WO2023113048A1 - 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템 - Google Patents

인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템 Download PDF

Info

Publication number
WO2023113048A1
WO2023113048A1 PCT/KR2021/018857 KR2021018857W WO2023113048A1 WO 2023113048 A1 WO2023113048 A1 WO 2023113048A1 KR 2021018857 W KR2021018857 W KR 2021018857W WO 2023113048 A1 WO2023113048 A1 WO 2023113048A1
Authority
WO
WIPO (PCT)
Prior art keywords
fetal
heart rate
data
heartbeat
fetal heartbeat
Prior art date
Application number
PCT/KR2021/018857
Other languages
English (en)
French (fr)
Inventor
남영진
류내원
양용석
장웅진
Original Assignee
네오컨버전스 주식회사
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 네오컨버전스 주식회사 filed Critical 네오컨버전스 주식회사
Priority to PCT/KR2021/018857 priority Critical patent/WO2023113048A1/ko
Publication of WO2023113048A1 publication Critical patent/WO2023113048A1/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
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • 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 invention relates to a method, apparatus, and system for diagnosing a fetal heartbeat using artificial intelligence.
  • the fetus since the fetus has a pulse rate and pattern different from those of the general public, it cannot be determined by diagnostic criteria based on existing data of the general public, and the presence or absence of an abnormal pulse rate of the fetus is the most important factor in determining whether the fetus is abnormal.
  • a technical problem to be achieved by the present invention is to provide a method, apparatus, and system for diagnosing fetal heartbeat using artificial intelligence, which can efficiently diagnose fetal heartbeat using artificial intelligence and confirm normal/abnormality of the fetus.
  • a method for diagnosing a fetal heartbeat using artificial intelligence is a method for diagnosing a heartbeat of a fetus using artificial intelligence in which an apparatus for diagnosing a fetal heartbeat using artificial intelligence extracts heartbeat information from fetal heartbeat data and fetus Calculating the heart rate, generating a specific graph by converting the fetal heart rate into a specific graph for a predetermined specific time, extracting features from the specific graph and performing preprocessing to generate preprocessed data, diagnosing the pre-learned fetal beat and classifying the preprocessed data as normal/abnormal by a deep learning neural network.
  • the specific graph is a Medi-graph
  • the preprocessing data is spectrogram data generated by converting the specific graph into a spectrogram.
  • An apparatus for diagnosing fetal heartbeat using artificial intelligence calculates the fetal heart rate by extracting heart rate information from a memory storing a pre-learned fetal heart rate diagnosis deep learning neural network and fetal heart rate data. unit, converts the fetal heart rate into a specific graph for a predetermined specific time to create a specific graph, performs feature extraction and pre-processing in the specific graph to generate pre-processed data, and pre-learned fetal heartbeat diagnosis deep learning neural network and a control unit including a fetal heart rate analyzer that analyzes the pre-processed data and classifies it as normal/abnormal.
  • the controller further includes a data processing unit that buffers the continuously received fetal heartbeat data and converts the fetal heartbeat data into the fetal heartbeat data of an operation unit time according to a preset sampling rate and processes the fetal heartbeat data into a size that can be analyzed and reproduced.
  • a fetal heartbeat diagnosis system using artificial intelligence includes a fetal heartbeat measuring unit that receives a fetal heartbeat through a sensor and converts the fetal heartbeat data into fetal heartbeat data, and transmits/receives the fetal heartbeat data to a diagnosis device signal.
  • a measuring device including a measuring device signal transceiver that transmits a measuring device, a diagnostic device signal transceiver that receives the fetal heart rate data from the measuring device signal transceiver, and extracts heart rate information from the fetal heart rate data to obtain a fetal heart rate.
  • a fetal heart rate calculation unit that calculates, converts the fetal heart rate into a specific graph for a predetermined specific time to generate a specific graph, performs feature extraction and preprocessing on the specific graph to generate preprocessed data, and diagnoses the pre-learned fetal heartbeat
  • a diagnosis device including a control unit including a fetal heartbeat analyzer configured to classify the preprocessed data as normal/abnormal by a deep learning neural network.
  • the present invention can detect an abnormal fetal heartbeat pattern through the fetal heartbeat sound using artificial intelligence (AI), and diagnose normal/abnormality of the fetus.
  • AI artificial intelligence
  • the present invention analyzes the fetal beat numerical data provided from the hospital based on deep learning to check whether the fetal beating speed is abnormal, and can diagnose normal/abnormal fetus using pattern change information of the fetal beat numerical data. .
  • the present invention can develop a fetal heartbeat pattern analysis deep learning model using artificial intelligence.
  • the present invention applies deep learning technology to analyze fetal heartbeat waveforms to detect fetal heartbeat deceleration, reduce fetal death by detecting fetal heartbeat deceleration through self-examination, and reduce social costs due to fetal death , can prevent childbirth avoidance.
  • FIG. 1 is a block diagram illustrating a system for diagnosing a fetal heartbeat using artificial intelligence according to an embodiment of the present invention.
  • FIG. 2 is a flowchart illustrating a method for diagnosing a fetal heartbeat using artificial intelligence according to an embodiment of the present invention.
  • FIG. 3 is a flowchart illustrating a method for diagnosing a fetal heartbeat using artificial intelligence according to another embodiment of the present invention.
  • beat means a repetitive movement of contraction and expansion of the heart.
  • fetal heartbeat means the repeated movement of contraction and expansion of the fetal heart.
  • FIG. 1 is a block diagram illustrating a system for diagnosing a fetal heartbeat using artificial intelligence according to an embodiment of the present invention.
  • a system for diagnosing fetal heartbeats using artificial intelligence includes a device for measuring fetal heartbeats (1) and a device for diagnosing fetal heartbeats (2).
  • the measuring device 1 means the fetal heartbeat measuring device 1
  • the diagnosis device 2 means the fetal heartbeat diagnosis device 2 using artificial intelligence.
  • the measuring device 1 includes a fetal heart rate measuring unit 11 and a measuring device signal transmitting/receiving unit 12 .
  • the fetal heartbeat measuring unit 11 functions to receive fetal heartbeat sound (or fetal heartbeat sound) through a sensor and convert it into fetal heartbeat data (eg, fetal heartbeat data in the form of PCM (Pulse Code Modulation)). is the part that performs
  • the measuring device signal transmitting and receiving unit 12 is a part that transmits and receives data using signals such as electromagnetic waves.
  • the measuring device signal transceiver 12 converts electrical signals into electromagnetic waves and communicates with a communication network and other communication devices through the electromagnetic waves.
  • the measuring device signal transmission/reception unit 12 performs pairing with the diagnosis device signal transmission/reception unit 21 and transmits data such as fetal heartbeat data to the diagnosis device signal transmission/reception unit 21.
  • the measurement device signal transmission/reception unit 12 may perform Bluetooth pairing with the diagnosis device signal transmission/reception unit 21 using Bluetooth communication and transmit data such as fetal heartbeat data.
  • data such as fetal heartbeat data can be transmitted and received using various communication technologies other than Bluetooth communication.
  • the diagnosis device 2 includes a diagnosis device signal transmission/reception unit 21, a control unit 22, a user interface unit 23, and a memory 24.
  • the control unit 22 may include a data processing unit 221 , a fetal heart rate calculator 222 , and a fetal heart rate analyzer 223 .
  • the diagnostic device signal transmission/reception unit 21 transmits/receives data using signals such as electromagnetic waves.
  • the diagnostic device signal transceiver 21 converts electrical signals into electromagnetic waves and communicates with a communication network and other communication devices through the electromagnetic waves.
  • the diagnosis device signal transceiver 21 performs pairing with the measurement device signal transceiver 12 and receives data such as fetal heartbeat data.
  • diagnosis device signal transceiver 21 may perform Bluetooth pairing with the measurement device signal transceiver 12 using Bluetooth communication and receive data such as fetal heartbeat data.
  • data such as fetal heartbeat data can be transmitted and received using various communication technologies other than Bluetooth communication.
  • the controller 22 is a part that controls the diagnostic device 2 according to the present invention.
  • the controller 22 is a part that controls each component of the diagnostic device 2.
  • each component of the control unit 22 will be described in detail.
  • the data processing unit 221 buffers continuously received fetal heartbeat data (eg, fetal heartbeat data in PCM form), converts it into fetal heartbeat data of operation unit time according to a preset sampling rate, and analyzes and It is a part that is processed in a reproducible size.
  • fetal heartbeat data eg, fetal heartbeat data in PCM form
  • the fetal heart rate calculation unit 222 extracts heart rate information from fetal heart rate data and calculates the fetal heart rate. At this time, the fetal heart rate may be beats per minute (BPM).
  • BPM beats per minute
  • the fetal heart rate calculation unit 222 may calculate the fetal heart rate by analyzing a time difference between fetal heartbeats in PCM type fetal heartbeat data converted in units of seconds.
  • the fetal heart rate analyzer 223 may generate a specific graph by converting the fetal heart rate into a specific graph for a predetermined specific time period.
  • the specific graph refers to a time series recording graph of the fetal heart rate for a predetermined specific time period.
  • a specific graph can be a Medi-Graph.
  • the present invention can be set by the user for a predetermined specific time, and if there is no predetermined specific time, the diagnostic device 2 converts the fetal heart rate into a specific graph to generate a specific graph.
  • the fetal heartbeat analyzer 223 may generate pre-processed data by performing feature extraction and pre-processing in a specific graph.
  • the diagnostic device 2 may generate spectrogram data by converting a specific graph into a spectrogram.
  • the fetal heartbeat analysis unit 223 may classify normal/abnormal status by analyzing the pre-processed data of the pre-learned fetal heartbeat diagnosis deep learning neural network.
  • the preprocessing data may be spectrogram data.
  • the fetal beat analyzer 223 may diagnose whether the fetal beat is abnormal using normal/abnormal classification.
  • the user interface unit 23 reproduces and displays the fetal heart rate data according to the specified sampling rate and number of channels through the display unit, displays the fetal heart rate in a specific graph, or displays a result of diagnosing an abnormal fetal heartbeat. there is.
  • the memory 24 is a part for storing various data.
  • the memory 24 includes fetal heartbeat (or fetal heartbeat sound), fetal heart rate (first fetal heart rate, second fetal heart rate, specific graph, spectrogram data, spectrogram reference, various preset information (eg For example, a preset command, a preset specific time, etc.), a pre-learned fetal heartbeat diagnosis deep learning neural network, and the like may be stored.
  • fetal heartbeat or fetal heartbeat sound
  • fetal heart rate first fetal heart rate, second fetal heart rate, specific graph, spectrogram data, spectrogram reference, various preset information (eg For example, a preset command, a preset specific time, etc.)
  • a pre-learned fetal heartbeat diagnosis deep learning neural network and the like may be stored.
  • the memory 24 may store an artificial intelligence program.
  • the memory 24 may store a pretrained fetal heartbeat diagnosis deep learning neural network or a pretrained fetal heartbeat diagnosis deep learning program.
  • FIG. 2 is a flowchart illustrating a method for diagnosing a fetal heartbeat using artificial intelligence according to an embodiment of the present invention.
  • the diagnosis device 2 means a fetal heartbeat diagnosis device 2 using artificial intelligence.
  • the diagnosis device 2 receives fetal heartbeat data (S201).
  • the diagnosis device 2 calculates the fetal heart rate by extracting heart rate information from the received fetal heart rate data (S202).
  • fetal heart rate can be beats per minute (BPM).
  • the diagnostic device 2 generates a specific graph by converting the fetal heart rate into a specific graph for a predetermined specific time period (S203).
  • the specific graph refers to a time series recording graph of the fetal heart rate for a predetermined specific time period.
  • a specific graph can be a Medi-Graph.
  • the present invention can be set by the user for a predetermined specific time, and if there is no predetermined specific time, the diagnostic device 2 converts the fetal heart rate into a specific graph to generate a specific graph.
  • the diagnosis device 2 generates preprocessed data by extracting features and performing preprocessing in a specific graph (S204). As one embodiment of generating preprocessing data by performing feature extraction and preprocessing in a specific graph, the diagnostic device 2 may generate spectrogram data by converting a specific graph into a spectrogram.
  • Table 1 shows a detailed description of spectrogram conversion and an example of a reference value.
  • the spectrogram conversion according to the present invention can be converted according to the reference value (or criteria) shown in Table 1 above.
  • the spectrogram criteria (or spectrogram items) and reference values for this spectrogram conversion can be varied in various embodiments.
  • the invention is applicable to various types of spectrogram conversion.
  • the pre-processed data is analyzed by the pre-trained fetal heartbeat diagnosis deep learning neural network and classified as normal/abnormal (S205).
  • the preprocessing data may be spectrogram data.
  • the diagnosis device 2 analyzes the pre-processed data (eg, spectrogram data) of the pre-learned fetal heartbeat diagnosis deep learning neural network and classifies it as abnormal (or abnormal) when it detects an abnormal pattern of fetal heartbeats.
  • the pre-processed data eg, spectrogram data
  • the pre-processed data is analyzed by the pre-learned fetal heartbeat diagnosis deep learning neural network and does not detect an abnormal pattern of fetal heartbeat, it is classified as normal.
  • the data reduction techniques of the following embodiments can be mixed and used.
  • Data reduction techniques that can be used in the present invention include, first, attribute subset selection, which removes irrelevant or redundant attributes and dimensions; and, second, dimension, which reduces original data to a compressed form.
  • Dimensionality reduction technique Third, Numerosity reduction, which reduces the size of data by changing numerical values of data to replacement values.
  • the diagnosis device 2 diagnoses whether the fetal heartbeat is abnormal using normal/abnormal classification (S206).
  • the diagnostic device 2 may reproduce and display fetal heart rate data according to the specified sampling rate and number of channels, display the fetal heart rate in a specific graph, or display the result of diagnosing abnormal fetal heartbeats through a user interface. there is.
  • a user for example, a mother or a doctor
  • FIG. 3 is a flowchart illustrating a method for diagnosing a fetal heartbeat using artificial intelligence according to another embodiment of the present invention.
  • the diagnosis device 2 receives fetal heartbeat data (S301).
  • the diagnosis device 2 calculates the fetal heart rate by extracting heart rate information from the received fetal heart rate data (S302).
  • the fetal heart rate calculated in step S302 may be referred to as the first fetal heart rate.
  • fetal heart rate can be beats per minute (BPM).
  • the diagnosis device 2 receives the fetal heart rate obtained from the fetal heartbeat (S303).
  • the fetal heart rate obtained from the fetal heart rate may be the fetal heart rate obtained from the fetal heart rate already possessed in a hospital or the like.
  • the fetal heart rate received in step S303 may be referred to as the second fetal heart rate.
  • the diagnosis device 2 generates a specific graph by converting the fetal heart rate (first fetal heart rate and/or second fetal heart rate) into a specific graph for a specific preset time according to a preset command (S304).
  • the specific graph refers to a time series recording graph of the fetal heart rate for a predetermined specific time period.
  • a specific graph can be a Medi-Graph.
  • the present invention can be set by the user for a preset command and a preset specific time.
  • the diagnosis device 2 receives any one of the fetal heart rate calculated in step S302 (eg, first fetal heart rate) and the fetal heart rate received in step S303 (eg, second fetal heart rate).
  • the preset command is a command to generate a specific graph by converting the heart rate of the first fetus into a specific graph
  • the diagnosis device 2 may generate a specific graph by converting the heart rate of the first fetus into a specific graph among two fetal heart rates. .
  • the diagnosis device 2 may determine any one of the fetal heart rate (eg, first fetal heart rate) calculated in step S302 and the fetal heart rate (eg, second fetal heart rate) received in step S303. If the preset command is a command to generate a specific graph by converting the heart rate of the second fetus into a specific graph, the diagnostic device 2 may generate a specific graph by converting the heart rate of the second fetus into a specific graph among two fetal heart rates. there is.
  • the preset command is a command to generate a specific graph by converting the heart rate of the second fetus into a specific graph
  • the diagnostic device 2 may generate a specific graph by converting the heart rate of the second fetus into a specific graph among two fetal heart rates. there is.
  • the diagnosis device 2 when the diagnosis device 2 receives both the heart rate of the first fetus and the heart rate of the second fetus, various types of embodiments of the preset command are possible.
  • a predetermined command may be a command for the diagnostic device 2 to use data (fetal heart rate) having a higher priority in the first fetal heart rate and the second fetal heart rate.
  • the diagnostic device 2 determines the priority according to a preset command, converts the fetal heart rate with a high priority into a specific graph, and generates a specific graph. there is.
  • the diagnostic device 2 calculates an average value of the heart rate of the first fetus and the heart rate of the second fetus according to a predetermined command, and calculates the heart rate of the two fetuses (the heart rate of the first fetus). and the heart rate of the second fetus) may be converted into a specific graph to generate a specific graph.
  • the diagnostic device 2 performs feature extraction and preprocessing in a specific graph to generate preprocessed data (S305).
  • the diagnostic device 2 may generate spectrogram data by converting the specific graph into a spectrogram.
  • the diagnostic device 2 analyzes the pre-processed data of the pre-learned fetal heartbeat diagnosis deep learning neural network and classifies it as normal/abnormal (S306).
  • the preprocessing data may be spectrogram data.
  • the device analyzes preprocessing data (eg, spectrogram data) and classifies it as abnormal (or abnormal) when a pre-learned fetal heartbeat diagnosis deep learning neural network detects an abnormal pattern of fetal heartbeats, and
  • the fetal heartbeat diagnosis deep learning neural network analyzes preprocessing data (eg, spectrogram data) and classifies it as normal if it does not detect an abnormal pattern of fetal heartbeat.
  • the diagnostic device 2 diagnoses whether the fetal heartbeat is abnormal using the normal/abnormal classification (S307).
  • the diagnostic device 2 may reproduce and display fetal heart rate data according to the specified sampling rate and number of channels, display the fetal heart rate in a specific graph, or display the result of diagnosing abnormal fetal heartbeats through a user interface. there is.
  • a user for example, a mother or a doctor
  • the present invention can diagnose whether or not the fetus is abnormal by detecting an abnormal pattern in the fetal heartbeat.
  • the method according to the embodiment of the present invention may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer readable recording medium.
  • a computer-readable recording medium may include program instructions, data files, data structures, etc. alone or in combination.
  • the programs (program instructions) recorded on the recording medium may be those specially designed and configured for the present invention or those known and usable to those skilled in computer software.
  • Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CDROMs and DVDs, and magnetic-optical media such as floptical disks.
  • Hardware devices specially configured to store and execute program instructions, such as magneto-optical media, ROM, RAM, flash memory, etc., are included.
  • program instructions include high-level language codes that can be executed by a computer using an interpreter, as well as machine language codes such as those produced by a compiler.
  • the hardware devices described above may be configured to act as one or more software modules to perform the operations of the present invention, and vice versa.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Surgery (AREA)
  • Cardiology (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Physiology (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

본 발명은 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템에 관한 것이다. 본 발명의 일 실시예에 따른 인공지능을 이용한 태아 박동 진단방법은 인공지능을 이용한 태아 박동 진단장치가 인공지능을 이용한 태아의 박동 진단방법에 있어서, 태아 심박음 데이터에서 심장 박동 정보를 추출하여 태아 심박수를 계산하는 단계, 기 설정된 특정 시간동안 태아 심박수를 특정 그래프 변환하여 특정 그래프를 생성하는 단계, 특정 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하는 단계, 기 학습된 태아 박동 진단 딥러닝 신경망이 전처리 데이터를 분석하여 정상/이상을 분류하는 단계를 포함한다.

Description

인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템
본 발명은 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템에 관한 것이다.
일반인의 경우 신체 접촉을 통한 일반 심장 박동 장치들로 심장 박동의 측정이 가능하나 태아의 경우 엄마의 뱃속에 있어 일반적 장치로 심장 박동을 측정하는 것은 어려움이 있다.
또한, 태아는 일반인과는 다른 맥박수와 패턴을 가지고 있어 기존 일반인 데이터를 기반으로 하는 진단 기준으로는 판단할 수 없고, 태아의 맥박 이상여부가 태아 이상여부의 가장 중요한 요소이다.
그러나, 심장 박동을 통한 태아를 진단하는 것은 현재 전문의들의 청진에 의해 진행되고 있으며, 국내에서 인공지능(AI)을 이용하여 태아의 심장 박동 소리와 시계열 데이터를 통해 태아 이상을 진단하는 사례는 없었다.
본 발명이 이루고자 하는 기술적인 과제는 인공지능을 이용하여 태아 박동을 효율적으로 진단하여 태아의 정상/이상을 확인할 수 있는 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템을 제공하는데 있다.
본 발명의 일 실시예에 따른 인공지능을 이용한 태아 박동 진단방법은 인공지능을 이용한 태아 박동 진단장치가 인공지능을 이용한 태아의 박동 진단방법에 있어서, 태아 심박음 데이터에서 심장 박동 정보를 추출하여 태아 심박수를 계산하는 단계, 기 설정된 특정 시간동안 상기 태아 심박수를 특정 그래프 변환하여 특정 그래프를 생성하는 단계, 상기 특정 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하는 단계, 기 학습된 태아 박동 진단 딥러닝 신경망이 상기 전처리 데이터를 분석하여 정상/이상을 분류하는 단계를 포함한다.
상기 특정 그래프는 메디 그래프이며, 상기 전처리 데이터는 상기 특정 그래프를 스펙트로그램 변환하여 생성된 스펙트로그램 데이터인 것을 특징으로 한다.
본 발명의 일 실시예에 따른 인공지능을 이용한 태아 박동 진단장치는 기 학습된 태아 박동 진단 딥러닝 신경망을 저장하는 메모리, 태아 심박음 데이터에서 심장 박동 정보를 추출하여 태아 심박수를 계산하는 태아 심박수 계산부와, 기 설정된 특정 시간동안 상기 태아 심박수를 특정 그래프 변환하여 특정 그래프를 생성하고, 상기 특정 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하고, 기 학습된 태아 박동 진단 딥러닝 신경망이 상기 전처리 데이터를 분석하여 정상/이상을 분류하하는 태아 박동 분석부를 포함하는 제어부를 포함한다.
상기 제어부는 지속적으로 수신되는 상기 태아 심박음 데이터를 버퍼링하고, 기 설정된 샘플링 레이트에 따라 연산 단위 시간의 상기 태아 심박음 데이터로 변환하여 분석 및 재생 가능한 크기로 처리하는 데이터 처리부를 더 포함한다.
본 발명의 일 실시예에 따른 인공지능을 이용한 태아 박동 진단시스템은 센서를 통하여 태아 심박음을 수신하고 태아 심박음 데이터로 변환하는 태아 심박음 측정부와, 상기 태아 심박음 데이터를 진단장치 신호 송수신부 송신하는 측정장치 신호 송수신부를 포함하는 측정장치, 상기 측정장치 신호 송수신부로부터 상기 태아 심박음 데이터를 수신하는 진단장치 신호 송수신부와, 상기 태아 심박음 데이터에서 심장 박동 정보를 추출하여 태아 심박수를 계산하는 태아 심박수 계산부와, 기 설정된 특정 시간동안 상기 태아 심박수를 특정 그래프 변환하여 특정 그래프를 생성하고, 상기 특정 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하고, 기 학습된 태아 박동 진단 딥러닝 신경망이 상기 전처리 데이터를 분석하여 정상/이상을 분류하하는 태아 박동 분석부를 포함하는 제어부를 포함하는 진단장치를 포함한다.
본 발명의 실시예에 따른 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템에 의하면 다음과 같은 효과가 있다.
첫째, 본 발명은 인공지능(AI)을 이용하여 태아의 심장 박동 소리를 통해서 태아 박동의 이상 패턴을 검출하고, 태아의 정상/이상을 진단할 수 있다.
둘째, 본 발명은 병원으로부터 제공 받은 태아 박동 수치 데이터를 딥러닝 기반으로 분석하여 태아 박동의 속도 이상 여부를 확인하고 태아 박동 수치 데이터의 패턴 변화 정보를 이용하여 태아의 정상/이상을 진단할 수 있다.
셋째, 본 발명은 인공지능을 이용하여 태아 박동 패턴 분석 딥러닝 모델을 개발할 수 있다.
넷째, 본 발명은 딥러닝 기술을 적용하여 태아 심장 박동 파형을 분석하여 태아 심장 박동 저하(Deceleration) 검출하고, 자가 검진을 통한 태아 박동 저하 검출로 태아 사망을 줄여, 태아 사망에 의한 사회적 비용을 줄이고, 출산 기피를 막을 수 있다.
도 1은 본 발명의 일 실시예에 따른 인공지능을 이용한 태아 박동 진단시스템을 설명하기 위한 블록도이다.
도 2는 본 발명의 일 실시예에 따른 인공지능을 이용한 태아 박동 진단방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 다른 실시예에 따른 인공지능을 이용한 태아 박동 진단방법을 설명하기 위한 흐름도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
또한, 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 이외의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다.
이하, 본 발명을 보다 구체적으로 설명하기 위하여 본 발명에 따른 실시예들을 첨부 도면을 참조하면서 보다 상세하게 설명하고자 한다.
본 발명에서 “박동”은 심장의 수축과 확장의 반복운동을 의미한다. 본 발명에서 “태아 박동”은 태아 심장의 수축과 확장의 반복운동을 의미한다.
도 1은 본 발명의 일 실시예에 따른 인공지능을 이용한 태아 박동 진단시스템을 설명하기 위한 블록도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 인공지능을 이용한 태아 박동 진단시스템은 태아 박동 측정장치(1)와 태아 박동 진단장치(2)를 포함한다.
이하의 설명에서, 측정장치(1)는 태아 박동 측정장치(1)를, 진단장치(2)는 인공지능을 이용한 태아 박동 진단장치(2)를 의미한다.
측정장치(1)는 태아 심박음 측정부(11)와 측정장치 신호 송수신부(12)를 포함한다.
태아 심박음 측정부(11)는 센서를 통하여 태아 심박음(또는 태아 박동 소리)을 수신하고 태아 심박음 데이터(예를 들어, PCM(Pulse Code Modulation) 형태의 태아 심박음 데이터)로 변환하는 기능을 수행하는 부분이다.
측정장치 신호 송수신부(12)는 전자파와 같은 신호로 데이터를 송수신하는 부분이다. 측정장치 신호 송수신부(12)는 전기신호를 전자파로 변환하며 이 전자파를 통하여 통신 네트워크 및 다른 통신장치와 통신한다.
측정장치 신호 송수신부(12)는 진단장치 신호 송수신부(21)와 페어링을 수행하고 태아 심박음 데이터와 같은 데이터를 진단장치 신호 송수신부(21)로 송신하는 부분이다.
예를 들어, 측정장치 신호 송수신부(12)는 블루투스 통신을 이용하여 진단장치 신호 송수신부(21)와 블루투스 페어링을 수행하고 태아 심박음 데이터와 같은 데이터를 송신할 수 있다.
본 발명은 블루투스 통신 외에 다양한 통신기술을 이용하여 태아 심박음 데이터와 같은 데이터를 송수신할 수 있다.
진단장치(2)는 진단장치 신호 송수신부(21), 제어부(22), 사용자 인터페이스부(23), 메모리(24)를 포함한다. 제어부(22)는 데이터 처리부(221), 태아 심박수 계산부(222), 태아 박동 분석부(223)를 포함할 수 있다.
진단장치 신호 송수신부(21)는 전자파와 같은 신호로 데이터를 송수신하는 부분이다. 진단장치 신호 송수신부(21)는 전기신호를 전자파로 변환하며 이 전자파를 통하여 통신 네트워크 및 다른 통신장치와 통신한다.
진단장치 신호 송수신부(21)는 측정장치 신호 송수신부(12)와 페어링을 수행하고 태아 심박음 데이터와 같은 데이터를 수신하는 부분이다.
예를 들어, 진단장치 신호 송수신부(21)는 블루투스 통신을 이용하여 측정장치 신호 송수신부(12)와 블루투스 페어링을 수행하고 태아 심박음 데이터와 같은 데이터를 수신할 수 있다.
본 발명은 블루투스 통신 외에 다양한 통신기술을 이용하여 태아 심박음 데이터와 같은 데이터를 송수신할 수 있다.
제어부(22)는 본 발명에 따른 진단장치(2)를 제어하는 부분이다. 또한, 제어부(22)는 진단장치(2)의 각 구성요소를 제어하는 부분이다. 이하, 제어부(22)의 각 구성요소를 상세히 설명하도록 한다.
데이터 처리부(221)는 지속적으로 수신되는 태아 심박음 데이터(예를 들어, PCM 형태의 태아 심박음 데이터)를 버퍼링하고, 기 설정된 샘플링 레이트에 따라 연산 단위 시간의 태아 심박음 데이터로 변환하여 분석 및 재생 가능한 크기로 처리하는 부분이다.
태아 심박수 계산부(222)는 태아 심박음 데이터에서 심장 박동 정보를 추출하여 태아 심박수를 계산하는 부분이다. 이때, 태아 심박수는 분당 심박수(BPM: beats per minute)가 가능하다.
예를 들어, 태아 심박수 계산부(222)는 초단위로 변환된 PCM 형태의 태아 심박음 데이터에서 태아 심박음 간 시간 차를 분석하여 태아 심박수를 계산할 수 있다.
태아 박동 분석부(223)는 기 설정된 특정 시간동안 태아 심박수를 특정 그래프 변환하여 특정 그래프를 생성할 수 있다. 여기서, 특정 그래프는 기 설정된 특정 시간동안 태아 심박수의 시계열 기록 그래프를 의미한다. 예를 들어, 특정 그래프는 메디 그래프(Medi-Graph)가 가능하다.
이때, 본 발명은 기 설정된 특정 시간에 대해서 사용자가 설정 가능하며, 기 설정된 특정 시간이 없는 경우, 진단장치(2)는 태아 심박수를 특정 그래프 변환하여 특정 그래프를 생성한다.
태아 박동 분석부(223)는 특정 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성할 수 있다. 특정 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하는 하나의 실시예로, 진단장치(2)는 특정 그래프를 스펙트로그램(Sprectrogram) 변환하여 스펙트로그램 데이터를 생성할 수 있다.
태아 박동 분석부(223)는 기 학습된 태아 박동 진단 딥러닝 신경망이 전처리 데이터를 분석하여 정상/이상을 분류할 수 있다. 여기서, 전처리 데이터는 스펙트로그램 데이터가 가능하다.
태아 박동 분석부(223)는 정상/이상 분류를 이용하여 태아 박동의 이상 여부를 진단할 수 있다.
사용자 인터페이스부(23)는 표시부를 통해서 태아 심박음 데이터를 지정된 샘플링 레이트와 채널 수에 맞게 재생하여 표시하거나, 태아 심박수를 특정 그래프로 표시하거나, 태아 박동의 이상 여부를 진단한 결과를 표시할 수 있다.
메모리(24)는 다양한 데이터 저장하는 부분이다.
예를 들어, 메모리(24)는 태아 심박음(또는 태아 박동 소리), 태아 심박수(제1태아 심박수, 제2태아 심박수, 특정 그래프, 스펙트로그램 데이터, 스펙트로그램 기준, 기 설정된 다양한 정보(예를 들어, 기 설정된 명령, 기 설정된 특정시간 등), 기 학습된 태아 박동 진단 딥러닝 신경망 등을 저장할 수 있다.
또한, 메모리(24)는 인공지능 프로그램을 저장할 수 있다. 예를 들어, 메모리(24)는 기 학습된 태아 박동 진단 딥러닝 신경망 또는 기 학습된 태아 박동 진단 딥러닝 프로그램을 저장할 수 있다.
도 2는 본 발명의 일 실시예에 따른 인공지능을 이용한 태아 박동 진단방법을 설명하기 위한 흐름도이다.
이하의 설명에서, 진단장치(2)는 인공지능을 이용한 태아 박동 진단장치(2)를 의미한다.
도 2를 참조하면, 진단장치(2)는 태아 심박음 데이터를 수신한다(S201).
진단장치(2)는 수신한 태아 심박음 데이터에서 심장 박동 정보를 추출하여 태아 심박수를 계산한다(S202). 예를 들어, 태아 심박수는 분당 심박수(BPM: beats per minute)가 가능하다.
진단장치(2)는 기 설정된 특정 시간동안 태아 심박수를 특정 그래프 변환하여 특정 그래프를 생성한다(S203). 여기서, 특정 그래프는 기 설정된 특정 시간동안 태아 심박수의 시계열 기록 그래프를 의미한다. 예를 들어, 특정 그래프는 메디 그래프(Medi-Graph)가 가능하다.
이때, 본 발명은 기 설정된 특정 시간에 대해서 사용자가 설정 가능하며, 기 설정된 특정 시간이 없는 경우, 진단장치(2)는 태아 심박수를 특정 그래프 변환하여 특정 그래프를 생성한다.
진단장치(2)는 특정 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성한다(S204). 특정 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하는 하나의 실시예로, 진단장치(2)는 특정 그래프를 스펙트로그램(Sprectrogram) 변환하여 스펙트로그램 데이터를 생성할 수 있다.
아래 표 1은 스펙트로그램 변환에 대한 상세설명과 기준값의 일 예를 나타낸 것이다.
스펙트로그램 기준 기준값
샘플링 주기 48000
최소 주파수 0
최대 주파수 24000
Fast Fourier transform
윈도우크기		 2048
샘플 변환시 이동단위 512
입력 샘플 프레임 입력 샘플 1.0초 프레임 48000/480+1=101
101 *128
입력 샘플 0.4초 프레임 19200/512+1=38
38 * 128
입력 샘플 0.1초 프레임 4800/512+1=1111*128
본 발명에 따른 스펙트로그램 변환은 상기 표 1과 같은 기준값(또는 기준)에 따라 변환할 수 있는데, 이러한 스펙트로그램 변환에 대한 스펙트로그램 기준(또는 스펙트로그램 항목)과 기준값은 다양한 실시예가 가능하며, 본 발명은 다양한 형태의 스펙트로그램 변환에 적용 가능하다. 진단장치(2)는 기 학습된 태아 박동 진단 딥러닝 신경망이 전처리 데이터를 분석하여 정상/이상을 분류한다(S205). 여기서, 전처리 데이터는 스펙트로그램 데이터가 가능하다.
예를 들어, 진단장치(2)는 기 학습된 태아 박동 진단 딥러닝 신경망이 전처리 데이터(예를 들어, 스펙트로그램 데이터)를 분석하여 태아 박동의 이상 패턴을 검출하면 이상(또는 비정상)으로 분류하고, 기 학습된 태아 박동 진단 딥러닝 신경망이 전처리 데이터(예를 들어, 스펙트로그램 데이터)를 분석하여 태아 박동의 이상 패턴을 검출하지 못하면 정상으로 분류한다.
본 발명은 태아 박동 데이터의 패턴 분석에서 단위 시간이 수 십분 이상으로 커지게 되면 데이터의 크기가 커지고 학습 및 분석 성능에 영향을 미치게 되기 때문에 필요한 경우 다음 실시예의 데이터 축소 기법을 혼합하여 사용할 수 있다.
본 발명에서 사용 가능한 데이터 축소 기법은 첫째, 관련이 없거나 중복되는 속성 및 차원을 제거하는 것인 속성부분집합 선택(Attribute subset selection) 기법, 둘째, 원래의 데이터를 압축된 형식으로 축소시키는 것인 차원축소(Dimensionality reduction)기법, 셋째, 데이터의 수치 값을 대체 값으로 변경시킴으로써 데이터의 크기를 줄이는 것인 수치 축소(Numerosity reduction)이다.
진단장치(2)는 정상/이상 분류를 이용하여 태아 박동의 이상 여부를 진단한다(S206).
진단장치(2)는 사용자 인터페이스를 통해서 태아 심박음 데이터를 지정된 샘플링 레이트와 채널 수에 맞게 재생하여 표시하거나, 태아 심박수를 특정 그래프로 표시하거나, 태아 박동의 이상 여부를 진단한 결과를 표시할 수 있다.
여기서, 사용자(예를 들어, 산모 또는 의사)는 진단장치(2)가 정상/이상 분류를 이용하여 태아 박동이 이상으로 진단하면 태아의 정밀 진단을 수행할 수 있다.
도 3은 본 발명의 다른 실시예에 따른 인공지능을 이용한 태아 박동 진단방법을 설명하기 위한 흐름도이다.
도 3을 참조하면, 진단장치(2)는 태아 심박음 데이터를 수신한다(S301).
진단장치(2)는 수신한 태아 심박음 데이터에서 심장 박동 정보를 추출하여 태아 심박수를 계산한다(S302). 여기서, S302단계에서 계산한 태아 심박수를 제1태아 심박수라 할 수 있다. 예를 들어, 태아 심박수는 분당 심박수(BPM: beats per minute)가 가능하다.
진단장치(2)는 태아 박동으로부터 획득한 태아 심박수를 수신한다(S303). 예를 들어, 태아 박동으로부터 획득한 태아 심박수는 병원 등에서 기 보유하고 있는 태아 박동으로부터 획득한 태아 심박수가 될 수 있다. 예를 들어, S303단계에서 수신한 태아 심박수를 제2태아 심박수라 할 수 있다.
진단장치(2)는 기 설정된 명령에 따라 기 설정된 특정 시간동안 태아 심박수(제1태아 심박수 및/또는 제2태아 심박수)를 특정 그래프 변환하여 특정 그래프를 생성한다(S304). 여기서, 특정 그래프는 기 설정된 특정 시간동안 태아 심박수의 시계열 기록 그래프를 의미한다. 예를 들어, 특정 그래프는 메디 그래프(Medi-Graph)가 가능하다.
이때, 본 발명은 기 설정된 명령, 기 설정된 특정 시간에 대해서 사용자가 설정 가능하다.
예를 들어, 진단장치(2)가 S302단계에서 계산한 태아 심박수(예를 들어, 제1태아 심박수)와 S303단계에서 수신한 태아 심박수(예를 들어, 제2태아 심박수) 중 어느 하나를 수신한 경우에 기 설정된 명령이 제1태아 심박수를 특정 그래프 변환하여 특정 그래프를 생성하라는 명령이면, 진단장치(2)는 두 태아 심박수 중에서 제1태아 심박수를 특정 그래프 변환하여 특정 그래프를 생성할 수 있다.
다른 실시예로, 진단장치(2)가 S302단계에서 계산한 태아 심박수(예를 들어, 제1태아 심박수)와 S303단계에서 수신한 태아 심박수(예를 들어, 제2태아 심박수) 중 어느 하나를 수신한 경우에 기 설정된 명령이 제2태아 심박수를 특정 그래프 변환하여 특정 그래프를 생성하라는 명령이면, 진단장치(2)는 두 태아 심박수 중에서 제2태아 심박수를 특정 그래프 변환하여 특정 그래프를 생성할 수 있다.
본 발명에서 진단장치(2)가 제1태아 심박수와 제2태아 심박수를 모두 수신한 경우에는 기 설정된 명령은 다양한 형태의 실시예가 가능하다.
제1실시예로, 기 설정된 명령은 진단장치(2)가 제1태아 심박수와 제2태아 심박수에서 우선순위가 높은 데이터(태아 심박수)를 이용하라는 명령이 가능하다. 이때, 진단장치(2)는 제1태아 심박수와 제2태아 심박수를 모두 수신 후에, 기 설정된 명령에 따라 우선순위를 파악하고, 우선순위가 높은 태아 심박수를 특정 그래프 변환하여 특정 그래프를 생성할 수 있다.
측정장치(1) 비교 분석하여, 두 데이터(제1태아 심박수와 제2태아 심박수)의 평균값을 이용하라는 명령이 가능하다. 이때, 진단장치(2)는 제1태아 심박수와 제2태아 심박수를 모두 수신 후에, 기 설정된 명령에 따라 제1태아 심박수와 제2태아 심박수의 평균값을 계산하고, 두 태아 심박수(제1태아 심박수와 제2태아 심박수)의 평균값을 특정 그래프 변환하여 특정 그래프를 생성할 수 있다.
진단장치(2)는 특정 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성한다(S305). 특정 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하는 하나의 실시예로, 진단장치(2)는 특정 그래프를 스펙트로그램(sprectrogram) 변환하여 스펙트로그램 데이터를 생성할 수 있다.
진단장치(2)는 기 학습된 태아 박동 진단 딥러닝 신경망이 전처리 데이터를 분석하여 정상/이상을 분류한다(S306). 여기서, 전처리 데이터는 스펙트로그램 데이터가 가능하다.
예를 들어, 장치는 기 학습된 태아 박동 진단 딥러닝 신경망이 전처리 데이터(예를 들어, 스펙트로그램 데이터) 를 분석하여 태아 박동의 이상 패턴을 검출하면 이상(또는 비정상)으로 분류하고, 기 학습된 태아 박동 진단 딥러닝 신경망이 전처리 데이터(예를 들어, 스펙트로그램 데이터)를 분석하여 태아 박동의 이상 패턴을 검출하지 못하면 정상으로 분류한다.
진단장치(2)는 정상/이상 분류를 이용하여 태아 박동의 이상 여부를 진단한다(S307).
진단장치(2)는 사용자 인터페이스를 통해서 태아 심박음 데이터를 지정된 샘플링 레이트와 채널 수에 맞게 재생하여 표시하거나, 태아 심박수를 특정 그래프로 표시하거나, 태아 박동의 이상 여부를 진단한 결과를 표시할 수 있다.
여기서, 사용자(예를 들어, 산모 또는 의사)는 진단장치(2)가 정상/이상 분류를 이용하여 태아 박동이 이상으로 진단하면 태아의 정밀 진단을 수행할 수 있다.
이와 같이, 본 발명은 태아의 박동에서 이상 패턴을 검출하여 태아의 이상 여부를 진단할 수 있다.
본 발명의 실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 기록매체에 기록될 수 있다. 컴퓨터 판독 가능 기록매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기록매체에 기록되는 프로그램(프로그램 명령)은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(Magnetic media), CDROM, DVD와 같은 광기록 매체(Optical media), 플롭티컬 디스크(Floptical disk)와 같은 자기-광 매체(Magneto-optical media), 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 본 발명을 도면에 도시한 실시예를 참고하여 설명하였으나, 이는 발명을 설명하기 위한 것일 뿐이며, 본 발명이 속하는 기술 분야의 통상의 지식을 가진 자라면 발명의 상세한 설명으로부터 다양한 변형 또는 균등한 실시예가 가능하다는 것을 이해할 수 있을 것이다. 따라서 본 발명의 진정한 권리범위는 특허청구범위의 기술적 사상에 의해 결정되어야 한다.

Claims (5)

  1. 인공지능을 이용한 태아 박동 진단장치가 인공지능을 이용한 태아의 박동 진단방법에 있어서,
    태아 심박음 데이터에서 심장 박동 정보를 추출하여 태아 심박수를 계산하는 단계,
    기 설정된 특정 시간동안 상기 태아 심박수를 특정 그래프 변환하여 특정 그래프를 생성하는 단계,
    상기 특정 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하는 단계,
    기 학습된 태아 박동 진단 딥러닝 신경망이 상기 전처리 데이터를 분석하여 정상/이상을 분류하는 단계를 포함하는 인공지능을 이용한 태아 박동 진단방법.
  2. 제2항에 있어서,
    상기 특정 그래프는 메디 그래프이며,
    상기 전처리 데이터는 상기 특정 그래프를 스펙트로그램 변환하여 생성된 스펙트로그램 데이터인 것을 특징으로 하는 인공지능을 이용한 태아 박동 진단방법.
  3. 기 학습된 태아 박동 진단 딥러닝 신경망을 저장하는 메모리,
    태아 심박음 데이터에서 심장 박동 정보를 추출하여 태아 심박수를 계산하는 태아 심박수 계산부와, 기 설정된 특정 시간동안 상기 태아 심박수를 특정 그래프 변환하여 특정 그래프를 생성하고, 상기 특정 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하고, 기 학습된 태아 박동 진단 딥러닝 신경망이 상기 전처리 데이터를 분석하여 정상/이상을 분류하하는 태아 박동 분석부를 포함하는 제어부를 포함하는 인공지능을 이용한 태아 박동 진단장치.
  4. 제3항에 있어서,
    상기 제어부는 지속적으로 수신되는 상기 태아 심박음 데이터를 버퍼링하고, 기 설정된 샘플링 레이트에 따라 연산 단위 시간의 상기 태아 심박음 데이터로 변환하여 분석 및 재생 가능한 크기로 처리하는 데이터 처리부를 더 포함하는 인공지능을 이용한 태아 박동 진단장치.
  5. 센서를 통하여 태아 심박음을 수신하고 태아 심박음 데이터로 변환하는 태아 심박음 측정부와, 상기 태아 심박음 데이터를 진단장치 신호 송수신부 송신하는 측정장치 신호 송수신부를 포함하는 측정장치,
    상기 측정장치 신호 송수신부로부터 상기 태아 심박음 데이터를 수신하는 진단장치 신호 송수신부와, 상기 태아 심박음 데이터에서 심장 박동 정보를 추출하여 태아 심박수를 계산하는 태아 심박수 계산부와, 기 설정된 특정 시간동안 상기 태아 심박수를 특정 그래프 변환하여 특정 그래프를 생성하고, 상기 특정 그래프에서 특성 추출 및 전처리를 수행하여 전처리 데이터를 생성하고, 기 학습된 태아 박동 진단 딥러닝 신경망이 상기 전처리 데이터를 분석하여 정상/이상을 분류하하는 태아 박동 분석부를 포함하는 제어부를 포함하는 진단장치를 포함하는 인공지능을 이용한 태아 박동 진단시스템.
PCT/KR2021/018857 2021-12-13 2021-12-13 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템 WO2023113048A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/KR2021/018857 WO2023113048A1 (ko) 2021-12-13 2021-12-13 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/KR2021/018857 WO2023113048A1 (ko) 2021-12-13 2021-12-13 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템

Publications (1)

Publication Number Publication Date
WO2023113048A1 true WO2023113048A1 (ko) 2023-06-22

Family

ID=86774540

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/018857 WO2023113048A1 (ko) 2021-12-13 2021-12-13 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템

Country Status (1)

Country Link
WO (1) WO2023113048A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10506034A (ja) * 1994-09-21 1998-06-16 ベス・イスラエル・デイーコネス・メデイカル・センター 胎児データ処理システム及び方法
KR20170122278A (ko) * 2015-03-16 2017-11-03 누보 그룹 엘티디. 태아 활동 감지를 위한 시스템, 장치 및 방법
JP2019146772A (ja) * 2018-02-27 2019-09-05 国立大学法人福井大学 心拍計測処理装置
KR20190142618A (ko) * 2018-06-18 2019-12-27 울산대학교 산학협력단 태아의 심박동을 모니터링하는 방법 및 그 장치
KR20210060730A (ko) * 2019-11-18 2021-05-27 네오컨버전스 주식회사 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10506034A (ja) * 1994-09-21 1998-06-16 ベス・イスラエル・デイーコネス・メデイカル・センター 胎児データ処理システム及び方法
KR20170122278A (ko) * 2015-03-16 2017-11-03 누보 그룹 엘티디. 태아 활동 감지를 위한 시스템, 장치 및 방법
JP2019146772A (ja) * 2018-02-27 2019-09-05 国立大学法人福井大学 心拍計測処理装置
KR20190142618A (ko) * 2018-06-18 2019-12-27 울산대학교 산학협력단 태아의 심박동을 모니터링하는 방법 및 그 장치
KR20210060730A (ko) * 2019-11-18 2021-05-27 네오컨버전스 주식회사 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템

Similar Documents

Publication Publication Date Title
WO2022145519A1 (ko) 딥러닝을 이용한 심전도 시각화 방법 및 장치
US6931269B2 (en) Multi-domain motion estimation and plethysmographic recognition using fuzzy neural-nets
US5305202A (en) Ambulatory ECG analysis system
WO2020222626A1 (ko) 근전도 측정을 통한 근육 피로도 분석 방법 및 이를 수행하는 웨어러블 디바이스
WO2019031794A1 (ko) 피검체의 치명적 증상의 발생을 조기에 예측하기 위한 예측 결과를 생성하는 방법 및 이를 이용한 장치
WO2022119155A1 (ko) 설명 가능한 다중 심전도 부정맥 진단 장치 및 방법
WO2023101089A1 (ko) 머신 러닝을 이용하여 심전도 파형 분류 방법 및 장치
WO2016126147A1 (ko) 코골이 검출 장치 및 방법
WO2022059969A1 (ko) 심전도 데이터 분류를 위한 심층 신경망 사전 학습 방법
WO2022014942A1 (ko) 딥러닝 기반 심전도를 이용한 심장 질환 진단 장치 및 그 방법
US9633168B2 (en) Biometric identity validation for use with unattended tests for medical conditions
Omarov et al. Artificial Intelligence in Medicine: Real Time Electronic Stethoscope for Heart Diseases Detection.
WO2020242101A1 (ko) Ir-uwb 레이더를 이용한 비침습/비접촉 방식 수면 무호흡증 검출 및 진단 장치 및 방법
WO2023200280A1 (ko) 보정된 이미지 기반 심박 추정 방법 및 그 장치
WO2023120777A1 (ko) 심전도 전역 특징 벡터를 이용한 다중 박동 검출 방법 및 장치
WO2018139881A1 (ko) 레이더를 이용한 생체 신호 측정 방법 및 장치
WO2021096162A1 (ko) 심장신호 처리장치 및 방법, 이를 포함하는 모니터링 시스템
Gupta et al. Segmentation and classification of heart sounds
WO2023113048A1 (ko) 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템
WO2021100968A1 (ko) 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템
WO2014021515A1 (ko) 태아 건강 평가 방법 및 장치
WO2020171614A1 (ko) 오디오 신호 패턴을 이용한 햅틱 신호 발생 방법 및 장치
WO2017010612A1 (ko) 의료 영상 분석 기반의 병리 진단 예측 시스템 및 방법
WO2023038254A1 (ko) 기계학습을 이용한 비침습적 당화혈색소 또는 혈당 추정 방법 및 장치
KR20230089580A (ko) 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21968257

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE