WO2024038930A1 - 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템 - Google Patents

복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템 Download PDF

Info

Publication number
WO2024038930A1
WO2024038930A1 PCT/KR2022/012364 KR2022012364W WO2024038930A1 WO 2024038930 A1 WO2024038930 A1 WO 2024038930A1 KR 2022012364 W KR2022012364 W KR 2022012364W WO 2024038930 A1 WO2024038930 A1 WO 2024038930A1
Authority
WO
WIPO (PCT)
Prior art keywords
ecg data
ecg
unit
deep learning
data
Prior art date
Application number
PCT/KR2022/012364
Other languages
English (en)
French (fr)
Inventor
권준명
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 to CN202280056116.XA priority Critical patent/CN117915834A/zh
Priority to PCT/KR2022/012364 priority patent/WO2024038930A1/ko
Priority to JP2024508509A priority patent/JP2024533041A/ja
Priority to EP22953377.3A priority patent/EP4371492A1/en
Publication of WO2024038930A1 publication Critical patent/WO2024038930A1/ko

Links

Images

Classifications

    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • 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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks

Definitions

  • the present invention can improve the accuracy of measurement, diagnosis, examination, and prediction of health status by comparing and analyzing multiple electrocardiograms taken at different times of the same subject, and can determine the presence or absence of disease in time series. It is about a deep learning-based health status prediction system using multiple electrocardiograms that can analyze and predict trends and disease severity.
  • an electrocardiogram is a graphical recording of electrical potentials related to heartbeat on the surface of the body.
  • an exercise stress electrocardiogram there is an exercise stress electrocardiogram and an activity electrocardiogram.
  • This type of electrocardiogram is used for examination and diagnosis of circulatory diseases and has the advantages of being simple, relatively inexpensive, non-invasive, and easily recorded repeatedly.
  • the standard 12-lead ECG used in medical institutions attaches 6 electrodes to the front of the chest and 3 electrodes to each extremity, collects all 12-lead ECG information, and makes a comprehensive judgment to diagnose the disease.
  • a 12-lead electrocardiogram is a recording of the heart's potential in 12 electrical directions centered on the heart, and through this, heart-related diseases limited to one area can be read.
  • the technical task to be achieved by the idea of the present invention is to improve the accuracy of measurement, diagnosis, examination, and prediction of health status by comparing and analyzing multiple electrocardiograms taken at different times of the same examinee based on deep learning.
  • the goal is to provide a deep learning-based health status prediction system using multiple electrocardiograms.
  • an embodiment of the present invention includes an electrocardiogram measuring unit that measures electrocardiograms of the same examinee at different time points with time differences to obtain N pieces of electrocardiogram data; Integrate semantic feature values or output values from the N ECG data provided from the ECG measurement unit through a pre-built diagnostic algorithm by learning the N ECG data at different times and the disease dataset corresponding to the ECG data.
  • a prediction unit that generates disease information that predicts the presence or absence of the disease, its trend, and the degree of the disease
  • an input unit that converts and inputs the N pieces of ECG data from the ECG measurement unit to the prediction unit.
  • the input unit may integrate the N pieces of ECG data input from the ECG measurement unit into single ECG data.
  • the input unit may integrate the N pieces of ECG data into each ECG data unit.
  • the input unit may divide the N ECG data into each lead and integrate the ECG data for each of the divided leads.
  • the input unit may divide the N ECG data into each lead, divide them into bit units, and then pair and integrate the bit units of the same lead.
  • the prediction unit may extract semantic feature values of each of the N ECG data provided from the input unit, analyze the semantic feature values in an integrated manner, and compare and analyze the N ECG data to generate the disease information. .
  • the present invention based on deep learning, it is possible to increase the accuracy of measurement, diagnosis, examination, and prediction of health status by comparing and analyzing multiple electrocardiograms taken at different times of the same subject, and to improve the accuracy of disease in time series. It has the effect of analyzing and predicting the presence, trend, and degree of disease.
  • Figure 1 shows the configuration of a deep learning-based health status prediction system using a plurality of electrocardiograms according to an embodiment of the present invention.
  • FIG. 2 illustrates an ECG integration method using a deep learning-based health status prediction system using the plurality of ECGs of FIG. 1.
  • FIG. 3 illustrates a flowchart of a prediction method using a deep learning-based health status prediction system using a plurality of electrocardiograms in FIG. 1.
  • the deep learning-based health status prediction system using a plurality of electrocardiograms includes an electrocardiogram measurement unit 110 that acquires N pieces of electrocardiogram data by measuring electrocardiograms of the same examinee at different time points with time differences. ), Semantic feature values or output values from the N ECG data provided from the ECG measurement unit 110 through a pre-built diagnostic algorithm by learning the N ECG data at different time points and the disease dataset corresponding to the ECG data.
  • N ECG data from the prediction unit 120 and the ECG measurement unit 110 which integrates and generates disease information that predicts the presence or absence of the disease, its trend, and the degree of the disease, is converted and input to the prediction unit 120.
  • the main idea is to more accurately measure, diagnose, examine, and predict health status from a plurality of electrocardiogram data at different times for the same examinee, including an input unit 130 that performs a medical examination.
  • the ECG measurement unit 110 measures the ECG of the same examinee at different time points with a time difference and acquires N pieces of ECG data.
  • the ECG measurement unit 110 can measure N ECG data for each measurement at two or more points in time by measuring the same examinee over a long period of time, such as monthly, quarterly, or yearly.
  • the ECG measurement unit 110 includes a wearable ECG patch, a smartwatch, a 6-lead ECG bar that measures for a short period of time, or an ECG device installed in a medical institution that can measure ECG in contact or non-contact during daily life, and can measure asynchronous or synchronous ECG. Can be measured and provided to the input unit 130.
  • the prediction unit 120 learns N ECG data from different time points of the same examinee, which is big data accumulated in the medical institution server, and a dataset of diseases corresponding to the ECG data, and uses a pre-built diagnostic algorithm.
  • Semantic feature values or output values from N pieces of ECG data provided from the ECG measurement unit 110 are integrated to generate disease information that predicts the presence or absence of the disease, its trend, and the degree of the disease.
  • the semantic feature value is a spatial time-series feature value extracted from ECG data, and based on this, the prediction unit 120 compares and analyzes N ECG data at different times to determine the current value at the time the ECG data was last measured. Health status or future health status can be measured, diagnosed, examined, and predicted.
  • the prediction unit 120 extracts semantic feature values of N ECG data at different time points provided from the input unit 130, which will be described later, integrates and analyzes the semantic feature values, and analyzes the N ECG data at different time points.
  • Time-series disease information can also be generated by comparing and analyzing data.
  • various deep learning algorithms such as CNN, LSTM, RNN, and MLP are used, or machine learning methods such as logistic regression, principle-based model, random forest, and support vector machine are used. You can also use .
  • the input unit 130 converts N ECG data from the ECG measurement unit 110 and inputs it to the prediction unit 120.
  • the input unit 130 may integrate N ECG data from different time points of the same subject input from the ECG measurement unit 110 into a single ECG data and input it to the prediction unit 120.
  • the input unit 130 can integrate N pieces of ECG data from different time points into the same length of time axis for each ECG data unit.
  • N ECG data from different time points are not measured with the same length of the time axis, they are cut to the length of the minimum time axis, or through a deep learning algorithm, an ECG of the insufficient length of the remaining ECG data is generated according to the length of the maximum time axis. You can also adjust the overall length by doing this.
  • the input unit 130 determines the individual characteristics of the ECG data for each lead of N ECG data at different time points (T1, T2), and inputs each N ECG data according to the identified characteristics. It may be divided by lead, and the ECG data for each lead may be integrated and input into the prediction unit 120.
  • the input unit 130 divides N ECG data at different times into each lead, divides the ECG data for each lead into bits, and then divides the ECG data for each lead into bits.
  • Bit units can also be paired, integrated, and input to the prediction unit 120.
  • a noise removal unit 140 is further included to minimize noise in the ECG data provided from the ECG measurement unit 110 to the input unit 130 and thereby increase the reliability of the disease information generated by the prediction unit 120.
  • the noise removal unit 140 may generate ECG data for each lead with less noise and unique style data of the ECG data for each lead, based on a plurality of ECG data, for example, standard 12-lead ECG data accumulated in medical institutions.
  • the unique style is extracted from the ECG data measured by the ECG measurement unit 110 by reflecting the characteristics of the examinee and the characteristics of the measurement method, and the extracted unique style It is possible to convert and generate ECG data of a specific guidance style that does not contain noise.
  • the noise removal unit 140 reflects the characteristics of the examinee due to the age, gender, disease, etc., the attachment position of the electrodes, and the characteristics of the measurement method due to the ECG device, etc., to create a unique style for each induction of each ECG data. It can be determined with accuracy, and based on this, ECG data for each lead can be converted and generated more accurately.
  • the ECG data generating unit 150 When measuring by the ECG measuring unit 110, if the ECG data contains a lot of noise in some leads or sections of the ECG data or the electrode contact is lost and the measurement is not performed properly, the ECG data generating unit 150 Through this, it is possible to generate a noise-free electrocardiogram and fill in the missing electrocardiogram data to perform more accurate measurement, diagnosis, examination, and prediction of health status.
  • the prediction unit 120 includes diseases of the circulatory system, endocrine, nutritional and metabolic diseases, neoplastic diseases, mental and behavioral disorders, diseases of the nervous system, diseases of the eyes and appendages, and diseases of the ears and mastoids.
  • deformation and chromosomal abnormalities can be diagnosed and predicted.
  • the prediction unit 120 damage caused by physical trauma can be confirmed, prognosis can be confirmed, pain can be measured, the risk of death or worsening due to trauma can be predicted, and concurrent complications can be detected or predicted. It can also identify specific conditions that appear before and after birth.
  • the prediction unit 120 as a healthcare area, aging, sleep, weight, blood pressure, blood sugar, oxygen saturation, metabolism, stress, tension, fear, drinking, smoking, problem behavior, lung capacity, exercise volume, and pain management , obesity, body mass, body composition, diet, type of exercise, lifestyle pattern recommendation, emergency management, chronic disease management, medication prescription, test recommendation, checkup recommendation, nursing, telehealth management, telemedicine, vaccination and post-vaccination management, etc. It may be possible to measure, diagnose, examine, and predict the health status of the person being examined, which can lead to services.
  • the disease can be diagnosed more accurately by comparing the electrocardiogram taken at a previous time and the electrocardiogram taken at a subsequent time. If the electrocardiogram at the time showed findings of myocardial infarction due to ST-segment elevation, etc., but the examination was normal, but the electrocardiogram at a follow-up time, such as 1 year later, showed findings of myocardial infarction due to the same ST-segment elevation as before, there is a possibility of myocardial infarction. This is less. In other words, since it is impossible to have a myocardial infarction for a long period of one year, the subject should be regarded as a normal patient.
  • FIG. 3 illustrates a flowchart of a prediction method by a deep learning-based health status prediction system using a plurality of electrocardiograms in FIG. 1, which is briefly described in detail as follows.
  • the ECG of the same examinee can be measured at different time points with a time difference, and N pieces of ECG data can be obtained and provided to the input unit 130 (S110).
  • the ECG measurement unit 110 can measure N ECG data for each measurement at two or more points in time by measuring the same examinee over a long period of time, such as monthly, quarterly, or yearly.
  • the ECG measurement unit 110 includes a wearable ECG patch, a smartwatch, a 6-lead ECG bar that measures for a short period of time, or an ECG device installed in a medical institution that can measure ECG in contact or non-contact during daily life, and can measure asynchronous or synchronous ECG. Can be measured and provided to the input unit 130.
  • N pieces of ECG data from the ECG measurement unit 110 are converted and input into the prediction unit 120 through the input unit 130 (S120).
  • the input unit 130 may integrate N ECG data from different time points of the same subject input from the ECG measurement unit 110 into a single ECG data and input it to the prediction unit 120.
  • the input unit 130 can integrate N pieces of ECG data from different time points into the same length of time axis for each ECG data unit.
  • N ECG data from different time points are not measured with the same length of the time axis, they are cut to the length of the minimum time axis, or through a deep learning algorithm, an ECG of the insufficient length of the remaining ECG data is generated according to the length of the maximum time axis. You can also adjust the overall length by doing this.
  • the input unit 130 determines the individual characteristics of the ECG data for each lead of N ECG data at different time points (T1, T2), and inputs each N ECG data according to the identified characteristics. It may be divided by lead, and the ECG data for each lead may be integrated and input into the prediction unit 120.
  • the input unit 130 divides N ECG data at different times into each lead, divides the ECG data for each lead into bits, and then divides the ECG data for each lead into bits.
  • Bit units can also be paired, integrated, and input to the prediction unit 120.
  • the noise of the ECG data provided from the ECG measurement unit 110 to the input unit 130 is minimized through the noise removal unit 140 to further increase the reliability of the disease information generated by the prediction unit 120. It may further include a step (S125), where, for example, the noise removal unit 140 is based on a plurality of ECG data, for example, standard 12-lead ECG data accumulated in a medical institution, ECG data for each lead and each lead with less noise.
  • the unique style is derived from the ECG data measured by the ECG measurement unit 110 by reflecting the characteristics of the examinee and the characteristics of the measurement method. can be extracted and generated by converting it into ECG data of a specific guidance style that does not contain noise through the extracted unique style.
  • the noise removal unit 140 reflects the characteristics of the examinee due to the age, gender, disease, etc., the attachment position of the electrodes, and the characteristics of the measurement method due to the ECG device, etc., to create a unique style for each induction of each ECG data. It can be determined with accuracy, and based on this, ECG data for each lead can be converted and generated more accurately.
  • the ECG data generating unit 150 When measuring by the ECG measuring unit 110, if the ECG data contains a lot of noise in some leads or sections of the ECG data or the electrode contact is lost and the measurement is not performed properly, the ECG data generating unit 150 Through this, it is possible to generate a noise-free electrocardiogram and fill in the missing electrocardiogram data to perform more accurate measurement, diagnosis, examination, and prediction of health status.
  • a diagnostic algorithm is built in advance by learning N ECG data from different time points of the same subjects, which is big data accumulated in the medical institution server, and a dataset of diseases corresponding to the ECG data.
  • semantic feature values or output values are integrated from the N pieces of ECG data provided from the ECG measurement unit 110 to generate disease information that predicts the presence or absence of the disease, its trend, and the degree of the disease (S130).
  • the semantic feature value is a spatial time-series feature value extracted from ECG data, and based on this, the prediction unit 120 compares and analyzes N ECG data at different times to determine the current value at the time the ECG data was last measured. Health status or future health status can be measured, diagnosed, examined, and predicted.
  • the prediction unit 120 extracts semantic feature values of N ECG data at different time points provided from the input unit 130, which will be described later, integrates and analyzes the semantic feature values, and analyzes the N ECG data at different time points.
  • Time-series disease information can also be generated by comparing and analyzing data.
  • various deep learning algorithms such as CNN, LSTM, RNN, and MLP are used, or machine learning methods such as logistic regression, principle-based model, random forest, and support vector machine are used. You can also use .
  • the prognosis prediction unit it is possible to measure, diagnose, examine, and predict not only the health status due to the individual diseases mentioned above, but also the health status that appears in complex, and predict the worsening or alleviation of the health status of the person being examined. , it is possible to predict short-term and long-term prognosis, predict the condition of transition or complication from one disease to another, and learn about the improvement or deterioration of the health condition according to the analysis and prediction of specific drugs and electrocardiograms to determine the health status. Accordingly, a specific drug may be recommended (S140).
  • the accuracy of measurement, diagnosis, examination, and prediction of health status can be improved by comparing and analyzing multiple electrocardiograms taken at different times of the same subject, and can improve the accuracy of health status measurement, diagnosis, examination, and prediction.
  • the presence, trend, and degree of disease can be analyzed and predicted.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Cardiology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Physiology (AREA)
  • General Physics & Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

본 발명은, 동일 피검진자의 시차를 둔 서로 다른 시점의 심전도를 각각 측정하여 N개의 심전도 데이터를 각각 획득하는 심전도 측정부(110), 서로 다른 시점의 N개의 심전도 데이터 및 심전도 데이터에 해당하는 질환의 데이터셋을 학습하여 미리 구축된 진단 알고리즘을 통해, 심전도 측정부(110)로부터 제공되는 N개의 심전도 데이터로부터 시멘틱 특징값 또는 출력값을 통합하여 질환의 유무와 추이와 질환의 정도를 예측하는 질환정보를 생성하는, 예측부(120), 및 심전도 측정부(110)로부터의 N개의 심전도 데이터를 예측부(120)로 변환하여 입력하는 입력부(130)를 포함하여, 동일 피검진자의 시차를 둔 복수의 심전도 데이터로부터 건강상태를 보다 더 정확하게 계측, 진단, 검진 및 예측할 수 있는, 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템을 개시한다.

Description

복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템{SYSTEM FOR PREDICTING HEALTH CONDITION BY USING PLURAL ELECTROCARDIOGRAM BASED ON DEEP LEARNING}
본 발명은 딥러닝에 기반하여 동일 피검진자의 서로 다른 시점의 촬영한 복수의 심전도를 비교분석하여 건강상태에 대한 계측과 진단과 검진과 예측의 정확도를 높일 수 있고, 시계열적으로 질환의 유무와 추이와 질환의 정도를 분석하고 예측할 수 있는, 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템에 관한 것이다.
주지하는 바와 같이, 심전도란　심박동과　관련된　전위를　신체　표면에서　도형으로　기록한　것으로서,　표준 12유도 심전도 이외에 운동부하 심전도, 활동 중 심전도 등이 있다.
이와 같은 심전도는 순환기 질환의 검진과 진단에 사용되며, 간단하고, 비교적 저렴하며, 비침습적이고,　쉽게　반복하여　기록할　수　있는　장점이　있다.
한편, 의료기관에서 사용되는 표준 12유도 심전도는 가슴 전면에 6개의 전극을 부착하고, 사지에 각각 3개의 전극을 부착한 후 12유도 심전도 정보를 모두 수집하고 이를 종합판단하여 질환을 진단할 수 있다.
여기서, 12유도 심전도란 심장을 중심으로 12개의 전기적 방향에서 심장의 전위를 기록한 것으로서, 이를 통해 한 부위에 국한된 심장관련 질환을 판독하도록 할 수 있다.
하지만, 심전도의 변화가 모든 피검진자에게 동일하게 적용되는 것은 아닌데, 즉 어느 한 피검진자는 질환이 전혀 없음에도 심전도의 모양이 질환이 있는 것처럼 보일 수 있으며, 다른 한 피검진자는 질환이 있음에도 심전도의 모양이 질환이 없는 것처럼 보일 수도 있다.
이에, 동일 피검진자의 서로 다른 시점의 촬영한 복수의 심전도를 비교분석하여 건강상태에 대한 계측과 진단과 검진과 예측의 정확도를 높일 수 있는 기술이 요구된다.
본 발명의 사상이 이루고자 하는 기술적 과제는, 딥러닝에 기반하여 동일 피검진자의 서로 다른 시점의 촬영한 복수의 심전도를 비교분석하여 건강상태에 대한 계측과 진단과 검진과 예측의 정확도를 높일 수 있는, 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템을 제공하는 데 있다.
전술한 목적을 달성하고자, 본 발명의 실시예는, 동일 피검진자의 시차를 둔 서로 다른 시점의 심전도를 각각 측정하여 N개의 심전도 데이터를 각각 획득하는 심전도 측정부; 서로 다른 시점의 N개의 심전도 데이터 및 상기 심전도 데이터에 해당하는 질환의 데이터셋을 학습하여 미리 구축된 진단 알고리즘을 통해, 상기 심전도 측정부로부터 제공되는 상기 N개의 심전도 데이터로부터 시멘틱 특징값 또는 출력값을 통합하여 질환의 유무와 추이와 질환의 정도를 예측하는 질환정보를 생성하는, 예측부; 및 상기 심전도 측정부로부터의 상기 N개의 심전도 데이터를 상기 예측부로 변환하여 입력하는 입력부;를 포함하는, 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템을 제공한다.
여기서, 상기 입력부는, 상기 심전도 측정부로부터 입력되는 상기 N개의 심전도 데이터를 단일 심전도 데이터로 통합할 수 있다.
또한, 상기 입력부는 상기 N개의 심전도 데이터를 각 심전도 데이터 단위로 통합할 수 있다.
또한, 상기 입력부는 상기 N개의 심전도 데이터를 각각 유도별로 구분하고, 상기 각 구분된 유도별 심전도 데이터를 유도별로 통합할 수 있다.
또한, 상기 입력부는 상기 N개의 심전도 데이터를 각 유도별로 구분하고 비트단위로 분할한 후 동일 유도의 비트단위를 상호 짝지어 통합할 수 있다.
또한, 상기 예측부는, 상기 입력부로부터 제공되는 상기 N개의 심전도 데이터의 시멘틱 특징값을 각각 추출하고, 상기 시멘틱 특징값을 통합 분석하여 상기 N개의 심전도 데이터를 비교분석하여 상기 질환정보를 생성할 수 있다.
본 발명에 의하면, 딥러닝에 기반하여 동일 피검진자의 서로 다른 시점의 촬영한 복수의 심전도를 비교분석하여 건강상태에 대한 계측과 진단과 검진과 예측의 정확도를 높일 수 있고, 시계열적으로 질환의 유무와 추이와 질환의 정도를 분석하고 예측할 수 있는 효과가 있다.
도 1은 본 발명의 실시예에 의한 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템의 구성도를 도시한 것이다.
도 2는 도 1의 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템에 의한 심전도 통합 방법을 각각 예시한 것이다.
도 3은 도 1의 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템에 의한 예측방법의 흐름도를 예시한 것이다.
이하, 첨부된 도면을 참조로 전술한 특징을 갖는 본 발명의 실시예를 더욱 상세히 설명하고자 한다.
본 발명의 실시예에 의한 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템은, 동일 피검진자의 시차를 둔 서로 다른 시점의 심전도를 각각 측정하여 N개의 심전도 데이터를 각각 획득하는 심전도 측정부(110), 서로 다른 시점의 N개의 심전도 데이터 및 심전도 데이터에 해당하는 질환의 데이터셋을 학습하여 미리 구축된 진단 알고리즘을 통해, 심전도 측정부(110)로부터 제공되는 N개의 심전도 데이터로부터 시멘틱 특징값 또는 출력값을 통합하여 질환의 유무와 추이와 질환의 정도를 예측하는 질환정보를 생성하는, 예측부(120), 및 심전도 측정부(110)로부터의 N개의 심전도 데이터를 예측부(120)로 변환하여 입력하는 입력부(130)를 포함하여, 동일 피검진자의 시차를 둔 복수의 심전도 데이터로부터 건강상태를 보다 더 정확하게 계측, 진단, 검진 및 예측하는 것을 요지로 한다.
이하, 도 1 및 도 2를 참조하여, 전술한 구성의 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템을 구체적으로 상술하면 다음과 같다.
우선, 심전도 측정부(110)는 동일 피검진자의 시차를 둔 서로 다른 시점의 심전도를 각각 측정하여 N개의 심전도 데이터를 각각 획득한다.
여기서, 심전도 측정부(110)는 동일 피검진자의 월별, 분기별 또는 연도별 등의 장기간의 시차를 두고 측정하여 두 시점 이상의 측정시별 N개의 심전도 데이터를 측정할 수 있다.
한편, 심전도 측정부(110)는 일상생활 중에 접촉시 또는 비접촉식의 심전도 측정이 가능한 웨어러블 심전도패치, 스마트워치, 단시간 측정되는 6유도 심전도 바 또는 의료기관에 설치된 심전도기기를 포함하여서 비동기적 또는 동기적 심전도를 측정하여 입력부(130)로 제공할 수 있다.
다음, 예측부(120)는, 의료기관서버에 축적된 빅데이터인, 동일 피검진자들의 서로 다른 시점의 N개의 심전도 데이터 및 심전도 데이터에 해당하는 질환의 데이터셋을 학습하여 미리 구축된 진단 알고리즘을 통해서, 심전도 측정부(110)로부터 제공되는 N개의 심전도 데이터로부터 시멘틱 특징값 또는 출력값을 통합하여서, 질환의 유무와 추이와 질환의 정도를 예측하는 질환정보를 생성하도록 한다.
여기서, 시멘틱 특징값은 심전도 데이터로부터 추출된 공간적 시계열적 특징값으로서 예측부(120)는 이를 기반으로 서로 다른 시점의 N개의 심전도 데이터를 비교분석하여 심전도 데이터가 최종 측정된 시점에서의 현시점에서의 건강상태 또는 미래의 건강상태를 계측하며 진단하고 검진하고 예측하도록 할 수 있다.
한편, 예측부(120)는, 후술하는 입력부(130)로부터 제공되는 서로 다른 시점의 N개의 심전도 데이터의 시멘틱 특징값을 각각 추출하고, 시멘틱 특징값을 통합 분석하여서, 서로 다른 시점의 N개의 심전도 데이터를 비교분석하여 시계열적 질환정보를 생성할 수도 있다.
또한, 추출된 시멘틱 특징값을 통합분석하는 방법으로는, CNN, LSTM, RNN, MLP 등의 다양한 딥러닝 알고리즘을 사용하거나, 로지스틱회귀, 원칙기반모델, 랜덤포레스트, 서포트벡터머신 등의 기계학습방법을 사용할 수도 있다.
다음, 입력부(130)는 심전도 측정부(110)로부터의 N개의 심전도 데이터를 변환하여 예측부(120)로 입력한다.
여기서, 입력부(130)는, 심전도 측정부(110)로부터 입력되는 동일 피검진자의 서로 다른 시점의 N개의 심전도 데이터를 단일 심전도 데이터로 통합하여서 예측부(120)로 입력하도록 할 수 있다.
예컨대, 도 2의 (a)에 예시된 바와 같이, 입력부(130)는 서로 다른 시점의 N개의 심전도 데이터를 각 심전도 데이터 단위로 동일 시간축의 길이로 통째로 통합할 수 있다. 한편, 서로 다른 시점의 N개의 심전도 데이터가 동일 시간축의 길이로 측정되지 않았다면 최소 시간축의 길이에 맞춰 자르거나, 딥러닝 알고리즘을 통해, 최대 시간축의 길이에 맞춰 나머지 심전도 데이터의 부족한 길이의 심전도를 생성하여 전체 길이를 맞추도록 할 수도 있다.
또는, 도 2의 (b)에 예시된 바와 같이, 입력부(130)는 서로 다른 시점(T1,T2)의 N개의 심전도 데이터를 유도별 심전도 데이터의 개별 특성을 파악하고, 파악된 특성에 따라 각각 유도별로 구분하고, 각 구분된 유도별 심전도 데이터를 유도별로 통합하여 예측부(120)로 입력할 수도 있다.
또는, 도 2의 (c)에 예시된 바와 같이, 입력부(130)는 서로 다른 시점의 N개의 심전도 데이터를 각 유도별로 구분하고, 구분된 유도별 심전도 데이터를 비트단위로 분할한 후 동일 유도의 비트단위를 상호 짝지어 통합하여 예측부(120)로 입력할 수도 있다.
한편, 심전도 측정부(110)로부터 입력부(130)로 제공되는 심전도 데이터의 노이즈를 최소화하여 예측부(120)에 의해 생성된 질환정보에 대한 신뢰도를 보다 높이도록 노이즈 제거부(140)를 더 포함할 수 있는데, 예컨대 노이즈 제거부(140)는 다수의 심전도 데이터, 예컨대 의료기관에 축적된 표준 12유도 심전도 데이터를 기반으로, 노이즈가 적은 각 유도별 심전도 데이터 및 각 유도별 심전도 데이터의 고유 스타일의 데이터셋을 미리 학습하여 구축된 딥러닝 알고리즘을 통해, 피검진자의 특성 및 측정방식의 특성을 반영하여서, 심전도 측정부(110)에 의해 측정된 심전도 데이터로부터 해당 고유 스타일을 추출하고, 추출된 고유 스타일을 통해 노이즈가 포함되지 않는 특정 유도 스타일의 심전도 데이터로 변환하여 생성할 수 있다.
또한, 노이즈 제거부(140)는 피검진자의 연령, 성별, 질환 등으로 인한 특성 및 전극의 부착위치, 심전도 기기 등으로 인한 측정방식의 특성을 반영하여서, 각 심전도 데이터의 유도별 고유 스타일을 높은 정확도로 파악할 수 있고, 이를 기반으로 각 유도별 심전도 데이터를 보다 더 정확하게 변환하여 생성할 수도 있다.
또한, 심전도 측정부(110)에 의한 측정시, 심전도 데이터에서 일부 유도나 일부 구간의 심전도 데이터에 노이즈가 많이 포함되거나 전극 접촉이 떨어져 측정이 제대로 이루어지지 않는 경우, 심전도 데이터 생성부(150)를 통해, 노이즈가 없는 유도의 심전도를 생성하여 탈락된 심전도 데이터를 채워 넣어서 보다 정확하게 건강상태의 계측과 진단과 검진과 예측을 수행할 수 있다.
또한, 예측부(120)는 순환 계통의 질환과, 내분비, 영양 및 대사 질환과, 신생물 질환과, 정신 및 행동장애와, 신경계통의 질환과, 눈 및 부속기의 질환과, 귀 및 유돌의 질환과, 호흡계통의 질환과, 소화계통의 질환과, 피부 및 피부조직의 질환과, 근골격계통 및 결압조직의 질환과, 비뇨생식계통의 질환과, 임신, 출산 및 산후기 질환과, 선천기형, 변형 및 염색체이상을 진단하여 예측할 수 있다.
이외에도, 예측부(120)를 통해서, 신체외상으로 인한 손상을 확인하고, 예후를 확인하며 통증을 계측할 수 있으며, 외상으로 인한 사망 위험성이나 악화 위험성을 예측할 수 있고, 병발한 합병증을 포착하거나 예측할 수 있고, 출생 전후기에 나타나는 특정 병태를 파악할 수도 있다.
또한, 예측부(120)를 통해서, 헬스케어 영역으로서, 노화, 수면, 체중, 혈압, 혈당, 산소포화도, 신진대사, 스트레스, 긴장, 공포, 음주, 흡연, 문제행동, 폐활량, 운동량, 통증관리, 비만, 체질량, 체성분, 식단, 운동 종류, 생활패턴 추천, 응급상황 관리, 만성질환 관리, 약제 처방, 검사 추천, 검진 추천, 간병, 원격건강관리, 원격진료, 예방접종 및 접종 이후 관리 등의 서비스로 이어질 수 있는 피검진자의 건강상태를 계측하며 진단하고 검진하고 예측하는 것이 가능할 수 있다.
앞서 언급한 개별적인 질환으로 인한 건강상태 뿐만 아니라 복합적으로 나타나는 건강상태를 계측하고, 진단하며, 검진하고, 예측할 수 있으며, 피검진자의 건강상태의 악화 및 완화를 예측하고, 단기간 및 장기간의 예후 예측이 가능하고, 한 질환으로부터 다른 질환으로 전이되거나 합병되는 상태를 예측하도록 하고, 특정 약제와 심전도의 분석 및 예측에 따른 건강상태의 호전 또는 악화를 학습하여서 건강상태에 따라 특정 약제를 추천하도록 할 수도 있다.
이에, 전술한 바와 같은 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템의 구성에 의해서, 이전시점에서 촬영한 심전도와 후속시점에서 촬영한 심전도를 비교하여 보다 더 정확하게 질환을 진단하도록 하는데, 예컨대 이전시점의 심전도를 통해 ST분절 상승 등으로 인해 심근경색 소견이 제시되었으나 검사상으로는 정상이었는데, 1년 후 등의 후속시점의 심전도에서 이전과 동일한 ST분절 상승으로 인한 심근경색 소견이 제시되었다면 심근경색의 가능성이 적다. 즉, 1년이란 긴 시간동안 심근경색을 가질 수 없기때문에 해당 피검진자를 정상인 환자로 간주하여야 한다.
한편, 도 3은 도 1의 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템에 의한 예측방법의 흐름도를 예시한 것으로, 이를 참조항여 간략히 상술하면 다음과 같다.
선행하여, 심전도 측정부(110)를 통해, 동일 피검진자의 시차를 둔 서로 다른 시점의 심전도를 각각 측정하여 N개의 심전도 데이터를 각각 획득하여 입력부(130)로 제공할 수 있다(S110).
여기서, 심전도 측정부(110)는 동일 피검진자의 월별, 분기별 또는 연도별 등의 장기간의 시차를 두고 측정하여 두 시점 이상의 측정시별 N개의 심전도 데이터를 측정할 수 있다.
한편, 심전도 측정부(110)는 일상생활 중에 접촉시 또는 비접촉식의 심전도 측정이 가능한 웨어러블 심전도패치, 스마트워치, 단시간 측정되는 6유도 심전도 바 또는 의료기관에 설치된 심전도기기를 포함하여서 비동기적 또는 동기적 심전도를 측정하여 입력부(130)로 제공할 수 있다.
후속하여, 입력부(130)를 통해, 심전도 측정부(110)로부터의 N개의 심전도 데이터를 변환하여 예측부(120)로 입력한다(S120).
여기서, 입력부(130)는, 심전도 측정부(110)로부터 입력되는 동일 피검진자의 서로 다른 시점의 N개의 심전도 데이터를 단일 심전도 데이터로 통합하여서 예측부(120)로 입력하도록 할 수 있다.
예컨대, 도 2의 (a)에 예시된 바와 같이, 입력부(130)는 서로 다른 시점의 N개의 심전도 데이터를 각 심전도 데이터 단위로 동일 시간축의 길이로 통째로 통합할 수 있다. 한편, 서로 다른 시점의 N개의 심전도 데이터가 동일 시간축의 길이로 측정되지 않았다면 최소 시간축의 길이에 맞춰 자르거나, 딥러닝 알고리즘을 통해, 최대 시간축의 길이에 맞춰 나머지 심전도 데이터의 부족한 길이의 심전도를 생성하여 전체 길이를 맞추도록 할 수도 있다.
또는, 도 2의 (b)에 예시된 바와 같이, 입력부(130)는 서로 다른 시점(T1,T2)의 N개의 심전도 데이터를 유도별 심전도 데이터의 개별 특성을 파악하고, 파악된 특성에 따라 각각 유도별로 구분하고, 각 구분된 유도별 심전도 데이터를 유도별로 통합하여 예측부(120)로 입력할 수도 있다.
또는, 도 2의 (c)에 예시된 바와 같이, 입력부(130)는 서로 다른 시점의 N개의 심전도 데이터를 각 유도별로 구분하고, 구분된 유도별 심전도 데이터를 비트단위로 분할한 후 동일 유도의 비트단위를 상호 짝지어 통합하여 예측부(120)로 입력할 수도 있다.
한편, 노이즈 제거부(140)를 통해, 심전도 측정부(110)로부터 입력부(130)로 제공되는 심전도 데이터의 노이즈를 최소화하여 예측부(120)에 의해 생성된 질환정보에 대한 신뢰도를 보다 높이도록 하는 단계(S125)를 더 포함할 수 있는데, 예컨대 노이즈 제거부(140)는 다수의 심전도 데이터, 예컨대 의료기관에 축적된 표준 12유도 심전도 데이터를 기반으로, 노이즈가 적은 각 유도별 심전도 데이터 및 각 유도별 심전도 데이터의 고유 스타일의 데이터셋을 미리 학습하여 구축된 딥러닝 알고리즘을 통해, 피검진자의 특성 및 측정방식의 특성을 반영하여서, 심전도 측정부(110)에 의해 측정된 심전도 데이터로부터 해당 고유 스타일을 추출하고, 추출된 고유 스타일을 통해 노이즈가 포함되지 않는 특정 유도 스타일의 심전도 데이터로 변환하여 생성할 수 있다.
또한, 노이즈 제거부(140)는 피검진자의 연령, 성별, 질환 등으로 인한 특성 및 전극의 부착위치, 심전도 기기 등으로 인한 측정방식의 특성을 반영하여서, 각 심전도 데이터의 유도별 고유 스타일을 높은 정확도로 파악할 수 있고, 이를 기반으로 각 유도별 심전도 데이터를 보다 더 정확하게 변환하여 생성할 수도 있다.
또한, 심전도 측정부(110)에 의한 측정시, 심전도 데이터에서 일부 유도나 일부 구간의 심전도 데이터에 노이즈가 많이 포함되거나 전극 접촉이 떨어져 측정이 제대로 이루어지지 않는 경우, 심전도 데이터 생성부(150)를 통해, 노이즈가 없는 유도의 심전도를 생성하여 탈락된 심전도 데이터를 채워 넣어서 보다 정확하게 건강상태의 계측과 진단과 검진과 예측을 수행할 수 있다.
후속하여, 예측부(120)를 통해, 의료기관서버에 축적된 빅데이터인, 동일 피검진자들의 서로 다른 시점의 N개의 심전도 데이터 및 심전도 데이터에 해당하는 질환의 데이터셋을 학습하여 미리 구축된 진단 알고리즘을 통해서, 심전도 측정부(110)로부터 제공되는 N개의 심전도 데이터로부터 시멘틱 특징값 또는 출력값을 통합하여서, 질환의 유무와 추이와 질환의 정도를 예측하는 질환정보를 생성하도록 한다(S130).
여기서, 시멘틱 특징값은 심전도 데이터로부터 추출된 공간적 시계열적 특징값으로서 예측부(120)는 이를 기반으로 서로 다른 시점의 N개의 심전도 데이터를 비교분석하여 심전도 데이터가 최종 측정된 시점에서의 현시점에서의 건강상태 또는 미래의 건강상태를 계측하며 진단하고 검진하고 예측하도록 할 수 있다.
한편, 예측부(120)는, 후술하는 입력부(130)로부터 제공되는 서로 다른 시점의 N개의 심전도 데이터의 시멘틱 특징값을 각각 추출하고, 시멘틱 특징값을 통합 분석하여서, 서로 다른 시점의 N개의 심전도 데이터를 비교분석하여 시계열적 질환정보를 생성할 수도 있다.
또한, 추출된 시멘틱 특징값을 통합분석하는 방법으로는, CNN, LSTM, RNN, MLP 등의 다양한 딥러닝 알고리즘을 사용하거나, 로지스틱회귀, 원칙기반모델, 랜덤포레스트, 서포트벡터머신 등의 기계학습방법을 사용할 수도 있다.
후속하여, 예후 예측부를 통해, 앞서 언급한 개별적인 질환으로 인한 건강상태 뿐만 아니라 복합적으로 나타나는 건강상태를 계측하고, 진단하며, 검진하고, 예측할 수 있으며, 피검진자의 건강상태의 악화 및 완화를 예측하고, 단기간 및 장기간의 예후 예측이 가능하도록 하고, 한 질환으로부터 다른 질환으로 전이되거나 합병되는 상태를 예측하도록 하고, 특정 약제와 심전도의 분석 및 예측에 따른 건강상태의 호전 또는 악화를 학습하여서 건강상태에 따라 특정 약제를 추천하도록 할 수도 있다(S140).
따라서, 본 실시예는 딥러닝에 기반하여 동일 피검진자의 서로 다른 시점의 촬영한 복수의 심전도를 비교분석하여 건강상태에 대한 계측과 진단과 검진과 예측의 정확도를 높일 수 있고, 시계열적으로 질환의 유무와 추이와 질환의 정도를 분석하고 예측할 수 있다.
본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원 시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.

Claims (6)

  1. 동일 피검진자의 시차를 둔 서로 다른 시점의 심전도를 각각 측정하여 N개의 심전도 데이터를 각각 획득하는 심전도 측정부;
    서로 다른 시점의 N개의 심전도 데이터 및 상기 심전도 데이터에 해당하는 질환의 데이터셋을 학습하여 미리 구축된 진단 알고리즘을 통해, 상기 심전도 측정부로부터 제공되는 상기 N개의 심전도 데이터로부터 시멘틱 특징값 또는 출력값을 통합하여 질환의 유무와 추이와 질환의 정도를 예측하는 질환정보를 생성하는, 예측부; 및
    상기 심전도 측정부로부터의 상기 N개의 심전도 데이터를 상기 예측부로 변환하여 입력하는 입력부;를 포함하는,
    복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템.
  2. 제1항에 있어서,
    상기 입력부는, 상기 심전도 측정부로부터 입력되는 상기 N개의 심전도 데이터를 단일 심전도 데이터로 통합하는 것을 특징으로 하는,
    복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템.
  3. 제2항에 있어서,
    상기 입력부는 상기 N개의 심전도 데이터를 각 심전도 데이터 단위로 통합하는 것을 특징으로 하는,
    복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템.
  4. 제2항에 있어서,
    상기 입력부는 상기 N개의 심전도 데이터를 각각 유도별로 구분하고, 상기 각 구분된 유도별 심전도 데이터를 유도별로 통합하는 것을 특징으로 하는,
    복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템.
  5. 제2항에 있어서,
    상기 입력부는 상기 N개의 심전도 데이터를 각 유도별로 구분하고 비트단위로 분할한 후 동일 유도의 비트단위를 상호 짝지어 통합하는 것을 특징으로 하는,
    복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템.
  6. 제1항에 있어서,
    상기 예측부는, 상기 입력부로부터 제공되는 상기 N개의 심전도 데이터의 시멘틱 특징값을 각각 추출하고, 상기 시멘틱 특징값을 통합 분석하여 상기 N개의 심전도 데이터를 비교분석하여 상기 질환정보를 생성하는 것을 특징으로 하는,
    복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템.
PCT/KR2022/012364 2022-08-18 2022-08-18 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템 WO2024038930A1 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202280056116.XA CN117915834A (zh) 2022-08-18 2022-08-18 利用复数个心电图的基于深度学习的健康状态预测系统
PCT/KR2022/012364 WO2024038930A1 (ko) 2022-08-18 2022-08-18 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템
JP2024508509A JP2024533041A (ja) 2022-08-18 2022-08-18 複数の心電図を用いたディープラーニングに基づく健康状態予測システム
EP22953377.3A EP4371492A1 (en) 2022-08-18 2022-08-18 Deep learning-based health condition prediction system using plurality of electrocardiograms

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/KR2022/012364 WO2024038930A1 (ko) 2022-08-18 2022-08-18 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템

Publications (1)

Publication Number Publication Date
WO2024038930A1 true WO2024038930A1 (ko) 2024-02-22

Family

ID=89941921

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/012364 WO2024038930A1 (ko) 2022-08-18 2022-08-18 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템

Country Status (4)

Country Link
EP (1) EP4371492A1 (ko)
JP (1) JP2024533041A (ko)
CN (1) CN117915834A (ko)
WO (1) WO2024038930A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101857624B1 (ko) * 2017-08-21 2018-05-14 동국대학교 산학협력단 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치
KR102362679B1 (ko) * 2021-01-27 2022-02-14 주식회사 뷰노 심전도 신호 기반의 만성질환 예측 방법
KR20220040516A (ko) * 2020-09-22 2022-03-30 주식회사 바디프랜드 심전도를 이용한 딥러닝 기반 관상동맥질환 예측 시스템
KR20220098600A (ko) * 2021-01-04 2022-07-12 주식회사 바디프랜드 시차를 둔 단일유도 심전도를 통한 딥러닝기반의 복수 유도 심전도 생성 시스템
KR20230025963A (ko) * 2021-08-17 2023-02-24 주식회사 메디컬에이아이 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101857624B1 (ko) * 2017-08-21 2018-05-14 동국대학교 산학협력단 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치
KR20220040516A (ko) * 2020-09-22 2022-03-30 주식회사 바디프랜드 심전도를 이용한 딥러닝 기반 관상동맥질환 예측 시스템
KR20220098600A (ko) * 2021-01-04 2022-07-12 주식회사 바디프랜드 시차를 둔 단일유도 심전도를 통한 딥러닝기반의 복수 유도 심전도 생성 시스템
KR102362679B1 (ko) * 2021-01-27 2022-02-14 주식회사 뷰노 심전도 신호 기반의 만성질환 예측 방법
KR20230025963A (ko) * 2021-08-17 2023-02-24 주식회사 메디컬에이아이 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템

Also Published As

Publication number Publication date
CN117915834A (zh) 2024-04-19
JP2024533041A (ja) 2024-09-12
EP4371492A1 (en) 2024-05-22

Similar Documents

Publication Publication Date Title
CN105228508B (zh) 一种测定用于分类的危险评分的系统
Nepi et al. Validation of the heart-rate signal provided by the Zephyr bioharness 3.0
Altıntop et al. A novel approach for detection of consciousness level in comatose patients from EEG signals with 1-D convolutional neural network
WO2023022485A1 (ko) 비동기 심전도를 이용한 건강상태 예측 시스템
WO2023022484A9 (ko) 단일유도 심전도기기를 활용한 건강상태 예측 시스템
WO2024038930A1 (ko) 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템
KR20230025963A (ko) 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템
Orphanidou et al. Signal quality assessment in physiological monitoring: requirements, practices and future directions
TWI756793B (zh) 一種通道資訊處理系統
TWI748485B (zh) 一種資訊處理系統及其方法
WO2023022519A1 (ko) 2유도 심전도 데이터를 이용한 복수개의 표준 심전도 데이터 생성 시스템
WO2023022493A1 (ko) 딥러닝 기반 심전도 데이터의 노이즈 제거 시스템
WO2023022521A1 (ko) 딥러닝기반 모델 및 원칙기반 모델 통합 심전도 판독 시스템
US20240350067A1 (en) System for generating plurality of pieces of standard electrocardiogram data using 2-lead electrocardiogram data
Behar et al. Editorial on Remote Health Monitoring: from chronic diseases to pandemics
US20240350094A1 (en) Deep learning-based electrocardiogram data noise removal system
WO2024014844A1 (ko) 심전도에 기반하여 체성분을 측정하는 방법 및 그 장치
WO2023022516A1 (ko) 딥러닝 알고리즘을 기반으로 복수개의 표준 심전도 데이터를 생성하는 방법
WO2022181948A1 (ko) 웨어러블 심전도 리듬 분석을 이용한 심장 위험도 산출 시스템 및 방법
Braojos et al. Level Accuracy of Automatic and Real Time Detection of Atrial Fibrillation with A New Wireless ECG Recorder (The SmartCardia)

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2024508509

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 202280056116.X

Country of ref document: CN

WWE Wipo information: entry into national phase

Ref document number: 2022953377

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 202447010915

Country of ref document: IN

ENP Entry into the national phase

Ref document number: 2022953377

Country of ref document: EP

Effective date: 20240215

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

Ref document number: 22953377

Country of ref document: EP

Kind code of ref document: A1