WO2024014864A1 - 심전도 측정 기능을 제공하는 키보드, 이를 포함하는 시스템 및 그 방법 - Google Patents

심전도 측정 기능을 제공하는 키보드, 이를 포함하는 시스템 및 그 방법 Download PDF

Info

Publication number
WO2024014864A1
WO2024014864A1 PCT/KR2023/009931 KR2023009931W WO2024014864A1 WO 2024014864 A1 WO2024014864 A1 WO 2024014864A1 KR 2023009931 W KR2023009931 W KR 2023009931W WO 2024014864 A1 WO2024014864 A1 WO 2024014864A1
Authority
WO
WIPO (PCT)
Prior art keywords
keyboard
electrocardiogram
computing device
noise
signal
Prior art date
Application number
PCT/KR2023/009931
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
Application filed by 주식회사 메디컬에이아이 filed Critical 주식회사 메디컬에이아이
Priority claimed from KR1020230090217A external-priority patent/KR20240009892A/ko
Publication of WO2024014864A1 publication Critical patent/WO2024014864A1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/26—Bioelectric electrodes therefor maintaining contact between the body and the electrodes by the action of the subjects, e.g. by placing the body on the electrodes or by grasping the electrodes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
    • A61B5/28—Bioelectric electrodes therefor specially adapted for particular uses for electrocardiography [ECG]

Definitions

  • the present disclosure relates to a keyboard that provides an electrocardiogram measurement function and a system including the same. Specifically, it relates to a system that provides an electrocardiogram reading service using a neural network model based on an electrocardiogram measured using the keyboard.
  • ECG electrocardiogram
  • the heartbeat which is the cause of the electrocardiogram, is an impulse that originates from the sinus node located in the right atrium, first depolarizes the right and left atrium, and after a brief delay in the atrioventricular node, Activates the ventricles.
  • the right ventricle which has the fastest septum and thin walls, activates before the left ventricle, which has thick walls.
  • the depolarization wave transmitted to the Purkinje fibers spreads from the endocardium to the epicardium like a wavefront in the myocardium, causing ventricular contraction. Because electrical impulses are normally conducted through the heart, the heart contracts approximately 60 to 100 times per minute. Each contraction is represented by one heart beat.
  • Such an electrocardiogram can be detected through a bipolar lead, which records the potential difference between two parts, and a unipolar lead, which records the potential of the area where the electrode is attached.
  • Methods for measuring an electrocardiogram include the bipolar lead. There is a standard limb lead, a unipolar limb lead, and a unipolar thoracic lead (precordial lead).
  • electrocardiograms are measured with expensive measuring equipment and used as an auxiliary tool to measure the patient's health status. In general, electrocardiogram measuring equipment only displays measurement results and diagnosis is entirely up to the doctor.
  • the positive prediction rate using a self-electrocardiogram measuring device is about 5%, that is, 95% of the results that show a heart disease using a self-electrocardiographic measuring device do not have a disease, so there is a problem that reliability is very low.
  • the positive predictive rate refers to the probability that a person is judged to have a disease but actually has the disease.
  • self-electrocardiogram measurement using a smart watch requires wearing the smart watch on one wrist, touching the smart watch with the index finger of the other hand, and holding the body motionless for 30 seconds. If an ECG is measured in a measurement environment where one cannot place one's hands on a table, etc., there is no place to place one's arms stably, so there is a high probability that accurate ECG measurements will fail due to unstable posture.
  • biosignal measurement devices can also be mounted on objects that users frequently use, such as a keyboard connected to a computer or a chair handle.
  • Biosignal measurement devices mounted on such keyboards or chair handles are not user-friendly for self-electrocardiogram measurement because the user's measurement posture is unstable or the contact location between electrodes for biometric measurement and body parts is unclear. There is a problem in that users feel uncomfortable and do not use the electrocardiogram measurement function.
  • the electrocardiogram examination system will not only allow users to continuously measure electrocardiograms in their daily lives, but will also link the user's electrocardiogram data with the medical information system installed in the hospital to quickly and accurately diagnose diseases through a pre-trained neural network model. We must be able to provide a platform where this can be done.
  • the present disclosure was developed in response to the above-described background technology, and allows the user's electrocardiogram to be measured easily and conveniently using the keyboard at home, school, or work regardless of location and time, and is measured through a computing device connected to the keyboard.
  • the purpose is to be able to generate electrocardiogram reading data for an electrocardiogram.
  • the present disclosure seeks to provide a keyboard that provides an electrocardiogram measurement function according to an embodiment of the present disclosure.
  • the keyboard includes an electrode unit installed on one or more keys of the keyboard and measuring the user's electrocardiogram signal when the user's finger touches it; a filtering unit that filters target noise that may be generated from the keyboard in the process of measuring the electrocardiogram signal; and a transmission unit that transmits the filtered ECG signal according to a request from a computing device connected wirelessly or wired to the keyboard.
  • the electrode unit executes the electrocardiogram measurement function using a first key combination method using one or more keys among the keys of the keyboard.
  • the transmitting unit executes the ECG transmitting function using a second key combination method using one or more keys among the keys of the keyboard.
  • the target noise may include at least one of power noise generated by power supplied to the keyboard or electromyography noise generated from the human body.
  • the filtering unit removes the target noise by applying a plurality of filtering techniques to the first region of the ECG signal measured by the electrode unit.
  • a keyboard that measures the user's electrocardiogram signal using electrodes disposed on one or more keys among a plurality of keys when the user's finger touches it; and a computing device connected to the keyboard to acquire the ECG signal, analyze the ECG signal using a pre-trained first neural network model, and remove noise from the ECG signal.
  • the keyboard may further include a filtering unit that filters target noise that may be generated from the keyboard during the process of measuring the ECG signal.
  • the filtering unit removes the target noise by applying a plurality of filtering techniques to the first region of the ECG signal measured by the electrode unit.
  • the computing device uses the first neural network model to evaluate a noise score for each of a plurality of filtering techniques applied to the first area from which the target noise has been removed.
  • the computing device determines priorities for a plurality of filtering techniques based on the noise score, and uses the filtering technique with the highest priority based on the determined priorities to filter the ECG signal. This is to remove target noise contained in area 2.
  • the computing device generates the ECG reading data using a pre-trained second neural network model as a primary reading result, provides a user interface for expert in-depth reading to an expert terminal, and provides the expert reading information.
  • a secondary read result including, but not limited to, the ECG read data may include at least one of the first read result or the second read result.
  • a method of reading an electrocardiogram using a keyboard that provides an electrocardiogram measurement function performed by a computing device according to an embodiment of the present disclosure, performed by a computing device including at least one processor, using the keyboard
  • a keyboard that provides an electrocardiogram measurement function according to an embodiment of the present disclosure and a system including the same can measure the user's electrocardiogram easily and conveniently using the keyboard at home, school, or work, regardless of location and time. Since the electrocardiogram can be read through a computing device connected to the computer, electrocardiogram measurement and reading can be naturally performed while using the computer, and the electrocardiogram reading results using the measured electrocardiogram can be used for hospital treatment.
  • 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 including a keyboard that provides an electrocardiogram measurement function according to an embodiment of the present disclosure.
  • Figure 3 is a block diagram illustrating the configuration of a keyboard that provides an electrocardiogram measurement function according to an embodiment of the present disclosure.
  • Figure 4 is a flowchart explaining a method of measuring an electrocardiogram on a keyboard that provides an electrocardiogram measurement function according to an embodiment of the present disclosure.
  • FIG. 5 is a flowchart illustrating a method for generating ECG reading data using a keyboard that provides an ECG measurement function 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 may 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 may learn a second neural network model that diagnoses heart disease based on the electrocardiogram signal. For example, the processor 110 may train a second 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 the ECG signal. 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 second neural network model can perform learning based on the ECG dataset including features extracted from the ECG signal 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 the ECG signal using the second neural network model generated through the above-described learning process.
  • the processor 110 inputs biological information including an electrocardiogram signal and information such as gender, age, weight, height, etc. into the second neural network model learned through the above-described process, and represents the result of estimating the probability of heart disease. Inference data can be generated. For example, the processor 110 can predict the presence and progress of arrhythmia or other heart disease by inputting the electrocardiogram signal into the learned second neural network model.
  • 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 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.
  • FIG. 2 is a block diagram illustrating the configuration of a system including a keyboard that provides an electrocardiogram measurement function according to an embodiment of the present disclosure
  • FIG. 3 is a block diagram of a keyboard that provides an electrocardiogram measurement function according to an embodiment of the present disclosure. This is a block diagram explaining the configuration.
  • the system includes a computing device 100 and a keyboard 200, but is not limited thereto and may include an expert terminal 300 for reading an electrocardiogram.
  • the computing device 100 may be connected to the keyboard 200 by wire or wirelessly, and may acquire the user's electrocardiogram measured on the keyboard 200, based on the user's electrocardiogram using a pre-trained second neural network model. ECG reading data can be generated.
  • This computing device 100 can collect various health indicators such as the user's heart rate, body fat percentage, and blood pressure, and may include a smart terminal that can provide various information about the user's health status using the collected health indicators. You can.
  • smart terminals include mobile phones, smart phones, laptop computers, digital broadcasting terminals, PDAs (personal digital assistants), PMPs (portable multimedia players), navigation, slate PCs, and tablet PCs. (tablet PC), ultrabook, etc. may be included.
  • the computing device 100 can execute a service app related to the ECG reading service and perform functions such as data selection, transmission, viewing, and downloading.
  • the user can select the electrocardiogram measured on the keyboard 200 and transmit it to the expert terminal 300 through a 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 generates expert reading information based on in-depth analysis of ECG data and provides it to the computing device 100.
  • the computing device 100 may request collaboration by transmitting collaboration request data to the expert terminal 300.
  • the computing device 100 may quickly transmit the request for collaboration including the ECG data to the expert terminal 300, which provides diagnostic services for medical experts. You can.
  • the computing device 100 may provide a guidance message or alarm information regarding ECG remeasurement based on feedback from the expert terminal 300.
  • the electrocardiogram is a unique signal for each individual because it varies depending on gender, age, heart location, and size. Accordingly, the computing device 100 inputs biological information including at least one of age, gender, weight, and height along with the electrocardiogram data into the second neural network model to estimate electrocardiogram reading data for the user of the electrocardiogram data. It can be included.
  • the second neural network model learns ECG data for each feature using a deep learning algorithm, and uses the learned model to derive ECG reading data including a diagnosis of heart disease. Additionally, the second neural network model may be learned based on the correlation between left ventricular systolic dysfunction and changes in characteristics such as electrocardiogram, gender, age, weight, and height. Specifically, the second neural network model may be learned based on a learning dataset including electrocardiograms and diagnosis results of heart disease, and based on correlations between various factors in the learning dataset.
  • the second 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 first 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 second neural network model can receive ECG data as input and output ECG reading data, and includes at least one convolutional neural network (CNN), batch normalization, and ReLU activation function layer. and may include a dropout layer.
  • the first 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 according to an embodiment of the present invention may be configured in various ways based on the above-described examples.
  • the keyboard 200 that provides an electrocardiogram measurement function includes, but is not limited to, an electrode unit 210, a filtering unit 220, a storage unit 230, and a transmission unit 240. No.
  • the electrode unit 210 is installed on one or more keys of the keyboard, and measures the user's electrocardiogram when the user's finger touches it.
  • This electrode unit 210 may include a two-electrode or three-electrode electrocardiogram measurement circuit.
  • the two-electrode method uses two points at the amplifier input terminal (+) and (-) as electrodes for skin contact, and the three-electrode method uses a total of three points including the amplifier input terminal (+), (-) and ground for skin contact. Used as an electrode.
  • the amplifier may obtain and output an electrocardiogram signal by differentially amplifying the biological signal input through the input terminal connected to each electrode.
  • the electrode unit 210 When implementing this electrode unit 210 in a two-electrode method, the electrode unit 210 is provided with electrodes on the ' ⁇ (English keyboard f)' and ' ⁇ (English keyboard j)' keys based on the Korean keyboard of the keyboard. They can be installed individually, and various display forms, such as a protruding area or Braille, are used on the upper surface of each key to distinguish them from other keys, so that the user can recognize the electrode unit 210 just by touch.
  • the keys on which the electrode unit 210 is installed are the parts where the user's left and right index fingers rise, and can be set to keys that allow the user to naturally place their hands when using a normal keyboard.
  • the electrode unit 210 when the electrode unit 210 is implemented in an 8-electrode method, the electrode unit 210 has ' ⁇ (English keyboard a)', ' ⁇ (English keyboard s)', and ' ⁇ ( 'English keyboard d)', ' ⁇ (English keyboard f)', ' ⁇ (English keyboard j)', ' ⁇ (English keyboard k)', ' ⁇ (English keyboard l)', ';' on the eight keys. It can be formed, and the user can sequentially place the little finger (or little finger), ring finger, middle finger, and index finger of the left hand on the electrode unit 210, and the index finger, middle finger, ring finger, and little finger of the right hand. Most keyboard users wait with eight fingers on the eight keyboards during preparations to use the keyboard, immediately after using the keyboard, or just before using the next keyboard. Accordingly, the electrode unit 210 can mount electrodes on the eight keys so that the electrocardiogram signal can be measured.
  • the computing device 100 When the computing device 100 is connected to the keyboard 200 equipped with the 8-electrode electrode unit 210, one of the ECG signals obtained from the four fingers of the left hand and the ECG signals obtained from the four fingers of the right hand Each signal with the lowest noise can be selected and used for ECG reading.
  • the electrode unit 210 executes the electrocardiogram measurement function using a first key combination method using one or more keys of the keyboard 200, for example, while pressing the function (Fn) key.
  • An electrocardiogram measurement signal can be recognized as being input by pressing ' ⁇ (English keyboard S)' on the keyboard for more than a certain period of time, or when human contact is detected on one or more keys including the electrode unit 210 for more than a certain period of time. It may be recognized that an electrocardiogram measurement signal has been input. Accordingly, the keyboard 200 can naturally perform an electrocardiogram measurement function for a preset time while the user uses the keyboard.
  • the electrocardiogram measurement signal is transmitted when the computing device 100 connected to the keyboard 200 is turned on or the power saving mode is released by one or more keys on the keyboard while the power saving mode is in progress. may be set to be recognized as input.
  • the filtering unit 220 filters target noise that may be generated in the keyboard 200 while the electrode unit 210 measures the electrocardiogram signal. Specifically, the filtering unit 220 removes target noise by applying a plurality of filtering techniques to the first region of the ECG signal, that is, the front part of the ECG signal. At this time, the target noise may include at least one of power noise generated by the power supplied to the keyboard 200 and electromyography noise generated from the human body.
  • the storage unit 230 stores the ECG filtered by the filtering unit 220 or stores the ECG signal and other data transmitted to the transmission unit 240.
  • the transmission unit 240 transmits the ECG signal filtered by the filtering unit 220 to the computing device 100 according to a request from the computing device 100 connected wirelessly or wired to the keyboard 200.
  • the transmission unit 240 executes the ECG transmission function by a second key combination method using one or more keys of the keyboard. For example, while pressing the function (Fn) key, ' If you press ' ⁇ (English keyboard T)' for more than a certain period of time, it can be recognized as having received an ECG transmission signal.
  • the ECG signal is automatically transmitted to the computing device 100 connected to the keyboard 200 after the electrode unit 210 starts measuring the ECG and a preset time has elapsed. It can be set to be, and the ECG transmission signal can be set in various ways.
  • FIG. 4 is a flow chart illustrating a method of measuring an ECG using a keyboard that provides an ECG measurement function according to an embodiment of the present disclosure
  • FIG. 5 is a flowchart illustrating a method of measuring an ECG using a keyboard that provides an ECG measurement function according to an embodiment of the present disclosure. This is a flowchart explaining the method for generating ECG reading data.
  • the keyboard 200 detects that an electrocardiogram measurement signal is input (S11), it performs electrocardiogram measurement for a preset time after the user's finger touches the electrode unit 210 (S12). .
  • the filtering unit 220 removes target noise from the first region of the ECG signal measured by the electrode unit 210, and the storage unit 230 stores the ECG signal from which the target noise has been removed (S13). At this time, the filtering unit 220 performs an electrocardiogram filtering function specialized for the keyboard 200 that provides an electrocardiogram measurement function. In order to remove target noise that may occur in the keyboard during the electrocardiogram measurement process, the filtering unit 220 performs an electrocardiogram filtering function of the electrocardiogram signal. 1 Apply multiple filtering techniques to area.
  • the target noise may include at least one of power noise generated as power is supplied to the keyboard 200 and electromyography noise generated from the hand muscles of the human body. Since the electrocardiogram measures the current generated in the heart, target noise, including power noise or electromyogram noise, is likely to act as an obstacle to accurate electrocardiogram measurement. Accordingly, the filtering unit 220 removes target noise from the ECG signal, allowing the computing device 100 to then perform an accurate ECG reading using the noise-removed ECG signal.
  • the transmission unit 240 transmits the ECG signal stored in the storage unit 230 to the computing device 100 connected to the keyboard 200 (S15).
  • the signal from which the target noise has been removed by the filtering unit 220 is not stored in the storage unit 230. It can be directly transmitted to the computing device 100 through the transmission unit 240. Additionally, the transmitted result may be stored in the storage unit 230.
  • the computing device 100 acquires an electrocardiogram signal from the keyboard 200 connected wired or wirelessly (S21), and target noise is removed from the electrocardiogram signal using a pre-trained first neural network model.
  • the noise score for each of the plurality of filtering techniques applied to the first area is evaluated (S22).
  • the first neural network model can evaluate the noise score with a low score if a lot of noise components remain in the ECG signal, and conversely, if the noise component is well removed from the ECG signal, the noise score can be evaluated with a high score.
  • Learning data may be generated through a data labeling operation that attaches label data to the ECG signal, and the first neural network model may be learned through the generated learning data.
  • a data labeling task can label a noise-free ECG signal as 0 and label it as 1 to 9 depending on the degree to which the noise component increases. Accordingly, the first neural network model can evaluate the noise score as low as the label data value increases.
  • the computing device 100 determines that ECG reading is impossible due to the noise signal, and transmits collaboration request data to the expert terminal 300 to request collaboration, or You may request re-measurement of the electrocardiogram.
  • the computing device 100 removes the noise signal included in the ECG signal and outputs it (S24).
  • the computing device 100 determines the priority of a plurality of filtering techniques based on the noise score, and uses the filtering technique with the highest priority based on the determined priority to target the target included in the second region of the ECG signal. Noise can be removed.
  • the second area may be the remaining area excluding the first area of the ECG signal.
  • the computing device 100 When the target noise in the second area is removed, the computing device 100 combines the filtering result for the first area to which the filtering technique selected to remove the second area is applied and the filtering result for the second area to create a total from which the noise has been removed.
  • An electrocardiogram signal can be generated.
  • the computing device 100 connects the result of the filtering technique with the highest priority among the filtering results of the first area and the result of the second area to which the filtering technique with the highest priority is applied to obtain an ECG signal of the best quality. can be saved.
  • the step of evaluating the noise score in the electrocardiogram signal and the noise signal remaining in the electrocardiogram signal are performed. Repeat the removal steps.
  • the computing device 100 analyzes the ECG signal from which the noise signal has been removed through a filtering module using a pre-trained second neural network model, and generates ECG reading data for the user's ECG (S25). At this time, the computing device 100 may generate ECG reading data using the second neural network model as the first reading result.
  • the computing device 100 provides a user interface for expert in-depth reading to the expert terminal 300, receives a secondary reading result including expert reading information through the expert terminal 300, and then performs a primary reading.
  • ECG reading data including at least one of the results or secondary reading results may be generated.
  • the computing device applies technology to connect ECG signals measured in a short period of time (less than 30 seconds) to ECG signals of 30 seconds to 2 minutes, so that even if the ECG is not measured in an uncomfortable position for 30 seconds to 2 minutes, the computing device Medical analysis can also produce meaningful electrocardiogram analysis results.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Cardiology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

본 개시는 심전도 측정 기능을 제공하는 키보드 및 이를 포함하는 시스템에 관한 것으로서, 키보드의 키들 중 하나 이상의 키에 설치되고, 사용자의 손가락이 접촉되면 사용자의 심전도 신호를 측정하는 전극부; 상기 심전도 신호를 측정하는 과정에서 상기 키보드에서 발생될 수 있는 타겟 노이즈를 필터링하는 필터링부; 및 상기 키보드와 무선 또는 유선 연결된 컴퓨팅 장치의 요청에 따라 상기 필터링 된 심전도 신호를 전송하는 전송부를 포함하는 키보드를 제공하고자 한다.

Description

심전도 측정 기능을 제공하는 키보드, 이를 포함하는 시스템 및 그 방법
본 개시의 내용은 심전도 측정 기능을 제공하는 키보드 및 이를 포함하는 시스템에 관한 것으로, 구체적으로 키보드를 이용하여 측정된 심전도를 기초로 신경망 모델을 이용하여 심전도 판독 서비스를 제공하는 시스템에 관한 것이다.
심전도(ECG: electrocardiogram)는 심장에서 발생하는 전기적인 신호를 측정하여 심장에서부터 전극까지의 전도계통의 이상 유무를 확인하여 질환유무를 판별할 수 있게 하는 신호이다.
심전도의 발생 원인인 심장박동은 우심방(right atrium)에 자리잡은 동방결절(sinus node)에서 시작된 임펄스가 먼저 우심방과 좌심방(left atrium)을 탈분극(deploarization)시키며 방실결절(atrioventricular node)에서 잠시 지체된 후 심실을 활성화시킨다.
중격(septum)이 가장 빠르고 벽이 얇은 우심실은 벽이 두꺼운 좌심실보다 먼저 활성화된다. 푸르키녜 섬유(purkinje fiber)까지 전달된 탈분극 파는 심근에서 파도(wavefront)와 같이 심장내막에서 외심막으로 퍼져나가면서 심실수축을 일으키게 된다. 정상적으로 전기적 자극이 심장을 통하여 전도되기 때문에 심장은 분당 약 60~100회 수축된다. 각 수축은 1회 심박동수로 나타낸다.
이와 같은 심전도는 두 부위 간의 전위차를 기록하는 양극 유도(bipolar lead)와 전극을 부착시킨 부위의 전위를 기록하는 단극 유도(unipolar lead)를 통해 검출할 수 있으며, 심전도를 측정하는 방법에는 양극 유도인 표준 유도(standard limb lead), 단극 유도인 사지 유도(unipolar limb lead), 단극 유도인 흉부 유도(precordial lead) 등이 있다.
이러한 심전도는 고가의 측정 장비로 측정되어 환자의 건강상태를 측정하기 위한 보조 도구로 사용되며, 일반적으로 심전도 측정 장비는 측정결과만을 표시해주며 진단은 온전히 의사의 몫이었다.
현재 의사의 의존도를 낮추기 위해 심전도를 기초로 인공지능을 이용하여 신속 정확하게 질환을 진단하는 연구가 계속되고 있다. 또한, 스마트 워치 등의 웨어러블 형태의 자가 심전도 측정 기기의 발달과 함께 심전도를 기초로 심장 질환뿐만 아닌 다른 여러 질환을 진단 및 모니터링할 수 있는 가능성이 대두되고 있다.
현재 자가 심전도 측정 기기를 이용한 양성 예측율이 5% 정도, 즉 자가 심전도 측정 기기를 이용한 심장 질환이 있다고 판독된 결과 중 95%는 질환이 없는 것이므로 신뢰도가 매우 낮다는 문제점이 있다. 여기서, 양성 예측율은 질환이 있다고 판단되었으나 실제로 질환이 있을 확률을 의미한다.
이와 같이, 일상 생활 속에서 자가 심전도 측정 기기를 이용하여, 사용자가 자신의 건상 상태를 수시로 모니터링하게 되면, 심전도에서 비정상 소견이 발견되면 이를 바로 확인하여 조치할 수 있기 때문에, 특히 심혈관계 질환에서 많이 나타난다고 알려진 돌연사의 상황을 미연에 방지할 수 있다.
그러나, 자가 심전도 측정 기기의 심전도 판독 결과에서 비정상 소견이 발견된 경우, 사용자가 직접 병원 방문을 통해 질환이 없음을 확인해야 하므로 불필요한 병원 방문으로 인한 의료비의 낭비가 증가하고, 일상생활에서 측정한 심전도의 신뢰도가 감소하여 심장질환을 조기 발견하여 합병증을 예방할 수 있는 기회를 놓칠 수 있다는 문제점이 있다.
또한, 스마트워치 등의 자가 심전도 측정 기기가 병원에 설치된 의료정보시스템과 연동되지 않기 때문에, 사용자가 직접 심전도 측정 결과를 많은 양의 종이로 인쇄하거나 본인의 핸드폰에 저장하여, 병원 방문을 통해 의료진에게 심전도 판독 결과를 요청해야 하므로, 의료진이 다수의 사용자들에 대한 심전도 판독을 위해 많은 시간을 소비하게 되어 의료 자원의 낭비가 발생하는 문제점이 있다.
특히, 스마트 워치를 이용한 자가 심전도 측정은 한쪽 손목에 스마트 워치를 착용한 상태에서, 다른 쪽 손의 검지손가락을 스마트 워치에 접촉한 후 몸을 움직이지 않는 자세에서 30초 동안 있어야 한다. 만일, 테이블 등에 손을 올려놓을 수 없는 측정 환경 상태에서 심전도 측정을 할 경우, 팔을 안정적으로 올려 놓을 곳이 없어, 불안정한 자세로 인해 정확한 심전도 측정이 실패할 확률이 높다는 문제점이 있다.
스마트 워치와 같은 웨어러블 기기 말고도 컴퓨터에 연결된 키보드, 의자 손잡이 같이 사용자가 자주 사용하는 물건에 생체신호 측정 장치를 탑재하여 사용할 수도 있다. 이러한 키보드 또는 의자 손잡이 등에 탑재된 생체신호 측정 장치는 사용자의 측정 자세가 불안정하거나, 생체 측정을 위한 전극과 신체 부위와의 접촉 위치가 불분명하여 자가 심전도 측정을 위한 사용 방식이 사용자 친화적이지 않고, 그로 인해 사용자가 불편함이 느끼게 되어 심전도 측정 기능을 사용하지 않게 되는 문제점이 있다.
또한, 향후 심전도 검사 시스템은 사용자가 일상생활에서 지속적으로 심전도를 측정하여 데서 그치지 않고, 사용자에 대한 심전도 데이터를 병원에 설치된 의료정보시스템과 연동하여 사전 학습된 신경망 모델을 통해 신속 정확하게 질환을 진단할 수 있는 플랫폼을 제공할 수 있어야 한다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 장소와 시간에 구애받지 않고 가정, 학교 또는 직장에서 쉽고 간편하게 키보드를 이용하여 사용자의 심전도를 측정할 수 있고, 키보드와 연결된 컴퓨팅 장치를 통해 측정된 심전도에 대한 심전도 판독 데이터를 생성할 수 있도록 하는 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 심전도 측정 기능을 제공하는 키보드를 제공하고자 한다. 키보드는, 키보드의 키들 중 하나 이상의 키에 설치되고, 사용자의 손가락이 접촉되면 사용자의 심전도 신호를 측정하는 전극부; 상기 심전도 신호를 측정하는 과정에서 상기 키보드에서 발생될 수 있는 타겟 노이즈를 필터링하는 필터링부; 및 상기 키보드와 무선 또는 유선 연결된 컴퓨팅 장치의 요청에 따라 상기 필터링 된 심전도 신호를 전송하는 전송부;를 포함할 수 있다.
대안적으로, 상기 전극부는, 상기 키보드의 키들 중 하나 이상의 키를 이용한 제1 키 조합 방식에 의해 심전도 측정 기능을 실행하는 것이다.
대안적으로, 상기 전송부는, 상기 키보드의 키들 중 하나 이상의 키를 이용한 제2 키 조합 방식에 의해 심전도 전송 기능을 실행하는 것이다.
대안적으로, 상기 타겟 노이즈는, 상기 키보드에 공급되는 전원에 의해 발생되는 전원 노이즈, 또는 인체에서 발생되는 근전도 노이즈 중 적어도 하나 이상을 포함할 수 있다.
대안적으로, 상기 필터링부는, 상기 전극부에 의해 측정된 심전도 신호의 제1 영역에 대해, 복수의 필터링 기법들을 적용하여 상기 타겟 노이즈를 제거하는 것이다.
한편, 본 개시의 일 실시예에 따라 심전도 측정 기능을 제공하는 시스템에서, 사용자의 손가락이 접촉되면, 복수의 키들 중 하나 이상의 키에 배치된 전극들을 이용하여 사용자의 심전도 신호를 측정하는 키보드; 및 상기 키보드와 연결되어 상기 심전도 신호를 획득하고, 사전 학습된 제1 신경망 모델을 사용하여 상기 심전도 신호를 분석하고, 상기 심전도 신호의 노이즈를 제거하는 컴퓨팅 장치;를 포함할 수 있다.
대안적으로, 상기 키보드는, 상기 심전도 신호를 측정하는 과정에서 상기 키보드에서 발생될 수 있는 타겟 노이즈를 필터링하는 필터링부를 더 포함할 수 있다.
대안적으로, 상기 필터링부는, 상기 전극부에 의해 측정된 심전도 신호의 제1 영역에 대해, 복수의 필터링 기법들을 적용하여 상기 타겟 노이즈를 제거하는 것이다.
대안적으로, 상기 컴퓨팅 장치는, 상기 제1 신경망 모델을 사용하여, 상기 타겟 노이즈가 제거된 제1 영역에 적용된 복수의 필터링 기법들 각각에 대한 노이즈 점수를 평가하는 것이다.
대안적으로, 상기 컴퓨팅 장치는, 상기 노이즈 점수에 기반하여 복수의 필터링 기법들에 대한 우선순위를 결정하고, 상기 결정된 우선순위에 기초하여 최상위 우선순위를 갖는 필터링 기법을 이용하여 상기 심전도 신호의 제2 영역에 포함된 타겟 노이즈를 제거하는 것이다.
대안적으로, 상기 컴퓨팅 장치는, 사전 학습된 제2 신경망 모델을 사용한 상기 심전도 판독 데이터를 1차 판독 결과로 생성하고, 전문가 심층 판독을 위한 사용자 인터페이스를 전문가 단말에 제공하여, 상기 전문가 판독 정보를 포함하는 2차 판독 결과를 생성하되, 상기 심전도 판독 데이터는, 상기 1차 판독 결과 또는 상기 2차 판독 결과 중 적어도 하나 이상을 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는, 심전도 측정 기능을 제공하는 키보드를 이용하여 심전도를 판독하는 방법으로서, 키보드를 이용하여 측정된 심전도 신호를 획득하는 단계; 및 사전 학습된 제1 신경망 모델을 사용하여 상기 심전도 신호를 분석하고, 상기 심전도 신호의 노이즈를 제거하는 단계를 포함하는 방법을 제공하고자 한다.
본 개시의 일 실시예에 따른 심전도 측정 기능을 제공하는 키보드 및 이를 포함한 시스템은, 장소와 시간에 구애받지 않고 가정, 학교 또는 직장에서 쉽고 간편하게 키보드를 이용하여 사용자의 심전도를 측정할 수 있어, 키보드와 연결된 컴퓨팅 장치를 통해 심전도를 판독할 수 있어 컴퓨터를 사용하는 시간 동안 자연스럽게 심전도 측정 및 판독이 이루어질 수 있고, 이렇게 측정된 심전도를 이용한 심전도 판독 결과를 병원 진료에 활용할 수 있도록 할 수 있다.
도 1은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록도이다.
도 2는 본 개시의 일 실시예에 따라 심전도 측정 기능을 제공하는 키보드를 포함하는 시스템의 구성을 설명하는 블록도이다.
도 3은 본 개시의 일 실시예에 따라 심전도 측정 기능을 제공하는 키보드의 구성을 설명하는 블록도이다.
도 4는 본 개시의 일 실시예에 따라 심전도 측정 기능을 제공하는 키보드에서 심전도를 측정하는 방법을 설명하는 순서도이다.
도 5는 본 개시의 일 실시예에 따라 심전도 측정 기능을 제공하는 키보드를 이용하여 심전도 판독 데이터를 생성하기 위한 방법을 설명하는 순서도이다.
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 1을 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 신호를 기초로 심장질환을 진단하는 제2 신경망 모델을 학습시킬 수 있다. 예를 들어, 프로세서(110)는 심전도 신호와 함께, 성별, 나이, 체중, 신장 등의 정보를 포함하는 생물학적 정보를 기초로 부정맥 및 기타 심장질환을 추정하도록 제2 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, 제2 신경망 모델은 심전도 신호에서 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 제2 신경망 모델을 이용하여 심전도 신호를 기초로 심전도 판독 결과 데이터를 추정할 수 있다. 프로세서(110)는 상술한 과정을 통해 학습된 제2 신경망 모델로 심전도 신호, 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 제2 신경망 모델로 심전도 신호를 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.
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 2는 본 개시의 일 실시예에 따라 심전도 측정 기능을 제공하는 키보드를 포함하는 시스템의 구성을 설명하는 블록도이고, 도 3은 본 개시의 일 실시예에 따라 심전도 측정 기능을 제공하는 키보드의 구성을 설명하는 블록도이다.
도 2를 참조하면, 시스템은 컴퓨팅 장치(100) 및 키보드(200)를 포함하지만, 이에 한정되지 않고 심전도 판독을 위한 전문가 단말(300)을 포함할 수 있다.
컴퓨팅 장치(100)는 유선 또는 무선으로 키보드(200)와 연결될 수 있고, 키보드(200)에서 측정된 사용자의 심전도를 획득할 수 있으며, 사전 학습된 제2 신경망 모델을 사용하여 사용자의 심전도에 기초한 심전도 판독 데이터를 생성할 수 있다.
이러한 컴퓨팅 장치(100)는 사용자의 심박수, 체지방률, 혈압 등 다양한 건강지표를 수집할 수 있고, 수집된 건강 지표를 이용하여 사용자의 건강 상태에 대한 정보를 다양하게 제공할 수 있는 스마트 단말기를 포함할 수 있다. 이때, 스마트 단말기는 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.
컴퓨팅 장치(100)는 심전도 판독 서비스와 관련된 서비스앱을 실행하여, 데이터 선택, 전송, 열람 및 다운로드 등의 기능을 수행할 수 있다. 사용자는 컴퓨팅 장치(100)에서 실행되는 서비스앱을 통해 키보드(200)에서 측정된 심전도를 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 데이터를 심층 분석한 전문가 판독 정보를 생성하여 컴퓨팅 장치(100)로 제공한다.
컴퓨팅 장치(100)는 심전도 신호에 포함된 노이즈 신호나 부정확한 측정으로 인한 오류 신호로 인해 심전도 판독이 불가능한 경우, 전문가 단말(300)로 협진 요청 데이터를 전송하여 협업을 요청할 수 있다. 즉, 심전도 신호가 제2 신경망 모델의 해석(또는 추론)이 어려운 상태라면, 컴퓨팅 장치(100)는 신속히 의료 전문가의 진단 서비스를 제공하는 전문가 단말(300)로 심전도 데이터를 포함한 협진 요청 데이터를 전송할 수 있다. 전문가 단말(300)에서도 심전도 판독이 불가능한 경우, 컴퓨팅 장치(100)는 전문가 단말(300)의 피드백을 토대로 심전도 재측정에 관한 안내 메시지 또는 알람 정보를 제공할 수 있다.
심전도는 개인마다　성별,　나이, 심장의 위치, 크기에 따라 다르기 때문에 개인의 고유한 신호이다. 따라서, 컴퓨팅 장치(100)는 제2 신경망 모델로 심전도 데이터와 함께 나이, 성별, 체중, 신장 중 적어도 하나를 포함하는 생물학적 정보를 입력하여, 심전도 데이터의 사용자에 대한 심전도 판독 데이터를 추정하는 단계를 포함할 수 있다.
여기서, 제2 신경망 모델은 딥러닝　알고리즘을 이용하여　심전도　데이터를 특징별로　학습하고,　학습된　모델을 이용하여 심장 질환의 진단명을 포함한 심전도 판독 데이터를 도출할 수 있다. 또한, 제2 신경망 모델은, 좌심실 수축기 장애와 심전도, 성별, 나이, 체중, 신장 등의 특성의 변화 간의 상관관계를 기초로 학습된 것일 수 있다. 구체적으로, 제2 신경망 모델은 심전도 및 심장질환의 진단 결과를 포함한 학습 데이터셋을 기초로 학습 데이터셋에서 여러 인자들 간의 상관관계를 기초로 학습된 것일 수 있다.
제2 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, 제1 신경망 모델은 12 리드 심전도 중 6개의 림브 리드(limb lead) 심전도와 단일 리드(lead I) 심전도만을 추출한 부분 정보를 기초로 학습될 수 있다.
구체적으로, 제2 신경망 모델은 심전도 데이터를 입력 받아 심전도 판독 데이터를 출력할 수 있는데, 적어도 하나 이상의 컨볼루션 신경망(CNN), 배치 정규화(Batch normalization), 렐루 활성화 함수(ReLU activation function) 레이어를 포함하고, 드롭아웃(Dropout) 레이어를 포함할 수 있다. 제1 신경망 모델은 나이, 성별, 신장, 체중 등의 생물학적 정보가 보조 정보로 입력되는 풀리 커넥티드(Fully connected) 레이어를 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.
도 3에 도시된 바와 같이, 심전도 측정 기능을 제공하는 키보드(200)는, 전극부(210), 필터링부(220), 저장부(230) 및 전송부(240)를 포함하지만 이에 한정되지는 않는다.
전극부(210)는 키보드의 키들 중 하나 이상의 키에 설치되고, 사용자의 손가락이 접촉되면 사용자의 심전도를 측정한다. 이러한 전극부(210)는 2전극 방식 또는 3전극 방식의 심전도 측정 회로를 포함할 수 있다. 2전극 방식은 증폭기 입력단 (+), (-)의 2개 지점을 피부 접촉용 전극으로 사용하고, 3전극 방식은 증폭기 입력단 (+), (-), 접지까지 총 3개의 지점을 피부 접촉용 전극으로 사용한다. 여기서, 증폭기는 전극의 각각에 연결되는 입력단을 통해 입력되는 생체 신호를 차동 증폭하여 심전도 신호를 획득 및 출력할 수 있다.
이러한 전극부(210)를 2전극 방식으로 구현할 경우, 전극부(210)는 키보드의 한국 자판을 기준으로, ‘ㄹ(영어자판 f)’과 ‘ㅓ(영어자판 j)’의 키에 전극을 각각 설치할 수 있고, 각 키의 상부면에 돌출 영역 또는 점자 등의 다양한 표출 형태를 사용하여 다른 키들과 구별되도록 함으로써 사용자가 촉감만으로도 전극부(210)임을 인지할 수 있도록 한다. 이때, 전극부(210)가 설치되는 키들은 사용자의 왼쪽 검지손가락과 오른쪽 검지손가락이 올라가는 부분으로, 보통 키보드 사용시 손의 위치를 자연스럽게 올려놓을 수 있는 키들로 설정할 수 있다.
한편, 전극부(210)를 8전극 방식으로 구현할 경우, 전극부(210)는 키보드의 한국 자판을 기준으로, ‘ㅁ(영어자판 a)’, ‘ㄴ(영어자판 s)’, ‘ㅇ(영어자판 d)’, ‘ㄹ(영어자판 f)’, ‘ㅓ(영어자판 j)’, ‘ㅏ(영어자판 k)’, ‘ㅣ(영어자판 l)’, ‘;’ 8개의 키들 상에 형성될 수 있고, 사용자는 전극부(210)에 순차적으로 왼쪽 손의 소지(또는 새끼 손가락), 약지, 중지, 검지를 올려놓고, 오른쪽 손의 검지, 중지, 약지, 소지를 올려 놓을 수 있다. 대부분의 키보드 사용자들은 키보드를 사용하기 위한 준비 동작, 키보드의 사용 직후 또는 다음 키보드를 사용하기 직전의 시간 동안 8개의 자판에 8개의 손가락을 올려놓고 대기하게 된다. 따라서, 전극부(210)는 8개의 키들을 이용하여 심전도 신호를 측정할 수 있도록 해당 키들에 전극을 탑재할 수 있다.
컴퓨팅 장치(100)는 8전극 방식의 전극부(210)를 구비한 키보드(200)와 연결될 경우, 왼쪽 손의 4개의 손가락으로부터 획득한 심전도 신호, 오른쪽 손의 4개의 손가락으로부터 획득한 심전도 신호 중 가장 노이즈가 적은 신호를 각각 선택하여 심전도 판독에 사용할 수 있다.
한편, 전극부(210)는 키보드(200)의 키들 중 하나 이상의 키를 이용한 제1 키 조합 방식에 의해 심전도 측정 기능을 실행하는데, 예를 들어, 기능(Function, Fn) 키를 누른 상태에서 한국 자판을 기준으로 'ㄴ(영어자판 S)'을 일정 시간 이상 누르면 심전도 측정 신호가 입력된 것으로 인식할 수 있고, 또는 전극부(210)를 포함하는 하나 이상의 키에서 일정 시간 이상의 인체 접촉이 감지되면 심전도 측정 신호가 입력된 것으로 인식할 수도 있다. 따라서, 키보드(200)에서는 사용자가 키보드를 사용하는 동안에 자연스럽게 기 설정된 시간 동안 심전도 측정 기능을 수행할 수 있다.
전극부(210)는 제1 키 조합 방식이 아니더라도, 키보드(200)에 연결된 컴퓨팅 장치(100)의 전원이 켜지거나, 절전 모드 진행 중 키보드의 하나 이상의 키로 절전 모드가 해제될 경우에 심전도 측정 신호가 입력된 것으로 인식되도록 설정될 수도 있다.
필터링부(220)는 전극부(210)가 심전도 신호를 측정하는 과정에서 키보드(200)에서 발생될 수 있는 타겟 노이즈를 필터링한다. 구체적으로, 필터링부(220)는 심전도 신호의 제1 영역, 즉 심전도의 앞부분에 대해 복수의 필터링 기법들을 적용하여 타겟 노이즈를 제거한다. 이때, 타겟 노이즈는 키보드(200)에 공급되는 전원에 의해 발생되는 전원 노이즈, 인체에서 발생되는 근전도 노이즈 중 적어도 하나 이상을 포함할 수 있다.
저장부(230)는 필터링부(220)에서 필터링된 심전도를 저장하거나 전송부(240)에 전송한 심전도 신호 및 기타 데이터를 저장한다.
전송부(240)는 키보드(200)와 무선 또는 유선 연결된 컴퓨팅 장치(100)의 요청에 따라 필터링부(220)에 의해 필터링 된 심전도 신호를 컴퓨팅 장치(100)로 전송한다.
전송부(240)는 키보드의 키들 중 하나 이상의 키를 이용한 제2 키 조합 방식에 의해 심전도 전송 기능을 실행하는데, 예를 들어, 기능(Function, Fn) 키를 누른 상태에서 한국 자판을 기준으로 'ㅅ(영어자판 T)'을 일정 시간 이상 누르면 심전도 전송 신호가 입력된 것으로 인식할 수 있다.
전송부(240)는 제2 키 조합 방식이 아니더라도, 전극부(210)에서 심전도 측정을 시작하고 기 설정된 시간이 경과된 후에 자동으로 키보드(200)에 연결된 컴퓨팅 장치(100)로 심전도 신호가 전송되도록 설정될 수 있고, 다양한 방식으로 심전도 전송 신호를 설정할 수 있다.
도 4는 본 개시의 일 실시예에 따라 심전도 측정 기능을 제공하는 키보드에서 심전도를 측정하는 방법을 설명하는 순서도이고, 도 5는 본 개시의 일 실시예에 따라 심전도 측정 기능을 제공하는 키보드를 이용하여 심전도 판독 데이터를 생성하기 위한 방법을 설명하는 순서도이다.
도 4를 참조하면, 키보드(200)는 심전도 측정 신호가 입력됨이 감지되면(S11), 전극부(210)에서 사용자의 손가락이 접촉된 이후로 기 설정된 시간 동안 심전도 측정을 수행한다(S12).
필터링부(220)는 전극부(210)에서 측정된 심전도 신호의 제1 영역에 대해 타겟 노이즈를 제거하고, 저장부(230)는 타겟 노이즈가 제거된 심전도 신호를 저장한다(S13). 이때, 필터링부(220)는 심전도 측정 기능을 제공하는 키보드(200)에 특화된 심전도 필터링 기능을 수행하는 것으로서, 심전도를 측정하는 과정에서 키보드에서 발생할 수 있는 타겟 노이즈를 제거하기 위해, 심전도 신호의 제1 영역에 대해 복수의 필터링 기법들을 적용한다.
타겟 노이즈에는 키보드(200)에 전원이 공급됨에 따라 발생하는 전원 노이즈와 인체의 손 근육에서 발생하는 근전도 노이즈 중 적어도 하나 이상을 포함할 수 있다. 심전도는 심장에서 발생하는 전류를 측정하는 것이므로, 전원 노이즈나 근전도 노이즈를 포함한 타겟 노이즈는 정확한 심전도 측정에 방해 요소로 작용될 가능성이 높다. 따라서, 필터링부(220)는 심전도 신호에서 타겟 노이즈를 제거하여, 이후 컴퓨팅 장치(100)에서 노이즈 제거된 심전도 신호를 이용하여 정확한 심전도 판독을 수행할 수 있도록 한다.
전송부(240)는 심전도 전송 신호가 입력되면(S14), 키보드(200)와 연결된 컴퓨팅 장치(100)로 저장부(230)에 저장된 심전도 신호를 전송한다(S15).
본 개시의 대안적 실시예에 따르면, 도 4와 달리 필터링부(220)에 의해 타겟 노이즈가 제거된 신호는 필터링부(220)에서 타겟 노이즈가 제거된 신호는 저장부(230)에 저장되지 않고 전송부(240)를 통해 컴퓨팅 장치(100)로 곧바로 전송될 수 있다. 그리고, 전송된 결과물이 저장부(230)에 저장될 수도 있다.
한편, 도 5를 참조하면, 컴퓨팅 장치(100)는 유선 또는 무선으로 연결된 키보드(200)로부터 심전도 신호를 획득하고(S21), 사전 학습된 제1 신경망 모델을 사용하여 심전도 신호에서 타겟 노이즈가 제거된 제1 영역에 적용된 복수의 필터링 기법들 각각에 대한 노이즈 점수를 평가한다(S22). 제1 신경망 모델은 심전도 신호에 노이즈 성분이 많이 남아 있으면 저점으로 노이즈 점수를 평가하고, 반대로 심전도 신호에 노이즈 성분이 잘 제거되어 있으면 고점으로 노이즈 점수를 평가할 수 있다.
심전도 신호에 라벨 데이터를 붙이는 데이터 라벨링 작업을 통해 학습 데이터를 생성하고, 이렇게 생성된 학습 데이터를 통해 제1 신경망 모델이 학습된 것일 수 있다. 예를 들어, 데이터 라벨링 작업은 노이즈 없는 심전도 신호를 0으로 라벨화하고, 노이즈 성분이 증가되는 정도에 따라 1부터 9까지 라벨화할 수 있다. 따라서, 제1 신경망 모델은 라벨 데이터 값이 높을수록 노이즈 점수를 저점으로 평가할 수 있다.
컴퓨팅 장치(100)는 노이즈 점수가 기준 점수보다 낮은 임계 점수의 수준까지 떨어지는 경우, 노이즈 신호로 인해 심전도 판독이 불가능하다고 판단하고, 전문가 단말(300)로 협진 요청 데이터를 전송하여 협업을 요청하거나, 심전도의 재측정을 요청할 수 있다.
컴퓨팅 장치(100)는 제1 신경망 모델을 통해 평가된 노이즈 점수가 기 설정된 기준 점수 이하이면(S23), 심전도 신호에 포함된 노이즈 신호를 제거하여 출력한다(S24). 컴퓨팅 장치(100)는 노이즈 점수에 기반하여 복수의 필터링 기법들에 대한 우선순위를 결정하고, 결정된 우선순위에 기초하여 최상위 우선순위를 갖는 필터링 기법을 이용하여 심전도 신호의 제2 영역에 포함된 타겟 노이즈를 제거할 수 있다. 여기서, 제2 영역은 심전도 신호의 제1 영역을 제외한 나머지 영역이 될 수 있다.
제2 영역의 타겟 노이즈가 제거되면, 컴퓨팅 장치(100)는 제2 영역을 제거하기 위해 선택한 필터링 기법이 적용된 제1 영역에 대한 필터링 결과물과 제2 영역의 필터링 결과물을 결합하여 노이즈가 제거된 전체 심전도 신호를 생성할 수 있다. 다시 말해서, 컴퓨팅 장치(100)는 제1 영역의 필터링 결과물 중에서 최상위 우선순위를 갖는 필터링 기법이 적용된 결과물과 최상위 우선순위를 갖는 필터링 기법이 적용된 제2 영역의 결과물을 연결하여 가장 좋은 품질의 심전도 신호를 저장할 수 있다.
컴퓨팅 장치(100)는 새롭게 심전도를 측정할 때마다 키보드(200)의 위치나 사용자의 자세 등이 매번 바뀔 수 있기 때문에, 심전도 신호에서 노이즈 점수를 평가하는 단계와, 심전도 신호에 남아있는 노이즈 신호를 제거하는 단계를 반복 수행한다.
컴퓨팅 장치(100)는 사전 학습된 제2 신경망 모델을 사용하여 필터링 모듈을 통해 노이즈 신호가 제거된 심전도 신호를 분석하여, 사용자의 심전도에 대한 심전도 판독 데이터를 생성한다(S25). 이때, 컴퓨팅 장치(100)는 제2 신경망 모델을 사용한 심전도 판독 데이터를 1차 판독 결과로 생성할 수 있다.
그리고, 컴퓨팅 장치(100)는 전문가 심층 판독을 위한 사용자 인터페이스를 전문가 단말(300)에 제공하고, 전문가 단말(300)을 통해 전문가 판독 정보를 포함하는 2차 판독 결과를 수신한 후, 1차 판독 결과 또는 2차 판독 결과 중 적어도 하나 이상을 포함하는 심전도 판독 데이터를 생성할 수 있다.
이러한 키보드 및 키보드를 포함한 시스템을 통해 수행되는 심전도 측정 및 판독 과정을 통해 사용자는 원하는 시간 및 장소에서 자유롭게 키보드를 이용하여 심전도를 측정하여 손쉽게 건강 상태를 모니터링 할 수 있다. 그리고, 컴퓨팅 장치는 30초 이하의 단시간에 측정된 심전도 신호를 30초~2분 정도의 심전도 신호로 연결하는 기술을 적용함으로써, 30초에서 2분 정도의 시간 동안 불편한 자세로 심전도 측정을 하지 않더라도 의학적 분석으로도 의미 있는 심전도 분석 결과를 도출할 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 (12)

  1. 심전도 측정 기능을 제공하는 키보드에서,
    키보드의 키들 중 하나 이상의 키에 설치되고, 사용자의 손가락이 접촉되면 사용자의 심전도 신호를 측정하는 전극부;
    상기 심전도 신호를 측정하는 과정에서 상기 키보드에서 발생될 수 있는 타겟 노이즈를 필터링하는 필터링부; 및
    상기 키보드와 무선 또는 유선 연결된 컴퓨팅 장치의 요청에 따라 상기 필터링 된 심전도 신호를 전송하는 전송부;
    를 포함하는,
    키보드.
  2. 제1항에 있어서,
    상기 전극부는,
    상기 키보드의 키들 중 하나 이상의 키를 이용한 제1 키 조합 방식에 의해 심전도 측정 기능을 실행하는 것인,
    키보드.
  3. 제1항에 있어서,
    상기 전송부는,
    상기 키보드의 키들 중 하나 이상의 키를 이용한 제2 키 조합 방식에 의해 심전도 전송 기능을 실행하는 것인,
    키보드.
  4. 제1항에 있어서,
    상기 타겟 노이즈는,
    상기 키보드에 공급되는 전원에 의해 발생되는 전원 노이즈, 또는 인체에서 발생되는 근전도 노이즈 중 적어도 하나 이상을 포함하는,
    키보드.
  5. 제1항에 있어서,
    상기 필터링부는,
    상기 전극부에 의해 측정된 심전도 신호의 제1 영역에 대해, 복수의 필터링 기법들을 적용하여 상기 타겟 노이즈를 제거하는 것인,
    키보드.
  6. 심전도 측정 기능을 제공하는 시스템에서,
    사용자의 손가락이 접촉되면, 복수의 키들 중 하나 이상의 키에 배치된 전극들을 이용하여 사용자의 심전도 신호를 측정하는 키보드; 및
    상기 키보드와 연결되어 상기 심전도 신호를 획득하고, 사전 학습된 제1 신경망 모델을 사용하여 상기 심전도 신호를 분석하고, 상기 심전도 신호의 노이즈를 제거하는 컴퓨팅 장치;
    를 포함하는,
    시스템.
  7. 제6항에 있어서,
    상기 키보드는,
    상기 심전도 신호를 측정하는 과정에서 상기 키보드에서 발생될 수 있는 타겟 노이즈를 필터링하는 필터링부를 더 포함하는,
    시스템.
  8. 제7항에 있어서,
    상기 필터링부는,
    상기 전극부에 의해 측정된 심전도 신호의 제1 영역에 대해, 복수의 필터링 기법들을 적용하여 상기 타겟 노이즈를 제거하는 것인,
    시스템.
  9. 제8항에 있어서,
    상기 컴퓨팅 장치는,
    상기 제1 신경망 모델을 사용하여, 상기 타겟 노이즈가 제거된 제1 영역에 적용된 복수의 필터링 기법들 각각에 대한 노이즈 점수를 평가하는 것인,
    시스템.
  10. 제9항에 있어서,
    상기 컴퓨팅 장치는,
    상기 노이즈 점수에 기반하여 복수의 필터링 기법들에 대한 우선순위를 결정하고, 상기 결정된 우선순위에 기초하여 최상위 우선순위를 갖는 필터링 기법을 이용하여 상기 심전도 신호의 제2 영역에 포함된 타겟 노이즈를 제거하는 것인,
    시스템.
  11. 제6항에 있어서,
    상기 컴퓨팅 장치는,
    사전 학습된 제2 신경망 모델을 사용한 상기 심전도 판독 데이터를 1차 판독 결과로 생성하고,
    전문가 심층 판독을 위한 사용자 인터페이스를 전문가 단말에 제공하여, 상기 전문가 판독 정보를 포함하는 2차 판독 결과를 생성하되,
    상기 심전도 판독 데이터는,
    상기 1차 판독 결과 또는 상기 2차 판독 결과 중 적어도 하나 이상을 포함하는,
    시스템.
  12. 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는, 심전도 측정 기능을 제공하는 키보드를 이용하여 심전도를 판독하는 방법으로서,
    키보드를 이용하여 측정된 심전도 신호를 획득하는 단계; 및
    사전 학습된 제1 신경망 모델을 사용하여 상기 심전도 신호를 분석하고, 상기 심전도 신호의 노이즈를 제거하는 단계;
    를 포함하는,
    방법.
PCT/KR2023/009931 2022-07-14 2023-07-12 심전도 측정 기능을 제공하는 키보드, 이를 포함하는 시스템 및 그 방법 WO2024014864A1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR20220086831 2022-07-14
KR10-2022-0086831 2022-07-14
KR10-2023-0090217 2023-07-12
KR1020230090217A KR20240009892A (ko) 2022-07-14 2023-07-12 심전도 측정 기능을 제공하는 키보드, 이를 포함하는시스템 및 그 방법

Publications (1)

Publication Number Publication Date
WO2024014864A1 true WO2024014864A1 (ko) 2024-01-18

Family

ID=89537093

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/009931 WO2024014864A1 (ko) 2022-07-14 2023-07-12 심전도 측정 기능을 제공하는 키보드, 이를 포함하는 시스템 및 그 방법

Country Status (1)

Country Link
WO (1) WO2024014864A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100355249B1 (ko) * 2000-04-03 2002-10-11 박원희 체성분분석, ecg 및 맥박감지기능을 갖춘 컴퓨터
CN2516097Y (zh) * 2001-12-04 2002-10-16 红运企业股份有限公司 附有血压计功能的心电图测量装置
KR20050027368A (ko) * 2003-09-15 2005-03-21 주식회사 팬택앤큐리텔 무선통신 단말기의 키패드를 체지방 측정용 전극으로이용한 체지방 측정 장치 및 그 방법
US20150342528A1 (en) * 2013-05-14 2015-12-03 Kabushiki Kaisha Toshiba Electronic apparatus and vital sign signal measuring method
KR102397066B1 (ko) * 2021-05-18 2022-05-16 주식회사 바디프랜드 건강 모니터링 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100355249B1 (ko) * 2000-04-03 2002-10-11 박원희 체성분분석, ecg 및 맥박감지기능을 갖춘 컴퓨터
CN2516097Y (zh) * 2001-12-04 2002-10-16 红运企业股份有限公司 附有血压计功能的心电图测量装置
KR20050027368A (ko) * 2003-09-15 2005-03-21 주식회사 팬택앤큐리텔 무선통신 단말기의 키패드를 체지방 측정용 전극으로이용한 체지방 측정 장치 및 그 방법
US20150342528A1 (en) * 2013-05-14 2015-12-03 Kabushiki Kaisha Toshiba Electronic apparatus and vital sign signal measuring method
KR102397066B1 (ko) * 2021-05-18 2022-05-16 주식회사 바디프랜드 건강 모니터링 장치

Similar Documents

Publication Publication Date Title
Sivapalan et al. ANNet: A lightweight neural network for ECG anomaly detection in IoT edge sensors
Demirel et al. Energy-efficient real-time heart monitoring on edge–fog–cloud internet of medical things
US20210353203A1 (en) Diagnostics for detection of ischemic heart disease
TWI688371B (zh) 心房顫動信號型態擷取及輔助診斷智能裝置
WO2024014864A1 (ko) 심전도 측정 기능을 제공하는 키보드, 이를 포함하는 시스템 및 그 방법
US10405810B1 (en) Noninvasive tool for assessing hydration status
CN115212459B (zh) 基于智能终端的可穿戴自动体外除颤仪、系统、设备
KR20240009892A (ko) 심전도 측정 기능을 제공하는 키보드, 이를 포함하는시스템 및 그 방법
WO2024014844A1 (ko) 심전도에 기반하여 체성분을 측정하는 방법 및 그 장치
WO2024005348A1 (ko) 심전도 판독 서비스를 제공하는 시스템 및 그 방법
WO2024049193A1 (ko) 심전도 데이터의 거래 서비스를 제공하는 방법, 프로그램 및 장치
Cuadros et al. ECG multilead QT interval estimation using support vector machines
WO2024049198A1 (ko) 블록체인 기반의 심전도 데이터에 대한 거래 서비스를 제공하는 시스템 및 그 방법
WO2024025350A1 (ko) 심전도 판독을 위한 인공지능 모델의 업데이트 방법, 프로그램 및 장치
WO2024019584A1 (ko) 심전도를 이용한 심근경색 진단 방법, 프로그램 및 장치
WO2024019575A1 (ko) 심전도를 이용한 건강 상태의 예측 방법, 프로그램 및 장치
Rakhmatullov et al. Technologies for optimization and digitalization of cardiological care
WO2024014875A1 (ko) 심박 변이도에 대한 특징 추출의 정확도를 향상시키는 방법, 프로그램 및 장치
WO2023048502A1 (ko) 심전도를 기초로 갑상선 기능 장애를 진단하는 방법, 프로그램 및 장치
WO2024101759A1 (ko) 심전도 데이터의 분석 방법, 프로그램 및 장치
WO2024043749A1 (ko) 심전도 분석을 위한 사용자 인터페이스를 제공하는 방법 및 장치
WO2024014854A1 (ko) 심전도 판독에 기반한 시각화 콘텐츠를 제공하는 방법, 프로그램 및 장치
WO2023048486A1 (ko) 심전도 신호의 오류 복원 방법, 프로그램 및 장치
WO2024014840A1 (ko) 심전도에 기반하여 응급 환자의 이송 서비스 및 입원 환자의 모니터링을 제공하는 방법, 프로그램 및 장치
WO2024014888A1 (ko) 단기 측정된 심장 신호를 기반으로 장기 심박 변이도를 생성하는 방법, 프로그램 및 장치

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: 23839955

Country of ref document: EP

Kind code of ref document: A1