WO2024019500A1 - 심전도 세그먼트를 이용한 건강 상태의 예측 방법, 프로그램 및 장치 - Google Patents

심전도 세그먼트를 이용한 건강 상태의 예측 방법, 프로그램 및 장치 Download PDF

Info

Publication number
WO2024019500A1
WO2024019500A1 PCT/KR2023/010344 KR2023010344W WO2024019500A1 WO 2024019500 A1 WO2024019500 A1 WO 2024019500A1 KR 2023010344 W KR2023010344 W KR 2023010344W WO 2024019500 A1 WO2024019500 A1 WO 2024019500A1
Authority
WO
WIPO (PCT)
Prior art keywords
segments
disease
outliers
predicting
possibilities
Prior art date
Application number
PCT/KR2023/010344
Other languages
English (en)
French (fr)
Inventor
권준명
조용연
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 KR1020230092995A external-priority patent/KR20240013673A/ko
Application filed by 주식회사 메디컬에이아이 filed Critical 주식회사 메디컬에이아이
Publication of WO2024019500A1 publication Critical patent/WO2024019500A1/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
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Definitions

  • the present disclosure relates to data processing technology in the medical field, and specifically to a method of filtering ECG data for stable and accurate analysis of the ECG using artificial intelligence and predicting health status based on the filtered data. It's about.
  • Electrocardiography is a relatively simple and cost-effective test method that can check the health of the heart, which plays an important role in the early diagnosis and management of heart disease.
  • the electrocardiogram signal measured through electrocardiography can be used to check whether each part of the heart is operating normally, whether the size and position of the heart are normal, and whether there is damage to the heart muscle. And, based on this confirmation, electrocardiogram signals can be used to diagnose various heart-related problems and predict a person's health status.
  • the purpose of the present disclosure is to provide a method for increasing the accuracy of analysis and convenience of analysis by dividing one ECG signal into several and filtering signals appropriate for analysis.
  • a method for predicting health status using an electrocardiogram segment which is performed by a computing device, includes dividing electrocardiogram data to generate a plurality of segments; Inputting the plurality of segments into a pre-trained machine learning model to calculate the probability of a disease corresponding to each of the plurality of segments; removing outliers among the possibilities of diseases corresponding to each of the plurality of segments; And it may include generating a result value for prediction of health status by combining the probability of the disease from which the outliers have been removed.
  • the step of dividing the ECG data to generate a plurality of segments may include dividing a signal in the ECG data into a predetermined length without overlapping areas to generate the plurality of segments.
  • the step of dividing the ECG data to generate a plurality of segments includes dividing the ECG data by moving a window of a fixed size by a preset area in the ECG data to generate the plurality of segments. It can be included.
  • the method may further include inputting the plurality of segments into a pre-trained machine learning model and calculating uncertainty of the output corresponding to each of the plurality of segments.
  • the machine learning model may include a neural network with a probability distribution for the neural network weights to quantify uncertainty in the output.
  • the step of removing outliers among the possibilities of disease corresponding to each of a plurality of segments based on the uncertainty of the output may include, when the uncertainty of the output is greater than or equal to a preset first reference value, the first reference value It may include a step of considering the possibility of a disease corresponding to the uncertainty of the abnormal output as an outlier and removing it.
  • the step of generating a result value for prediction of a health state by combining the probability of the disease from which the outliers have been removed includes combining the average value for the probability of the disease from which the outliers have been removed and a preset second reference value. By comparison, it may include generating a result value for the prediction of the health condition.
  • the step of combining the probabilities of diseases from which the outliers have been removed to generate a result value for prediction of a health state may include comparing each of the probabilities of diseases from which the outliers have been removed with a preset third reference value, It may include generating a result value for predicting the health condition.
  • generating a result value for the prediction of the health state by comparing each possibility of the disease from which the outlier has been removed with a preset third reference value may include: converting the probability of a disease from which the outlier has been removed into a binary value depending on whether the outlier is greater than or equal to a third reference value; And it may include generating a result value for predicting the health state based on the value occupying the highest ratio among the converted binary values.
  • a computer program stored in a computer-readable storage medium When executed on one or more processors, the computer program performs operations for predicting health status using electrocardiogram segments. At this time, the operations include inputting the plurality of segments into a pre-trained machine learning model and calculating the probability of a disease corresponding to each of the plurality of segments; removing outliers from among the possibilities of diseases corresponding to each of the plurality of segments; and generating a result value for predicting a health state by combining the probability of the disease from which the outlier has been removed.
  • a computing device for predicting health status using an electrocardiogram segment includes a processor including at least one core; a memory containing program codes executable on the processor; And it may include a network unit for acquiring electrocardiogram data.
  • the processor divides the ECG data to generate a plurality of segments, inputs the plurality of segments into a pre-trained machine learning model, calculates the probability of a disease corresponding to each of the plurality of segments, and calculates the probability of a disease corresponding to each of the plurality of segments.
  • Outliers are removed from the disease possibilities corresponding to each of the segments, and the disease possibilities from which the outliers are removed are combined to generate a result for predicting health status.
  • the accuracy of analysis can be increased by dividing one ECG signal into several and filtering signals appropriate for analysis.
  • FIG. 1 is a block diagram of a computing device according to an embodiment of the present disclosure.
  • Figure 2 is a block diagram showing a process for predicting health status according to an embodiment of the present disclosure.
  • Figure 3 is a conceptual diagram showing a neural network structure included in a machine learning model according to an embodiment of the present disclosure.
  • FIG. 4 is a flowchart illustrating a method for predicting health status using an electrocardiogram segment according to an embodiment of the present disclosure.
  • the term “or” is intended to mean an inclusive “or” and not an exclusive “or.” That is, unless otherwise specified in the present disclosure or the meaning is not clear from the context, “X uses A or B” should be understood to mean one of natural implicit substitutions. For example, unless otherwise specified in the present disclosure or the meaning is not clear from the context, “X uses A or B” means that It can be interpreted as one of the cases where all B is used.
  • N is a natural number
  • N is a natural number
  • 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.
  • 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 (ASIC: 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 generate a plurality of segments by dividing ECG data including the ECG signal.
  • the processor 110 may divide one ECG data into a preset number of arbitrary or predetermined sizes to generate various segments including a portion of the ECG signal included in the ECG data. For example, when ECG data including an ECG signal measured for t minutes is acquired, the processor 1100 generates segments including an ECG signal with a length of i minutes (i is a value smaller than t). ECG data containing signals can be segmented.
  • the processor 110 may input a plurality of segments into a pre-trained neural network model and calculate the probability of a disease corresponding to each of the plurality of segments.
  • the possibility of the disease may include a probability value of the occurrence of the disease derived by analyzing a portion of the ECG signal included in the segment.
  • the processor 110 may input a plurality of segments into a pre-trained neural network model and calculate the uncertainty of the output corresponding to each of the plurality of segments.
  • the uncertainty of the output can be understood as an indicator of how trustworthy the possibility of disease calculated by the neural network model is.
  • the processor 110 may input the segments into a pre-trained neural network model and derive a probability value that the subject of the ECG signal is suffering from a disease based on each segment. Additionally, the processor 110 can confirm the reliability of the derived probability value through the output of the neural network model.
  • the neural network model that calculates the probability of disease and the uncertainty of the output can perform learning by comparing each output and label through a loss function and adjusting the neural network parameters.
  • the loss function may be a function such as cross entropy.
  • the neural network model can perform learning by adjusting the neural network parameters in a way that minimizes the error between the output and the label.
  • a neural network model may perform learning in the form of supervised learning, but depending on the structure of the neural network, it may also perform learning in the form of unsupervised learning, self-supervised learning, etc.
  • the processor 110 may filter the possibility of a disease corresponding to each of the plurality of segments based on the uncertainty of the output calculated through the neural network model.
  • the processor 110 may compare the uncertainty of the output calculated through the neural network model with a preset reference value to select a value to be analyzed from among the possibilities of disease corresponding to each of the plurality of segments. Even in a single ECG signal, noise or missing values may occur in some sections during the measurement process, and sections in which noise or missing values occur may cause problems that reduce the accuracy of analysis. Accordingly, in order to increase the accuracy of analysis, the processor 110 may analyze the reliability of the calculated value for each of the plurality of segments and select values with higher reliability than the reference value as analysis targets.
  • the processor 110 may generate a result value for prediction of health status by combining the filtered possibilities of disease based on the uncertainty of the output.
  • the processor 110 may combine the possibilities of disease corresponding to some sections of the ECG signal to derive the possibility of the disease identified in the entire ECG signal.
  • the processor 110 may generate a result of analyzing the health status of the subject whose ECG signal is measured based on the possibility of disease identified in the entire ECG signal.
  • the results of analyzing the health condition may include diagnosis or prediction results for the disease, such as what disease the patient is currently suffering from or what the probability of developing the disease in the future is. In this way, the processor 110 divides the ECG signal into several pieces, performs in-depth analysis, and then selects the analysis values, thereby obtaining more accurate result values than when not analyzing the entire ECG signal at once.
  • 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 (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 manage data necessary for the processor 110 to perform operations, a combination of data, and program code executable on the processor 110 by structuring and organizing them.
  • the memory 120 may store medical 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 is a local area network (LAN), wideband code division multiple access (WCDMA), long term evolution (LTE), and WiBro (wireless).
  • broadband internet 5th generation mobile communication (5G), ultra wide-band wireless communication, ZigBee, radio frequency (RF) communication, wireless LAN, wireless fidelity ), data transmission and reception can be performed using wired and wireless communication systems such as near field communication (NFC), or Bluetooth. Since the above-described communication systems are only examples, the wired and wireless communication systems for data transmission and reception of the network unit 130 may be applied in various ways other than the above-described examples.
  • 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, a client such as a smart watch, or a medical 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-mentioned database, server, client, or computing device. .
  • Figure 2 is a block diagram showing a process for predicting health status according to an embodiment of the present disclosure.
  • the computing device 100 generates ECG segments 20 including a partial section of the ECG signal based on ECG data 10 including the ECG signal. can do.
  • the computing device 100 may generate a plurality of ECG segments 20 by dividing the signal from the ECG data 10 into a predetermined length without overlapping areas.
  • the computing device 100 may divide the ECG data 10 by moving a window of a fixed size by a preset area in the ECG data 10, thereby generating a plurality of ECG segments 20.
  • the computing device 100 has acquired ECG data including an ECG signal composed of [A1, A2, A3, A4, A5, A6, A7, A8, A9]. Assuming that three segments are generated, the computing device 100 divides the ECG data into [A1, A2, A3], [A4, A5, A6], and [A7, A8, A9] so that there are no overlapping areas in the entire signal. You can. Additionally, if a window of size 3 is moved by one region on the ECG signal to create a plurality of segments, the computing device 100 may generate [A1, A2, A3], [A2. A3. A4], [A3. A4. The ECG signal can be divided so that some sections overlap, such as [A5], [A7, A8, A9]. These division methods can be preset and selectively performed depending on the purpose of use.
  • the computing device 100 inputs a plurality of ECG segments 20 into the pre-trained machine learning model 200, and determines the probability of disease 30 and the uncertainty of the output 40 for each of the plurality of segments 20. ) can be derived. Specifically, the computing device 100 inputs each of the plurality of segments 20 into the machine learning model 200 to generate a disease probability 30 including a disease invention probability value corresponding to each of the plurality of segments. It can be calculated. In addition, the computing device 100 may obtain the uncertainty 40 of the output corresponding to each possibility 30 of the disease from the output of the machine learning model 200.
  • the computing device 100 may input S1 into a machine learning model and calculate P1 corresponding to the probability of the disease being analyzed from S1.
  • the computing device 100 may also obtain U1, which is an uncertainty indicating the degree to which the value P1 can be trusted, from the output of the machine learning model.
  • the computing device 100 may input S2 into a machine learning model and calculate P2 corresponding to the likelihood of the disease being analyzed from S2.
  • the computing device 100 may also obtain U1, which is an uncertainty indicating the degree to which the value P1 can be trusted, from the output of the machine learning model.
  • the computing device 100 can sequentially repeat this process to calculate from Sn to Pn corresponding to the possibility of the disease being analyzed and Un indicating the degree of confidence therein.
  • the computing device 100 may remove outliers present in the probability of disease 30 corresponding to each of the plurality of segments, based on the uncertainty 40 of the output.
  • the computing device 100 compares the probability of disease (30) and uncertainty (40), which are a pair, with a preset reference value, and extracts outliers that are determined to be unreliable as analysis values within the probability of disease (30). can do.
  • the computing device 100 can extract the basis for deriving the health status prediction result 50 from high-quality data through this outlier removal (or extraction) process.
  • the computing device 100 may compare uncertainty U1, which represents the degree of confidence in the possibility of disease P1, with a preset first reference value and determine whether U1 is greater than or equal to the first reference value. When U1 is greater than or equal to the first reference value, the computing device 100 may regard P1 corresponding to U1 as an outlier and remove it. If U1 is less than or equal to the first reference value, the computing device 100 may regard P1 corresponding to U1 as a normal value and reflect it in the final analysis result. The computing device 100 may sequentially repeat the above-described process to determine whether Pn is an outlier and perform filtering.
  • the computing device 100 may generate a result 50 for predicting a health state by combining the possibilities of diseases from which outliers have been removed.
  • the computing device 100 may generate a result 50 for predicting a health state by comparing the average value for the possibility of a disease from which outliers are removed and a preset second reference value.
  • the computing device 100 may generate a result 50 for predicting a health state by comparing each possibility of a disease from which outliers have been removed with a preset third reference value.
  • the second reference value is set to 0.5
  • the average of the three values, 0.53 is greater than the second reference value, 0.51, so the computing device 100 can finally determine that a specific disease has occurred.
  • the computing device 100 may compare each of the three values with the third reference value of 0.51. Since the first value, 0.5, is smaller than the third reference value, 0.51, the computing device 100 may tag the corresponding value with 0, meaning that the characteristic disease has not occurred. Since the second value, 0.7, is greater than the third reference value, 0.51, the computing device 100 may tag the value with 1, meaning that a specific disease has developed. Since the third value, 0.4, is smaller than the third reference value, 0.51, the computing device 100 may tag the value with 0. In addition, the computing device 100 may finally determine that a specific disease has not occurred based on 0, which is the value that accounts for the largest proportion of the values tagged as 0, 1, and 0. This final judgment result may be reflected in the health status prediction result.
  • the results of the method of comparing the second reference value and the average value and the method of comparing the third reference value and the individual value may be different. Therefore, which method to use can be determined according to the user's choice depending on the purpose of use. That is, the computing device 100 can determine how to make the final decision based on the user input.
  • the first reference value, second reference value, or third reference value may be a value preset by the user depending on the purpose of use. For example, if the disease analyzed through a machine learning model is a rare disease and the uncertainty of the analysis results is high, the possibility of misdiagnosis may be higher compared to other diseases. Therefore, in this case, the first reference value, second reference value, or third reference value may be set higher compared to other diseases. In this way, the reference value can be set in various ways depending on the type of disease, data properties, etc.
  • Figure 3 is a conceptual diagram showing a neural network structure included in a machine learning model according to an embodiment of the present disclosure.
  • a machine learning model may include a neural network 300 having a probability distribution for neural network weights in order to quantify uncertainty of the output.
  • the neural network 300 of FIG. 3 assumes that the neural network weight exists as a probability distribution rather than as a fixed value. That is, the learned neural network weights of the neural network 300 of FIG. 3 may follow Gaussian distribution. Additionally, during the learning process of the neural network 300 of FIG. 3, the mean and variance of the Gaussian distribution may be adjusted rather than the neural network weight value itself. Through this neural network 300, the machine learning model can also derive uncertainty corresponding to an indicator of how reliable the possibility of disease, which is an output value, can be.
  • FIG. 4 is a flowchart illustrating a method for predicting health status using an electrocardiogram segment according to an embodiment of the present disclosure.
  • the computing device 100 may generate a plurality of segments by dividing ECG data (S100). If the computing device 100 is a server that provides an ECG reading service, the computing device 100 may obtain ECG data through communication with equipment that measures ECG signals. If the computing device 100 is equipment that measures and analyzes electrocardiogram signals, the computing device 100 may measure the electrocardiogram signal through a measurement unit and generate electrocardiogram data. When ECG data is acquired, the computing device 100 may divide signals from the ECG data into a predetermined length without overlapping areas to generate a plurality of segments. The computing device 100 may divide the ECG data by moving a fixed-sized window as much as a preset area in the ECG data to generate a plurality of segments.
  • ECG data ECG data
  • the computing device 100 may divide signals from the ECG data into a predetermined length without overlapping areas to generate a plurality of segments.
  • the computing device 100 may divide the ECG data by moving a fixed-sized window as much as a preset area in the ECG data to generate a
  • the computing device 100 may input a plurality of segments into a pre-trained machine learning model and calculate the probability of disease and uncertainty of output corresponding to each of the plurality of segments (S200).
  • the computing device 100 may remove outliers among the possibilities of diseases corresponding to each of the plurality of segments, based on the uncertainty of the output (S300).
  • Computing device 100 may compare the uncertainty of the output with a first predetermined reference value. When the uncertainty of the output is greater than or equal to a preset first reference value, the computing device 100 may regard the possibility of a disease corresponding to the uncertainty of the output greater than or equal to the first reference value as an outlier and remove it. When the uncertainty of the output is less than the preset first reference value, the computing device 100 may use the possibility of disease corresponding to the uncertainty of the output less than the first reference value in the final analysis performed in step S400.
  • the computing device 100 may generate a result for predicting a health state by combining the possibilities of diseases from which outliers have been removed (S400).
  • the computing device 100 may compare the average value for the possibility of disease from which outliers are removed with a preset second reference value to generate a result value for prediction of health status.
  • the computing device 100 may generate a result value for predicting the health state by comparing each possibility of a disease from which outliers have been removed with a preset third reference value.
  • the computing device 100 may convert the probability of the disease from which the outlier has been removed into a binary value depending on whether the probability of the disease from which the outlier has been removed is greater than or equal to a preset third reference value.
  • the computing device 100 may generate a result value for predicting the health state based on the value occupying the highest ratio among the converted binary values.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 심전도 세그먼트를 이용한 건강 상태의 예측 방법, 프로그램 및 장치가 개시된다. 상기 방법은, 심전도 데이터를 분할하여 복수의 세그먼트들을 생성하는 단계; 사전 학습된 머신러닝 모델에 상기 복수의 세그먼트들을 입력하여, 복수의 세그먼트들 각각에 대응되는 질환의 가능성을 산출하는 단계; 복수의 세그먼트들 각각에 대응되는 질환의 가능성 중 이상치(outlier)를 제거하는 단계; 및 상기 이상치가 제거된 질환의 가능성을 조합하여, 건강 상태의 예측에 대한 결과 값을 생성하는 단계를 포함할 수 있다.

Description

심전도 세그먼트를 이용한 건강 상태의 예측 방법, 프로그램 및 장치
본 개시의 내용은 의료 분야의 데이터 처리 기술에 관한 것으로, 구체적으로 인공지능을 이용하여 심전도에 대한 안정적이고 정확한 분석을 위해 심전도 데이터를 필터링 하고, 필터링된 데이터를 기초로 건강 상태를 예측하는 방법에 관한 것이다.
심전도 검사는 심장의 전기 활동을 기록하는 검사이다. 심전도 검사는 비교적 간단하고 비용 효율적인 검사 방법으로, 심장의 건강 상태를 확인할 수 있으며, 이는 심장 질환의 초기 진단과 관리에 있어 중요한 역할을 한다. 예를 들어, 심전도 검사를 통해 측정된 심전도 신호는 심장의 각 부분이 정상적으로 작동하는지, 심장의 크기와 위치가 정상적인지, 그리고 심장 근육에 손상이 있는지 등을 확인하는 데 사용될 수 있다. 그리고, 심전도 신호는 이러한 확인을 기반으로 다양한 심장 관련 문제를 진단하고, 사람의 건강 상태를 예측하는데 사용될 수 있다.
한편, 인공지능 기술이 발전함에 따라, 인공지능 기술을 이용하여 심전도를 분석하는 시도들이 늘어나고 있다. 신경망 기반의 모델에 심전도를 입력하여 각종 심장 질환을 예측하는 서비스가 대표적인 예시 중 하나이다. 이러한 종래 기술 및 서비스들은 대부분 심전도의 전체 혹은 일부를 한번에 인공지능 모델을 통해 처리하는 형태이다. 그런데, 이와 같은 종래 형태는 심전도 신호 자체에 문제가 있는 경우에 정확한 결과 값을 출력하지 못할 확률이 높다. 예를 들어, 심전도 신호 자체가 많은 노이즈를 포함하는 경우나 심전도 신호의 측정 과정에서 결측 구간이 발생하는 경우, 종래 기술 및 서비스들은 정확한 분석 값을 인공지능 모델을 통해 제공하지 못하고, 심전도 신호의 측정 자체를 다시 수행할 것을 요구할 수 밖에 없다.
본 개시는 하나의 심전도 신호를 여러 개로 분할하고, 분석에 적절한 신호를 필터링 함으로써, 분석의 정확도를 높이고 분석의 편의성을 높일 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 컴퓨팅 장치에 의해 수행되는, 심전도 세그먼트를 이용한 건강 상태의 예측 방법이 개시된다. 상기 방법은, 심전도 데이터를 분할하여 복수의 세그먼트들을 생성하는 단계; 사전 학습된 머신러닝 모델에 상기 복수의 세그먼트들을 입력하여, 복수의 세그먼트들 각각에 대응되는 질환의 가능성을 산출하는 단계; 상기 복수의 세그먼트들 각각에 대응되는 질환의 가능성 중 이상치(outlier)를 제거하는 단계; 및 상기 이상치가 제거된 질환의 가능성을 조합하여, 건강 상태의 예측에 대한 결과 값을 생성하는 단계를 포함할 수 있다.
대안적으로, 상기 심전도 데이터를 분할하여 복수의 세그먼트들을 생성하는 단계는, 상기 심전도 데이터에서 신호를 겹치는 영역이 없이 소정의 길이로 분할하여, 상기 복수의 세그먼트들을 생성하는 단계를 포함할 수 있다.
대안적으로, 상기 심전도 데이터를 분할하여 복수의 세그먼트들을 생성하는 단계는, 고정된 크기의 윈도우를 상기 심전도 데이터에서 기 설정된 영역만큼 움직이면서 상기 심전도 데이터를 분할하여, 상기 복수의 세그먼트들을 생성하는 단계를 포함할 수 있다.
대안적으로, 상기 방법은, 사전 학습된 머신러닝 모델에 상기 복수의 세그먼트들을 입력하여, 복수의 세그먼트들 각각에 대응되는 출력의 불확실성을 산출하는 단계를 더 포함할 수 있다.
대안적으로, 상기 머신러닝 모델은, 상기 출력의 불확실성을 정량화 하기 위해, 신경망 가중치에 대한 확률 분포를 갖는 신경망을 포함할 수 있다.
대안적으로, 상기 출력의 불확실성을 기초로, 복수의 세그먼트들 각각에 대응되는 질환의 가능성 중 이상치를 제거하는 단계는, 상기 출력의 불확실성이 사전 설정된 제 1 기준 값 이상인 경우, 상기 제 1 기준 값 이상인 출력의 불확실성에 대응되는 질환의 가능성을 이상치로 간주하고 제거하는 단계를 포함할 수 있다.
대안적으로, 상기 이상치가 제거된 질환의 가능성을 조합하여, 건강 상태의 예측에 대한 결과 값을 생성하는 단계는, 상기 이상치가 제거된 질환의 가능성에 대한 평균 값과 사전 설정된 제 2 기준 값을 비교하여, 상기 건강 상태의 예측에 대한 결과 값을 생성하는 단계를 포함할 수 있다.
대안적으로, 상기 이상치가 제거된 질환의 가능성을 조합하여, 건강 상태의 예측에 대한 결과 값을 생성하는 단계는, 상기 이상치가 제거된 질환의 가능성 각각을 사전 설정된 제 3 기준 값을 비교하여, 상기 건강 상태의 예측에 대한 결과 값을 생성하는 단계를 포함할 수 있다.
대안적으로, 상기 이상치가 제거된 질환의 가능성 각각을 사전 설정된 제 3 기준 값을 비교하여, 상기 건강 상태의 예측에 대한 결과 값을 생성하는 단계는, 상기 이상치가 제거된 질환의 가능성이 사전 설정된 제 3 기준 값 이상인지 여부에 따라 상기 이상치가 제거된 질환의 가능성을 이진 값으로 변환하는 단계; 및 상기 변환된 이진 값들 중에서 가장 높은 비율을 차지하는 값을 기준으로, 상기 건강 상태의 예측에 대한 결과 값을 생성하는 단계를 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램(program)이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 심전도 세그먼트를 이용하여 건강 상태를 예측하기 위한 동작들을 수행하도록 한다. 이때, 상기 동작들은, 사전 학습된 머신러닝 모델에 상기 복수의 세그먼트들을 입력하여, 복수의 세그먼트들 각각에 대응되는 질환의 가능성을 산출하는 동작; 상기 복수의 세그먼트들 각각에 대응되는 질환의 가능성 중 이상치를 제거하는 동작; 및 상기 이상치가 제거된 질환의 가능성을 조합하여, 건강 상태의 예측에 대한 결과 값을 생성하는 동작을 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라, 심전도 세그먼트를 이용하여 건강 상태를 예측하기 위한 컴퓨팅 장치가 개시된다. 상기 장치는, 적어도 하나의 코어(core)를 포함하는 프로세서; 상기 프로세서에서 실행 가능한 프로그램 코드(code)들을 포함하는 메모리(memory); 및 심전도 데이터를 획득하기 위한 네트워크부(network unit)를 포함할 수 있다. 이때, 상기 프로세서는, 심전도 데이터를 분할하여 복수의 세그먼트들을 생성하고, 사전 학습된 머신러닝 모델에 상기 복수의 세그먼트들을 입력하여, 복수의 세그먼트들 각각에 대응되는 질환의 가능성을 산출하고, 상기 복수의 세그먼트들 각각에 대응되는 질환의 가능성 중 이상치를 제거하며, 상기 이상치가 제거된 질환의 가능성을 조합하여, 건강 상태의 예측에 대한 결과 값을 생성할 수 있다.
본 개시의 방법에 따르면, 하나의 심전도 신호를 여러 개로 분할하고, 분석에 적절한 신호를 필터링 함으로써, 분석의 정확도를 높일 수 있다.
또한, 하나의 심전도를 여러 개로 분할하고, 분석에 적절한 신호를 필터링 함으로써, 분석에 필요한 신호를 재측정해야 하는 번거로움을 최소화 할 수 있고, 분석의 편의성을 높일 수 있다.
도 1은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록도이다.
도 2는 본 개시의 일 실시예에 따라 건강 상태를 예측하는 과정을 나타낸 블록도이다.
도 3은 본 개시의 일 실시예에 따른 머신러닝 모델에 포함된 신경망 구조를 나타낸 개념도이다.
도 4 는 본 개시의 일 실시예에 따른 심전도 세그먼트를 이용한 건강 상태의 예측 방법을 나타낸 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 제 1 구성요소 혹은 제 2 구성요소로 구별될 수 있다. 다만, 본 개시의 기술적 사상 내에서 실질적으로 동일하나 설명의 편의를 위해 구분되어야 하는 구성요소들도 제 1 구성요소 혹은 제 2 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.
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(ASIC: 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 포함하는 심전도 데이터를 분할하여 복수의 세그먼트들을 생성할 수 있다. 프로세서(110)는 하나의 심전도 데이터를 임의의 크기 혹은 정해진 크기로 사전 설정된 개수만큼 분할하여 심전도 데이터에 포함된 심전도 신호의 일부를 포함하는 세그먼트를 다양하게 생성할 수 있다. 예를 들어, t분 측정된 심전도 신호를 포함하는 심전도 데이터가 획득되면, 프로세서(1100)는 i분(i는 t보다 작은 값) 길이의 심전도 신호를 포함하는 세그먼트들이 생성되도록 t분 측정된 심전도 신호를 포함하는 심전도 데이터를 분할할 수 있다.
프로세서(110)는 사전 학습된 신경망 모델에 복수의 세그먼트들을 입력하여 복수의 세그먼트들 각각에 대응되는 질환의 가능성을 산출할 수 있다. 이때, 질환의 가능성은, 세그먼트에 포함된 심전도 신호의 일부를 분석하여 도출된 질환의 발생 확률 값을 포함할 수 있다. 그리고, 프로세서(110)는 사전 학습된 신경망 모델에 복수의 세그먼트들을 입력하여 복수의 세그먼트들 각각에 대응되는 출력의 불확실성을 산출할 수 있따. 이때, 출력의 불확실성은, 신경망 모델이 산출한 질환의 가능성을 얼만큼 신뢰할 수 있는지를 나타내는 지표로 이해될 수 있다. 즉, 프로세서(110)는 세그먼트들을 사전 학습된 신경망 모델에 입력하여 세그먼트들 각각을 기준으로 심전도 신호의 측정 대상이 질환을 앓고 있을 확률 값을 도출할 수 있다. 그리고, 프로세서(110)는 도출된 확률 값에 대한 신뢰도를 신경망 모델의 출력을 통해 확인할 수 있다.
한편, 질환의 가능성 및 출력의 불확실성을 산출하는 신경망 모델은 각 출력과 라벨을 손실 함수를 통해 비교하여 신경망 파라미터를 조정함으로써, 학습을 수행할 수 있다. 이때, 손실 함수는 크로스 엔트로피(cross entropy) 등과 같은 함수가 사용될 수 있다. 신경망 모델은 출력과 라벨 간의 오차를 최소화 하는 방향으로 신경망 파라미터를 조정함으로써, 학습을 수행할 수 있다. 신경망 모델은 이와 같은 지도 학습 형태로 학습을 수행할 수도 있으나, 신경망의 구조에 따라 비지도 학습, 자기 지도 학습 등의 형태로 학습을 수행할 수도 있다.
프로세서(110)는 신경망 모델을 통해 산출된 출력의 불확실성을 기초로, 복수의 세그먼트들 각각에 대응되는 질환의 가능성을 필터링 할 수 있다. 프로세서(110)는 신경망 모델을 통해 산출된 출력의 불확실성과 사전 설정된 기준 값을 비교하여 복수의 세그먼트들 각각에 대응되는 질환의 가능성 중에서 분석 대상이 되는 값을 선별할 수 있다. 하나의 심전도 신호에도 측정 과정에서 일부 구간에 노이즈나 결측치가 발생할 수 있는데, 노이즈나 결측치가 발생된 구간은 분석의 정확도를 오히려 떨어뜨리는 문제를 야기할 수 있다. 따라서, 분석의 정확도를 높이기 위해서, 프로세서(110)는 복수의 세그먼트들 각각을 산출된 값에 대한 신뢰도를 분석해서, 신뢰도가 기준 값 대비 높은 값들을 분석 대상으로 선별할 수 있다.
프로세서(110)는 출력의 불확실성을 기초로 필터링 된 질환의 가능성을 조합해서, 건강 상태의 예측에 대한 결과 값을 생성할 수 있다. 프로세서(110)는 심전도 신호의 일부 구간에 대응되는 질환의 가능성들을 합쳐서 전체 심전도 신호 상에서 파악되는 질환의 가능성을 도출할 수 있다. 그리고, 프로세서(110)는 전체 심전도 신호 상에서 파악되는 질환의 가능성을 토대로, 심전도 신호를 측정한 대상이 어떠한 건강 상태인지를 분석한 결과를 생성할 수 있다. 이때, 어떠한 건강 상태인지를 분석한 결과는 현재 어떠한 질환을 앓고 있는지 혹은 질환이 향후 발병될 확률이 어느 정도 되는지 등과 같이 질환에 대한 진단 혹은 예측 결과를 포함할 수 있다. 이와 같이 프로세서(110)는 심전도 신호를 여러 개로 분할하여 심층 분석한 이후 분석 값을 선별하는 작업을 통해, 전체 심전도 신호를 한번에 분석하지 않는 경우보다 오히려 더 정확한 결과 값을 얻을 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 조직화 하여 관리할 수 있다. 예를 들어, 메모리(120)는 후술할 네트워크부(130)를 통해 수신된 의료 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, 스마트 워치와 같은 클라이언트 혹은 의료 컴퓨팅 장치 등과의 통신을 통해 의료 데이터를 수신할 수 있다. 네트워크부(130)는 전술한 데이터베이스, 서버, 클라이언트 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 건강 상태를 예측하는 과정을 나타낸 블록도이다.
도 2를 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 심전도 신호를 포함하는 심전도 데이터(10)를 기초로, 심전도 신호의 일부 구간을 포함하는 심전도 세그먼트들(20)을 생성할 수 있다. 컴퓨팅 장치(100)는 심전도 데이터(10)에서 신호를 겹치는 영역 없이 소정의 길이로 분할하여, 복수의 심전도 세그먼트들(20)을 생성할 수 있다. 컴퓨팅 장치(100)는 고정된 크기의 윈도우를 심전도 데이터(10)에서 기 설정된 영역만큼 움직이면서 심전도 데이터(10)를 분할하여, 복수의 심전도 세그먼트들(20)을 생성할 수 있다.
예를 들어, 컴퓨팅 장치(100)가 [A1, A2, A3, A4, A5, A6, A7, A8, A9] 으로 구성된 심전도 신호를 포함하는 심전도 데이터를 획득했다고 가정한다. 3개의 세그먼트들을 생성한다고 하면, 컴퓨팅 장치(100)는 전체 신호에서 겹치는 영역이 없도록 [A1, A2, A3], [A4, A5, A6] 및 [A7, A8, A9]로 심전도 데이터를 분할할 수 있다. 또한, 크기가 3인 윈도우를 심전도 신호 상에서 한 영역씩 움직여서 복수의 세그먼트들을 생성한다고 하면, 컴퓨팅 장치(100)는 [A1, A2, A3], [A2. A3. A4], [A3. A4. A5], 쪋 , [A7, A8, A9]과 같이 심전도 신호가 일부 구간이 겹치도록 분할할 수 있다. 이러한 분할 방식들은 사용 목적에 따라 사전 설정되어 선택적으로 수행될 수 있다.
컴퓨팅 장치(100)는 사전 학습된 머신러닝 모델(200)에 복수의 심전도 세그먼트들(20)을 입력하여, 복수의 세그먼트들(20) 각각에 대한 질환의 가능성(30) 및 출력의 불확실성(40)을 도출할 수 있다. 구체적으로, 컴퓨팅 장치(100)는 복수의 세그먼트들(20) 각각을 머신러닝 모델(200)에 입력하여 복수의 세그먼트들 각각에 대응되는 질환의 발명 확률 값을 포함하는 질환의 가능성(30)을 산출할 수 있다. 그리고, 컴퓨팅 장치(100)는 질환의 가능성(30) 각각에 대응되는 출력의 불확실성(40)을 머신러닝 모델(200)의 출력으로부터 획득할 수 있다.
예를 들어, 복수의 세그먼트들이 S1, S2, S3, 쪋 Sn으로 생성되었다고 가정한다. 이때, 복수의 세그먼트들 각각은 일정한 크기(또는 시간)에 대한 정보를 가진다. 컴퓨팅 장치(100)는 S1을 머신러닝 모델에 입력하여 S1으로부터 분석되는 질환의 가능성에 해당하는 P1을 산출할 수 있다. 그리고, 컴퓨팅 장치(100)는 P1이라는 값을 얼만큼 신뢰할 수 있는지에 대한 정도를 나타내는 불확실성인 U1을 머신러닝 모델의 출력으로부터 함께 획득할 수 있다. 컴퓨팅 장치(100)는 S2를 머신러닝 모델에 입력하여 S2로부터 분석되는 질환의 가능성에 해당하는 P2를 산출할 수 있다. 그리고, 컴퓨팅 장치(100)는 P1이라는 값을 얼만큼 신뢰할 수 있는지에 대한 정도를 나타내는 불확실성인 U1을 머신러닝 모델의 출력으로부터 함께 획득할 수 있다. 컴퓨팅 장치(100)는 이러한 과정을 순차적으로 반복해서 Sn으로부터 분석되는 질환의 가능성에 해당하는 Pn과 그에 대한 신뢰 정도를 나타내는 Un까지 산출할 수 있다.
컴퓨팅 장치(100)는 출력의 불확실성(40)을 기초로, 복수의 세그먼트들 각각에 대응되는 질환의 가능성(30)에 존재하는 이상치(outlier)를 제거할 수 있다. 컴퓨팅 장치(100)는 질환의 가능성(30)과 페어(pair)인 불확실성(40)을 사전 설정된 기준 값과 비교하여, 질환의 가능성(30) 내에 분석 값으로 신뢰하기 어려운 것으로 판단되는 이상치를 추출할 수 있다. 컴퓨팅 장치(100)는 이러한 이상치 제거(혹은 추출) 과정을 통해 건강 상태 예측 결과(50)를 도출하기 위한 근거를 양질의 데이터로 추릴 수 있다.
예를 들어, 컴퓨팅 장치(100)는 질환의 가능성 P1의 신뢰 정도를 나타내는 불확실성 U1과 사전 설정된 제 1 기준 값을 비교하여, U1이 제 1 기준 값 이상인지 여부를 판단할 수 있다. U1이 제 1 기준 값 이상인 경우, 컴퓨팅 장치(100)는 U1에 대응되는 P1을 이상치로 간주하고 제거할 수 있다. U1이 제 1 기준 값 이하인 경우, 컴퓨팅 장치(100)는 U1에 대응되는 P1을 정상 값으로 간주하고 최종 분석 결과에 반영할 수 있다. 컴퓨팅 장치(100)는 상술한 과정을 순차적으로 반복해서 Pn이 이상치인지 여부를 판단하고 필터링 할 수 있다.
컴퓨팅 장치(100)는 이상치가 제거된 질환의 가능성을 조합하여, 건강 상태의 예측에 대한 결과(50)를 생성할 수 있다. 컴퓨팅 장치(100)는 이상치가 제거된 질환의 가능성에 대한 평균 값과 사전 설정된 제 2 기준 값을 비교하여, 건강 상태의 예측에 대한 결과(50)를 생성할 수 있다. 컴퓨팅 장치(100)는 이상치가 제거된 질환의 가능성 각각을 사전 설정된 제 3 기준 값을 비교하여, 건강 상태의 예측에 대한 결과(50)를 생성할 수도 있다.
예를 들어, 상술한 과정을 통해 이상치가 제거되어 남은 질환의 가능성이 0.5, 0.7 및 0.4과 같이 3개의 값이라고 가정한다. 컴퓨팅 장치(100)는 3개의 값에 대한 평균인 (0.5+0.7+0.4)/3 = 0.53을 산출할 수 있다. 이때, 제 2 기준 값이 0.5로 설정된 경우, 3개의 값에 대한 평균인 0.53은 제 2 기준 값인 0.51보다 큰 값이므로, 컴퓨팅 장치(100)는 특정 질환이 발병한 것으로 최종 판단할 수 있다.
또한, 제 3 기준 값이 0.51로 설정된 경우, 컴퓨팅 장치(100)는 제 3 기준 값인 0.51과 3개의 값을 각각 비교할 수 있다. 첫번째 값인 0.5는 제 3 기준 값인 0.51보다 작으므로, 컴퓨팅 장치(100)는 해당 값에 특징 질환이 발병하지 않았다는 것을 의미하는 0을 태그 할 수 있다. 두번째 값인 0.7은 제 3 기준 값인 0.51보다 크므로, 컴퓨팅 장치(100)는 해당 값에 특정 질환이 발병했다는 것을 의미하는 1을 태그 할 수 있다. 세번째 값인 0.4는 제 3 기준 값인 0.51보다 작으므로, 컴퓨팅 장치(100)는 해당 값에 0을 태그 할 수 있다. 그리고, 컴퓨팅 장치(100)는 0, 1, 0으로 태그가 완료된 값들 중 가장 많은 비율을 차지하는 값인 0을 기준으로 특정 질환이 발병하지 않은 것으로 최종 판단할 수 있다. 이러한 최종 판단 결과는 건강 상태 예측 결과에 반영될 수 있다.
상술한 예시를 살펴보면, 제 2 기준 값과 평균 값을 비교하는 방식과 제 3 기준 값과 개별 값을 비교하는 방식의 결과가 달라질 수 있음을 알 수 있다. 따라서, 어떠한 방식을 사용하느냐는 사용 목적에 따른 사용자의 선택에 맞추어 결정될 수 있다. 즉, 컴퓨팅 장치(100)는 사용자 입력을 토대로 어떠한 방식으로 최종 판단을 수행할지 결정할 수 있다.
한편, 제 1 기준 값, 제 2 기준 값 또는 제 3 기준 값은 사용 목적에 따라 사용자에 의해 사전 설정된 값일 수 있다. 예를 들어, 머신러닝 모델을 통해 분석되는 질환이 희귀 질환인 경우, 분석 결과의 불확실성이 높은 경우에 오진단 가능성이 다른 질환과 대비해서 더 높을 수 있다. 따라서, 이러한 경우, 제 1 기준 값, 제 2 기준 값 또는 제 3 기준 값은 다른 질환과 대비해서 높게 설정될 수 있다. 이와 같이 기준 값은 질환의 종류, 데이터의 속성 등에 따라 다양하게 설정될 수 있다.
도 3은 본 개시의 일 실시예에 따른 머신러닝 모델에 포함된 신경망 구조를 나타낸 개념도이다.
도 3을 참조하면, 본 개시의 일 실시예에 따른 머신러닝 모델은 출력의 불확실성을 정량화 하기 위해, 신경망 가중치에 대한 확률 분포를 갖는 신경망(300)을 포함할 수 있다. 도 3의 신경망(300)은 신경망 가중치가 고정된 값으로 존재하는 것이 아닌 확률 분포로 존재한다는 것을 가정한다. 즉, 도 3의 신경망(300)은 학습된 신경망 가중치가 가우시안 분포를 따를 수 있다. 그리고, 도 3의 신경망(300)의 학습 과정에서 신경망 가중치 값 자체가 조정되는 것이 아닌 가우시안 분포의 평균과 분산이 조정될 수 있다. 머신러닝 모델은 이와 같은 신경망(300)을 통해 출력 값인 질환의 가능성이 얼만큼 신뢰할 수 있을지에 대한 지표에 해당하는 불확실성을 함께 도출할 수 있다.
도 4 는 본 개시의 일 실시예에 따른 심전도 세그먼트를 이용한 건강 상태의 예측 방법을 나타낸 순서도이다.
도 4를 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 심전도 데이터를 분할하여 복수의 세그먼트들을 생성할 수 있다(S100). 컴퓨팅 장치(100)가 심전도 판독 서비스를 제공하는 서버인 경우, 컴퓨팅 장치(100)는 심전도 신호를 측정하는 장비와 통신을 통해 심전도 데이터를 획득할 수 있다. 컴퓨팅 장치(100)가 심전도 신호를 측정하고 분석하는 장비인 경우, 컴퓨팅 장치(100)는 측정부를 통해 심전도 신호를 측정하여 심전도 데이터를 생성할 수 있다. 심전도 데이터가 획득되면, 컴퓨팅 장치(100)는 심전도 데이터에서 신호를 겹치는 영역이 없이 소정의 길이로 분할하여, 복수의 세그먼트들을 생성할 수 있다. 컴퓨팅 장치(100)는 고정된 크기의 윈도우를 상기 심전도 데이터에서 기 설정된 영역만큼 움직이면서 심전도 데이터를 분할하여, 복수의 세그먼트들을 생성할 수도 있다.
컴퓨팅 장치(100)는 사전 학습된 머신러닝 모델에 복수의 세그먼트들을 입력하여, 복수의 세그먼트들 각각에 대응되는 질환의 가능성 및 출력의 불확실성을 산출할 수 있다(S200).
컴퓨팅 장치(100)는 출력의 불확실성을 기초로, 복수의 세그먼트들 각각에 대응되는 질환의 가능성 중 이상치를 제거할 수 있다(S300). 컴퓨팅 장치(100)는 출력의 불확실성과 사전 결정된 제 1 기준 값을 비교할 수 있다. 출력의 불확실성이 사전 설정된 제 1 기준 값 이상인 경우, 컴퓨팅 장치(100)는 제 1 기준 값 이상인 출력의 불확실성에 대응되는 질환의 가능성을 이상치로 간주하고 제거할 수 있다. 출력의 불확실성이 사전 설정된 제 1 기준 값 미만인 경우, 컴퓨팅 장치(100)는 제 1 기준 값 미만인 출력의 불확실성에 대응되는 질환의 가능성은 S400 단계에서 수행되는 최종 분석에 사용할 수 있다.
컴퓨팅 장치(100)는 이상치가 제거된 질환의 가능성을 조합하여, 건강 상태의 예측에 대한 결과 값을 생성할 수 있다(S400). 컴퓨팅 장치(100)는 이상치가 제거된 질환의 가능성에 대한 평균 값과 사전 설정된 제 2 기준 값을 비교하여, 건강 상태의 예측에 대한 결과 값을 생성할 수 있다. 컴퓨팅 장치(100)는 이상치가 제거된 질환의 가능성 각각을 사전 설정된 제 3 기준 값을 비교하여, 상기 건강 상태의 예측에 대한 결과 값을 생성할 수도 있다. 구체적으로, 컴퓨팅 장치(100)는 이상치가 제거된 질환의 가능성이 사전 설정된 제 3 기준 값 이상인지 여부에 따라 이상치가 제거된 질환의 가능성을 이진 값으로 변환할 수 있다. 그리고, 컴퓨팅 장치(100)는 변환된 이진 값들 중에서 가장 높은 비율을 차지하는 값을 기준으로, 건강 상태의 예측에 대한 결과 값을 생성할 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 프로세서(processor)를 포함하는 컴퓨팅 장치에 의해 수행되는, 심전도 세그먼트를 이용한 건강 상태의 예측 방법으로서,
    심전도 데이터를 분할하여 복수의 세그먼트들을 생성하는 단계;
    사전 학습된 머신러닝 모델에 상기 복수의 세그먼트들을 입력하여, 복수의 세그먼트들 각각에 대응되는 질환의 가능성을 산출하는 단계;
    상기 복수의 세그먼트들 각각에 대응되는 질환의 가능성 중 이상치(outlier)를 제거하는 단계; 및
    상기 이상치가 제거된 질환의 가능성을 조합하여, 건강 상태의 예측에 대한 결과 값을 생성하는 단계;
    를 포함하는,
    방법.
  2. 제 1 항에 있어서,
    상기 심전도 데이터를 분할하여 복수의 세그먼트들을 생성하는 단계는,
    상기 심전도 데이터에서 신호를 겹치는 영역이 없이 소정의 길이로 분할하여, 상기 복수의 세그먼트들을 생성하는 단계;
    를 포함하는,
    방법.
  3. 제 1 항에 있어서,
    상기 심전도 데이터를 분할하여 복수의 세그먼트들을 생성하는 단계는,
    고정된 크기의 윈도우를 상기 심전도 데이터에서 기 설정된 영역만큼 움직이면서 상기 심전도 데이터를 분할하여, 상기 복수의 세그먼트들을 생성하는 단계;
    를 포함하는,
    방법.
  4. 제 1 항에 있어서,
    상기 사전 학습된 머신러닝 모델에 상기 복수의 세그먼트들을 입력하여, 복수의 세그먼트들 각각에 대응되는 출력의 불확실성을 산출하는 단계;
    를 더 포함하는,
    방법.
  5. 제 4 항에 있어서,
    상기 머신러닝 모델은,
    상기 출력의 불확실성을 정량화 하기 위해, 신경망 가중치에 대한 확률 분포를 갖는 신경망;
    을 포함하는,
    방법.
  6. 제 4 항에 있어서,
    복수의 세그먼트들 각각에 대응되는 질환의 가능성 중 이상치를 제거하는 단계는,
    상기 출력의 불확실성이 사전 설정된 제 1 기준 값 이상인 경우, 상기 제 1 기준 값 이상인 출력의 불확실성에 대응되는 질환의 가능성을 이상치로 간주하고 제거하는 단계;
    를 포함하는,
    방법.
  7. 제 1 항에 있어서,
    상기 이상치가 제거된 질환의 가능성을 조합하여, 건강 상태의 예측에 대한 결과 값을 생성하는 단계는,
    상기 이상치가 제거된 질환의 가능성에 대한 평균 값과 사전 설정된 제 2 기준 값을 비교하여, 상기 건강 상태의 예측에 대한 결과 값을 생성하는 단계;
    를 포함하는,
    방법.
  8. 제 1 항에 있어서,
    상기 이상치가 제거된 질환의 가능성을 조합하여, 건강 상태의 예측에 대한 결과 값을 생성하는 단계는,
    상기 이상치가 제거된 질환의 가능성 각각을 사전 설정된 제 3 기준 값을 비교하여, 상기 건강 상태의 예측에 대한 결과 값을 생성하는 단계;
    를 포함하는,
    방법.
  9. 제 8 항에 있어서,
    상기 이상치가 제거된 질환의 가능성 각각을 사전 설정된 제 3 기준 값을 비교하여, 상기 건강 상태의 예측에 대한 결과 값을 생성하는 단계는,
    상기 이상치가 제거된 질환의 가능성이 사전 설정된 제 3 기준 값 이상인지 여부에 따라 상기 이상치가 제거된 질환의 가능성을 이진 값으로 변환하는 단계; 및
    상기 변환된 이진 값들 중에서 가장 높은 비율을 차지하는 값을 기준으로, 상기 건강 상태의 예측에 대한 결과 값을 생성하는 단계;
    를 포함하는,
    방법.
  10. 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램(program)으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서(processor)에서 실행되는 경우, 심전도 세그먼트를 이용하여 건강 상태를 예측하기 위한 동작들을 수행하도록 하며,
    상기 동작들은,
    심전도 데이터를 분할하여 복수의 세그먼트들을 생성하는 동작;
    사전 학습된 머신러닝 모델에 상기 복수의 세그먼트들을 입력하여, 복수의 세그먼트들 각각에 대응되는 질환의 가능성을 산출하는 동작;
    상기 복수의 세그먼트들 각각에 대응되는 질환의 가능성 중 이상치(outlier)를 제거하는 동작; 및
    상기 이상치가 제거된 질환의 가능성을 조합하여, 건강 상태의 예측에 대한 결과 값을 생성하는 동작;
    을 포함하는,
    컴퓨터 프로그램.
  11. 심전도 세그먼트를 이용하여 건강 상태를 예측하기 위한 컴퓨팅 장치로서,
    적어도 하나의 코어(core)를 포함하는 프로세서(processor);
    상기 프로세서에서 실행 가능한 프로그램 코드(code)들을 포함하는 메모리(memory); 및
    심전도 데이터를 획득하기 위한 네트워크부(network unit);
    를 포함하고,
    상기 프로세서는,
    심전도 데이터를 분할하여 복수의 세그먼트들을 생성하고,
    사전 학습된 머신러닝 모델에 상기 복수의 세그먼트들을 입력하여, 복수의 세그먼트들 각각에 대응되는 질환의 가능성을 산출하고,
    상기 복수의 세그먼트들 각각에 대응되는 질환의 가능성 중 이상치(outlier)를 제거하며,
    상기 이상치가 제거된 질환의 가능성을 조합하여, 건강 상태의 예측에 대한 결과 값을 생성하는,
    장치.
PCT/KR2023/010344 2022-07-22 2023-07-19 심전도 세그먼트를 이용한 건강 상태의 예측 방법, 프로그램 및 장치 WO2024019500A1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR10-2022-0090764 2022-07-22
KR20220090764 2022-07-22
KR1020230092995A KR20240013673A (ko) 2022-07-22 2023-07-18 심전도 세그먼트를 이용한 건강 상태의 예측 방법,프로그램 및 장치
KR10-2023-0092995 2023-07-18

Publications (1)

Publication Number Publication Date
WO2024019500A1 true WO2024019500A1 (ko) 2024-01-25

Family

ID=89618295

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/010344 WO2024019500A1 (ko) 2022-07-22 2023-07-19 심전도 세그먼트를 이용한 건강 상태의 예측 방법, 프로그램 및 장치

Country Status (1)

Country Link
WO (1) WO2024019500A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200068161A (ko) * 2018-12-04 2020-06-15 건양대학교산학협력단 기계학습 모델을 이용한 심장질환예측 시스템, 및 방법
KR20210058274A (ko) * 2019-11-14 2021-05-24 권준명 머신러닝을 기반으로 생성된 심전도표준데이터를 이용하여 사용자의 신체상태를 판단하는 심전도 측정 시스템 및 그 방법
US20210315506A1 (en) * 2020-04-09 2021-10-14 J-Wave Diagnostics S.R.L. Electrocardiogram analysis
KR20210152254A (ko) * 2020-06-08 2021-12-15 성균관대학교산학협력단 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 방법 및 장치
KR20220097724A (ko) * 2020-12-31 2022-07-08 연세대학교 원주산학협력단 수면호흡장애 환자의 인공지능 기반 심혈관질환 예측 모델을 이용한 심혈관질환 예측시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200068161A (ko) * 2018-12-04 2020-06-15 건양대학교산학협력단 기계학습 모델을 이용한 심장질환예측 시스템, 및 방법
KR20210058274A (ko) * 2019-11-14 2021-05-24 권준명 머신러닝을 기반으로 생성된 심전도표준데이터를 이용하여 사용자의 신체상태를 판단하는 심전도 측정 시스템 및 그 방법
US20210315506A1 (en) * 2020-04-09 2021-10-14 J-Wave Diagnostics S.R.L. Electrocardiogram analysis
KR20210152254A (ko) * 2020-06-08 2021-12-15 성균관대학교산학협력단 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 방법 및 장치
KR20220097724A (ko) * 2020-12-31 2022-07-08 연세대학교 원주산학협력단 수면호흡장애 환자의 인공지능 기반 심혈관질환 예측 모델을 이용한 심혈관질환 예측시스템

Similar Documents

Publication Publication Date Title
Sivapalan et al. ANNet: A lightweight neural network for ECG anomaly detection in IoT edge sensors
US20220101185A1 (en) Mobile ai
CN114343585A (zh) 认知和行为障碍的预警方法、装置、设备及存储介质
WO2024019500A1 (ko) 심전도 세그먼트를 이용한 건강 상태의 예측 방법, 프로그램 및 장치
WO2023249402A1 (ko) 딥러닝 모델의 학습을 위한 의료 데이터의 처리 방법, 프로그램 및 장치
WO2023048437A1 (ko) 의료 데이터를 기반으로 하는 딥러닝 모델의 학습 및 추론 방법, 프로그램 및 장치
WO2024019523A1 (ko) 심전도를 이용한 건강 상태의 예측 방법, 프로그램 및 장치
WO2024019575A1 (ko) 심전도를 이용한 건강 상태의 예측 방법, 프로그램 및 장치
WO2024025327A1 (ko) 심전도 판독 서비스의 과금 방법, 프로그램 및 장치
WO2024019584A1 (ko) 심전도를 이용한 심근경색 진단 방법, 프로그램 및 장치
KR20240013673A (ko) 심전도 세그먼트를 이용한 건강 상태의 예측 방법,프로그램 및 장치
KR102499912B1 (ko) 시계열 검진 데이터를 이용한 딥러닝 기반 전립선암 재발예측 시스템
WO2024014888A1 (ko) 단기 측정된 심장 신호를 기반으로 장기 심박 변이도를 생성하는 방법, 프로그램 및 장치
US20220391760A1 (en) Combining model outputs into a combined model output
WO2023048463A1 (ko) 딥러닝 기반으로 연속적인 신체 상태를 계측하는 방법, 컴퓨터 프로그램 및 장치
WO2024071845A1 (ko) 의료용 인공지능 모델의 구축 방법, 프로그램 및 장치
WO2024025326A1 (ko) 심전도 판독 서비스를 제공하는 방법, 프로그램 및 장치
WO2024039218A1 (ko) 생체신호 데이터의 증강 방법, 컴퓨터 프로그램 및 장치
KR20240013674A (ko) 심전도를 이용한 건강 상태의 예측 방법, 프로그램및 장치
WO2023048470A2 (ko) 설명 가능한 인공지능에 기반한 의료 데이터의 해석 방법, 프로그램 및 장치
WO2024101759A1 (ko) 심전도 데이터의 분석 방법, 프로그램 및 장치
CN113064812A (zh) 一种项目开发过程质量缺陷预测方法、装置及介质
WO2024117827A1 (ko) 생체신호 분석 플랫폼의 운영 방법 및 시스템
KR20240017320A (ko) 심전도 판독 서비스의 과금 방법, 프로그램 및 장치
WO2024025350A1 (ko) 심전도 판독을 위한 인공지능 모델의 업데이트 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: 23843346

Country of ref document: EP

Kind code of ref document: A1