WO2024049052A1 - 복합 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 - Google Patents

복합 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 Download PDF

Info

Publication number
WO2024049052A1
WO2024049052A1 PCT/KR2023/012021 KR2023012021W WO2024049052A1 WO 2024049052 A1 WO2024049052 A1 WO 2024049052A1 KR 2023012021 W KR2023012021 W KR 2023012021W WO 2024049052 A1 WO2024049052 A1 WO 2024049052A1
Authority
WO
WIPO (PCT)
Prior art keywords
section
neural network
artificial neural
class
arrhythmia
Prior art date
Application number
PCT/KR2023/012021
Other languages
English (en)
French (fr)
Inventor
정성훈
김진국
장재성
Original Assignee
주식회사 휴이노
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 휴이노 filed Critical 주식회사 휴이노
Priority to JP2024508976A priority Critical patent/JP2024535682A/ja
Publication of WO2024049052A1 publication Critical patent/WO2024049052A1/ko
Priority to US18/606,993 priority patent/US20240215925A1/en

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—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
    • A61B5/361—Detecting fibrillation
    • 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
    • A61B5/366—Detecting abnormal QRS complex, e.g. widening
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Definitions

  • the present invention relates to a method, system, and non-transitory computer-readable recording medium for estimating arrhythmia using a complex artificial neural network.
  • these wearable monitoring devices are equipped with an artificial intelligence model to estimate arrhythmia from the electrocardiogram signal.
  • an artificial intelligence model uses an artificial intelligence model learned to estimate what type of arrhythmia a given section of the electrocardiogram signal corresponds to. It was generally implemented based on neural networks.
  • the artificial neural network learned to estimate which arrhythmia a given ECG signal section corresponds to is an arrhythmia that can be estimated on a beat segment basis (e.g., atrial premature contraction (APC), ventricular premature contraction). Since there is a limitation of not being able to accurately estimate (Ventricular Premature Contraction, VPC), Left Bundle Branch Block (LBBB), Right Bundle Branch Block (RBBB), etc.), conventional wearable monitoring devices have There is a problem that it is not possible to accurately determine the number or proportion of arrhythmias that can be estimated on a beat segment basis within the section of the ECG signal.
  • VPC atrial premature contraction
  • LBBB Left Bundle Branch Block
  • RBBB Right Bundle Branch Block
  • the purpose of the present invention is to solve all the problems of the prior art described above.
  • the present invention provides an artificial neural network learned to estimate which arrhythmia a beat segment included in a section of a given ECG signal corresponds to, and an artificial neural network learned to estimate which arrhythmia a section of a given ECG signal corresponds to.
  • the purpose is to improve the accuracy of arrhythmia estimation by using in combination.
  • a representative configuration of the present invention to achieve the above object is as follows.
  • a method for estimating arrhythmia using a complex artificial neural network comprising: estimating a class corresponding to a beat segment included in a first section of an electrocardiogram signal using a first artificial neural network; 2 estimating a class corresponding to a first section of the ECG signal using an artificial neural network, and the class estimated to correspond to a bit segment included in the first section of the ECG signal and the first section of the ECG signal
  • a method including the step of mutually verifying classes estimated to correspond to is provided.
  • a system for estimating arrhythmia using a complex artificial neural network comprising: a first estimator for estimating a class corresponding to a beat segment included in a first section of an electrocardiogram signal using a first artificial neural network; a government, a second estimator for estimating a class corresponding to a first section of the ECG signal using a second artificial neural network, and a class estimated to correspond to a bit segment included in the first section of the ECG signal and the A system including a verification unit that mutually verifies classes estimated to correspond to a first section of an electrocardiogram signal is provided.
  • an artificial neural network learned to estimate which arrhythmia a beat segment included in a section of a given ECG signal corresponds to and an artificial neural network learned to estimate which arrhythmia a section of a given ECG signal corresponds to.
  • Figure 1 is a diagram showing the schematic configuration of an entire system for estimating arrhythmia using a complex artificial neural network according to an embodiment of the present invention.
  • Figure 2 is a diagram illustrating in detail the internal configuration of an arrhythmia estimation system according to an embodiment of the present invention.
  • Figure 3 is a diagram schematically showing a mutual verification process according to an embodiment of the present invention.
  • Figure 1 is a diagram showing the schematic configuration of an entire system for estimating arrhythmia using a complex artificial neural network according to an embodiment of the present invention.
  • the entire system may include a communication network 100, an arrhythmia estimation system 200, and a device 300.
  • the communication network 100 can be configured regardless of communication mode, such as wired communication or wireless communication, and can be used as a local area network (LAN) or a metropolitan area network (MAN). ), and a wide area network (WAN).
  • LAN local area network
  • MAN metropolitan area network
  • WAN wide area network
  • the communication network 100 referred to in this specification may be the known Internet or World Wide Web (WWW).
  • WWW World Wide Web
  • the communication network 100 is not necessarily limited thereto and may include at least a portion of a known wired or wireless data communication network, a known telephone network, or a known wired or wireless television communication network.
  • the communication network 100 is a wireless data communication network, including WiFi communication, WiFi-Direct communication, Long Term Evolution (LTE) communication, 5G communication, and Bluetooth communication (Bluetooth Low Energy (BLE). It may implement, at least in part, conventional communication methods such as (including Bluetooth Low Energy) communication, infrared communication, ultrasonic communication, etc.
  • the communication network 100 is an optical communication network and may implement at least a portion of a conventional communication method such as LiFi (Light Fidelity).
  • the arrhythmia estimation system 200 may perform communication with a device 300, which will be described later, through the communication network 100.
  • the arrhythmia estimation system 200 estimates the class corresponding to the beat segment included in the first section of the ECG signal using a first artificial neural network and uses a second artificial neural network.
  • the class corresponding to the first section of the ECG signal is estimated, and the class estimated to correspond to the bit segment included in the first section of the ECG signal and the class estimated to correspond to the first section of the ECG signal are mutually It can perform the verification function.
  • the arrhythmia estimation system 200 may be a digital device equipped with a memory means and equipped with a microprocessor and has computing capabilities. For example, it may be a server system operated on the communication network 100.
  • arrhythmia estimation system 200 The configuration and function of the arrhythmia estimation system 200 according to an embodiment of the present invention will be discussed in detail through the detailed description below.
  • the device 300 is a digital device that includes a function that can communicate after connecting to the arrhythmia estimation system 200, and can be used as a smart patch, smart watch, smart band, or smart glass.
  • a digital device equipped with a memory means, a microprocessor, and computing power, and a sensing means (e.g., contact electrode, etc.) for measuring a certain biological signal (e.g., electrocardiogram signal) from the human body, and It may be a wearable monitoring device that includes display means that provides various information regarding measurement of biological signals to the user.
  • the device 300 may further include an application program for performing functions according to the present invention.
  • These applications may exist in the form of program modules within the device 300.
  • the nature of this program module is the first estimation unit 210, the second estimation unit 220, the verification unit 230, the communication unit 240, the control unit 250, and the overall arrhythmia estimation system 200, which will be described later. It can be similar.
  • at least part of the application may be replaced with a hardware device or firmware device that can perform substantially the same or equivalent functions as necessary.
  • FIG. 2 is a diagram illustrating in detail the internal configuration of the arrhythmia estimation system 200 according to an embodiment of the present invention.
  • the arrhythmia estimation system 200 includes a first estimation unit 210, a second estimation unit 220, a verification unit 230, a communication unit 240, and It may include a control unit 250.
  • the first estimation unit 210, the second estimation unit 220, the verification unit 230, the communication unit 240, and the control unit 250 of the arrhythmia estimation system 200 are among them. At least some of them may be program modules that communicate with an external system (not shown). These program modules may be included in the arrhythmia estimation system 200 in the form of an operating system, application program module, or other program module, and may be physically stored in various known memory devices.
  • program modules may be stored in a remote memory device capable of communicating with the arrhythmia estimation system 200.
  • program modules include, but are not limited to, routines, subroutines, programs, objects, components, data structures, etc. that perform specific tasks or execute specific abstract data types according to the present invention.
  • arrhythmia estimation system 200 has been described as above, this description is illustrative and at least some of the components or functions of the arrhythmia estimation system 200 may be used as a device 300 or a server (not shown) as necessary. ) or may be included in an external system (not shown).
  • the first estimation unit 210 may perform a function of estimating the class corresponding to the bit segment included in the first section of the ECG signal using a first artificial neural network.
  • the first artificial neural network is a bit segment included in a predetermined section of the ECG signal (here, the bit segment may mean a QRS waveform (QRS complex) appearing in the ECG signal; in the ECG signal Detecting the beat segment may be performed by a first artificial neural network, or may be performed by means or methods other than the first artificial neural network) to estimate which class among the classes representing the first type of arrhythmia corresponds. It may be a trained artificial neural network.
  • the first type of arrhythmia may include arrhythmias that can be estimated on a beat segment basis.
  • the first type of arrhythmia includes atrial premature contraction (APC), It may include ventricular premature contraction (VPC), left bundle branch block (LBBB), and right bundle branch block (RBBB).
  • the first estimation unit 210 uses a first artificial neural network to determine that at least one bit segment included in the first section of the ECG signal indicates the first type of arrhythmia. It is possible to estimate which of the classes it corresponds to, and further, if the beat segment does not correspond to any of the classes representing the first type of arrhythmia, it is assumed that the class corresponding to the beat segment is the class representing a normal electrocardiogram. can do.
  • the first estimation unit 210 uses the first artificial neural network to determine four of the five bit segments included in the first section of the ECG signal. It can be assumed that the th beat segment corresponds to a class representing atrial premature contraction (APC), and the first beat segment, the second beat segment, and the third beat segment among the five beat segments included in the first section of the ECG signal. And it can be assumed that the fifth beat segment corresponds to a class representing a normal electrocardiogram.
  • APC atrial premature contraction
  • the first artificial neural network is composed of an input layer, a hidden layer, and an output layer, and is a convolutional neural network (CNN). ), a recurrent neural network (RNN), etc., but is not necessarily limited thereto.
  • CNN convolutional neural network
  • RNN recurrent neural network
  • the second estimation unit 220 may perform a function of estimating the class corresponding to the first section of the ECG signal using a second artificial neural network.
  • the second artificial neural network may be an artificial neural network learned to estimate which class of the classes representing the second type of arrhythmia corresponds to a predetermined section of the ECG signal.
  • the second type of arrhythmia may include arrhythmia that can be estimated through rhythm changes between consecutive beat segments.
  • the second type of arrhythmia includes atrial fibrillation. AFib), Paroxysmal Supraventricular Tachycardia (SVT), and AV Block.
  • the second estimation unit 220 uses a second artificial neural network to determine which class among the classes representing the second type of arrhythmia the first section of the ECG signal corresponds. It can be estimated, and further, if the first section does not correspond to any of the classes representing the second type of arrhythmia, it can be estimated that the class corresponding to the first section is a class representing a normal electrocardiogram.
  • the second estimation unit 220 uses the second artificial neural network to classify the first section of the ECG signal as representing atrial fibrillation (AFib). It can be assumed to correspond to or to a class representing a normal electrocardiogram.
  • AFib atrial fibrillation
  • the second artificial neural network may be configured in parallel with the first artificial neural network, and the same electrocardiogram signal is input to the first artificial neural network and the second artificial neural network configured in parallel. It can be. That is, for the same ECG signal, the first artificial neural network can estimate which class among the classes representing the first type of arrhythmia the beat segment included in the first section of the corresponding ECG signal corresponds, and the second artificial neural network It is possible to estimate which class among the classes representing the second type of arrhythmia the first section of the corresponding ECG signal corresponds.
  • the second artificial neural network is composed of an input layer, a hidden layer, and an output layer, and may be implemented as a convolutional neural network (CNN), a recurrent neural network (RNN), etc.
  • CNN convolutional neural network
  • RNN recurrent neural network
  • the verification unit 230 determines the class estimated to correspond to the bit segment included in the first section of the ECG signal and the class estimated to correspond to the first section of the ECG signal. It can perform a mutual verification function.
  • a case may occur where the class estimated to correspond to the bit segment included in the first section of the ECG signal and the class estimated to correspond to the first section of the ECG signal are not compatible with each other. there is.
  • the class corresponding to the first section of the ECG signal is the class representing atrial fibrillation (AFib).
  • a case may occur where the class corresponding to the beat segment included in the first section of the ECG signal is estimated to be a class representing atrial premature contraction (APC).
  • APC atrial premature contraction
  • class estimation for the first section of the ECG signal or the bit segment included in the first section of the ECG signal may be incorrectly made, and the present invention can solve this error through a mutual verification process.
  • the verification unit 230 determines the class estimated to correspond to the bit segment included in the first section of the ECG signal and the class estimated to correspond to the first section of the ECG signal.
  • Mutual verification is possible, and according to the verification results, if the class estimation for any one of the first section of the ECG signal and the bit segment included in the first section of the ECG signal is determined to be incorrect (i.e., the ECG signal If the class estimated to correspond to the bit segment included in the first section of and the class estimated to correspond to the first section of the ECG signal are not compatible with each other), the bit segment included in the first section of the ECG signal The other can be corrected based on one of the class estimated to correspond to and the class estimated to correspond to the first section of the ECG signal.
  • the class corresponding to the first section of the ECG signal is estimated to be a class representing atrial fibrillation (AFib) by the second artificial neural network (S100), and the class corresponding to the first section of the ECG signal is estimated to be a class representing atrial fibrillation (AFib) by the second artificial neural network.
  • the class corresponding to 11 beat segments is estimated to be a class representing atrial premature contraction (APC) (indicated by "S")
  • the class corresponding to 8 beat segments is estimated to be a class representing atrial premature contraction (APC).
  • each class is estimated (S200) to be a class representing a normal ECG signal (indicated by "N")
  • the verification unit 230 determines the class estimated to correspond to the first section of the ECG signal (i.e., atrial fibrillation). Based on the class representing (AFib), the class estimated to correspond to 11 of the 19 beat segments included in the first section of the ECG signal, that is, the class representing atrial premature contraction (APC), is classified as a normal ECG. It can be corrected (S ⁇ N) by the class it represents (S300).
  • the communication unit 240 performs a function to enable data transmission and reception from/to the first estimation unit 210, the second estimation unit 220, and the verification unit 230. can do.
  • control unit 250 has a function of controlling the flow of data between the first estimation unit 210, the second estimation unit 220, the verification unit 230, and the communication unit 240. can be performed. That is, the control unit 250 according to the present invention controls the data flow from/to the outside of the arrhythmia estimation system 200 or the data flow between each component of the arrhythmia estimation system 200, thereby controlling the first estimation unit 210. , the second estimation unit 220, the verification unit 230, and the communication unit 240 can each be controlled to perform their own functions.
  • the embodiments according to the present invention described above can be implemented in the form of program instructions that can be executed through various computer components and recorded on a computer-readable recording medium.
  • the computer-readable recording medium may include program instructions, data files, data structures, etc., singly or in combination.
  • Program instructions recorded on the computer-readable recording medium may be specially designed and configured for the present invention, or may be known and usable by those skilled in the computer software field.
  • Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical recording media such as CD-ROMs and DVDs, and magneto-optical media such as floptical disks. medium), and hardware devices specifically configured to store and execute program instructions, such as ROM, RAM, flash memory, etc.
  • Examples of program instructions include not only machine language code such as that created by a compiler, but also high-level language code that can be executed by a computer using an interpreter or the like.
  • a hardware device can be converted into one or more software modules to perform processing according to the invention and vice versa.

Landscapes

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

Abstract

본 발명의 일 태양에 따르면, 복합 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법으로서, 제1 인공 신경망을 이용하여 심전도 신호의 제1 구간에 포함된 비트 세그먼트에 대응되는 클래스를 추정하는 단계, 제2 인공 신경망을 이용하여 상기 심전도 신호의 제1 구간에 대응되는 클래스를 추정하는 단계, 및 상기 심전도 신호의 제1 구간에 포함된 비트 세그먼트에 대응되는 것으로 추정된 클래스와 상기 심전도 신호의 제1 구간에 대응되는 것으로 추정된 클래스를 상호 간에 검증하는 단계를 포함하는 방법이 제공된다.

Description

복합 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
본 발명은 복합 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체에 관한 것이다.
최근 과학 기술의 비약적인 발전으로 인하여 인류 전체의 삶의 질이 향상되고 있으며, 의료 환경에서도 많은 변화가 발생하고 있다. 특히, 근래에 들어, 병원에 가지 않고 일상 생활 중에 심전도 신호를 분석하여 부정맥을 추정할 수 있는 웨어러블 모니터링 디바이스가 대중들에게 널리 보급되고 있다.
통상적으로 이러한 웨어러블 모니터링 디바이스는 심전도 신호에서 부정맥을 추정하기 위하여 인공지능 모델을 탑재하게 되는데, 종래에는 이러한 인공지능 모델이 주어진 심전도 신호의 구간이 어떠한 유형의 부정맥에 대응되는지를 추정하기 위해 학습된 인공 신경망에 기반하여 구현되는 것이 일반적이었다.
다만, 주어진 심전도 신호의 구간이 어떠한 부정맥에 대응되는지를 추정하기 위해 학습된 인공 신경망은 비트 세그먼트 단위로 추정할 수 있는 부정맥(예를 들어, 심방조기수축(Atrial Premature Contraction, APC), 심실조기수축(Ventricular Premature Contraction, VPC), 좌각차단(Left Bundle Branch Block, LBBB), 우각차단(Right Bundle Branch Block, RBBB) 등)을 정확하게 추정할 수 없다는 한계점이 존재하므로, 종래의 웨어러블 모니터링 디바이스로는 주어진 심전도 신호의 구간 내에서 비트 세그먼트 단위로 추정할 수 있는 부정맥이 나타난 개수 내지 비중을 정확히 파악할 수 없다는 문제가 있다.
본 발명은 전술한 종래 기술의 문제점을 모두 해결하는 것을 그 목적으로 한다.
또한, 본 발명은, 주어진 심전도 신호의 구간에 포함된 비트 세그먼트가 어떠한 부정맥에 대응되는지를 추정하기 위해 학습된 인공 신경망과 주어진 심전도 신호의 구간이 어떠한 부정맥에 대응되는지를 추정하기 위해 학습된 인공 신경망을 복합적으로 이용하여 부정맥 추정의 정확도를 향상시키는 것을 목적으로 한다.
상기 목적을 달성하기 위한 본 발명의 대표적인 구성은 다음과 같다.
본 발명의 일 태양에 따르면, 복합 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법으로서, 제1 인공 신경망을 이용하여 심전도 신호의 제1 구간에 포함된 비트 세그먼트에 대응되는 클래스를 추정하는 단계, 제2 인공 신경망을 이용하여 상기 심전도 신호의 제1 구간에 대응되는 클래스를 추정하는 단계, 및 상기 심전도 신호의 제1 구간에 포함된 비트 세그먼트에 대응되는 것으로 추정된 클래스와 상기 심전도 신호의 제1 구간에 대응되는 것으로 추정된 클래스를 상호 간에 검증하는 단계를 포함하는 방법이 제공된다.
본 발명의 다른 태양에 따르면, 복합 인공 신경망을 이용하여 부정맥을 추정하기 위한 시스템으로서, 제1 인공 신경망을 이용하여 심전도 신호의 제1 구간에 포함된 비트 세그먼트에 대응되는 클래스를 추정하는 제1 추정부, 제2 인공 신경망을 이용하여 상기 심전도 신호의 제1 구간에 대응되는 클래스를 추정하는 제2 추정부, 및 상기 심전도 신호의 제1 구간에 포함된 비트 세그먼트에 대응되는 것으로 추정된 클래스와 상기 심전도 신호의 제1 구간에 대응되는 것으로 추정된 클래스를 상호 간에 검증하는 검증부를 포함하는 시스템이 제공된다.
이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 비일시성의 컴퓨터 판독 가능한 기록 매체가 더 제공된다.
본 발명에 의하면, 주어진 심전도 신호의 구간에 포함된 비트 세그먼트가 어떠한 부정맥에 대응되는지를 추정하기 위해 학습된 인공 신경망과 주어진 심전도 신호의 구간이 어떠한 부정맥에 대응되는지를 추정하기 위해 학습된 인공 신경망을 복합적으로 이용하여 부정맥 추정의 정확도를 향상시킬 수 있다.
도 1은 본 발명의 일 실시예에 따라 복합 인공 신경망을 이용하여 부정맥을 추정하기 위한 전체 시스템의 개략적인 구성을 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 부정맥 추정 시스템의 내부 구성을 상세하게 도시하는 도면이다.
도 3은 본 발명의 일 실시예에 따른 상호 검증 과정을 개략적으로 도시한 도면이다.
<부호의 설명>
100: 통신망
200: 부정맥 추정 시스템
210: 제1 추정부
220: 제2 추정부
230: 검증부
240: 통신부
250: 제어부
300: 디바이스
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이러한 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 본 명세서에 기재되어 있는 특정 형상, 구조 및 특성은 본 발명의 정신과 범위를 벗어나지 않으면서 일 실시예로부터 다른 실시예로 변경되어 구현될 수 있다. 또한, 각각의 실시예 내의 개별 구성요소의 위치 또는 배치도 본 발명의 정신과 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 행하여지는 것이 아니며, 본 발명의 범위는 특허청구범위의 청구항들이 청구하는 범위 및 그와 균등한 모든 범위를 포괄하는 것으로 받아들여져야 한다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 구성요소를 나타낸다.
이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 여러 바람직한 실시예에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
전체 시스템의 구성
도 1은 본 발명의 일 실시예에 따라 복합 인공 신경망을 이용하여 부정맥을 추정하기 위한 전체 시스템의 개략적인 구성을 나타내는 도면이다.
도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 전체 시스템은 통신망(100), 부정맥 추정 시스템(200) 및 디바이스(300)를 포함할 수 있다.
먼저, 본 발명의 일 실시예에 따른 통신망(100)은 유선 통신이나 무선 통신과 같은 통신 양태를 가리지 않고 구성될 수 있으며, 근거리 통신망(LAN; Local Area Network), 도시권 통신망(MAN; Metropolitan Area Network), 광역 통신망(WAN; Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 바람직하게는, 본 명세서에서 말하는 통신망(100)은 공지의 인터넷 또는 월드 와이드 웹(WWW; World Wide Web)일 수 있다. 그러나, 통신망(100)은, 굳이 이에 국한될 필요 없이, 공지의 유무선 데이터 통신망, 공지의 전화망 또는 공지의 유무선 텔레비전 통신망을 그 적어도 일부에 있어서 포함할 수도 있다.
예를 들면, 통신망(100)은 무선 데이터 통신망으로서, 와이파이(WiFi) 통신, 와이파이 다이렉트(WiFi-Direct) 통신, 롱텀 에볼루션(LTE; Long Term Evolution) 통신, 5G 통신, 블루투스 통신(저전력 블루투스(BLE; Bluetooth Low Energy) 통신 포함), 적외선 통신, 초음파 통신 등과 같은 종래의 통신 방법을 적어도 그 일부분에 있어서 구현하는 것일 수 있다. 다른 예를 들면, 통신망(100)은 광 통신망으로서, 라이파이(LiFi; Light Fidelity) 등과 같은 종래의 통신 방법을 적어도 그 일부분에 있어서 구현하는 것일 수 있다.
다음으로, 본 발명의 일 실시예에 따른 부정맥 추정 시스템(200)은 통신망(100)을 통하여 후술할 디바이스(300)와의 통신을 수행할 수 있다. 또한, 본 발명의 일 실시예에 따른 부정맥 추정 시스템(200)은, 제1 인공 신경망을 이용하여 심전도 신호의 제1 구간에 포함된 비트 세그먼트에 대응되는 클래스를 추정하고, 제2 인공 신경망을 이용하여 심전도 신호의 제1 구간에 대응되는 클래스를 추정하고, 심전도 신호의 제1 구간에 포함된 비트 세그먼트에 대응되는 것으로 추정된 클래스와 심전도 신호의 제1 구간에 대응되는 것으로 추정된 클래스를 상호 간에 검증하는 기능을 수행할 수 있다. 한편, 이러한 부정맥 추정 시스템(200)은 메모리 수단을 구비하고 마이크로 프로세서를 탑재하여 연산 능력을 갖춘 디지털 기기일 수 있으며, 예를 들어 통신망(100)상에서 운영되는 서버 시스템일 수도 있다.
본 발명의 일 실시예에 따른 부정맥 추정 시스템(200)의 구성과 기능에 관하여는 이하의 상세한 설명을 통하여 자세하게 알아보기로 한다.
다음으로, 본 발명의 일 실시예에 따른 디바이스(300)는, 부정맥 추정 시스템(200)에 접속한 후 통신할 수 있는 기능을 포함하는 디지털 기기로서, 스마트 패치, 스마트 워치, 스마트 밴드, 스마트 글래스 등과 같이, 메모리 수단을 구비하고 마이크로 프로세서를 탑재하여 연산 능력을 갖춘 디지털 기기로서 인체로부터 소정의 생체 신호(예를 들어, 심전도 신호)를 측정하기 위한 센싱 수단(예를 들면, 접촉 전극 등) 및 생체 신호의 측정에 관한 다양한 정보를 사용자에게 제공하는 표시 수단을 포함하는 웨어러블 모니터링 디바이스일 수 있다.
또한, 본 발명의 일 실시예에 따르면, 디바이스(300)에는 본 발명에 따른 기능을 수행하기 위한 애플리케이션 프로그램이 더 포함되어 있을 수 있다. 이러한 애플리케이션은 해당 디바이스(300) 내에서 프로그램 모듈의 형태로 존재할 수 있다. 이러한 프로그램 모듈의 성격은 후술할 바와 같은 부정맥 추정 시스템(200)의 제1 추정부(210), 제2 추정부(220), 검증부(230), 통신부(240) 및 제어부(250)와 전반적으로 유사할 수 있다. 여기서, 애플리케이션은 그 적어도 일부가 필요에 따라 그것과 실질적으로 동일하거나 균등한 기능을 수행할 수 있는 하드웨어 장치나 펌웨어 장치로 치환될 수도 있다.
부정맥 추정 시스템의 구성
이하에서는, 본 발명의 구현을 위하여 중요한 기능을 수행하는 부정맥 추정 시스템(200)의 내부 구성과 각 구성요소의 기능에 대하여 살펴보기로 한다.
도 2는 본 발명의 일 실시예에 따른 부정맥 추정 시스템(200)의 내부 구성을 상세하게 도시하는 도면이다.
도 2에 도시된 바와 같이, 본 발명의 일 실시예에 따른 부정맥 추정 시스템(200)은 제1 추정부(210), 제2 추정부(220), 검증부(230), 통신부(240) 및 제어부(250)를 포함할 수 있다. 본 발명의 일 실시예에 따르면, 부정맥 추정 시스템(200)의 제1 추정부(210), 제2 추정부(220), 검증부(230), 통신부(240) 및 제어부(250)는 그 중 적어도 일부가 외부의 시스템(미도시됨)과 통신하는 프로그램 모듈일 수 있다. 이러한 프로그램 모듈은 운영 시스템, 응용 프로그램 모듈 또는 기타 프로그램 모듈의 형태로 부정맥 추정 시스템(200)에 포함될 수 있고, 물리적으로는 여러 가지 공지의 기억 장치에 저장될 수 있다. 또한, 이러한 프로그램 모듈은 부정맥 추정 시스템(200)과 통신 가능한 원격 기억 장치에 저장될 수도 있다. 한편, 이러한 프로그램 모듈은 본 발명에 따라 후술할 특정 업무를 수행하거나 특정 추상 데이터 유형을 실행하는 루틴, 서브루틴, 프로그램, 오브젝트, 컴포넌트, 데이터 구조 등을 포괄하지만, 이에 제한되지는 않는다.
한편, 부정맥 추정 시스템(200)에 관하여 위와 같이 설명되었으나, 이러한 설명은 예시적인 것이고, 부정맥 추정 시스템(200)의 구성요소 또는 기능 중 적어도 일부가 필요에 따라 디바이스(300) 또는 서버(미도시됨) 내에서 실현되거나 외부 시스템(미도시됨) 내에 포함될 수도 있음은 당업자에게 자명하다.
먼저, 본 발명의 일 실시예에 따른 제1 추정부(210)는 제1 인공 신경망을 이용하여 심전도 신호의 제1 구간에 포함된 비트 세그먼트에 대응되는 클래스를 추정하는 기능을 수행할 수 있다.
여기서, 본 발명의 일 실시예에 따른 제1 인공 신경망은 심전도 신호의 소정 구간에 포함된 비트 세그먼트(여기서, 비트 세그먼트는 심전도 신호에서 나타나는 QRS 파형(QRS complex)을 의미할 수 있음; 심전도 신호에서 비트 세그먼트를 검출하는 것은 제1 인공 신경망에 의해 이루어질 수도 있고, 제1 인공 신경망이 아닌 다른 수단 내지 방법에 의해 이루어질 수도 있음)가 제1 유형의 부정맥을 나타내는 클래스 중 어떠한 클래스에 대응되는지를 추정하도록 학습된 인공 신경망일 수 있다. 본 발명의 일 실시예에 따르면, 제1 유형의 부정맥에는 비트 세그먼트 단위로 추정할 수 있는 부정맥이 포함될 수 있는데, 예를 들어, 제1 유형의 부정맥에는 심방조기수축(Atrial Premature Contraction, APC), 심실조기수축(Ventricular Premature Contraction, VPC), 좌각차단(Left Bundle Branch Block, LBBB), 우각차단(Right Bundle Branch Block, RBBB) 등이 포함될 수 있다.
구체적으로, 본 발명의 일 실시예에 따른 제1 추정부(210)는, 제1 인공 신경망을 이용하여, 심전도 신호의 제1 구간에 포함된 적어도 하나의 비트 세그먼트가 제1 유형의 부정맥을 나타내는 클래스 중 어떠한 클래스에 대응되는지를 추정할 수 있고, 나아가 비트 세그먼트가 제1 유형의 부정맥을 나타내는 클래스 중 어느 클래스에도 대응되지 않는 경우에는 해당 비트 세그먼트에 대응되는 클래스가 정상 심전도를 나타내는 클래스인 것으로 추정할 수 있다.
예를 들어, 제1 인공 신경망에 심전도 신호가 입력되었다고 가정하여 보았을 때, 제1 추정부(210)는 제1 인공 신경망을 이용하여, 심전도 신호의 제1 구간에 포함된 다섯 개의 비트 세그먼트 중 네 번째 비트 세그먼트가 심방조기수축(APC)을 나타내는 클래스에 대응되는 것으로 추정할 수 있고, 심전도 신호의 제1 구간에 포함된 다섯 개의 비트 세그먼트 중 첫 번째 비트 세그먼트, 두 번째 비트 세그먼트, 세 번째 비트 세그먼트 및 다섯 번째 비트 세그먼트가 정상 심전도를 나타내는 클래스에 대응되는 것으로 추정할 수 있다.
한편, 본 발명의 일 실시예에 따르면, 제1 인공 신경망은 입력층(input layer), 은닉층(hidden layer) 및 출력층(output layer)을 포함하여 구성되는 것으로서, 합성곱 신경망(Convolutional Neural Network, CNN), 순환 신경망 (Recurrent Neural Network, RNN) 등으로 구현될 수 있으나, 반드시 이에 한정되는 것은 아니다.
다음으로, 본 발명의 일 실시예에 따른 제2 추정부(220)는 제2 인공 신경망을 이용하여 심전도 신호의 제1 구간에 대응되는 클래스를 추정하는 기능을 수행할 수 있다.
여기서, 본 발명의 일 실시예에 따른 제2 인공 신경망은 심전도 신호의 소정 구간이 제2 유형의 부정맥을 나타내는 클래스 중 어떠한 클래스에 대응되는지를 추정하도록 학습된 인공 신경망일 수 있다. 본 발명의 일 실시예에 따르면, 제2 유형의 부정맥에는 연속된 비트 세그먼트 간의 리듬 변화를 통해 추정할 수 있는 부정맥이 포함될 수 있는데, 예를 들어, 제2 유형의 부정맥에는 심방세동(Atrial Fibrillation, AFib), 발작성 상심실성빈맥(Paroxysmal Supraventricular Tachycardia, SVT), 방실차단(AV Block) 등이 포함될 수 있다.
구체적으로, 본 발명의 일 실시예에 따른 제2 추정부(220)는, 제2 인공 신경망을 이용하여, 심전도 신호의 제1 구간이 제2 유형의 부정맥을 나타내는 클래스 중 어떠한 클래스에 대응되는지를 추정할 수 있고, 나아가 제1 구간이 제2 유형의 부정맥을 나타내는 클래스 중 어느 클래스에도 대응되지 않는 경우에는 제1 구간에 대응되는 클래스가 정상 심전도를 나타내는 클래스인 것으로 추정할 수 있다.
예를 들어, 제2 인공 신경망에 심전도 신호가 입력되었다고 가정하여 보았을 때, 제2 추정부(220)는 제2 인공 신경망을 이용하여, 심전도 신호의 제1 구간이 심방세동(AFib)을 나타내는 클래스에 대응되는 것으로 추정하거나, 정상 심전도를 나타내는 클래스에 대응되는 것으로 추정할 수 있다.
한편, 본 발명의 일 실시예에 따르면, 제2 인공 신경망은 제1 인공 신경망과 병렬적으로 구성될 수 있고, 이와 같이 병렬적으로 구성된 제1 인공 신경망과 제2 인공 신경망에는 동일한 심전도 신호가 입력될 수 있다. 즉, 동일한 심전도 신호에 대해, 제1 인공 신경망은 해당 심전도 신호의 제1 구간에 포함된 비트 세그먼트가 제1 유형의 부정맥을 나타내는 클래스 중 어떠한 클래스에 대응되는지를 추정할 수 있고, 제2 인공 신경망은 해당 심전도 신호의 제1 구간이 제2 유형의 부정맥을 나타내는 클래스 중 어떠한 클래스에 대응되는지를 추정할 수 있다. 본 발명의 일 실시예에 따르면, 제2 인공 신경망은 제1 인공 신경망과 마찬가지로, 입력층, 은닉층 및 출력층을 포함하여 구성되는 것으로서, 합성곱 신경망(CNN), 순환 신경망(RNN) 등으로 구현될 수 있으나, 반드시 이에 한정되는 것은 아니다.
다음으로, 본 발명의 일 실시예에 따른 검증부(230)는 심전도 신호의 제1 구간에 포함된 비트 세그먼트에 대응되는 것으로 추정된 클래스와 심전도 신호의 제1 구간에 대응되는 것으로 추정된 클래스를 상호 간에 검증하는 기능을 수행할 수 있다.
본 발명의 일 실시예에 따르면, 심전도 신호의 제1 구간에 포함된 비트 세그먼트에 대응되는 것으로 추정된 클래스와 심전도 신호의 제1 구간에 대응되는 것으로 추정된 클래스가 서로 양립하지 않는 경우가 발생할 수 있다. 예를 들어, 심전도 신호에서는 심방세동(AFib)이 발생한 구간에서 심방조기수축(APC)이 나타날 수 없음에도 불구하고, 심전도 신호의 제1 구간에 대응되는 클래스가 심방세동(AFib)을 나타내는 클래스로 추정되고, 심전도 신호의 제1 구간에 포함된 비트 세그먼트에 대응되는 클래스가 심방조기수축(APC)을 나타내는 클래스로 추정되는 경우가 발생할 수 있다. 위의 경우와 같이, 심전도 신호의 제1 구간 또는 심전도 신호의 제1 구간에 포함된 비트 세그먼트에 대한 클래스 추정이 잘못 이루어질 수 있는데, 본 발명은 상호 검증 과정을 통해 이러한 오류를 해결할 수 있다.
구체적으로, 본 발명의 일 실시예에 따른 검증부(230)는 심전도 신호의 제1 구간에 포함된 비트 세그먼트에 대응되는 것으로 추정된 클래스와 심전도 신호의 제1 구간에 대응되는 것으로 추정된 클래스를 상호 간에 검증할 수 있고, 그 검증 결과에 따라 심전도 신호의 제1 구간에 포함된 비트 세그먼트 및 심전도 신호의 제1 구간 중 어느 하나에 대한 클래스 추정이 잘못 이루어진 것으로 판정되는 경우에는(즉, 심전도 신호의 제1 구간에 포함된 비트 세그먼트에 대응되는 것으로 추정된 클래스와 심전도 신호의 제1 구간에 대응되는 것으로 추정된 클래스가 서로 양립하지 않는 경우에는), 심전도 신호의 제1 구간에 포함된 비트 세그먼트에 대응되는 것으로 추정된 클래스와 심전도 신호의 제1 구간에 대응되는 것으로 추정된 클래스 중 어느 하나를 기준으로 다른 하나를 정정할 수 있다.
예를 들어, 도 3에 도시된 바와 같이, 제2 인공 신경망에 의해 심전도 신호의 제1 구간에 대응되는 클래스가 심방세동(AFib)을 나타내는 클래스로 추정되고(S100), 제1 인공 신경망에 의해 심전도 신호의 제1 구간에 포함된 19개의 비트 세그먼트 중 11개의 비트 세그먼트에 대응되는 클래스가 심방조기수축(APC)을 나타내는 클래스("S"로 표시됨)로 각각 추정되고 8개의 비트 세그먼트에 대응되는 클래스가 각각 정상 심전도를 나타내는 클래스("N"으로 표시됨)로 추정(S200)되었다고 가정하여 보았을 때, 검증부(230)는 심전도 신호의 제1 구간에 대응되는 것으로 추정된 클래스(즉, 심방세동(AFib)을 나타내는 클래스)를 기준으로 심전도 신호의 제1 구간에 포함된 19개의 비트 세그먼트 중 11개의 비트 세그먼트에 대응되는 것으로 추정된 클래스, 즉 심방조기수축(APC)을 나타내는 클래스를 정상 심전도를 나타내는 클래스로 정정(S → N)할 수 있다(S300).
다음으로, 본 발명의 일 실시예에 따른 통신부(240)는 제1 추정부(210), 제2 추정부(220) 및 검증부(230)로부터의/로의 데이터 송수신이 가능하도록 하는 기능을 수행할 수 있다.
마지막으로, 본 발명의 일 실시예에 따른 제어부(250)는 제1 추정부(210), 제2 추정부(220), 검증부(230) 및 통신부(240) 간의 데이터의 흐름을 제어하는 기능을 수행할 수 있다. 즉, 본 발명에 따른 제어부(250)는 부정맥 추정 시스템(200)의 외부로부터의/로의 데이터 흐름 또는 부정맥 추정 시스템(200)의 각 구성요소 간의 데이터 흐름을 제어함으로써, 제1 추정부(210), 제2 추정부(220), 검증부(230) 및 통신부(240)에서 각각 고유 기능을 수행하도록 제어할 수 있다.
이상 설명된 본 발명에 따른 실시예는 다양한 컴퓨터 구성요소를 통하여 실행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위하여 하나 이상의 소프트웨어 모듈로 변경될 수 있으며, 그 역도 마찬가지이다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항과 한정된 실시예 및 도면에 의하여 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위하여 제공된 것일 뿐, 본 발명이 상기 실시예에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정과 변경을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.

Claims (11)

  1. 복합 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법으로서,
    제1 인공 신경망을 이용하여 심전도 신호의 제1 구간에 포함된 비트 세그먼트에 대응되는 클래스를 추정하는 단계,
    제2 인공 신경망을 이용하여 상기 심전도 신호의 제1 구간에 대응되는 클래스를 추정하는 단계, 및
    상기 심전도 신호의 제1 구간에 포함된 비트 세그먼트에 대응되는 것으로 추정된 클래스와 상기 심전도 신호의 제1 구간에 대응되는 것으로 추정된 클래스를 상호 간에 검증하는 단계를 포함하는
    방법.
  2. 제1항에 있어서,
    상기 제1 인공 신경망과 상기 제2 인공 신경망은 병렬적으로 구성되고, 상기 제1 인공 신경망과 상기 제2 인공 신경망에는 동일한 심전도 신호가 입력되는
    방법.
  3. 제1항에 있어서,
    상기 제1 인공 신경망은 상기 심전도 신호의 제1 구간에 포함된 비트 세그먼트가 제1 유형의 부정맥을 나타내는 클래스 중 어떠한 클래스에 대응되는지를 추정할 수 있고,
    상기 제1 유형의 부정맥에는 비트 세그먼트 단위로 추정할 수 있는 부정맥이 포함되는
    방법.
  4. 제1항에 있어서,
    상기 제2 인공 신경망은 상기 심전도 신호의 제1 구간이 제2 유형의 부정맥을 나타내는 클래스 중 어떠한 클래스에 대응되는지를 추정할 수 있고,
    상기 제2 유형의 부정맥에는 연속된 비트 세그먼트 간의 리듬 변화를 통해 추정할 수 있는 부정맥이 포함되는
    방법.
  5. 제1항에 있어서,
    상기 검증 단계에서, 상기 심전도 신호의 제1 구간에 포함된 비트 세그먼트에 대응되는 것으로 추정된 클래스와 상기 심전도 신호의 제1 구간에 대응되는 것으로 추정된 클래스가 서로 양립하지 않는 것에 대응하여, 상기 심전도 신호의 제1 구간에 포함된 비트 세그먼트에 대응되는 것으로 추정된 클래스와 상기 심전도 신호의 제1 구간에 대응되는 것으로 추정된 클래스 중 어느 하나를 기준으로 다른 하나를 정정하는
    방법.
  6. 제1항에 따른 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 비일시성의 컴퓨터 판독 가능 기록 매체.
  7. 복합 인공 신경망을 이용하여 부정맥을 추정하기 위한 시스템으로서,
    제1 인공 신경망을 이용하여 심전도 신호의 제1 구간에 포함된 비트 세그먼트에 대응되는 클래스를 추정하는 제1 추정부,
    제2 인공 신경망을 이용하여 상기 심전도 신호의 제1 구간에 대응되는 클래스를 추정하는 제2 추정부, 및
    상기 심전도 신호의 제1 구간에 포함된 비트 세그먼트에 대응되는 것으로 추정된 클래스와 상기 심전도 신호의 제1 구간에 대응되는 것으로 추정된 클래스를 상호 간에 검증하는 검증부를 포함하는
    시스템.
  8. 제7항에 있어서,
    상기 제1 인공 신경망과 상기 제2 인공 신경망은 병렬적으로 구성되고, 상기 제1 인공 신경망과 상기 제2 인공 신경망에는 동일한 심전도 신호가 입력되는
    시스템.
  9. 제7항에 있어서,
    상기 제1 인공 신경망은 상기 심전도 신호의 제1 구간에 포함된 비트 세그먼트가 제1 유형의 부정맥을 나타내는 클래스 중 어떠한 클래스에 대응되는지를 추정할 수 있고,
    상기 제1 유형의 부정맥에는 비트 세그먼트 단위로 추정할 수 있는 부정맥이 포함되는
    시스템.
  10. 제7항에 있어서,
    상기 제2 인공 신경망은 상기 심전도 신호의 제1 구간이 제2 유형의 부정맥을 나타내는 클래스 중 어떠한 클래스에 대응되는지를 추정할 수 있고,
    상기 제2 유형의 부정맥에는 연속된 비트 세그먼트 간의 리듬 변화를 통해 추정할 수 있는 부정맥이 포함되는
    시스템.
  11. 제7항에 있어서,
    상기 검증부는, 상기 심전도 신호의 제1 구간에 포함된 비트 세그먼트에 대응되는 것으로 추정된 클래스와 상기 심전도 신호의 제1 구간에 대응되는 것으로 추정된 클래스가 서로 양립하지 않는 것에 대응하여, 상기 심전도 신호의 제1 구간에 포함된 비트 세그먼트에 대응되는 것으로 추정된 클래스와 상기 심전도 신호의 제1 구간에 대응되는 것으로 추정된 클래스 중 어느 하나를 기준으로 다른 하나를 정정하는
    시스템.
PCT/KR2023/012021 2022-08-30 2023-08-14 복합 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 WO2024049052A1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2024508976A JP2024535682A (ja) 2022-08-30 2023-08-14 複合人工ニューラルネットワークを利用して不整脈を推定するための方法、システムおよび非一過性のコンピュータ読み取り可能な記録媒体
US18/606,993 US20240215925A1 (en) 2022-08-30 2024-03-15 Method, system, and non-transitory computer-readable recording medium for estimating arrhythmia using composite artificial neural network

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020220109500A KR102549010B1 (ko) 2022-08-30 2022-08-30 복합 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
KR10-2022-0109500 2022-08-30

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US18/606,993 Continuation US20240215925A1 (en) 2022-08-30 2024-03-15 Method, system, and non-transitory computer-readable recording medium for estimating arrhythmia using composite artificial neural network

Publications (1)

Publication Number Publication Date
WO2024049052A1 true WO2024049052A1 (ko) 2024-03-07

Family

ID=86994094

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/012021 WO2024049052A1 (ko) 2022-08-30 2023-08-14 복합 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체

Country Status (4)

Country Link
US (1) US20240215925A1 (ko)
JP (1) JP2024535682A (ko)
KR (1) KR102549010B1 (ko)
WO (1) WO2024049052A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102549010B1 (ko) * 2022-08-30 2023-06-28 주식회사 휴이노 복합 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102163217B1 (ko) * 2018-06-14 2020-10-08 한국과학기술원 심층 컨볼루션 신경망을 이용한 심전도 부정맥 분류 방법 및 장치
KR20210064029A (ko) * 2019-11-25 2021-06-02 주식회사 휴이노 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
KR20220033083A (ko) * 2020-09-08 2022-03-16 주식회사 바디프랜드 Xai 딥러닝 기반 심장질환 진단 및 해석 시스템
KR20220108678A (ko) * 2021-01-27 2022-08-03 대구대학교 산학협력단 순환신경망 기반의 장단기 기억신경망을 통한 부정맥 분류 방법
KR102549010B1 (ko) * 2022-08-30 2023-06-28 주식회사 휴이노 복합 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102163217B1 (ko) * 2018-06-14 2020-10-08 한국과학기술원 심층 컨볼루션 신경망을 이용한 심전도 부정맥 분류 방법 및 장치
KR20210064029A (ko) * 2019-11-25 2021-06-02 주식회사 휴이노 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
KR20220033083A (ko) * 2020-09-08 2022-03-16 주식회사 바디프랜드 Xai 딥러닝 기반 심장질환 진단 및 해석 시스템
KR20220108678A (ko) * 2021-01-27 2022-08-03 대구대학교 산학협력단 순환신경망 기반의 장단기 기억신경망을 통한 부정맥 분류 방법
KR102549010B1 (ko) * 2022-08-30 2023-06-28 주식회사 휴이노 복합 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체

Also Published As

Publication number Publication date
JP2024535682A (ja) 2024-10-02
US20240215925A1 (en) 2024-07-04
KR102549010B1 (ko) 2023-06-28

Similar Documents

Publication Publication Date Title
WO2024049052A1 (ko) 복합 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
Gradl et al. Real-time ECG monitoring and arrhythmia detection using Android-based mobile devices
WO2021015570A1 (ko) 싱글리드 심전도 데이터를 이용하여 심장의 질병 유무를 판단하는 심전도 측정 시스템 및 그 방법
KR102141617B1 (ko) 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
WO2022145519A1 (ko) 딥러닝을 이용한 심전도 시각화 방법 및 장치
WO2022119155A1 (ko) 설명 가능한 다중 심전도 부정맥 진단 장치 및 방법
KR20140063100A (ko) 원격 심질환 관리 장치 및 방법
CN108968941B (zh) 一种心律失常检测方法、装置及终端
Vijayarangan et al. Interpreting deep neural networks for single-lead ECG arrhythmia classification
WO2022014941A1 (ko) 딥러닝을 기반으로 하는 심장 질병 분류 장치 및 그 방법
WO2023200280A1 (ko) 보정된 이미지 기반 심박 추정 방법 및 그 장치
WO2020091229A1 (ko) 인공 신경망을 이용하여 부정맥을 인식하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
WO2021096162A1 (ko) 심장신호 처리장치 및 방법, 이를 포함하는 모니터링 시스템
WO2023003236A1 (ko) 생체 신호 분석 모델의 학습 데이터를 관리하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
Strik et al. Artificial intelligence for detection of ventricular oversensing: Machine learning approaches for noise detection within nonsustained ventricular tachycardia episodes remotely transmitted by pacemakers and implantable cardioverter-defibrillators
Bridge et al. Artificial intelligence to detect abnormal heart rhythm from scanned electrocardiogram tracings
WO2022131698A1 (ko) 웨어러블 디바이스를 이용하여 생체 신호를 모니터링하기 위한 방법, 서버, 디바이스 및 비일시성의 컴퓨터 판독 가능 기록 매체
WO2022032947A1 (zh) 长程心电数据下快速标注方法及装置
WO2023182702A1 (ko) 디지털 병리이미지의 인공지능 진단 데이터 처리 장치 및 그 방법
WO2023287118A1 (ko) 생체 신호 분석 모델의 출력 데이터를 관리하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
KR102573416B1 (ko) 생체 신호 분석 모델의 출력 데이터를 관리하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
CN114631796A (zh) 基于人脸视频的房颤检测方法及系统
WO2024019575A1 (ko) 심전도를 이용한 건강 상태의 예측 방법, 프로그램 및 장치
WO2023146270A1 (ko) 디바이스의 무선 연동을 지원하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
WO2024049053A1 (ko) 클러스터링을 이용하여 생체 신호 분석을 지원하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2024508976

Country of ref document: JP

Kind code of ref document: A

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

Ref document number: 23860730

Country of ref document: EP

Kind code of ref document: A1