WO2024014844A1 - 심전도에 기반하여 체성분을 측정하는 방법 및 그 장치 - Google Patents

심전도에 기반하여 체성분을 측정하는 방법 및 그 장치 Download PDF

Info

Publication number
WO2024014844A1
WO2024014844A1 PCT/KR2023/009880 KR2023009880W WO2024014844A1 WO 2024014844 A1 WO2024014844 A1 WO 2024014844A1 KR 2023009880 W KR2023009880 W KR 2023009880W WO 2024014844 A1 WO2024014844 A1 WO 2024014844A1
Authority
WO
WIPO (PCT)
Prior art keywords
bioimpedance
electrocardiogram
data
calculating
ecg
Prior art date
Application number
PCT/KR2023/009880
Other languages
English (en)
French (fr)
Inventor
권준명
강선미
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
Priority claimed from KR1020230089066A external-priority patent/KR20240009885A/ko
Application filed by 주식회사 메디컬에이아이 filed Critical 주식회사 메디컬에이아이
Publication of WO2024014844A1 publication Critical patent/WO2024014844A1/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
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/053—Measuring electrical impedance or conductance of a portion of the body
    • A61B5/0537—Measuring body composition by impedance, e.g. tissue hydration or fat content
    • 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]
    • A61B5/33—Heart-related electrical modalities, e.g. electrocardiography [ECG] specially adapted for cooperation with other devices
    • 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 disclosure relates to a method and device for measuring body composition based on an electrocardiogram, and specifically relates to a method for measuring bioimpedance based on an electrocardiogram.
  • both the electrocardiogram measurement method for monitoring vital signs and the body composition measurement method utilize electric current.
  • the electrocardiogram measurement method attaches electrodes to the subject's body to measure the current generated by the heart muscle
  • the body composition measurement method attaches electrodes to the subject's body and passes a weak current into the body to measure body composition. is to analyze.
  • body composition can be measured in a variety of ways, and through the measured body composition, it is possible to calculate the proportion of body weight accounted for by fat and protein, which is muscle.
  • the electrocardiogram measurement method and the body composition measurement method are similar in that they can be measured by analyzing the change in resistance inside the human body when a small electric current is passed through the human body.
  • electrocardiogram and body composition were measured using an electrocardiogram measuring device and a body composition measuring device, respectively. Since only one biological signal is measured by one device, there is a problem that multiple measuring devices are needed to obtain various biological signals, and the person being measured must measure each biological signal using several types of measuring devices. There is a problem that involves inconvenience in measuring and examining multiple biological signals.
  • Body composition measurement devices and electrocardiogram measurement devices must remain stationary for about 30 seconds to obtain accurate measurement results, and metal accessories that may interfere with the flow of current must be removed from the subject's body. All must be removed.
  • cardiovascular disease According to a study conducted on 1.2 million Koreans, being obese increases the likelihood of death from heart disease by 2.4 times, and in particular, diabetic patients with abdominal obesity are known to have a 5.5 times higher risk of cardiovascular disease than patients without abdominal obesity. From this, it can be inferred that cardiovascular disease, obesity, and abdominal obesity are not separate diseases and are closely correlated with each other.
  • wearable devices or biosignal measurement devices will need to be equipped with functions that provide an optimal smart healthcare solution by simultaneously measuring and analyzing various biosignals such as body fat, electrocardiogram, and stress response.
  • biosignals such as body fat, electrocardiogram, and stress response.
  • the present disclosure was made in response to the above-mentioned background technology, and can measure electrocardiogram and body composition using a single biosignal measurement device, and even if body composition is not measured every time, bioimpedance at a new electrocardiogram measurement time is based on the electrocardiogram.
  • the purpose is to provide a method for calculating .
  • an object is to provide a method of measuring body composition based on an electrocardiogram, which is performed by a computing device including at least one processor.
  • the method includes acquiring first electrocardiogram data and first bioimpedance measured at a first measurement time; Obtaining second electrocardiogram data measured at a second measurement time elapsed from the first measurement time point; and calculating a voltage difference value between the first ECG data and the second ECG data, calculating a second biometric impedance using the calculated voltage difference value and the first bioimpedance, and then calculating the second biometric impedance. It may include matching the impedance to the second measurement point.
  • the first electrocardiogram data and the first bioimpedance are initialized at each preset correction cycle.
  • the method may further include analyzing the body composition of the subject using the second bioimpedance.
  • a voltage difference value between the first ECG data and the second ECG data is calculated, a second bioimpedance is calculated using the calculated voltage difference value and the first bioimpedance, and then the calculated
  • the step of matching the second biological impedance to the second measurement time includes extracting ECG features related to each ECG waveform of the first ECG data and the second ECG data, respectively; Calculating a first voltage based on ECG characteristics of the first ECG data and calculating a second voltage based on characteristics of the second ECG data; and generating the second bioimpedance by correcting the first bioimpedance based on the difference between the first voltage and the second voltage.
  • the electrocardiogram characteristics may include the amplitude or length of the P wave, QRS complex, and T wave.
  • a voltage difference value between the first ECG data and the second ECG data is calculated, a second bioimpedance is calculated using the calculated voltage difference value and the first bioimpedance, and then the calculated
  • the step of matching the second bioimpedance to the second measurement time is when the first electrocardiogram data and the second electrocardiogram data are measured using the N-induced electrocardiogram measurement method, the first bioimpedance and the second bioimpedance are measured.
  • the second bioimpedance is calculated by assigning weight to the electrocardiogram measured in a lead direction that has a high correlation with the impedance value of the body part.
  • the method may further include calculating a predicted value corresponding to the probability of occurrence of each of a plurality of diseases based on the first ECG data or the second ECG data using a pre-trained neural network model.
  • calculating a predicted value corresponding to the probability of occurrence of each of a plurality of diseases based on the first ECG data or the second ECG data using the pre-trained neural network model may include calculating a predicted value corresponding to the probability of occurrence of each of the plurality of diseases based on the first ECG data Inputting the first bioimpedance or the second bioimpedance together with the data or the second electrocardiogram data into the neural network model to calculate the predicted value.
  • the neural network model is learned based on the correlation between changes in body composition and electrocardiogram characteristics.
  • the present disclosure is a computer program stored in a computer-readable storage medium, and when the computer program is executed on one or more processors, it performs operations for measuring body composition based on the electrocardiogram.
  • the operations include: acquiring first electrocardiogram data and first bioimpedance measured at a first measurement time; Obtaining second electrocardiogram data measured at a second measurement point in time elapsed from the first measurement time point; and calculating a voltage difference value between the first ECG data and the second ECG data, calculating a second biometric impedance using the calculated voltage difference value and the first bioimpedance, and then calculating the second biometric impedance.
  • An operation of matching the impedance to the second measurement point may be included.
  • a computing device for measuring body composition based on an electrocardiogram comprising: a processor including at least one core; and a memory containing program codes executable on the processor; It includes, wherein the processor acquires first electrocardiogram data and a first bioimpedance measured at a first measurement time according to execution of the program code, and a second measurement time when time has elapsed from the first measurement time. Obtain the second electrocardiogram data measured, calculate the voltage difference value between the first electrocardiogram data and the second electrocardiogram data, and calculate the second bioimpedance using the calculated voltage difference value and the first bioimpedance. After calculation, the calculated second biological impedance is matched to the second measurement point.
  • the method of measuring body composition based on electrocardiogram simultaneously measures biosignals including electrocardiogram and body composition using one biosignal measuring device, and measures body composition based on electrocardiogram even if body composition is not measured every time. Since bioimpedance can be calculated at a new electrocardiogram measurement point, the user does not need to use multiple devices to measure biosignals, and body composition can be measured just by electrocardiogram measurement, which has the effect of further increasing user convenience. there is.
  • the present disclosure has the effect of knowing heart-related health status based on more accurate electrocardiogram analysis and health status through body composition analysis by using the correlation between changes in body composition and electrocardiogram characteristics.
  • FIG. 1 is a block diagram of a computing device according to an embodiment of the present disclosure.
  • Figure 2 is a block diagram illustrating the configuration of a system for measuring body composition based on an electrocardiogram according to an embodiment of the present disclosure.
  • Figure 3 is a flowchart explaining a method of measuring body composition based on an electrocardiogram according to an embodiment of the present disclosure.
  • FIG. 4 is a diagram illustrating a process of measuring bioimpedance for each body part according to an embodiment of the present disclosure.
  • FIG. 5 is a diagram illustrating electrocardiogram graphs measured in standard leads and limb leads according to an embodiment of the present disclosure.
  • x uses a or b should be understood to mean one of natural implicit substitutions.
  • x uses a or b means that x uses a, x uses b, or x uses a and It can be interpreted as one of the cases where both b are used.
  • th nth (n is a natural number)
  • n is a natural number
  • a predetermined standard such as a functional perspective, a structural perspective, or explanatory convenience.
  • components performing different functional roles may be distinguished as first components or second components.
  • components that are substantially the same within the technical spirit of the present disclosure but must be distinguished for convenience of explanation may also be distinguished as first components or second components.
  • acquisition used in this disclosure is understood to mean not only receiving data through a wired or wireless communication network with an external device or system, but also generating data in an on-device form. It can be.
  • module refers to a computer-related entity, firmware, software or part thereof, hardware or part thereof.
  • the “module” or “unit” can be understood as a term referring to an independent functional unit that processes computing resources, such as a combination of software and hardware.
  • the “module” or “unit” may be a unit composed of a single element, or may be a unit expressed as a combination or set of multiple elements.
  • a “module” or “part” in the narrow sense is a hardware element or set of components of a computing device, an application program that performs a specific function of software, a process implemented through the execution of software, or a program. It can refer to a set of instructions for execution, etc.
  • module or “unit” may refer to the computing device itself constituting the system, or an application running on the computing device.
  • module or “unit” may be defined in various ways within a range understandable to those skilled in the art based on the contents of the present disclosure.
  • model refers to a system implemented using mathematical concepts and language to solve a specific problem, a set of software units to solve a specific problem, or a process to solve a specific problem. It can be understood as an abstract model of a process.
  • a neural network “model” may refer to an overall system implemented as a neural network that has problem-solving capabilities through learning. At this time, the neural network can have problem-solving capabilities by optimizing parameters connecting nodes or neurons through learning.
  • a neural network “model” may include a single neural network or a neural network set in which multiple neural networks are combined.
  • a neural network “block” can be understood as a set of neural networks containing at least one neural network. At this time, it can be assumed that the neural networks included in the neural network “block” perform the same specific operation.
  • the explanation of the foregoing terms is intended to aid understanding of the present disclosure. Therefore, if the above-mentioned terms are not explicitly described as limiting the content of the present disclosure, it should be noted that the content of the present disclosure is not used in the sense of limiting the technical idea.
  • FIG. 1 is a block diagram of a computing device according to an embodiment of the present disclosure.
  • the computing device 100 may be a hardware device or part of a hardware device that performs comprehensive processing and calculation of data, or may be a software-based computing environment connected to a communication network.
  • the computing device 100 may be a server that performs intensive data processing functions and shares resources, or it may be a client that shares resources through interaction with the server.
  • the computing device 100 may be a cloud system in which a plurality of servers and clients interact to comprehensively process data. Since the above description is only an example related to the type of computing device 100, the type of computing device 100 may be configured in various ways within a range understandable to those skilled in the art based on the contents of the present disclosure.
  • a computing device 100 may include a processor 110, a memory 120, and a network unit 130. there is. However, since FIG. 1 is only an example, the computing device 100 may include other components for implementing a computing environment. Additionally, only some of the configurations disclosed above may be included in computing device 100.
  • the processor 110 may be understood as a structural unit including hardware and/or software for performing computing operations.
  • the processor 110 may read a computer program and perform data processing for machine learning.
  • the processor 110 may process computational processes such as processing input data for machine learning, extracting features for machine learning, and calculating errors based on backpropagation.
  • the processor 110 for performing such data processing includes a central processing unit (CPU), a general purpose graphics processing unit (GPGPU), a tensor processing unit (TPU), and a custom processing unit (TPU). It may include a semiconductor (ASICc: application specific integrated circuit), or a field programmable gate array (FPGA: field programmable gate array). Since the type of processor 110 described above is only an example, the type of processor 110 may be configured in various ways within a range understandable to those skilled in the art based on the contents of the present disclosure.
  • the processor 110 can learn a neural network model that diagnoses heart disease based on electrocardiogram data. For example, the processor 110 may train a neural network model to estimate arrhythmia and other heart diseases based on biological information including information such as gender, age, weight, height, etc., along with electrocardiogram data. Specifically, the processor 110 may input electrocardiogram data and various biological information into the neural network model and train the neural network model to detect changes in the electrocardiogram due to arrhythmia or other heart diseases. At this time, the neural network model can perform learning based on an ECG dataset that includes features extracted from ECG data and diagnostic data for arrhythmia and other heart diseases. The processor 110 may perform an operation representing at least one neural network block included in the neural network model during the learning process of the neural network model.
  • the processor 110 may estimate ECG reading result data based on ECG data using a neural network model generated through the above-described learning process.
  • the processor 110 inputs electrocardiogram data and biological information including information such as gender, age, weight, height, etc. into a neural network model learned through the above-described process and inferred data representing the result of estimating the probability of heart disease. can be created.
  • the processor 110 can input electrocardiogram data into a trained neural network model to predict the presence or progression of arrhythmia or other heart disease.
  • the types of medical data and the output of the neural network model may be configured in various ways within a range understandable to those skilled in the art based on the contents of the present disclosure.
  • the processor 110 uses the first ECG data and bioimpedance measured for each preset calibrator to calculate bioimpedance that can be matched at the same time when measuring ECG data the next time using mathematical techniques or deep learning. You can.
  • the memory 120 may be understood as a structural unit including hardware and/or software for storing and managing data processed in the computing device 100. That is, the memory 120 can store any type of data generated or determined by the processor 110 and any type of data received by the network unit 130.
  • the memory 120 may be a flash memory type, hard disk type, multimedia card micro type, card type memory, or random access memory (RAM). ), SRAM (static random access memory), ROM (read-only memory), EEPROM (electrically erasable programmable read-only memory), PROM (prom: programmable read-only memory), magnetic memory , may include at least one type of storage medium among a magnetic disk and an optical disk.
  • the memory 120 may include a database system that controls and manages data in a predetermined system. Since the type of memory 120 described above is only an example, the type of memory 120 may be configured in various ways within a range understandable to those skilled in the art based on the contents of the present disclosure.
  • the memory 120 can structure, organize, and manage data necessary for the processor 110 to perform operations, combinations of data, and program codes executable on the processor 110.
  • the memory 120 may store ECG data received through the network unit 130, which will be described later.
  • the memory 120 includes program code that operates the neural network model to receive medical data and perform learning, program code that operates the neural network model to receive medical data and perform inference according to the purpose of use of the computing device 100, and Processed data generated as the program code is executed can be saved.
  • the network unit 130 may be understood as a structural unit that transmits and receives data through any type of known wired or wireless communication system.
  • the network unit 130 may be connected to a local area network (LAN), wideband code division multiple access (WCDMA), long term evolution (LTE), or wireless (WIBRO).
  • LAN local area network
  • WCDMA wideband code division multiple access
  • LTE long term evolution
  • WIBRO wireless
  • broadband internet 5th generation mobile communication
  • 5g ultra wide-band wireless communication
  • zigbee radio frequency (RF) communication
  • RF radio frequency
  • wireless LAN wireless fidelity
  • NFC near field communication
  • Bluetooth Bluetooth
  • the network unit 130 may receive data necessary for the processor 110 to perform calculations through wired or wireless communication with any system or client. Additionally, the network unit 130 may transmit data generated through the calculation of the processor 110 through wired or wireless communication with any system or any client. For example, the network unit 130 may receive medical data through communication with a database in a hospital environment, a cloud server that performs tasks such as standardization of medical data, or a computing device. The network unit 130 may transmit output data of the neural network model, intermediate data derived from the calculation process of the processor 110, processed data, etc. through communication with the above-described database, server, or computing device.
  • Figure 2 is a block diagram illustrating the configuration of a system for measuring body composition based on an electrocardiogram according to an embodiment of the present disclosure.
  • the system includes a computing device 100 and a biosignal measuring device 200, but is not limited thereto and may include an expert terminal 300 for in-depth reading by an expert.
  • the computing device 100 is connected to the biosignal measuring device 200 by wire or wirelessly, obtains electrocardiogram data and bioimpedance from the biosignal measuring device 200, and provides results of analyzing the electrocardiogram data and bioimpedance. You can.
  • These computing devices 100 include mobile phones, smart phones, laptop computers, digital broadcasting terminals, personal digital assistants (PDAs), portable multimedia players (PMPs), navigation, slate PCs, This may include tablet PCs, ultrabooks, etc.
  • the computing device 100 may be operated independently or integrated with the biosignal measuring device 200.
  • the biosignal measuring device 200 is worn on the user's body and can measure various biosignals such as blood pressure and pulse rate, including electrocardiogram and body composition.
  • This bio-signal measuring device 200 is a device that can simultaneously measure electrocardiogram and body composition, and is used in wearable devices such as electronic accessories and smartwatches, and massage chairs that have received medical device approval from the Ministry of Food and Drug Safety. It may include medical devices such as medical devices, body composition measuring devices such as InBody, etc.
  • the biosignal measurement device 200 can measure electrocardiogram and bioimpedance using various electrode combinations, such as a 12-guide method and a 6-guide method, as well as the single-guide method using the wearable device 211. It is desirable that the measurement time of the electrocardiogram and bioimpedance is also set by adding or subtracting depending on the signal to be obtained.
  • the computing device 100 can run a service app related to health care services for electrocardiogram reading and body composition analysis, and perform functions such as data selection, transmission, viewing, and downloading.
  • the user can select the electrocardiogram data and bioimpedance measured by the biosignal measurement device 200 and transmit them to the expert terminal 300 through the service app running on the computing device 100.
  • the expert terminal 300 may be an electrocardiogram reading center capable of collaborating with external experts and providing expert in-depth reading services, or a terminal providing diagnostic services by medical experts. This expert terminal 300 can generate expert reading information based on in-depth analysis of electrocardiogram data and bioimpedance and provide it to the computing device 100.
  • FIG. 3 is a flow chart illustrating a method of measuring body composition based on an electrocardiogram according to an embodiment of the present disclosure
  • FIG. 4 is a diagram illustrating a process of measuring bioimpedance for each body part according to an embodiment of the present disclosure
  • FIG. 5 is a diagram illustrating electrocardiogram graphs measured in standard leads and limb leads according to an embodiment of the present disclosure.
  • first electrocardiogram data and first bioimpedance measured at the first measurement time are acquired using the biosignal measuring device 200 (S1).
  • the computing device 100 sets the second electrocardiogram data and the second bioimpedance as reference values during a preset correction period.
  • the correction cycle (Tc) can be set to 7 days, 15 days, 30 days, 1 year, etc., and can be adjusted depending on the age, health status, or disease of the subject.
  • the computing device 100 acquires second ECG data measured at a second measurement time point (T2), which has elapsed from the first measurement time point (S2). Then, the computing device 100 calculates the voltage difference value between the first ECG data and the second ECG data (S3), and uses the principle that the voltage of the ECG decreases when the resistance value (biological impedance) in the body increases. After calculating the second bioimpedance based on the difference value and the first bioimpedance (S4), the calculated second bioimpedance is matched to the second measurement time (S5).
  • the computing device 100 uses the P wave, QRS complex, and T wave for each ECG waveform of the first ECG data and the second ECG data.
  • ECG features including amplitude or length are extracted, a first voltage is calculated based on the ECG features of the first ECG data, and a second voltage is calculated based on the features of the second ECG data, and then mathematical techniques or Using deep learning, the first bioimpedance can be corrected based on the difference between the first and second voltages to generate the second bioimpedance.
  • the computing device 100 determines the correlation between the impedance value of the body part where the first bioimpedance and the second bioimpedance were measured. By assigning weight to the ECG measured in a high lead direction, a more accurate second bioimpedance can be calculated.
  • FIG. 4 (a) in order to measure the bioimpedance of the right side of the subject, adhesive electrodes used for ECG (ElectroCardioGram) are contacted to the right wrist, back of hand, right ankle, and top of the foot, and these electrodes are applied. Connect to a bioimpedance measurement device.
  • the biosignal measuring device 200 supplies current (i) to electrodes on the back of the hand and the top of the foot. The current flows through the human body through the right arm, torso, and right leg, and at this time, the biosignal measuring device 200 measures the voltage (V) between the electrodes on the back of the right hand and the top of the foot to determine the right side resistance (biological impedance). It can be measured.
  • ECG ElectroCardioGram
  • the biosignal measuring device 200 applies a current between the right hand and the left hand and measures the voltage between both hands to determine arm resistance (b), and measures the voltage on both legs when the current flows between the right hand and the right foot.
  • Right leg resistance (c) and torso resistance (d) can be measured as bioimpedance by measuring the voltage between the right leg and right foot when current flows between the left hand and left foot.
  • the biosignal measurement device 200 can measure bioimpedance by distinguishing it into right arm, left arm, torso, right leg, and left leg using bioimpedance measurement technology for each body part.
  • the standard 12-lead electrocardiogram records standard leads, limb leads, and precordial leads.
  • standard leads and limb leads record the electrocardiogram in the front part of the heart, and the chest leads.
  • Induction records the electrocardiogram of the horizontal part of the heart.
  • limb leads I, II, and III
  • the limb leads are based on the potential difference between the subject's right hand, left hand, and left foot, respectively.
  • amplified monopolar limb leads aVR, aVL, aVF
  • lead I records the potential of the right arm and left arm after contacting the electrodes to the right arm, left arm, and left foot
  • lead II records the potential of the right arm and left foot
  • Lead III records the displacement of the left arm and left foot. Therefore, lead I has a high correlation with the entire arm bioimpedance, lead II has a high correlation with the right side bioimpedance, lead III has a high correlation with the left side bioimpedance, and leads aVL and aVR have a high correlation with the trunk bioimpedance. This is high.
  • the computing device 100 when calculating the second bioimpedance based on the second electrocardiogram data, applies weight to the electrocardiogram measured in the lead direction that has a high correlation with the body part where bioimpedance was measured. By calculating by giving , a more accurate second bioimpedance can be calculated by focusing on the body part affected by the electrical signal.
  • the computing device 100 When a certain period of time has elapsed from the first measurement point and the correction cycle is reached (S6), the computing device 100 initializes the first electrocardiogram data and the first bioimpedance set as reference values, and starts a new correction cycle. During this time, the first electrocardiogram data and the first bioimpedance to be used as reference values are measured (S7).
  • the computing device 100 calculates a voltage difference value between the ECG data newly measured during the correction period and the second ECG data, and uses the voltage difference value and the first bioimpedance to calculate the bioimpedance at the time the new ECG data is measured. can be calculated (S8).
  • the computing device 100 can analyze the body composition of the person being measured using the first bioimpedance at the first measurement time and the nth bioimpedance at the nth measurement time calculated thereafter, and determine the body composition change trend at each measurement time. By identifying the health status of the subject, it is possible to provide results on the health status of the subject.
  • the computing device 100 may use a pre-trained neural network model to calculate a predicted value corresponding to the probability of occurrence of each of a plurality of diseases based on the first ECG data or the second ECG data.
  • the neural network model uses a deep learning algorithm to learn electrocardiogram data for each characteristic information of the electrocardiogram, and uses the learned model to derive electrocardiogram reading data including classification information related to heart disease.
  • the neural network model may be learned based on a learning dataset including electrocardiograms and diagnostic results of heart disease, and based on correlations between various factors in the learning dataset.
  • the neural network model may be learned based on the electrocardiogram measured with 12 leads obtained from electrodes of an electrocardiogram measuring device connected to the human body. For example, an electrocardiogram can be measured with 12 leads of 10 seconds in length and stored at 500 points per second. Additionally, the neural network model can be learned based on partial information extracted from only 6 limb lead ECGs and a single lead (lead I) ECG among the 12 lead ECGs.
  • the computing device 100 may calculate a predicted value by inputting the first bioimpedance or the second bioimpedance together with the first ECG data or the second ECG data into a neural network model.
  • the neural network model may be learned based on the correlation between changes in body composition and electrocardiogram characteristics.
  • the body water content and body fat can be determined. If the body water content in the subject's body increases, heart disease tends to increase, and if body fat is more than necessary, heart disease, cerebrovascular disease, high blood pressure, It is known that it can increase the risk of diabetes, lung disease, osteoarthritis, and certain cancers.
  • the computing device 100 can calculate a predicted value corresponding to the probability of occurrence of each of a plurality of diseases using a neural network model learned based on the correlation between changes in body composition and electrocardiogram characteristics, and based on user input.
  • a more accurate predicted value for electrocardiogram reading for the user is estimated using biological information including at least one of age, gender, weight, and height.
  • the neural network model includes at least one convolutional neural network (CNN), batch normalization, and ReLU activation function layer, and may include a dropout layer.
  • CNN convolutional neural network
  • the neural network model may include a fully connected layer in which biological information such as age, gender, height, and weight is input as auxiliary information.
  • the neural network model may include a neural network corresponding to each of a plurality of leads of ECG data. That is, the neural network model may include an individual neural network into which electrocardiograms measured with individual leads are input.
  • the neural network model according to an embodiment of the present invention may be configured in various ways based on the above-described examples.
  • biosignals including electrocardiogram and body composition can be measured simultaneously in one biosignal measuring device 200, so user convenience can be increased because there is no need to measure electrocardiogram and body composition separately, and one Health management services can be provided to subjects being measured using biosignal measurement devices.
  • the present disclosure uses a pre-trained neural network model to calculate a predicted value representing the heart health status based on bioimpedance along with the electrocardiogram data of the subject, the prediction accuracy of the neural model is low due to the close correlation between electrocardiogram and bioimpedance. can be further increased, and can provide precise analysis results on the health status of the subject (body water content, body fat, etc.) based on bioimpedance as well as the health status of the heart.

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)
  • Molecular Biology (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Cardiology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

본 개시는 심전도에 기반하여 체성분을 측정하는 방법 및 그 장치에 관한 것으로서, 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는, 심전도에 기반하여 체성분을 측정하는 방법은, 제1 측정 시점에 측정된 제1 심전도 데이터와 제1 생체 임피던스를 획득하는 단계; 상기 제1 측정 시점으로부터 시간이 경과된 제2 측정 시점에 측정된 제2 심전도 데이터를 획득하는 단계; 및 상기 제1 심전도 데이터와 상기 제2 심전도 데이터의 전압 차이값을 계산하고, 상기 계산된 전압 차이값과 상기 제1 생체 임피던스를 이용하여 제2 생체 임피던스를 계산한 후, 상기 계산된 제2 생체 임피던스를 제2 측정 시점에 매칭시키는 단계;를 포함할 수 있다.

Description

심전도에 기반하여 체성분을 측정하는 방법 및 그 장치
본 개시의 내용은 심전도에 기반하여 체성분을 측정하는 방법 및 그 장치에 관한 것으로, 구체적으로 심전도에 기반하여 생체 임피던스를 측정할 수 있는 방법에 관한 것이다.
현재, 생체 신호 모니터링을 위한 웨어러블 헬스 케어 시스템은 주로 심장의 전기적 활동 신호(즉, 심전도)를 모니터링하는 기기 위주로 시장이 형성되어 있으며, 용도별로는 생체 신호 모니터링용, 운동량 측정을 통한 체중관리 및 운동평가, 건강 및 안전 감시용 등으로 구분되고 있다.
생체 신호를 모니터링하기 위한 심전도 측정 방식과 체성분 측정 벙식은 모두 전류를 활용하고 있다. 먼저, 심전도 측정 방식은 전극을 피측정자의 신체에 부착시켜 심장 근육이 발생시키는 전류를 측정하는 것이고, 체성분 측정 방식은 전극을 피측정자의 신체 부위에 부착시켜 신체 내에 약한 전류를 흘려 넣어 체내 구성 성분을 분석하는 것이다. 이 외에도, 다양한 여러가지 방법으로 체성분을 측정할 수 있고, 측정된 체성분을 통해 체중에서 지방이 차지하는 비율을 얼마인지, 단백질인 근육이 차지하는 비율은 얼마인지를 계산할 수 있다.
이와 같이, 심전도 측정 방식과 체성분 측정 방식은 인체에 미세한 전류를 흘려 주었을 때 인체 내부의 저항 변화를 분석함으로써 측정할 수 있다는 점에서 유사하다.
그러나, 종래에는 심전도와 체성분을 측정하기 위해, 심전도 측정 기기와 체성분 측정 기기를 이용하여 심전도와 체성분을 각각 측정하였다. 하나의 기기에서 하나의 생체 신호만을 측정히기 때문에, 다양한 생체 신호를 획득하기 위해서는 복수개의 측정 기기가 필요하다는 문제점이 있고, 피측정자가 여러 종류의 측정 기기를 이용하여 각각의 생체 신호를 측정해야 하므로 복수의 생체 신호를 측정 및 검사하는데 불편함이 수반되는 문제점이 있다.
체성분 측정 기기와 심전도 측정 기기는 30초 정도의 측정 시간 동안 몸을 움직이지 않고 부동 상태로 있어야 정확한 측정 결과를 획득할 수 있고, 전류 흐름에 방해가 될 수 있는 금속 액세서리 등을 피측정자의 신체에서 모두 제거해야 한다.
한국인 120만명을 대상으로 진행한 연구에 따르면, 비만일 경우 심장질환 사망 가능성이 2.4배 증가하고, 특히 복부 비만인 당뇨병 환자는 복부 비만이 아닌 환자보다 심혈관 질환이 5.5배 높아지는 것으로 알려져 있다. 이를 통해 심혈관 질환과 비만 및 복부 비만은 별개의 질병이 아니며, 서로 긴밀하게 상관 관계를 가지고 있다고 유추해볼 수 있다.
향후, 웨어러블 기기 또는 생체 신호 측정 기기는 체지방, 심전도, 스트레스 반응 등 다양한 생체 신호를 동시에 측정하고 분석하여, 최적의 스마트 헬스 케어 솔루션을 제공하는 기능을 탑재할 필요가 있고, 하나의 기기를 이용하여 체성분과 심전도를 측정함으로써 사용자는 생체 신호 측정을 위한 측정 시간을 절약할 수 있으며, 효과적으로 질환 예방 및 모니터링 등 건강 관리를 할 수 있다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 하나의 생체신호 측정기기를 이용하여 심전도 및 체성분을 측정할 수 있고, 체성분을 매번 측정하지 않더라도 심전도에 기반하여 새로운 심전도 측정시점에서의 생체 임피던스를 계산할 수 있는 방법을 제공하는 것을 목적으로 한다.
다만, 본 개시에서 해결하고자 하는 과제는 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재를 근거로 명확하게 이해될 수 있을 것이다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는, 심전도에 기반하여 체성분을 측정하는 방법을 제공하고자 한다. 상기 방법은, 제1 측정 시점에 측정된 제1 심전도 데이터와 제1 생체 임피던스를 획득하는 단계; 상기 제1 측정 시점으로부터 시간이 경과된 제2 측정 시점에 측정된 제2 심전도 데이터를 획득하는 단계; 및 상기 제1 심전도 데이터와 상기 제2 심전도 데이터의 전압 차이값을 계산하고, 상기 계산된 전압 차이값과 상기 제1 생체 임피던스를 이용하여 제2 생체 임피던스를 계산한 후, 상기 계산된 제2 생체 임피던스를 제2 측정 시점에 매칭시키는 단계;를 포함할 수 있다.
대안적으로, 상기 제1 심전도 데이터와 상기 제1 생체 임피던스는, 기 설정된 보정주기마다 초기화되는 것이다.
대안적으로, 상기 제2 생체 임피던스를 이용해 피측정자의 체성분을 분석하는 단계를 더 포함할 수 있다.
대안적으로, 상기 제1 심전도 데이터와 상기 제2 심전도 데이터의 전압 차이값을 계산하고, 상기 계산된 전압 차이값과 상기 제1 생체 임피던스를 이용하여 제2 생체 임피던스를 계산한 후, 상기 계산된 제2 생체 임피던스를 제2 측정 시점에 매칭시키는 단계는, 상기 제1 심전도 데이터와 상기 제2 심전도 데이터의 각 심전도 파형에 관한 심전도 특징을 각각 추출하는 단계; 상기 제1 심전도 데이터의 심전도 특징을 기초로 제1 전압을 산출하고, 상기 제2 심전도 데이터의 특징을 기초로 제2 전압을 산출하는 단계; 및 상기 제1 전압과 제2 전압의 차이를 기초로, 상기 제1 생체 임피던스를 보정하여 상기 제2 생체 임피던스를 생성하는 단계;를 포함할 수 있다.
대안적으로, 상기 심전도 특징은, P파, QRS 복합체(complex) 및 T파의 진폭 혹은 길이를 포함할 수 있다.
대안적으로, 상기 제1 심전도 데이터와 상기 제2 심전도 데이터의 전압 차이값을 계산하고, 상기 계산된 전압 차이값과 상기 제1 생체 임피던스를 이용하여 제2 생체 임피던스를 계산한 후, 상기 계산된 제2 생체 임피던스를 제2 측정 시점에 매칭시키는 단계는, 상기 제1 심전도 데이터와 상기 제2 심전도 데이터가 N유도 심전도 측정 방식으로 측정된 경우, 상기 제1 생체 임피던스와 상기 제2 생체 임피던스가 측정된 신체 부위의 임피던스 값과의 상관 관계가 높은 유도(lead) 방향에서 측정된 심전도에 가중치를 부여하여, 상기 제2 생체 임피던스를 계산하는 것이다.
대안적으로, 사전 학습된 신경망 모델을 사용하여, 상기 제1 심전도 데이터 또는 제2 심전도 데이터를 기초로 복수의 질환들 각각의 발생 가능성에 대응되는 예측값을 산출하는 단계;를 더 포함할 수 있다.
대안적으로, 상기 사전 학습된 신경망 모델을 사용하여, 상기 제1 심전도 데이터 또는 상기 제2 심전도 데이터를 기초로 복수의 질환들 각각의 발생 가능성에 대응되는 예측값을 산출하는 단계는, 상기 제1 심전도 데이터 또는 상기 제2 심전도 데이터와 함께 상기 제1 생체 임피던스 또는 상기 제2 생체 임피던스를 상기 신경망 모델에 입력하여, 상기 예측값을 산출하는 단계;를 포함할 수 있다.
대안적으로, 상기 신경망 모델은, 상기 체성분과 심전도 특성의 변화 간의 상관관계를 기초로 학습된 것이다.
한편, 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램(program)으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서(processor)에서 실행되는 경우, 심전도에 기반하여 체성분을 측정하기 위한 동작들을 수행하도록 하며, 상기 동작들은, 제1 측정 시점에 측정된 제1 심전도 데이터와 제1 생체 임피던스를 획득하는 동작; 상기 제1 측정 시점으로부터 시간이 경과된 제2 측정 시점에 측정된 제2 심전도 데이터를 획득하는 동작; 및 상기 제1 심전도 데이터와 상기 제2 심전도 데이터의 전압 차이값을 계산하고, 상기 계산된 전압 차이값과 상기 제1 생체 임피던스를 이용하여 제2 생체 임피던스를 계산한 후, 상기 계산된 제2 생체 임피던스를 제2 측정 시점에 매칭시키는 동작;을 포함할 수 있다.
본 개시의 일 실시예에 따라 심전도에 기반하여 체성분을 측정하기 위한 컴퓨팅 장치로서, 적어도 하나의 코어(core)를 포함하는 프로세서(processor); 및 상기 프로세서에서 실행 가능한 프로그램 코드(code)들을 포함하는 메모리(memory); 를 포함하고, 상기 프로세서는, 상기 프로그램 코드의 실행에 따라, 제1 측정 시점에 측정된 제1 심전도 데이터와 제1 생체 임피던스를 획득하고, 상기 제1 측정 시점으로부터 시간이 경과된 제2 측정 시점에 측정된 제2 심전도 데이터를 획득하며, 상기 제1 심전도 데이터와 상기 제2 심전도 데이터의 전압 차이값을 계산하고, 상기 계산된 전압 차이값과 상기 제1 생체 임피던스를 이용하여 제2 생체 임피던스를 계산한 후, 상기 계산된 제2 생체 임피던스를 제2 측정 시점에 매칭시키는 것이다.
본 개시의 일 실시예에 따른 심전도에 기반하여 체성분을 측정하는 방법 은, 하나의 생체신호 측정기기를 이용하여 심전도 및 체성분을 포함한 생체 신호를 동시에 측정하고, 체성분을 매번 측정하지 않더라도 심전도에 기반하여 새로운 심전도 측정시점에서의 생체 임피던스를 계산할 수 있기 때문에, 사용자 측면에서 생체 신호 측정을 위해 복수의 기기를 사용하지 않아도 되고, 심전도 측정만으로도 체성분이 측정될 수 있어 사용자 편의성이 더욱 증대될 수 있는 효과가 있다.
또한, 본 개시는 체성분과 심전도 특성의 변화 간의 상관관계를 이용하여 더욱 정확한 심전도 분석에 기초한 심장 관련 건강 상태 및 체성분 분석을 통한 건강 상태를 알 수 있는 효과가 있다.
도 1은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록도이다.
도 2은 본 개시의 일 실시예에 따라 심전도에 기반하여 체성분을 측정하는 시스템의 구성을 설명하는 블록도이다.
도 3은 본 개시의 일 실시예에 따라 심전도에 기반하여 체성분을 측정하는 방법을 설명하는 순서도이다.
도 4는 본 개시의 일 실시예에 따라 신체부위별 생체 임피던스의 측정 과정을 설명하는 도면이다.
도 5는 본 개시의 일 실시예에 따라 표준유도 및 사지유도에서 측정된 심전도 그래프를 설명하는 도면이다.
아래에서는 첨부한 도면을 참조하여 본 개시의 기술 분야에서 통상의 지식을 가진 자(이하, 당업자)가 용이하게 실시할 수 있도록 본 개시의 실시예가 상세히 설명된다. 본 개시에서 제시된 실시예들은 당업자가 본 개시의 내용을 이용하거나 또는 실시할 수 있도록 제공된다. 따라서, 본 개시의 실시예들에 대한 다양한 변형들은 당업자에게 명백할 것이다. 즉, 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며, 이하의 실시예에 한정되지 않는다.
본 개시의 명세서 전체에 걸쳐 동일하거나 유사한 도면 부호는 동일하거나 유사한 구성요소를 지칭한다. 또한, 본 개시를 명확하게 설명하기 위해서, 도면에서 본 개시에 대한 설명과 관계없는 부분의 도면 부호는 생략될 수 있다.
본 개시에서 사용되는 "또는" 이라는 용어는 배타적 "또는" 이 아니라 내포적 "또는" 을 의미하는 것으로 의도된다. 즉, 본 개시에서 달리 특정되지 않거나 문맥상 그 의미가 명확하지 않은 경우, "x는 a 또는 b를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 이해되어야 한다. 예를 들어, 본 개시에서 달리 특정되지 않거나 문맥상 그 의미가 명확하지 않은 경우, "x는 a 또는 b를 이용한다" 는 x가 a를 이용하거나, x가 b를 이용하거나, 혹은 x가 a 및 b 모두를 이용하는 경우 중 어느 하나로 해석될 수 있다.
본 개시에서 사용되는 "및/또는" 이라는 용어는 열거된 관련 개념들 중 하나 이상의 개념의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
본 개시에서 사용되는 "포함한다" 및/또는 "포함하는" 이라는 용어는, 특정 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는" 이라는 용어는, 하나 이상의 다른 특징, 다른 구성요소 및/또는 이들에 대한 조합의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다.
본 개시에서 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 단수는 일반적으로 "하나 또는 그 이상" 을 포함할 수 있는 것으로 해석되어야 한다.
본 개시에서 사용되는 "제 n(n은 자연수)" 이라는 용어는 본 개시의 구성요소들을 기능적 관점, 구조적 관점, 혹은 설명의 편의 등 소정의 기준에 따라 상호 구별하기 위해 사용되는 표현으로 이해될 수 있다. 예를 들어, 본 개시에서 서로 다른 기능적 역할을 수행하는 구성요소들은 제1 구성요소 혹은 제2 구성요소로 구별될 수 있다. 다만, 본 개시의 기술적 사상 내에서 실질적으로 동일하나 설명의 편의를 위해 구분되어야 하는 구성요소들도 제1 구성요소 혹은 제2 구성요소로 구별될 수도 있다.
본 개시에서 사용되는 "획득" 이라는 용어는, 외부 장치 혹은 시스템과의 유무선 통신 네트워크를 통해 데이터를 수신하는 것 뿐만 아니라, 온-디바이스(on-device) 형태로 데이터를 생성하는 것을 의미하는 것으로 이해될 수 있다.
한편, 본 개시에서 사용되는 용어 "모듈(module)", 또는 "부(unit)" 는 컴퓨터 관련 엔티티(entity), 펌웨어(firmware), 소프트웨어(software) 혹은 그 일부, 하드웨어(hardware) 혹은 그 일부, 소프트웨어와 하드웨어의 조합 등과 같이 컴퓨팅 자원을 처리하는 독립적인 기능 단위를 지칭하는 용어로 이해될 수 있다. 이때, "모듈", 또는 "부"는 단일 요소로 구성된 단위일 수도 있고, 복수의 요소들의 조합 혹은 집합으로 표현되는 단위일 수도 있다. 예를 들어, 협의의 개념으로서 "모듈", 또는 "부"는 컴퓨팅 장치의 하드웨어 요소 또는 그 집합, 소프트웨어의 특정 기능을 수행하는 응용 프로그램, 소프트웨어 실행을 통해 구현되는 처리 과정(procedure), 또는 프로그램 실행을 위한 명령어 집합 등을 지칭할 수 있다. 또한, 광의의 개념으로서 "모듈", 또는 "부"는 시스템을 구성하는 컴퓨팅 장치 그 자체, 또는 컴퓨팅 장치에서 실행되는 애플리케이션 등을 지칭할 수 있다. 다만, 상술한 개념은 하나의 예시일 뿐이므로, "모듈", 또는 "부"의 개념은 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 정의될 수 있다.
본 개시에서 사용되는 "모델(model)" 이라는 용어는 특정 문제를 해결하기 위해 수학적 개념과 언어를 사용하여 구현되는 시스템, 특정 문제를 해결하기 위한 소프트웨어 단위의 집합, 혹은 특정 문제를 해결하기 위한 처리 과정에 관한 추상화 모형으로 이해될 수 있다. 예를 들어, 신경망(neural network) "모델" 은 학습을 통해 문제 해결 능력을 갖는 신경망으로 구현되는 시스템 전반을 지칭할 수 있다. 이때, 신경망은 노드(node) 혹은 뉴런(neuron)을 연결하는 파라미터(parameter)를 학습을 통해 최적화하여 문제 해결 능력을 가질 수 있다. 신경망 "모델" 은 단일 신경망을 포함할 수도 있고, 복수의 신경망들이 조합된 신경망 집합을 포함할 수도 있다.
본 개시에서 사용되는 "블록(block)" 이라는 용어는 종류, 기능 등과 같은 다양한 기준을 기초로 구분된 구성의 집합으로 이해될 수 있다. 따라서, 하나의 "블록"으로 분류되는 구성은 기준에 따라 다양하게 변경될 수 있다. 예를 들어, 신경망 "블록"은 적어도 하나의 신경망을 포함하는 신경망 집합으로 이해될 수 있다. 이때, 신경망 "블록"에 포함된 신경망을 특정 연산을 동일하게 수행하는 것으로 가정할 수 있다. 전술한 용어의 설명은 본 개시의 이해를 돕기 위한 것이다. 따라서, 전술한 용어를 본 개시의 내용을 한정하는 사항으로 명시적으로 기재하지 않은 경우, 본 개시의 내용을 기술적 사상을 한정하는 의미로 사용하는 것이 아님을 주의해야 한다.
도 1은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 데이터의 종합적인 처리 및 연산을 수행하는 하드웨어 장치 혹은 하드웨어 장치의 일부일 수도 있고, 통신 네트워크로 연결되는 소프트웨어 기반의 컴퓨팅 환경일 수도 있다. 예를 들어, 컴퓨팅 장치(100)는 집약적 데이터 처리 기능을 수행하고 자원을 공유하는 주체인 서버일 수도 있고, 서버와의 상호 작용을 통해 자원을 공유하는 클라이언트(client)일 수도 있다. 또한, 컴퓨팅 장치(100)는 복수의 서버들 및 클라이언트들이 상호 작용하여 데이터를 종합적으로 처리하는 클라우드 시스템(cloud system)일 수도 있다. 상술한 기재는 컴퓨팅 장치(100)의 종류와 관련된 하나의 예시일 뿐이므로, 컴퓨팅 장치(100)의 종류는 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
도 1를 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 프로세서(processor)(110), 메모리(memory)(120), 및 네트워크부(network unit)(130)를 포함할 수 있다. 다만, 도 1은 하나의 예시일 뿐이므로, 컴퓨팅 장치(100)는 컴퓨팅 환경을 구현하기 위한 다른 구성들을 포함할 수 있다. 또한, 상기 개시된 구성들 중 일부만이 컴퓨팅 장치(100)에 포함될 수도 있다.
본 개시의 일 실시예에 따른 프로세서(110)는 컴퓨팅 연산을 수행하기 위한 하드웨어 및/또는 소프트웨어를 포함하는 구성 단위로 이해될 수 있다. 예를 들어, 프로세서(110)는 컴퓨터 프로그램을 판독하여 기계 학습을 위한 데이터 처리를 수행할 수 있다. 프로세서(110)는 기계 학습을 위한 입력 데이터의 처리, 기계 학습을 위한 특징 추출, 역전파(backpropagation)에 기반한 오차 계산 등과 같은 연산 과정을 처리할 수 있다. 이와 같은 데이터 처리를 수행하기 위한 프로세서(110)는 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치(GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit), 주문형 반도체(ASICc: application specific integrated circuit), 혹은 필드 프로그래머블 게이트 어레이(FPGA: field programmable gate array) 등을 포함할 수 있다. 상술한 프로세서(110)의 종류는 하나의 예시일 뿐이므로, 프로세서(110)의 종류는 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
프로세서(110)는 심전도 데이터를 기초로 심장질환을 진단하는 신경망 모델을 학습시킬 수 있다. 예를 들어, 프로세서(110)는 심전도 데이터와 함께, 성별, 나이, 체중, 신장 등의 정보를 포함하는 생물학적 정보를 기초로 부정맥 및 기타 심장질환을 추정하도록 신경망 모델을 학습시킬 수 있다. 구체적으로, 프로세서(110)는 심전도 데이터 및 각종 생물학적 정보를 신경망 모델에 입력하여 신경망 모델이 부정맥이나 기타 심장질환에 따른 심전도의 변화를 감지하도록, 신경망 모델을 학습시킬 수 있다. 이때, 신경망 모델은 심전도 데이터에서 추출한 특징들과 부정맥 및 기타 심장질환의 진단 데이터들 포함하는 심전도 데이터셋을 토대로 학습을 수행할 수 있다. 프로세서(110)는 신경망 모델의 학습 과정에서 신경망 모델에 포함된 적어도 하나의 신경망 블록을 표현하는 연산을 수행할 수 있다.
프로세서(110)는 상술한 학습 과정을 통해 생성된 신경망 모델을 이용하여 심전도 데이터를 기초로 심전도 판독 결과 데이터를 추정할 수 있다. 프로세서(110)는 상술한 과정을 통해 학습된 신경망 모델로 심전도 데이터 및, 성별, 나이, 체중, 신장 등의 정보를 포함하는 생물학적 정보를 입력하여 심장 질환에 대한 확률을 추정한 결과를 나타내는 추론 데이터를 생성할 수 있다. 예를 들어, 프로세서(110)는 학습이 완료된 신경망 모델로 심전도 데이터를 입력하여, 부정맥이나 기타 심장질환 유무, 진행 정도 등을 예측할 수 있다.
상술한 예시 이외에도 의료 데이터의 종류 및 신경망 모델의 출력은 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
또한, 프로세서(110)는 기 설정된 보정기마다 측정된 첫 번째의 심전도 데이터 및 생체 임피던스를 이용하여, 다음 번 심전도 데이터 측정시 동일 시간에 매칭될 수 있는 생체 임피던스를 수학적 기법이나 딥러닝을 활용하여 계산할 수 있다.
본 개시의 일 실시예에 따른 메모리(120)는 컴퓨팅 장치(100)에서 처리되는 데이터를 저장하고 관리하기 위한 하드웨어 및/또는 소프트웨어를 포함하는 구성 단위로 이해될 수 있다. 즉, 메모리(120)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 데이터 및 네트워크부(130)가 수신한 임의의 형태의 데이터를 저장할 수 있다. 예를 들어, 메모리(120)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리, 램(ram: random access memory), 에스램(sram: static random access memory), 롬(rom: read-only memory), 이이피롬(eeprom: electrically erasable programmable read-only memory), 피롬(prom: programmable read-only memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 메모리(120)는 데이터를 소정의 체제로 통제하여 관리하는 데이터베이스(database) 시스템을 포함할 수도 있다. 상술한 메모리(120)의 종류는 하나의 예시일 뿐이므로, 메모리(120)의 종류는 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
메모리(120)는 프로세서(110)가 연산을 수행하는데 필요한 데이터, 데이터의 조합, 및 프로세서(110)에서 실행 가능한 프로그램 코드(code) 등을 구조화 및 조직화하여 관리할 수 있다. 예를 들어, 메모리(120)는 후술할 네트워크부(130)를 통해 수신된 심전도 데이터를 저장할 수 있다. 메모리(120)는 신경망 모델이 의료 데이터를 입력받아 학습을 수행하도록 동작시키는 프로그램 코드, 신경망 모델이 의료 데이터를 입력받아 컴퓨팅 장치(100)의 사용 목적에 맞춰 추론을 수행하도록 동작시키는 프로그램 코드, 및 프로그램 코드가 실행됨에 따라 생성된 가공 데이터 등을 저장할 수 있다.
본 개시의 일 실시예에 따른 네트워크부(130)는 임의의 형태의 공지된 유무선 통신 시스템을 통해 데이터를 송수신하는 구성 단위로 이해될 수 있다. 예를 들어, 네트워크부(130)는 근거리 통신망(LAN: local area network), 광대역 부호 분할 다중 접속(WCDMA: wideband code division multiple access), 엘티이(LTE: long term evolution), 와이브로(WIBRO: wireless broadband internet), 5세대 이동통신(5g), 초광역대 무선통신(ultra wide-band), 지그비(zigbee), 무선주파수(RF: radio frequency) 통신, 무선랜(wireless lan), 와이파이(wireless fidelity), 근거리 무선통신(NFC: near field communication), 또는 블루투스(bluetooth) 등과 같은 유무선 통신 시스템을 사용하여 데이터 송수신을 수행할 수 있다. 상술한 통신 시스템들은 하나의 예시일 뿐이므로, 네트워크부(130)의 데이터 송수신을 위한 유무선 통신 시스템은 상술한 예시 이외에 다양하게 적용될 수 있다.
네트워크부(130)는 임의의 시스템 혹은 임의의 클라이언트 등과의 유무선 통신을 통해, 프로세서(110)가 연산을 수행하는데 필요한 데이터를 수신할 수 있다. 또한, 네트워크부(130)는 임의의 시스템 혹은 임의의 클라이언트 등과의 유무선 통신을 통해, 프로세서(110)의 연산을 통해 생성된 데이터를 송신할 수 있다. 예를 들어, 네트워크부(130)는 병원 환경 내 데이터베이스, 의료 데이터의 표준화 등의 작업을 수행하는 클라우드 서버, 혹은 컴퓨팅 장치 등과의 통신을 통해 의료 데이터를 수신할 수 있다. 네트워크부(130)는 전술한 데이터베이스, 서버, 혹은 컴퓨팅 장치 등과의 통신을 통해, 신경망 모델의 출력 데이터, 및 프로세서(110)의 연산 과정에서 도출되는 중간 데이터, 가공 데이터 등을 송신할 수 있다.
도 2은 본 개시의 일 실시예에 따라 심전도에 기반하여 체성분을 측정하는 시스템의 구성을 설명하는 블록도이다.
도 2를 참조하면, 시스템은 컴퓨팅 장치(100) 및 생체신호 측정기기(200)를 포함하지만, 이에 한정되지 않고 전문가의 심층 판독을 위한 전문가 단말(300)을 포함할 수 있다.
컴퓨팅 장치(100)는 유선 또는 무선으로 생체신호 측정기기(200)와 연결되어, 생체신호 측정기기(200)로부터 심전도 데이터와 생체 임피던스를 획득하고, 심전도 데이터와 생체 임피던스를 분석한 결과를 제공할 수 있다. 이러한 컴퓨팅 장치(100)는 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook) 등이 포함될 수 있다.
만일, 생체신호 측정기기(200)가 인공지능 기술을 기반으로 하는 지능형 기기로 구현될 경우, 컴퓨팅 장치(100)는 생체신호 측정기기(200)와 독립적으로 운영되거나, 통합되어 운영될 수도 있다.
생체신호 측정기기(200)는 사용자 신체에 착용되어 심전도와 체성분을 포함한 혈압, 맥박수 등의 다양한 생체신호를 측정할 수 있다. 이러한 생체신호 측정기기(200)는 심전도와 체성분을 동시에 측정할 수 있는 기기로서, 식품 의약품 안전처에서 의료기기 인허가를 받은 전자 앱세사리(appcessory) 및 스마트 워치(smartwatch) 등의 웨어러블 기기, 안마의자 등의 의료 기기, 인바디 등의 체성분 측정기 등을 포함할 수 있다.
한편, 생체신호 측정기기(200)는 웨어러블 디바이스(211)를 이용한 단유도 방식뿐만 아니라, 12유도 방식, 6유도 방식 등 다양한 전극 조합을 이용하여 심전도 및 생체 임피던스를 측정할 수 있다. 심전도 및 생체 임피던스의 측정 시간 또한 얻고자 하는 신호에 따라 가감되어 설정되는 것이 바람직하다.
컴퓨팅 장치(100)는 심전도 판독 및 체성분 분석을 위한 건강 관리 서비스와 관련된 서비스앱을 실행하여, 데이터 선택, 전송, 열람 및 다운로드 등의 기능을 수행할 수 있다. 사용자는 컴퓨팅 장치(100)에서 실행되는 서비스앱을 통해 생체신호 측정 기기(200)에서 측정된 심전도 데이터와 생체 임피던스를 선택하여 전문가 단말(300)로 전송할 수 있다.
여기서, 전문가 단말(300)은 외부 전문가와 협업이 가능하여 전문가 심층 판독 서비스를 제공하는 심전도 판독 센터 또는 의료 전문가의 진단 서비스를 제공하는 단말일 수 있다. 이러한 전문가 단말(300)은 심전도 데이터와 생체 임피던스를 심층 분석한 전문가 판독 정보를 생성하여 컴퓨팅 장치(100)로 제공할 수 있다.
도 3은 본 개시의 일 실시예에 따라 심전도에 기반하여 체성분을 측정하는 방법을 설명하는 순서도이고, 도 4는 본 개시의 일 실시예에 따라 신체부위별 생체 임피던스의 측정 과정을 설명하는 도면이며, 도 5는 본 개시의 일 실시예에 따라 표준유도 및 사지유도에서 측정된 심전도 그래프를 설명하는 도면이다.
심전도에 기반하여 체성분을 측정하는 방법은, 생체신호 측정기기(200)를 이용하여 제1 측정 시점에 측정된 제1 심전도 데이터와 제1 생체 임피던스를 획득한다(S1). 컴퓨팅 장치(100)는 제2 심전도 데이터와 제2 생체 임피던스를 기 설정된 보정 주기 동안 기준값으로 설정한다. 이때, 보정주기(Tc)는 7일, 15일, 30일, 1년 등으로 설정될 수 있는데, 피측정자의 연령, 건강 상태나 질환 여부에 따라 가감되어 설정될 수 있다.
컴퓨팅 장치(100)는 제1 측정 시점으로부터 시간이 경과된 제2 측정 시점(T2)에 측정된 제2 심전도 데이터를 획득한다(S2). 그리고, 컴퓨팅 장치(100)는 제1 심전도 데이터와 제2 심전도 데이터의 전압 차이값을 계산하고(S3), 몸 속의 저항값(생체 임피던스)가 높아지면 심전도의 전압이 낮아지는 원리를 이용하여 전압 차이값과 제1 생체 임피던스에 기초하여 제2 생체 임피던스를 계산한 후(S4), 계산된 제2 생체 임피던스를 제2 측정 시점에 매칭시킨다(S5).
컴퓨팅 장치(100)는 제1 심전도 데이터와 제2 심전도 데이터 간의 전압 차이값을 계산하기 위해, 1 심전도 데이터와 제2 심전도 데이터의 각 심전도 파형에 관한 P파, QRS 복합체(complex) 및 T파의 진폭 혹은 길이를 포함하는 심전도 특징을 각각 추출하고, 제1 심전도 데이터의 심전도 특징을 기초로 제1 전압을 산출하며, 제2 심전도 데이터의 특징을 기초로 제2 전압을 산출한 후, 수학적 기법이나 딥러닝을 활용하여 제1 전압과 제2 전압의 차이를 기초로 제1 생체 임피던스를 보정하여 제2 생체 임피던스를 생성할 수 있다.
이때, 컴퓨팅 장치(100)는 제1 심전도 데이터와 상기 제2 심전도 데이터가 N유도 심전도 측정 방식으로 측정된 경우, 제1 생체 임피던스와 제2 생체 임피던스가 측정된 신체 부위의 임피던스 값과의 상관 관계가 높은 유도(lead) 방향에서 측정된 심전도에 가중치를 부여하여, 더욱 정확한 제2 생체 임피던스를 계산할 수 있다.
도 4의 (a)에 도시된 바와 같이, 피측정자의 우측면의 생체 임피던스를 측정하기 위해서는 신체의 오른쪽 손목 및 손등, 오른쪽 발목 및 발등에 ECG(ElectroCardioGram) 등에 사용하는 접착식 전극을 접촉시키고 이들 전극을 생체 임피던스 측정 장치에 연결시킨다.　생체 신호 측정 기기(200)는 손등과 발등에 있는 전극에 전류(i)를 흘려준다. 전류는 오른팔, 몸통, 오른다리를 통과하여 인체를 흐르게 되며, 이 때, 생체신호 측정 기기(200)가 오른쪽 손등과 발등에 있는 전극 사이의 전압(V)을 측정하여 우측면 저항(생체 임피던스)를 측정할 수 있다.
또한, 생체신호 측정기기(200)는 오른쪽 손과 왼쪽 손 사이에서 전류를 인가하고 양 손 사이에서 전압을 측정하여 팔 저항(b), 오른손에서 오른발 사이로 전류가 흐를 때 양 다리에서 전압을 측정하여 오른다리 저항(c), 왼손에서 왼발 사이로 전류가 흐를 때 오른손과 오른발 사이에서 전압을 측정하여 몸통 저항(d)을 생체 임피던스로 각각 측정할 수 있다. 이 외에도, 생체신호 측정 기기(200)는 신체 부위별 생체 임피던스 측정 기술을 사용하여 생체 임피던스를 오른팔, 왼팔, 몸통, 오른다리, 왼다리로 구별하여 측정할 수도 있다.
도 5에 도시된 바와 같이, 표준 12유도 심전도는 표준유도, 사지 유도(Limb leads) 및 흉부 유도(Precordial leads)를 기록하는 것으로서, 특히 표준유도와 사지유도는 심장 전면부의 심전도를 기록하고, 흉부유도는 심장 수평부의 심전도를 기록한다.
표준 유도는 피검자의 왼손과 오른손의 전위차, 오른손과 왼발의 전위차, 왼발과 오른손의 전위를 기록하는3개의 표준팔다리유도(I, II, III)가 있고, 사지 유도는 각각 오른손, 왼손, 왼발의 전위를 증폭해 기록하는 3개의 증폭단극팔다리유도(aVR, aVL, aVF)가 있다.
도 4 및 도 5를 참조하면, 유도 I는 오른쪽 팔, 왼쪽 팔, 왼쪽 발에 전극을 접촉시킨 후 오른쪽 팔과 왼쪽팔의 전위를 기록하고, 유도 II는 오른쪽 팔과 왼쪽 발의 전위를 기록하며, 리드III는 왼쪽 팔과 왼쪽 발의 전위를 기록한다. 따라서, 유도 I의 경우, 팔 전체의 생체 임피던스와 연관성이 높고, 유도 II는 우측면 생체 임피던스와 연관성이 높으며, 리드III는 좌측면 생체 임피던스와 연관성이 높고, 유도 aVL과 aVR은 몸통 생체 임피던스와 연관성이 높다.
상기한 연관성을 토대로, 컴퓨팅 장치(100)는 제2 심전도 데이터에 기반하여 제2 생체 임피던스를 계산할 때, 생체 임피던스가 측정된 신체 부위와 상관 관계가 높은 유도(lead) 방향에서 측정된 심전도에 가중치를 부여하여 계산함으로써 전기신호에 영향을 받은 신체 부위에 중점을 두어 더욱 정확한 제2 생체 임피던스를 계산할 수 있다.
컴퓨팅 장치(100)는 제1 측정 시점으로부터 일정 시간이 경과되어 보정 주기에 도달하면(S6), 컴퓨팅 장치(100)는 기준값으로 설정된 제1 심전도 데이터와 제1 생체 임피던스를 초기화하고, 새로운 보정주기 동안에 기준값으로 사용될 제1 심전도 데이터와 제1 생체 임피던스를 측정하도록 한다(S7).
컴퓨팅 장치(100)는 보정 주기 동안에 새롭게 측정되는 심전도 데이터는 제2 심전도 데이터와의 전압 차이값을 계산하여, 전압 차이값과 제1 생체 임피던스를 이용하여 새로운 심전도 데이터가 측정되는 시점에서의 생체 임피던스를 계산할 수 있다(S8).
한편, 컴퓨팅 장치(100)는 제1 측정 시점의 제1 생체 임피던스, 이후로 계산되는 제n 측정 시점의 제n 생체 임피던스를 이용해 피측정자의 체성분을 분석할 수 있고, 각 측정 시점마다 체성분 변화 추이를 파악하여 피측정자의 건강 상태에 대한 결과를 제공할 수 있다.
또한, 컴퓨팅 장치(100)는 사전 학습된 신경망 모델을 사용하여, 제1 심전도 데이터 또는 제2 심전도 데이터를 기초로 복수의 질환들 각각의 발생 가능성에 대응되는 예측값을 산출할 수 있다.
여기서, 신경망 모델은 딥러닝　알고리즘을 이용하여　심전도　데이터를 심전도의 특성 정보별로　학습하고,　학습된　모델을 이용하여 심장 질환과 관련된 분류정보를 포함한 심전도 판독 데이터를 도출할 수 있다. 구체적으로, 신경망 모델은 심전도 및 심장질환의 진단 결과를 포함한 학습 데이터셋을 기초로 학습 데이터셋에서 여러 인자들 간의 상관관계를 기초로 학습된 것일 수 있다.
신경망 모델은 인체에 연결된 심전도 측정 기기의 전극으로부터 획득되는 12 리드로 측정된 심전도를 기초로 학습된 것일 수 있다. 일례로, 심전도는 10초 길이의 12 리드로 측정되고, 1초당 500개의 포인트로 저장될 수 있다. 추가로, 신경망 모델은 12 리드 심전도 중 6개의 림브 리드(limb lead) 심전도와 단일 리드(lead I) 심전도만을 추출한 부분 정보를 기초로 학습될 수 있다.
여기서, 컴퓨팅 장치(100)는 제1 심전도 데이터 또는 제2 심전도 데이터와 함께 제1 생체 임피던스 또는 제2 생체 임피던스를 신경망 모델에 입력하여 예측값을 산출할 수도 있다. 이때, 신경망 모델은 체성분과 심전도 특성의 변화 간의 상관관계를 기초로 학습된 것일 수 있다.
일례로, 생체 임피던스를 구하면, 신체의 체수분량 및 체지방을 구할 수 있는데, 피측정자의 몸속 체수분량이 높아지면 심장 질환이 높아지는 경향이 있고, 체지방이 필요 이상으로 많으면 심장 질환, 뇌혈관 질환, 고혈압, 당뇨병, 폐질환, 골관절염, 특정 암의 유발 위험을 증가시키는 원인이 될　수 있다고 알려져 있다.
따라서, 컴퓨팅 장치(100)는 체성분과 심전도 특성의 변화 간의 상관 관계를 기초로 학습된 신경망 모델을 사용하여, 복수의 질환들 각각의 발생 가능성에 대응되는 예측값을 산출할 수 있고, 사용자 입력에 기초한 나이, 성별, 체중, 신장 중 적어도 하나를 포함하는 생물학적 정보를 이용하여 사용자에 대한 더욱 정확한 심전도 판독에 대한 예측값을 추정하게 된다.
구체적으로, 신경망 모델은 적어도 하나 이상의 컨볼루션 신경망(CNN), 배치 정규화(Batch normalization), 렐루 활성화 함수(ReLU activation function) 레이어를 포함하고, 드롭아웃(Dropout) 레이어를 포함할 수 있다. 신경망 모델은 나이, 성별, 신장, 체중 등의 생물학적 정보가 보조 정보로 입력되는 풀리 커넥티드(Fully connected) 레이어를 포함할 수 있다.
신경망 모델은 심전도 데이터의 복수의 리드들 각각에 대응되는 신경망을 포함할 수 있다. 즉, 신경망 모델은 개별 리드들로 측정된 심전도가 각각 입력되는 개별 신경망을 포함할 수 있다.
한편, 상술한 신경망 모델의 구조 및 신경망 종류는 하나의 예시일 뿐이므로, 본 발명의 일 실시예에 따른 신경망 모델은 상술한 예시를 토대로 다양하게 구성될 수 있다.
이와 같이, 본 개시에서는 하나의 생체신호 측정기기(200)에서 심전도와 체성분을 포함한 생체 신호를 동시에 측정할 수 있어, 심전도와 체성분을 각각 측정하지 않아도 되기 때문에 사용자 편의성이 증대될 수 있고, 하나의 생체신호 측정 기기를 이용하여 피측정자에 대한 건강 관리 서비스를 제공할 수 있다.
이때, 본 개시에서는 사전 학습된 신경망 모델을 사용하여 피측정자의 심전도 데이터와 함께 생체 임피던스에 기초한 심장 건강 상태를 나타내는 예측값을 산출하기 때문에, 심전도와 생체 임피던스의 밀접한 상관 관계로 인하여 신경 모델의 예측 정확도를 더욱 높일 수 있고, 심장의 건강 상태와 함께 생체 임피던스에 기초한 피측정자의 건강 상태(체수분량 및 체지방 등)에 대한 정밀한 분석 결과를 제공할 수 있다.
앞서 설명된 본 개시의 다양한 실시예는 추가 실시예와 결합될 수 있고, 상술한 상세한 설명에 비추어 당업자가 이해 가능한 범주에서 변경될 수 있다. 본 개시의 실시예들은 모든 면에서 예시적인 것이며, 한정적이 아닌 것으로 이해되어야 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성요소들도 결합된 형태로 실시될 수 있다. 따라서, 본 개시의 특허청구범위의 의미, 범위 및 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 개시의 범위에 포함되는 것으로 해석되어야 한다.

Claims (11)

  1. 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는, 심전도에 기반하여 체성분을 측정하는 방법으로서,
    제1 측정 시점에 측정된 제1 심전도 데이터와 제1 생체 임피던스를 획득하는 단계;
    상기 제1 측정 시점으로부터 시간이 경과된 제2 측정 시점에 측정된 제2 심전도 데이터를 획득하는 단계; 및
    상기 제1 심전도 데이터와 상기 제2 심전도 데이터의 전압 차이값을 계산하고, 상기 계산된 전압 차이값과 상기 제1 생체 임피던스를 이용하여 제2 생체 임피던스를 계산한 후, 상기 계산된 제2 생체 임피던스를 제2 측정 시점에 매칭시키는 단계;
    를 포함하는
    방법.
  2. 제1항에 있어서,
    상기 제1 심전도 데이터와 상기 제1 생체 임피던스는,
    기 설정된 보정주기마다 초기화되는 것인,
    방법.
  3. 제1항에 있어서,
    상기 제2 생체 임피던스를 이용해 피측정자의 체성분을 분석하는 단계를 더 포함하는,
    방법.
  4. 제1항에 있어서,
    상기 제1 심전도 데이터와 상기 제2 심전도 데이터의 전압 차이값을 계산하고, 상기 계산된 전압 차이값과 상기 제1 생체 임피던스를 이용하여 제2 생체 임피던스를 계산한 후, 상기 계산된 제2 생체 임피던스를 제2 측정 시점에 매칭시키는 단계는,
    상기 제1 심전도 데이터와 상기 제2 심전도 데이터의 각 심전도 파형에 관한 심전도 특징을 각각 추출하는 단계;
    상기 제1 심전도 데이터의 심전도 특징을 기초로 제1 전압을 산출하고, 상기 제2 심전도 데이터의 특징을 기초로 제2 전압을 산출하는 단계; 및
    상기 제1 전압과 제2 전압의 차이를 기초로, 상기 제1 생체 임피던스를 보정하여 상기 제2 생체 임피던스를 생성하는 단계;
    를 포함하는
    방법.
  5. 제4항에 있어서,
    상기 심전도 특징은,
    P파, QRS 복합체(complex) 및 T파의 진폭 혹은 길이를 포함하는,
    방법.
  6. 제1항에 있어서,
    상기 제1 심전도 데이터와 상기 제2 심전도 데이터의 전압 차이값을 계산하고, 상기 계산된 전압 차이값과 상기 제1 생체 임피던스를 이용하여 제2 생체 임피던스를 계산한 후, 상기 계산된 제2 생체 임피던스를 제2 측정 시점에 매칭시키는 단계는,
    상기 제1 심전도 데이터와 상기 제2 심전도 데이터가 N유도 심전도 측정 방식으로 측정된 경우, 상기 제1 생체 임피던스와 상기 제2 생체 임피던스가 측정된 신체 부위의 임피던스 값과의 상관 관계가 높은 유도(lead) 방향에서 측정된 심전도에 가중치를 부여하여, 상기 제2 생체 임피던스를 계산하는 것인,
    방법.
  7. 제1항에 있어서,
    사전 학습된 신경망 모델을 사용하여, 상기 제1 심전도 데이터 또는 제2 심전도 데이터를 기초로 복수의 질환들 각각의 발생 가능성에 대응되는 예측값을 산출하는 단계;
    를 더 포함하는,
    방법.
  8. 제7항에 있어서,
    상기 사전 학습된 신경망 모델을 사용하여, 상기 제1 심전도 데이터 또는 상기 제2 심전도 데이터를 기초로 복수의 질환들 각각의 발생 가능성에 대응되는 예측값을 산출하는 단계는,
    상기 제1 심전도 데이터 또는 상기 제2 심전도 데이터와 함께 상기 제1 생체 임피던스 또는 상기 제2 생체 임피던스를 상기 신경망 모델에 입력하여, 상기 예측값을 산출하는 단계;
    를 포함하는,
    방법.
  9. 제8항에 있어서,
    상기 신경망 모델은,
    상기 체성분과 심전도 특성의 변화 간의 상관관계를 기초로 학습된 것인,
    방법.
  10. 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램(program)으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서(processor)에서 실행되는 경우, 심전도에 기반하여 체성분을 측정하기 위한 동작들을 수행하도록 하며,
    상기 동작들은,
    제1 측정 시점에 측정된 제1 심전도 데이터와 제1 생체 임피던스를 획득하는 동작;
    상기 제1 측정 시점으로부터 시간이 경과된 제2 측정 시점에 측정된 제2 심전도 데이터를 획득하는 동작; 및
    상기 제1 심전도 데이터와 상기 제2 심전도 데이터의 전압 차이값을 계산하고, 상기 계산된 전압 차이값과 상기 제1 생체 임피던스를 이용하여 제2 생체 임피던스를 계산한 후, 상기 계산된 제2 생체 임피던스를 제2 측정 시점에 매칭시키는 동작;
    을 포함하는,
    컴퓨터 프로그램.
  11. 심전도에 기반하여 체성분을 측정하기 위한 컴퓨팅 장치로서,
    적어도 하나의 코어(core)를 포함하는 프로세서(processor); 및
    상기 프로세서에서 실행 가능한 프로그램 코드(code)들을 포함하는 메모리(memory);
    를 포함하고,
    상기 프로세서는, 상기 프로그램 코드의 실행에 따라,
    제1 측정 시점에 측정된 제1 심전도 데이터와 제1 생체 임피던스를 획득하고,
    상기 제1 측정 시점으로부터 시간이 경과된 제2 측정 시점에 측정된 제2 심전도 데이터를 획득하며,
    상기 제1 심전도 데이터와 상기 제2 심전도 데이터의 전압 차이값을 계산하고, 상기 계산된 전압 차이값과 상기 제1 생체 임피던스를 이용하여 제2 생체 임피던스를 계산한 후, 상기 계산된 제2 생체 임피던스를 제2 측정 시점에 매칭시키는,
    장치.
PCT/KR2023/009880 2022-07-14 2023-07-11 심전도에 기반하여 체성분을 측정하는 방법 및 그 장치 WO2024014844A1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR20220086830 2022-07-14
KR10-2022-0086830 2022-07-14
KR1020230089066A KR20240009885A (ko) 2022-07-14 2023-07-10 심전도에 기반하여 체성분을 측정하는 방법 및 그 장치
KR10-2023-0089066 2023-07-10

Publications (1)

Publication Number Publication Date
WO2024014844A1 true WO2024014844A1 (ko) 2024-01-18

Family

ID=89537048

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/009880 WO2024014844A1 (ko) 2022-07-14 2023-07-11 심전도에 기반하여 체성분을 측정하는 방법 및 그 장치

Country Status (1)

Country Link
WO (1) WO2024014844A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005531386A (ja) * 2002-07-03 2005-10-20 テル−アヴィヴ ユニヴァーシティ フューチャー テクノロジィ ディベロップメント エル．ピー． 生体インピーダンス法を用いて鬱血性心不全患者をモニタするための装置
US20120253206A1 (en) * 2011-03-30 2012-10-04 Shinichi Fukuda Measurement apparatus, measurement method, information processing apparatus, information processing method, and program
KR101633344B1 (ko) * 2015-10-23 2016-06-24 주식회사 자원메디칼 생체 정보 측정 장치, 서버 및 프로그램
KR102012934B1 (ko) * 2018-03-07 2019-08-21 주식회사 셀바스헬스케어 체성분을 측정하는 방법
KR102194943B1 (ko) * 2018-10-31 2020-12-24 주식회사 원소프트다임 Ecg 신호를 통해 심전도 측정이 가능한 휴대용 체성분 측정장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005531386A (ja) * 2002-07-03 2005-10-20 テル−アヴィヴ ユニヴァーシティ フューチャー テクノロジィ ディベロップメント エル．ピー． 生体インピーダンス法を用いて鬱血性心不全患者をモニタするための装置
US20120253206A1 (en) * 2011-03-30 2012-10-04 Shinichi Fukuda Measurement apparatus, measurement method, information processing apparatus, information processing method, and program
KR101633344B1 (ko) * 2015-10-23 2016-06-24 주식회사 자원메디칼 생체 정보 측정 장치, 서버 및 프로그램
KR102012934B1 (ko) * 2018-03-07 2019-08-21 주식회사 셀바스헬스케어 체성분을 측정하는 방법
KR102194943B1 (ko) * 2018-10-31 2020-12-24 주식회사 원소프트다임 Ecg 신호를 통해 심전도 측정이 가능한 휴대용 체성분 측정장치

Similar Documents

Publication Publication Date Title
US20210251575A1 (en) System and method for predicting acute cardiopulmonary events and survivability of a patient
Sivapalan et al. ANNet: A lightweight neural network for ECG anomaly detection in IoT edge sensors
Lake et al. Accurate estimation of entropy in very short physiological time series: the problem of atrial fibrillation detection in implanted ventricular devices
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
El Attaoui et al. Wearable wireless sensors network for ECG telemonitoring using neural network for features extraction
US20210121117A1 (en) Systems and methods of qt interval analysis
US20210353203A1 (en) Diagnostics for detection of ischemic heart disease
Han et al. Automated detection of acute myocardial infarction using asynchronous electrocardiogram signals—preview of implementing artificial intelligence with multichannel electrocardiographs obtained from Smartwatches: retrospective study
WO2013186634A2 (en) Predicting acute cardiopulmonary events and survivability of a patient
US10405810B1 (en) Noninvasive tool for assessing hydration status
WO2024014844A1 (ko) 심전도에 기반하여 체성분을 측정하는 방법 및 그 장치
WO2023022485A9 (ko) 비동기 심전도를 이용한 건강상태 예측 시스템
Corradi et al. Real time electrocardiogram annotation with a long short term memory neural network
KR20240009885A (ko) 심전도에 기반하여 체성분을 측정하는 방법 및 그 장치
WO2024014864A1 (ko) 심전도 측정 기능을 제공하는 키보드, 이를 포함하는 시스템 및 그 방법
Dheman et al. Cardiac monitoring with novel low power sensors measuring upper thoracic electrostatic charge variation for long lasting wearable devices
Jacob et al. Heart diseases classification using 1D CNN
US20220323016A1 (en) Biosignal measuring apparatus, biosignal processing apparatus and method of operating biosignal processing apparatus
WO2024049193A1 (ko) 심전도 데이터의 거래 서비스를 제공하는 방법, 프로그램 및 장치
WO2024025350A1 (ko) 심전도 판독을 위한 인공지능 모델의 업데이트 방법, 프로그램 및 장치
WO2024019584A1 (ko) 심전도를 이용한 심근경색 진단 방법, 프로그램 및 장치
Wanyana et al. A Personal Health Agent for Decision Support in Arrhythmia Diagnosis
WO2024005348A1 (ko) 심전도 판독 서비스를 제공하는 시스템 및 그 방법
Ahmed et al. Conceptual Hybrid Model for Wearable Cardiac Monitoring System
WO2022181948A1 (ko) 웨어러블 심전도 리듬 분석을 이용한 심장 위험도 산출 시스템 및 방법

Legal Events

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

Ref document number: 23839936

Country of ref document: EP

Kind code of ref document: A1