단 장치는 심전도 데이터를 입력받는 입력부; 상기 심전도 데이터를 분석하여 상기 심장 질환을 진단하기 위한 n개의 특성을 추출하는 특성 추출부; 상기 심장 질환의 진단명별로 상기 n개의 특성에 대한 각각의 식별코드를 생성하고, 생성된 식별코드를 학습하여 각 특성을 판단하는 n개의 판단 모델을 생성하는 판단 모델 생성부; 상기 판단 모델로부터 판단된 값을 각각 학습하여 상기 심장 질환의 진단명을 도출하는 진단 모델을 생성하는 진단 모델 생성부; 및 상기 판단 모델과 상기 진단 모델을 이용하여 진단받고자 하는 심전도 데이터에 대한 진단 결과를 출력하는 제어부를 포함한다.
이하 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시 예를 상세히 설명하기로 한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다.
또한 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서, 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
먼저, 도 2를 통해 본 발명의 실시 예에 따른 딥러닝 기반 심전도를 이용한 심장 질환 진단 장치에 대하여 설명한다.
도 2는 본 발명의 실시 예에 따른 딥러닝 기반 심전도를 이용한 심장 질환 진단 장치를 나타낸 블록구성도이다.
도 2에서와 같이 본 발명의 실시 예에 따른 딥러닝 기반 심전도를 이용한 심장 질환 진단 장치(100)는, 입력부(110), 특성 추출부(120), 판단 모델 생성부(130), 진단 모델 생성부(140), 제어부(150) 및 저장부(160)를 포함한다.
먼저, 입력부(110)는 심전도 데이터를 입력받는다.
12전극을 기본으로 하는 심전도는 약 10초 동안 측정되는데, 10초 동안 측정된 심전도 신호는 각 전극 마다 5000개의 숫자로 저장이 되고, 각 전극에 대해 5000개의 숫자를 연속적인 선으로 이으면 한 장의 심전도 그림으로 출력된다.
이때, 심전도 그림을 생성하는 6만개의 숫자(5000*12전극)를 백데이터(또는 원천데이터)라고 하는데, 본 발명의 실시예에서는 이 백데이터를 심전도 데이터로 입력받을 수 있다.
본 발명의 실시 예에서는 12유도 방식으로 심전도 신호를 측정하는 것을 예시로 들어 설명하였으나, 이 외에도 6유도 방식, 손목 시계형이나 패치 등과 같은 단유도 방식 등 다양한 전극 조합을 이용하여 심전도 신호가 측정될 수도 있다. 측정 시간 또한 얻고자 하는 신호에 따라 가감되어 설정되는 것이 바람직하다.
이때, 입력부(110)는 나이 및 성별을 포함하는 환자 정보를 더 입력받을 수도 있다.
그리고 특성 추출부(120)는 입력받은 심전도 데이터를 분석하여 심장 질환을 진단하기 위한 n개의 특성을 추출한다.
이때, 특성 추출부(120)는 오토인코더(Auto-encoder)를 이용하여 심전도 데이터에 포함된 특성을 추출할 수도 있지만 이에 한정하는 것은 아니다.
여기서 오토인코더 방법은 비지도 학습을 이용한 기계 학습 방법으로 심전도 신호를 예를 들어서 설명하자면, 12*5000개 숫자의 심전도 데이터가 입력되면 입력된 값과 동일한 값을 가지도록 출력되는 방법이다. 즉, 똑같은 심전도가 입력되고 출력된다. 대신 중간층에서는 이보다 훨씬 작은 개수의 층으로 중간 층을 만들게 되고, 입력한 심전도 데이터와 똑같은 심전도 데이터가 나오도록 기계학습을 시키는 방법이다. 이 방법은 큰 데이터를 몇 개의 숫자로 요약했다가 다시 원래 데이터로 돌려놓는 것으로, 전체 심전도 데이터가 몇 개의 특성값들로 요약되었다가 다시 그 특성값을 사용하여 원래의 심전도 데이터를 재구성하도록 하는 것이다.
그리고 판단 모델 생성부(130)는 심장 질환의 진단명별로 n개의 특성에 대한 각각의 식별코드를 생성하고, 생성된 식별코드를 학습하여 각 특성을 판단하는 n개의 판단 모델을 생성한다.
자세히는, 각 진단명에 대응하는 값을 가지도록 각 특성마다 이진(binary) 값으로 구분되는 두 가지의 식별코드를 생성하고, 동일한 식별코드를 클러스터링하여 각 특성별로 두 개의 그룹으로 구분하고, 딥러닝 알고리즘을 이용하여 구분된 그룹의 이진 값을 학습하여 각 특성을 구분해내는 판단 모델을 생성한다.
여기서, 딥러닝 알고리즘은 순환 신경망(Recurrent Neural Network, RNN) 알고리즘 또는 합성곱 신경망(Convolutional Neural Network, CNN) 알고리즘을 포함하는 인공신경망(Artificial Neural Network, ANN) 등의 신경망 모델을 기반으로 하고, 여기에 랜덤포레스트, SVM(Support vector machine), LDA(Linear discriminant analysis), QDA(Quadratic discriminant analysis), K-NN(K-nearest neighbor), K-means 등의 다양한 기계학습 방법을 함께 적용할 수도 있다.
또한, 판단 모델 생성부(130)는 입력부(110)를 통해 입력받은 심전도 데이터의 환자 정보를 더 학습하여 판단 모델을 생성할 수도 있다.
그리고 진단 모델 생성부(140)는 판단 모델로부터 판단된 값을 각각 학습하여 심장 질환의 진단명을 도출하는 진단 모델을 생성한다.
그리고 제어부(150)는 판단 모델과 진단 모델을 이용하여 진단받고자 하는 심전도 데이터에 대한 진단 결과를 출력한다.
이때 제어부(150)는 진단받고자 하는 심전도 데이터의 노이즈를 필터링하거나, 노이즈 필터링 없이 신호 데이터를 판단 모델에 입력할 수 있다.
또한, 제어부(150)는 진단받고자 하는 심전도 데이터에 대한 진단명 및 진단 이유를 출력할 수 있다.
마지막으로 저장부(160)는 제어부(150)로부터 진단된 진단 결과와, 해당 심전도 데이터를 저장한다.
따라서, 판단 모델 생성부(130)는 딥러닝 알고리즘을 이용하여 저장부(160) 저장된 심전도 데이터와 진단 결과를 더 학습할 수도 있다.
이하에서는 도 3 내지 도 6을 통해 본 발명의 실시 예에 따른 딥러닝 기반 심전도를 이용한 심장 질환 진단 방법에 대하여 설명한다.
도 3은 본 발명의 실시 예에 따른 딥러닝 기반 심전도를 이용한 심장 질환 진단 방법의 동작 흐름을 도시한 순서도로서, 이를 참조하여 본 발명의 구체적인 동작을 설명한다.
본 발명의 실시 예에 따르면, 먼저 심장 질환 진단 장치(100)의 입력부(110)가 심전도 데이터를 입력받는다(S100).
이때, 입력부(110)는 나이 및 성별을 포함하는 환자 정보를 더 입력받을 수도 있다.
그 다음 특성 추출부(120)가 S100 단계에서 입력받은 심전도 데이터를 분석하여 심장 질환을 진단하기 위한 n개의 특성을 추출한다(S200).
그 다음 판단 모델 생성부(130)가 심장 질환의 진단명별로 n개의 특성에 대한 각각의 식별코드를 생성한다(S300).
이때, 판단 모델 생성부(130)는 각 진단명에 대응하는 값을 가지도록 각 특성마다 이진(binary) 값으로 구분되는 두 가지의 식별코드를 생성할 수 있다.
도 4는 도 3의 S300 단계에서 진단명별 각 특성에 대한 식별코드를 생성하는 과정을 설명하기 위해 도시한 도면이다.
도 4에서와 같이 판단 모델 생성부(130)는 S100 단계에서 입력받은 심전도 데이터를 분석하여 심장 질환의 진단명과 특성 추출부(120)에서 추출된 각 특성에 대응하는 식별코드를 생성하여 레이블링 하는 것이 바람직하다. 이때 식별코드는 이해의 편의를 위해 A 내지 Z로 표시하였으나, 이에 한정하는 것은 아니다.
그 다음 판단 모델 생성부(130)가 S300 단계에서 생성된 식별코드를 학습하여 각 특성을 판단하는 n개의 판단 모델을 생성한다(S400).
이때, 판단 모델 생성부(130)는 동일한 식별코드를 클러스터링하여 각 특성별로 두 개의 그룹으로 구분하고, 딥러닝 알고리즘을 이용하여 구분된 두 그룹의 이진 값을 학습하여 각 특성을 구분해내는 판단 모델을 생성할 수 있다.
도 5는 도 3의 S400 단계에서 생성된 판단 모델을 설명하기 위해 도시한 도면이다.
도 5에서와 같이, 특성 1을 예시로 들어 설명하자면, 특성1의 식별코드가 A인 군과 특성 1의 식별코드가 B인 두 개의 그룹으로 나누고, 이에 따라서 각 식별코드의 이진 값을 딥러닝 알고리즘을 이용하여 학습시켜서 특성 1을 구분해내는 특성 1에 대한 판단 모델을 생성한다. 이때, 생성된 판단 모델은 심장 질환을 진단하는 모델이 아니고 특성 1을 판단하는 모델이다.
그 다음 진단 모델 생성부(140)가 S400 단계에서 생성된 판단 모델로부터 판단된 값을 각각 학습하여 심장 질환의 진단명을 도출하는 진단 모델을 생성한다(S500).
마지막으로 제어부(150)가 S400 단계에서 생성된 판단 모델과 S500 단계에서 생성된 진단 모델을 이용하여 진단받고자 하는 심전도 데이터에 대한 진단 결과를 출력한다(S600).
S600 단계에서 제어부(150)는 진단받고자 하는 심전도 데이터에 대한 진단명 및 진단 이유를 출력할 수도 있다.
예를 들어, 심전도 데이터에 대한 진단 결과가 심방세동으로 인한 부정맥일 때, 제어부(150)는 단순하게 진단명만 판독하여 출력하지 않고, "심방세동, 그 이유는 불규칙한 특징을 가지고 있고, Pwave가 보이지 않으며 맥박수가 50과 100 사이이기 때문이다" 와 같이 진단 이유를 포함한 판독문을 함께 출력할 수도 있다.
따라서, 진단하는 의사나 환자의 니즈를 충족시킬 수 있어 장치의 신뢰도를 향상시킬 수 있는 효과가 있다.
이때, 제어부(150)는 진단받고자 하는 심전도 데이터와 해당 데이터에 대한 진단 결과를 저장부(160)에 저장할 수도 있다.
판단 모델 생성부(130)는 딥러닝 알고리즘을 이용하여 저장부(160)에 저장된 심전도 데이터와 해당 심전도 데이터의 진단 결과를 더 학습할 수도 있다.
즉, 판단 모델 생성부(130)는 판단 결과를 출력함과 동시에 해당 심전도 데이터를 학습함으로써 판단 모델의 정확도를 향상시킬 수 있다.
또한, 판단 모델 생성부(130)는 심전도 데이터의 환자 정보를 더 학습할 수도 있다.
도 6은 본 발명의 실시 예에 따라 심장 질환 진단 결과를 출력하는 과정을 설명하기 위해 도시한 도면이다.
도 6에서와 같이, 제어부(150)는 진단받고자 하는 심전도 데이터를 판단 모델 생성부(130)에서 생성된 판단 모델에 입력하여, 각 판단 모델에서 판단된 각각의 판단 값이 진단 모델 생성부(140)에서 생성된 진단 모델을 통해 출력되면, 출력된 진단 결과를 이용하여 해당 심전도 데이터에 대한 진단 결과를 도출할 수 있다.
상술한 바와 같이, 본 발명의 실시 예에 따른 딥러닝 기반 심전도를 이용한 심장 질환 진단 장치 및 그 방법은 딥러닝 알고리즘을 이용하여 심전도 데이터를 특성별로 학습하고, 학습된 모델을 이용하여 심장 질환의 진단명을 도출함으로써 진단 정확도가 향상되고, 진단의 이유를 함께 제시할 수 있어 진단 신뢰도를 향상시킬 수 있다.
또한 본 발명의 실시 예에 따르면, 진단 결과를 정상과 비정상(부정맥)과 같이 이진법적으로 분류하는 것이 아니라 정상, 부정맥 종류1, 부정맥 종류2, 부정맥 종류3, 쪋N과 같이 다변량으로 분류할 수 있어 정확한 진단 결과를 제시할 수 있다.
또한 본 발명의 실시 예에 따르면, 데이터로만 판단하여 자동으로 특징을 추출하는 딥러닝 방식으로 학습 모델을 학습하므로 객관적이고 정확한 진단이 가능하고, 다양한 생체신호를 학습하여 다양한 질환을 진단하는데 유용하게 활용될 수 있는 효과가 있다.
본 발명은 도면에 도시된 실시 예를 참고로 하여 설명되었으나 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호범위는 아래의 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
100 : 심장 질환 진단 장치 110 : 입력부
120 : 특성 추출부 130 : 판단 모델 생성부
140 : 진단 모델 생성부 150 : 제어부
160 : 저장부

Claims (10)

  1. 딥러닝 기반 심전도를 이용한 심장 질환 진단 장치에 있어서,
    심전도 데이터를 입력받는 입력부;
    상기 심전도 데이터를 분석하여 상기 심장 질환을 진단하기 위한 n개의 특성을 추출하는 특성 추출부;
    상기 심장 질환의 진단명별로 상기 n개의 특성에 대한 각각의 식별코드를 생성하고, 생성된 식별코드를 학습하여 각 특성을 판단하는 n개의 판단 모델을 생성하는 판단 모델 생성부;
    상기 판단 모델로부터 판단된 값을 각각 학습하여 상기 심장 질환의 진단명을 도출하는 진단 모델을 생성하는 진단 모델 생성부; 및
    상기 판단 모델과 상기 진단 모델을 이용하여 진단받고자 하는 심전도 데이터에 대한 진단 결과를 출력하는 제어부를 포함하는 심장 질환 진단 장치.
  2. 제1항에 있어서,
    상기 판단 모델 생성부는,
    각 진단명에 대응하는 값을 가지도록 각 특성마다 이진(binary) 값으로 구분되는 두 가지의 식별코드를 생성하고, 동일한 식별코드를 클러스터링하여 각 특성별로 두 개의 그룹으로 구분하고, 딥러닝 알고리즘을 이용하여 상기 구분된 두 그룹의 이진 값을 학습하여 각 특성을 구분해내는 상기 판단 모델을 생성하는 심장 질환 진단 장치.
  3. 제1항에 있어서,
    상기 제어부는,
    상기 진단받고자 하는 심전도 데이터와 상기 데이터에 대한 진단 결과를 저장부에 저장하고,
    상기 판단 모델 생성부는,
    딥러닝 알고리즘을 이용하여 상기 저장된 상기 심전도 데이터와 상기 진단 결과를 학습하는 심장 질환 진단 장치.
  4. 제1항에 있어서,
    상기 입력부는,
    나이 및 성별을 포함하는 환자 정보를 더 입력받고,
    상기 판단 모델 생성부는,
    심전도 데이터의 환자 정보를 더 학습하여 상기 판단 모델을 생성하는 심장 질환 진단 장치.
  5. 제1항에 있어서,
    상기 제어부는,
    상기 진단받고자 하는 심전도 데이터에 대한 진단명 및 진단 이유를 출력하는 심장 질환 진단 장치.
  6. 딥러닝 기반 심전도를 이용한 심장 질환 진단 방법에 있어서,
    심장 질환 진단 장치는 심전도 데이터를 입력받는 단계;
    상기 심전도 데이터를 분석하여 상기 심장 질환을 진단하기 위한 n개의 특성을 추출하는 단계;
    상기 심장 질환의 진단명별로 상기 n개의 특성에 대한 각각의 식별코드를 생성하는 단계;
    상기 생성된 식별코드를 학습하여 각 특성을 판단하는 n개의 판단 모델을 생성하는 단계;
    상기 판단 모델로부터 판단된 값을 각각 학습하여 상기 심장 질환의 진단명을 도출하는 진단 모델을 생성하는 단계; 및
    상기 판단 모델과 상기 진단 모델을 이용하여 진단받고자 하는 심전도 데이터에 대한 진단 결과를 출력하는 단계를 포함하는 심장 질환 진단 방법.
  7. 제6항에 있어서,
    상기 판단 모델을 생성하는 단계는,
    각 진단명에 대응하는 값을 가지도록 각 특성마다 이진(binary) 값으로 구분되는 두 가지의 식별코드를 생성하고, 동일한 식별코드를 클러스터링하여 각 특성별로 두 개의 그룹으로 구분하고, 딥러닝 알고리즘을 이용하여 상기 구분된 두 그룹의 이진 값을 학습하여 각 특성을 구분해내는 상기 판단 모델을 생성하는 심장 질환 진단 방법.
  8. 제6항에 있어서,
    상기 진단받고자 하는 심전도 데이터와 상기 데이터에 대한 진단 결과를 저장하는 단계를 더 포함하고,
    상기 판단 모델을 생성하는 단계는,
    딥러닝 알고리즘을 이용하여 상기 저장된 상기 심전도 데이터와 상기 진단 결과를 학습하는 심장 질환 진단 방법.
  9. 제6항에 있어서,
    상기 입력받는 단계는,
    나이 및 성별을 포함하는 환자 정보를 더 입력받고,
    상기 판단 모델을 생성하는 단계는,
    심전도 데이터의 환자 정보를 더 학습하여 상기 판단 모델을 생성하는 심장 질환 진단 방법.
  10. 제6항에 있어서,
    상기 진단 결과를 출력하는 단계는,
    상기 진단받고자 하는 심전도 데이터에 대한 진단명 및 진단 이유를 출력하는 심장 질환 진단 방법.
PCT/KR2021/008626 2020-07-14 2021-07-07 딥러닝 기반 심전도를 이용한 심장 질환 진단 장치 및 그 방법 WO2022014942A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2020-0086483 2020-07-14
KR1020200086483A KR102412957B1 (ko) 2020-07-14 2020-07-14 딥러닝 기반 심전도를 이용한 심장 질환 진단 장치 및 그 방법

Publications (1)

Publication Number Publication Date
WO2022014942A1 true WO2022014942A1 (ko) 2022-01-20

Family

ID=79554924

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/008626 WO2022014942A1 (ko) 2020-07-14 2021-07-07 딥러닝 기반 심전도를 이용한 심장 질환 진단 장치 및 그 방법

Country Status (2)

Country Link
KR (1) KR102412957B1 (ko)
WO (1) WO2022014942A1 (ko)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230025959A (ko) 2021-08-17 2023-02-24 주식회사 메디컬에이아이 딥러닝 알고리즘을 기반으로 복수개의 표준 심전도 데이터를 생성하는 방법
KR102624549B1 (ko) * 2022-02-25 2024-01-12 성균관대학교산학협력단 합성곱 신경망을 이용한 심실성 부정맥 예측 방법 및 장치
EP4371493A1 (en) 2022-08-18 2024-05-22 Medicalai Co., Ltd. Method for ecg reading service providing
KR20240054112A (ko) * 2022-10-18 2024-04-25 (의) 삼성의료재단 변이형 오토인코더를 이용하여 결정된 기준 범위로 심전도 신호를 분류하는 심전도 신호 처리 방법, 심전도 신호 처리 장치 및 컴퓨터 프로그램
WO2024101954A1 (ko) * 2022-11-11 2024-05-16 주식회사 메디컬에이아이 생체 신호에 기초하여 사용자의 질병을 진단하는 전자 장치 및 그 제어 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060117546A (ko) * 2005-05-11 2006-11-17 인하대학교 산학협력단 신경망을 이용한 심전도 기반의 심장질환 진단장치 및방법
KR101538916B1 (ko) * 2014-09-26 2015-07-24 (주)와이브레인 Eeg 데이터를 이용하여 사용자 특성의 변화를 예측하는 방법
KR20190114694A (ko) * 2018-03-30 2019-10-10 삼성에스디에스 주식회사 인공지능을 이용한 시계열 데이터 학습 및 분석 방법
KR20200041697A (ko) * 2018-10-12 2020-04-22 계명대학교 산학협력단 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템 및 방법
KR20200084561A (ko) * 2019-01-03 2020-07-13 인하대학교 산학협력단 딥러닝을 이용한 정상동율동 심전도 상태에서의 발작성 심방세동 예측방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060117546A (ko) * 2005-05-11 2006-11-17 인하대학교 산학협력단 신경망을 이용한 심전도 기반의 심장질환 진단장치 및방법
KR101538916B1 (ko) * 2014-09-26 2015-07-24 (주)와이브레인 Eeg 데이터를 이용하여 사용자 특성의 변화를 예측하는 방법
KR20190114694A (ko) * 2018-03-30 2019-10-10 삼성에스디에스 주식회사 인공지능을 이용한 시계열 데이터 학습 및 분석 방법
KR20200041697A (ko) * 2018-10-12 2020-04-22 계명대학교 산학협력단 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템 및 방법
KR20200084561A (ko) * 2019-01-03 2020-07-13 인하대학교 산학협력단 딥러닝을 이용한 정상동율동 심전도 상태에서의 발작성 심방세동 예측방법

Also Published As

Publication number Publication date
KR20220008447A (ko) 2022-01-21
KR102412957B1 (ko) 2022-06-24

Similar Documents

Publication Publication Date Title
WO2022014942A1 (ko) 딥러닝 기반 심전도를 이용한 심장 질환 진단 장치 및 그 방법
WO2022014941A1 (ko) 딥러닝을 기반으로 하는 심장 질병 분류 장치 및 그 방법
US10758139B2 (en) Automatic method to delineate or categorize an electrocardiogram
US11134880B2 (en) Automatic method to delineate or categorize an electrocardiogram
Murugesan et al. Ecgnet: Deep network for arrhythmia classification
WO2022145519A1 (ko) 딥러닝을 이용한 심전도 시각화 방법 및 장치
Diker et al. A new technique for ECG signal classification genetic algorithm Wavelet Kernel extreme learning machine
Ganeshkumar et al. Explainable deep learning-based approach for multilabel classification of electrocardiogram
WO2022014943A1 (ko) 생성적 적대 신경망 알고리즘을 기반으로 하는 심전도 생성 장치 및 그 방법
WO2020141807A2 (ko) 딥러닝을 이용한 정상동율동 심전도 상태에서의 발작성 심방세동 예측방법
WO2022119155A1 (ko) 설명 가능한 다중 심전도 부정맥 진단 장치 및 방법
US20050222508A1 (en) Cardiac diagnostic system and method
WO2019031794A1 (ko) 피검체의 치명적 증상의 발생을 조기에 예측하기 위한 예측 결과를 생성하는 방법 및 이를 이용한 장치
WO2023101089A1 (ko) 머신 러닝을 이용하여 심전도 파형 분류 방법 및 장치
WO2023120777A1 (ko) 심전도 전역 특징 벡터를 이용한 다중 박동 검출 방법 및 장치
Zhou et al. ECG quality assessment using 1D-convolutional neural network
KR20230001096A (ko) 컨볼루션 인공신경망을 이용한 심방세동과 울혈성 심부전의 분류방법
Li et al. DeepECG: Image-based electrocardiogram interpretation with deep convolutional neural networks
Bridge et al. Artificial intelligence to detect abnormal heart rhythm from scanned electrocardiogram tracings
De Marco et al. Classification of premature ventricular contraction using deep learning
WO2023120775A1 (ko) 심전도 판독을 수정하기 위한 방법 및 장치
WO2023058946A1 (ko) 시계열 기침음, 호흡음, 낭독음, 발성음 측정을 통한 호흡기 질환 예후 예측시스템 및 방법
WO2023101090A1 (ko) 딥 러닝을 이용하여 심방세동을 감지하는 방법 및 장치
Cen et al. Intelligence ECG Monitoring System: Wireless platform and Arrhythmia classification using Residual neural network
Prabhakararao et al. Multi-Label ECG Classification using Temporal Convolutional Neural Network

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: 21843381

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: 21843381

Country of ref document: EP

Kind code of ref document: A1