WO2023018299A1 - 동맥압 웨이블릿 변환 기반 저혈압을 예측하기 위한 장치, 방법 및 이의 저혈압 예측 모델 학습 방법 - Google Patents

동맥압 웨이블릿 변환 기반 저혈압을 예측하기 위한 장치, 방법 및 이의 저혈압 예측 모델 학습 방법 Download PDF

Info

Publication number
WO2023018299A1
WO2023018299A1 PCT/KR2022/012121 KR2022012121W WO2023018299A1 WO 2023018299 A1 WO2023018299 A1 WO 2023018299A1 KR 2022012121 W KR2022012121 W KR 2022012121W WO 2023018299 A1 WO2023018299 A1 WO 2023018299A1
Authority
WO
WIPO (PCT)
Prior art keywords
hypotension
data
learning
arterial pressure
predicting
Prior art date
Application number
PCT/KR2022/012121
Other languages
English (en)
French (fr)
Inventor
김성훈
박용석
김준태
황유진
Original Assignee
재단법인 아산사회복지재단
국립암센터
울산대학교 산학협력단
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 재단법인 아산사회복지재단, 국립암센터, 울산대학교 산학협력단 filed Critical 재단법인 아산사회복지재단
Priority to CN202280055927.8A priority Critical patent/CN117813040A/zh
Publication of WO2023018299A1 publication Critical patent/WO2023018299A1/ko
Priority to US18/438,563 priority patent/US20240186005A1/en

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
    • G16H50/20—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
    • 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
    • A61B5/021—Measuring pressure in heart or blood vessels
    • 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
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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
    • A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet 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
    • G16H50/50—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
    • A61B2505/00—Evaluating, monitoring or diagnosing in the context of a particular type of medical care
    • A61B2505/05—Surgical care

Definitions

  • the present invention relates to an apparatus and method for predicting hypotension based on arterial pressure wavelet transform, and a hypotension prediction model learning method thereof.
  • Intraoperative hypotension is caused by several factors, such as lack of effective blood volume due to bleeding, decreased myocardial contractility due to cardiovascular disease or anesthetics, and decreased vascular resistance due to sepsis or other drugs, etc., acting alone or in combination. Insufficient effective blood volume due to hemorrhage or dehydration in general anesthesia patients can be considered to account for the largest proportion among the causes of hypotension during surgery.
  • ABSP raw arterial blood pressure
  • An object to be solved according to an embodiment of the present invention includes determining whether or not hypotension is present based on a change behavior of each measurement section of compressed arterial pressure (ABP) data containing trend information of blood pressure changes.
  • ABSP compressed arterial pressure
  • an apparatus for predicting hypotension of a subject is based on a memory in which a pre-learned hypotension prediction model is stored and a change behavior for each measurement section of the input arterial pressure data of the subject and a processor for determining whether the subject has hypotension by using the hypotension prediction model.
  • hypotension prediction model may be learned by using arterial pressure data for learning as learning data and labeling whether or not hypotension occurs for each of a plurality of sections of the arterial pressure data for learning.
  • the hypotension prediction model shapes the first layer and each of the trend data learned to extract trend data for each section while compressing the arterial pressure data for learning by wavelet transforming the arterial pressure data for learning and shapeshifting each of the trend data (Shapelet) It can include a shapelet data generation module that creates data.
  • hypotension prediction model may be learned to perform low-pass filtering on the arterial pressure data for learning using a learning parameter learned in the first layer.
  • the hypotension prediction model includes shapelet data and the trend data of the training interval based on a second layer learned to assign weights to training intervals necessary for predicting hypotension among the plurality of intervals and the learned weights.
  • a third layer learned to calculate a similarity feature value between the two layers may be included.
  • the processor may input the subject's arterial pressure data to the hypotension prediction model and calculate a similarity between trend data for each measurement section of the arterial pressure data and the learned shapelet data.
  • the processor may calculate a hypotension occurrence probability using a logistic regression layer with respect to the calculated similarity of the trend data for each measurement section.
  • a hypotension prediction model learning method includes receiving arterial pressure data for learning, wavelet transforming the arterial pressure data for learning, and extracting trend data for each section while compressing the arterial pressure data for learning A step of learning and a step of generating each of the trend data as shapelet data according to a behavior.
  • the step of learning to extract the trend data may include updating a learning parameter learned in the first layer to low-pass filter the arterial pressure data for learning.
  • step of learning to assign a weight to a training section necessary for predicting hypotension among the plurality of sections, and learning to calculate a similarity feature value between the shapelet data of the training section and the trend data based on the learned weight. steps may be included.
  • a method for predicting hypotension of a subject includes receiving the subject's arterial pressure data and using a hypotension prediction model based on the change behavior of each measurement section of the arterial pressure data, and determining whether the subject has low blood pressure.
  • hypotension prediction model may be learned by using arterial pressure data for learning as learning data and labeling whether or not hypotension occurs for each of a plurality of sections of the arterial pressure data for learning.
  • the step of determining whether or not the hypotension may include inputting the subject's arterial pressure data to the hypotension prediction model, and calculating a similarity between trend data for each measurement section of the arterial pressure data and the learned shapelet data steps may be included.
  • the step of determining whether hypotension may include calculating a hypotension occurrence probability using a logistic regression layer with respect to the calculated similarity of the trend data for each measurement section.
  • a method for predicting hypotension comprising the step of receiving the subject's arterial pressure data and determining whether the subject has hypotension using a hypotension prediction model based on the change behavior of each measurement section of the arterial pressure data It is possible to provide a recording medium in which a computer program including instructions to be executed is stored.
  • a method for predicting hypotension comprising the step of receiving the subject's arterial pressure data and determining whether the subject has hypotension using a hypotension prediction model based on the change behavior of each measurement section of the arterial pressure data
  • a computer program stored in a computer readable storage medium containing instructions to be executed may be provided.
  • ABSP compressed arterial pressure
  • ABSP compressed arterial pressure
  • FIG. 1 is a diagram showing an apparatus for predicting hypotension according to an embodiment of the present invention.
  • FIG. 2 is a flowchart illustrating a method for predicting hypotension according to an embodiment of the present invention.
  • FIG. 3 is a flowchart illustrating a hypotension predictive model learning method according to an embodiment of the present invention.
  • 4 to 7 are diagrams for explaining an exemplary structure of a hypotension prediction model according to an embodiment of the present invention.
  • FIG 8 and 9 are views for explaining a process of wavelet transforming arterial pressure data for learning according to an embodiment of the present invention.
  • FIG. 10 is a diagram for explaining a process of generating shapelet data according to an embodiment of the present invention.
  • 11 is a diagram for explaining a process of learning to assign weights to training sections necessary for predicting low blood pressure according to an embodiment of the present invention.
  • FIG. 12 is a diagram for explaining a process of learning to calculate a similarity feature value between shapelet data of a training section and the trend data according to an embodiment of the present invention.
  • FIG. 13 is a diagram in which statistically significant shapelets are finally selected from among shapelets learned in the method for predicting hypotension according to an embodiment of the present invention by coefficient analysis of logit regression.
  • 14 is a view of finding samples having the maximum similarity for each shapepret among the shapelets selected in the method for predicting hypotension according to an embodiment of the present invention, and counting the number of samples according to whether or not hypotension is present.
  • 15 is a graph showing aggregation for each point where weights are formed in the entire compressed section in the method for predicting hypotension according to an embodiment of the present invention.
  • 16 is a graph showing visualization of shapelets selected using the method for predicting hypotension according to an embodiment of the present invention.
  • the present invention relates to an apparatus and method for predicting hypotension based on arterial pressure wavelet transform, and a hypotension prediction model learning method thereof.
  • FIG. 1 is a diagram showing an apparatus for predicting hypotension according to an embodiment of the present invention.
  • an apparatus 10 for predicting low blood pressure includes a processor 11 and a memory 12 .
  • An apparatus 10 for predicting hypotension is an apparatus for predicting whether hypotension occurs in a subject by using arterial blood pressure (ABP) of a subject as a hypotension monitoring index.
  • ABSP arterial blood pressure
  • the device 10 for predicting hypotension receives arterial pressure data of a subject 20 during surgery and determines whether or not the subject has hypotension based on the changing behavior of the arterial pressure data for each measurement section. can judge
  • the apparatus 10 for predicting hypotension uses a pre-learned hypotension prediction model, serves as a preliminary warning for the occurrence of hypotension, and can contribute to improving patient prognosis by providing an efficient decision-making process. there is.
  • the memory 12 may store programs (one or more instructions) for processing and control of the processor 11, a pre-learned hypotension prediction model is stored, a flash memory type, a hard disk type (hard disk type), multimedia card micro type, card type memory (eg, SD or XD memory, etc.), RAM (Random Access Memory, RAM), SRAM (Static Random Access Memory), Includes at least one type of computer-readable storage medium among Read-Only Memory (ROM), Electrically Erasable Programmable Read-Only Memory (EEPROM), Programmable Read-Only Memory (PROM), magnetic memory, magnetic disk, and optical disk can do.
  • ROM Read-Only Memory
  • EEPROM Electrically Erasable Programmable Read-Only Memory
  • PROM Programmable Read-Only Memory
  • Programs stored in the memory 12 may be divided into a plurality of modules according to their functions, and a pre-trained hypotension prediction model to be described later may be composed of software modules.
  • the processor 11 executes one or more instructions stored in the memory 12, and specifically, receives the subject's arterial pressure data and uses a hypotension prediction model based on the change behavior of the arterial pressure data for each measurement section to determine the subject's arterial pressure data. Assess hypotension.
  • the change behavior for each measurement section of the arterial pressure data refers to itemizing a trend in which blood pressure changes as a whole.
  • the overall change in blood pressure is, in fact, the most important information directly related to the cause of hypotension.
  • processor 11 may be divided into a plurality of modules according to functions, or functions may be performed by one processor.
  • a processor is one or more of a central processing unit (CPU), an application processor (AP), a micro controller unit (MCU), or a communication processor (CP).
  • CPU central processing unit
  • AP application processor
  • MCU micro controller unit
  • CP communication processor
  • the hypotension prediction model of the device 10 for predicting hypotension uses arterial pressure data for learning as learning data, and learns whether or not hypotension occurs for each of a plurality of sections of the arterial pressure data for learning as a label. .
  • a hypotension prediction model according to an embodiment of the present invention will be described in detail using FIGS. 4 to 7 below.
  • the processor 11 inputs the subject's arterial pressure data to the hypotension prediction model and calculates a similarity between the trend data for each measurement section of the arterial pressure data and the learned shapelet data.
  • hypotension occurrence probability may be calculated using a logistic regression layer for the calculated similarity of trend data for each measurement section, and hypotension may be predicted based on the hypotension occurrence probability.
  • FIG. 2 is a flowchart illustrating a method for predicting hypotension according to an embodiment of the present invention.
  • the method for predicting hypotension is performed by an apparatus for predicting hypotension of a subject, receives arterial pressure data of the subject in step S110, and in steps S120 to S130 Based on the change behavior of each measurement section of the arterial pressure data, hypotension prediction model is used to determine whether or not the subject has hypotension.
  • hypotension prediction model is learned by using arterial pressure data for learning as learning data and labeling whether or not hypotension occurs for each of a plurality of sections of the arterial pressure data for learning.
  • step S120 the subject's arterial pressure data is input to the hypotension prediction model, and a similarity between the trend data for each measurement section of the arterial pressure data and the learned shapelet data is calculated.
  • step S130 the hypotension occurrence probability is calculated using the logistic regression layer for the calculated similarity of the trend data for each measurement section.
  • trend data is extracted while compressing arterial pressure data, and sections are divided while overlapping in a sliding method. Then, the similarity between the extracted trend data and shapelet data for each section is calculated, and only the maximum similarity for each shapelet is selected.
  • FIG. 3 is a flowchart illustrating a hypotension predictive model learning method according to an embodiment of the present invention.
  • the hypotension prediction model learning method is performed by a processor and receives arterial pressure data for learning in step S210.
  • step S220 the arterial pressure data for learning is wavelet-transformed to compress the arterial pressure data for learning, while learning to extract trend data for each section.
  • the learning parameter learned in the first layer is updated to low-pass filter the arterial pressure data for learning.
  • step S230 each trend data is generated as shapelet data according to the behavior.
  • step S240 it is trained to assign a weight to a training section necessary for hypotension prediction among a plurality of sections.
  • a specific section of the compressed arterial pressure data is weighted and learned to better predict.
  • step S250 Based on the weight learned in step S250, similarity feature values between the shapeprit data of the training interval and the trend data are trained to be calculated.
  • 4 to 7 are diagrams for explaining an exemplary structure of a hypotension prediction model according to an embodiment of the present invention.
  • Figure 4 shows the overall structure of the hypotension prediction model according to an embodiment of the present invention.
  • the hypotension prediction model is designed to enable visualization of trend characteristics in a local unit of arterial pressure data in the model.
  • the hypotension prediction model includes a first layer 100, a shapeprit data generation module 200, a second layer 300, and a third layer 400. .
  • a layer means to include a learning module including at least one layer, where a layer can collectively refer to a function of a known mathematical structure with reusable and trainable variables.
  • the first layer 100 is trained to extract trend data for each section while compressing the arterial pressure data for learning by wavelet transforming the arterial pressure data for learning.
  • the arterial pressure data for learning is learned to be low-pass filtered using the learning parameter learned in the first layer 100 .
  • a detailed structure of the first layer 100 will be described with reference to FIG. 5 , and an operation of low-pass filtering the arterial pressure data for learning of the first layer 100 will be described in detail with reference to FIGS. 8 and 9 .
  • the shapeprit data generation module 200 generates shapelet data according to each trend data. An operation of generating shapelet data will be described in detail with reference to FIG. 10 .
  • the second layer 300 is trained to assign weights to training sections necessary for hypotension prediction among a plurality of sections.
  • a detailed structure of the second layer 300 will be described with reference to FIG. 6 , and an operation of processing weights of the second layer 300 will be described in detail with reference to FIG. 11 .
  • the third layer 400 is trained to calculate a similarity feature value between shapelet data of a training interval and the trend data based on the learned weight.
  • a detailed structure of the third layer 400 will be described with reference to FIG. 7 , and an operation of calculating similarity feature values of the third layer 400 will be described in detail with reference to FIG. 12 .
  • FIG. 5 illustrates a detailed structure of a first layer in a hypotension prediction model according to an embodiment of the present invention.
  • the hypotension prediction model according to an embodiment of the present invention is learned to low-pass filter the arterial pressure data for learning using the learning parameter ⁇ .
  • a first region ( ⁇ (x)) 501 of the first layer may include a plurality of convolutions and max pooling layers having softplus as an activation function.
  • the second region ⁇ (x) 502 may include a plurality of dense layers having activation functions of relu and sigmoid.
  • FIG. 6 illustrates a detailed structure of a second layer in a hypotension prediction model according to an embodiment of the present invention.
  • the hypotension prediction model according to an embodiment of the present invention is learned to reflect a weight to the local importance using a learning parameter ( ⁇ ).
  • learning may be performed using the learning parameter ⁇ .
  • the first region ⁇ (x) of the second layer has at least one convolution with softplus as an activation function, at least one max pooling layer, and relu and sigmoid activation functions. It may be configured to include a plurality of dense layers.
  • the second area ⁇ (x) of the second layer processes the tensor to calculate weights for each section, and generates a distribution based on the given importance and standard deviation.
  • FIG. 7 illustrates a detailed structure of a third layer in a hypotension prediction model according to an embodiment of the present invention.
  • hypotension prediction model is learned to be probabilistic inference based on a logistic regression layer using learning parameters ( ⁇ , ⁇ ).
  • a first region ( ⁇ (x)) 701 of the third layer processes the importance tensor over the shapeprit data similarity tensor and selects a section having the maximum similarity.
  • the second region ⁇ (x) 702 may include at least one dense layer having a sigmoid activation function.
  • FIG 8 and 9 are views for explaining a process of wavelet transforming arterial pressure data for learning according to an embodiment of the present invention.
  • the hypotension prediction model learning method leaves the overall signal tendency by compressing time-series data through low-pass filtering using Wavelet Transform.
  • time series compression is performed from the initial ABP input value.
  • the frequency cutoff coefficient is learned as a parameter learned in the model.
  • time-series compression is performed by convolution of a low-pass filter, and a sliding window can be set to overlap the compressed ABP data, thereby extending the dimensionality.
  • the compressed ABP data 900 is divided into local sections having a frame size of 50, but the compressed ABP data can be dimensionally extended by overlapping some sections of the window (901, 902 , 903, 904, 905).
  • the frame size is exemplified, but the present disclosure is not limited thereto.
  • FIG. 10 is a diagram for explaining a process of generating shapelet data according to an embodiment of the present invention.
  • Apparatus 10 for predicting hypotension according to an embodiment of the present invention generates each trend data as shapelet data according to the shape.
  • shapelet data means that the shape (local shape) of a specific section in a time series is considered as one feature.
  • a plurality of trend data is learned as 30 shapelet data, and similarities with all local sections of the compressed time series are calculated.
  • 11 is a diagram for explaining a process of learning to assign weights to training sections necessary for predicting hypotension according to an embodiment of the present invention.
  • the apparatus 10 for predicting hypotension selects a training section necessary for predicting hypotension among a plurality of sections and learns to assign a weight thereto.
  • a probability distribution obtained by adding all five Gaussian distributions formed from the five local intervals 1101, 1102, 1103, 1104, and 1105 can be used as a weight in the compressed time series.
  • FIG. 12 is a diagram for explaining a process of learning to calculate a similarity feature value between shapelet data of a training section and the trend data according to an embodiment of the present invention.
  • the apparatus 10 for predicting low blood pressure is trained to calculate a similarity feature value between shapelet data of a training section and the trend data based on the learned weight.
  • the highest similarity based on each shapelet data can be calculated as a feature value 1202.
  • the weight for each section is multiplied by the similarity between the local section and the model, and only the value showing the highest similarity among the local sections is selected.
  • logistic regression may be performed in which the similarity value considering the weight is 'X' and the hypotension probability is 'y'.
  • FIG. 13 is a diagram in which statistically significant shapelets are finally selected from among shapelets learned in the method for predicting hypotension according to an embodiment of the present invention by coefficient analysis of logit regression.
  • 14 is a view of finding samples having the maximum similarity for each shapepret among the shapelets selected in the method for predicting hypotension according to an embodiment of the present invention, and counting the number of samples according to whether or not hypotension is present.
  • 15 is a graph showing aggregation for each point where weights are formed in the entire compressed section in the method for predicting hypotension according to an embodiment of the present invention.
  • 16 is a graph showing visualization of shapelets selected using the method for predicting hypotension according to an embodiment of the present invention.
  • 16(a) shows shapelet data similar to that of the low blood pressure sample.
  • a hypotension prediction model to perform a method for predicting hypotension, including the step of determining whether the subject has hypotension It is possible to provide a recording medium in which a computer program including a command to do is stored.
  • a hypotension prediction model to perform a method for predicting hypotension, including the step of determining whether the subject has hypotension. It is possible to provide a computer program stored in a computer readable storage medium containing instructions to do.
  • Such computer readable media may include program instructions, data files, data structures, etc. alone or in combination.
  • Program instructions recorded on the recording medium may be specially designed and configured 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 CD-ROMs and DVDs, and magnetic media such as floptical disks.
  • - includes hardware devices specially configured to store and execute program instructions, such as magneto-optical media, and ROM, RAM, flash memory, etc.
  • Examples of program instructions include high-level language codes that can be executed by a computer using an interpreter, as well as machine language codes such as those produced by a compiler.
  • the hardware devices described above may be configured to act as one or more software modules to perform the operations of the present invention, and vice versa.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Cardiology (AREA)
  • Vascular Medicine (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

본 발명에 따르면, 피검자의 동맥압 데이터를 입력 받아, 상기 동맥압 데이터의 측정 구간 별 변화 행태에 기초하여, 저혈압 예측 모델을 이용하여, 상기 피검자의 저혈압 여부를 판단하는 동맥압 웨이블릿 변환 기반 저혈압을 예측하기 위한 장치, 방법 및 이의 저혈압 예측 모델 학습 방법이 개시된다.

Description

동맥압 웨이블릿 변환 기반 저혈압을 예측하기 위한 장치, 방법 및 이의 저혈압 예측 모델 학습 방법
본 발명은 동맥압 웨이블릿 변환 기반 저혈압을 예측하기 위한 장치, 방법 및 이의 저혈압 예측 모델 학습 방법에 관한 것이다.
수술 중 저혈압은 출혈 등으로 인한 유효 혈액량 부족, 심혈관계 질환 또는 마취제 등으로 인한 심근수축력 감소, 패혈증이나 기타 약제 등으로 인한 혈관저항성 감소 등과 같은 여러 원인들이 단독 또는 복합적으로 작용하여 발생한다. 이 중 전신마취 환자에서 출혈이나 탈수 등으로 인한 유효 혈액량 부족은 수술 중 저혈압의 원인 중 가장 큰 비율을 차지한다고 볼 수 있다.
하지만, 종래의 저혈압을 예측하는 방법은 특정한 특징값(feature)을 정의하거나 raw 동맥압(arterial blood pressure, ABP) 값을 그대로 모니터링하여 저혈압을 예측하기 때문에, 사실상 저혈압의 원인과 직결된 가장 중요한 정보인 혈압이 변화하는 트렌드를 반영하지 못하는 문제가 있다.
본 발명의 일 실시예에 따른 해결하고자 하는 과제는, 혈압이 변화하는 트렌드의 정보를 담는 압축된 동맥압(ABP) 데이터의 측정 구간 별 변화 행태에 기초하여 저혈압 여부를 판단하는 것을 포함한다.
본 발명의 명시되지 않은 또 다른 목적들은 하기의 상세한 설명 및 그 효과로부터 용이하게 추론할 수 있는 범위 내에서 추가적으로 고려될 수 있다.
상기 과제를 해결하기 위해, 본 발명의 일 실시예에 따른 피검자의 저혈압을 예측하기 위한 장치는, 미리 학습된 저혈압 예측 모델이 저장된 메모리 및 입력된 상기 피검자의 동맥압 데이터의 측정 구간 별 변화 행태에 기초하여, 상기 저혈압 예측 모델을 이용하여, 상기 피검자의 저혈압 여부를 판단하는 프로세서를 포함한다.
여기서, 상기 저혈압 예측 모델은, 학습용 동맥압 데이터를 학습 데이터로 하고, 상기 학습용 동맥압 데이터의 복수의 구간 별 저혈압 발생 여부를 레이블로 하여 학습된 것일 수 있다.
여기서, 상기 저혈압 예측 모델은, 상기 학습용 동맥압 데이터를 웨이블릿 변환(wavelet transform)하여 상기 학습용 동맥압 데이터를 압축하면서 구간 별 트렌드 데이터를 추출하도록 학습된 제1 레이어 및 상기 트렌드 데이터 각각을 행태에 따라 쉐이프릿(Shapelet) 데이터로 생성하는 쉐이프릿 데이터 생성 모듈을 포함할 수 있다.
여기서, 상기 저혈압 예측 모델은, 상기 제1 레이어에서 학습된 학습 파라미터를 이용하여 상기 학습용 동맥압 데이터를 로우 패스 필터링하도록 학습된 것일 수 있다.
여기서, 상기 저혈압 예측 모델은, 상기 복수의 구간들 중 저혈압 예측에 필요한 트레이닝 구간에 가중치를 부여하도록 학습된 제2 레이어 및 학습된 상기 가중치에 기초하여, 상기 트레이닝 구간의 쉐이프릿 데이터와 상기 트렌드 데이터 간의 유사도 특징값을 산출하도록 학습된 제3 레이어를 포함할 수 있다.
여기서, 상기 프로세서는, 상기 피검자의 동맥압 데이터를 상기 저혈압 예측 모델에 입력하여, 상기 동맥압 데이터의 측정 구간 별 트렌드 데이터와 상기 학습된 쉐이프릿 데이터와의 유사도를 계산할 수 있다.
여기서, 상기 프로세서는, 상기 측정 구간 별 트렌드 데이터의 상기 계산된 유사도에 대해 로지스틱 회귀 레이어를 이용하여 저혈압 발생 확률을 산출할 수 있다.
본 발명의 또 다른 실시예에 따른 저혈압 예측 모델 학습 방법은, 학습용 동맥압 데이터를 입력 받는 단계, 상기 학습용 동맥압 데이터를 웨이블릿 변환(wavelet transform)하여 상기 학습용 동맥압 데이터를 압축하면서 구간 별 트렌드 데이터를 추출하도록 학습시키는 단계 및 상기 트렌드 데이터 각각을 행태에 따라 쉐이프릿(Shapelet) 데이터로 생성하는 단계를 포함한다.
여기서, 상기 트렌드 데이터를 추출하도록 학습시키는 단계는, 상기 학습용 동맥압 데이터를 로우 패스 필터링하도록 제1 레이어에서 학습된 학습 파라미터를 갱신하는 단계를 포함할 수 있다.
또한, 상기 복수의 구간들 중 저혈압 예측에 필요한 트레이닝 구간에 가중치를 부여하도록 학습시키는 단계 및 학습된 상기 가중치에 기초하여, 상기 트레이닝 구간의 쉐이프릿 데이터와 상기 트렌드 데이터 간의 유사도 특징값을 산출하도록 학습시키는 단계를 포함할 수 있다.
본 발명의 또 다른 실시예에 따른 피검자의 저혈압을 예측하기 위한 방법은, 상기 피검자의 동맥압 데이터를 입력 받는 단계 및 상기 동맥압 데이터의 측정 구간 별 변화 행태에 기초하여, 저혈압 예측 모델을 이용하여, 상기 피검자의 저혈압 여부를 판단하는 단계를 포함한다.
여기서, 상기 저혈압 예측 모델은, 학습용 동맥압 데이터를 학습 데이터로 하고, 상기 학습용 동맥압 데이터의 복수의 구간 별 저혈압 발생 여부를 레이블로 하여 학습된 것일 수 있다.
여기서, 상기 저혈압 여부를 판단하는 단계는, 상기 피검자의 동맥압 데이터를 상기 저혈압 예측 모델에 입력하여, 상기 동맥압 데이터의 측정 구간 별 트렌드 데이터와 상기 학습된 쉐이프릿(Shapelet) 데이터와의 유사도를 계산하는 단계를 포함할 수 있다.
여기서, 상기 저혈압 여부를 판단하는 단계는, 상기 측정 구간 별 트렌드 데이터의 상기 계산된 유사도에 대해 로지스틱 회귀 레이어을 이용하여 저혈압 발생 확률을 산출하는 단계를 포함할 수 있다.
또한, 피검자의 동맥압 데이터를 입력 받는 단계 및 상기 동맥압 데이터의 측정 구간 별 변화 행태에 기초하여, 저혈압 예측 모델을 이용하여, 상기 피검자의 저혈압 여부를 판단하는 단계를 포함하는 저혈압을 예측하기 위한 방법을 수행하도록 하는 명령어를 포함하는 컴퓨터 프로그램이 저장된 기록매체를 제공할 수 있다.
또한, 피검자의 동맥압 데이터를 입력 받는 단계 및 상기 동맥압 데이터의 측정 구간 별 변화 행태에 기초하여, 저혈압 예측 모델을 이용하여, 상기 피검자의 저혈압 여부를 판단하는 단계를 포함하는 저혈압을 예측하기 위한 방법을 수행하도록 하는 명령어를 포함하는 컴퓨터 판독 가능한 저장매체에 저장된 컴퓨터 프로그램을 제공할 수 있다.
이상에서 설명한 바와 같이 본 발명의 실시예들에 의하면, 혈압이 전체적으로 변화하는 트렌드의 정보를 담는 압축된 동맥압(ABP) 데이터를 사용하여 저혈압 여부를 판단할 수 있다.
또한, 혈압이 전체적으로 변화하는 트렌드의 정보를 담는 압축된 동맥압(ABP) 데이터의 측정 구간 별 변화 행태에 기초하여 저혈압 여부를 판단함으로써, 수술 중 저혈압 발생과 관련된 개형과 비교하여 그에 맞는 치료를 할 수 있다.
여기에서 명시적으로 언급되지 않은 효과라 하더라도, 본 발명의 기술적 특징에 의해 기대되는 이하의 명세서에서 기재된 효과 및 그 잠정적인 효과는 본 발명의 명세서에 기재된 것과 같이 취급된다.
도 1은 본 발명의 일 실시예에 따른 저혈압을 예측하기 위한 장치를 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른 저혈압을 예측하기 위한 방법을 나타낸 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 저혈압 예측 모델 학습 방법을 나타낸 흐름도이다.
도 4 내지 도 7은 본 발명의 일 실시예에 따른 저혈압 예측 모델의 예시적인 구조를 설명하기 위한 도면이다.
도 8 및 도 9는 본 발명의 일 실시예에 따른 학습용 동맥압 데이터를 웨이블릿 변환(wavelet transform)하는 과정을 설명하기 위한 도면이다.
도 10은 본 발명의 일 실시예에 따른 쉐이프릿(Shapelet) 데이터를 생성하는 과정을 설명하기 위한 도면이다.
도 11은 본 발명의 일 실시예에 따른 저혈압 예측에 필요한 트레이닝 구간에 가중치를 부여하도록 학습하는 과정을 설명하기 위한 도면이다.
도 12는 본 발명의 일 실시예에 따른 트레이닝 구간의 쉐이프릿 데이터와 상기 트렌드 데이터 간의 유사도 특징값을 산출하도록 학습하는 과정을 설명하기 위한 도면이다.
도 13은 본 발명의 일 실시예에 따른 저혈압을 예측하기 위한 방법에서 학습한 쉐이프릿 중 통계적으로 유의미한 쉐이프릿을 로짓 회귀의 계수 분석으로 최종적으로 선별한 도면이다.
도 14는 본 발명의 일 실시예에 따른 저혈압을 예측하기 위한 방법에서 선별한 쉐이프릿 중 각 쉐이프릿을 최대 유사도로 갖는 샘플을 찾고, 샘플의 저혈압 유무 별 개수를 집계한 도면이다.
도 15는 본 발명의 일 실시예에 따른 저혈압을 예측하기 위한 방법에서 압축된 전체 구간에서 가중치가 형성된 지점 별 집계를 나타낸 그래프이다.
도 16은 본 발명의 일 실시예에 따른 저혈압을 예측하기 위한 방법을 이용하여 선별한 쉐이프릿을 시각화 한 내용을 나타낸 그래프이다.
이하, 본 발명에 관련된 동맥압 웨이블릿 변환 기반 저혈압을 예측하기 위한 장치, 방법 및 이의 저혈압 예측 모델 학습 방법에 대하여 도면을 참조하여 보다 상세하게 설명한다. 그러나, 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 설명하는 실시예에 한정되는 것이 아니다. 그리고, 본 발명을 명확하게 설명하기 위하여 설명과 관계없는 부분은 생략되며, 도면의 동일한 참조부호는 동일한 부재임을 나타낸다.
이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.
본 발명은 동맥압 웨이블릿 변환 기반 저혈압을 예측하기 위한 장치, 방법 및 이의 저혈압 예측 모델 학습 방법에 관한 것이다.
도 1은 본 발명의 일 실시예에 따른 저혈압을 예측하기 위한 장치를 나타낸 도면이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 저혈압을 예측하기 위한 장치(10)는 프로세서(11) 및 메모리(12)를 포함한다.
본 발명의 일 실시예에 따른 저혈압을 예측하기 위한 장치(10)는 피검자의 동맥압(Arterial Blood Pressure, ABP)을 저혈압 모니터링 지표로 활용하여 피검자의 저혈압 발생 여부를 예측하기 위한 장치이다.
도 1에 예시적으로 도시된 바와 같이, 저혈압을 예측하기 위한 장치(10)는 수술 중 피검자(20)의 동맥압 데이터를 입력 받아, 동맥압 데이터의 측정 구간 별 변화 행태에 기초하여, 피검자의 저혈압 여부를 판단할 수 있다.
본 발명의 일 실시예에 따른 저혈압을 예측하기 위한 장치(10)는 미리 학습된 저혈압 예측 모델을 이용하며, 저혈압 발생에 대한 사전 경보 역할을 하고 효율적인 의사 결정 프로세스를 제공함으로써 환자 예후 향상에 기여할 수 있다.
메모리(12)는 프로세서(11)의 처리 및 제어를 위한 프로그램들(하나 이상의 인스트럭션들)을 저장할 수 있고, 미리 학습된 저혈압 예측 모델이 저장되며, 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어, SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 컴퓨터 판독 가능한 저장매체를 포함할 수 있다.
메모리(12)에 저장된 프로그램들은 기능에 따라 복수 개의 모듈들로 구분될 수 있으며, 후술할 미리 학습된 저혈압 예측 모델이 소프트웨어 모듈로 구성될 수 있다.
프로세서(11)는 메모리(12)에 저장된 하나 이상의 인스트럭션을 실행하며, 구체적으로, 피검자의 동맥압 데이터를 입력 받아, 동맥압 데이터의 측정 구간 별 변화 행태에 기초하여, 저혈압 예측 모델을 이용하여, 피검자의 저혈압 여부를 판단한다.
본 발명의 일 실시예에서, 동맥압 데이터의 측정 구간 별 변화 행태는 혈압이 전체적으로 변화하는 트렌드를 항목화시킨 것을 의미한다.
혈압이 전체적으로 변화하는 행태는 사실상 저혈압의 원인과 직결된 가장 중요한 정보가 된다.
따라서, 이 트렌드의 정보를 담는 압축된 동맥압 데이터의 low frequency 성분을 추출하고 로컬(local)한 단위로 쪼갰을 때 각 구간 별 트렌드를 예측에 활용함으로써 로컬한 개형의 전반적인 변화를 통해 저혈압을 예측할 수 있다.
여기서, 프로세서(11)는 기능에 따라 복수 개의 모듈들로 구분될 수도 있고, 하나의 프로세서에서 기능들을 수행할 수도 있다. 프로세서는 중앙처리장치(central processing unit(CPU)), 어플리케이션 프로세서(application processor(AP)), 마이크로 컨트롤러 유닛(micro controller unit(MCU)) 또는 커뮤니케이션 프로세서(communication processor(CP)) 중 하나 또는 그 이상을 포함할 수 있다.
본 발명의 일 실시예에 따른 저혈압을 예측하기 위한 장치(10)의 저혈압 예측 모델은, 학습용 동맥압 데이터를 학습 데이터로 하고, 학습용 동맥압 데이터의 복수의 구간 별 저혈압 발생 여부를 레이블로 하여 학습된 것이다.
본 발명의 일 실시예에 따른 저혈압 예측 모델은, 하기 도 4 내지 도 7을 이용하여 상세히 설명한다.
프로세서(11)는 피검자의 동맥압 데이터를 저혈압 예측 모델에 입력하여, 상기 동맥압 데이터의 측정 구간 별 트렌드 데이터와 학습된 쉐이프릿 데이터와의 유사도를 계산한다.
이후, 측정 구간 별 트렌드 데이터의 계산된 유사도에 대해 로지스틱 회귀 레이어을 이용하여 저혈압 발생 확률을 산출하고, 저혈압 발생 확률에 기초하여 저혈압을 예측할 수 있다.
도 2는 본 발명의 일 실시예에 따른 저혈압을 예측하기 위한 방법을 나타낸 흐름도이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 저혈압을 예측하기 위한 방법은 피검자의 저혈압을 예측하기 위한 장치에 의해 수행되며, 단계 S110에서 피검자의 동맥압 데이터를 입력 받고, 단계 S120 내지 S130에서 동맥압 데이터의 측정 구간 별 변화 행태에 기초하여, 저혈압 예측 모델을 이용하여, 피검자의 저혈압 여부를 판단한다.
여기서, 저혈압 예측 모델은, 학습용 동맥압 데이터를 학습 데이터로 하고, 학습용 동맥압 데이터의 복수의 구간 별 저혈압 발생 여부를 레이블로 하여 학습된 것이다.
구체적으로, 단계 S120에서 피검자의 동맥압 데이터를 저혈압 예측 모델에 입력하여, 상기 동맥압 데이터의 측정 구간 별 트렌드 데이터와 학습된 쉐이프릿(Shapelet) 데이터와의 유사도를 계산한다.
여기서, 동맥압 데이터가 저혈압 예측 모델에 입력되면, 저혈압 예측 모델 내부에서 최적으로 압축되면서 트렌드 데이터가 추출된다.
이후, 단계 S130에서 측정 구간 별 트렌드 데이터의 계산된 유사도에 대해 로지스틱 회귀 레이어를 이용하여 저혈압 발생 확률을 산출한다.
구체적으로, 동맥압 데이터를 압축하면서 트렌드 데이터를 추출하고, Sliding 방식으로 중첩하면서 구간을 나눈다. 이후 각 구간별 추출된 트렌드 데이터와 쉐이프릿 데이터와의 유사도를 계산하고, 각 쉐이프릿 별 최대 유사도만을 선택한다.
예를 들어, 30개의 쉐이프릿이라면 30개의 유사도만 남게 된다. 이후 로짓 회귀 레이어를 통해 확률을 계산한다.
도 3은 본 발명의 일 실시예에 따른 저혈압 예측 모델 학습 방법을 나타낸 흐름도이다.
도 3을 참조하면, 본 발명의 일 실시예에 따른 저혈압 예측 모델 학습 방법은 프로세서에 의해 수행되며, 단계 S210에서 학습용 동맥압 데이터를 입력 받는다.
이후, 단계 S220에서 학습용 동맥압 데이터를 웨이블릿 변환(wavelet transform)하여 학습용 동맥압 데이터를 압축하면서 구간 별 트렌드 데이터를 추출하도록 학습시킨다.
트렌드 데이터를 추출하도록 학습시키는 과정에서, 학습용 동맥압 데이터를 로우 패스 필터링하도록 제1 레이어에서 학습된 학습 파라미터를 갱신한다.
이후, 단계 S230에서 트렌드 데이터 각각을 행태에 따라 쉐이프릿(Shapelet) 데이터로 생성한다.
단계 S240에서 복수의 구간들 중 저혈압 예측에 필요한 트레이닝 구간에 가중치를 부여하도록 학습시킨다.
구체적으로, 압축된 동맥압 자료의 특정 구간이 가중치를 부여 받아 예측이 더 잘되도록 학습된다.
단계 S250에서 학습된 가중치에 기초하여, 트레이닝 구간의 쉐이프릿 데이터와 상기 트렌드 데이터 간의 유사도 특징값을 산출하도록 학습시킨다.
여기서, 쉐이프릿 데이터와 압축되면서 추출된 각각의 트렌드 데이터 간의 유사도 특징값을 학습시킨다.
도 4 내지 도 7은 본 발명의 일 실시예에 따른 저혈압 예측 모델의 예시적인 구조를 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 저혈압 예측 모델의 전체 구조를 도시한 것이다.
본 발명의 일 실시예에 따른 저혈압 예측 모델은 동맥압 데이터의 로컬한 단위에서의 트렌드 특성을 모델 내에서 시각화가 가능하도록 설계된다.
이러한 트렌드 변화를 수술 중에 확인할 수 있도록 전체 시계열을 압축한 행태로 변환하여 설명력을 부여하는 예측 모델로 생성된다.
도 4를 참조하면, 본 발명의 일 실시예에 따른 저혈압 예측 모델은 제1 레이어(100), 쉐이프릿 데이터 생성 모듈(200), 제2 레이어(300) 및 제3 레이어(400)를 포함한다.
본 발명의 일 실시예에서, 레이어는 적어도 하나의 레이어를 포함하는 학습 모듈을 포함하는 것을 의미하며, 여기서, 레이어는 재사용할 수 있고 훈련 가능한 변수를 가진, 알려진 수학적 구조의 함수를 통칭할 수 있다.
제1 레이어(100)는 학습용 동맥압 데이터를 웨이블릿 변환(wavelet transform)하여 상기 학습용 동맥압 데이터를 압축하면서 구간 별 트렌드 데이터를 추출하도록 학습된다.
여기서, 제1 레이어(100)에서 학습된 학습 파라미터를 이용하여 학습용 동맥압 데이터를 로우 패스 필터링하도록 학습된다.
제1 레이어(100)에 대한 세부 구조는 도 5를 통해 설명하고, 제1 레이어(100)의 학습용 동맥압 데이터를 로우 패스 필터링 동작은 도 8 및 도 9를 통해 상세히 설명한다.
쉐이프릿 데이터 생성 모듈(200)은 트렌드 데이터 각각을 행태에 따라 쉐이프릿 데이터로 생성한다. 쉐이프릿 데이터의 생성 동작은 도 10을 통해 상세히 설명한다.
제2 레이어(300)는 복수의 구간들 중 저혈압 예측에 필요한 트레이닝 구간에 가중치를 부여하도록 학습된다. 이러한 제2 레이어(300)에 대한 세부 구조는 도 6을 통해 설명하고, 제2 레이어(300)의 가중치를 처리하는 동작은 도 11을 통해 상세히 설명한다.
제3 레이어(400)는 학습된 가중치에 기초하여, 트레이닝 구간의 쉐이프릿 데이터와 상기 트렌드 데이터 간의 유사도 특징값을 산출하도록 학습된다. 이러한 제3 레이어(400)에 대한 세부 구조는 도 7을 통해 설명하고, 제3 레이어(400)의 유사도 특징값을 산출하는 동작은 도 12을 통해 상세히 설명한다.
도 5는 본 발명의 일 실시예에 따른 저혈압 예측 모델에서 제1 레이어의 세부 구조를 도시한 것이다.
본 발명의 일 실시예에 따른 저혈압 예측 모델은 학습 파라미터(φ)를 이용하여 학습용 동맥압 데이터를 로우 패스 필터링하도록 학습된다.
도 5를 참조하면, 제1 레이어의 제1 영역(θ(x))(501)는 softplus를 활성화 함수로 하는 복수의 convolution과 max pooling layer로 구성될 수 있다.
또한, 제2 영역(δ(x))(502)은 relu와 sigmoid의 활성화 함수를 갖는 복수의 dense 레이어를 포함하여 구성될 수 있다.
도 6은 본 발명의 일 실시예에 따른 저혈압 예측 모델에서 제2 레이어의 세부 구조를 도시한 것이다.
본 발명의 일 실시예에 따른 저혈압 예측 모델은 학습 파라미터(μ)를 이용하여 로컬 중요도에 가중치를 반영하도록 학습된다. 또한, 학습 파라미터(ρ)를 이용하여 학습을 진행할 수 있다.
도 6의 (a)를 참조하면, 제2 레이어의 제1 영역(μ(x))는 softplus를 활성화 함수로 하는 적어도 하나의 convolution, 적어도 하나의 max pooling layer 및 relu와 sigmoid의 활성화 함수를 갖는 복수의 dense 레이어를 포함하여 구성될 수 있다.
또한, 도 6의 (b)를 참조하면, 제2 레이어의 제2 영역(ρ (x))는 텐서를 처리하여 구간별 가중치를 계산하며, 주어진 중요도와 표준편차를 기반으로 분포를 생성한다.
도 7은 본 발명의 일 실시예에 따른 저혈압 예측 모델에서 제3 레이어의 세부 구조를 도시한 것이다.
본 발명의 일 실시예에 따른 저혈압 예측 모델은 학습 파라미터(τ, β)를 이용하여 로지스틱 회귀 레이어 바탕의 확률추론이 되도록 학습된다.
도 7을 참조하면, 제3 레이어의 제1 영역(τ(x))(701)는 쉐이프릿 데이터 유사성 텐서 전반에 걸쳐 중요도 텐서를 처리하고 최대 유사성을 갖는 구간을 선택한다.
또한, 제2 영역(β(x))(702)은 sigmoid의 활성화 함수를 갖는 적어도 하나의 dense 레이어를 포함하여 구성될 수 있다.
도 8 및 도 9는 본 발명의 일 실시예에 따른 학습용 동맥압 데이터를 웨이블릿 변환(wavelet transform)하는 과정을 설명하기 위한 도면이다.
본 발명의 일 실시예에 따른 저혈압 예측 모델 학습 방법은 Wavelet Transform을 이용하여 low-pass filtering을 통해 시계열 데이터를 압축함으로써 전반적인 신호의 경향성을 남긴다.
먼저, 도 8에 나타난 바와 같이 초기 ABP input 값으로부터 시계열 압축을 진행한다. 여기서, 시계열 압축을 위해 활용한 low-pass 필터의 수식에서 frequency cutoff 계수를 모델 내에서 학습되는 parameter로 학습한다.
본 발명의 일 실시예에 따르면, Low-pass 필터의 합성곱으로 시계열 압축을 진행하며, 압축된 ABP 자료에 대해 윈도우 구간이 중첩되도록 설정하여(sliding window), 차원 확장시킬 수 있다. 예컨대, 도 9에 나타난 바와 같이, 압축된 ABP 자료(900)를 frame size가 50인 국소 구간으로 나누되, 윈도우의 일부 구간이 중첩되도록하여 압축된 ABP 자료를 차원 확장시킬 수 있다(901, 902, 903, 904, 905). 본 개시의 실시예에서, frame size를 예시하고 있으나, 본 개시가 이를 한정하는 것은 아니다.
도 10은 본 발명의 일 실시예에 따른 쉐이프릿(Shapelet) 데이터를 생성하는 과정을 설명하기 위한 도면이다.
본 발명의 일 실시예에 따른 저혈압을 예측하기 위한 장치(10)는 트렌드 데이터 각각을 형태에 따라 쉐이프릿 데이터로 생성한다
여기서, 쉐이프릿 데이터는 시계열 내 특정 구간의 모양(국소 모양)을 하나의 특성으로 간주한 것을 의미한다.
본 발명의 일 실시예에 따르면, 복수의 트렌드 데이터를 30개의 쉐이프릿 데이터로 학습하고 압축된 시계열의 모든 국소 구간과의 유사도를 계산한다.
도 11은 본 발명의 일 실시예에 따른 저혈압 예측에 필요한 트레이닝 구간에가중치를 부여하도록 학습하는 과정을 설명하기 위한 도면이다.
본 발명의 일 실시예에 따른 저혈압을 예측하기 위한 장치(10)는 복수의 구간들 중 저혈압 예측에 필요한 트레이닝 구간을 선정하여 가중치를 부여하도록 학습된다.
구체적으로, 압축된 시계열의 모든 국소 구간(1100) 중 저혈압 예측에 중요하게 작용한 5개의 구간(1101, 1102, 1103, 1104, 1105)에 가중치를 두도록 학습하여 가우지안 분포의 평균값으로 설정하고, 5개의 국소 구간(1101, 1102, 1103, 1104, 1105)으로부터 형성된 5개의 가우지안 분포를 모두 더한 확률 분포를 압축된 시계열 내 가중치로 활용할 수 있다.
본 발명의 일 실시예에서는 5개의 구간을 예로 들어 설명하였으나 이에 한정되는 것은 아니다.
도 12는 본 발명의 일 실시예에 따른 트레이닝 구간의 쉐이프릿 데이터와 상기 트렌드 데이터 간의 유사도 특징값을 산출하도록 학습하는 과정을 설명하기 위한 도면이다.
본 발명의 일 실시예에 따른 저혈압을 예측하기 위한 장치(10)는 학습된 가중치에 기초하여, 트레이닝 구간의 쉐이프릿 데이터와 상기 트렌드 데이터 간의 유사도 특징값을 산출하도록 학습된다.
여기서, 모든 local 구간과 쉐이프릿 데이터의 유사도(1201)를 계산한 후, 각 쉐이프릿을 데이터를 기준으로 가장 높은 유사도를 특징값(1202)으로 산출할 수 있다.
구체적으로, 구간 별 가중치를 국소 구간과 모형 간의 유사도에 대해 곱하고 국소 구간 중 가장 높은 유사도를 보이는 값만 선별한다.
이후, 가중치를 고려한 유사도 값을 'X', 저혈압 확률을 'y'로 갖는 회귀 분석(logistic regression)을 진행할 수 있다.
도 13은 본 발명의 일 실시예에 따른 저혈압을 예측하기 위한 방법에서 학습한 쉐이프릿 중 통계적으로 유의미한 쉐이프릿을 로짓 회귀의 계수 분석으로 최종적으로 선별한 도면이다.
도 13은 30개의 국소모형과의 유사도 값 중 상관관계가 0.8이하인 국소모형을 선별한 결과를 나타낸 것이며, 이를 통해 선별한 국소모형의 유사도 값들로 진행한 logistic regression의 coefficient은 두 가지 method로 계산하여 결과의 일반화를 보이는 것을 확인할 수 있다.
도 14는 본 발명의 일 실시예에 따른 저혈압을 예측하기 위한 방법에서 선별한 쉐이프릿 중 각 쉐이프릿을 최대 유사도로 갖는 샘플을 찾고, 샘플의 저혈압 유무 별 개수를 집계한 도면이다.
도 14를 참조하면, Sample 별로 3개의 쉐이프릿 데이터 중 최대 유사도(similarity)를 갖는 쉐이프릿 데이터를 찾고, 각 쉐이프릿 데이터와 높은 유사도를 보이는 샘플들의 target 값을 확인할 수 있다.
여기서, 저혈압 유무 y = 0/1로 나타내며, 해당 개수를 count할 수 있다.
도 15는 본 발명의 일 실시예에 따른 저혈압을 예측하기 위한 방법에서 압축된 전체 구간에서 가중치가 형성된 지점 별 집계를 나타낸 그래프이다.
도 16은 본 발명의 일 실시예에 따른 저혈압을 예측하기 위한 방법을 이용하여 선별한 쉐이프릿을 시각화 한 내용을 나타낸 그래프이다.
도 16의 (a)는 저혈압 샘플과 유사한 쉐이프릿 데이터를 나타낸 것이다.
도 16의 (b)와 (c)는 저혈압이 아닌 샘플과 유사한 쉐이프릿 데이터를 나타낸 것이다.
이를 통해 쉐이프릿 데이터 모양의 시각화로 ABP waveform 저주파 성분의 변동성이나 전체적인 혈압의 트렌드 변화를 직관적으로 해석 가능하며, 저혈압인 샘플과 아닌 샘플에서 확연한 쉐이프릿 데이터 모양 및 coefficient의 차이가 존재함을 확인할 수 있다.
또한, 피검자의 동맥압 데이터를 입력 받는 단계 및 동맥압 데이터의 측정 구간 별 변화 행태에 기초하여, 저혈압 예측 모델을 이용하여, 피검자의 저혈압 여부를 판단하는 단계를 포함하는 저혈압을 예측하기 위한 방법을 수행하도록 하는 명령어를 포함하는 컴퓨터 프로그램이 저장된 기록매체를 제공할 수 있다.
또한, 피검자의 동맥압 데이터를 입력 받는 단계 및 동맥압 데이터의 측정 구간 별 변화 행태에 기초하여, 저혈압 예측 모델을 이용하여, 피검자의 저혈압 여부를 판단하는 단계를 포함하는 저혈압을 예측하기 위한 방법을 수행하도록 하는 명령어를 포함하는 컴퓨터 판독 가능한 저장매체에 저장된 컴퓨터 프로그램을 제공할 수 있다.
이러한 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기록 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(Floptical disk)와 같은 자기-광매체(magneto-optical media), 및 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.
이상의 설명은 본 발명의 일 실시예에 불과할 뿐, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명의 본질적 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현할 수 있을 것이다. 따라서 본 발명의 범위는 전술한 실시예에 한정되지 않고 특허 청구 범위에 기재된 내용과 동등한 범위 내에 있는 다양한 실시 형태가 포함되도록 해석되어야 할 것이다.

Claims (14)

  1. 피검자의 저혈압을 예측하기 위한 장치에 있어서,
    미리 학습된 저혈압 예측 모델이 저장된 메모리; 및
    입력된 상기 피검자의 동맥압 데이터의 측정 구간 별 변화 행태에 기초하여, 상기 저혈압 예측 모델을 이용하여, 상기 피검자의 저혈압 여부를 판단하는 프로세서;를 포함하는 저혈압을 예측하기 위한 장치.
  2. 제1항에 있어서,
    상기 저혈압 예측 모델은, 학습용 동맥압 데이터를 학습 데이터로 하고, 상기 학습용 동맥압 데이터의 복수의 구간 별 저혈압 발생 여부를 레이블로 하여 학습된 것인 저혈압을 예측하기 위한 장치.
  3. 제2항에 있어서,
    상기 저혈압 예측 모델은,
    상기 학습용 동맥압 데이터를 웨이블릿 변환(wavelet transform)하여 상기 학습용 동맥압 데이터를 압축하면서 구간 별 트렌드 데이터를 추출하도록 학습된 제1 레이어; 및
    상기 트렌드 데이터 각각을 행태에 따라 쉐이프릿(Shapelet) 데이터로 생성하는 쉐이프릿 데이터 생성 모듈;을 포함하는 저혈압을 예측하기 위한 장치.
  4. 제3항에 있어서,
    상기 저혈압 예측 모델은,
    상기 제1 레이어에서 학습된 학습 파라미터를 이용하여 상기 학습용 동맥압 데이터를 로우 패스 필터링하도록 학습된 것인 저혈압을 예측하기 위한 장치.
  5. 제3항에 있어서,
    상기 저혈압 예측 모델은,
    상기 복수의 구간들 중 저혈압 예측에 필요한 트레이닝 구간에 가중치를 부여하도록 학습된 제2 레이어; 및
    학습된 상기 가중치에 기초하여, 상기 트레이닝 구간의 쉐이프릿 데이터와 상기 트렌드 데이터 간의 유사도 특징값을 산출하도록 학습된 제3 레이어를 포함하는 저혈압을 예측하기 위한 장치.
  6. 제3항에 있어서,
    상기 프로세서는,
    상기 피검자의 동맥압 데이터를 상기 저혈압 예측 모델에 입력하여, 상기 동맥압 데이터의 측정 구간 별 트렌드 데이터와 상기 학습된 쉐이프릿 데이터와의 유사도를 계산하는 저혈압을 예측하기 위한 장치.
  7. 제6항에 있어서,
    상기 프로세서는,
    상기 측정 구간 별 트렌드 데이터의 상기 계산된 유사도에 대해 로지스틱 회귀 레이어를 이용하여 저혈압 발생 확률을 산출하는 저혈압을 예측하기 위한 장치.
  8. 프로세서에 의해 수행되는 저혈압 예측 모델 학습 방법에 있어서,
    학습용 동맥압 데이터를 입력 받는 단계;
    상기 학습용 동맥압 데이터를 웨이블릿 변환(wavelet transform)하여 상기 학습용 동맥압 데이터를 압축하면서 구간 별 트렌드 데이터를 추출하도록 학습시키는 단계; 및
    상기 트렌드 데이터 각각을 행태에 따라 쉐이프릿(Shapelet) 데이터로 생성하는 단계;를 포함하는 저혈압 예측 모델 학습 방법.
  9. 제8항에 있어서,
    상기 트렌드 데이터를 추출하도록 학습시키는 단계는,
    상기 학습용 동맥압 데이터를 로우 패스 필터링하도록 제1 레이어에서 학습된 학습 파라미터를 갱신하는 단계를 포함하는 저혈압 예측 모델 학습 방법.
  10. 제8항에 있어서,
    상기 복수의 구간들 중 저혈압 예측에 필요한 트레이닝 구간에 가중치를 부여하도록 학습시키는 단계; 및
    학습된 상기 가중치에 기초하여, 상기 트레이닝 구간의 쉐이프릿 데이터와 상기 트렌드 데이터 간의 유사도 특징값을 산출하도록 학습시키는 단계를 포함하는 저혈압 예측 모델 학습 방법.
  11. 피검자의 저혈압을 예측하기 위한 장치에 의해 수행되는 저혈압을 예측하기 위한 방법에 있어서,
    상기 피검자의 동맥압 데이터를 입력 받는 단계; 및
    상기 동맥압 데이터의 측정 구간 별 변화 행태에 기초하여, 저혈압 예측 모델을 이용하여, 상기 피검자의 저혈압 여부를 판단하는 단계;를 포함하는 저혈압을 예측하기 위한 방법.
  12. 제11항에 있어서,
    상기 저혈압 예측 모델은, 학습용 동맥압 데이터를 학습 데이터로 하고, 상기 학습용 동맥압 데이터의 복수의구간 별 저혈압 발생 여부를 레이블로 하여 학습된 것인 저혈압을 예측하기 위한 방법.
  13. 제11항에 있어서,
    상기 저혈압 여부를 판단하는 단계는,
    상기 피검자의 동맥압 데이터를 상기 저혈압 예측 모델에 입력하여, 상기 동맥압 데이터의 측정 구간 별 트렌드 데이터와 학습된 쉐이프릿(Shapelet) 데이터와의 유사도를 계산하는 단계를 포함하는 저혈압을 예측하기 위한 방법.
  14. 제13항에 있어서,
    상기 저혈압 여부를 판단하는 단계는,
    상기 측정 구간 별 트렌드 데이터의 상기 계산된 유사도에 대해 로지스틱 회귀 레이어를 이용하여 저혈압 발생 확률을 산출하는 단계를 포함하는 저혈압을 예측하기 위한 방법.
PCT/KR2022/012121 2021-08-13 2022-08-12 동맥압 웨이블릿 변환 기반 저혈압을 예측하기 위한 장치, 방법 및 이의 저혈압 예측 모델 학습 방법 WO2023018299A1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202280055927.8A CN117813040A (zh) 2021-08-13 2022-08-12 基于动脉血压小波变换的低血压预测装置、方法及其低血压预测模型的训练方法
US18/438,563 US20240186005A1 (en) 2021-08-13 2024-02-12 Apparatus and method for predicting hypotension based on arterial pressure wavelet transformation, and method for training hypotension prediction model

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2021-0107379 2021-08-13
KR1020210107379A KR102678651B1 (ko) 2021-08-13 2021-08-13 동맥압 웨이블릿 변환 기반 저혈압을 예측하기 위한 장치, 방법 및 이의 저혈압 예측 모델 학습 방법

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US18/438,563 Continuation US20240186005A1 (en) 2021-08-13 2024-02-12 Apparatus and method for predicting hypotension based on arterial pressure wavelet transformation, and method for training hypotension prediction model

Publications (1)

Publication Number Publication Date
WO2023018299A1 true WO2023018299A1 (ko) 2023-02-16

Family

ID=85200224

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/012121 WO2023018299A1 (ko) 2021-08-13 2022-08-12 동맥압 웨이블릿 변환 기반 저혈압을 예측하기 위한 장치, 방법 및 이의 저혈압 예측 모델 학습 방법

Country Status (4)

Country Link
US (1) US20240186005A1 (ko)
KR (1) KR102678651B1 (ko)
CN (1) CN117813040A (ko)
WO (1) WO2023018299A1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190056858A (ko) * 2017-11-17 2019-05-27 가천대학교 산학협력단 딥러닝 기반의 혈압 예측 시스템 및 방법
KR20210097514A (ko) * 2020-01-30 2021-08-09 연세대학교 원주산학협력단 딥러닝 기반 환자의 저혈압 예측 방법 및 장치

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190056858A (ko) * 2017-11-17 2019-05-27 가천대학교 산학협력단 딥러닝 기반의 혈압 예측 시스템 및 방법
KR20210097514A (ko) * 2020-01-30 2021-08-09 연세대학교 원주산학협력단 딥러닝 기반 환자의 저혈압 예측 방법 및 장치

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DAVIES SIMON JAMES, VISTISEN SIMON TILMA, JIAN ZHONGPING, HATIB FERAS, SCHEEREN THOMAS W. L.: "Ability of an Arterial Waveform Analysis–Derived Hypotension Prediction Index to Predict Future Hypotensive Events in Surgical Patients : ", ANESTHESIA AND ANALGESIA, WILLIAM AND WILKENS , BALTIMORE , MD, US, vol. 130, no. 2, 1 February 2020 (2020-02-01), US , pages 352 - 359, XP093034426, ISSN: 0003-2999, DOI: 10.1213/ANE.0000000000004121 *
HATIB FERAS, JIAN ZHONGPING, BUDDI SAI, LEE CHRISTINE, SETTELS JOS, SIBERT KAREN, RINEHART JOSEPH, CANNESSON MAXIME: "Machine-learning Algorithm to Predict Hypotension Based on High-fidelity Arterial Pressure Waveform Analysis", ANESTHESIOLOGY (PHILADELPHIA), COPYRIGHT BY , THE AMERICAN SOCIETY OF ANESTHESIOLOGISTS, INC. WOLTERS KLUWER HEALTH, INC, UNITED STATES, 31 October 2018 (2018-10-31), United States, pages 663 - 674, XP055912235, Retrieved from the Internet <URL:https://pubs.asahq.org/anesthesiology/article-pdf/129/4/663/520776/20181000_0-00017.pdf> [retrieved on 20220412], DOI: 10.1097/ALN.0000000000002300 *
LEE, SU BIN ET AL.: "Development of a Prediction Model for Hypotension Generation in Surgical Patients Using Invasive Blood Pressure Data", PROCEEDINGS OF THE KOREAN INFORMATION SCIENCE SOCIETY CONFERENCE, vol. 48, no. 1, 31 May 2021 (2021-05-31), pages 1031 - 1032, XP009543455 *

Also Published As

Publication number Publication date
US20240186005A1 (en) 2024-06-06
KR102678651B1 (ko) 2024-06-26
CN117813040A (zh) 2024-04-02
KR20230025177A (ko) 2023-02-21

Similar Documents

Publication Publication Date Title
WO2019132170A1 (ko) 학습용 데이터 관리방법, 장치 및 프로그램
WO2021194056A1 (en) Method for training deep learning network based on artificial intelligence and learning device using the same
WO2022119155A1 (ko) 설명 가능한 다중 심전도 부정맥 진단 장치 및 방법
WO2014193040A1 (ko) 센싱 데이터 분석 시스템 및 방법
CN112447189A (zh) 语音事件检测方法、装置、电子设备及计算机存储介质
WO2019172498A1 (ko) 종양의 악성도와 악성도 추론의 근거를 제공하는 컴퓨터 보조 진단 시스템 및 그 방법
WO2020071877A1 (ko) 병리 이미지 검색을 위한 시스템 및 방법
WO2019031794A1 (ko) 피검체의 치명적 증상의 발생을 조기에 예측하기 위한 예측 결과를 생성하는 방법 및 이를 이용한 장치
CN111938670B (zh) 基于人体骨架运动学特征信息的抑郁症识别方法及系统
CN102521534B (zh) 一种基于粗糙熵属性约简的入侵检测方法
JPH11316765A (ja) データベース検索システム及び方法、データベース登録装置、データベース検索装置、記録媒体
WO2023018299A1 (ko) 동맥압 웨이블릿 변환 기반 저혈압을 예측하기 위한 장치, 방법 및 이의 저혈압 예측 모델 학습 방법
WO2016171476A1 (ko) 동맥 혈압 파형의 특징점을 이용한 두개내압 파형의 피크 검출 장치 및 방법
WO2019117400A1 (ko) 유전자 네트워크 구축 장치 및 방법
WO2015126058A1 (ko) 암 예후 예측 방법
CN111657921A (zh) 心电异常实时监测方法、装置、计算机设备和存储介质
WO2023101444A1 (ko) 인공 지능 모델 기반 종양 관리 장치 및 방법
WO2023282500A1 (ko) 슬라이드 스캔 데이터의 자동 레이블링 방법, 장치 및 프로그램
CN113138894B (zh) 基于电力参数监测与屏幕信息识别的实验设备监控方法
US20220187789A1 (en) Equipment failure diagnosis apparatus, equipment failure diagnosis method, smart factory system and application agent
WO2022139170A1 (ko) 의료 영상 기반의 병변 분석 방법
WO2021015489A2 (ko) 인코더를 이용한 이미지의 특이 영역 분석 방법 및 장치
Wang et al. Learning structural knowledge from the ECG
WO2020231196A1 (en) Method and system for predicting and optimizing resource utilization of ai applications in an embedded computing system
WO2023176992A1 (ko) 비지도 학습 기반 의료 데이터 분석 장치 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: 22856292

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 202280055927.8

Country of ref document: CN

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 22856292

Country of ref document: EP

Kind code of ref document: A1