WO2023096372A1 - 모바일넷을 이용한 심장 질병 분류 장치 및 방법 - Google Patents

모바일넷을 이용한 심장 질병 분류 장치 및 방법 Download PDF

Info

Publication number
WO2023096372A1
WO2023096372A1 PCT/KR2022/018722 KR2022018722W WO2023096372A1 WO 2023096372 A1 WO2023096372 A1 WO 2023096372A1 KR 2022018722 W KR2022018722 W KR 2022018722W WO 2023096372 A1 WO2023096372 A1 WO 2023096372A1
Authority
WO
WIPO (PCT)
Prior art keywords
heart disease
time domain
electrocardiogram signal
training data
disease classification
Prior art date
Application number
PCT/KR2022/018722
Other languages
English (en)
French (fr)
Inventor
김윤태
정재효
신시호
강민구
Original Assignee
조선대학교산학협력단
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
Priority claimed from KR1020220157248A external-priority patent/KR20230076781A/ko
Application filed by 조선대학교산학협력단 filed Critical 조선대학교산학협력단
Publication of WO2023096372A1 publication Critical patent/WO2023096372A1/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
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • 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

Definitions

  • the present application relates to a heart disease classification apparatus and method using a mobile net.
  • An electrocardiogram shows the rhythmic beating of the heart represented by electrical signals.
  • a healthy person's heart rate is between 60 and 100 beats per minute. When a person is exercising, tense or excited, the heart beats faster. In this case, there is usually no problem. However, if the heart beats irregularly for no reason, there is a problem with heart health, and these symptoms are called heart disease. Early detection of heart disease is very important because heart disease causes symptoms such as dizziness, fainting, chest pain, and shortness of breath when manifested, and can cause a heart attack.
  • Cardiac disease detection methods include methods for detecting early ventricular contractions using RR intervals, methods using discrete Fourier transforms, and methods based on Hilbert transforms.
  • Such a heart disease diagnosis method must be performed by an expert, and a large amount of irregularly generated electrocardiogram data must be secured for early detection of heart disease.
  • a large amount of data must be analyzed, and there are many factors to be considered for accurate diagnosis, such as movement of the measurer and signal interference when measuring ECG in daily life.
  • hardware performance due to the vast size of the deep learning structure can be an issue.
  • Patent Document 1 Korean Patent Publication No. 2008-0038512 (“System and method for providing driver stress index using electrocardiogram”, Publication date: May 7, 2008)
  • a smartphone or smart watch in daily life without a PC (Personal Computer) or a large device.
  • Cardiovascular health can be managed and a heart disease classification device and method using a mobile net capable of securing a sufficient amount of training data set are provided.
  • an input unit for receiving an electrocardiogram signal in a time domain a wavelet transform unit converting the electrocardiogram signal in the time domain into an electrocardiogram signal in the frequency domain using wavelet transform; and a neural network that classifies the electrocardiogram signal in the frequency domain as one of AFIB (Atrial fibrillation), LBBB (Left bundle branch block beat), NSR (Normal sinus rhythm), and PVC (Premature ventricular contraction), wherein the neural network, Provided is a heart disease classification device using a mobile net, which is a mobile net learned using a training data set.
  • AFIB Atrial fibrillation
  • LBBB Left bundle branch block beat
  • NSR Normal sinus rhythm
  • PVC Premature ventricular contraction
  • a first step of receiving an electrocardiogram signal in the time domain from an input unit a second step of converting the electrocardiogram signal in the time domain into an electrocardiogram signal in the frequency domain by using a wavelet transform in a wavelet transform unit; And a third step of classifying the electrocardiogram signal in the frequency domain into one of AFIB (Atrial fibrillation), LBBB (Left bundle branch block beat), NSR (Normal sinus rhythm), and PVC (Premature ventricular contraction) in a neural network
  • AFIB Atrial fibrillation
  • LBBB Left bundle branch block beat
  • NSR Normal sinus rhythm
  • PVC Premature ventricular contraction
  • a computer-readable recording medium on which a program for executing the method on a computer is recorded is provided.
  • an electrocardiogram signal in the time domain is converted into an electrocardiogram signal in the frequency domain using wavelet transform, and AFIB (Atrial fibrillation), LBBB (Left bundle branch block beat), NSR (Normal sinus rhythm) and PVC (Premature ventricular contraction), it is possible to improve the hardware performance due to the vast size of the deep learning structure, and through this, it is possible to improve the performance of the hardware without a PC (Personal Computer) or a large device. Cardiovascular health can be managed periodically in daily life using a smart watch.
  • a sufficient amount of training data set can be secured by using a matching pursuit algorithm or by increasing the number of data by rotating each electrocardiogram signal in the time domain.
  • FIG. 1 is a block diagram of a heart disease classification apparatus using a mobile net according to an embodiment of the present invention.
  • FIG. 2 is a diagram illustrating increased data using a matching pulse suit according to an embodiment of the present invention.
  • FIG. 3 is a diagram illustrating a wavelet-transformed electrocardiogram signal according to an embodiment of the present invention.
  • FIG 4 shows the classification accuracy of the heart disease classification apparatus using mobilenet according to an embodiment of the present invention using 12-fold Cross Validation.
  • FIG. 5 is a flowchart illustrating a heart disease classification method using a mobile net according to an embodiment of the present invention.
  • FIG. 6 is a block diagram of a computer device capable of fully or partially implementing a heart disease classification device using a mobile net according to an embodiment of the present invention.
  • FIG. 1 is a block diagram of a heart disease classification apparatus using a mobile net according to an embodiment of the present invention.
  • the heart disease classification apparatus 100 using a mobile net includes an input unit 111, a filter unit 112, a wavelet transform unit 113, and a training data generator. (115) and a neural network (114).
  • the input unit 111 may receive an electrocardiogram signal in the time domain and transmit it to the filter unit 112 .
  • the filter unit 112 may low-pass filter the electrocardiogram signal in the time domain received from the input unit 111 .
  • the cut-off frequency of the low-pass filtering may be 130 Hz.
  • a noise correction effect of 91.79% can be obtained through the filter unit 112 having such a cutoff frequency.
  • the wavelet transform unit 113 may convert an ECG signal in the time domain into an ECG signal in the frequency domain using wavelet transform.
  • the converted electrocardiogram signal in the frequency domain may be transmitted to the neural network 114 .
  • 3 shows an exemplary wavelet-transformed electrocardiogram signal according to an embodiment of the present invention.
  • the neural network 114 may classify the electrocardiogram signal in the frequency domain into one of atrial fibrillation (AFIB), left bundle branch block beat (LBBB), normal sinus rhythm (NSR), and premature ventricular contraction (PVC).
  • AFIB atrial fibrillation
  • LBBB left bundle branch block beat
  • NSR normal sinus rhythm
  • PVC premature ventricular contraction
  • neural network 114 may be a MobileNet learned using a training data set.
  • the above-described mobile net is a lightweight deep learning model, and is a Convolution Neural Network (CNN) structure designed to be used where computer performance is limited or battery performance is important.
  • This mobile net consists of well-known layers such as an input layer, a 2D layer, a normalization layer, a max pooling layer, a fully connected layer, and a softmax layer. block beat), NSR (Normal sinus rhythm), and PVC (Premature ventricular contraction). Since the internal structure and functions of these mobilenets are widely known, a detailed description thereof will be omitted.
  • a training data generation unit 115 for generating a training data set for learning of the above-described neural network 114 may be further included.
  • the training data generation unit 115 increases the number of data by generating a second number of time-domain ECG signals from the first number of time-domain ECG signals, and then uses wavelet transform to generate the second number of time-domain ECG signals.
  • An electrocardiogram signal may be converted into an electrocardiogram signal in a frequency domain.
  • the second number may be greater than the first number.
  • the number of data can be increased by using a Matching Pursuit algorithm or by rotating each ECG signal in the time domain.
  • both of the above two methods may be used to increase the number of data.
  • the aforementioned Matching Pursuit algorithm is an algorithm capable of similarly copying ECG data. Electrocardiogram data can be increased 10 times by using the Matching Pursuit algorithm. 2(a) to (f) show increased data using a matching pulse suit according to an embodiment of the present invention.
  • each electrocardiogram signal in the time domain may be rotated to increase the number of data.
  • the neural network 114 converts the electrocardiogram signal in the time domain before rotation and the electrocardiogram signal in the time domain after rotation. It can be recognized as other data.
  • the neural network 114 may be learned based on the training data set generated by the training data generation unit 115 described above.
  • FIG. 4 shows the classification accuracy of a heart disease classification apparatus using a mobile net according to an embodiment of the present invention using 12-fold cross validation.
  • K-fold cross validation divides data into K groups, extracts one of the groups and uses it as a test set, and uses the remaining K-1 groups as a training set. use. Repeat K times, each test achieves one classification accuracy, then average K results to get the final performance of classification. In the present invention, as a result of measuring classification accuracy using 12-fold cross-validation, 9-fold showed 92.65%.
  • an electrocardiogram signal in the time domain is converted into an electrocardiogram signal in the frequency domain using wavelet transform, and AFIB (Atrial fibrillation) and LBBB (Left bundle branch block beat), NSR (Normal sinus rhythm), and PVC (Premature ventricular contraction), it is possible to improve hardware performance due to a vast deep learning structure, instead of a PC (Personal Computer) or a large device.
  • AFIB Atrial fibrillation
  • LBBB Left bundle branch block beat
  • NSR Normal sinus rhythm
  • PVC Premature ventricular contraction
  • a sufficient amount of training data set can be secured by using a matching pursuit algorithm or by increasing the number of data by rotating each electrocardiogram signal in the time domain.
  • FIG. 5 is a flowchart illustrating a heart disease classification method using a mobile net according to an embodiment of the present invention.
  • FIGS. 1 to 5 a heart disease classification method using a mobilenet according to an embodiment of the present invention will be described in detail with reference to FIGS. 1 to 5 .
  • descriptions of overlapping parts with those described in FIGS. 1 to 4 will be omitted.
  • the heart disease classification method using mobilenet may be started by receiving an electrocardiogram signal in the time domain from the input unit 111 (S501).
  • the electrocardiogram signal in the time domain may be low-pass filtered, and the cut-off frequency of the low-pass filtering may be 130 Hz.
  • the wavelet transform unit 113 may convert the electrocardiogram signal in the time domain into an electrocardiogram signal in the frequency domain using wavelet transform (S502).
  • the converted electrocardiogram signal in the frequency domain may be transmitted to the neural network 114 .
  • the neural network 114 may classify the electrocardiogram signal in the frequency domain as one of AFIB (Atrial fibrillation), LBBB (Left bundle branch block beat), NSR (Normal sinus rhythm), and PVC (Premature ventricular contraction) (S503 ).
  • AFIB Atrial fibrillation
  • LBBB Left bundle branch block beat
  • NSR Normal sinus rhythm
  • PVC Premature ventricular contraction
  • neural network 114 may be a MobileNet learned using a training data set.
  • the above-described mobile net is a lightweight deep learning model, and is a Convolution Neural Network (CNN) structure designed to be used where computer performance is limited or battery performance is important.
  • This mobile net consists of well-known layers such as an input layer, a 2D layer, a normalization layer, a max pooling layer, a fully connected layer, and a softmax layer. block beat), NSR (Normal sinus rhythm), and PVC (Premature ventricular contraction) can be classified as described above.
  • a training data generation unit 115 for generating a training data set for learning of the above-described neural network 114 may be further included.
  • the training data generation unit 115 increases the number of data by generating a second number of time-domain ECG signals from the first number of time-domain ECG signals, and then uses wavelet transform to generate the second number of time-domain ECG signals.
  • An electrocardiogram signal may be converted into an electrocardiogram signal in a frequency domain.
  • the second number may be greater than the first number.
  • the number of data can be increased by using a Matching Pursuit algorithm or by rotating each ECG signal in the time domain.
  • both of the above two methods may be used to increase the number of data.
  • the aforementioned Matching Pursuit algorithm is an algorithm capable of similarly copying ECG data. Electrocardiogram data can be increased 10 times by using the Matching Pursuit algorithm. 2(a) to (f) show increased data using a matching pulse suit according to an embodiment of the present invention.
  • each electrocardiogram signal in the time domain may be rotated to increase the number of data.
  • the neural network 114 converts the electrocardiogram signal in the time domain before rotation and the electrocardiogram signal in the time domain after rotation. It can be recognized as other data.
  • the neural network 114 may be learned based on the training data set generated by the training data generation unit 115 described above.
  • an electrocardiogram signal in the time domain is converted into an electrocardiogram signal in the frequency domain using wavelet transform, and AFIB (Atrial fibrillation) and LBBB (Left bundle branch block beat), NSR (Normal sinus rhythm), and PVC (Premature ventricular contraction), it is possible to improve hardware performance due to a vast deep learning structure, instead of a PC (Personal Computer) or a large device.
  • AFIB Atrial fibrillation
  • LBBB Left bundle branch block beat
  • NSR Normal sinus rhythm
  • PVC Premature ventricular contraction
  • a sufficient amount of training data set can be secured by using a matching pursuit algorithm or by increasing the number of data by rotating each electrocardiogram signal in the time domain.
  • FIG. 6 is a block diagram of a computer device capable of fully or partially implementing a heart disease classification device using a mobile net according to an embodiment of the present invention.
  • the heart disease classification device 100 using a mobile net shown in FIG. can be applied.
  • the computer device 600 includes an input interface 601, an output interface 602, a processor 604, and a memory 605, and includes an input interface 601 and an output interface 602. , the processor 604 and the memory 605 may be interconnected through a system bus 603.
  • the memory 605 is used to store programs, instructions or codes, and the processor 604 executes the programs, instructions or codes stored in the memory 605, and the input interface 601 It can control to receive signals and control the output interface 602 to transmit signals.
  • the aforementioned memory 605 may include read-only memory and random access memory, and may provide instructions and data to the processor 604 .
  • the processor 604 may be a central processing unit (CPU), another general-purpose processor, a digital signal processor (DSP), an application specific integrated circuit (Application Specific Integrated Circuit) , ASIC), Field Programmable Gate Array (FPGA) or other programmable logic device, discrete gate or transistor logic device, discrete hardware component, etc.
  • CPU central processing unit
  • DSP digital signal processor
  • ASIC Application Specific Integrated Circuit
  • FPGA Field Programmable Gate Array
  • a general purpose processor may be a microprocessor, or the processor may be any conventional processor or the like.
  • the method performed in each device of FIG. 1 may be achieved by an integrated logic circuit of hardware in the processor 604 or an instruction in the form of software.
  • Contents of a method disclosed in relation to an embodiment of the present invention may be implemented to be performed and completed by a hardware processor or a combination of hardware and software modules of a processor to be performed and completed.
  • the software module may be stored in memory, such as random access memory, flash memory, read only memory, programmable read only memory or electrically erasable programmable memory, registers, and the processor 604 reads the information in the memory 605; In combination with hardware, the contents of the above method are implemented.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Physics & Mathematics (AREA)
  • Cardiology (AREA)
  • Veterinary Medicine (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 발명의 일 실시 형태에 따른 모바일넷을 이용한 심장 질병 분류 장치는 시간 영역의 심전도 신호를 입력받는 입력부와, 웨이블렛 변환을 이용하여 시간 영역의 심전도 신호를 주파수 영역의 심전도 신호로 변환하는 웨이블렛 변환부와, 주파수 영역의 심전도 신호를 AFIB(Atrial fibrillation), LBBB(Left bundle branch block beat), NSR(Normal sinus rhythm) 및 PVC(Premature ventricular contraction) 중 어느 하나로 분류하는 신경망을 포함하며, 상기 신경망은 트레이닝 데이터 세트를 이용하여 학습된 모바일넷(MobileNet)일 수 있다.

Description

모바일넷을 이용한 심장 질병 분류 장치 및 방법
본 출원은, 모바일넷을 이용한 심장 질병 분류 장치 및 방법에 관한 것이다.
심전도는 전기 신호로 표시되는 심장의 리듬 박동을 나타낸다. 건강한 사람의 심박수는 분당 60 ~ 100 회를 유지한다. 사람이 운동하거나 긴장 혹은 흥분 할 때 심장이 더 빨리 뛰게 된다. 이러한 경우 일반적으로 문제가 발생하지 않는다. 그러나 아무 이유없이 심장이 불규칙적으로 뛰면 심장 건강에 문제가 있는 것으로 이러한 증상을 심장질환이라고 한다. 심장질환은 발현 시 어지러움, 실신, 가슴통증, 호흡곤란 등의 증상이 발생하며 심장 마비를 유발할 수 있기 때문에 심장 질환 조기 감지는 매우 중요하다.
기존의 심장질환 진단 방법은 주기적으로 병원에 내원하여 주기적으로 체크해야 하는 환자들에게 시간적, 비용적 불편함을 느끼게 한다. 또한 널리 보급되어 있는 스마트워치에서 측정된 심전도는 1분 미만의 짧은 시간에 측정된 데이터로써, 심장 질환을 포함한 심혈관 질환을 사전에 미리 파악하는데 기여를 할 수 없다. 심장 질환 탐지 방법에는 RR 간격을 이용한 심실의 조기 수축 탐지 분석법, 이산 푸리에 변환을 사용한 분석법, 힐버트(Hilbert) 변환에 기반한 분석법이 포함된다.
이러한 심장 질환 진단법은 전문가에 의해 수행되어야 하며 심장질환의 조기발견을 위해서는 불규칙적으로 발생하는 방대한 양의 심전도 데이터를 확보해야 한다. 하지만 장시간 심전도를 측정할 경우 많은 양의 데이터를 분석해야 하며 일상생활에서 심전도 측정 시 측정자의 움직임, 신호 간섭 문제 등 정확한 진단에 고려해야 할 요소가 많다. 또한 방대한 크기의 딥러닝 구조로 인한 하드웨어 성능이 문제가 될 수 있다.
(특허문헌 1) 한국공개특허 제2008-0038512호(“심전도를 이용한 운전자 스트레스 지수 제공 시스템 및 방법”, 공개일: 2008년05월07일)
본 발명의 일 실시 형태에 의하면, 방대한 크기의 딥러닝 구조로 인한 하드웨어 성능을 개선할 수 있고, 이를 통해 PC(Personal Computer) 혹은 크기가 큰 디바이스 없이도 스마트폰이나 스마트워치를 이용하여 일상생활에서 주기적으로 심혈관계 건강을 관리할 수 있으며, 충분한 양의 트레이닝 데이터 세트를 확보할 수 있는 모바일넷을 이용한 심장 질병 분류 장치 및 방법을 제공한다.
본 발명의 일 실시 형태에 의하면, 시간 영역의 심전도 신호를 입력받는 입력부; 웨이블렛 변환을 이용하여 상기 시간 영역의 심전도 신호를 주파수 영역의 심전도 신호로 변환하는 웨이블렛 변환부; 및 상기 주파수 영역의 심전도 신호를 AFIB(Atrial fibrillation), LBBB(Left bundle branch block beat), NSR(Normal sinus rhythm) 및 PVC(Premature ventricular contraction) 중 어느 하나로 분류하는 신경망을 포함하며, 상기 신경망은, 트레이닝 데이터 세트를 이용하여 학습된 모바일넷(MobileNet)인, 모바일넷을 이용한 심장 질병 분류 장치를 제공한다.
본 발명의 다른 실시 형태에 의하면, 입력부에서, 시간 영역의 심전도 신호를 입력받는 제1 단계; 웨이블렛 변환부에서, 웨이블렛 변환을 이용하여 상기 시간 영역의 심전도 신호를 주파수 영역의 심전도 신호로 변환하는 제2 단계; 및 신경망에서, 상기 주파수 영역의 심전도 신호를 AFIB(Atrial fibrillation), LBBB(Left bundle branch block beat), NSR(Normal sinus rhythm) 및 PVC(Premature ventricular contraction) 중 어느 하나로 분류하는 제3 단계를 포함하며, 상기 신경망은, 트레이닝 데이터 세트를 이용하여 학습된 모바일넷(MobileNet)인, 모바일넷을 이용한 심장 질병 분류 방법을 제공한다.
본 발명의 다른 실시 형태에 의하면, 상기 방법을 컴퓨터상에서 실행하기 위한 프로그램을 기록한, 컴퓨터로 독출 가능한 기록 매체를 제공한다.
본 발명의 일 실시 형태에 의하면, 웨이블렛 변환을 이용하여 시간 영역의 심전도 신호를 주파수 영역의 심전도 신호로 변환하고, 모바일넷을 이용하여 AFIB(Atrial fibrillation), LBBB(Left bundle branch block beat), NSR(Normal sinus rhythm) 및 PVC(Premature ventricular contraction) 중 어느 하나로 분류함으로써, 방대한 크기의 딥러닝 구조로 인한 하드웨어 성능을 개선할 수 있고, 이를 통해 PC(Personal Computer) 혹은 크기가 큰 디바이스 없이도 스마트폰이나 스마트워치를 이용하여 일상생활에서 주기적으로 심혈관계 건강을 관리할 수 있다.
또한, 본 발명의 일 실시 형태에 의하면, 매칭 펄수트(matching pursuit) 알고리즘을 이용하거나, 또는 시간 영역의 심전도 신호 각각을 회전시킴으로써 데이터 개수를 증가시킴으로써, 충분한 양의 트레이닝 데이터 세트를 확보할 수 있다.
도 1은 본 발명의 일 실시 형태에 따른 모바일넷을 이용한 심장 질병 분류 장치의 블록도이다.
도 2는 본 발명의 일 실시 형태에 따라 매칭 펄수트를 이용하여 증가된 데이터를 도시한 도면이다.
도 3은 본 발명의 일 실시 형태에 따른 웨이블렛 변환된 심전도 신호를 도시한 도면이다.
도 4는 본 발명의 일 실시 형태에 따른 모바일넷을 이용한 심장 질병 분류 장치의 분류 정확도를 12-fold Cross Validation을 이용하여 나타낸 것이다.
도 5는 본 발명의 일 실시 형태에 따른 모바일넷을 이용한 심장 질병 분류 방법을 설명하는 흐름도이다.
도 6은 본 발명의 일 실시 형태에 따른 모바일넷을 이용한 심장 질병 분류 장치를 전체적으로 또는 부분적으로 구현할 수 있는 컴퓨터 장치의 블록도이다.
이하, 첨부된 도면을 참조하여 본 발명의 실시형태를 설명한다. 그러나 본 발명의 실시형태는 여러 가지의 다른 형태로 변형될 수 있으며, 본 발명의 범위가 이하 설명하는 실시형태로만 한정되는 것은 아니다. 도면에서의 요소들의 형상 및 크기 등은 더욱 명확한 설명을 위해 과장될 수 있으며, 도면상의 동일한 부호로 표시되는 요소는 동일한 요소이다.
도 1은 본 발명의 일 실시 형태에 따른 모바일넷을 이용한 심장 질병 분류 장치의 블록도이다.
도 1에 도시된 바와 같이, 본 발명의 일 실시 형태에 따른 모바일넷을 이용한 심장 질병 분류 장치(100)는 입력부(111), 필터부(112), 웨이블렛 변환부(113), 트레이닝 데이터 생성부(115) 및 신경망(114)을 포함하여 구성될 수 있다.
구체적으로, 입력부(111)는 시간 영역의 심전도 신호를 입력받아 필터부(112)로 전달할 수 있다.
필터부(112)는 입력부(111)로부터 전달받은 시간 영역의 심전도 신호를 저역 통과 필터링할 수 있다. 여기서, 저역 통과 필터링의 차단 주파수는 130Hz일 수 있다. 이와 같은 차단 주파수를 가진 필터부(112)를 통해 91.79%의 잡음 보정 효과를 얻을 수 있다.
한편, 웨이블렛 변환부(113)는 웨이블렛 변환을 이용하여 시간 영역의 심전도 신호를 주파수 영역의 심전도 신호로 변환할 수 있다. 변환된 주파수 영역의 심전도 신호는 신경망(114)으로 전달될 수 있다. 도 3에는 본 발명의 일 실시 형태에 따른 예시적인 웨이블렛 변환된 심전도 신호를 도시하고 있다.
이후, 신경망(114)은 주파수 영역의 심전도 신호를 AFIB(Atrial fibrillation), LBBB(Left bundle branch block beat), NSR(Normal sinus rhythm) 및 PVC(Premature ventricular contraction) 중 어느 하나로 분류할 수 있다.
본 발명의 일 실시 형태에 의하면, 신경망(114)은 트레이닝 데이터 세트를 이용하여 학습된 모바일 넷(MobileNet)일 수 있다.
상술한 모바일넷은 딥러닝 모델을 경량화한 것으로, 컴퓨터 성능이 제한되거나 배터리 퍼포먼스가 중요한 곳에서 사용될 목적으로 설계된 CNN(Convolution Neural Network) 구조이다. 이러한 모바일넷은 입력 레이어, 2D 레이어, 정규화 레이어, 맥스 풀링 레이어, 풀리 커넥티드 레이어, 소프트맥스 레이어 등 공지의 레이어들로 구성되어 주파수 영역의 심전도 신호를 AFIB(Atrial fibrillation), LBBB(Left bundle branch block beat), NSR(Normal sinus rhythm) 및 PVC(Premature ventricular contraction) 중 어느 하나로 분류할 수 있다. 이러한 모바일넷의 내부 구조 및 기능은 널리 알려진 바 이에 대한 상세한 설명은 생략한다.
한편, 본 발명의 일 실시 형태에 의하면, 상술한 신경망(114)의 학습을 위해 트레이닝 데이터 세트를 생성하는 트레이닝 데이터 생성부(115)를 더 포함할 수 있다.
트레이닝 데이터 생성부(115)는 제1 개수의 시간 영역의 심전도 신호로부터 제2 개수의 시간 영역의 심전도 신호를 생성함으로써, 데이터 개수를 증가시키고, 이후 웨이블렛 변환을 이용하여 제2 개수의 시간 영역의 심전도 신호를 주파수 영역의 심전도 신호로 변환할 수 있다. 여기서, 제2 개수는 제1 개수보다 큰 값일 수 있다.
신경망(114)의 학습시에는 데이터의 개수가 많을수록 정확도가 향상될 수 있다. 따라서, 본 발명의 일 실시 형태에 의하면, 심전도 신호의 개수를 증가시키기 위해, 매칭 펄수트(Matching Pursuit) 알고리즘을 이용하거나 또는 시간 영역의 심전도 신호 각각을 회전시킴으로써, 데이터의 개수를 증가시킬 수 있다. 데이터 개수를 증가시키기 위해 상술한 2가지 방법을 모두 사용할 수도 있음은 물론이다.
상술한 매칭 펄수트(Matching Pursuit) 알고리즘은 심전도 데이터를 유사하게 복사할 수 있는 알고리즘이다. 이러한 매칭 펄수트(Matching Pursuit) 알고리즘을 이용하여 심전도 데이터를 10배로 늘릴 수 있다. 도 2의 (a) 내지 (f)에는 본 발명의 일 실시 형태에 따라 매칭 펄수트를 이용하여 증가된 데이터를 도시하고 있다.
또한, 데이터 개수를 증가시키기 위해 시간 영역의 심전도 신호 각각을 회전시킬 수 있으며, 시간 영역의 심전도 신호를 회전시킴으로써 신경망(114)으로 하여금 회전 전의 시간 영역의 심전도 신호와 회전 후의 시간 영역의 심전도 신호를 다른 데이터로 인식시킬 수 있다.
상술한 트레이닝 데이터 생성부(115)에서 생성된 트레이닝 데이터 세트에 기초하여 신경망(114)이 학습될 수 있다.
한편, 도 4는 본 발명의 일 실시 형태에 따른 모바일넷을 이용한 심장 질병 분류 장치의 분류 정확도를 12겹 교차 검증(12-fold Cross Validation)을 이용하여 나타낸 것이다.
K겹 교차 검증(K-fold Cross validation)은 데이터를 K개의 그룹으로 나누고, 그룹 중에서 하나를 추출하여 테스트 세트(test set)로 사용하며, 나머지 K-1개의 그룹은 트레이닝 세트(Training set)로 사용한다. K회를 반복하면 각 시험은 하나의 분류 정확도를 얻은 다음 평균 K 결과를 얻어 분류의 최종 성능을 얻는다. 본 발명에서는 12겹 교차 검증을 이용하여 분류 정확도를 측정한 결과 9겹(9-fold)에서 92.65%를 나타냈다.
상술한 바와 같이, 본 발명의 일 실시 형태에 의하면, 웨이블렛 변환을 이용하여 시간 영역의 심전도 신호를 주파수 영역의 심전도 신호로 변환하고, 모바일넷을 이용하여 AFIB(Atrial fibrillation), LBBB(Left bundle branch block beat), NSR(Normal sinus rhythm) 및 PVC(Premature ventricular contraction) 중 어느 하나로 분류함으로써, 방대한 크기의 딥러닝 구조로 인한 하드웨어 성능을 개선할 수 있고, PC(Personal Conputer) 혹은 크기가 큰 디바이스 대신 스마트폰이나 스마트워치와 융합하여 일상생활에서 주기적으로 심혈관계 건강을 관리할 수 있다.
또한, 본 발명의 일 실시 형태에 의하면, 매칭 펄수트(matching pursuit) 알고리즘을 이용하거나, 또는 시간 영역의 심전도 신호 각각을 회전시킴으로써 데이터 개수를 증가시킴으로써, 충분한 양의 트레이닝 데이터 세트를 확보할 수 있다.
마지막으로, 도 5는 본 발명의 일 실시 형태에 따른 모바일넷을 이용한 심장 질병 분류 방법을 설명하는 흐름도이다.
이하 도 1 내지 도 5를 참조하여 본 발명의 일 실시 형태에 따른 모바일넷을 이용한 심장 질병 분류 방법을 상세하게 설명한다. 다만, 발명의 간명화를 위해 도 1 내지 도 4에서 설명된 사항과 중복된 부분에 대한 설명은 생략한다.
본 발명의 일 실시 형태에 따른 모바일넷을 이용한 심장 질병 분류 방법은, 입력부(111)에서 시간 영역의 심전도 신호를 입력받는 단계에 의해 시작될 수 있다(S501).
발명의 실시 형태에 따르면, 시간 영역의 심전도 신호를 저역 통과 필터링될 수 있으며, 저역 통과 필터링의 차단 주파수는 130Hz일 수 있음은 상술한 바와 같다.
다음, 웨이블렛 변환부(113)는 웨이블렛 변환을 이용하여 시간 영역의 심전도 신호를 주파수 영역의 심전도 신호로 변환할 수 있다(S502). 변환된 주파수 영역의 심전도 신호는 신경망(114)으로 전달될 수 있다.
이후, 신경망(114)은 주파수 영역의 심전도 신호를 AFIB(Atrial fibrillation), LBBB(Left bundle branch block beat), NSR(Normal sinus rhythm) 및 PVC(Premature ventricular contraction) 중 어느 하나로 분류할 수 있다(S503).
본 발명의 일 실시 형태에 의하면, 신경망(114)은 트레이닝 데이터 세트를 이용하여 학습된 모바일 넷(MobileNet)일 수 있다.
상술한 모바일넷은 딥러닝 모델을 경량화한 것으로, 컴퓨터 성능이 제한되거나 배터리 퍼포먼스가 중요한 곳에서 사용될 목적으로 설계된 CNN(Convolution Neural Network) 구조이다. 이러한 모바일넷은 입력 레이어, 2D 레이어, 정규화 레이어, 맥스 풀링 레이어, 풀리 커넥티드 레이어, 소프트맥스 레이어 등 공지의 레이어들로 구성되어 주파수 영역의 심전도 신호를 AFIB(Atrial fibrillation), LBBB(Left bundle branch block beat), NSR(Normal sinus rhythm) 및 PVC(Premature ventricular contraction) 중 어느 하나로 분류할 수 있음은 상술한 바와 같다.
한편, 본 발명의 일 실시 형태에 의하면, 상술한 신경망(114)의 학습을 위해 트레이닝 데이터 세트를 생성하는 트레이닝 데이터 생성부(115)를 더 포함할 수 있다.
트레이닝 데이터 생성부(115)는 제1 개수의 시간 영역의 심전도 신호로부터 제2 개수의 시간 영역의 심전도 신호를 생성함으로써, 데이터 개수를 증가시키고, 이후 웨이블렛 변환을 이용하여 제2 개수의 시간 영역의 심전도 신호를 주파수 영역의 심전도 신호로 변환할 수 있다. 여기서, 제2 개수는 제1 개수보다 큰 값일 수 있다.
신경망(114)의 학습시에는 데이터의 개수가 많을수록 정확도가 향상될 수 있다. 따라서, 본 발명의 일 실시 형태에 의하면, 심전도 신호의 개수를 증가시키기 위해, 매칭 펄수트(Matching Pursuit) 알고리즘을 이용하거나 또는 시간 영역의 심전도 신호 각각을 회전시킴으로써, 데이터의 개수를 증가시킬 수 있다. 데이터 개수를 증가시키기 위해 상술한 2가지 방법을 모두 사용할 수도 있음은 물론이다.
상술한 매칭 펄수트(Matching Pursuit) 알고리즘은 심전도 데이터를 유사하게 복사할 수 있는 알고리즘이다. 이러한 매칭 펄수트(Matching Pursuit) 알고리즘을 이용하여 심전도 데이터를 10배로 늘릴 수 있다. 도 2의 (a) 내지 (f)에는 본 발명의 일 실시 형태에 따라 매칭 펄수트를 이용하여 증가된 데이터를 도시하고 있다.
또한, 데이터 개수를 증가시키기 위해 시간 영역의 심전도 신호 각각을 회전시킬 수 있으며, 시간 영역의 심전도 신호를 회전시킴으로써 신경망(114)으로 하여금 회전 전의 시간 영역의 심전도 신호와 회전 후의 시간 영역의 심전도 신호를 다른 데이터로 인식시킬 수 있다.
상술한 트레이닝 데이터 생성부(115)에서 생성된 트레이닝 데이터 세트에 기초하여 신경망(114)이 학습될 수 있다.
상술한 바와 같이, 본 발명의 일 실시 형태에 의하면, 웨이블렛 변환을 이용하여 시간 영역의 심전도 신호를 주파수 영역의 심전도 신호로 변환하고, 모바일넷을 이용하여 AFIB(Atrial fibrillation), LBBB(Left bundle branch block beat), NSR(Normal sinus rhythm) 및 PVC(Premature ventricular contraction) 중 어느 하나로 분류함으로써, 방대한 크기의 딥러닝 구조로 인한 하드웨어 성능을 개선할 수 있고, PC(Personal Conputer) 혹은 크기가 큰 디바이스 대신 스마트폰이나 스마트워치와 융합하여 일상생활에서 주기적으로 심혈관계 건강을 관리할 수 있다.
또한, 본 발명의 일 실시 형태에 의하면, 매칭 펄수트(matching pursuit) 알고리즘을 이용하거나, 또는 시간 영역의 심전도 신호 각각을 회전시킴으로써 데이터 개수를 증가시킴으로써, 충분한 양의 트레이닝 데이터 세트를 확보할 수 있다.
한편, 도 6은 본 발명의 일 실시 형태에 따른 모바일넷을 이용한 심장 질병 분류 장치를 전체적으로 또는 부분적으로 구현할 수 있는 컴퓨터 장치의 블록도로, 도 1에 도시된 모바일넷을 이용한 심장 질병 분류 장치(100)에 적용될 수 있다.
도 6에 도시된 바와 같이, 컴퓨터 장치(600)는 입력 인터페이스(601), 출력 인터페이스(602), 프로세서(604) 및 메모리(605)를 포함하며, 입력 인터페이스(601), 출력 인터페이스(602), 프로세서(604) 및 메모리(605)는 시스템 버스(603)를 통해 상호 연결될 수 있다.
본 발명의 실시예에 있어서, 메모리(605)는 프로그램, 명령어 또는 코드를 저장하는데 사용되며, 프로세서(604)는 메모리(605)에 저장된 프로그램, 명령어 또는 코드를 수행하고, 입력 인터페이스(601)를 제어하여 신호를 수신하고, 출력 인터페이스(602)를 제어하여 신호를 송신할 수 있다. 상술한 메모리(605)는 읽기 전용 메모리 및 랜덤 액세스 메모리를 포함할 수 있고, 프로세서(604)에 명령어와 데이터를 제공할 수 있다.
본 발명의 실시예에 있어서, 프로세서(604)는 중앙 처리 장치(Central Processing Unit, CPU)일 수 있고, 다른 범용 프로세서, 디지털 신호 프로세서(Digital Signal Processor, DSP), 주문형 집적 회로(Application Specific Integrated Circuit, ASIC), 필드 프로그래머블 게이트 어레이(Field Programmable Gate Array, FPGA) 또는 다른 프로그래머블 논리 디바이스, 개별 게이트 또는 트랜지스터 논리 디바이스, 개별 하드웨어 구성 요소 등일 수 있는 것으로 이해되어야 한다. 범용 프로세서는 마이크로 프로세서일 수 있거나, 또는 해당 프로세서는 임의의 종래의 프로세서 등일 수 있다.
일 구현 과정에 있어서, 도 1의 각 장치에서 수행되는 방법은 프로세서(604) 내의 하드웨어의 통합 논리 회로 또는 소프트웨어 형태의 명령어에 의해 달성될 수 있다. 본 발명의 실시 형태에 관련하여 개시되는 방법의 내용은 하드웨어 프로세서에 의해 수행되어 완료되거나, 또는 프로세서의 하드웨어 및 소프트웨어 모듈의 조합에 의해 수행되어 완료되도록 구현될 수 있다. 소프트웨어 모듈은 랜덤 액세스 메모리, 플래시 메모리, 읽기 전용 메모리, 프로그래머블 읽기 전용 메모리 또는 전기적 소거 가능한 프로그래머블 메모리, 레지스터 등의 메모리에 저장될 수 있으며, 프로세서(604)는 메모리(605)의 정보를 판독하고, 하드웨어와 결합하여 상술한 방법의 내용을 구현한다.
본 발명은 상술한 실시형태 및 첨부된 도면에 의해 한정되지 아니한다. 첨부된 청구범위에 의해 권리범위를 한정하고자 하며, 청구범위에 기재된 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 다양한 형태의 치환, 변형 및 변경할 수 있다는 것은 당해 기술분야의 통상의 지식을 가진 자에게 자명할 것이다.

Claims (10)

  1. 시간 영역의 심전도 신호를 입력받는 입력부;
    웨이블렛 변환을 이용하여 상기 시간 영역의 심전도 신호를 주파수 영역의 심전도 신호로 변환하는 웨이블렛 변환부; 및
    상기 주파수 영역의 심전도 신호를 AFIB(Atrial fibrillation), LBBB(Left bundle branch block beat), NSR(Normal sinus rhythm) 및 PVC(Premature ventricular contraction) 중 어느 하나로 분류하는 신경망을 포함하며,
    상기 신경망은, 트레이닝 데이터 세트를 이용하여 학습된 모바일넷(MobileNet)인, 모바일넷을 이용한 심장 질병 분류 장치.
  2. 제1항에 있어서,
    상기 심장 질병 분류 장치는,
    상기 시간 영역의 심전도 신호를 저역 통과 필터링하는 필터부를 더 포함하며,
    상기 저역 통과 필터링의 차단 주파수는 130Hz인, 모바일넷을 이용한 심장 질병 분류 장치.
  3. 제1항에 있어서,
    상기 심장 질병 분류 장치는,
    상기 트레이닝 데이터 세트를 생성하는 트레인닝 데이터 세트 생성부를 더 포함하며,
    상기 모바일넷은, 상기 트레이닝 데이터 세트를 이용하여 학습을 수행하는, 모바일넷을 이용한 심장 질병 분류 장치.
  4. 제3항에 있어서,
    상기 트레인닝 데이터 세트 생성부는,
    제1 개수의 시간 영역의 심전도 신호로부터 제2 개수 - 상기 제2 개수는 상기 제1 개수보다 큼 - 의 시간 영역의 심전도 신호를 생성함으로써, 데이터 개수를 증가시키고,
    웨이블렛 변환을 이용하여 상기 제2 개수의 시간 영역의 심전도 신호를 주파수 영역의 심전도 신호로 변환하는, 모바일넷을 이용한 심장 질병 분류 장치.
  5. 제4항에 있어서,
    상기 트레인닝 데이터 세트 생성부는,
    매칭 펄수트(matching pursuit) 알고리즘을 이용하거나, 또는 상기 제1 개수의 시간 영역의 심전도 신호 각각을 회전시킴으로써 데이터 개수를 증가시키는, 모바일넷을 이용한 심장 질병 분류 장치.
  6. 입력부에서, 시간 영역의 심전도 신호를 입력받는 제1 단계;
    웨이블렛 변환부에서, 웨이블렛 변환을 이용하여 상기 시간 영역의 심전도 신호를 주파수 영역의 심전도 신호로 변환하는 제2 단계; 및
    신경망에서, 상기 주파수 영역의 심전도 신호를 AFIB(Atrial fibrillation), LBBB(Left bundle branch block beat), NSR(Normal sinus rhythm) 및 PVC(Premature ventricular contraction) 중 어느 하나로 분류하는 제3 단계를 포함하며,
    상기 신경망은, 트레이닝 데이터 세트를 이용하여 학습된 모바일넷(MobileNet)인, 모바일넷을 이용한 심장 질병 분류 방법.
  7. 제6항에 있어서,
    상기 심장 질병 분류 방법은,
    필터부에서, 상기 시간 영역의 심전도 신호를 저역 통과 필터링하는 단계를 더 포함하며,
    상기 저역 통과 필터링의 차단 주파수는 130Hz인, 모바일넷을 이용한 심장 질병 분류 방법.
  8. 제6항에 있어서,
    상기 심장 질병 분류 방법은,
    트레인닝 데이터 세트 생성부에서, 상기 트레이닝 데이터 세트를 생성하는 단계; 및
    상기 모바일넷에서, 상기 트레이닝 데이터 세트를 이용하여 학습을 수행하는 단계를 포함하는, 모바일넷을 이용한 심장 질병 분류 방법.
  9. 제8항에 있어서,
    상기 트레이닝 데이터 세트를 생성하는 단계는,
    제1 개수의 시간 영역의 심전도 신호로부터 제2 개수 - 상기 제2 개수는 상기 제1 개수보다 큼 - 의 시간 영역의 심전도 신호를 생성함으로써, 데이터 개수를 증가시키는 단계; 및
    웨이블렛 변환을 이용하여 상기 제2 개수의 시간 영역의 심전도 신호를 주파수 영역의 심전도 신호로 변환하는 단계를 포함하는, 모바일넷을 이용한 심장 질병 분류 방법.
  10. 제9항에 있어서,
    상기 데이터 개수를 증가시키는 단계는,
    매칭 펄수트(matching pursuit) 알고리즘을 이용하거나, 또는 상기 제1 개수의 시간 영역의 심전도 신호 각각을 회전시킴으로써 데이터 개수를 증가시키는 단계를 포함하는, 모바일넷을 이용한 심장 질병 분류 방법.
PCT/KR2022/018722 2021-11-24 2022-11-24 모바일넷을 이용한 심장 질병 분류 장치 및 방법 WO2023096372A1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR10-2021-0163380 2021-11-24
KR20210163380 2021-11-24
KR10-2022-0157248 2022-11-22
KR1020220157248A KR20230076781A (ko) 2021-11-24 2022-11-22 모바일넷을 이용한 심장 질병 분류 장치 및 방법

Publications (1)

Publication Number Publication Date
WO2023096372A1 true WO2023096372A1 (ko) 2023-06-01

Family

ID=86540096

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/018722 WO2023096372A1 (ko) 2021-11-24 2022-11-24 모바일넷을 이용한 심장 질병 분류 장치 및 방법

Country Status (1)

Country Link
WO (1) WO2023096372A1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101251081B1 (ko) * 2011-02-17 2013-04-05 (의료)길의료재단 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법
KR101273652B1 (ko) * 2011-07-22 2013-06-11 가천대학교 산학협력단 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용하여 심근 허혈을 검출하는 방법
CN109864739A (zh) * 2019-03-19 2019-06-11 苏州哈特智能医疗科技有限公司 一种从10秒心电图中识别二度房室传导阻滞的方法
KR20200071183A (ko) * 2018-12-10 2020-06-19 순천향대학교 산학협력단 심층 신경망을 이용한 부정맥 분류 시스템 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101251081B1 (ko) * 2011-02-17 2013-04-05 (의료)길의료재단 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법
KR101273652B1 (ko) * 2011-07-22 2013-06-11 가천대학교 산학협력단 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용하여 심근 허혈을 검출하는 방법
KR20200071183A (ko) * 2018-12-10 2020-06-19 순천향대학교 산학협력단 심층 신경망을 이용한 부정맥 분류 시스템 및 방법
CN109864739A (zh) * 2019-03-19 2019-06-11 苏州哈特智能医疗科技有限公司 一种从10秒心电图中识别二度房室传导阻滞的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HYOUNG JONG JANG, JOON SHIK LIM: "Detection of Premature Ventricular Contraction Using Discrete Wavelet Transform and Fuzzy Neural Network", JOURNAL OF KOREA MULTIMEDIA SOCIETY, vol. 12, no. 3, 1 March 2009 (2009-03-01), pages 451 - 459, XP093069092 *

Similar Documents

Publication Publication Date Title
Sivapalan et al. ANNet: A lightweight neural network for ECG anomaly detection in IoT edge sensors
US20230143594A1 (en) Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems
CN108968941B (zh) 一种心律失常检测方法、装置及终端
Sakli et al. ResNet-50 for 12-lead electrocardiogram automated diagnosis
CN105726018A (zh) 一种与rr间期无关的房颤自动检测方法
CN110801218B (zh) 心电图数据处理方法、装置、电子设备及计算机可读介质
JP6583892B2 (ja) Ｅｃｇ信号の並行解析装置、方法及び移動端末
WO2023184771A1 (zh) 一种基于位点等效增强的脑机接口解码方法及装置
Zhang et al. Deep learning-based signal quality assessment for wearable ECGs
Daydulo et al. Cardiac arrhythmia detection using deep learning approach and time frequency representation of ECG signals
CN106974644A (zh) 一种心电图r波检测方法以及系统
WO2023096372A1 (ko) 모바일넷을 이용한 심장 질병 분류 장치 및 방법
Zhang et al. A signal quality assessment method for electrocardiography acquired by mobile device
Vadillo-Valderrama et al. Differential beat accuracy for ECG family classification using machine learning
Gopika et al. Performance improvement of deep learning architectures for phonocardiogram signal classification using fast fourier transform
Ciaccio et al. Biosignal pattern recognition and interpretation systems
Liu et al. A joint cross-dimensional contrastive learning framework for 12-lead ECGs and its heterogeneous deployment on SoC
Kent et al. Fourier space approach for convolutional neural network (CNN) electrocardiogram (ECG) classification: A proof-of-concept study
Anbarasi et al. Detection and classification of arrhythmia type using hybrid model of LSTM with convolutional neural network
KR20230076781A (ko) 모바일넷을 이용한 심장 질병 분류 장치 및 방법
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
Zywietz et al. Evaluation of ECG interpretation systems: signal analysis
WO2024085306A1 (ko) 변이형 오토인코더를 이용하여 결정된 기준 범위로 심전도 신호를 분류하는 심전도 신호 처리 방법, 심전도 신호 처리 장치 및 컴퓨터 프로그램
Zhou et al. End-Edge Coordinated Multiview Deep Learning for Time-Efficient Atrial Fibrillation Detection
US20240108271A1 (en) Methods and systems for detecting pace pulses

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: 22899054

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 18558110

Country of ref document: US