WO2024072102A1 - 레이더 기반 비접촉식 부정맥 감지 방법 및 장치 - Google Patents

레이더 기반 비접촉식 부정맥 감지 방법 및 장치 Download PDF

Info

Publication number
WO2024072102A1
WO2024072102A1 PCT/KR2023/015043 KR2023015043W WO2024072102A1 WO 2024072102 A1 WO2024072102 A1 WO 2024072102A1 KR 2023015043 W KR2023015043 W KR 2023015043W WO 2024072102 A1 WO2024072102 A1 WO 2024072102A1
Authority
WO
WIPO (PCT)
Prior art keywords
matrix
trajectory
trajectory matrix
equation
arrhythmia detection
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/KR2023/015043
Other languages
English (en)
French (fr)
Inventor
강시혁
신인식
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Korea Advanced Institute of Science and Technology KAIST
Seoul National University Hospital
Original Assignee
Korea Advanced Institute of Science and Technology KAIST
Seoul National University Hospital
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 KR1020230129639A external-priority patent/KR20240046070A/ko
Application filed by Korea Advanced Institute of Science and Technology KAIST, Seoul National University Hospital filed Critical Korea Advanced Institute of Science and Technology KAIST
Priority to AU2023352636A priority Critical patent/AU2023352636A1/en
Publication of WO2024072102A1 publication Critical patent/WO2024072102A1/ko
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

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
    • A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • A61B5/024—Measuring pulse rate or heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Measuring devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor or mobility of a limb
    • A61B5/113—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor or mobility of a limb occurring during breathing

Definitions

  • the disclosed embodiments relate to non-contact arrhythmia detection technology based on ultra-wideband radar.
  • Arrhythmia is a serious disease that is considered a major cause of sudden cardiac death and stroke, and prompt testing is required. Arrhythmias are diagnosed relying on electrocardiogram (ECG) and ultrasound.
  • ECG electrocardiogram
  • electrocardiograms use electrodes attached to the patient, which limits the patient's movement and can cause contact infectious diseases.
  • Ultrasound is an expensive device and must be handled by skilled medical staff.
  • UWB ultra-wideband
  • the disclosed embodiments are intended to provide a radar-based non-contact arrhythmia detection method and device.
  • An arrhythmia detection device includes one or more processors; and an arrhythmia detection device including a memory storing one or more programs executed by the one or more processors, wherein the one or more processors: acquire raw data of an ultra-wideband radar signal of a certain period reflected from the subject, and Generate a first trajectory matrix based on time series data converted from data, generate a second trajectory matrix by decomposing the first trajectory matrix, extract a cardiac signal by converting the second trajectory matrix, and extract the cardiac signal. If the specific wavelength interval is greater than a preset value, the subject is classified as an arrhythmia patient.
  • the one or more processors may: identify a chest wall location of the subject based on a maximum dynamic variation included in the raw data.
  • the one or more processors arrange the time series data as components of the first trajectory matrix based on the following [Equation 1] so that the components of the remaining diagonals perpendicular to the main diagonal of the first trajectory matrix are all the same.
  • a first trajectory matrix can be generated.
  • the one or more processors may: calculate the covariance matrix of the first trajectory matrix based on [Equation 2] below.
  • the one or more processors Based on a plurality of first decomposition matrices corresponding to the covariance matrix, which are calculated by performing Singular Value Decomposition (SVD) on the covariance matrix of the first trajectory matrix, 1
  • the trajectory matrix can be decomposed into a plurality of second decomposition matrices.
  • the one or more processors may: calculate the plurality of second decomposition matrices using the S matrix, U matrix, and V T matrix included in the plurality of first decomposition matrices based on [Equation 3] below.
  • the one or more processors select a preset number of some matrices from among the plurality of second decomposition matrices in order of size of the heart signal, and configure the frequency band so that the heart signal corresponding to the partial matrix satisfies a preset frequency band. Matrices other than the band may be filtered, and the second trajectory matrix may be generated based on the remaining matrices among the partial matrices after filtering.
  • the one or more processors may: reconstruct the heart signal extracted from the second trajectory matrix based on the following [Equation 4].
  • the one or more processors may classify the subject as an arrhythmia patient if the R peak interval in the heart signal is greater than or equal to a preset value.
  • An arrhythmia detection method includes one or more processors; and a memory storing one or more programs executed by the one or more processors, the method comprising: acquiring raw data of an ultra-wideband radar signal of a certain period reflected from a subject; generating a first trajectory matrix based on time series data converted from the raw data; generating a second trajectory matrix by decomposing the first trajectory matrix; converting the second trajectory matrix to extract a heart signal; and classifying the subject as an arrhythmia patient when a specific wavelength interval in the heart signal is greater than or equal to a preset value.
  • the method may further include: identifying the subject's chest wall location based on the maximum dynamic variation included in the raw data.
  • the step of generating the first trajectory matrix includes dividing the time series data into the first trajectory matrix based on the following [Equation 1] so that the components of the remaining diagonals perpendicular to the main diagonal of the first trajectory matrix are all the same. It may include generating the first trajectory matrix by arranging it as a component.
  • Generating the second trajectory matrix may include calculating a covariance matrix of the first trajectory matrix based on Equation 2 below.
  • the step of generating the second trajectory matrix includes a plurality of first decomposition matrices corresponding to the covariance matrix, which are calculated by performing singular value decomposition (SVD) on the covariance matrix of the first trajectory matrix. Based on this, it may include decomposing the first trajectory matrix into a plurality of second decomposition matrices.
  • first decomposition matrices corresponding to the covariance matrix, which are calculated by performing singular value decomposition (SVD) on the covariance matrix of the first trajectory matrix. Based on this, it may include decomposing the first trajectory matrix into a plurality of second decomposition matrices.
  • the step of generating the second trajectory matrix includes dividing the plurality of second decomposition matrices using the S matrix, U matrix, and V T matrix included in the plurality of first decomposition matrices, based on [Equation 3] below. It may include a calculating step.
  • Generating the second trajectory matrix may include selecting a preset number of matrices from among the plurality of second decomposition matrices in order of magnitude of the heart signal; filtering matrices other than the frequency band so that the heart signal corresponding to the partial matrix satisfies a preset frequency band; And the second trajectory matrix may be generated based on the remaining matrix after filtering among the partial matrices.
  • the step of extracting the heart signal may further include reconstructing the heart signal extracted from the second trajectory matrix based on the following [Equation 4].
  • the classifying step may include classifying the subject as an arrhythmia patient if the R peak interval in the heart signal is greater than or equal to a preset value.
  • the disclosed embodiments can provide a non-contact arrhythmia detection method by estimating an electrocardiogram signal from an ultra-wideband radar signal using a trajectory matrix.
  • the disclosed embodiments can provide a non-contact arrhythmia detection method that follows a traditional arrhythmia diagnosis method by determining the R peak interval among the estimated heart rate signals.
  • FIG. 1 is a block diagram illustrating an arrhythmia detection device according to an embodiment.
  • Figure 2 is an exemplary diagram showing the output of an arrhythmia detection device according to an embodiment
  • Figure 3 is a graph showing the performance of an arrhythmia detection device according to an embodiment
  • FIG. 4 is a flowchart illustrating an arrhythmia detection method according to an embodiment.
  • Figure 1 is a block diagram for explaining an arrhythmia detection device 100 according to an embodiment.
  • the arrhythmia detection device 100 includes a processor 110 and a memory 120.
  • the processor 110 acquires raw data of ultra-wideband radar signals of a certain period reflected from the subject.
  • ultra-wideband radar is a next-generation sensor that perceives the surrounding environment by transmitting an impulse signal from a transmitting antenna and receiving a signal from the receiving antenna that reflects the transmitted impulse signal back to the subject.
  • the processor 110 can acquire raw data of the ultra-wideband radar signal in impulse units transmitted by the ultra-wideband radar and reflected to the subject.
  • the raw data may consist of a frame signal including signal strength.
  • Processor 110 may identify the subject's chest wall location based on the maximum dynamic variation detected in the raw data.
  • the processor 110 may generate a first trajectory matrix based on time series data converted from raw data.
  • the time series data may be data converted from raw data related to the chest wall position.
  • the processor 110 may extract a heart signal by filtering noise unrelated to the heart signal (e.g., the subject's breathing, noise caused by the external environment) from the raw data.
  • the processor 110 may generate a first trajectory matrix by arranging time series data converted from raw data as elements of a matrix.
  • the processor 110 may generate a first trajectory matrix by arranging the time series data converted to raw data so that the components of the remaining diagonals perpendicular to the main diagonal of the matrix are all the same.
  • the processor 110 may arrange the time series data based on Equation 1 below so that the components of the remaining diagonals perpendicular to the main diagonal of the first trajectory matrix are all the same.
  • H is the first trajectory matrix
  • x a is the a-th time series data
  • L is the length of the time series data
  • n and m may be arbitrary natural numbers.
  • n L-m+1 and 2 ⁇ m ⁇ n.
  • the value of m is preferably [L/2].
  • the processor 110 generates a second trajectory matrix based on the first trajectory matrix.
  • the processor 110 may generate a second trajectory matrix based on the covariance matrix of the first trajectory matrix.
  • the processor 110 may calculate the covariance matrix of the first trajectory matrix based on Equation 2 below.
  • C may refer to the covariance matrix, H to the first trajectory matrix, H T to the transpose of the first trajectory matrix, and n to the number of time series data.
  • the processor 110 may generate a second trajectory matrix by performing singular value decomposition (SVD) on the covariance matrix of the first trajectory matrix.
  • SVD singular value decomposition
  • the processor 110 may generate a second trajectory matrix based on a plurality of first decomposition matrices calculated by performing singular value decomposition on the covariance matrix of the first trajectory matrix.
  • the processor 110 may calculate at least one of the S matrix, U matrix, V T matrix, and V matrix as the plurality of first decomposition matrices.
  • the S matrix is the eigenvalue of the covariance matrix ( , , , ) is a diagonal matrix arranged as the main diagonal component. At this time, unique values can be organized in descending order.
  • the U matrix is a left singular matrix, and each column vector can contain orthogonal vectors that capture patterns and correlations in the raw data.
  • the U matrix may include a normalized orthogonal eigenvector corresponding to the S matrix.
  • the V T matrix is the transpose of a right singular matrix and may include a right singular vector, which is an orthogonal vector that describes the relationship of raw data.
  • the processor 110 may calculate a plurality of second decomposition matrices that, when added, become the first decomposition matrix as a decomposition matrix of the first trajectory matrix based on the plurality of first decomposition matrices corresponding to the covariance matrix.
  • the processor 110 may decompose the first locus matrix into a plurality of second decomposition matrices using a plurality of first decomposition matrices.
  • the processor 110 may decompose the first trajectory matrix into a plurality of second decomposition matrices based on Equation 3 below.
  • i-th second decomposition matrix among the plurality of second decomposition matrices is the ith eigenvalue of the covariance matrix, is the ith column vector of the U matrix, may mean the i-th row vector of the V matrix.
  • the processor 110 generates a second trajectory matrix based on the first trajectory matrix.
  • the processor 110 may generate a second trajectory matrix as a decomposition matrix of the first trajectory matrix, that is, based on a plurality of second decomposition matrices.
  • the processor 110 may generate a second trajectory matrix based on some matrices selected from among the plurality of second decomposition matrices.
  • the processor 110 may select a preset number of matrices from among the plurality of second decomposition matrices, for example, in order of the size of the heart signal.
  • the processor 110 may filter some matrices so that the heart signal corresponding to some matrices satisfies a preset frequency band.
  • the frequency band may include a range from 0.7 Hz to 3 Hz, which is the common heartbeat frequency.
  • the processor 110 can improve the precision of the extracted heart signal by removing noise and outliers other than the heart frequency.
  • the processor 110 may generate a second trajectory matrix based on the remaining matrix after filtering among some matrices.
  • the processor 110 may generate a second trajectory matrix by adding up all remaining matrices.
  • Processor 110 extracts the heart signal based on the second trajectory matrix.
  • the processor 110 may extract a heart signal in the frequency domain by applying Fast Fourier Transformation to the second trajectory matrix.
  • the processor 110 may reconstruct the extracted heart signal based on [Equation 4] below.
  • k may be the number of heart signals
  • m and n may be the number of rows or columns of the first trajectory matrix
  • the processor 110 may classify the subject as an arrhythmia patient when a specific wavelength interval in the heart signal is greater than or equal to a preset value.
  • the processor 110 may classify the subject as an arrhythmia patient.
  • the processor 110 may classify the subject as an arrhythmia patient when the R peak interval or the standard deviation of the R peak interval in the heart signal is greater than or equal to a preset value.
  • Memory 120 stores one or more instructions that processor 110 executes.
  • Memory 120 may store various data used by processor 110.
  • memory 120 may include input data or output data for software (e.g., a program executed by processor 110 and/or instructions associated with the program).
  • Figure 2 is an exemplary diagram showing the output of the arrhythmia detection device 100 according to an embodiment.
  • the top shows the logarithm of the eigenvalues of the covariance matrix
  • the bottom shows the heart signal corresponding to the top.
  • the processor 110 may perform singular value decomposition on the covariance matrix to calculate eigenvalues of the corresponding raw data. At this time, for scaling, the processor 110 can show the distribution of eigenvalues by taking logarithms of eigenvalues.
  • the processor 110 may extract a heart signal based on the second trajectory matrix.
  • the processor 110 can identify heart signal characteristics by decomposing the frequency component using wavelets.
  • FIG. 3 is a graph showing the performance of the arrhythmia detection device 100 according to one embodiment.
  • the error between the arrhythmia detection device 100 according to one embodiment and the existing method of detecting arrhythmia using an electrocardiogram signal is compared.
  • the arrhythmia detection device 100 shows a coincidence rate of about 90% when compared to a conventional method of detecting arrhythmia using an electrocardiogram signal.
  • the arrhythmia detection device 100 is less than 0.5 based on IBI (Inter-Beat Interval) when compared to a method of detecting arrhythmia using a conventional electrocardiogram signal. It indicates that there is a correlation.
  • IBI Inter-Beat Interval
  • the arrhythmia detection device 100 can classify patients into normal people and arrhythmia patients based on characteristic values for IBI, similar to a method of detecting arrhythmia using existing electrocardiogram signals.
  • normal subjects classified according to the arrhythmia detection device 100 have an IBI standard value of 200 ms or less, and arrhythmia patients have an IBI standard value of more than 200 ms.
  • the arrhythmia detection device 100 may classify the subject as an arrhythmia patient based on whether the standard deviation of a specific wavelength interval exceeds a specific threshold (eg, 200 ms).
  • a specific threshold eg, 200 ms
  • Figure 4 is a flowchart for explaining an arrhythmia detection method according to an embodiment.
  • the method of FIG. 4 may be performed by the arrhythmia detection device 100 according to the embodiment of FIG. 1.
  • the arrhythmia detection device 100 acquires (410) raw data of ultra-wideband radar signals of a certain period reflected from the subject.
  • the arrhythmia detection device 100 generates a first trajectory matrix based on time series data converted from raw data (420).
  • the arrhythmia detection device 100 generates a second trajectory matrix based on the first trajectory matrix (430).
  • the arrhythmia detection device 100 extracts a heart signal based on the second trajectory matrix (440).
  • the arrhythmia detection device 100 determines whether a specific wavelength interval in the heart signal is greater than or equal to a preset value (450).
  • the arrhythmia detection device 100 classifies the subject as an arrhythmia patient when the specific wavelength interval in the heart signal is greater than a preset value (451).
  • the arrhythmia detection device 100 classifies the subject as an arrhythmia patient when the specific wavelength interval in the heart signal is less than a preset value (452).
  • the method is divided into a plurality of steps, but at least some of the steps are performed in a different order, combined with other steps, omitted, divided into detailed steps, or not shown. One or more steps may be added and performed.
  • Embodiments of the present invention may include a program for performing the methods described in this specification on a computer, and a computer-readable recording medium containing the program.
  • the computer-readable recording medium may include program instructions, local data files, local data structures, etc., singly or in combination.
  • the media may be those specifically designed and constructed for the present invention, or may be those commonly available 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, DVDs, and media specifically configured to store and perform program instructions such as ROM, RAM, flash memory, etc. Includes hardware devices.
  • Examples of the program may include not only machine language code such as that generated by a compiler, but also high-level language code that can be executed by a computer using an interpreter or the like.
  • a unit, etc. refers to a computer-related entity such as hardware, a combination of hardware and software, or software.
  • a radar-based non-contact arrhythmia detection method and device can be used in the digital medical industry by estimating an electrocardiogram signal from an ultra-wideband radar signal using a trajectory matrix.

Landscapes

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

Abstract

일 실시예에 따른 부정맥 감지 장치 및 방법이 개시된다. 일 실시예에 따른 부정맥 감지 장치는 하나 이상의 프로세서; 및 상기 하나 이상의 프로세서에 의해 실행되는 하나 이상의 프로그램을 저장하는 메모리를 구비하는 부정맥 감지 장치로서, 상기 하나 이상의 프로세서는: 피검자로부터 반사되는 일정 주기의 초광대역 레이더 신호의 원시 데이터를 획득하고, 상기 원시 데이터에서 변환되는 시계열 데이터에 기초하여 제1 궤적 행렬을 생성하고, 상기 제1 궤적 행렬을 분해하여 제2 궤적 행렬을 생성하고, 상기 제2 궤적 행렬을 변환하여 심장 신호를 추출하고, 상기 심장 신호에서 특정 파장 간격이 기 설정된 값 이상인 경우, 상기 피검자를 부정맥 환자로 분류한다.

Description

레이더 기반 비접촉식 부정맥 감지 방법 및 장치
개시되는 실시예들은 초광대역 레이더 기반의 비접촉식 부정맥 감지 기술에 관한 것이다.
[관련 출원의 상호 참조]
본 출원은 2022년 9월 30일에 출원된 대한민국 임시 특허 출원 제10-2022-0125497호 및 2023년 9월 26일 출원된 대한민국 특허출원 제10-2023-0129639호에 대한 우선권을 주장하며, 그 출원 내용 전체가 본 출원에 통합된다.
부정맥은 심장돌연사 원인 및 뇌졸중의 주요 원인으로 꼽히는 중대한 질환으로 신속한 검사가 필요하다. 부정맥은 심전도(electrocardiogram; ECG)와 초음파에 의존하여 진단된다.
그러나, 심전도는 환자에게 부착된 전극으로 환자의 움직임을 제한하고, 접촉성 감염 질환을 유발할 수 있다. 초음파는 고가의 장비로서, 숙련된 의료진에 의해 다뤄져야만 한다.
상기 문제점을 해결하고자 일부 연구에서는 부정맥 감지 방법에 초광대역(Ultra-WideBand; UWB) 기술을 접목한다. 그러나, 일부 연구는 심장 박동 수 또는 심장 박동 사이의 시간 차이를 측정하여 부정맥을 추정한다.
즉, 현재 연구들은 전통적인 방식을 벗어나 UWB 기술에 접목하기 위해 변형된 단순화 방식을 채택할 뿐이다. 전통적인 방식으로는, R 피크 간격, P파 특성, PR 간격 및 QRS 간격을 분석함으로써 부정맥을 검출하기 때문이다.
일부 심전도 파형의 특징들은 심장의 전기적 특성을 고려해야 하므로, 심전도 측정이 불가피하다. 그러나, R 피크 간격의 경우에는 UWB 기술을 통해서 검출 가능함에도 불구하고, 관련된 연구가 존재하지 않는다.
즉, 현재 도출된 기존 연구들에도 불구하고, 전통적인 부정맥 검출 방식을 답습하면서도, 측정 기기의 단점을 극복할 수 있는 새로운 부정맥 검출 방식이 여전히 필요한 실정이다.
개시되는 실시예들은 레이더 기반 비접촉식 부정맥 감지 방법 및 장치를 제공하기 위한 것이다.
일 실시예에 따른 부정맥 감지 장치는 하나 이상의 프로세서; 및 상기 하나 이상의 프로세서에 의해 실행되는 하나 이상의 프로그램을 저장하는 메모리를 구비하는 부정맥 감지 장치로서, 상기 하나 이상의 프로세서는: 피검자로부터 반사되는 일정 주기의 초광대역 레이더 신호의 원시 데이터를 획득하고, 상기 원시 데이터에서 변환되는 시계열 데이터에 기초하여 제1 궤적 행렬을 생성하고, 상기 제1 궤적 행렬을 분해하여 제2 궤적 행렬을 생성하고, 상기 제2 궤적 행렬을 변환하여 심장 신호를 추출하고, 상기 심장 신호에서 특정 파장 간격이 기 설정된 값 이상인 경우, 상기 피검자를 부정맥 환자로 분류한다.
상기 하나 이상의 프로세서는: 상기 원시 데이터에 포함되는 최대 동적 변동에 기초하여 상기 피검자의 흉벽 위치를 식별할 수 있다.
상기 하나 이상의 프로세서는: 상기 제1 궤적 행렬의 주대각선에 수직하는 나머지 대각선들의 성분이 모두 동일하도록, 상기 시계열 데이터를 하기 [수학식 1]에 기초하여 상기 제1 궤적 행렬의 성분으로 배치함으로써 상기 제1 궤적 행렬을 생성할 수 있다.
[수학식 1]
Figure PCTKR2023015043-appb-img-000001
(여기서, H는 제1 궤적 행렬, xa는 a번째 시계열 데이터, L은 시계열 데이터의 길이, n과 m은 임의의 자연수, 단, n=L-m+1이고, 2≤m≤n)
상기 하나 이상의 프로세서는: 상기 제1 궤적 행렬의 공분산 행렬을 하기 [수학식 2]에 기초하여 산출할 수 있다.
[수학식 2]
Figure PCTKR2023015043-appb-img-000002
(여기서, C는 상기 공분산 행렬, H는 상기 제1 궤적 행렬, HT는 상기 제1 궤적 행렬의 전치, n은 상기 시계열 데이터의 수)
상기 하나 이상의 프로세서는: 상기 제1 궤적 행렬의 공분산 행렬에 특이값 분해(Singular Value Decomposition; SVD)를 수행하면 산출되는, 상기 공분산 행렬에 대응하는 복수의 제1 분해 행렬들에 기초하여, 상기 제1 궤적 행렬을 복수의 제2 분해 행렬들로 분해할 수 있다.
상기 하나 이상의 프로세서는: 상기 복수의 제1 분해 행렬들에 포함되는 S 행렬 U 행렬 및 VT 행렬을 이용하여 상기 복수의 제2 분해 행렬들을 하기 [수학식 3]에 기초하여 산출할 수 있다.
[수학식 3]
Figure PCTKR2023015043-appb-img-000003
(여기서,
Figure PCTKR2023015043-appb-img-000004
는 상기 복수의 제2 분해 행렬 중 i번째 제2 분해 행렬,
Figure PCTKR2023015043-appb-img-000005
는 상기 공분산 행렬의 i번째 고유값,
Figure PCTKR2023015043-appb-img-000006
는 상기 U 행렬의 i번째 열 벡터,
Figure PCTKR2023015043-appb-img-000007
는 V 행렬의 i번째 행 벡터)
상기 하나 이상의 프로세서는: 상기 복수의 제2 분해 행렬들 중 일부 행렬을 심장 신호의 크기 순으로 기 설정된 개수만큼 선택하고, 상기 일부 행렬에 대응하는 심장 신호가 기 설정된 주파수 대역을 만족하도록, 상기 주파수 대역 이외의 행렬을 필터링하고, 상기 일부 행렬 중 필터링하고 남은 나머지 행렬에 기초하여 상기 제2 궤적 행렬을 생성할 수 있다.
상기 하나 이상의 프로세서는: 상기 제2 궤적 행렬로부터 추출된 심장 신호를 하기 [수학식 4]에 기초하여 재구성할 수 있다.
[수학식 4]
Figure PCTKR2023015043-appb-img-000008
(여기서,
Figure PCTKR2023015043-appb-img-000009
는 재구성 된 k번째 심장 신호, k는 심장 신호의 개수, m과 n은 상기 궤적 행렬의 행 또는 열의 개수)
상기 하나 이상의 프로세서는: 상기 심장 신호에서 R 피크 간격이 기 설정된 값 이상이면, 상기 피검자를 부정맥 환자로 분류할 수 있다.
일 실시예에 따른 부정맥 감지 방법은 하나 이상의 프로세서; 및 상기 하나 이상의 프로세서에 의해 실행되는 하나 이상의 프로그램을 저장하는 메모리를 구비하는 부정맥 감지 장치에 의해 수행되는 방법으로서, 피검자로부터 반사되는 일정 주기의 초광대역 레이더 신호의 원시 데이터를 획득하는 단계; 상기 원시 데이터에서 변환되는 시계열 데이터에 기초하여 제1 궤적 행렬을 생성하는 단계; 상기 제1 궤적 행렬을 분해하여 제2 궤적 행렬을 생성하는 단계; 상기 제2 궤적 행렬을 변환하여 심장 신호를 추출하는 단계; 및 상기 심장 신호에서 특정 파장 간격이 기 설정된 값 이상인 경우, 상기 피검자를 부정맥 환자로 분류하는 단계를 포함한다.
상기 방법은: 상기 원시 데이터에 포함되는 최대 동적 변동에 기초하여 상기 피검자의 흉벽 위치를 식별하는 단계를 더 포함할 수 있다.
상기 제1 궤적 행렬을 생성하는 단계는, 상기 제1 궤적 행렬의 주대각선에 수직하는 나머지 대각선들의 성분이 모두 동일하도록, 상기 시계열 데이터를 하기 [수학식 1]에 기초하여 상기 제1 궤적 행렬의 성분으로 배치함으로써 상기 제1 궤적 행렬을 생성하는 단계를 포함할 수 있다.
[수학식 1]
Figure PCTKR2023015043-appb-img-000010
(여기서, H는 제1 궤적 행렬, xa는 a번째 시계열 데이터, L은 시계열 데이터의 길이, n과 m은 임의의 자연수, 단, n=L-m+1이고, 2≤m≤n)
상기 제2 궤적 행렬을 생성하는 단계는, 상기 제1 궤적 행렬의 공분산 행렬을 하기 [수학식 2]에 기초하여 산출하는 단계를 포함할 수 있다.
[수학식 2]
Figure PCTKR2023015043-appb-img-000011
(여기서, C는 상기 공분산 행렬, H는 상기 제1 궤적 행렬, HT는 상기 제1 궤적 행렬의 전치, n은 상기 시계열 데이터의 수)
상기 제2 궤적 행렬을 생성하는 단계는, 상기 제1 궤적 행렬의 공분산 행렬에 특이값 분해(Singular Value Decomposition; SVD)를 수행하면 산출되는, 상기 공분산 행렬에 대응하는 복수의 제1 분해 행렬들에 기초하여, 상기 제1 궤적 행렬을 복수의 제2 분해 행렬들로 분해하는 단계를 포함할 수 있다.
상기 제2 궤적 행렬을 생성하는 단계는, 상기 복수의 제1 분해 행렬들에 포함되는 S 행렬 U 행렬 및 VT 행렬을 이용하여 상기 복수의 제2 분해 행렬들을 하기 [수학식 3]에 기초하여 산출하는 단계를 포함할 수 있다.
[수학식 3]
Figure PCTKR2023015043-appb-img-000012
(여기서,
Figure PCTKR2023015043-appb-img-000013
는 상기 복수의 제2 분해 행렬 중 i번째 제2 분해 행렬,
Figure PCTKR2023015043-appb-img-000014
는 상기 공분산 행렬의 i번째 고유값,
Figure PCTKR2023015043-appb-img-000015
는 상기 U 행렬의 i번째 열 벡터,
Figure PCTKR2023015043-appb-img-000016
는 상기 V 행렬의 i번째 행 벡터)
상기 제2 궤적 행렬을 생성하는 단계는, 상기 복수의 제2 분해 행렬들 중 일부 행렬을 심장 신호의 크기 순으로 기 설정된 개수만큼 선택하는 단계; 상기 일부 행렬에 대응하는 심장 신호가 기 설정된 주파수 대역을 만족하도록, 상기 주파수 대역 이외의 행렬을 필터링하는 단계; 및 상기 일부 행렬 중 필터링하고 남은 나머지 행렬에 기초하여 상기 제2 궤적 행렬을 생성할 수 있다.
상기 심장 신호를 추출하는 단계는, 상기 제2 궤적 행렬로부터 추출된 심장 신호를 하기 [수학식 4]에 기초하여 재구성하는 단계를 더 포함할 수 있다.
[수학식 4]
Figure PCTKR2023015043-appb-img-000017
(여기서,
Figure PCTKR2023015043-appb-img-000018
는 재구성 된 k번째 심장 신호, k는 심장 신호의 개수, m과 n은 상기 궤적 행렬의 행 또는 열의 개수)
상기 분류하는 단계는, 상기 심장 신호에서 R 피크 간격이 기 설정된 값 이상이면, 상기 피검자를 부정맥 환자로 분류하는 단계를 포함할 수 있다.
개시되는 실시예들은 궤적 행렬을 이용하여 초광대역 레이더 신호로부터 심전도 신호를 추정함으로써, 비접촉식 부정맥 감지 방법을 제공할 수 있다.
개시되는 실시예들은 추정된 심정도 신호 중 R 피크 간격을 판단함으로써, 전통적인 부정맥 진단 방식을 따르는 비접촉식 부정맥 검출 방법을 제공할 수 있다.
도 1은 일 실시예에 따른 부정맥 감지 장치를 설명하기 위한 블록도
도 2는 일 실시예에 따른 부정맥 감지 장치의 산출물을 도시한 예시도
도 3은 일 실시예에 따른 부정맥 감지 장치의 성능을 도시하는 그래프
도 4는 일 실시예에 따른 부정맥 감지 방법을 설명하기 위한 흐름도
이하, 도면을 참조하여 일 실시예의 구체적인 실시형태를 설명하기로 한다. 이하의 상세한 설명은 본 명세서에서 기술된 센서에 대한 포괄적인 이해를 돕기 위해 제공된다. 그러나 이는 예시에 불과하며 본 발명은 이에 제한되지 않는다.
일 실시예들을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 일 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 또한, 실시예의 설명 과정에서 이용되는 숫자(예를 들어, 제 1, 제 2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.
도 1은 일 실시예에 따른 부정맥 감지 장치(100)를 설명하기 위한 블록도이다.
도 1을 참조하면, 일 실시예에 따른 부정맥 감지 장치(100)는 프로세서(110) 및 메모리(120)를 포함한다.
프로세서(110)는 피검자로부터 반사되는 일정 주기의 초광대역 레이더 신호의 원시 데이터를 획득한다.
여기서, 초광대역 레이더란, 송신 안테나로부터 임펄스 신호를 송신하고, 송신된 임펄스 신호가 피검자에 반사되어 돌아오는 신호를 다시 수신 안테나로부터 수신함으로써 주변 환경을 인지하는 차세대 센서이다.
즉, 프로세서(110)는 초광대역 레이더가 송신하여 피검자에게 반사되는 임펄스 단위의 초광대역 레이더 신호의 원시 데이터를 획득할 수 있다. 이때, 원시 데이터는 신호 강도를 포함하는 프레임 신호로 구성될 수 있다.
프로세서(110)는 원시 데이터에서 검출되는 최대 동적 변동에 기초하여 피검자의 흉벽 위치를 식별할 수 있다.
프로세서(110)는 원시 데이터에서 변환되는 시계열 데이터에 기초하여 제1 궤적 행렬을 생성할 수 있다.
이때, 시계열 데이터는 흉벽 위치와 관련된 원시 데이터로부터 변환된 데이터일 수 있다. 이로부터, 프로세서(110)는 원시 데이터로부터 심장 신호와 관련 없는 노이즈(예: 피검자의 호흡, 외부 환경에 의한 노이즈)를 필터링하여 심장 신호를 추출할 수 있다.
프로세서(110)는 원시 데이터에서 변환되는 시계열 데이터를 행렬의 성분으로 배치하여 제1 궤적 행렬을 생성할 수 있다.
구체적으로, 프로세서(110)는 원시 데이터에 변환되는 시계열 데이터를 행렬의 주대각선에 수직하는 나머지 대각선들의 성분이 모두 동일하도록 배치하여 제1 궤적 행렬을 생성할 수 있다.
예를 들어, 프로세서(110)는 제1 궤적 행렬의 주대각선에 수직하는 나머지 대각선들의 성분이 모두 동일하도록 시계열 데이터를 하기 [수학식 1]에 기초하여 배치할 수 있다.
[수학식 1]
Figure PCTKR2023015043-appb-img-000019
여기서, H는 제1 궤적 행렬, xa는 a번째 시계열 데이터, L은 시계열 데이터의 길이, n과 m은 임의의 자연수를 의미할 수 있다. 단, n=L-m+1이고, 2≤m≤n이다. 한편, m은 [L/2] 값이 바람직하다.
프로세서(110)는 제1 궤적 행렬에 기초하여 제2 궤적 행렬을 생성한다.
프로세서(110)는 제1 궤적 행렬의 공분산 행렬에 기초하여 제2 궤적 행렬을 생성할 수 있다.
우선적으로, 프로세서(110)는 하기 [수학식 2]에 기초하여 제1 궤적 행렬의 공분산 행렬을 산출할 수 있다.
[수학식 2]
Figure PCTKR2023015043-appb-img-000020
이때, C는 공분산 행렬, H는 제1 궤적 행렬, HT는 제1 궤적 행렬의 전치, n은 시계열 데이터의 수를 의미할 수 있다.
프로세서(110)는 제1 궤적 행렬의 공분산 행렬에 특이값 분해(Singular Value Decomposition; SVD)를 수행하여 제2 궤적 행렬을 생성할 수 있다.
프로세서(110)는 제1 궤적 행렬의 공분산 행렬에 특이값 분해를 수행하여 산출한 복수의 제1 분해 행렬들에 기초하여 제2 궤적 행렬을 생성할 수 있다.
구체적으로, 프로세서(110)는 복수의 제1 분해 행렬들로서, S 행렬, U 행렬, VT 행렬 및 V 행렬 중 적어도 하나를 산출할 수 있다.
여기서, S 행렬은 공분산 행렬의 고유 값(
Figure PCTKR2023015043-appb-img-000021
,
Figure PCTKR2023015043-appb-img-000022
,
Figure PCTKR2023015043-appb-img-000023
,
Figure PCTKR2023015043-appb-img-000024
)이 주대각 성분으로 배치되는 대각 행렬이다. 이때, 고유 값은 내림차순으로 정리될 수 있다.
U 행렬은 좌특이행렬(left singular matrix)로서, 각 열 벡터에는 원시 데이터의 패턴과 상관 관계를 캡쳐하는 직교 벡터를 포함할 수 있다. 이때, U 행렬은 S 행렬에 대응하는 정규화된 직교 고유 벡터를 포함할 수 있다.
VT 행렬은 우특이행렬(right singular matrix)의 전치로서, 원시 데이터의 관계를 설명하는 직교 벡터인 우특이벡터를 포함할 수 있다.
프로세서(110)는 공분산 행렬에 대응하는 복수의 제1 분해 행렬들에 기초하여 제1 궤적 행렬의 분해 행렬로서, 합산하면 제1 분해 행렬이 되는 복수의 제2 분해 행렬들을 산출할 수 있다.
다시 말해, 프로세서(110)는 복수의 제1 분해 행렬들을 이용하여, 제1 궤적 행렬을 복수의 제2 분해 행렬들로 분해할 수 있다.
구체적으로, 프로세서(110)는 하기 [수학식 3]에 기초하여 제1 궤적 행렬을 복수의 제2 분해 행렬들로 분해할 수 있다.
[수학식 3]
Figure PCTKR2023015043-appb-img-000025
여기서,
Figure PCTKR2023015043-appb-img-000026
는 상기 복수의 제2 분해 행렬 중 i번째 제2 분해 행렬,
Figure PCTKR2023015043-appb-img-000027
는 상기 공분산 행렬의 i번째 고유값,
Figure PCTKR2023015043-appb-img-000028
는 상기 U 행렬의 i번째 열 벡터,
Figure PCTKR2023015043-appb-img-000029
는 상기 V 행렬의 i번째 행 벡터를 의미할 수 있다.
프로세서(110)는 제1 궤적 행렬에 기초하여 제2 궤적 행렬을 생성한다.
프로세서(110)는 제1 궤적 행렬의 분해 행렬로서, 다시 말해, 복수의 제2 분해 행렬들에 기초하여 제2 궤적 행렬을 생성할 수 있다.
구체적으로, 프로세서(110)는 복수의 제2 분해 행렬 중 선택된 일부 행렬들에 기초하여 제2 궤적 행렬을 생성할 수 있다.
이때, 프로세서(110)는 예를 들어, 심장 신호의 크기 순으로 복수의 제2 분해 행렬들 중 일부 행렬을 기 설정된 개수만큼 선택할 수 있다.
이후, 프로세서(110)는 일부 행렬에 대응하는 심장 신호가 기 설정된 주파수 대역을 만족하도록, 일부 행렬을 필터링할 수 있다.
바람직하게, 주파수 대역은 보편적인 심장 박동의 주파수인 0.7Hz 이상 3Hz 이하의 범위를 포함할 수 있다.
이를 통해, 프로세서(110)는 심장 주파수 외의 노이즈와 아웃라이어 등을 제거하여 추출되는 심장 신호의 정밀도를 제고할 수 있다.
이후, 프로세서(110)는 일부 행렬 중 필터링하고 남은 나머지 행렬에 기초하여 제2 궤적 행렬을 생성할 수 있다.
구체적으로, 프로세서(110)는 나머지 행렬을 모두 합산하여 제2 궤적 행렬을 생성할 수 있다.
프로세서(110)는 제2 궤적 행렬에 기초하여 심장 신호를 추출한다.
예를 들어, 프로세서(110)는 제2 궤적 행렬에 고속 푸리에 변환(Fast Fourier Transformation)을 적용하여 주파수 영역의 심장 신호를 추출할 수 있다.
프로세서(110)는 추출된 심장 신호를 하기 [수학식 4]에 기초하여 재구성할 수 있다.
[수학식 4]
Figure PCTKR2023015043-appb-img-000030
여기서,
Figure PCTKR2023015043-appb-img-000031
는 재구성 된 k번째 심장 신호, k는 심장 신호의 개수, m과 n은 제1 궤적 행렬의 행 또는 열의 개수를 의미할 수 있다.
프로세서(110)는 심장 신호에서 특정 파장 간격이 기 설정된 값 이상인 경우, 피검자를 부정맥 환자로 분류할 수 있다.
프로세서(110)는 심장 신호에서 특정 파장 간격의 표준 편차가 기 설정된 값 이상인 경우, 피검자를 부정맥 환자로 분류할 수 있다.
특히, 프로세서(110)는 심장 신호에서 R 피크 간격 또는 R 피크 간격의 표준 편차가 기 설정된 값 이상인 경우 피검자를 부정맥 환자로 분류할 수 있다.
메모리(120)는 프로세서(110)가 실행하는 하나 이상의 명령어를 저장한다.
메모리(120)는 프로세서(110)에 의해 사용되는 다양한 데이터를 저장할 수 있다. 예를 들어, 메모리(120)는 소프트웨어(예: 프로세서(110)에 의해 실행되는 프로그램 및/또는 프로그램과 관련된 명령어에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다.
도 2는 일 실시예에 따른 부정맥 감지 장치(100)의 산출물을 도시한 예시도
도 2를 참조하면, 상단은 공분산 행렬의 고유값의 로그 값을 도시하고, 하단은 상단에 대응하는 심장 신호를 도시한다.
상단과 같이, 프로세서(110)는 공분산 행렬에 특이값 분해를 수행하여 대응하는 원시 데이터의 고유 값을 산출할 수 있다. 이때, 스케일링을 위해 프로세서(110)는 고유 값에 로그를 취해 고유 값의 분포를 도시할 수 있다.
하단과 같이, 프로세서(110)는 제2 궤적 행렬에 기초하여 심장 신호를 추출할 수 있다. 여기서, 프로세서(110)는 웨이블릿을 이용하여 주파수 성분을 분해하여 심장 신호 특징을 파악할 수 있다.
도 3은 일 실시예에 따른 부정맥 감지 장치(100)의 성능을 도시하는 그래프이다.
도 3을 참조하면, 일 실시예에 따른 부정맥 감지 장치(100)와 기존의 심전도 신호를 이용해 부정맥을 감지하는 방법과의 오차를 비교한다.
심박수와 관련하여, 일 실시예에 따른 부정맥 감지 장치(100)는 기존의 심전도 신호를 이용해 부정맥을 감지하는 방법과 대비할 때, 약 90%의 일치율을 나타낸다.
ICC와 관련하여, 일 실시예에 따른 부정맥 감지 장치(100)는 기존의 심전도 신호를 이용해 부정맥을 감지하는 방법과 대비할 때, IBI(심장이 뛰는 간격; Inter-Beat Interval)를 기준으로 0.5 미만에서 상관관계가 있음을 나타낸다.
특히, 일 실시예에 따른 부정맥 감지 장치(100)는 기존의 심전도 신호를 이용해 부정맥을 감지하는 방법과 유사하게 IBI에 대한 특징 값을 기준으로 정상인과 부정맥 환자로 분류할 수 있다.
기존 심전도를 이용해 부정맥을 감지하는 방법에 따라 분류되는 정상 피검자는 IBI 표준 값이 105ms이하이고, 부정맥 환자는 105ms를 초과한다.
유사하게, 일 실시예에 따른 부정맥 감지 장치(100)에 따라 분류되는 정상 피검자는 IBI 표준 값이 200ms이하이고, 부정맥 환자는 200ms를 초과한다.
이처럼, 일 실시예에 따른 부정맥 감지 장치(100)는 특정한 파장 간격의 표준 편차가 특정 임계 값(예를 들어, 200ms)를 초과하는지 여부에 기초하여 피검자에 대하여 부정맥 환자 여부를 분류할 수 있다.
도 4는 일 실시예에 따른 부정맥 감지 방법을 설명하기 위한 흐름도이다.
도 4를 참조하면, 도 4의 방법은 도 1의 일 실시예에 따른 부정맥 감지 장치(100)에 의해 수행될 수 있다.
우선, 일 실시예에 따른 부정맥 감지 장치(100)는 피검자로부터 반사되는 일정 주기의 초광대역 레이더 신호의 원시 데이터를 획득(410)한다.
이후, 일 실시예에 따른 부정맥 감지 장치(100)는 원시 데이터에서 변환되는 시계열 데이터에 기초하여 제1 궤적 행렬을 생성(420)한다.
이후, 일 실시예에 따른 부정맥 감지 장치(100)는 제1 궤적 행렬에 기초하여 제2 궤적 행렬을 생성(430)한다.
이후, 일 실시예에 따른 부정맥 감지 장치(100)는 제2 궤적 행렬에 기초하여 심장 신호를 추출(440)한다.
이후, 일 실시예에 따른 부정맥 감지 장치(100)는 심장 신호에서 특정 파장 간격이 기 설정된 값 이상인지 판단(450)한다.
이때, 일 실시예에 따른 부정맥 감지 장치(100)는 심장 신호에서 특정 파장 간격이 기 설정된 값 이상인 경우, 피검자를 부정맥 환자로 분류(451)한다.
한편, 일 실시예에 따른 부정맥 감지 장치(100)는 심장 신호에서 특정 파장 간격이 기 설정된 값 미만인 경우, 피검자를 부정맥 환자로 분류(452)한다.
도시된 도 4에서는 상기 방법을 복수 개의 단계로 나누어 기재하였으나, 적어도 일부의 단계들은 순서를 바꾸어 수행되거나, 다른 단계와 결합되어 함께 수행되거나, 생략되거나, 세부 단계들로 나뉘어 수행되거나, 또는 도시되지 않은 하나 이상의 단계가 부가되어 수행될 수 있다.
본 발명의 실시예는 본 명세서에서 기술한 방법들을 컴퓨터상에서 수행하기 위한 프로그램, 및 상기 프로그램을 포함하는 컴퓨터 판독 가능 기록매체를 포함할 수 있다. 상기 컴퓨터 판독 가능 기록매체는 프로그램 명령, 로컬 데이터 파일, 로컬 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나, 또는 컴퓨터 소프트웨어 분야에서 통상적으로 사용 가능한 것일 수 있다. 컴퓨터 판독 가능 기록매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광 기록 매체, 및 롬, 램, 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 상기 프로그램의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함할 수 있다.
이상에서 본 발명의 대표적인 실시예들을 상세하게 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 청구범위뿐만 아니라 이 청구범위와 균등한 것들에 의해 정해져야 한다.
후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 상세한 설명에서 사용되는 용어는 단지 일 실시예들을 기술하기 위한 것이며, 결코 제한적이어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 성분들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 성분, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하도록 해석되어서는 안 된다.
또한, 본 명세서에 기술된 실시예는 전적으로 하드웨어이거나, 부분적으로 하드웨어이고 부분적으로 소프트웨어이거나, 또는 전적으로 소프트웨어인 측면을 가질 수 있다. 본 명세서에서 부(unit) 등은 하드웨어, 하드웨어와 소프트웨어의 조합, 또는 소프트웨어 등 컴퓨터 관련 엔티티(entity)를 지칭한다.
일 실시예에 따른 레이더 기반 비접촉식 부정맥 감지 방법 및 장치는 궤적 행렬을 이용하여 초광대역 레이더 신호로부터 심전도 신호를 추정함으로써, 디지털 의료 산업에 이용 가능하다.

Claims (18)

  1. 하나 이상의 프로세서; 및
    상기 하나 이상의 프로세서에 의해 실행되는 하나 이상의 프로그램을 저장하는 메모리를 구비하는 부정맥 감지 장치로서,
    상기 하나 이상의 프로세서는:
    피검자로부터 반사되는 일정 주기의 초광대역 레이더 신호의 원시 데이터를 획득하고,
    상기 원시 데이터에서 변환되는 시계열 데이터에 기초하여 제1 궤적 행렬을 생성하고,
    상기 제1 궤적 행렬을 분해하여 제2 궤적 행렬을 생성하고,
    상기 제2 궤적 행렬을 변환하여 심장 신호를 추출하고,
    상기 심장 신호에서 특정 파장 간격이 기 설정된 값 이상인 경우, 상기 피검자를 부정맥 환자로 분류하는, 부정맥 감지 장치.
  2. 제1항에 있어서,
    상기 하나 이상의 프로세서는:
    상기 원시 데이터에 포함되는 최대 동적 변동에 기초하여 상기 피검자의 흉벽 위치를 식별하는, 부정맥 감지 장치.
  3. 제1항에 있어서,
    상기 하나 이상의 프로세서는:
    상기 제1 궤적 행렬의 주대각선에 수직하는 나머지 대각선들의 성분이 모두 동일하도록, 상기 시계열 데이터를 하기 [수학식 1]에 기초하여 상기 제1 궤적 행렬의 성분으로 배치함으로써 상기 제1 궤적 행렬을 생성하는, 부정맥 감지 장치.
    [수학식 1]
    Figure PCTKR2023015043-appb-img-000032
    (여기서, H는 제1 궤적 행렬, xa는 a번째 시계열 데이터, L은 시계열 데이터의 길이, n과 m은 임의의 자연수, 단, n=L-m+1이고, 2≤m≤n)
  4. 제1항에 있어서,
    상기 하나 이상의 프로세서는:
    상기 제1 궤적 행렬의 공분산 행렬을 하기 [수학식 2]에 기초하여 산출하는, 부정맥 감지 장치.
    [수학식 2]
    Figure PCTKR2023015043-appb-img-000033
    (여기서, C는 상기 공분산 행렬, H는 상기 제1 궤적 행렬, HT는 상기 제1 궤적 행렬의 전치, n은 상기 시계열 데이터의 수)
  5. 제1항에 있어서,
    상기 하나 이상의 프로세서는:
    상기 제1 궤적 행렬의 공분산 행렬에 특이값 분해(Singular Value Decomposition; SVD)를 수행하면 산출되는, 상기 공분산 행렬에 대응하는 복수의 제1 분해 행렬들에 기초하여, 상기 제1 궤적 행렬을 복수의 제2 분해 행렬들로 분해하는, 부정맥 감지 장치.
  6. 제5항에 있어서,
    상기 하나 이상의 프로세서는:
    상기 복수의 제1 분해 행렬들에 포함되는 S 행렬 U 행렬 및 VT 행렬을 이용하여 상기 복수의 제2 분해 행렬들을 하기 [수학식 3]에 기초하여 산출하는, 부정맥 감지 장치.
    [수학식 3]
    Figure PCTKR2023015043-appb-img-000034
    (여기서,
    Figure PCTKR2023015043-appb-img-000035
    는 상기 복수의 제2 분해 행렬들 중 i번째 제2 분해 행렬,
    Figure PCTKR2023015043-appb-img-000036
    는 상기 공분산 행렬의 i번째 고유값,
    Figure PCTKR2023015043-appb-img-000037
    는 상기 U 행렬의 i번째 열 벡터,
    Figure PCTKR2023015043-appb-img-000038
    는 V 행렬의 i번째 행 벡터)
  7. 제5항에 있어서,
    상기 하나 이상의 프로세서는:
    상기 복수의 제2 분해 행렬들 중 일부 행렬을 심장 신호의 크기 순으로 기 설정된 개수만큼 선택하고,
    상기 일부 행렬에 대응하는 심장 신호가 기 설정된 주파수 대역을 만족하도록, 상기 주파수 대역 이외의 행렬을 필터링하고,
    상기 일부 행렬 중 필터링하고 남은 나머지 행렬에 기초하여 상기 제2 궤적 행렬을 생성하는, 부정맥 감지 장치.
  8. 제1항에 있어서,
    상기 하나 이상의 프로세서는:
    상기 제2 궤적 행렬로부터 추출된 심장 신호를 하기 [수학식 4]에 기초하여 재구성하는, 부정맥 감지 장치.
    [수학식 4]
    Figure PCTKR2023015043-appb-img-000039
    (여기서,
    Figure PCTKR2023015043-appb-img-000040
    는 재구성 된 k번째 심장 신호, k는 심장 신호의 개수, m과 n은 상기 궤적 행렬의 행 또는 열의 개수)
  9. 제1항에 있어서,
    상기 하나 이상의 프로세서는:
    상기 심장 신호에서 R 피크 간격이 기 설정된 값 이상이면, 상기 피검자를 부정맥 환자로 분류하는, 부정맥 감지 장치.
  10. 하나 이상의 프로세서; 및
    상기 하나 이상의 프로세서에 의해 실행되는 하나 이상의 프로그램을 저장하는 메모리를 구비하는 부정맥 감지 장치에 의해 수행되는 방법으로서,
    피검자로부터 반사되는 일정 주기의 초광대역 레이더 신호의 원시 데이터를 획득하는 단계;
    상기 원시 데이터에서 변환되는 시계열 데이터에 기초하여 제1 궤적 행렬을 생성하는 단계;
    상기 제1 궤적 행렬을 분해하여 제2 궤적 행렬을 생성하는 단계;
    상기 제2 궤적 행렬을 변환하여 심장 신호를 추출하는 단계; 및
    상기 심장 신호에서 특정 파장 간격이 기 설정된 값 이상인 경우, 상기 피검자를 부정맥 환자로 분류하는 단계를 포함하는, 부정맥 감지 방법.
  11. 제10항에 있어서,
    상기 방법은:
    상기 원시 데이터에 포함되는 최대 동적 변동에 기초하여 상기 피검자의 흉벽 위치를 식별하는 단계를 더 포함하는, 부정맥 감지 방법.
  12. 제10항에 있어서,
    상기 제1 궤적 행렬을 생성하는 단계는,
    상기 제1 궤적 행렬의 주대각선에 수직하는 나머지 대각선들의 성분이 모두 동일하도록, 상기 시계열 데이터를 하기 [수학식 1]에 기초하여 상기 제1 궤적 행렬의 성분으로 배치함으로써 상기 제1 궤적 행렬을 생성하는 단계를 포함하는, 부정맥 감지 방법.
    [수학식 1]
    Figure PCTKR2023015043-appb-img-000041
    (여기서, H는 제1 궤적 행렬, xa는 a번째 시계열 데이터, L은 시계열 데이터의 길이, n과 m은 임의의 자연수, 단, n=L-m+1이고, 2≤m≤n)
  13. 제10항에 있어서,
    상기 제2 궤적 행렬을 생성하는 단계는,
    상기 제1 궤적 행렬의 공분산 행렬을 하기 [수학식 2]에 기초하여 산출하는 단계를 포함하는, 부정맥 감지 방법.
    [수학식 2]
    Figure PCTKR2023015043-appb-img-000042
    (여기서, C는 상기 공분산 행렬, H는 상기 제1 궤적 행렬, HT는 상기 제1 궤적 행렬의 전치, n은 상기 시계열 데이터의 수)
  14. 제10항에 있어서,
    상기 제2 궤적 행렬을 생성하는 단계는,
    상기 제1 궤적 행렬의 공분산 행렬에 특이값 분해(Singular Value Decomposition; SVD)를 수행하면 산출되는, 상기 공분산 행렬에 대응하는 복수의 제1 분해 행렬들에 기초하여, 상기 제1 궤적 행렬을 복수의 제2 분해 행렬들로 분해하는 단계를 포함하는, 부정맥 감지 방법.
  15. 제14항에 있어서,
    상기 제2 궤적 행렬을 생성하는 단계는,
    상기 복수의 제1 분해 행렬들에 포함되는 S 행렬 U 행렬 및 VT 행렬을 이용하여 상기 복수의 제2 분해 행렬들을 하기 [수학식 3]에 기초하여 산출하는 단계를 포함하는, 부정맥 감지 방법.
    [수학식 3]
    Figure PCTKR2023015043-appb-img-000043
    (여기서,
    Figure PCTKR2023015043-appb-img-000044
    는 상기 복수의 제2 분해 행렬들 중 i번째 제2 분해 행렬,
    Figure PCTKR2023015043-appb-img-000045
    는 상기 공분산 행렬의 i번째 고유값,
    Figure PCTKR2023015043-appb-img-000046
    는 상기 U 행렬의 i번째 열 벡터,
    Figure PCTKR2023015043-appb-img-000047
    는 V 행렬의 i번째 행 벡터)
  16. 제14항에 있어서,
    상기 제2 궤적 행렬을 생성하는 단계는,
    상기 복수의 제2 분해 행렬들 중 일부 행렬을 심장 신호의 크기 순으로 기 설정된 개수만큼 선택하는 단계;
    상기 일부 행렬에 대응하는 심장 신호가 기 설정된 주파수 대역을 만족하도록, 상기 주파수 대역 이외의 행렬을 필터링하는 단계; 및
    상기 일부 행렬 중 필터링하고 남은 나머지 행렬에 기초하여 상기 제2 궤적 행렬을 생성하는 단계를 포함하는, 부정맥 감지 방법.
  17. 제10항에 있어서,
    상기 심장 신호를 추출하는 단계는,
    상기 제2 궤적 행렬로부터 추출된 심장 신호를 하기 [수학식 4]에 기초하여 재구성하는 단계를 더 포함하는, 부정맥 감지 방법.
    [수학식 4]
    Figure PCTKR2023015043-appb-img-000048
    (여기서,
    Figure PCTKR2023015043-appb-img-000049
    는 재구성 된 k번째 심장 신호, k는 심장 신호의 개수, m과 n은 상기 궤적 행렬의 행 또는 열의 개수)
  18. 제10항에 있어서,
    상기 분류하는 단계는,
    상기 심장 신호에서 R 피크 간격이 기 설정된 값 이상이면, 상기 피검자를 부정맥 환자로 분류하는 단계를 포함하는, 부정맥 감지 방법.
PCT/KR2023/015043 2022-09-30 2023-09-27 레이더 기반 비접촉식 부정맥 감지 방법 및 장치 Ceased WO2024072102A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
AU2023352636A AU2023352636A1 (en) 2022-09-30 2023-09-27 Radar-based non-contact arrhythmia detection method and device

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR20220125497 2022-09-30
KR10-2022-0125497 2022-09-30
KR1020230129639A KR20240046070A (ko) 2022-09-30 2023-09-26 레이더 기반 비접촉식 부정맥 감지 방법 및 장치
KR10-2023-0129639 2023-09-26

Publications (1)

Publication Number Publication Date
WO2024072102A1 true WO2024072102A1 (ko) 2024-04-04

Family

ID=90478742

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/015043 Ceased WO2024072102A1 (ko) 2022-09-30 2023-09-27 레이더 기반 비접촉식 부정맥 감지 방법 및 장치

Country Status (2)

Country Link
AU (1) AU2023352636A1 (ko)
WO (1) WO2024072102A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130045613A (ko) * 2011-10-26 2013-05-06 한국표준과학연구원 비침습적 심근 전기활동 매핑 방법
US20150112220A1 (en) * 2013-10-23 2015-04-23 King Abdullah University Of Science And Technology Apparatus and method for wireless monitoring using ultra-wideband frequencies
KR20190082532A (ko) * 2018-01-02 2019-07-10 한양대학교 산학협력단 Uwb 레이더를 이용하는 부정맥 진단 방법 및 장치
US20190282178A1 (en) * 2018-03-16 2019-09-19 Zoll Medical Corporation Monitoring physiological status based on bio-vibrational and radio frequency data analysis
KR20210066332A (ko) * 2019-11-28 2021-06-07 재단법인대구경북과학기술원 타겟의 생체 정보 결정 방법 및 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130045613A (ko) * 2011-10-26 2013-05-06 한국표준과학연구원 비침습적 심근 전기활동 매핑 방법
US20150112220A1 (en) * 2013-10-23 2015-04-23 King Abdullah University Of Science And Technology Apparatus and method for wireless monitoring using ultra-wideband frequencies
KR20190082532A (ko) * 2018-01-02 2019-07-10 한양대학교 산학협력단 Uwb 레이더를 이용하는 부정맥 진단 방법 및 장치
US20190282178A1 (en) * 2018-03-16 2019-09-19 Zoll Medical Corporation Monitoring physiological status based on bio-vibrational and radio frequency data analysis
KR20210066332A (ko) * 2019-11-28 2021-06-07 재단법인대구경북과학기술원 타겟의 생체 정보 결정 방법 및 장치

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"Thesis", 1 August 2022, KOREA ADVANCED INSTITUTE OF SCIENCE AND TECHNOLOGY: DEPARTMENT OF COMPUTER SCIENCE, Korea, article LEE, SANGMIN: "Radar-based non-contact arrhythmia detection", pages: 1 - 24, XP009564293 *

Also Published As

Publication number Publication date
AU2023352636A1 (en) 2025-05-15

Similar Documents

Publication Publication Date Title
US5282474A (en) Method and system for the evaluation and visual display of abnormal electromagnetic physiological activity of the brain and the heart
CN113901893B (zh) 基于多重级联深度神经网络的心电信号的识别与分类方法
US5029082A (en) Correlative analysis in multi-domain processing of cardiac signals
US5560367A (en) Method for high-resolution spectral analysis in multi channel observations using a singular valve decomposition (SVD) matrix technique
WO2019216504A1 (ko) 인간 감정 인식을 위한 딥 생리적 정서 네트워크를 이용한 인간 감정 추정 방법 및 그 시스템
EP3801238A1 (en) Detecting abnormalities in ecg signals
WO2018135692A1 (ko) 동작 인식 및 제어를 위한 웨어러블 장치 및 이를 이용한 동작 인식 제어 방법
WO2020005027A1 (ko) 웨어러블 디바이스를 이용하는 심전도 측정 방법 및 시스템
WO2020009387A1 (ko) 순환신경망을 이용한 구간혈압 추정 방법 및 그 방법을 구현하기 위한 구간 혈압 추정 장치
DE69216904D1 (de) Verfahren und Gerät zur Analyse der Potentialverteilung mittels einer Elektrodenanordnung
WO2021107309A1 (ko) 뇌파 분석과 관련된 관심 구간을 뇌파 신호에서 레이블링하는 방법 및 이를 수행하는 뇌파 분석 시스템
WO2021096162A1 (ko) 심장신호 처리장치 및 방법, 이를 포함하는 모니터링 시스템
WO2021162488A2 (ko) 질환을 예측하는 방법 및 이를 수행하는 장치
WO2019103186A1 (ko) 뇌파 분석을 통한 뇌 나이 추정 방법 및 시스템
WO2022270755A1 (ko) 결측 심전도 신호 재생성 장치 및 방법
KR20240046070A (ko) 레이더 기반 비접촉식 부정맥 감지 방법 및 장치
WO2024072102A1 (ko) 레이더 기반 비접촉식 부정맥 감지 방법 및 장치
WO2019143196A1 (ko) 인공 신경망 생성 장치 및 심실 부정맥 예측 장치
Cao Analysis of the quasi-brain-death EEG data based on a robust ICA approach
WO2009110051A1 (ja) 胎動時にも有効なオンライン生体信号処理方法およびその装置
US6117074A (en) Method conducted in a computer for classification of a time series having a prescribable number of samples
WO2019103188A1 (ko) 뇌파 분석을 통한 외상성 뇌손상 평가 시스템 및 방법
WO2025121492A1 (ko) 중추신경계 이상 탐지 방법
WO2024010422A1 (ko) 생체 신호 데이터 품질 판단 장치 및 방법
WO2023080697A1 (ko) 심장 신호 분할 방법 및 이를 이용한 심장 신호 분할용 디바이스

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: 23873211

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: AU2023352636

Country of ref document: AU

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2023352636

Country of ref document: AU

Date of ref document: 20230927

Kind code of ref document: A

122 Ep: pct application non-entry in european phase

Ref document number: 23873211

Country of ref document: EP

Kind code of ref document: A1