WO2023022484A9 - 단일유도 심전도기기를 활용한 건강상태 예측 시스템 - Google Patents

단일유도 심전도기기를 활용한 건강상태 예측 시스템 Download PDF

Info

Publication number
WO2023022484A9
WO2023022484A9 PCT/KR2022/012215 KR2022012215W WO2023022484A9 WO 2023022484 A9 WO2023022484 A9 WO 2023022484A9 KR 2022012215 W KR2022012215 W KR 2022012215W WO 2023022484 A9 WO2023022484 A9 WO 2023022484A9
Authority
WO
WIPO (PCT)
Prior art keywords
electrocardiogram
data
disease
lead
ecg
Prior art date
Application number
PCT/KR2022/012215
Other languages
English (en)
French (fr)
Other versions
WO2023022484A1 (ko
Inventor
권준명
Original Assignee
주식회사 메디컬에이아이
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 메디컬에이아이 filed Critical 주식회사 메디컬에이아이
Priority to EP22858721.8A priority Critical patent/EP4368106A1/en
Priority to CN202280056119.3A priority patent/CN117858665A/zh
Priority to JP2024508482A priority patent/JP2024530507A/ja
Publication of WO2023022484A1 publication Critical patent/WO2023022484A1/ko
Publication of WO2023022484A9 publication Critical patent/WO2023022484A9/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • 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
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
    • A61B5/28—Bioelectric electrodes therefor specially adapted for particular uses for electrocardiography [ECG]
    • 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]
    • A61B5/346—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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—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
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Definitions

  • the present invention utilizes a single-lead ECG device or a 6-lead ECG device to conveniently measure 2-lead or more asynchronous ECG, and can predict diseases from measured 2-lead or more asynchronous ECG data, using a single-lead ECG device. It is about state prediction systems.
  • AI algorithms can detect subtle changes in electrocardiogram waveforms, and furthermore, electrocardiogram interpretation can be improved.
  • the electrocardiogram used in the medical field is a 12-lead electrocardiogram, which is measured by attaching 10 electrodes of three limb electrodes, six chest electrodes, and one ground electrode, and the measured electrocardiogram data can be remotely transmitted.
  • the single-lead electrocardiogram measured in this way can be used for diagnosing arrhythmia, but has limitations in diagnosing a disease requiring ECG information of various leads, such as myocardial infarction.
  • the technical problem to be achieved by the spirit of the present invention is to utilize a single-lead ECG device or a 6-lead ECG device to conveniently measure an asynchronous ECG of 2 or more leads, and to predict a disease from the measured asynchronous ECG data of 2 or more leads, It is to provide a health condition prediction system using a single lead electrocardiogram device.
  • an embodiment of the present invention is provided with two electrodes, a single conduction electrocardiogram measuring unit for obtaining asynchronous electrocardiogram data by measuring electrocardiograms of two or more electrical axes with a time difference; And the single lead electrocardiogram measurement unit through a pre-constructed diagnosis algorithm by learning a standard lead electrocardiogram measured on the same electric axis and a standard multiple electrocardiogram dataset matching the presence or absence of a disease corresponding to the standard lead electrocardiogram and the degree of the disease.
  • the diagnosis algorithm may be constructed to predict the presence or absence of a disease and the degree of the disease corresponding to the standard lead ECG data by taking standard lead ECG data measured asynchronously as an input.
  • the diagnosis algorithm is constructed to output and predict the presence or absence of a disease corresponding to the standard lead ECG data and the degree of the disease by taking standard lead ECG data obtained by deleting time-series information from the synchronously measured standard lead ECG data as input It can be.
  • the diagnosis algorithm is constructed to predict the presence or absence of a disease and the degree of the disease from the converted synchronous ECG data by converting a plurality of asynchronous ECG data measured and input at different times from the single-lead ECG measuring unit into synchronous ECG data.
  • a plurality of standard lead ECG data that are not measured by the single-lead ECG measuring unit and do not match the standard lead ECG data are generated.
  • a data generating unit is further included, and the diagnosis algorithm determines whether or not there is a disease and the degree of the disease by taking the measured asynchronous electrocardiogram data and the generated standard lead electrocardiogram data as inputs or the generated standard lead electrocardiogram data as inputs It can be output and predicted.
  • diagnosis algorithm can learn by reflecting the individual characteristic information of the examinee, and the prediction unit can predict the presence or absence of a disease and the degree of the disease from the asynchronous ECG data by the single-lead ECG measuring unit by reflecting the individual characteristic information. there is.
  • the individual characteristic information includes demographic information of gender and age, basic health information such as weight, height, and obesity, disease-related information such as past history, drug history, and family history, and vital signs such as blood tests, genetic tests, blood pressure, and oxygen saturation. and bio-signal test information.
  • the single-lead electrocardiogram measuring unit may include a wearable electrocardiogram patch, a smart watch, or an electrocardiogram bar.
  • the prediction unit further includes a data conversion module for generating numerical data from the asynchronous electrocardiogram data measured by the single-lead electrocardiogram measuring unit through a specific formula, and the diagnosis algorithm inputs numerical data corresponding to the asynchronous electrocardiogram data.
  • an asynchronous ECG of 2 or more leads by using a single-lead ECG device or a 6-lead ECG device, predict disease from measured asynchronous ECG data of 2 or more leads, and asynchronous ECG data of 2 or more leads.
  • FIG. 1 illustrates a configuration diagram of a health state prediction system using a single lead electrocardiogram device according to an embodiment of the present invention.
  • FIG. 2 illustrates a flow chart of a prediction method by a health state prediction system using the single-lead ECG device of FIG. 1 .
  • a health state prediction system using a single-lead ECG device includes a single-lead ECG measuring unit that includes two electrodes and measures ECGs of two or more electric axes at a time difference to obtain asynchronous ECG data. (110), and a standard lead electrocardiogram measured on the same electrical axis and a standard multiple electrocardiogram dataset that matches the presence or absence of a disease corresponding to the standard lead electrocardiogram and the degree of the disease.
  • a pre-constructed diagnosis algorithm 121 From the asynchronous ECG data of two or more leads measured by the single-lead ECG device, including the prediction unit 120, which predicts the presence or absence of a disease and the degree of the disease from the asynchronous ECG data input from the single-lead ECG measuring unit 110 The purpose is to predict disease.
  • the single-lead electrocardiogram measurement unit 110 is equipped with two electrodes and measures the electrocardiograms of two or more electrical axes with a time difference in a manner of contacting two parts of the body of the examinee, respectively, and obtains asynchronous electrocardiogram data to predict the unit. (120) and transmits through short-range communication.
  • a plurality of asynchronous electrocardiograms of two or more different electrical axes may be respectively measured by measuring corresponding conduction II electrocardiograms.
  • the single-lead electrocardiogram measurement unit 110 includes a wearable electrocardiogram patch 111 capable of measuring an electrocardiogram in a contact or non-contact manner during daily life, a smart watch 112, or a 6-lead electrocardiogram bar that is measured in a short time, asynchronously or synchronously.
  • An electrocardiogram may be measured, and a plurality of electrocardiograms may be additionally generated through the electrocardiogram data generating unit 130 and inputted to the diagnosis algorithm 121 constructed with the standard-guided electrocardiogram data to predict a health state corresponding thereto.
  • the single-lead electrocardiogram measuring unit 110 may measure a continuous electrocardiogram of the examinee and transmit the electrocardiogram to the predictor 120 or may measure two electrocardiograms at a time interval and transmit the electrocardiogram to the predictor 120 .
  • the predictor 120 predicts the health status from the asynchronous ECG data of the single-lead ECG measurement unit 110 through the pre-learned diagnosis algorithm 121, which was previously measured by the single-lead ECG measurement unit 110.
  • the pre-constructed diagnosis algorithm 121 by learning a standard lead ECG measured on the same electrical axis as the ECG to be performed and a standard multiple ECG dataset matching the presence or absence of a disease corresponding to the standard lead ECG and the degree of the disease, single lead From the asynchronous electrocardiogram data input from the electrocardiogram measuring unit 110, the presence or absence of a disease and the degree of the disease are predicted to determine the health state.
  • the diagnosis algorithm 121 is constructed to predict by outputting the presence or absence of a disease and the degree of the disease corresponding to the standard-guided ECG data by taking standard-guided ECG data measured asynchronously with respect to arbitrary electric axes as input, Health status can be predicted from asynchronous electrocardiogram data transmitted from the induction electrocardiogram measuring unit 110 .
  • the standard-guided electrocardiogram data may be divided and stored in units of 2.5 seconds or stored asynchronously.
  • the diagnosis algorithm 121 takes standard lead ECG data obtained by deleting time-series information from standard lead ECG data measured synchronously on a plurality of electrical axes as an input, and determines whether or not there is a disease corresponding to the standard lead ECG data and the severity of the disease. It is constructed to predict by outputting the degree, so that the health state can be predicted from asynchronous ECG data transmitted from the single-lead ECG measurement unit 110.
  • the diagnosis algorithm 121 converts a plurality of asynchronous electrocardiogram data measured and input at different times from the single-lead electrocardiogram measuring unit 110 into synchronous electrocardiogram data, and from the converted synchronous electrocardiogram data, the presence or absence of a disease and the degree of the disease can be built to predict
  • the diagnosis algorithm 121 converts a plurality of asynchronous ECG data measured and input at different times from the single-lead ECG measurement unit 110 into asynchronously measured standard-guided ECG data, standard-guided ECG data from which time-series information has been deleted, or Each can be matched with synchronous standard-guided electrocardiogram data.
  • the diagnosis algorithm 121 provides the asynchronous electrocardiogram data measured by the single lead electrocardiogram measurement unit 110 and the electrocardiogram data generator 130.
  • the presence or absence of a disease and the degree of the disease may be output and predicted by taking the standard lead ECG data generated by the ECG data as an input or the standard lead ECG data generated by the ECG data generating unit 130 as an input.
  • a plurality of new standard-guided ECG data may be generated by generating remaining standard-guided ECG data that do not match specific standard-guided ECG data.
  • the standard-guided ECG data generated by the ECG data generator 130 may be an asynchronous or synchronous ECG.
  • diagnosis algorithm 121 uses standard-guided ECG data measured asynchronously or clockwise.
  • asynchronous electrocardiogram data may be generated or electrocardiogram data may be generated without considering synchronization.
  • ECGs of each beat are generated from various electrical axes using two-lead ECGs and multiple ECGs generated based on them, resulting in more accurate health conditions. It is possible to measure, diagnose, examine, and predict myocardial infarction, and in the case of a disease that can be diagnosed by multiple induction, such as myocardial infarction, myocardial infarction can be diagnosed by additionally generating a plurality of electrocardiograms.
  • the diagnosis algorithm 121 may be a model that measures, diagnoses, checks, and predicts health conditions with only ECG data corresponding to two leads to be used among standard lead ECG data for disease diagnosis. , as mentioned above, ECG data of additionally generated leads may be used without being limited to two leads.
  • the ECG data accumulated in most medical institutions is standard 12-lead ECG data
  • a standard 12-lead ECG is generated from two ECGs through the ECG data generator 130, and the ECG thus generated is standard 12-lead ECG of the medical institution.
  • the electrocardiogram data generator 130
  • the electrocardiogram data generator 130
  • the standard electrocardiogram of the examinee's usual healthy state is measured to monitor the health condition, and then from the single-lead electrocardiogram measurement unit 110 during daily life.
  • the electrocardiogram measured and input in real time it is predicted whether the electrocardiogram is an electrocardiogram measured without errors and whether the health condition of the examinee is abnormal, and warning information is sent through the warning unit 140 when an error or abnormality is predicted.
  • warning information is sent through the warning unit 140 when an error or abnormality is predicted.
  • an electrocardiogram of additional induction is generated to continuously monitor the 12-lead electrocardiogram, holding the smart watch 112 in the right hand.
  • the smart watch 112 After measuring the induction II electrocardiogram by contacting the stomach and storing it as a reference electrocardiogram, the smart watch 112 is usually worn in the left hand and contacted with the right hand to measure the induction I electrocardiogram, and by using it at the same time, a plurality of electrocardiograms including the induction II electrocardiogram are used.
  • an electrocardiogram it is possible to measure, diagnose, examine, and predict various health conditions by utilizing the smart watch 112 .
  • the wearable electrocardiogram patch 111 Before attaching the wearable electrocardiogram patch 111, hold it in both hands to measure the induction I electrocardiogram and store it as a reference electrocardiogram, and then measure the induction V electrocardiogram by attaching the wearable electrocardiogram patch 111 to continuously measure or monitor Based on the induction V electrocardiogram, it is possible to perform more accurate measurement, diagnosis, examination, and prediction of the health condition by generating a synchronized electrocardiogram of multiple induction.
  • diagnosis algorithm 121 learns by reflecting the individual characteristic information of the examinee, and the prediction unit 120 reflects the individual characteristic information to determine the presence or absence of a disease from the asynchronous ECG data by the single-lead ECG measuring unit 110. disease severity can be predicted.
  • Standard-guided ECG data can be generated by the electrocardiogram data generation unit 130 by reflecting the individual characteristic information of the examinee who measures the electrocardiogram by means of , so that the presence or absence of a corresponding disease and the degree of the disease can be predicted.
  • the individual characteristic information includes demographic information of the examinee's gender and age, basic health information such as weight, height, and obesity, disease-related information such as past history, drug history, and family history, blood test, genetic test, blood pressure, and oxygen saturation. Vital signs such as the back and examination information of vital signs may be included.
  • the prediction unit 120 may receive not only the graphed electrocardiogram but also the digitized electrocardiogram as an input.
  • the asynchronous electrocardiogram data measured from the single-lead electrocardiogram measurement unit 110 is converted into numerical data corresponding to the electrocardiogram through a specific formula.
  • the diagnostic algorithm 121 can be built with deep learning models of various methods such as convolutional neural networks, LSTM, RNN, and MLP, and various machine learning models such as logistic regression, principle-based models, random forests, and support vector machines. can be built with
  • the diagnosis algorithm 121 may be built as a deep learning model using two or more electrocardiogram data measured at different time points with a time difference, and two or more electrocardiograms may be integrated into one electrocardiogram data and input, After inputting two or more electrocardiograms into the deep learning model, semantic features measured in the middle, that is, spatial and temporal features, are extracted, and based on this, the two electrocardiograms are compared, and at the time of measurement by the single-lead electrocardiogram measurement unit 110 It can perform measurement, diagnosis, examination, and prediction of the health status or future health status of the patient.
  • a single electrocardiogram is divided into bits, and then bits of the same induction measured at different points in time are paired and input, or semantic features or Results can be compared with each other.
  • the ECG data measured at two or more time points can be combined without dividing the ECG data into beats.
  • semantic features are extracted or output values are extracted, and then the final conclusion can be output by fusion.
  • the final conclusion After classifying by star, it is input to the deep learning layer, and the final conclusion may be output by fusing the features or output values extracted through deep learning at a later stage.
  • the electrocardiograms may be input in an asynchronous state, synchronized in a bit unit, or synchronized based on deep learning, and the electrocardiograms may be fused and used.
  • a deep learning model can be built using standard-guided ECG data. After developing a deep learning model that measures, diagnoses, diagnoses, and predicts health status by inputting one ECG at each time point, the deep learning model After inputting electrocardiograms measured at two or more points in time to the corresponding deep learning model using , the result can be predicted by synthesizing the semantic features or final output values output from the deep learning model.
  • various deep learning methods such as convolutional neural network, LSTM, RNN, and MLP can be used as a method of synthesizing the final output value, and various deep learning methods such as logistic regression, principle-based model, random forest, and support vector machine can be used. Layer learning methods can also be used.
  • diseases of the circulatory system diseases of the circulatory system, endocrine, nutritional and metabolic diseases, neoplastic diseases, mental and behavioral disorders, diseases of the nervous system, diseases of the eye and appendages, Ear and mastoid diseases, respiratory system diseases, digestive system diseases, skin and skin tissue diseases, musculoskeletal system and connective tissue diseases, urogenital system diseases, pregnancy, childbirth and postpartum diseases It can be predicted by diagnosing and congenital malformations, transformations, and chromosomal abnormalities.
  • the prediction unit 120 damage due to physical trauma can be confirmed, prognosis can be confirmed, pain can be measured, the risk of death or aggravation due to trauma can be predicted, and concurrent complications can be captured or predicted. It can also identify specific conditions that appear before and after birth.
  • the prediction unit 120 as a healthcare area, aging, sleep, weight, blood pressure, blood sugar, oxygen saturation, metabolism, stress, tension, fear, drinking, smoking, problem behavior, lung capacity, exercise, and pain management , obesity, body mass, body composition, diet, exercise type, life pattern recommendation, emergency management, chronic disease management, drug prescription, examination recommendation, examination recommendation, nursing care, remote health management, remote medical treatment, vaccination and post-vaccination management, etc. It may be possible to measure, diagnose, examine, and predict the health condition of the examinee, which may lead to service.
  • Figure 2 is an example of a flow chart of a prediction method by a health state prediction system using the single-lead electrocardiogram device of Figure 1, and will be described in detail with reference to this.
  • the electrocardiograms of two or more electrical axes are measured with a time difference in a manner of contacting two body parts of the examinee with 2 electrodes, and asynchronously Electrocardiogram data is obtained and transmitted to the prediction unit 120 through short-range communication (S110).
  • the single-lead ECG measurement unit 110 Through the pre-constructed diagnosis algorithm 121 by learning the standard lead ECG measured on the same electrical axis as the ECG measured in and the standard multiple ECG data set matching the presence or absence of a disease corresponding to the standard lead ECG and the degree of disease, From the asynchronous electrocardiogram data input from the single-lead electrocardiogram measurement unit 110, the presence or absence of a disease and the degree of the disease are predicted to determine the health status.
  • the diagnosis algorithm 121 determines the asynchronous electrocardiogram data measured by the single lead electrocardiogram measurement unit 110 and the electrocardiogram data generator ( 130) or the standard lead ECG data generated by the ECG data generating unit 130 as an input, the presence or absence of a disease and the degree of the disease can be output and predicted. .
  • the warning unit 140 through the single-lead ECG measurement unit 110 and the prediction unit 120, the standard ECG of the examinee's normal healthy state is measured to monitor the health status, and then the single-lead ECG measurement unit 110 and the predictor 120 are The electrocardiogram measured and input in real time from the induction electrocardiogram measurement unit 110 is compared with the reference electrocardiogram to predict whether the electrocardiogram is an electrocardiogram measured without errors or whether the health condition of the examinee is abnormal, and to provide warning information when an error or abnormality is predicted. By generating, it is possible to transmit warning information along with a beep sound through the single induction electrocardiogram measurement unit 110 in the form of a smart watch or a separate smart device.
  • the health condition prediction system using the single-lead ECG device as described above, it is possible to easily measure an asynchronous ECG of more than 2 leads by using a single-lead ECG device or a 6-lead ECG device, and the measured 2-lead ECG device
  • a disease can be predicted from the above asynchronous ECG data, and multi-channel ECG data can be generated from two or more asynchronous ECG data, and the presence or absence of the disease and the degree of the disease can be output and predicted with higher accuracy.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Cardiology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (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)

Abstract

본 발명은, 2전극을 구비하여, 2개 이상의 전기축의 심전도를 시차를 두고 각각 측정하여 비동기 심전도 데이터는 획득하는 단일유도 심전도 측정부(110), 및 동일 전기축에서 측정된 표준유도 심전도 및 표준유도 심전도에 상응하는 질환의 유무와 질환의 정도를 매칭한 표준 복수 심전도 데이터셋을 학습하여 미리 구축된 진단 알고리즘(121)을 통해, 단일유도 심전도 측정부(110)로부터 입력된 비동기 심전도 데이터로부터 질환의 유무와 질환의 정도를 예측하는, 예측부(120)를 포함하여, 단일유도 심전도기기에 의해 측정된 2유도 이상의 비동기 심전도 데이터로부터 질환을 예측할 수 있는, 단일유도 심전도기기를 활용한 건강상태 예측 시스템을 개시한다.

Description

단일유도 심전도기기를 활용한 건강상태 예측 시스템
본 발명은 단일유도 심전도기기 또는 6유도 심전도기기를 활용하여 2유도 이상의 비동기 심전도를 간편하게 측정할 수 있으며, 측정된 2유도 이상의 비동기 심전도 데이터로부터 질환을 예측할 수 있는, 단일유도 심전도기기를 활용한 건강상태 예측 시스템에 관한 것이다.
주지하는 바와 같이, 심전도의 개발 이후, 심전도 관련 지식은 기하급수적으로 확대되었고, 심전도 검사에서 심장의 전기적 기능에 대한 정보를 얻고 부정맥, 관상동맥질환, 심근질환 등 다양한 심장질환을 진단할 수 있다.
최근, 심전도의 AI 알고리즘에 대한 연구가 활발히 진행되고 있으며, AI 알고리즘에 의해 심부전을 감지하고, 부정맥 리듬 중 심방세동을 예측하거나, 성별을 결정하기도 한다.
이와 같이, 인간의 한계를 극복하여, AI 알고리즘에 의해 심전도 파형의 미묘한 변화를 감지할 수 있고, 더 나아가 심전도 해석을 향상시킬 수도 있다.
한편, 의료분야에서 사용되고 있는 심전도는 12유도 심전도로서, 3개의 사지전극과 6개의 흉부전극과 1개의 접지전극의 10개의 전극을 부착하여 측정하고, 측정된 심전도 데이터를 원격전송하도록 할 수 있다.
하지만, 일상생활에서 가슴 부위를 노출하고 10개 전극을 부착해서 사용하기에는 불편하기 때문에, 단일유도 심전도 측정이 가능한 휴대용 패드 측정기기, 갤럭시워치, 애플워치 등을 사용하기도 한다.
이와 같이 측정된 단일유도 심전도는 부정맥 진단에는 사용할 수 있으나 심근경색과 같은 다양한 유도의 심전도 정보가 필요한 질환의 진단에서는 사용에 한계가 있다.
따라서, 단일유도 심전도기기 또는 6유도 심전도기기를 활용하여 2유도 이상의 비동기 심전도를 간편하게 측정할 수 있으며, 측정된 2유도 이상의 비동기 심전도 데이터로부터 질환을 예측할 수 있는 기술이 요구된다.
본 발명의 사상이 이루고자 하는 기술적 과제는, 단일유도 심전도기기 또는 6유도 심전도기기를 활용하여 2유도 이상의 비동기 심전도를 간편하게 측정할 수 있으며, 측정된 2유도 이상의 비동기 심전도 데이터로부터 질환을 예측할 수 있는, 단일유도 심전도기기를 활용한 건강상태 예측 시스템을 제공하는 데 있다.
전술한 목적을 달성하고자, 본 발명의 실시예는, 2전극을 구비하여, 2개 이상의 전기축의 심전도를 시차를 두고 각각 측정하여 비동기 심전도 데이터는 획득하는 단일유도 심전도 측정부; 및 동일 전기축에서 측정된 표준유도 심전도 및 상기 표준유도 심전도에 상응하는 질환의 유무와 질환의 정도를 매칭한 표준 복수 심전도 데이터셋을 학습하여 미리 구축된 진단 알고리즘을 통해, 상기 단일유도 심전도 측정부로부터 입력된 비동기 심전도 데이터로부터 질환의 유무와 질환의 정도를 예측하는, 예측부;를 포함하는, 단일유도 심전도기기를 활용한 건강상태 예측 시스템을 제공한다.
여기서, 상기 진단 알고리즘은 비동기로 측정된 표준유도 심전도 데이터를 입력으로 하여 상기 표준유도 심전도 데이터에 상응하는 질환의 유무와 질환의 정도를 출력하여 예측하도록 구축될 수 있다.
또한, 상기 진단 알고리즘은 동기로 측정된 표준유도 심전도 데이터로부터 시계열적 정보를 삭제한 표준유도 심전도 데이터를 입력으로 하여 상기 표준유도 심전도 데이터에 상응하는 질환의 유무와 질환의 정도를 출력하여 예측하도록 구축될 수 있다.
또한, 상기 진단 알고리즘은 상기 단일유도 심전도 측정부로부터 시차를 두고 측정되어 입력된 복수의 비동기 심전도 데이터를 동기 심전도 데이터로 변환하여 변환된 동기 심전도 데이터로부터 질환의 유무와 질환의 정도를 예측하도록 구축될 수 있다.
또한, 상기 단일유도 심전도 측정부에 의해 측정된 복수의 비동기 심전도 데이터를 기반으로, 상기 단일유도 심전도 측정부에 의해 측정되지 않아 상기 표준유도 심전도에 매칭하지 않는 복수의 표준유도 심전도 데이터를 생성하는 심전도 데이터 생성부를 더 포함하고, 상기 진단 알고리즘은 상기 측정된 비동기 심전도 데이터 및 상기 생성된 표준유도 심전도 데이터를 입력으로 하거나, 상기 생성된 표준유도 심전도 데이터를 입력으로 하여, 질환의 유무와 질환의 정도를 출력하여 예측할 수 있다.
또한, 상기 진단 알고리즘은 피검진자의 개별 특성정보를 반영하여 학습하고, 상기 예측부는 상기 개별 특성정보를 반영하여 상기 단일유도 심전도 측정부에 의한 비동기 심전도 데이터로부터 질환의 유무와 질환의 정도를 예측할 수 있다.
또한, 상기 개별 특성정보는 성별과 연령의 인구학적 정보, 체중과 키와 비만도의 기본건강정보, 과거력과 약물력과 가족력의 질환관련정보, 혈액검사와 유전자검사와 혈압과 산소포화도 등의 활력징후와 생체신호의 검사정보를 포함할 수 있다.
또한, 상기 단일유도 심전도 측정부는 웨어러블 심전도패치, 스마트워치 또는 심전도 바를 포함할 수 있다.
또한, 상기 예측부는 상기 단일유도 심전도 측정부로부터 측정된 비동기 심전도 데이터를 특정 수식을 통해 수치 데이터로 생성하는 데이터변환모듈을 더 포함하고, 상기 진단 알고리즘은 상기 비동기 심전도 데이터에 해당하는 수치 데이터를 입력으로 할 수 있다.
본 발명에 의하면, 단일유도 심전도기기 또는 6유도 심전도기기를 활용하여 2유도 이상의 비동기 심전도를 간편하게 측정할 수 있으며, 측정된 2유도 이상의 비동기 심전도 데이터로부터 질환을 예측할 수 있고, 2유도 이상의 비동기 심전도 데이터로부터 다채널 심전도 데이터를 생성하여 보다 높은 정확도로 질환의 유무와 질환의 정도를 출력하여 예측하도록 할 수 있는 효과가 있다.
도 1은 본 발명의 실시예에 의한 단일유도 심전도기기를 활용한 건강상태 예측 시스템의 구성도를 예시한 것이다.
도 2는 도 1의 단일유도 심전도기기를 활용한 건강상태 예측 시스템에 의한 예측 방법의 흐름도를 예시한 것이다.
이하, 첨부된 도면을 참조로 전술한 특징을 갖는 본 발명의 실시예를 더욱 상세히 설명하고자 한다.
본 발명의 실시예에 의한 단일유도 심전도기기를 활용한 건강상태 예측 시스템은, 2전극을 구비하여, 2개 이상의 전기축의 심전도를 시차를 두고 각각 측정하여 비동기 심전도 데이터는 획득하는 단일유도 심전도 측정부(110), 및 동일 전기축에서 측정된 표준유도 심전도 및 표준유도 심전도에 상응하는 질환의 유무와 질환의 정도를 매칭한 표준 복수 심전도 데이터셋을 학습하여 미리 구축된 진단 알고리즘(121)을 통해, 단일유도 심전도 측정부(110)로부터 입력된 비동기 심전도 데이터로부터 질환의 유무와 질환의 정도를 예측하는, 예측부(120)를 포함하여, 단일유도 심전도기기에 의해 측정된 2유도 이상의 비동기 심전도 데이터로부터 질환을 예측하는 것을 요지로 한다.
이하, 도면을 참조하여, 전술한 구성의 단일유도 심전도기기를 활용한 건강상태 예측 시스템을 구체적으로 상술하면 다음과 같다.
우선, 단일유도 심전도 측정부(110)는 2전극을 구비하여 피검진자의 2곳의 신체에 접촉하는 방식으로 2개 이상의 전기축의 심전도를 시차를 두고 각각 측정하여, 비동기 심전도 데이터는 획득하여 예측부(120)로 근거리통신을 통해 전송한다.
예컨대, 양손에 각 전극을 접촉하여 한 개의 전기축에 해당하는 유도Ⅰ(lead Ⅰ) 심전도를 측정하고, 앞선 전극접촉 신체조합과 다른 오른손과 왼쪽 발목에 각 전극을 접촉하여 다른 한 개의 전기축에 해당하는 유도Ⅱ 심전도를 측정하여서, 2개 이상의 상이한 전기축의 복수의 비동기 심전도를 각각 측정할 수 있다.
또한, 단일유도 심전도 측정부(110)는 일상생활 중에 접촉시 또는 비접촉식의 심전도 측정이 가능한 웨어러블 심전도패치(111), 스마트워치(112) 또는 단시간 측정되는 6유도 심전도 바를 포함하여 비동기적 또는 동기적 심전도를 측정하고, 심전도 데이터 생성부(130)를 통해 복수의 심전도를 추가 생성하여 표준유도 심전도 데이터로 구축된 진단 알고리즘(121)에 입력하여 이에 상응하는 건강상태를 예측하도록 할 수 있다.
여기서, 단일유도 심전도 측정부(110)는 피검진자의 연속적인 심전도를 측정하여 예측부(120)로 전송하거나 시간간격을 두고 2개의 심전도를 측정하여 예측부(120)로 전송할 수도 있다.
다음, 예측부(120)는 미리 학습된 진단 알고리즘(121)을 통해 단일유도 심전도 측정부(110)의 비동기 심전도 데이터부터 건강상태를 예측하는 구성으로서, 앞서 단일유도 심전도 측정부(110)에서 측정되는 심전도와 동일한 전기축에서 측정된 표준유도 심전도 및 표준유도 심전도에 상응하는 질환의 유무와 질환의 정도를 매칭한 표준 복수 심전도 데이터셋을 학습하여 미리 구축된 진단 알고리즘(121)을 통해서, 단일유도 심전도 측정부(110)로부터 입력된 비동기 심전도 데이터로부터 질환의 유무와 질환의 정도를 예측하여 건강상태를 파악하도록 한다.
즉, 진단 알고리즘(121)은 임의의 전기축들에 대해 비동기로 측정된 표준유도 심전도 데이터를 입력으로 하여 표준유도 심전도 데이터에 상응하는 질환의 유무와 질환의 정도를 출력하여 예측하도록 구축되어서, 단일유도 심전도 측정부(110)로부터 전송되는 비동기 심전도 데이터부터 건강상태를 예측할 수 있다. 여기서, 표준유도 심전도 데이터는 2.5초단위로 분할되어 저장되거나 비동기적으로 저장될 수 있다.
또는, 진단 알고리즘(121)은 복수의 전기축에 대해 동기로 측정된 표준유도 심전도 데이터로부터 시계열적 정보를 삭제한 표준유도 심전도 데이터를 입력으로 하여 표준유도 심전도 데이터에 상응하는 질환의 유무와 질환의 정도를 출력하여 예측하도록 구축되어서, 단일유도 심전도 측정부(110)로부터 전송되는 비동기 심전도 데이터부터 건강상태를 예측할 수 있다.
또는, 진단 알고리즘(121)은 단일유도 심전도 측정부(110)로부터 시차를 두고 측정되어 입력된 복수의 비동기 심전도 데이터를 동기 심전도 데이터로 변환하여서, 변환된 동기 심전도 데이터로부터 질환의 유무와 질환의 정도를 예측하도록 구축될 수 있다.
이에, 진단 알고리즘(121)은 단일유도 심전도 측정부(110)로부터 시차를 두고 측정되어 입력된 복수의 비동기 심전도 데이터를 비동기로 측정된 표준유도 심전도 데이터 또는 시계열적 정보가 삭제된 표준유도 심전도 데이터 또는 동기 표준유도 심전도 데이터에 각각 매칭할 수 있다.
또한, 심전도 데이터 생성부(130)를 통해, 단일유도 심전도 측정부(110)에 의해 2개 이상의 전기축에 대해 측정된 복수의 비동기 심전도 데이터를 기반으로, 단일유도 심전도 측정부(110)에 의해 측정되지 않아 표준유도 심전도에 매칭하지 않는 복수의 표준유도 심전도 데이터를 생성하여서, 진단 알고리즘(121)은 단일유도 심전도 측정부(110)에 의해 측정된 비동기 심전도 데이터 및 심전도 데이터 생성부(130)에 의해 생성된 표준유도 심전도 데이터를 입력으로 하거나, 심전도 데이터 생성부(130)에 의해 생성된 표준유도 심전도 데이터를 입력으로 하여, 질환의 유무와 질환의 정도를 출력하여 예측하도록 할 수 있다.
여기서, 복수의 표준유도 심전도 데이터의 생성시에, 각 유도별 심전도의 고유특성을 파악하여, 단일유도 심전도 측정부(110)로부터 입력된 비동기 심전도 데이터가 해당하는 특정 표준유도 심전도 데이터에 매칭하고, 특정 표준유도 심전도 데이터에 매칭되지 않는 나머지 표준유도 심전도 데이터를 생성하여서, 새로운 복수의 표준유도 심전도 데이터를 생성하도록 할 수 있다.
또한, 심전도 데이터 생성부(130)에 의해 생성된 표준유도 심전도 데이터는 비동기 또는 동기 심전도일 수 있는데, 앞서 언급한 바와 같이 진단 알고리즘(121)이 비동기로 측정된 표준유도 심전도 데이터를 이용하는 경우 또는 시계열적 정보를 삭제한 표준유도 심전도 데이터를 이용하는 경우에, 비동기 심전도 데이터를 생성하거나, 동기화를 고려하지 않고 심전도 데이터를 생성할 수 있다.
이를 통해서, 다유도 심전도로 진단해야 하는 질환의 유무에 대한 에측 및 질환의 정도에 대한 진단을 단일유도 심전도 측정부(110)에 의해 측정되는 비동기 심전도를 활용하여 수행하여서, 복수개의 심전도 정보를 근거로 질환을 보다 정확하게 분석하여 건강상태의 계측과 진단과 검진과 예측이 가능하도록 할 수 있다.
예를 들면, 부정맥과 같이 단일유도로 진단이 가능한 질환의 경우에는 2개 유도의 심전도와 이를 기반으로 생성한 복수개의 심전도를 사용하여 각 비트의 심전도를 다양한 전기축에서 생성하여서, 보다 정확한 건강상태의 계측과 진단과 검진과 예측이 가능할 수 있고, 심근경색과 같이 복수유도로 진단이 가능한 질환의 경우에는 복수개의 심전도를 추가로 생성하여 심근경색을 진단할 수 있다.
또는, 진단 알고리즘(121)은, 질환 진단을 위해, 표준유도 심전도 데이터 중에서 사용하고자 하는 2개 유도에 해당하는 심전도 데이터만을 가지고서, 건강상태의 계측과 진단과 검진과 예측을 수행하는 모델일 수 있으나, 앞서 언급한 바와 같이 2개 유도로 국한하지 않고 추가 생성된 유도의 심전도 데이터를 사용할 수도 있다.
즉, 대부분 의료기관에서 축적된 심전도 데이터는 표준 12유도 심전도 데이터로서, 심전도 데이터 생성부(130)를 통해 2개 유도의 심전도로부터 표준 12유도 심전도를 생성하고, 이와 같이 생성된 심전도를 의료기관의 표준 12유도 심전도 데이터로부터 건강상태의 계측과 진단과 검진과 예측을 수행하는 알고리즘에 입력하여서, 2개 유도의 심전도를 활용하여 보다 정확한 예측결과를 출력할 수 있고 보다 광범위한 건강상태를 예측하도록 할 수 있다.
일 예로, 단일유도 심전도 측정부(110)에 의한 측정시, 심전도 데이터에서 일부 유도나 일부 구간의 심전도 데이터에 노이즈가 많이 포함되거나 전극 접촉이 떨어져 측정이 제대로 이루어지지 않은 경우, 심전도 데이터 생성부(130)를 통해, 노이즈가 없는 유도의 심전도를 생성하여 탈락된 심전도 데이터를 채워 넣어서 보다 정확하게 건강상태의 계측과 진단과 검진과 예측을 수행할 수 있다.
또한, 단일유도 심전도 측정부(110)와 예측부(120)를 통해, 피검진자의 평상시 건강한 상태의 기준심전도를 측정하여 건강상태를 모니터링하고, 이후 일상생활 중 단일유도 심전도 측정부(110)로부터 실시간 측정되어 입력되는 심전도를 기준심전도와 비교하여서, 심전도가 오류없이 측정된 심전도인지, 피검진자의 건강상태가 이상이 없는지를 예측하고, 오류나 이상 예측시에 경고부(140)를 통해 경고정보를 생성하여, 스마트워치 형태의 단일유도 심전도 측정부(110) 또는 별도의 스마트기기를 통해 비프음과 함께 경고정보를 전송할 수 있다.
구체적으로, 사용초기에 단일유도 심전도 측정부(110)에 의한 기준심전도를 저장한 후 추가 유도의 심전도를 생성하여, 12유도 심전도를 지속적으로 모니터링할 수 있는데, 스마트워치(112)를 오른손에 들고 배에 접촉하여 유도Ⅱ 심전도를 측정하여 기준심전도로 저장한 후, 평상시에는 스마트워치(112)를 왼손에 차고 오른손으로 접촉하여 유도Ⅰ 심전도를 측정하고, 동시에 이를 활용하여 유도Ⅱ 심전도를 포함한 복수개의 심전도 유도를 생성하여서, 스마트워치(112)를 활용하여 보다 다양한 건강상태의 계측과 진단과 검진과 예측을 수행할 수 있다.
또는, 웨어러블 심전도패치(111)를 붙이기 전에 이를 양손에 들어 유도Ⅰ 유도 심전도를 측정하여 기준심전도로 저장한 후, 웨어러블 심전도패치(111)를 붙여서 유도V 심전도를 측정하여서, 연속적으로 측정되거나 모니터링되는 유도V 심전도를 기반으로 복수개 유도의 동기화된 심전도를 생성하여 보다 정확한 건강상태의 계측과 진단과 검진과 예측을 수행할 수 있다.
또한, 진단 알고리즘(121)은 피검진자의 개별 특성정보를 반영하여 학습하고, 예측부(120)는 개별 특성정보를 반영하여 단일유도 심전도 측정부(110)에 의한 비동기 심전도 데이터로부터 질환의 유무와 질환의 정도를 예측할 수 있다.
예컨대, 진단 알고리즘(121)의 학습시 활용되는 표준유도 심전도 데이터의 적용시에 개별 특성정보를 반영하여, 이에 상응하는 질환의 유무와 질환의 정도를 예측하도록 하거나, 단일유도 심전도 측정부(110)에 의해 심전도를 측정하는 피검진자의 개별 특성정보를 반영하여 심전도 데이터 생성부(130)에 의한 표준유도 심전도 데이터를 생성하여서 이에 상응하는 질환의 유무와 질환의 정도를 예측하도록 할 수 있다.
여기서, 개별 특성정보는, 피검진자의, 성별과 연령의 인구학적 정보, 체중과 키와 비만도의 기본건강정보, 과거력과 약물력과 가족력의 질환관련정보, 혈액검사와 유전자검사와 혈압과 산소포화도 등의 활력징후와 생체신호의 검사정보를 포함할 수 있다.
한편, 예측부(120)는 그래프화된 심전도뿐만 아니라 수치화된 심전도를 입력으로 할 수 있는데, 예컨대 단일유도 심전도 측정부(110)로부터 측정된 비동기 심전도 데이터를 특정 수식을 통해 심전도에 해당하는 수치 데이터로 변환하여 생성하는 데이터변환모듈(122)을 더 포함하고, 진단 알고리즘(121)은 비동기 심전도 데이터에 해당하는 수치 데이터를 입력으로 하여 건강상태를 예측하도록 할 수도 있다.
또한, 진단 알고리즘(121)은 합성곱신경망, LSTM, RNN, MLP 등의 다양한 방법의 딥러닝 모델로 구축될 수 있으며, 로지스틱회귀, 원칙기반모델, 랜덤포레스트, 서포트벡터머신 등의 다양한 기계학습 모델로 구축될 수 있다.
예컨대, 진단 알고리즘(121)은 시차를 두고 상이한 시점에서 측정된 2개 이상의 심전도 데이터를 활용한 딥러닝 모델로 구축될 수 있는데, 2개 이상의 심전도를 하나의 심전도 데이터로 통합하여 입력할 수 있거나, 2개 이상의 심전도를 각각 딥러닝 모델에 입력한 후 중간에서 계측된 시멘틱 특징, 즉 공간적 시계열적 특징을 추출한 후 이를 기반으로 2개의 심전도를 비교하여 단일유도 심전도 측정부(110)에 의한 측정 시점에서의 건강상태 또는 미래의 건강상태에 대한 계측과 진단과 검진과 예측을 수행할 수 있다.
여기서, 2개 이상의 시점에서 측정된 심전도를 혼합하는 방법으로는, 단일 심전도를 비트별로 분할한 후, 서로 다른 시점에서 측정된 동일한 유도의 비트들을 서로 짝지어서 입력하거나, 입력 후 추출된 시멘틱 특징이나 결과값을 서로 비교할 수 있다.
또는, 2개 이상 시점에서 측정된 심전도를 비트로 분할하지 않고, 심전도 데이터 자체를 합칠 수도 있는데, 2개 시점 이상의 심전도 데이터를 그대로 융합해서 입력하기도 하고, 각 유도별로 구분하여 융합한 후 이를 입력할 수 있고, 상이한 시점에 측정된 심전도를 각각 딥러닝 모델의 딥러닝 층에 입력한 후 시멘틱 특징을 추출하거나 출력값을 추출한 후 이후 이를 융합하여 최종 결론을 출력할 수 도 있고, 상이한 시점의 심전도를 각 유도별로 구분한 후 딥러닝 층에 입력하고, 딥러닝을 통해 추출된 특징 또는 출력값을 후단에서 융합하여 최종 결론을 출력할 수도 있다.
여기서, 2개 시점 이상의 심전도를 혼합하여 사용할 때는 비동기 상태로 입력할 수도 있거나, 비트 단위로 동기화시키거나, 딥러닝 기반으로 동기화하여 심전도를 융합하여 사용할 수도 있다.
즉, 표준유도 심전도 데이터를 활용하여 딥러닝 모델을 구축할 수 있는데, 각 시점에서 1개의 심전도를 입력하여 건강상태를 계측하며 진단하고 검진하고 예측하는 딥러닝 모델을 개발한 후, 해당 딥러닝 모델을 활용하여 2개 이상의 시점에 측정된 심전도를 해당 딥러닝 모델에 입력한 후, 딥러닝 모델에서 출력하는 시멘틱 특징 또는 최종 출력값을 종합하여 결과를 예측할 수 있다.
앞서 언급한 바와 같이, 최종 출력값을 종합하는 방법으로는 합성곱신경망, LSTM, RNN, MLP 등의 다양한 딥러닝 방법을 사용할 수 있으며, 로지스틱회귀, 원칙기반모델, 랜덤포레스트, 서포트벡터머신 등의 다양한 계학습 방법을 사용할 수도 있다.
전술한 바와 같은 예측부(120)를 통해서, 순환 계통의 질환과, 내분비, 영양 및 대사 질환과, 신생물 질환과, 정신 및 행동장애와, 신경계통의 질환과, 눈 및 부속기의 질환과, 귀 및 유돌의 질환과, 호흡계통의 질환과, 소화계통의 질환과, 피부 및 피부조직의 질환과, 근골격계통 및 결압조직의 질환과, 비뇨생식계통의 질환과, 임신, 출산 및 산후기 질환과, 선천기형, 변형 및 염색체이상을 진단하여 예측할 수 있다.
이외에도, 예측부(120)를 통해서, 신체외상으로 인한 손상을 확인하고, 예후를 확인하며 통증을 계측할 수 있으며, 외상으로 인한 사망 위험성이나 악화 위험성을 예측할 수 있고, 병발한 합병증을 포착하거나 예측할 수 있고, 출생 전후기에 나타나는 특정 병태를 파악할 수도 있다.
또한, 예측부(120)를 통해서, 헬스케어 영역으로서, 노화, 수면, 체중, 혈압, 혈당, 산소포화도, 신진대사, 스트레스, 긴장, 공포, 음주, 흡연, 문제행동, 폐활량, 운동량, 통증관리, 비만, 체질량, 체성분, 식단, 운동 종류, 생활패턴 추천, 응급상황 관리, 만성질환 관리, 약제 처방, 검사 추천, 검진 추천, 간병, 원격건강관리, 원격진료, 예방접종 및 접종 이후 관리 등의 서비스로 이어질 수 있는 피검진자의 건강상태를 계측하며 진단하고 검진하고 예측하는 것이 가능할 수 있다.
도 2는 도 1의 단일유도 심전도기기를 활용한 건강상태 예측 시스템에 의한 예측 방법의 흐름도를 예시한 것으로, 이를 참조하여 구체적으로 상술하면 다음과 같다.
우선, 2전극을 구비하는 단일유도 심전도 측정부(110)를 통해, 2전극을 구비하여 피검진자의 2곳의 신체에 접촉하는 방식으로 2개 이상의 전기축의 심전도를 시차를 두고 각각 측정하여, 비동기 심전도 데이터는 획득하여 예측부(120)로 근거리통신을 통해 전송한다(S110).
이후, 예측부(120)를 통해서, 미리 학습된 진단 알고리즘(121)을 통해 단일유도 심전도 측정부(110)의 비동기 심전도 데이터부터 건강상태를 예측하는 단계로서, 앞서 단일유도 심전도 측정부(110)에서 측정되는 심전도와 동일한 전기축에서 측정된 표준유도 심전도 및 표준유도 심전도에 상응하는 질환의 유무와 질환의 정도를 매칭한 표준 복수 심전도 데이터셋을 학습하여 미리 구축된 진단 알고리즘(121)을 통해서, 단일유도 심전도 측정부(110)로부터 입력된 비동기 심전도 데이터로부터 질환의 유무와 질환의 정도를 예측하여 건강상태를 파악하도록 한다.
한편, 심전도 데이터 생성부(130)를 통해, 단일유도 심전도 측정부(110)에 의해 2개 이상의 전기축에 대해 측정된 복수의 비동기 심전도 데이터를 기반으로, 단일유도 심전도 측정부(110)에 의해 측정되지 않아 표준유도 심전도에 매칭하지 않는 복수의 표준유도 심전도 데이터를 생성하여서(S130), 진단 알고리즘(121)은 단일유도 심전도 측정부(110)에 의해 측정된 비동기 심전도 데이터 및 심전도 데이터 생성부(130)에 의해 생성된 표준유도 심전도 데이터를 입력으로 하거나, 심전도 데이터 생성부(130)에 의해 생성된 표준유도 심전도 데이터를 입력으로 하여, 질환의 유무와 질환의 정도를 출력하여 예측하도록 할 수 있다.
이후, 경고부(140)에 의해, 단일유도 심전도 측정부(110)와 예측부(120)를 통해, 피검진자의 평상시 건강한 상태의 기준심전도를 측정하여 건강상태를 모니터링하고, 이후 일상생활 중 단일유도 심전도 측정부(110)로부터 실시간 측정되어 입력되는 심전도를 기준심전도와 비교하여서, 심전도가 오류없이 측정된 심전도인지, 피검진자의 건강상태가 이상이 없는지를 예측하고, 오류나 이상 예측시에 경고정보를 생성하여, 스마트워치 형태의 단일유도 심전도 측정부(110) 또는 별도의 스마트기기를 통해 비프음과 함께 경고정보를 전송할 수 있다.
따라서, 전술한 바와 같은 단일유도 심전도기기를 활용한 건강상태 예측 시스템의 구성을 통해서, 단일유도 심전도기기 또는 6유도 심전도기기를 활용하여 2유도 이상의 비동기 심전도를 간편하게 측정할 수 있으며, 측정된 2유도 이상의 비동기 심전도 데이터로부터 질환을 예측할 수 있고, 2유도 이상의 비동기 심전도 데이터로부터 다채널 심전도 데이터를 생성하여 보다 높은 정확도로 질환의 유무와 질환의 정도를 출력하여 예측하도록 할 수 있다.
본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원 시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.

Claims (9)

  1. 2전극을 구비하여, 2개 이상의 전기축의 심전도를 시차를 두고 각각 측정하여 비동기 심전도 데이터는 획득하는 단일유도 심전도 측정부; 및
    동일 전기축에서 측정된 표준유도 심전도 및 상기 표준유도 심전도에 상응하는 질환의 유무와 질환의 정도를 매칭한 표준 복수 심전도 데이터셋을 학습하여 미리 구축된 진단 알고리즘을 통해, 상기 단일유도 심전도 측정부로부터 입력된 비동기 심전도 데이터로부터 질환의 유무와 질환의 정도를 예측하는, 예측부;를 포함하는,
    단일유도 심전도기기를 활용한 건강상태 예측 시스템.
  2. 제1항에 있어서,
    상기 진단 알고리즘은 비동기로 측정된 표준유도 심전도 데이터를 입력으로 하여 상기 표준유도 심전도 데이터에 상응하는 질환의 유무와 질환의 정도를 출력하여 예측하도록 구축되는 것을 특징으로 하는,
    단일유도 심전도기기를 활용한 건강상태 예측 시스템.
  3. 제1항에 있어서,
    상기 진단 알고리즘은 동기로 측정된 표준유도 심전도 데이터로부터 시계열적 정보를 삭제한 표준유도 심전도 데이터를 입력으로 하여 상기 표준유도 심전도 데이터에 상응하는 질환의 유무와 질환의 정도를 출력하여 예측하도록 구축되는 것을 특징으로 하는,
    단일유도 심전도기기를 활용한 건강상태 예측 시스템.
  4. 제1항에 있어서,
    상기 진단 알고리즘은 상기 단일유도 심전도 측정부로부터 시차를 두고 측정되어 입력된 복수의 비동기 심전도 데이터를 동기 심전도 데이터로 변환하여 변환된 동기 심전도 데이터로부터 질환의 유무와 질환의 정도를 예측하도록 구축되는 것을 특징으로 하는,
    단일유도 심전도기기를 활용한 건강상태 예측 시스템.
  5. 제4항에 있어서,
    상기 단일유도 심전도 측정부에 의해 측정된 복수의 비동기 심전도 데이터를 기반으로, 상기 단일유도 심전도 측정부에 의해 측정되지 않아 상기 표준유도 심전도에 매칭하지 않는 복수의 표준유도 심전도 데이터를 생성하는 심전도 데이터 생성부를 더 포함하고,
    상기 진단 알고리즘은 상기 측정된 비동기 심전도 데이터 및 상기 생성된 표준유도 심전도 데이터를 입력으로 하거나, 상기 생성된 표준유도 심전도 데이터를 입력으로 하여, 질환의 유무와 질환의 정도를 출력하여 예측하는 것을 특징으로 하는,
    단일유도 심전도기기를 활용한 건강상태 예측 시스템.
  6. 제1항에 있어서,
    상기 진단 알고리즘은 피검진자의 개별 특성정보를 반영하여 학습하고,
    상기 예측부는 상기 개별 특성정보를 반영하여 상기 단일유도 심전도 측정부에 의한 비동기 심전도 데이터로부터 질환의 유무와 질환의 정도를 예측하는 것을 특징으로 하는,
    단일유도 심전도기기를 활용한 건강상태 예측 시스템.
  7. 제6항에 있어서,
    상기 개별 특성정보는 성별과 연령의 인구학적 정보, 체중과 키와 비만도의 기본건강정보, 과거력과 약물력과 가족력의 질환관련정보, 혈액검사와 유전자검사와 혈압과 산소포화도 등의 활력징후와 생체신호의 검사정보를 포함하는 것을 특징으로 하는,
    단일유도 심전도기기를 활용한 건강상태 예측 시스템.
  8. 제1항에 있어서,
    상기 단일유도 심전도 측정부는 웨어러블 심전도패치, 스마트워치 또는 심전도 바를 포함하는 것을 특징으로 하는,
    단일유도 심전도기기를 활용한 건강상태 예측 시스템.
  9. 제1항에 있어서,
    상기 예측부는 상기 단일유도 심전도 측정부로부터 측정된 비동기 심전도 데이터를 특정 수식을 통해 수치 데이터로 생성하는 데이터변환모듈을 더 포함하고,
    상기 진단 알고리즘은 상기 비동기 심전도 데이터에 해당하는 수치 데이터를 입력으로 하는 것을 특징으로 하는,
    단일유도 심전도기기를 활용한 건강상태 예측 시스템.
PCT/KR2022/012215 2021-08-17 2022-08-16 단일유도 심전도기기를 활용한 건강상태 예측 시스템 WO2023022484A1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP22858721.8A EP4368106A1 (en) 2021-08-17 2022-08-16 System for predicting health state using single-lead electrocardiogram device
CN202280056119.3A CN117858665A (zh) 2021-08-17 2022-08-16 利用单导联心电图机的健康状态预测系统
JP2024508482A JP2024530507A (ja) 2021-08-17 2022-08-16 単一誘導心電図機器を活用した健康状態予測システム

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210107768A KR20230025954A (ko) 2021-08-17 2021-08-17 단일유도 심전도기기를 활용한 건강상태 예측 시스템
KR10-2021-0107768 2021-08-17

Publications (2)

Publication Number Publication Date
WO2023022484A1 WO2023022484A1 (ko) 2023-02-23
WO2023022484A9 true WO2023022484A9 (ko) 2023-06-22

Family

ID=85239644

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/012215 WO2023022484A1 (ko) 2021-08-17 2022-08-16 단일유도 심전도기기를 활용한 건강상태 예측 시스템

Country Status (5)

Country Link
EP (1) EP4368106A1 (ko)
JP (1) JP2024530507A (ko)
KR (1) KR20230025954A (ko)
CN (1) CN117858665A (ko)
WO (1) WO2023022484A1 (ko)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140063100A (ko) * 2012-11-16 2014-05-27 삼성전자주식회사 원격 심질환 관리 장치 및 방법
US9770185B2 (en) * 2014-08-06 2017-09-26 Verily Life Sciences Llc Sharing a single electrode between skin resistance and capacitance measurements
MX2018003994A (es) * 2015-09-30 2018-11-09 Heart Test Laboratories Inc Examen cardiaco cuantitativo.
KR102078703B1 (ko) * 2019-07-23 2020-02-19 이재용 싱글리드 심전도 데이터를 이용하여 심장의 질병 유무를 판단하는 심전도 측정 시스템 및 그 방법
KR102142841B1 (ko) * 2019-11-06 2020-08-10 메디팜소프트(주) Ai 기반 심전도 판독 시스템
KR102412974B1 (ko) 2020-07-14 2022-06-24 주식회사 메디컬에이아이 생성적　적대　신경망 알고리즘을 기반으로 하는 심전도 생성 장치 및 그 방법
KR102362679B1 (ko) 2021-01-27 2022-02-14 주식회사 뷰노 심전도 신호 기반의 만성질환 예측 방법

Also Published As

Publication number Publication date
KR20230025954A (ko) 2023-02-24
WO2023022484A1 (ko) 2023-02-23
EP4368106A1 (en) 2024-05-15
JP2024530507A (ja) 2024-08-21
CN117858665A (zh) 2024-04-09

Similar Documents

Publication Publication Date Title
WO2016186472A1 (ko) 생체신호 측정 수단을 포함하는 이어폰 및 이러한 이어폰을 포함하는 생체신호 모니터링 시스템
WO2022014943A1 (ko) 생성적 적대 신경망 알고리즘을 기반으로 하는 심전도 생성 장치 및 그 방법
WO2020218741A1 (ko) 반지 형태의 생체신호 감지 장치
WO2016140560A1 (ko) 다중 생체신호 측정 수단을 포함하는 자동차 키 장치, 상기 키 장치가 연결되는 스티어링 휠 도킹 스테이션 및 상기 자동차 키 장치와 스티어링 휠 도킹 스테이션을 포함하는 시스템
Randazzo et al. VITAL-ECG: A portable wearable hospital
WO2023022485A1 (ko) 비동기 심전도를 이용한 건강상태 예측 시스템
WO2020081029A2 (en) Emergency aid vest
WO2023022484A9 (ko) 단일유도 심전도기기를 활용한 건강상태 예측 시스템
WO2023022519A1 (ko) 2유도 심전도 데이터를 이용한 복수개의 표준 심전도 데이터 생성 시스템
US20220175292A1 (en) Screen Printed Electrodes For An Electrocardiogram Article
WO2024038930A1 (ko) 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템
WO2023022521A1 (ko) 딥러닝기반 모델 및 원칙기반 모델 통합 심전도 판독 시스템
KR20230025963A (ko) 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템
US11896393B1 (en) Wearable diagnostic electrocardiogram garment
WO2023022493A1 (ko) 딥러닝 기반 심전도 데이터의 노이즈 제거 시스템
Singh et al. Cost effective open source wireless body sensor networking through zigBee
WO2022182182A1 (ko) 딥러닝 알고리즘을 기반으로 하는 심전도 생성 시스템 및 그 방법
WO2024014844A1 (ko) 심전도에 기반하여 체성분을 측정하는 방법 및 그 장치
WO2022085972A1 (ko) 합성곱·양방향 장단기 기억 순환신경망을 활용한 광전용적맥파 기반 실시간 혈압 모니터링 시스템 및 이를 이용한 실시간 혈압 모니터링 방법
WO2024096290A1 (ko) 심전도의 추가 측정 유도 방법
US20230165506A1 (en) Apparatus for non-invasive acquisition of maternal and/or fetal physiological signals
Vukcevic et al. Wireless remote monitoring of myocardial ischemia using reconstructed 12-lead ECGs

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: 22858721

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2024508482

Country of ref document: JP

Ref document number: 202280056119.3

Country of ref document: CN

Ref document number: 2022858721

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 202447010004

Country of ref document: IN

ENP Entry into the national phase

Ref document number: 2022858721

Country of ref document: EP

Effective date: 20240209

NENP Non-entry into the national phase

Ref country code: DE