WO2023022516A1 - 딥러닝 알고리즘을 기반으로 복수개의 표준 심전도 데이터를 생성하는 방법 - Google Patents

딥러닝 알고리즘을 기반으로 복수개의 표준 심전도 데이터를 생성하는 방법 Download PDF

Info

Publication number
WO2023022516A1
WO2023022516A1 PCT/KR2022/012290 KR2022012290W WO2023022516A1 WO 2023022516 A1 WO2023022516 A1 WO 2023022516A1 KR 2022012290 W KR2022012290 W KR 2022012290W WO 2023022516 A1 WO2023022516 A1 WO 2023022516A1
Authority
WO
WIPO (PCT)
Prior art keywords
electrocardiogram
data
standard
ecg
electrocardiogram data
Prior art date
Application number
PCT/KR2022/012290
Other languages
English (en)
French (fr)
Inventor
준명권
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 EP22858753.1A priority Critical patent/EP4371487A1/en
Priority to CN202280059897.8A priority patent/CN117940069A/zh
Publication of WO2023022516A1 publication Critical patent/WO2023022516A1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/327—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
    • A61B5/25—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]
    • A61B5/346—Analysis of electrocardiograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—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 relates to a method for generating a plurality of standard ECG data based on a deep learning algorithm, and more specifically, to generate a plurality of standard ECG data from single or two electrode information using a style conversion based algorithm It's about how to create it.
  • Electrocardiography is a graphic recording of potentials related to heartbeats on the surface of the body. Electrocardiography is used for examination and diagnosis of circulatory diseases, and has the advantage of being simple, relatively inexpensive, non-invasive, and easily repeatable.
  • a 12-lead electrocardiogram records the potential of the heart in 12 electrical directions centered on the heart, and through this, it is possible to accurately read heart disease confined to one area.
  • the present invention is to provide a method of generating a plurality of standard ECG data from information of a single electrode or two electrodes using a style conversion-based algorithm.
  • a method for generating a plurality of standard ECG data using an ECG generating device collects standard 12-lead ECG data, and collects standard 12-lead ECG data according to the characteristics of the measurer and a specific method.
  • Classifying electrocardiogram data into a plurality of styles inputting the electrocardiogram data classified into a plurality of styles into an electrocardiogram generation model to learn to generate a plurality of derived electrocardiograms, measuring single derived electrocardiogram data or two
  • the method may include receiving derived electrocardiogram data, and inputting the single derived electrocardiogram data or the two derived electrocardiogram data to an electrocardiogram generation model to generate a plurality of derived electrocardiograms.
  • the method may further include inputting the electrocardiogram data classified into the plurality of styles into an electrocardiogram classification model and learning to determine which type of electrocardiogram the inputted electrocardiogram data corresponds to.
  • the step of classifying the standard 12-lead electrocardiogram data into a plurality of styles collects electrocardiogram data, style information indicating which type of electrocardiogram the electrocardiogram data corresponds to, individual information representing the physical and mental state of the individual, and health condition information can do.
  • each feature of the induction electrocardiogram is extracted using a plurality of classified electrocardiogram data and style information corresponding thereto, and then the electrocardiogram data is used as input data, and the extracted
  • the electrocardiogram classification model may be trained using the features as output data.
  • an electrocardiogram generation model that combines an adversarial generation network and an autoencoder method is constructed, and a random variable and an index for an electrocardiogram are conditionally input into the constructed electrocardiogram generation model.
  • the step of generating the plurality of derived electrocardiograms may include extracting features of the inputted electrocardiogram data by inputting the inputted electrocardiogram data or the two derived electrocardiogram data into the electrocardiogram classification model, and extracting the inputted electrocardiogram data according to the extracted features. It is possible to determine which one of the standard 12-lead ECG data or the two-lead ECG data is the standard 12-lead ECG.
  • a plurality of ECGs of styles other than the corresponding induced ECG may be generated by inputting the determination result and the induced ECG data or the two induced ECG data into the ECG generation model.
  • the ECG classification model and the ECG generation model may be the same learning model or may be different learning models.
  • ECG with high accuracy is not affected by the age, sex, disease status of the measurer, and the location of electrode attachment. can provide.
  • FIG. 1 is a block diagram of a standard electrocardiogram generating device according to an embodiment of the present invention.
  • FIG. 2 is a flowchart illustrating a method of generating a plurality of standard ECG data using a standard ECG generating device according to an embodiment of the present invention.
  • FIG. 3 is an exemplary diagram for explaining step S250 shown in FIG. 2 .
  • FIG. 1 is a block diagram of a standard electrocardiogram generating device according to an embodiment of the present invention.
  • the standard electrocardiogram generator 100 includes a data collection unit 110, a first learning unit 120, a second learning unit 130, and a data input unit 140. ) and an electrocardiogram generating unit 150.
  • the data collection unit 110 collects electrocardiogram data.
  • the electrocardiogram data collected at this time represents 12-lead electrocardiogram data.
  • the first learning unit 120 builds an electrocardiogram classification model, inputs the collected electrocardiogram data to the electrocardiogram classification model, and trains the electrocardiogram classification model to classify which type of electrocardiogram the inputted electrocardiogram data belongs to.
  • the second learning unit 130 builds an electrocardiogram generation model, inputs the collected electrocardiogram data to the constructed electrocardiogram generation model, learns characteristics of the electrocardiogram data, and generates a plurality of standard electrocardiogram data using the learned characteristics. learn to do
  • the data input unit 140 receives single-lead ECG data or two-lead ECG data from a single-lead ECG device (not shown).
  • the electrocardiogram generation unit 150 inputs the electrocardiogram data of the measurement subject received from the data input unit 140 into the electrocardiogram classification model and electrocardiogram generation model that have been learned, respectively, and generates a plurality of standard electrocardiogram data excluding the inputted electrocardiogram data. do.
  • FIG. 2 is a flowchart illustrating a method of generating a plurality of standard ECG data using a standard ECG generating device according to an embodiment of the present invention.
  • the standard ECG generating apparatus 100 collects standard ECG data (S210).
  • the data collection unit 110 collects a standard 12-lead electrocardiogram from a hospital server.
  • the data collection unit 110 additionally collects style information representing which type of ECG the ECG data corresponds to, individual information representing the individual's physical and mental state, and health state information corresponding to the collected ECG data.
  • the data collection unit 110 classifies the collected electrocardiogram data according to the type of style.
  • step S210 the first learning unit 120 inputs the collected electrocardiogram data and style information corresponding thereto to the constructed electrocardiogram classification model to learn (S220).
  • the first learning unit 120 builds an electrocardiogram classification model to classify electrocardiogram data according to style. Then, the first learning unit 120 receives electrocardiogram data and style information corresponding to the electrocardiogram data in the built electrocardiogram classification model, and extracts each feature of the electrocardiogram data using the received style information.
  • the first learning unit 120 uses the electrocardiogram data as input data and the extracted features as output data to learn the electrocardiogram classification model.
  • the second learning unit 120 inputs the collected electrocardiogram data to learn an electrocardiogram generation model (S230).
  • the second learning unit 120 builds a deep learning-based electrocardiogram generation model for learning the style of each derived electrocardiogram.
  • a plurality of electrocardiogram generation models may be constructed to correspond to the electrocardiogram generation model.
  • the electrocardiogram generation model may be learned using one electrocardiogram data or two or more electrocardiogram data. That is, the electrocardiogram generation model learns the style of the input electrocardiogram data and then generates a virtual electrocardiogram using the learned style of the input electrocardiogram data.
  • step S230 the data input unit 140 acquires single or two electrocardiogram data from a first induction electrocardiogram measuring device (not shown) attached to the subject (S240).
  • a plurality of input electrocardiograms when a plurality of input electrocardiograms are input, they may be asynchronous electrocardiogram data.
  • the electrocardiogram generator 150 generates a plurality of standard electrocardiogram data using the input single or two electrocardiogram data (S250).
  • the electrocardiogram generation unit 150 inputs one or two pieces of electrocardiogram data into an electrocardiogram classification model. Then, the electrocardiogram classification model analyzes the type of electrocardiogram by analyzing the style of the single or two inputted electrocardiogram data.
  • the electrocardiogram generating unit 150 When the analysis is completed, the electrocardiogram generating unit 150 generates standard electrocardiogram data of other electrocardiogram styles excluding the derived electrocardiogram data determined using the electrocardiogram generation model.
  • FIG. 3 is an exemplary diagram for explaining step S250 shown in FIG. 2 .
  • the input electrocardiogram data is V1 derived electrocardiogram data. Then, the electrocardiogram generation unit 150 generates the remaining 11 standard electrocardiogram data except for the V1 derived electrocardiogram data.
  • the electrocardiogram classification model and the electrocardiogram generation model are separately constructed in order to analyze the electrocardiogram data with what kind of derivation for the input electrocardiogram data and to generate a plurality of standard electrocardiogram data according to the analysis result.
  • the ECG classification model and the ECG generation model may be the same learning model or may be different learning models.
  • ECG with high accuracy is not affected by the age, gender, disease status of the measurer, and the electrode attachment position. can provide.

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)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Cardiology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

본 발명은 딥러닝 알고리즘을 기반으로 복수개의 표준 심전도 데이터를 생성하는 방법에 관한 것이다. 본 발명에 따르면, 표준 심전도 데이터를 생성하는 방법은 표준 12 유도 심전도 데이터를 수집하고, 측정자의 특성 및 특정 방식에 따라 수집된 표준 12유도 심전도 데이터를 복수의 스타일로 분류하는 단계, 상기 복수의 스타일로 분류된 심전도 데이터를 심전도 생성 모델에 입력하여 복수의 유도 심전도를 생성하도록 학습시키는 단계, 측정 대상자로부터 측정된 단일 유도 심전도 데이터 또는 2개의 유도 심전도 데이터를 입력받는 단계, 그리고 상기 단일 유도 심전도 데이터 또는 2개의 유도 심전도 데이터를 심전도 생성 모델에 입력하여 복수의 유도 심전도를 생성시키는 단계를 포함한다.

Description

딥러닝 알고리즘을 기반으로 복수개의 표준 심전도 데이터를 생성하는 방법
본 발명은 딥러닝 알고리즘을 기반으로 복수개의 표준 심전도 데이터를 생성하는 방법하는 방법에 관한 것으로서, 더욱 상세하게 설명하면 스타일 변환 기반 알고리즘을 이용하여 단일 또는 2개 전극의 정보로부터 복수개의 표준 심전도 데이터를 생성하는 방법에 관한 것이다.
심전도란 심박동과 관련된 전위를 신체 표면에서 도형으로 기록한 것으로, 표준 12유도 심전도 외에 운동부하 심전도, 활동 중 심전도 등이 있다. 심전도는 순환기 질환의 검진과 진단에 사용되며, 간단하고, 비교적 저렴하며, 비침습적이고, 쉽게 반복하여 기록할 수 있는 장점이 있다.
병원에서 사용되는 표준 12유도 심전도는 가슴 전면에 6개 전극을 부착하고, 사지에도 각각 3개의 전극 (접지 전극을 포함하면 4개 전극)을 부착한 다음, 12유도 정보를 모두 수집하고 이를 종합하여 질환을 진단한다. 12유도 심전도란 심장을 중심으로 12개의 전기적 방향에서 심장의 전위를 기록하는 것으로, 이를 통해 한 부위에 국한된 심장의 질병을 정확하게 판독할 수 있다.
그러나, 12유도를 촬영하기 위해서는 가슴 전극을 부착하기 위해 가슴을 노출해야 하고, 일반인이 9개 전극 (사지 3개, 흉부 6개)를 정확한 위치에 붙이기 어렵기 때문에 가정이나 일상생활에서 측정되기 어려우며, 10개의 전극을 붙이고 움직이기 어렵기 때문에 실시간 모니터링에 사용되기 어려운 문제점이 있었다.
최근에는 스마트 워치와 같이 1유도 심전도 기구를 이용하여 복수의 심전도를 측유도를 측정하는 기술이 제안되고 있다. 그러나, 1유도 심전도 기구를 이용하여 심전도를 측정할 경우에는 동일 시점에서 측정된 심전도가 아니므로 심장의 정확한 상태를 파악할 수 없는 문제점이 있었다.
본 발명의 배경이 되는 기술은 한국공개특허 제10-2022-0008447호(2022.01.21. 공개)에 개시되어 있다.
이와 같이 본 발명에 따르면, 스타일 변환 기반 알고리즘을 이용하여 단일 또는 2개 전극의 정보로부터 복수개의 표준 심전도 데이터를 생성하는 방법을 제공하기 위한 것이다.
이러한 기술적 과제를 이루기 위한 본 발명의 실시예에 따르면 심전도 생성 장치를 이용한 복수개의 표준 심전도 데이터를 생성하는 방법은 표준 12 유도 심전도 데이터를 수집하고, 측정자의 특성 및 특정 방식에 따라 수집된 표준 12유도 심전도 데이터를 복수의 스타일로 분류하는 단계, 상기 복수의 스타일로 분류된 심전도 데이터를 심전도 생성 모델에 입력하여 복수의 유도 심전도를 생성하도록 학습시키는 단계, 측정 대상자로부터 측정된 단일 유도 심전도 데이터 또는 2개의 유도 심전도 데이터를 입력받는 단계, 그리고 상기 단일 유도 심전도 데이터 또는 2개의 유도 심전도 데이터를 심전도 생성 모델에 입력하여 복수의 유도 심전도를 생성시키는 단계를 포함한다.
상기 복수의 스타일로 분류된 심전도 데이터를 심전도 분류 모델에 입력하여 입력된 심전도 데이터가 어느 유도의 심전도인지 판별하도록 학습시키는 단계를 더 포함할 수 있다.
상기 표준 12유도 심전도 데이터를 복수의 스타일로 분류하는 단계는, 심전도 데이터, 상기 심전도 데이터가 어떤 유도의 심전도에 해당하는지를 나타내는 스타일정보, 개인의 신체 및 정신적 상태를 나타내는 개별 정보 및 건강 상태 정보를 수집할 수 있다.
상기 어느 유도의 심전도인지 판별하도록 학습시키는 단계는, 분류된 복수의 심전도 데이터와 그에 대응하는 스타일 정보를 이용하여 유도 심전도에 대한 각각의 특징을 추출한 다음, 상기 심전도 데이터를 입력데이터로 하고, 추출된 특징을 출력데이터로 하여 상기 심전도 분류 모델을 학습시킬 수 있다.
상기 복수의 유도 심전도를 생성하도록 학습시키는 단계는, 적대적 생성망과 오토인코더 방법을 혼합한 심전도 생성 모델을 구축하고, 상기 구축된 심전도 생성 모델에 무작위 변수와 심전도에 대한 색인을 조건적으로 입력하여 학습시킬 수 있다.
상기 복수의 유도 심전도를 생성시키는 단계는, 입력된 유도 심전도 데이터 또는 2개의 유도 심전도 데이터를 상기 심전도 분류 모델에 입력하여 입력된 심전도 데이터의 특징을 추출하고, 상기 추출된 특징에 따라 입력된 유도 심전도 데이터 또는 2개의 유도 심전도 데이터가 표준 12유도 심전도 중에서 어느 하나의 유도 심전도인지 판단할 수 있다.
상기 복수의 유도 심전도를 생성시키는 단계는, 판단 결과와 유도 심전도 데이터 또는 2개의 유도 심전도 데이터를 심전도 생성 모델에 입력하여, 해당되는 유도 심전도를 제외한 나머지 스타일의 심전도를 복 수개 생성할 수 있다.
상기 심전도 분류 모델과 상기 심전도 생성 모델을 동일한 학습모델일 수도 있고, 각각 상이하게 구축된 학습모델일 수도 있다.
이와 같이 본 발명에 따르면, 딥러닝 알고리즘을 이용하여 2개 유도의 심전도 정보로부터 복수의 표준 심전도 정보를 생성하므로 측정자의 나이, 성별, 질병 여부 및 전극의 부착 위치에도 영향을 받지 않는 정확도가 높은 심전도를 제공할 수 있다.
도 1은 본 발명의 실시예에 따른 표준 심전도 생성 장치에 대한 구성도이다.
도 2는 본 발명의 실시예에 따른 표준 심전도 생성 장치를 이용한 복수의 표준 심전도 데이터를 생성하는 방법을 설명하기 위한 순서도이다.
도 3은 도 2에 도시된 S250단계를 설명하기 위한 예시도이다.
이하 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하기로 한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다.
또한 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서, 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
이하에서는 도 1을 이용하여 본 발명의 실시예에 따른 표준 심전도 생성 장치에 대하여 더욱 상세하게 설명한다.
도 1은 본 발명의 실시예에 따른 표준 심전도 생성 장치에 대한 구성도이다.
도 1에 도시된 바와 같이, 본 발명의 실시예에 따른 표준 심전도 생성 장치(100)는 데이터 수집부(110), 제1 학습부(120), 제2 학습부(130), 데이터 입력부(140) 및 심전도 생성부(150)를 포함한다.
먼저, 데이터 수집부(110)는 심전도 데이터를 수집한다. 이때 수집되는 심전도 데이터는 12유도 심전도 데이터를 나타낸다.
제1 학습부(120)는 심전도 분류 모델을 구축하고, 수집된 심전도 데이터를 심전도 분류 모델에 입력하여 심전도 분류 모델로 하여금 입력된 심전도 데이터가 어느 유도의 심전도인지 분류하도록 학습시킨다.
제2 학습부(130)는 심전도 생성 모델을 구축하고, 수집된 심전도 데이터를 구축된 심전도 생성 모델에 입력하여 심전도 데이터에 대한 특성을 학습시키고, 학습된 특성을 이용하여 복수의 표준 심전도 데이터를 생성하도록 학습시킨다.
데이터 입력부(140)는 1 유도 심전도 장치(도시하지 않음)로부터 단일 유도 심전도 데이터 또는 2개의 유도 심전도 데이터를 입력받는다.
마지막으로 심전도 생성부(150)는 데이터 입력부(140)로부터 전달받은 측정 대상자의 심전도 데이터를 학습이 완료된 심전도 분류 모델 및 심전도 생성 모델에 각각 입력하여 입력된 심전도 데이터를 제외한 복수의 표준 심전도 데이터를 생성한다.
이하에서는 도 2를 이용하여 본 발명의 실시예에 따른 표준 심전도 생성 장치(100)를 이용한 복수개의 표준 심전도 데이터를 생성하는 방법에 대해 더욱 상세하게 설명한다.
도 2는 본 발명의 실시예에 따른 표준 심전도 생성 장치를 이용한 복수의 표준 심전도 데이터를 생성하는 방법을 설명하기 위한 순서도이다.
도 2에 도시된 바와 같이, 본 발명의 실시예에 따른 표준 심전도 생성 장치(100)는 표준 심전도 데이터를 수집한다(S210).
부연하자면, 데이터 수집부(110)는 병원 서버로부터 표준 12 유도 심전도를 수집한다.
한편, 데이터 수집부(110)는 수집된 심전도 데이터에 대응하여 심전도 데이터가 어떤 유도의 심전도에 해당하는지를 나타내는 스타일정보, 개인의 신체 및 정신적 상태를 나타내는 개별 정보 및 건강 상태 정보를 추가적으로 수집한다.
그 다음, 그리고 데이터 수집부(110)는 수집된 심전도 데이터의 스타일 종류에 따라 분류한다.
S210단계가 완료되면, 제1 학습부(120)는 수집된 심전도 데이터와 그에 대응하는 스타일 정보를 구축된 심전도 분류 모델에 입력하여 학습시킨다(S220).
먼저, 제1 학습부(120)는 심전도 데이터를 스타일에 따라 분류할 수 있도록 심전도 분류 모델을 구축한다. 그리고, 제1 학습부(120)는 구축된 심전도 분류 모델에 심전도 데이터와 그에 대응하는 스타일 정보를 수신하고, 수신된 스타일 정보를 이용하여 심전도 데이터에 대한 각각의 특징을 추출한다.
제1 학습부(120)는 심전도 데이터를 입력데이터로 하고, 추출된 특징을 출력데이터로 하여 심전도 분류 모델을 학습시킨다.
제2 학습부(120)는 수집된 심전도 데이터를 입력하여 심전도 생성 모델을 학습시킨다(S230).
먼저, 제2 학습부(120)는 각 유도 심전도의 스타일을 학습시키기 위한 딥러닝 기반의 심전도 생성 모델을 구축한다. 이때, 심전도 생성 모델을 스타일에 따라 그에 대응하도록 복수개로 구축될 수 있다. 그리고, 심전도 생성 모델은 1개의 심전도 데이터를 이용하여 학습될 수도 있고, 2개 이상의 복수의 심전도 데이터를 이용하여 학습될 수도 있다. 즉, 심전도 생성 모델은 입력된 심전도 데이터의 스타일을 학습한 다음, 입력되는 심전도 데이터를 학습된 스타일을 이용하여 가상의 심전도를 생성한다.
S230단계가 완료된 상태에서, 데이터 입력부(140)는 측정대상자에 부착된 제1 유도 심전도 측정 장치(도시되지 않음)으로부터 단일 또는 2개의 심전도 데이터를 획득한다(S240).
이때, 입력되는 심전도가 복수개일 경우에는 비동기적 심전도 데이터일 수도 있다.
심전도 생성부(150)는 입력된 단일 또는 2개의 심전도 데이터를 이용하여 복수의 표준 심전도 데이터를 생성한다(S250),
이를 더욱 상세하게 설명하면, 심전도 생성부(150)는 입력된 단일 또는 2개의 심전도 데이터를 심전도 분류 모델에 입력한다. 그러면, 심전도 분류 모델은 입력된 단일 또는 2개의 심전도 데이터에 대한 스타일을 분석하여 어떤 유도의 심전도인지를 분석한다.
분석이 완료되면, 심전도 생성부(150)는 심전도 생성 모델을 이용하여 판별된 유도 심전도 데이터를 제외한 다른 심전도 스타일의 표준 심전도 데이터를 생성한다.
도 3은 도 2에 도시된 S250단계를 설명하기 위한 예시도이다.
도 3에 도시된 바와 같이, 입력된 심전도 데이터가 V1유도 심전도 데이터라고 가정한다. 그러면, 심전도 생성부(150)는 V1유도 심전도 데이터를 제외한 나머지 11개의 표준 심전도 데이터를 생성한다.
한편 본 발명의 실시예에서는 입력된 심전도 데이터에 대해 어떤 유도를 가진 심전도 데이트인지를 분석하고, 분석 결과에 따라 복수의 표준 심전도 데이터를 생성하기 위하여 심전도 분류 모델과 심전도 생성 모델을 분리하여 구축하였으나, 심전도 분류 모델과 심전도 생성 모델은 동일한 학습모델일 수도 있고, 각각 상이하게 구축된 학습모델일 수도 있다.
이와 같이 본 발명에 따르면, 딥러닝 알고리즘을 이용하여 2개 유도의 심전도 정보로부터 복수의 표준 심전도 정보를 생성하므로 측정자의 나이, 성별, 질병 여부 및 전극의 부착 위치에도 영향을 받지 않는 정확도가 높은 심전도를 제공할 수 있다.
본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호범위는 아래의 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.

Claims (8)

  1. 표준 심전도 생성 장치를 이용한 복수개의 표준 심전도 데이터를 생성하는 방법에 있어서,
    표준 12 유도 심전도 데이터를 수집하고, 측정자의 특성 및 특정 방식에 따라 수집된 표준 12유도 심전도 데이터를 복수의 스타일로 분류하는 단계,
    상기 복수의 스타일로 분류된 심전도 데이터를 심전도 생성 모델에 입력하여 복수의 유도 심전도를 생성하도록 학습시키는 단계,
    측정 대상자로부터 측정된 단일 유도 심전도 데이터 또는 2개의 유도 심전도 데이터를 입력받는 단계, 그리고
    상기 단일 유도 심전도 데이터 또는 2개의 유도 심전도 데이터를 심전도 생성 모델에 입력하여 복수의 유도 심전도를 생성시키는 단계를 포함하는 표준 심전도 데이터를 생성하는 방법.
  2. 제1항에 있어서,
    상기 복수의 스타일로 분류된 심전도 데이터를 심전도 분류 모델에 입력하여 입력된 심전도 데이터가 어느 유도의 심전도인지 판별하도록 학습시키는 단계를 더 포함하는 표준 심전도 데이터를 생성하는 방법.
  3. 제1항에 있어서,
    상기 표준 12유도 심전도 데이터를 복수의 스타일로 분류하는 단계는,
    심전도 데이터, 상기 심전도 데이터가 어떤 유도의 심전도에 해당하는지를 나타내는 스타일정보, 개인의 신체 및 정신적 상태를 나타내는 개별 정보 및 건강 상태 정보를 수집하는 표준 심전도 데이터를 생성하는 방법.
  4. 제2항에 있어서,
    상기 어느 유도의 심전도인지 판별하도록 학습시키는 단계는,
    분류된 복수의 심전도 데이터와 그에 대응하는 스타일 정보를 이용하여 유도 심전도에 대한 각각의 특징을 추출한 다음,
    상기 심전도 데이터를 입력데이터로 하고, 추출된 특징을 출력데이터로 하여 상기 심전도 분류 모델을 학습시키는 표준 심전도 데이터를 생성하는 방법.
  5. 제4항에 있어서,
    상기 복수의 유도 심전도를 생성하도록 학습시키는 단계는,
    적대적 생성망과 오토인코더 방법을 혼합한 심전도 생성 모델을 구축하고, 상기 구축된 심전도 생성 모델에 무작위 변수와 심전도에 대한 색인을 조건적으로 입력하여 학습시키는 표준 심전도 데이터를 생성하는 방법.
  6. 제1항에 있어서,
    상기 복수의 유도 심전도를 생성시키는 단계는,
    입력된 유도 심전도 데이터 또는 2개의 유도 심전도 데이터를 상기 심전도 분류 모델에 입력하여 입력된 심전도 데이터의 특징을 추출하고,
    상기 추출된 특징에 따라 입력된 유도 심전도 데이터 또는 2개의 유도 심전도 데이터가 표준 12유도 심전도 중에서 어느 하나의 유도 심전도인지 판단하는 표준 심전도 데이터를 생성하는 방법.
  7. 제6항에 있어서,
    상기 복수의 유도 심전도를 생성시키는 단계는,
    판단 결과와 유도 심전도 데이터 또는 2개의 유도 심전도 데이터를 심전도 생성 모델에 입력하여, 해당되는 유도 심전도를 제외한 나머지 스타일의 심전도를 복 수개 생성하는 표준 심전도 데이터를 생성하는 방법.
  8. 제1항 또는 제2항에 있어서,
    상기 심전도 분류 모델과 상기 심전도 생성 모델을 동일한 학습모델일 수도 있고, 각각 상이하게 구축된 학습모델일 수도 있는 표준 심전도 데이터를 생성하는 방법.
PCT/KR2022/012290 2021-08-17 2022-08-17 딥러닝 알고리즘을 기반으로 복수개의 표준 심전도 데이터를 생성하는 방법 WO2023022516A1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP22858753.1A EP4371487A1 (en) 2021-08-17 2022-08-17 Method for generating multiple pieces of standard electrocardiogram data on basis of deep learning algorithm
CN202280059897.8A CN117940069A (zh) 2021-08-17 2022-08-17 以深度学习算法为基础生成复数个标准心电图数据的方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210107774A KR20230025959A (ko) 2021-08-17 2021-08-17 딥러닝 알고리즘을 기반으로 복수개의 표준 심전도 데이터를 생성하는 방법
KR10-2021-0107774 2021-08-17

Publications (1)

Publication Number Publication Date
WO2023022516A1 true WO2023022516A1 (ko) 2023-02-23

Family

ID=85239642

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/012290 WO2023022516A1 (ko) 2021-08-17 2022-08-17 딥러닝 알고리즘을 기반으로 복수개의 표준 심전도 데이터를 생성하는 방법

Country Status (4)

Country Link
EP (1) EP4371487A1 (ko)
KR (1) KR20230025959A (ko)
CN (1) CN117940069A (ko)
WO (1) WO2023022516A1 (ko)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009153839A (ja) * 2007-12-27 2009-07-16 Yoshihiro Yamaguchi 心電図波形処理システム及び方法
KR101912090B1 (ko) * 2012-02-08 2018-10-26 삼성전자 주식회사 심방세동 예측 모델 생성장치 및 방법과, 심방세동 예측장치 및 방법
JP2019055173A (ja) * 2017-09-19 2019-04-11 タタ コンサルタンシー サービシズ リミテッドＴＡＴＡ Ｃｏｎｓｕｌｔａｎｃｙ Ｓｅｒｖｉｃｅｓ Ｌｉｍｉｔｅｄ 単極誘導心電図（ｅｃｇ）信号中の律動を識別するためのカスケード２値クラシファイア
KR102142841B1 (ko) * 2019-11-06 2020-08-10 메디팜소프트(주) Ai 기반 심전도 판독 시스템
JP2021101965A (ja) * 2019-12-25 2021-07-15 キヤノン株式会社 制御装置、光干渉断層撮影装置、光干渉断層撮影装置の制御方法、及びプログラム
KR20220008447A (ko) 2020-07-14 2022-01-21 주식회사 바디프랜드 딥러닝 기반 심전도를 이용한 심장 질환 진단 장치 및 그 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009153839A (ja) * 2007-12-27 2009-07-16 Yoshihiro Yamaguchi 心電図波形処理システム及び方法
KR101912090B1 (ko) * 2012-02-08 2018-10-26 삼성전자 주식회사 심방세동 예측 모델 생성장치 및 방법과, 심방세동 예측장치 및 방법
JP2019055173A (ja) * 2017-09-19 2019-04-11 タタ コンサルタンシー サービシズ リミテッドＴＡＴＡ Ｃｏｎｓｕｌｔａｎｃｙ Ｓｅｒｖｉｃｅｓ Ｌｉｍｉｔｅｄ 単極誘導心電図（ｅｃｇ）信号中の律動を識別するためのカスケード２値クラシファイア
KR102142841B1 (ko) * 2019-11-06 2020-08-10 메디팜소프트(주) Ai 기반 심전도 판독 시스템
JP2021101965A (ja) * 2019-12-25 2021-07-15 キヤノン株式会社 制御装置、光干渉断層撮影装置、光干渉断層撮影装置の制御方法、及びプログラム
KR20220008447A (ko) 2020-07-14 2022-01-21 주식회사 바디프랜드 딥러닝 기반 심전도를 이용한 심장 질환 진단 장치 및 그 방법

Also Published As

Publication number Publication date
CN117940069A (zh) 2024-04-26
EP4371487A1 (en) 2024-05-22
KR20230025959A (ko) 2023-02-24

Similar Documents

Publication Publication Date Title
US11234629B2 (en) Method and device for self-learning dynamic electrocardiography analysis employing artificial intelligence
US11517212B2 (en) Electrocardiogram information dynamic monitoring method and dynamic monitoring system
US11350868B2 (en) Electrocardiogram information processing method and electrocardiogram workstation system
EP3692900A1 (en) Artificial intelligence self-learning-based static electrocardiography analysis method and apparatus
US11783924B2 (en) ECG information processing method and ECG workstation
WO2022014943A1 (ko) 생성적 적대 신경망 알고리즘을 기반으로 하는 심전도 생성 장치 및 그 방법
WO2021037102A1 (zh) 基于图片及心搏信息的心电分析方法、装置、设备及介质
Zhou et al. ECG quality assessment using 1D-convolutional neural network
Khatun et al. Detection of myocardial infarction and arrhythmia from single-lead ECG data using bagging trees classifier
WO2023120775A1 (ko) 심전도 판독을 수정하기 위한 방법 및 장치
WO2023022507A1 (ko) 2개 유도의 비동시적 심전도를 기반으로 동시적 심전도를 생성하는 방법
WO2023022516A1 (ko) 딥러닝 알고리즘을 기반으로 복수개의 표준 심전도 데이터를 생성하는 방법
CN109431493B (zh) 基于距离分段加权算法的可穿戴体表电势采集装置
WO2023022485A1 (ko) 비동기 심전도를 이용한 건강상태 예측 시스템
CN115956918A (zh) 一种具有基于多特征融合的心电信号质量评估功能的远程心电监测系统
CN106618551B (zh) 一种用于三导联心电电极连接判别的智能终端
CN115414049A (zh) 一种基于深度神经网络的可穿戴心电图实时诊断系统
Saadi et al. Low-cost ecg monitoring system with classification using deep learning
WO2024038932A1 (ko) 심전도 판독 서비스 제공 방법
WO2023022511A9 (ko) 2개 유도의 비동시적 심전도를 기반으로 하는 동시적 심전도 생성 방법
WO2022181948A1 (ko) 웨어러블 심전도 리듬 분석을 이용한 심장 위험도 산출 시스템 및 방법
WO2024038930A1 (ko) 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템
WO2023022521A1 (ko) 딥러닝기반 모델 및 원칙기반 모델 통합 심전도 판독 시스템
WO2024014844A1 (ko) 심전도에 기반하여 체성분을 측정하는 방법 및 그 장치
AU2021101272A4 (en) An artificial intelligence based heart rate monitoring system for sports training

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: 22858753

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2022858753

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 2022858753

Country of ref document: EP

Effective date: 20240215

WWE Wipo information: entry into national phase

Ref document number: 202280059897.8

Country of ref document: CN

NENP Non-entry into the national phase

Ref country code: DE