WO2022182182A1 - 딥러닝 알고리즘을 기반으로 하는 심전도 생성 시스템 및 그 방법 - Google Patents

딥러닝 알고리즘을 기반으로 하는 심전도 생성 시스템 및 그 방법 Download PDF

Info

Publication number
WO2022182182A1
WO2022182182A1 PCT/KR2022/002747 KR2022002747W WO2022182182A1 WO 2022182182 A1 WO2022182182 A1 WO 2022182182A1 KR 2022002747 W KR2022002747 W KR 2022002747W WO 2022182182 A1 WO2022182182 A1 WO 2022182182A1
Authority
WO
WIPO (PCT)
Prior art keywords
electrocardiogram
ecg
learning
virtual
electrocardiograms
Prior art date
Application number
PCT/KR2022/002747
Other languages
English (en)
French (fr)
Inventor
권준명
Original Assignee
주식회사 메디컬에이아이
주식회사 바디프랜드
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 메디컬에이아이, 주식회사 바디프랜드 filed Critical 주식회사 메디컬에이아이
Priority to EP22760098.8A priority Critical patent/EP4248867A1/en
Priority to US18/258,859 priority patent/US20240047075A1/en
Priority to JP2023545852A priority patent/JP2024505217A/ja
Priority to CN202280008177.9A priority patent/CN116744850A/zh
Publication of WO2022182182A1 publication Critical patent/WO2022182182A1/ko

Links

Images

Classifications

    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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]
    • A61B5/327—Generation of artificial ECG signals based on measured signals, e.g. to compensate for missing leads
    • 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]
    • A61B5/332—Portable devices specially adapted therefor
    • 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
    • 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
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals

Definitions

  • the present invention relates to an electrocardiogram generating system and method based on a deep learning algorithm, and more particularly, to an electrocardiogram generating system and method for generating a plurality of electrocardiograms from one or more induced electrocardiograms using a deep learning algorithm will be.
  • the 12-lead electrocardiogram records the potential of the heart in 12 electrical directions centered on the heart. Through this, the state of the heart can be judged from various directions, so that the heart disease confined to one area can be accurately read.
  • Measuring the potential of the heart in various directions is meaningful in that the characteristics of the heart can be grasped in each direction. have.
  • a single-lead ECG device using two electrodes includes a watch-type ECG device (Apple Watch or Galaxy Watch).
  • a watch-type ECG device Apple Watch or Galaxy Watch.
  • the back of the watch and the left wrist are in contact, and the right finger and the crown of the watch are in contact, so that the left and right arm electrodes come into contact, and the I-guided ECG is measured using the potential difference between the two electrodes.
  • the watch-type electrocardiogram device is worn on the left arm and measured by touching the crown with the right hand to measure I-leading, placing the watch on the stomach and measuring the II-leading by touching the crown with the right hand with the left hand while placing the watch on the stomach. Measure III induction by touching the crown. Then, with the left hand in contact with the watch crown, the V1-6 induced electrocardiogram is measured by touching the back of the watch to the position of the V1-6 electrode.
  • the above method has poor usability in that the user must precisely contact the electrocardiogram at the V1-6 position, and in the case of the V1-6-guided electrocardiogram, the standard chest that needs to show the potential difference between the imaginary center point and the V electrode even when touching the corresponding part Unlike guided electrocardiogram, there was a problem in that standard chest guidance could not be implemented in that it showed the potential difference between the right arm electrode and the V electrode.
  • two or more induced electrocardiograms can be measured while holding electrodes in both hands, touching the electrodes on the back of the device to the legs or ankles, and touching the electrodes to each of the left arm, right arm, and left leg.
  • the above method is a method that cannot be monitored for a long time (1 hour, 24 hours, 7 days, etc.), and has a disadvantage that the device itself must have three electrodes.
  • an electrocardiogram generating system and method for generating a plurality of electrocardiograms from one or more induced electrocardiograms using a deep learning algorithm are provided.
  • an electrocardiogram generating system based on a deep learning algorithm includes a 12-guided electrocardiogram measured by a plurality of patients and a data input unit for receiving patient information corresponding to the 12-guided electrocardiogram; A data extraction unit for classifying and storing the input 12-guide ECG according to the patient information, extracting learning data from the stored 12-guide ECG, and inputting the extracted learning data into one or more learning models to determine the characteristics of the ECG
  • a learning unit for learning an electrocardiogram generator that receives one or more reference electrocardiograms from the measurement target, and inputs the input reference electrocardiogram into one or more learning models that have completed learning to generate a virtual electrocardiogram, and the reference electrocardiogram and generation and a controller for mutually synchronizing the synchronized virtual ECG and outputting waveforms for the synchronized reference ECG and the virtual ECG.
  • the patient information may include at least one of gender, age, whether or not a heart disease is present, and a potential vector of a measured electrocardiogram.
  • the learning unit inputs n-guided electrocardiograms, which are part of the extremity 6-guided electrocardiogram and the chest 6-guided electrocardiogram, into the first learning model, and causes the first learning model to determine the electric potential vector for the input electrocardiogram, and conduct 12-n electrocardiograms. can be trained to create
  • the learning unit builds 12 second learning models for the extremity 6-lead ECG and the chest 6-guide ECG, and inputs 12-n generated ECGs from the constructed first learning model to the second learning model. , it is possible to learn to convert the input induced electrocardiogram into a style having a corresponding potential vector and output it as n virtual electrocardiograms.
  • the first learning model and the second learning model may be constructed by mixing an adversarial generation network and an autoencoder method.
  • the electrocardiogram generating unit inputs the input reference electrocardiogram into a first learning model, extracts a potential vector for the reference electrocardiogram, generates a plurality of remaining virtual electrocardiograms, and generates the generated second learning model with the extracted potential vector. By inputting the obtained virtual ECG, a virtual ECG having the same induction as the reference ECG may be generated again.
  • the controller matches and synchronizes the reference ECG with the plurality of virtual ECGs, and outputs the synchronized plurality of ECGs through a monitor.
  • the electrocardiogram generating system based on a deep learning algorithm generates 12-guided electrocardiograms measured by a plurality of patients and patient information corresponding to the 12-guided electrocardiograms.
  • heart disease can be accurately read like a 12-guide electrocardiogram.
  • the present invention since two guided electrocardiograms are used, it can be measured at home or in daily life, and it can be measured even in a moving state, so real-time monitoring is possible. , so that the medical staff can read the synchronized guided electrocardiogram information tailored to the corresponding beat, and based on this, more accurate diagnosis is possible.
  • FIG. 1 is a configuration diagram for explaining an electrocardiogram generating system according to an embodiment of the present invention.
  • FIG. 2 is a flowchart illustrating a method for generating an electrocardiogram using an electrocardiogram generating system according to an embodiment of the present invention.
  • FIG. 3 is an exemplary diagram for explaining a method of measuring a general 12-lead ECG.
  • FIG. 4 is an exemplary diagram for explaining step S240 shown in FIG. 2 .
  • FIG. 5 is an exemplary diagram for explaining step S260 shown in FIG. 2 .
  • the electrocardiogram generating system 100 includes a data input unit 110 , a data extracting unit 120 , a learning unit 130 , an electrocardiogram generating unit 140 , and a controller 150 .
  • the data input unit 110 receives 12-guided electrocardiograms and patient information corresponding to 12-guided electrocardiograms measured through a plurality of patients.
  • the 12-lead ECG includes a six-lead ECG of a limb and a six-lead ECG of the chest
  • the patient information includes at least one of gender, age, whether or not a heart disease is present, and a potential vector of the measured ECG.
  • the data extraction unit 120 classifies the 12-guided electrocardiogram using the input patient information and stores it in the database. Then, the data extraction unit 120 generates learning data by randomly extracting a plurality of 12-guided electrocardiograms stored in the database.
  • the learning unit 130 learns the learning model built using the learning data.
  • the learning unit 130 extracts the potential vector information for the input induced electrocardiogram to generate 12-n induced virtual electrocardiograms from the n induced reference electrocardiograms, the first learning model, and 12-n induced electrocardiograms.
  • a second learning model is constructed that generates n-derived virtual electrocardiograms from the virtual electrocardiograms.
  • the learning unit 130 learns the first learning model or the second learning model by inputting the learning data generated in the constructed first learning model or the second learning model.
  • the electrocardiogram generator 140 acquires one or more reference electrocardiograms obtained from the measurement target. Then, the electrocardiogram generator 140 inputs the obtained reference electrocardiogram to the first learning model on which the learning is completed, and generates a first virtual electrocardiogram based on a potential vector with respect to the reference electrocardiogram. The electrocardiogram generator 140 inputs the first virtual electrocardiogram generated to the learned second learning model, and causes the second learning model to output the second virtual electrocardiogram.
  • controller 150 synchronizes the reference ECG and the virtual ECG, and outputs a plurality of ECGs synchronized from the reference ECG and the virtual ECG through the monitor device.
  • FIG. 1 is a configuration diagram for explaining an electrocardiogram generating system according to an embodiment of the present invention.
  • the electrocardiogram generating system 100 includes a data input unit 110 , a data extractor 120 , a learning unit 130 , an electrocardiogram generating unit 140 , and a control unit ( 150).
  • the data input unit 110 receives 12-guided electrocardiograms and patient information corresponding to 12-guided electrocardiograms measured through a plurality of patients.
  • the 12-lead ECG includes a six-lead ECG of a limb and a six-lead ECG of the chest
  • the patient information includes at least one of gender, age, whether or not a heart disease is present, and a potential vector of the measured ECG.
  • the data extraction unit 120 classifies the 12-guided electrocardiogram using the input patient information and stores it in the database. Then, the data extraction unit 120 generates learning data by randomly extracting a plurality of 12-guided electrocardiograms stored in the database.
  • the learning unit 130 learns the learning model built using the learning data.
  • the learning unit 130 extracts the potential vector information for the input induced electrocardiogram to generate 12-n induced virtual electrocardiograms from the n induced reference electrocardiograms, the first learning model, and 12-n induced electrocardiograms.
  • a second learning model is constructed that generates n-derived virtual electrocardiograms from the virtual electrocardiograms.
  • the learning unit 130 learns the first learning model or the second learning model by inputting the learning data generated in the constructed first learning model or the second learning model.
  • the electrocardiogram generator 140 acquires one or more reference electrocardiograms obtained from the measurement target. Then, the electrocardiogram generator 140 inputs the obtained reference electrocardiogram to the first learning model on which the learning is completed, and generates a first virtual electrocardiogram based on a potential vector with respect to the reference electrocardiogram. The electrocardiogram generator 140 inputs the first virtual electrocardiogram generated to the learned second learning model, and causes the second learning model to output the second virtual electrocardiogram.
  • controller 150 synchronizes the reference ECG and the virtual ECG, and outputs a plurality of ECGs synchronized from the reference ECG and the virtual ECG through the monitor device.
  • FIG. 2 is a flowchart illustrating a method for generating an electrocardiogram using an electrocardiogram generating system according to an embodiment of the present invention.
  • the method for generating an electrocardiogram using the electrocardiogram generating system is divided into a step of learning a learning model and a step of generating an electrocardiogram using the learning model on which the learning is completed.
  • the electrocardiogram generating system 100 receives the guided electrocardiogram measured through a plurality of patients and information about the patient (S210).
  • the 12-guide electrocardiogram represents the recording of the potential of the heart in 12 electrical directions centered on the heart.
  • the electrocardiogram measuring device measures the potential with dual arms and left leg electrodes, and the right leg electrode serves as a ground electrode.
  • FIG. 3 is an exemplary diagram for explaining a method of measuring a general 12-lead ECG.
  • the electrocardiogram measuring device generates an I-guided electrocardiogram by subtracting the potential of the right arm from the potential of the left arm, subtracting the potential of the right arm from the potential of the left leg to generate a II-guided electrocardiogram, and the potential of the left arm from the potential of the left leg Subtracted to produce a III-guided electrocardiogram.
  • the electrocardiogram device calculates the average of the potentials of the electrodes of both arms and the left leg to obtain the potential at the virtual center point. And the ECG measurement device generates an aVL-induced ECG by subtracting the potential of the imaginary central point from the potential of the left arm, and generates an aVR-induced ECG by subtracting the potential of the imaginary central point from the potential of the right arm. In addition, the electrocardiogram device generates an aVF-induced electrocardiogram by subtracting the potential of the imaginary central point from the potential of the left leg electrode. As described above, the electrocardiogram measuring device generates a total of 6 guided (6 lines) electrocardiograms using three (4) extremity electrodes.
  • the electrocardiogram measuring device generates a chest 6-guided electrocardiogram using the potential difference between the virtual center point determined in extremity guidance and the potential difference between the 6 electrodes attached to the chest. That is, 6 electrodes (V1, V2, V3, V4, V5, V6) are attached to the chest from the front of the predetermined position to the left chest.
  • the electrocardiogram measuring device generates a V1-induced electrocardiogram by subtracting the potential measured at the V1 electrode and the potential at the imaginary central point obtained through the average of the extremity electrodes above.
  • the electrocardiogram measuring apparatus generates a 12-guided electrocardiogram using electrodes attached to a plurality of patients. Then, the generated 12-guided electrocardiogram is transmitted to the electrocardiogram generating system 100 .
  • the electrocardiogram generating system 100 additionally receives the generated 12-guided electrocardiogram and patient information corresponding thereto.
  • the patient information includes at least one of gender, age, whether or not a heart disease is present, and a potential vector of the measured electrocardiogram.
  • step S210 the electrocardiogram generating system 100 extracts learning data using the collected 12-guided electrocardiogram and patient information (S220).
  • the data extraction unit 120 classifies the collected 12-guided electrocardiogram according to patient information and stores it in the database. Then, the data extraction unit 120 generates training data by randomly extracting from the stored plurality of 12-guided electrocardiograms.
  • the learning unit 130 trains the first learning model and the second learning model by using the generated learning data (S230).
  • the learning unit 130 learns the characteristics of the electrocardiogram by inputting learning data composed of 12-guided electrocardiograms into the first learning model and the second learning model.
  • the direction of electric flow is different according to the potential vector, and the electrocardiogram style is affected according to the age and gender of the patient.
  • the amplitude of the electrocardiogram tends to decrease.
  • the electrocardiogram electrode position is lowered due to the breast or the distance between the heart and the electrode increases, resulting in a change in the electrocardiogram shape.
  • the learning unit 130 inputs the induced electrocardiogram stored separately according to the patient information, that is, the patient's age, sex, health level, and potential vector, to the first learning model and the second learning model. Then, the first learning model and the second learning model learn the characteristics of the input induced ECG and extract potential vector information of the input induced ECG. However, it is also possible to learn by inputting an electrocardiogram without distinguishing it according to patient information, and through this method, a learning model that is not limited to one characteristic can be learned.
  • the learning unit 130 builds 12 second learning models corresponding to the 12-guided electrocardiogram. And the learning unit 130 learns each second learning model according to the characteristics of the electrocardiogram.
  • the first learning model learns the association between the input electrocardiogram and the 12-guided electrocardiogram based on the deep learning algorithm to extract at least one of the characteristics of the input electrocardiogram, that is, age, gender, and potential vector, and A virtual ECG of 12-n inductions is generated from the reference ECG of n inductions.
  • the second learning model generates n-guided virtual ECGs from 12-n-guided virtual ECGs. For example, assuming that the V1-induced ECG is generated, the learning unit 130 uses the virtual I, II, III, aVL, aVR, aVF, V2, V3, V4, V5 from the V1-induced ECG in the first learning model.
  • the style is learned to generate an electrocardiogram of V6 induction
  • the second learning model is an electrocardiogram of virtual V1 induction from the hypothetical I, II, III, aVL, aVR, aVF, V2, V3, V4, V5, V6 induction ECG. Teach the style to generate an electrocardiogram. Then, the second learning model converts the input electrocardiogram into a V1-guided style to generate a virtual electrocardiogram.
  • the type of electrocardiogram is input and learned so as to determine which type of electrocardiogram the input electrocardiogram is.
  • a 12-lead ECG can be generated even if an arbitrary ECG whose guidance is unknown is input.
  • the first learning model and the second learning model are based on a deep learning algorithm composed of an autoencoder or an adversarial generating network, and the deep learning algorithm may be implemented using one selected from an autoencoder or an adversarial generating network, It can also be implemented by mixing autoencoders and adversarial generative networks.
  • the electrocardiogram generating system 100 When the learning of the learning model is completed through steps S210 and S230, the electrocardiogram generating system 100 according to an embodiment of the present invention generates a heart diagram using the learned learning model.
  • the electrocardiogram generating system 100 receives a reference electrocardiogram measured through an electrode attached to a body of a subject to be measured ( S240 ).
  • the reference electrocardiogram does not include information on the potential vector.
  • the electrocardiogram generator 140 generates a plurality of virtual electrocardiograms by inputting the input reference electrocardiograms to the first learning model and the second learning model ( S250 ).
  • the electrocardiogram generator 140 inputs the reference electrocardiogram to the first learning model and extracts characteristics of the reference electrocardiogram.
  • the characteristic includes at least one of age, gender, and a potential vector of the subject to be measured.
  • the electrocardiogram generator 140 inputs the generated first virtual electrocardiogram to the second learning model. Then, the second learning model generates a second virtual ECG based on the input first virtual ECG.
  • FIG. 4 is an exemplary diagram for explaining step S240 shown in FIG. 2 .
  • the first electrocardiogram represents a reference electrocardiogram.
  • the first learning model sets the characteristic for the reference ECG as L1.
  • the electrocardiogram generating unit 140 generates virtual electrocardiograms of the remaining eleven inductions based on the L1 electrocardiogram of the first learning model.
  • a virtual L1-induced ECG is generated.
  • Each learning model is configured together with a generator that generates an ECG, and a discriminator to determine whether the generated ECG is correctly generated and to increase the accuracy of the generated ECG through feedback.
  • step S250 the controller 150 outputs the reference ECG and 11 virtual ECGs through the monitoring device (S260).
  • FIG. 5 is an exemplary diagram for explaining step S260 shown in FIG. 2 .
  • the controller 150 outputs the reference ECG and 11 virtual ECGs. And, as shown in FIG. 5 , the controller 150 synchronizes the output reference electrocardiogram with 11 virtual electrocardiograms to determine whether the subject's health is abnormal. At this time, since the virtual electrocardiogram having the same induction as the reference electrocardiogram is also generated in the second learning model, it can be identified as 12 false electrocardiograms.
  • the controller 150 outputs 12 electrocardiograms synchronized through the reference electrocardiogram and 11 virtual electrocardiograms through the monitoring device.
  • heart disease can be accurately read like a 12-guide electrocardiogram.
  • the electrocardiogram generating system uses two guided electrocardiograms, it can be measured at home or in daily life, and it can be measured even in a moving state, so real-time monitoring is possible.
  • medical staff can read synchronized guided ECG information tailored to the corresponding beat, and based on this, more accurate diagnosis is possible.
  • the present invention can generate a plurality of synchronized electrocardiograms from two electrocardiograms measured at different points using a deep learning algorithm, so it can accurately read heart diseases like a 12-guide electrocardiogram, and several kinds of deep learning algorithms It is industrially applicable to electrocardiogram generating systems based on

Landscapes

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

Abstract

본 발명은 딥러닝 알고리즘을 기반으로 하는 심전도 생성 시스템 및 그 방법 에 관한 것이다. 본 발명에 따르면, 딥러닝 알고리즘을 기반으로 하는 심전도 생성 시스템은 복수의 환자에 의해 측정된 12 유도 심전도를 입력받는 데이터 입력부, 상기 입력된 12 유도 심전도로부터 학습 데이터를 추출하는 데이터 추출부, 상기 추출된 학습 데이터를 복수의 학습 모델에 입력하여 심전도에 대한 특성을 학습시키는 학습부, 상기 측정대상자로부터 1개 이상의 기준 심전도를 입력받고, 상기 입력된 기준 심전도를 학습이 완료된 복수의 학습 모델에 입력하여 가상 심전도를 생성하는 심전도 생성부, 그리고 상기 기준 심전도와 생성된 가상 심전도를 상호 동기화하며, 동기화된 기준 심전도 및 가상 심전도에 대한 파형을 출력하는 제어부를 포함한다.

Description

딥러닝 알고리즘을 기반으로 하는 심전도 생성 시스템 및 그 방법
본 발명은 딥러닝 알고리즘을 기반으로 하는 심전도 생성 시스템 및 그 방법에 관한 것으로서, 더욱 상세하게 설명하면 딥러닝 알고리즘을 이용하여 하나 이상의 유도 심전도로부터 복수개의 심전도를 생성하는 심전도 생성 시스템 및 그 방법에 관한 것이다.
병원에서 사용되는 표준 12유도 심전도는 가슴 전면에 6개 전극을 부착하고, 사지에도 각각 3개의 전극 (접지 전극을 포함하면 4개 전극)을 부착한 다음, 12유도 정보를 모두 수집하고 이를 종합하여 질환을 진단한다.
12유도 심전도란 심장을 중심으로 12개의 전기적 방향에서 심장의 전위를 기록하는 것으로, 이를 통해 여러 방향에서 심장의 상태를 판단함으로써, 한 부위에 국한된 심장의 질병을 정확하게 판독할 수 있다.
심장의 전위를 다양한 방향에서 측정하는 것은 심장의 특성을 각 방향에서 파악할 수 있다는 점에서 의미가 있으며, 이 때문에 의료에서는 심장질환(심근경색 등)의 진단을 위해 표준 12유도 심전도를 측정하도록 권고하고 있다.
하지만, 12유도를 촬영하기 위해서는 가슴 전극을 부착하기 위해 가슴을 노출해야 하고, 일반인이 9개 전극(사지 3개, 흉부 6개)를 정확한 위치에 붙이기 어렵기 때문에 가정이나 일상생활에서 측정되기 어렵다. 또한 10개의 전극을 붙이고 움직이기 어렵기 때문에 실시간 모니터링에 사용되기 어렵다.
따라서, 최근에는 일상생활에서도 사용할 수 있도록 1유도 심전도 또는 2개 이상의 유도 심전도를 측정할 수 있는 기기가 개발되었다.
먼저, 2개 전극을 사용하는 1유도 심전도 기기는 시계형 심전도 기구(애플워치 혹은 갤럭시워치)를 포함한다. 시계형 심전도 기구는 시계의 뒷면과 왼쪽 손목이 접촉하고, 오른쪽 손가락와 시계의 크라운이 접촉함으로써 왼팔 전극과 오른팔 전극이 접촉하여 두개 전극의 전위차를 활용하여 I유도 심전도를 측정한다.
또한, 시계형 심전도 기구는 왼팔에 차고 오른손으로 크라운을 접촉해서 I유도를 측정하고, 시계를 배위에 올려둔 상태에서 오른손으로 크라운을 접촉해서 II유도를 측정하고, 배위에 올려둔 상태에서 왼손으로 크라운을 접촉해서 III유도를 측정한다. 이후 시계 크라운에 왼손을 접촉한 상태로 V1-6전극 위치에 시계 뒷면을 접촉함으로써 V1-6유도 심전도를 측정한다.
위 방법은 사용자가 V1-6위치에 정확하게 심전도를 접촉해야 한다는 점에서 사용성이 떨어지고, V1-6유도 심전도의 경우는 해당 부위에 접촉하더라도 가상의 중심점과 V전극 사이의 전위차를 도시해야 하는 표준 흉부 유도 심전도와는 달리 오른팔 전극과 V전극 사이의 전위차를 도시한다는 점에서 표준 흉부 유도를 구현하지 못하는 문제점이 있었다.
또한, 양손에 전극을 쥐고 다리 혹은 발목에 기기 뒷면의 전극을 접촉하고, 왼팔, 오른팔, 왼쪽 다리에 각각 전극을 접촉한 상태에서 2개 이상의 유도 심전도를 측정할 수도 있다. 그러나 상기의 방법은 장시간 (1시간, 24시간 7일 등) 모니터링을 할 수 없는 방법이며, 기기 자체가 3개의 전극을 가지고 있어야 한다는 단점이 있다.
본 발명의 배경이 되는 기술은 한국등록특허 제 10-2180135호(2020.11.17. 공고)에 개시되어 있다.
이와 같이 본 발명에 따르면, 딥러닝 알고리즘을 이용하여 하나 이상의 유도 심전도로부터 복수개의 심전도를 생성하는 심전도 생성 시스템 및 그 방법을 제공하기 위한 것이다.
이러한 기술적 과제를 이루기 위한 본 발명의 실시예에 따르면 딥러닝 알고리즘을 기반으로 하는 심전도 생성 시스템은 복수의 환자에 의해 측정된 12 유도 심전도와 상기 12 유도 심전도에 대응되는 환자 정보를 입력받는 데이터 입력부, 상기 입력된 12 유도 심전도를 상기 환자 정보에 따라 분류하여 저장하고, 저장된 12 유도 심전도로부터 학습 데이터를 추출하는 데이터 추출부, 상기 추출된 학습 데이터를 1개 이상의 학습 모델에 입력하여 심전도에 대한 특성을 학습시키는 학습부, 상기 측정대상자로부터 1개 이상의 기준 심전도를 입력받고, 상기 입력된 기준 심전도를 학습이 완료된 1개 이상의 학습 모델에 입력하여 가상 심전도를 생성하는 심전도 생성부, 그리고 상기 기준 심전도와 생성된 가상 심전도를 상호 동기화하며, 동기화된 기준 심전도 및 가상 심전도에 대한 파형을 출력하는 제어부를 포함한다.
상기 환자 정보는, 성별, 나이, 심장 질환 여부, 측정된 심전도의 전위 벡터 중에서 적어도 하나를 포함할 수 있다.
상기 학습부는, 사지 6유도 심전도와 흉부 6유도 심전도 중 일부인 n개 유도의 심전도를 제1 학습모델에 입력하여 상기 제 1 학습모델로 하여금 입력된 심전도에 대한 전위 벡터를 판별하여 12-n개의 심전도를 생성하도록 학습시킬 수 있다.
상기 학습부는, 사지 6유도 심전도와 흉부 6유도 심전도에 대한 12개의 제2 학습모델을 구축하고, 상기 구축된 제 1 학습모델로 부터 나온 12-n개의 생성된 심전도를 제2 학습모델에 입력하면, 상기 입력된 유도 심전도를 해당되는 전위 벡터를 가진 스타일로 변환하여 n개의 가상 심전도로 출력하도록 학습시킬 수 있다.
상기 제1 학습모델 및 제2 학습모델은, 적대적 생성망과 오토인코더 방법을 혼합하여 구축될 수 있다.
상기 심전도 생성부는, 입력된 기준 심전도를 제1 학습모델에 입력하여 상기 기준 심전도에 대한 전위 벡터를 추출하여 나머지 복수의 가상 심전도를 생성하고, 추출된 전위 벡터로 학습된 제2 학습모델에 상기 생성된 가상 심전도를 입력하여 다시 기준 심전도와 동일한 유도의 가상 심전도를 생성할 수 있다.
상기 제어부는, 상기 기준 심전도와 상기 복수의 가상 심전도를 매칭하여 동기화하고, 동기화된 복수개의 심전도를 모니터를 통해 출력한다.
또한, 본 발명의 실시예에 따르면 심전도 생성 시스템을 이용한 심전도 생성 방법은 딥러닝 알고리즘을 기반으로 하는 심전도 생성 시스템은 복수의 환자에 의해 측정된 12 유도 심전도와 상기 12 유도 심전도에 대응되는 환자 정보를 입력받는 단계, 상기 입력된 12 유도 심전도를 상기 환자 정보에 따라 분류하여 저장하고, 저장된 12 유도 심전도로부터 학습 데이터를 추출하는 단계, 상기 추출된 학습 데이터를 1개 이상의 학습 모델에 입력하여 심전도에 대한 특성을 학습시키는 단계, 상기 측정대상자로부터 1개 이상의 기준 심전도를 입력받고, 상기 입력된 기준 심전도를 학습이 완료된 1개 이상의 학습 모델에 입력하여 가상 심전도를 생성하는 단계, 그리고 상기 기준 심전도와 생성된 가상 심전도를 상호 동기화하며, 동기화된 기준 심전도 및 가상 심전도에 대한 파형을 출력하는단계를 포함한다.
이와 같이 본 발명에 따르면, 딥러닝 알고리즘을 이용하여 서로 다른 지점에서 측정된 두 개의 심전도로부터 동기화된 복수의 심전도를 생성할 수 있으므로 12유도 심전도와 같이 심장의 질병의 정확하게 판독할 수 있다.
또한, 본 발명에 따르면, 2개의 유도 심전도를 이용하므로 가정이나 일상생활에서도 측정가능하며, 움직이는 상태에서도 측정할 수 있어 실시간 모니터링이 가능하며, 서로 다른 시점에 측정된 심전도 정보를 활용하여 동기화된 심전도를 생성하므로 의료진으로 하여금 해당 박동에 맞춘 동기화된 유도 심전도 정보를 판독할 수 있고, 이를 기반으로 더 정확한 진단이 가능하다.
도 1은 본 발명의 실시예에 따른 심전도 생성 시스템을 설명하기 위한 구성도이다.
도 2는 본 발명의 실시예에 따른 심전도 생성 시스템을 이용한 심전도 생성 방법을 설명하기 위한 순서도이다.
도 3은 일반적인 12 유도 심전도를 측정하는 방법을 설명하는 예시도이다.
도 4는 도 2에 도시된 S240단계를 설명하기 위한 예시도이다.
도 5는 도 2에 도시된 S260단계를 설명하기 위한 예시도이다.
본 발명의 실시예에 따른 심전도 생성 시스템(100)은 데이터 입력부(110), 데이터 추출부(120), 학습부(130), 심전도 생성부(140) 및 제어부(150)를 포함한다.
먼저, 데이터 입력부(110)는 복수의 환자를 통해 측정된 12 유도 심전도와 12 유도 심전도에 대응되는 환자 정보를 입력받는다.
여기서 12 유도 심전도는 사지 6유도 심전도와 흉부 6유도 심전도를 포함하고, 환자 정보는 성별, 나이, 심장 질환 여부, 측정된 심전도의 전위 벡터 중에서 적어도 하나를 포함한다.
데이터 추출부(120)는 입력된 환자 정보를 이용하여 12 유도 심전도를 분류하여 데이터 베이스에 저장한다. 그리고, 데이터 추출부(120)는 데이터 베이스에 저장된 복수의 12 유도 심전도를 무작위로 추출하여 학습데이터를 생성한다.
그 다음, 학습부(130)는 학습데이터를 이용하여 구축된 학습모델을 학습시킨다. 부연하자면, 학습부(130)는 입력된 유도 심전도에 대한 전위 벡터 정보를 추출하여 n개 유도의 기준 심전도로부터 12-n개 유도 가상의 심전도를 생성하는 제1 학습모델과, 12-n개 유도 가상의 심전도로부터 n개 유도의 가상 심전도를 생성하는 제2 학습모델을 구축한다.
그리고 학습부(130)는 구축된 제1 학습모델 또는 제2 학습모델에 생성된 학습데이터를 입력하여 제1 학습모델 또는 제2 학습모델을 학습시킨다.
심전도 생성부(140)는 측정대상자로부터 획득한 하나 이상의 기준 심전도를 획득한다. 그리고, 심전도 생성부(140)는 획득한 기준 심전도를 학습이 완료된 제1 학습모델에 입력하여 기준 심전도에 대한 전위 벡터를 기반으로 제 1의 가상 심전도를 생성한다. 심전도 생성부(140)는 학습한 제2 학습모델에 생성된 제 1의 가상 심전도를 입력하여 제2 학습모델로 하여금 제 2의 가상 심전도를 출력하게 한다.
마지막으로 제어부(150)는 기준 심전도와 가상 심전도를 동기화하고, 기준 심전도 및 가상 심전도로부터 동기화된 복수의 심전도를 모니터 장치를 통해 출력한다.
이하 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 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.
이하에서는 도 1을 이용하여 본 발명의 실시예에 따른 딥러닝 알고리즘을 기반으로 하는 심전도 생성 시스템에 대하여 더욱 상세하게 설명한다.
도 1은 본 발명의 실시예에 따른 심전도 생성 시스템을 설명하기 위한 구성도이다.
도 1에 도시된 바와 같이, 본 발명의 실시예에 따른 심전도 생성 시스템(100)은 데이터 입력부(110), 데이터 추출부(120), 학습부(130), 심전도 생성부(140) 및 제어부(150)를 포함한다.
먼저, 데이터 입력부(110)는 복수의 환자를 통해 측정된 12 유도 심전도와 12 유도 심전도에 대응되는 환자 정보를 입력받는다.
여기서 12 유도 심전도는 사지 6유도 심전도와 흉부 6유도 심전도를 포함하고, 환자 정보는 성별, 나이, 심장 질환 여부, 측정된 심전도의 전위 벡터 중에서 적어도 하나를 포함한다.
데이터 추출부(120)는 입력된 환자 정보를 이용하여 12 유도 심전도를 분류하여 데이터 베이스에 저장한다. 그리고, 데이터 추출부(120)는 데이터 베이스에 저장된 복수의 12 유도 심전도를 무작위로 추출하여 학습데이터를 생성한다.
그 다음, 학습부(130)는 학습데이터를 이용하여 구축된 학습모델을 학습시킨다. 부연하자면, 학습부(130)는 입력된 유도 심전도에 대한 전위 벡터 정보를 추출하여 n개 유도의 기준 심전도로부터 12-n개 유도 가상의 심전도를 생성하는 제1 학습모델과, 12-n개 유도 가상의 심전도로부터 n개 유도의 가상 심전도를 생성하는 제2 학습모델을 구축한다.
그리고 학습부(130)는 구축된 제1 학습모델 또는 제2 학습모델에 생성된 학습데이터를 입력하여 제1 학습모델 또는 제2 학습모델을 학습시킨다.
심전도 생성부(140)는 측정대상자로부터 획득한 하나 이상의 기준 심전도를 획득한다. 그리고, 심전도 생성부(140)는 획득한 기준 심전도를 학습이 완료된 제1 학습모델에 입력하여 기준 심전도에 대한 전위 벡터를 기반으로 제 1의 가상 심전도를 생성한다. 심전도 생성부(140)는 학습한 제2 학습모델에 생성된 제 1의 가상 심전도를 입력하여 제2 학습모델로 하여금 제 2의 가상 심전도를 출력하게 한다.
마지막으로 제어부(150)는 기준 심전도와 가상 심전도를 동기화하고, 기준 심전도 및 가상 심전도로부터 동기화된 복수의 심전도를 모니터 장치를 통해 출력한다.
이하에서는 도 2 내지 도 5를 이용하여 본 발명의 실시예에 따른 심전도 생성 시스템(100)을 이용한 심전도 생성 방법에 대해 더욱 상세하게 설명한다.
도 2는 본 발명의 실시예에 따른 심전도 생성 시스템을 이용한 심전도 생성 방법을 설명하기 위한 순서도이다.
도2에 도시된 바와 같이, 본 발명의 실시예에 따른 심전도 생성 시스템을 이용한 심전도 생성 방법은 학습 모델을 학습시키는 단계와, 학습이 완료된 학습 모델을 이용하여 심전도를 생성하는 단계로 나뉘어진다.
학습 모델을 학습시키는 단계에 있어서, 먼저, 심전도 생성 시스템(100)은 복수의 환자를 통해 측정된 유도 심전도와 환자에 대한 정보를 입력받는다(S210).
먼저, 12 유도 심전도는 심장을 중심으로 12개의 전기적인 방향에서 심장의 전위를 기록한 것을 나타낸다.
유도 심전도를 촬영하는 일반적인 방법을 살펴보면, 먼저, 환자의 양팔과 양쪽 다리에 4개의 전극 (사지 전극, limb lead)를 붙인다. 이때, 심전도 측정 장치는 이중 양팔과 왼쪽 다리 전극으로 전위를 측정하며 오른쪽 다리 전극은 접지전극 역할을 한다.
도 3은 일반적인 12 유도 심전도를 측정하는 방법을 설명하는 예시도이다.
도 3에 도시된 바와 같이, 심전도 측정 장치는 왼팔의 전위에서 오른팔의 전위를 빼서 I유도 심전도를 생성하고, 왼쪽 다리 전위에서 오른팔 전위를 빼서 II유도 심전도를 생성하고, 왼쪽 다리 전위에서 왼팔의 전위를 빼서 III유도 심전도를 생성한다.
심전도 측정 장치는 양팔과 왼쪽 다리 전극의 전위의 평균을 구해서 가상의 중심점의 전위를 구한다. 그리고 심전도 측정 장치는 왼팔의 전위에서 가상의 중심점의 전위를 빼서 aVL유도의 심전도를 생성하고, 오른팔의 전위에서 가상의 중심점의 전위를 빼서 aVR유도의 심전도를 생성한다. 또한, 심전도 측정 장치는 왼쪽 다리 전극의 전위에서 가상의 중심점의 전위를 빼서 aVF 유도의 심전도를 생성한다. 상기와 같이, 심전도 측정 장치는 3개 (접지전극까지 하면 4개)의 사지 전극을 사용하여 총 6개 유도 (6개 줄의) 심전도를 생성한다.
그 다음, 심전도 측정 장치는 사지 유도에서 결정한 가상의 중심점의 전위와, 흉부에 부착한 6개 전극의 전위차이를 이용하여 흉부 6유도 심전도를 생성한다. 즉 가슴에 V1, V2, V3, V4, V5, V6의 6개 전극을 정해진 위치의 앞쪽에서부터 왼쪽 가슴까지 붙인다.
그리고, 심전도 측정 장치는 V1전극에서 측정된 전위와 위에서 사지전극의 평균을 통해 구한 가상의 중심점의 전위를 빼서 V1유도 심전도를 생성한다.
상기와 같이 심전도 측정 장치는 복수의 환자에 부착된 전극을 이용하여 12 유도 심전도를 생성한다. 그리고, 생성된 12 유도 심전도는 심전도 생성 시스템(100)에 전달된다.
이때, 심전도 생성 시스템(100)는 생성된 12 유도 심전도와 그에 대응되는 환자 정보를 추가로 입력받는다.
여기서, 환자 정보는 성별, 나이, 심장 질환 여부, 측정된 심전도의 전위 벡터 중에서 적어도 하나를 포함한다.
*S210단계가 완료되면, 심전도 생성 시스템(100)은 수집된 12 유도 심전도와 환자 정보를 이용하여 학습 데이터를 추출한다(S220).
이를 다시 설명하면, 데이터 추출부(120)는 수집된 12 유도 심전도를 환자 정보에 따라 분류하여 데이터베이스에 저장한다. 그리고, 데이터 추출부(120)는 저장된 복수의 12 유도 심전도로부터 무작위로 추출하여 학습데이터를 생성한다.
그 다음, 학습부(130)는 생성된 학습데이터를 이용하여 제1 학습모델과 제2 학습모델을 각각 학습시키다(S230).
먼저, 학습부(130)는 12 유도 심전도로 구성된 학습데이터를 제1 학습모델과 제2학습모델에 입력하여 심전도에 대한 특성을 학습시킨다. 이를 다시 설명하면, 유도 심전도는 전위 벡터에 따라 전기 흐름 방향이 상이하고, 환자의 나이와 성별에 따라 심전도 스타일에 영향을 준다. 즉, 노인이 될수록 심장 근육이 감소하므로 심전도의 진폭은 감소하는 경향을 보이고, 여성의 경우에는 유방으로 인해 심전도의 전극 위치가 낮아지거나 심장과 전극 사이의 거리가 멀어져 심전도 모양에 변형이 발생된다.
또한, 만성폐질환 (만성 폐쇄성 폐질환)이 있는 경우 폐의 용량이 커지면서 폐 사이에 있는 심장이 수직 방향으로 세워지므로 3차원 공간에서 심장의 전기적인 흐름이 수직방향으로 변화하게 된다.
따라서, 학습부(130)는 환자 정보 즉, 환자의 나이, 성별, 건강 정도 및 전위 벡터에 따라 각각 분리되어 저장된 유도 심전도를 제1 학습모델과 제2 학습모델에 입력한다. 그러면, 제1 학습모델과 제2 학습모델은 입력된 유도 심전도의 특성을 학습하여 입력되는 유도 심전도의 전위 벡터 정보를 추출한다. 하지만 환자 정보에 따라 구분하지 않고 심전도를 입력받아 학습할 수도 있으며, 이 방법을 통해서 한 개의 특성에 국한되지 않는 학습모델을 학습할 수도 있다.
또한, 학습부(130)는 12 유도 심전도에 대응하는 12개의 제2 학습모델을 구축한다. 그리고 학습부(130)는 심전도의 특성에 따라 각각의 제2 학습모델을 학습시킨다.
이를 다시 설명하면, 제1 학습모델은 딥러닝 알고리즘을 기반으로 입력되는 심전도와 12 유도 심전도와의 연관성을 학습하여 입력된 심전도에 대한 특징 즉, 나이, 성별, 전위 벡터 중에서 적어도 하나를 추출하며 이를 통해 n개 유도의 기준 심전도로부터 12-n개 유도의 가상 심전도를 생성한다. 반면에 제2 학습모델은 12-n개 유도의 가상 심전도로부터 n개 유도의 가상 심전도를 생성한다. 예를 들어, V1유도 심전도를 생성한다고 가정하면, 학습부(130)는 제1학습모델에서 V1 유도의 심전도로부터 가상의 I, II, III, aVL, aVR, aVF, V2, V3, V4, V5, V6 유도의 심전도를 생성하도록 스타일을 학습하며, 제2학습모델은 가상의 I, II, III, aVL, aVR, aVF, V2, V3, V4, V5, V6 유도의 심전도로부터 가상의 V1유도의 심전도를 생성하도록 스타일을 학습시킨다. 그러면, 제2 학습모델은 입력된 심전도를 V1유도 스타일로 변환하여 가상 심전도를 생성한다.
제1 학습모델에는 입력된 심전도가 어떤 유도의 심전도인지를 판별하도록, 어떤 유도의 심전도인지를 함께 입력하여 학습한다. 이를 통해 학습된 이후 사용할 때 유도를 알 수 없는 임의의 심전도가 입력되더라도 12유도 심전도를 생성할 수 있다.
*이때, 제1 학습모델과 제2 학습모델은 오토인코더 또는 적대적 생성망으로 구성된 딥러닝 알고리즘을 기반으로 하며, 딥러닝 알고리즘은 오토인코더 또는 적대적 생성망 중에서 선택된 하나를 이용하여 구현될 수도 있고, 오토인코더와 적대적 생성망을 혼합하여 구현될 수도 있다.
S210 단계 및 S230단계를 통해 학습 모델에 대한 학습이 완료되면, 본 발명의 실시예에 따른 심전도 생성 시스템(100)은 학습된 학습 모델을 이용하여 심선도를 생성한다.
먼저, 심전도 생성 시스템(100)은 측정대상자의 신체에 부착된 전극을 통해 측정된 기준 심전도를 입력받는다(S240).
여기서 기준 심전도는 전위 벡터에 대한 정보를 포함하지 않는다.
그 다음, 심전도 생성부(140)는 입력된 기준 심전도를 제1 학습모델 및 제2 학습모델에 입력하여 복수의 가상 심전도를 생성한다(S250).
먼저, 심전도 생성부(140)는 기준 심전도를 제1 학습모델에 입력하여 기준 심전도에 대한 특성을 추출한다.
여기서 특성은 측정대상자의 나이, 성별 및 전위 벡터 중에서 적어도 하나를 포함한다.
이를 통해 기준 심전도로부터 제1의 가상의 심전도를 생성한다.
그 다음, 심전도 생성부(140)는 생성된 제 1의 가상의 심전도를 제2 학습모델에 입력한다. 그러면, 제2 학습모델은 입력된 제 1의 가상의 심전도를 기반으로 제 2의 가상의 심전도를 생성한다.
도 4는 도 2에 도시된 S240단계를 설명하기 위한 예시도이다.
도 4에 도시된 바와 같이, 첫번째 심전도는 기준 심전도를 나타낸다. 이때, 제1 학습모델이 기준 심전도에 대한 특성을 L1이라고 하였다고 가정한다. 그러면 심전도 생성부(140)는 제 1학습모델이 L1심전도를 기반으로 나머지 11개 유도의 가상 심전도를 생성한다. 생성된 11개 유도의 가상 심전도를 제 2학습모델에 입력한 뒤 가상의 L1유도 심전도를 생성한다. 각각의 학습모델에는 심전도를 생성하는 생성자와 함께 생성된 심전도가 정확하게 생성되었는지를 판별하고 되먹임을 통해 생성된 심전도의 정확도를 올리기 위한 판별자가 함께 구성된다.
S250단계가 완료되면, 제어부(150)는 기준 심전도와 11개의 가상 심전도를 모니터링 장치를 통해 출력한다(S260).
도 5는 도 2에 도시된 S260단계를 설명하기 위한 예시도이다.
제어부(150)는 기준 심전도와 11개의 가상 심전도를 출력한다. 그리고 도 5에 도시된 바와 같이, 제어부(150)는 출력된 기준 심전도와 11개의 가상 심전도를 동기화하여 측정 대상자의 건강 이상 여부를 판단한다. 이때 기준 심전도와 동일한 유도의 가상심전도도 제2학습모델에서 생성되기 때문에 12개의 가싱 심전도로 판별할 수도 있다.
앞서 설명한 바와 같이, 심전도는 측정 대상자의 나이, 성별 그리고 건강 이상 여부에 따라 심전도의 기울기, 진폭 크기 등이 상이하게 출력된다. 따라서, 제어부(150)는 기준 심전도, 11개의 가상 심전도를 통해 동기화된 12개의 심전도를 모니터링 장치를 통해 출력한다.
이와 같이 본 발명에 따르면, 딥러닝 알고리즘을 이용하여 서로 다른 지점에서 측정된 두 개의 심전도로부터 동기화된 복수의 심전도를 생성할 수 있으므로 12유도 심전도와 같이 심장의 질병의 정확하게 판독할 수 있다.
또한, 본 발명에 따른 심전도 생성 시스템은 2개의 유도 심전도를 이용하므로 가정이나 일상생활에서도 측정가능하며, 움직이는 상태에서도 측정할 수 있어 실시간 모니터링이 가능하며, 서로 다른 시점에 측정된 심전도 정보를 활용하여 동기화된 심전도를 생성하므로 의료진으로 하여금 해당 박동에 맞춘 동기화된 유도 심전도 정보를 판독할 수 있고, 이를 기반으로 더 정확한 진단이 가능하다.
본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호범위는 아래의 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
100 : 심전도 생성 시스템
110 : 데이터 입력부
120 : 데이터 추출부
130 : 학습부
140 : 심전도 생성부
150 : 제어부
본 발명은 딥러닝 알고리즘을 이용하여 서로 다른 지점에서 측정된 두 개의 심전도로부터 동기화된 복수의 심전도를 생성할 수 있으므로 12유도 심전도와 같이 심장의 질병의 정확하게 판독할 수 있으며, 여럭가지 딥러닝 알고리즘을 기반으로 하는 심전도 생성 시스템 에 산업상 이용가능 합니다.

Claims (14)

  1. 딥러닝 알고리즘을 기반으로 하는 심전도 생성 시스템에 있어서,
    복수의 환자에 의해 측정된 12 유도 심전도를 입력받는 데이터 입력부,
    상기 입력된 12 유도 심전도로부터 학습 데이터를 추출하는 데이터 추출부,
    상기 추출된 학습 데이터를 복수의 학습 모델에 입력하여 심전도에 대한 특성을 학습시키는 학습부,
    상기 측정대상자로부터 1개 이상의 기준 심전도를 입력받고, 상기 입력된 기준 심전도를 학습이 완료된 복수의 학습 모델에 입력하여 가상 심전도를 생성하는 심전도 생성부, 그리고
    상기 기준 심전도와 생성된 가상 심전도를 상호 동기화하며, 동기화된 기준 심전도 및 가상 심전도에 대한 파형을 출력하는 제어부를 포함하는 심전도 생성 시스템.
  2. 제1항에 있어서,
    상기 환자 정보는,
    성별, 나이, 심장 질환 여부, 측정된 심전도의 전위 벡터 중에서 적어도 하나를 포함하는 심전도 생성 시스템.
  3. 제2항에 있어서,
    상기 학습부는,
    사지 6유도 심전도와 흉부 6유도 심전도를 제1 학습모델에 입력하여 상기 제 1 학습모델로 하여금 입력된 심전도에 대한 전위 벡터를 판별하도록 학습시키는 심전도 생성 시스템.
  4. 제3항에 있어서,
    상기 학습부는,
    사지 6유도 심전도와 흉부 6유도 심전도에 대한 제1 학습모델과 제2 학습모델을 구축하고,
    상기 구축된 제 1 학습모델과 제2 학습모델에 기준 유도 심전도를 입력하면, 상기 입력된 기준 유도 심전도를 해당되는 전위 벡터를 가진 스타일로 변환하여 가상 심전도로 출력하도록 학습시키는 심전도 생성 시스템.
  5. 제3항 또는 제4항에 있어서,
    상기 제1 학습모델 및 제2 학습모델은,
    적대적 생성망과 오토인코더 방법을 혼합하거나 각각 사용하여 구축되는 심전도 생성 시스템.
  6. 제5항에 있어서,
    상기 심전도 생성부는,
    입력된 기준 심전도를 제1 학습모델에 입력하여 상기 기준 심전도에 대한 전위 벡터를 추출하고 제 1 가상 심전도를 생성하며,
    상기 제 1 가상 심전도를 제2 학습모델에 입력하여 제 2 가상 심전도를 생성하는 심전도 생성 시스템.
  7. 제6항에 있어서,
    상기 제어부는,
    상기 기준 심전도와 상기 복수의 가상 심전도를 매칭하여 동기화하고, 동기화된 복수개의 심전도를 모니터를 통해 출력시키며,
    상기 출력된 기준 심전도 및 가상 심전도의 파형의 진폭, 기울기, 전극 위치 중에서 적어도 하나를 이용하여 측정 대상자의 건강 이상 여부를 판단하는 심전도 생성 시스템.
  8. 심전도 생성 시스템을 이용한 심전도 생성 방법에 있어서,
    복수의 환자에 의해 측정된 12 유도 심전도와 상기 12 유도 심전도에 대응되는 환자 정보를 입력받는 단계,
    상기 입력된 12 유도 심전도를 상기 환자 정보에 따라 분류하여 저장하고, 저장된 12 유도 심전도로부터 학습 데이터를 추출하는 단계,
    상기 추출된 학습 데이터를 복수의 학습 모델에 입력하여 심전도에 대한 특성을 학습시키는 단계,
    상기 측정대상자로부터 1개 이상의 기준 심전도를 입력받고, 상기 입력된 기준 심전도를 학습이 완료된 복수의 학습 모델에 입력하여 가상 심전도를 생성하는 단계, 그리고
    상기 기준 심전도와 생성된 가상 심전도를 상호 동기화하며, 동기화된 기준 심전도 및 가상 심전도에 대한 파형과 상기 측정대상자에 대한 건강 이상 발생 여부를 출력하는 단계를 포함하는 심전도 생성 방법.
  9. 제8항에 있어서,
    상기 환자 정보는,
    성별, 나이, 심장 질환 여부, 측정된 심전도의 전위 벡터 중에서 적어도 하나를 포함하는 심전도 생성 방법.
  10. 제8항에 있어서,
    상기 심전도에 대한 특성을 학습시키는 단계는,
    사지 6유도 심전도와 흉부 6유도 심전도를 제1 학습모델에 입력하여 상기 제 1 학습모델로 하여금 입력된 심전도에 대한 전위 벡터를 판별하고 제 1 가상 심전도를 생성하도록 학습시키는 심전도 생성 방법.
  11. 제10항에 있어서,
    상기 심전도에 대한 특성을 학습시키는 단계는,
    제 1 가상심전도를 기반으로 스타일을 학습하는 제2 학습모델을 구축하고,
    상기 구축된 제2 학습모델에 제1의 가상심전도를 입력하면, 상기 입력된 유도 심전도를 해당되는 전위 벡터를 가진 스타일로 변환하여 제2이 가상 심전도로 출력하도록 학습시키는 심전도 생성 방법.
  12. 제10항 또는 제11항에 있어서,
    상기 제1 학습모델 및 제2 학습모델은,
    적대적 생성망과 오토인코더 방법을 혼합하거나 각각 사용하여 구축되는 심전도 생성 방법.
  13. 제12항에 있어서,
    상기 가상 심전도를 생성하는 단계는,
    입력된 기준 심전도를 제1 학습모델에 입력하여 상기 기준 심전도에 대한 전위 벡터를 추출하고 제1 가상 심전도를 생성하고,
    상기 추출된 전위 벡터로 학습된 제2 학습모델에 상기 제1 가상 심전도를 입력하여 제 2가상 심전도를 생성하는 심전도 생성 방법.
  14. 제13항에 있어서,
    상기 건강 이상 발생 여부를 출력하는 단계는,
    상기 기준 심전도와 상기 복수의 가상 심전도를 매칭하여 동기화하고, 동기화된 복수개의 심전도를 모니터를 통해 출력시키며,
    상기 출력된 기준 심전도 및 가상 심전도의 파형의 진폭, 기울기, 전극 위치 중에서 적어도 하나를 이용하여 측정 대상자의 건강 이상 여부를 판단하는 심전도 생성 방법.
PCT/KR2022/002747 2021-02-24 2022-02-24 딥러닝 알고리즘을 기반으로 하는 심전도 생성 시스템 및 그 방법 WO2022182182A1 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
EP22760098.8A EP4248867A1 (en) 2021-02-24 2022-02-24 System and method for generating electrocardiogram on basis of deep learning algorithm
US18/258,859 US20240047075A1 (en) 2021-02-24 2022-02-24 System and method for generating electrocardiogram on basis of deep learning algorithm
JP2023545852A JP2024505217A (ja) 2021-02-24 2022-02-24 ディープラーニングアルゴリズムに基づく心電図生成システム及びその方法
CN202280008177.9A CN116744850A (zh) 2021-02-24 2022-02-24 基于深度学习算法的心电图生成系统及方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2021-0024707 2021-02-24
KR1020210024707A KR20220120922A (ko) 2021-02-24 2021-02-24 딥러닝 알고리즘을 기반으로 하는 심전도 생성 시스템 및 그 방법

Publications (1)

Publication Number Publication Date
WO2022182182A1 true WO2022182182A1 (ko) 2022-09-01

Family

ID=83049528

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/002747 WO2022182182A1 (ko) 2021-02-24 2022-02-24 딥러닝 알고리즘을 기반으로 하는 심전도 생성 시스템 및 그 방법

Country Status (6)

Country Link
US (1) US20240047075A1 (ko)
EP (1) EP4248867A1 (ko)
JP (1) JP2024505217A (ko)
KR (1) KR20220120922A (ko)
CN (1) CN116744850A (ko)
WO (1) WO2022182182A1 (ko)

Citations (6)

* 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
KR20190141326A (ko) * 2018-06-14 2019-12-24 한국과학기술원 심층 컨볼루션 신경망을 이용한 심전도 부정맥 분류 방법 및 장치
US20200121255A1 (en) * 2017-11-27 2020-04-23 Lepu Medical Technology (Bejing) Co., Ltd. Artificial intelligence-based interference recognition method for electrocardiogram
KR20200068161A (ko) * 2018-12-04 2020-06-15 건양대학교산학협력단 기계학습 모델을 이용한 심장질환예측 시스템, 및 방법
KR102142841B1 (ko) * 2019-11-06 2020-08-10 메디팜소프트(주) Ai 기반 심전도 판독 시스템
KR102180135B1 (ko) 2018-10-12 2020-11-17 계명대학교 산학협력단 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템 및 방법

Patent Citations (6)

* 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
US20200121255A1 (en) * 2017-11-27 2020-04-23 Lepu Medical Technology (Bejing) Co., Ltd. Artificial intelligence-based interference recognition method for electrocardiogram
KR20190141326A (ko) * 2018-06-14 2019-12-24 한국과학기술원 심층 컨볼루션 신경망을 이용한 심전도 부정맥 분류 방법 및 장치
KR102180135B1 (ko) 2018-10-12 2020-11-17 계명대학교 산학협력단 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템 및 방법
KR20200068161A (ko) * 2018-12-04 2020-06-15 건양대학교산학협력단 기계학습 모델을 이용한 심장질환예측 시스템, 및 방법
KR102142841B1 (ko) * 2019-11-06 2020-08-10 메디팜소프트(주) Ai 기반 심전도 판독 시스템

Also Published As

Publication number Publication date
KR20220120922A (ko) 2022-08-31
JP2024505217A (ja) 2024-02-05
CN116744850A (zh) 2023-09-12
EP4248867A1 (en) 2023-09-27
US20240047075A1 (en) 2024-02-08

Similar Documents

Publication Publication Date Title
WO2019088462A1 (ko) 혈압 추정 모델 생성 시스템 및 방법과 혈압 추정 시스템 및 방법
AU2016281828B2 (en) Electronic system to control the acquisition of an electrocardiogram
WO2021015570A1 (ko) 싱글리드 심전도 데이터를 이용하여 심장의 질병 유무를 판단하는 심전도 측정 시스템 및 그 방법
WO2022014943A1 (ko) 생성적 적대 신경망 알고리즘을 기반으로 하는 심전도 생성 장치 및 그 방법
US20210219901A1 (en) Method and measuring arrangement for monitoring specific activity parameters of the human heart
WO2023120775A1 (ko) 심전도 판독을 수정하기 위한 방법 및 장치
WO2022173103A1 (ko) 웨어러블 다중 생체 신호 측정장치 및 이를 이용한 인공지능 기반의 원격 모니터링 시스템
WO2022182182A1 (ko) 딥러닝 알고리즘을 기반으로 하는 심전도 생성 시스템 및 그 방법
WO2023219319A1 (ko) 웨어러블 심전도 패치를 이용한 재택 심장 재활 시스템
WO2023022485A1 (ko) 비동기 심전도를 이용한 건강상태 예측 시스템
WO2023022507A1 (ko) 2개 유도의 비동시적 심전도를 기반으로 동시적 심전도를 생성하는 방법
WO2016200243A1 (ko) 미병 분류를 보조하는 컴퓨팅 장치 및 방법
WO2018097541A1 (ko) 순환계질환 발생잠재도를 판단하는 장치 및 그 방법
EP3949850A1 (en) Mobile electrocardiography recording device
WO2023022484A1 (ko) 단일유도 심전도기기를 활용한 건강상태 예측 시스템
WO2023022516A1 (ko) 딥러닝 알고리즘을 기반으로 복수개의 표준 심전도 데이터를 생성하는 방법
WO2023022519A1 (ko) 2유도 심전도 데이터를 이용한 복수개의 표준 심전도 데이터 생성 시스템
WO2023022511A9 (ko) 2개 유도의 비동시적 심전도를 기반으로 하는 동시적 심전도 생성 방법
WO2023075010A1 (ko) 생체 신호 처리 장치 및 방법
WO2024014838A1 (ko) 심전도 판독에 기반한 시각화 콘텐츠를 제공하는 방법, 프로그램 및 장치
WO2023101090A1 (ko) 딥 러닝을 이용하여 심방세동을 감지하는 방법 및 장치
WO2022169020A2 (ko) Ppg 기반 스펙트로그램 및 cnn에 기반하는 통증 평가 방법 및 장치
WO2024014844A1 (ko) 심전도에 기반하여 체성분을 측정하는 방법 및 그 장치
WO2023022521A1 (ko) 딥러닝기반 모델 및 원칙기반 모델 통합 심전도 판독 시스템
WO2022255852A1 (ko) 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 시스템 및 이를 이용한 심전도를 통한 고칼륨 혈증 예측 알고리즘 구축 방법 및 심전도를 이용한 고칼륨 혈증 예측 시스템

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: 22760098

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 202280008177.9

Country of ref document: CN

WWE Wipo information: entry into national phase

Ref document number: 18258859

Country of ref document: US

ENP Entry into the national phase

Ref document number: 2022760098

Country of ref document: EP

Effective date: 20230622

WWE Wipo information: entry into national phase

Ref document number: 2023545852

Country of ref document: JP

NENP Non-entry into the national phase

Ref country code: DE