WO2024085306A1 - 변이형 오토인코더를 이용하여 결정된 기준 범위로 심전도 신호를 분류하는 심전도 신호 처리 방법, 심전도 신호 처리 장치 및 컴퓨터 프로그램 - Google Patents

변이형 오토인코더를 이용하여 결정된 기준 범위로 심전도 신호를 분류하는 심전도 신호 처리 방법, 심전도 신호 처리 장치 및 컴퓨터 프로그램 Download PDF

Info

Publication number
WO2024085306A1
WO2024085306A1 PCT/KR2022/019820 KR2022019820W WO2024085306A1 WO 2024085306 A1 WO2024085306 A1 WO 2024085306A1 KR 2022019820 W KR2022019820 W KR 2022019820W WO 2024085306 A1 WO2024085306 A1 WO 2024085306A1
Authority
WO
WIPO (PCT)
Prior art keywords
ecg
electrocardiogram
signal processing
encoder
processing
Prior art date
Application number
PCT/KR2022/019820
Other languages
English (en)
French (fr)
Inventor
장윤정
이미란
윤남경
안슬기
강정규
Original Assignee
(의)삼성의료재단
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 (의)삼성의료재단 filed Critical (의)삼성의료재단
Publication of WO2024085306A1 publication Critical patent/WO2024085306A1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/7221—Determining signal validity, reliability or quality
    • 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
    • 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

  • Embodiments of the present disclosure relate to an ECG signal processing method, an ECG signal processing device, and a computer program for classifying an ECG signal into a reference range determined using a variant autoencoder.
  • Arrhythmia is a condition in which the heart beats abnormally fast, slow, or irregularly.
  • the normal pulse rate is 60-100 beats per minute. If the pulse rate is less than 50 beats per minute, it is called “bradycardia,” and if it is more than 100 beats per minute, it is called “tachycardia.”
  • electrocardiography is used to diagnose arrhythmia. Depending on the type of arrhythmia, symptoms may appear immediately, but since they often appear intermittently and then disappear on their own, an accurate diagnosis may be difficult with only a short-term electrocardiogram test.
  • arrhythmia is dangerous because if not detected and treated in time, it can cause stroke, cardiac arrest, or even lead to death, so early diagnosis and management are most important.
  • Embodiments disclosed herein may provide an apparatus and method for classifying ECG signals using a variational autoencoder (VAE) and processing the classified ECG signals in different ways.
  • VAE variational autoencoder
  • a method includes: receiving, by an electrocardiogram signal processing device, electrocardiogram signals from a plurality of electrocardiogram measurement devices through a network; The ECG signal processing device inputting the ECG signals into a variant autoencoder to obtain a learned ECG processing model; receiving, by the electrocardiogram signal processing device, data including a first electrocardiogram signal from a first electrocardiogram measurement device; The ECG signal processing device inputting the first ECG signal to an encoder of the ECG processing model to calculate a first output value; determining, by the ECG signal processing device, whether the first output value is within a reference range of the encoder; and the ECG signal processing device, if the first output value is within the reference range of the encoder, processes the first ECG signal using a first processing method, and if not, processes the first ECG signal using a second processing method. It may include a processing step.
  • the step of obtaining the learned ECG processing model further includes classifying the ECG signals into a plurality of groups, inputting the ECG signals included in each group into a variant autoencoder, and calculating output values of each group. can do.
  • the reference range of the encoder may be greater than -1500.
  • the ECG processing model includes an encoder and a decoder, and may be characterized in that it outputs a marginal likelihood value as an output value of the encoder.
  • Processing using the first processing method may mean inputting the first ECG signal to a decoder of the ECG processing model.
  • Processing with the second processing method may mean processing the first ECG signal with a traditional noise removal method.
  • An ECG signal processing device includes a computer-readable memory and one or more processors, wherein the processor receives ECG signals from a plurality of ECG measurement devices through a network, and the ECG signal input to a variant autoencoder to obtain a learned ECG processing model, receive data including a first ECG signal from a first ECG measurement device, and send the first ECG signal to the encoder of the ECG processing model. input, calculate a first output value, determine whether the first output value is within the reference range of the encoder, and if the first output value is within the reference range of the encoder, send the first ECG signal to the first ECG signal. processing method, and if not, the first ECG signal may be processed using a second processing method.
  • the processor may classify the ECG signals into a plurality of groups, input the ECG signals included in each group to a variational autoencoder, and calculate output values of each group.
  • the reference range of the encoder may be greater than -1500.
  • the ECG processing model includes an encoder and a decoder, and may be characterized in that it outputs a marginal likelihood value as an output value of the encoder.
  • Processing using the first processing method may mean inputting the first ECG signal to a decoder of the ECG processing model.
  • Processing with the second processing method may mean processing the first ECG signal with a traditional noise removal method.
  • a computer program according to an embodiment of the present invention may be stored in a medium to execute any one of the methods according to an embodiment of the present invention using a computer.
  • a method and device can be proposed for classifying the input ECG signal based on a reference value determined using a variant encoder and processing the classified ECG signals in different ways. there is.
  • FIG. 1 is a diagram of a network environment of an ECG processing system according to embodiments of the present disclosure.
  • FIG. 2 is a block diagram of an ECG signal processing device 10 according to embodiments of the present disclosure.
  • FIG. 3 is a block diagram of the signal processing unit 140.
  • Figure 4 is a diagram explaining the structure of a variant autoencoder.
  • Figure 5 is a flowchart of a method for generating an ECG processing model using a variant autoencoder according to embodiments of the present disclosure.
  • FIG. 6 is a flowchart of a method for determining how to process an ECG signal, according to embodiments of the present disclosure.
  • first and second are used not in a limiting sense but for the purpose of distinguishing one component from another component.
  • a specific process sequence may be performed differently from the described sequence.
  • two processes described in succession may be performed substantially at the same time, or may be performed in an order opposite to that in which they are described.
  • FIG. 1 is a diagram of a network environment of an ECG processing system according to embodiments of the present disclosure.
  • the ECG processing system may include an ECG signal processing device 10 and an ECG measurement device 20.
  • the ECG signal processing device 10 can generate a variational autoencoder (VAE) using a plurality of ECG signals.
  • the ECG signal used to generate a variable autoencoder (VAE) is a lead 1 signal, which may be data measured for 10 seconds at 500 Hertz (Hz), but is not limited to this and can be various lead signals or various time lengths. You can.
  • a variant autoencoder (VAE) can be created by inputting about 1,094,000 electrocardiogram signals.
  • the ECG signal processing device 10 can be used to process a newly measured ECG signal using a variable autoencoder (VAE).
  • VAE variable autoencoder
  • the ECG signal processing device 10 can input a new ECG signal to a variational autoencoder (VAE) and determine a method of processing the ECG signal.
  • VAE variational autoencoder
  • the ECG signal processing device 10 processes the first ECG signal using the first processing method, and 1 If the output value is below the reference value, the first ECG signal can be processed using the second processing method.
  • the ECG signal processing device 10 may determine heart disease information related to the subject from the ECG signal processed by the first or second processing method.
  • the ECG signal processing device 10 can receive ECG signals through networks such as mobile communication, Wi-Fi, LTE, 5G, and 6G.
  • the ECG signal processing device 10 can generate a variant autoencoder using the received ECG signal.
  • the ECG signal processing device 10 may input the received ECG signal to a variant autoencoder, return an output value, and process the ECG signal based on the output value.
  • the electrocardiogram measurement device 20 refers to a device that measures electrocardiogram signals. Examples of the ECG measurement device 20 may include an ECG patch, an ECG wearable device, a home ECG measurement device, a portable ECG measurement device, a medical ECG measurement device, and a smartwatch.
  • the ECG measurement device 20 may transmit the measured ECG signal to the ECG signal processing device 10.
  • the ECG signal processing device 10 may be implemented as a single device or may be implemented distributedly across a plurality of devices.
  • the electrocardiogram measuring device 20 may be singular as shown in FIG. 1, but is not limited thereto and may be provided in plural numbers.
  • the ECG signal processing device 10 may receive ECG signals from a plurality of ECG measurement devices.
  • FIG. 2 is a block diagram of an ECG signal processing device 10 according to embodiments of the present disclosure.
  • the ECG signal processing device 10 may include a processor 110, a memory 120, a communication unit 130, and a signal processing unit 140.
  • the processor 110 may be implemented with one or more processors and configured to process instructions of a computer program by performing basic arithmetic, logic, and input/output operations. Commands may be provided to the processor 110 by a storage medium or the communication unit 130.
  • the processor 110 may be configured to execute received instructions according to program codes stored in the signal processing unit 140 or a recording device such as a storage medium.
  • Memory 120 may be a non-permanent mass storage device, such as random access memory (RAM), read only memory (ROM), and a disk drive.
  • the signal processing unit 140 may be a computer-readable recording medium such as a floppy drive, disk, tape, DVD/CD-ROM drive, or memory card.
  • the communication unit 130 may provide a function for communicating with an external device through a network.
  • the communication unit 130 may obtain an ECG signal and transmit the ECG signal according to instructions of the signal processing unit 140.
  • the ECG signal processing device 10 may further include a non-permanent mass storage device such as random access memory (RAM), read only memory (ROM), and a disk drive, which are computer-readable recording media.
  • a non-permanent mass storage device such as random access memory (RAM), read only memory (ROM), and a disk drive, which are computer-readable recording media.
  • RAM random access memory
  • ROM read only memory
  • disk drive which are computer-readable recording media.
  • the signal processing unit 140 may include an encoder generating unit 141, a data receiving unit 142, a data classifying unit 143, and a noise removing unit 144.
  • the encoder generator 141 can input a plurality of ECG signals into a variant autoencoder and train it.
  • the variant autoencoder generates an encoder that outputs a probabilistic value as a result of learning.
  • the encoder generator 141 may classify a plurality of ECG signals into two or more groups and train the encoder. For example, first output values obtained by inputting the first group of ECG signals to the encoder and second output values obtained by inputting the second group of ECG signals to the encoder may be calculated. Based on the difference between the first output values and the second output values, a reference value for determining a method of processing the ECG signal can be set.
  • the reference value can be determined as a range, such as greater than -1500, but is not limited to this and can be set to various values and ranges.
  • a reference value for determining how to process the ECG signal may be set by distinguishing between the range of first output values (average value, moving average value, etc.) and the range of second output values (average value, moving average value, etc.).
  • the first group of ECG signals and the second group of ECG signals can be classified into the presence or absence of a predetermined heart disease.
  • a group without arrhythmia may be classified as a first group, and a group with arrhythmia may be classified as a second group.
  • the group without atrial fibrillation may be classified as a first group, and the group without atrial fibrillation may be classified as a second group.
  • the ECG processing model generated by the variant autoencoder may include an encoder and a decoder. As shown in FIG. 4, when input (x) is input to the ECG processing model generated by the variant autoencoder, the encoder can output p(x). p(x) may be the marginal likelihood of the ECG signal.
  • the data classification unit 143 may classify the input ECG signal (x) using the output value (p(x)) of the encoder of the ECG processing model.
  • the data receiver 142 may receive an electrocardiogram signal from an electrocardiogram measurement device. At this time, data including an electrocardiogram signal, information about the measurement device, information about the measurement object, information about the measurement time, etc. may be received. Information about the measuring device may include the manufacturer's name, manufacturing date, product name, and software version information at the time of measurement. Information about the measurement object may include information about the object being measured. Software version information at the time of measurement may include the version of software installed in the measurement device.
  • the data classification unit 143 may calculate an output value by inputting the received ECG signal into a model generated by a variational autoencoder.
  • the data classification unit 143 may classify the ECG signal based on the output value of the ECG signal. It may be determined whether the output value is greater than the reference value.
  • the reference value is a value determined in the process of training the variant autoencoder, and may be a value that can be changed as the learning process is repeated by continuously inputting ECG signals.
  • the noise removal unit 144 may process the ECG signal using the first processing method to remove noise. If the output value is below the reference value, the noise removal unit 144 may process the ECG signal using a second processing method to remove noise.
  • the reference value may be set as a reference range. When the output value of the encoder of the ECG signal is within the reference range, the noise removal unit 144 processes the ECG signal using the first processing method, and when the output value is outside the reference range, the ECG signal is processed using the second processing method. It can be handled.
  • the first processing method may be processed through a decoder of an ECG processing model. That is, the ECG signal to be processed by the first processing method can be input to the ECG processing model to obtain an output.
  • the second processing method may refer to processing the ECG signal using a traditional rule-based noise removal method rather than using a decoder of the ECG processing model.
  • the noise removal unit 144 may facilitate analysis of the ECG signal by removing noise that may be present in the ECG signal.
  • Noise that may be included in the ECG signal is power-line interference noise, baseline wander, frequency noise, muscle noise and interference with impulse character, electrode popup or May include contact noise, patient electrode motion artifact, and instrumentation noise.
  • As noise removal methods to remove baseline wandering, ensemble averaging, linear interpolation, and digital narrow-band linear-phase filter are used. filter), etc.
  • To remove frequency noise there may be a wavelet coefficient threshold base hyper shrinkage function, a subtraction procedure, etc.
  • To remove muscle noise there may be a Wiener filtering (Muscle noise), a median filter (Impulsive noise), etc. This is just one example and various noise removal methods can be used.
  • the ECG signal processing device 10 can determine a method of processing the ECG signal using the reference range determined through the variant autoencoder. If processed using the processing method determined in this way, it can be judged to be effective in removing noise of electrode popup or contact noise and patient electrode motion artifact.
  • Figure 5 is a flowchart of a method for generating an ECG processing model using a variant autoencoder according to embodiments of the present disclosure.
  • the ECG signal processing device 10 may receive ECG signals measured by the ECG measurement device of the first manufacturer.
  • the ECG signal processing device 10 may generate an encoder by inputting the ECG signal of the first manufacturer into a variant autoencoder.
  • the ECG signal processing device 10 repeats the processes of S110 and S120 to receive ECG signals and input them to the variant autoencoder, thereby learning the ECG processing model.
  • the ECG signal processing device 10 can train encoders and decoders included in the ECG processing model by classifying them by manufacturer.
  • the ECG processing model may include one or more encoders and one or more decoders.
  • an unsupervised learning process capable of processing electrocardiogram signals can be performed.
  • an ECG processing model that can process newly measured ECG signals can be created.
  • FIG. 6 is a flowchart of a method for determining how to process an ECG signal, according to embodiments of the present disclosure.
  • the ECG signal processing device 10 may receive the first ECG signal measured by the first ECG measurement device.
  • the ECG signal processing device 10 may load a first encoder applicable to the first ECG signal.
  • the ECG signal processing device 10 may input a first ECG signal using a first encoder and output a first output value for the first ECG signal.
  • the ECG signal processing device 10 may determine whether the first output value is within the reference range of the first encoder.
  • the ECG signal processing device 10 classifies the first ECG signal to be processed by the first processing method if the first output value is within the reference range of the first encoder, and if not, the ECG signal is classified to be processed by the first processing method. It can be classified to be processed by a second processing method.
  • the ECG processing model includes one or more encoders and may be implemented to process signals by different encoders for each measurement device.
  • the reference value for determining the processing method as one of the first or second processing method may be set differently for each encoder.
  • devices and components described in embodiments may include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable gate array (FPGA), etc. , may be implemented using one or more general-purpose or special-purpose computers, such as a programmable logic unit (PLU), a microprocessor, or any other device capable of executing and responding to instructions.
  • the processing device may execute an operating system (OS) and one or more software applications running on the operating system. Additionally, a processing device may access, store, manipulate, process, and generate data in response to the execution of software.
  • OS operating system
  • a processing device may access, store, manipulate, process, and generate data in response to the execution of software.
  • a single processing device may be described as being used; however, those skilled in the art will understand that a processing device includes multiple processing elements and/or multiple types of processing elements. It can be seen that it may include.
  • a processing device may include a plurality of processors or one processor and one controller. Additionally, other processing configurations, such as parallel processors, are possible.
  • Software may include a computer program, code, instructions, or a combination of one or more of these, which may configure a processing unit to operate as desired, or may be processed independently or collectively. You can command the device.
  • Software and/or data may be used on any type of machine, component, physical device, virtual equipment, computer storage medium or device to be interpreted by or to provide instructions or data to a processing device. , or may be permanently or temporarily embodied in a transmitted signal wave.
  • Software may be distributed over networked computer systems and stored or executed in a distributed manner.
  • Software and data may be stored on one or more computer-readable recording media.
  • the method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer-readable medium.
  • the computer-readable medium may include program instructions, data files, data structures, etc., singly or in combination.
  • Program instructions recorded on the medium may be specially designed and configured for the embodiment or may be known and available to those skilled in the art of computer software.
  • Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks.
  • program instructions include machine language code, such as that produced by a compiler, as well as high-level language code that can be executed by a computer using an interpreter, etc.
  • the hardware devices described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.

Landscapes

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

Abstract

본 개시의 실시예는, 심전도 신호 처리 장치가, 네트워크를 통해 복수의 심전도 측정 장치들로부터 심전도 신호들을 수신하는 단계; 상기 심전도 신호 처리 장치가, 상기 심전도 신호들을 변이형 오토인코더에 입력하여, 학습된 심전도 처리 모델을 획득하는 단계; 상기 심전도 신호 처리 장치가, 제1 심전도 측정 장치로부터, 제1 심전도 신호를 포함하는 데이터를 수신하는 단계; 상기 심전도 신호 처리 장치가, 상기 심전도 처리 모델의 인코더에 상기 제1 심전도 신호를 입력하여, 제1 출력값을 산출하는 단계; 상기 심전도 신호 처리 장치가, 상기 제1 출력값이, 상기 인코더의 기준 범위 이내인지 여부를 판단하는 단계; 및 상기 심전도 신호 처리 장치가, 상기 제1 출력값이 상기 인코더의 기준 범위 이내인 경우, 상기 제1 심전도 신호를 제1 처리 방법으로 처리하고, 그렇지 않은 경우, 상기 제1 심전도 신호를 제2 처리 방법으로 처리하는 단계;를 포함하는, 심전도 신호 처리 방법을 개시한다.

Description

변이형 오토인코더를 이용하여 결정된 기준 범위로 심전도 신호를 분류하는 심전도 신호 처리 방법, 심전도 신호 처리 장치 및 컴퓨터 프로그램
본 개시의 실시예들은, 변이형 오토인코더를 이용하여 결정된 기준 범위로 심전도 신호를 분류하는 심전도 신호 처리 방법, 심전도 신호 처리 장치 및 컴퓨터 프로그램에 관한 것이다.
부정맥은 심장 박동이 비정상적으로 빨라지거나 늦어지거나 혹은 불규칙하게 뛰고 있는 상태를 말한다. 정상 맥박수는 분당 60-100회로, 맥박수가 분당 50회 미만이면 "서맥", 분당 100회 이상이면 "빈맥"이라고 부른다. 일반적으로 부정맥 진단시에는 심전도 검사가 이용된다. 부정맥은 그 종류에 따라 증상이 즉시 나타나는 경우도 있지만, 간헐적으로 나타난 후 저절로 소실되는 경우가 많기 때문에 단시간 심전도 검사만으로는 정확한 진단이 어려울 수 있다.
부정맥이 위험한 이유는 제때 발견해 치료하지 않으면 뇌졸중, 심정지 등을 유발하거나 사망에 이를 수 있기 때문에 조기 진단과 관리가 무엇보다 중요하다.
하지만 심전도 신호의 특성상 개인 간의 차이가 크기 때문에 안정적인 성능을 나타내는 분류 방법을 개발하는 일은 여전히 어려운 문제이다.
본 명세서에서 개시되는 실시예들은, 심전도 신호를 변이형 인코더(Variational autoencoder, VAE)를 이용하여 분류하고 분류한 심전도 신호들을 각각 다른 방법으로 처리하는 장치 및 방법을 제공할 수 있다.
본 개시의 실시예들에 따른 방법은, 심전도 신호 처리 장치가, 네트워크를 통해 복수의 심전도 측정 장치들로부터 심전도 신호들을 수신하는 단계; 상기 심전도 신호 처리 장치가, 상기 심전도 신호들을 변이형 오토인코더에 입력하여, 학습된 심전도 처리 모델을 획득하는 단계; 상기 심전도 신호 처리 장치가, 제1 심전도 측정 장치로부터, 제1 심전도 신호를 포함하는 데이터를 수신하는 단계; 상기 심전도 신호 처리 장치가, 상기 심전도 처리 모델의 인코더에 상기 제1 심전도 신호를 입력하여, 제1 출력값을 산출하는 단계; 상기 심전도 신호 처리 장치가, 상기 제1 출력값이, 상기 인코더의 기준 범위 이내인지 여부를 판단하는 단계; 및 상기 심전도 신호 처리 장치가, 상기 제1 출력값이 상기 인코더의 기준 범위 이내인 경우, 상기 제1 심전도 신호를 제1 처리 방법으로 처리하고, 그렇지 않은 경우, 상기 제1 심전도 신호를 제2 처리 방법으로 처리하는 단계;를 포함할 수 있다.
상기 학습된 심전도 처리 모델을 획득하는 단계는 상기 심전도 신호들을, 복수의 그룹으로 분류하여, 각 그룹에 포함되는 심전도 신호들을 변이형 오토인코더에 입력하여, 각 그룹의 출력값들을 산출하는 단계를 더 포함할 수 있다.
상기 인코더의 기준 범위는, -1500 초과인 점을 특징으로 할 수 있다.
상기 심전도 처리 모델은, 인코더와 디코더를 포함하며, 인코더의 출력값으로 마지널 가능도 값을 출력하는 점을 특징으로 할 수 있다.
상기 제1 처리 방법으로 처리하는 것은, 상기 제1 심전도 신호를, 상기 심전도 처리 모델의 디코더에 입력하는 것일 수 있다.
상기 제2 처리 방법으로 처리하는 것은, 상기 제1 심전도 신호를, 전통적인 노이즈 제거 방법으로 처리하는 것일 수 있다.
본 개시의 실시예들에 따른 심전도 신호 처리 장치가, 컴퓨터 판독 가능한 메모리와, 하나 이상의 프로세서를 포함하고, 상기 프로세서가, 네트워크를 통해 복수의 심전도 측정 장치들로부터 심전도 신호들을 수신하고, 상기 심전도 신호들을 변이형 오토인코더에 입력하여, 학습된 심전도 처리 모델을 획득하며, 제1 심전도 측정 장치로부터, 제1 심전도 신호를 포함하는 데이터를 수신하고, 상기 심전도 처리 모델의 인코더에 상기 제1 심전도 신호를 입력하여, 제1 출력값을 산출하며, 상기 제1 출력값이, 상기 인코더의 기준 범위 이내인지 여부를 판단하고, 상기 제1 출력값이 상기 인코더의 기준 범위 이내인 경우, 상기 제1 심전도 신호를 제1 처리 방법으로 처리하고, 그렇지 않은 경우, 상기 제1 심전도 신호를 제2 처리 방법으로 처리할 수 있다.
상기 프로세서가, 상기 심전도 신호들을, 복수의 그룹으로 분류하여, 각 그룹에 포함되는 심전도 신호들을 변이형 오토인코더에 입력하여, 각 그룹의 출력값들을 산출할 수 있다.
상기 인코더의 기준 범위는, -1500 초과인 점을 특징으로 할 수 있다.
상기 심전도 처리 모델은, 인코더와 디코더를 포함하며, 인코더의 출력값으로 마지널 가능도 값을 출력하는 점을 특징으로 할 수 있다.
상기 제1 처리 방법으로 처리하는 것은, 상기 제1 심전도 신호를, 상기 심전도 처리 모델의 디코더에 입력하는 것일 수 있다.
상기 제2 처리 방법으로 처리하는 것은, 상기 제1 심전도 신호를, 전통적인 노이즈 제거 방법으로 처리하는 것일 수 있다.
본 발명의 실시예에 따른 컴퓨터 프로그램은 컴퓨터를 이용하여 본 발명의 실시예에 따른 방법 중 어느 하나의 방법을 실행시키기 위하여 매체에 저장될 수 있다.
이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 컴퓨터 판독 가능한 기록 매체가 더 제공된다.
전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 특허청구범위 및 발명의 상세한 설명으로부터 명확해 질 것이다.
전술한 과제 해결 수단 중 어느 하나에 의하면, 변이형 인코더를 이용하여 결정된 기준 값을 기준으로 하여 입력된 심전도 신호를 분류하고, 분류한 심전도 신호들을 각각 다른 방법으로 처리하는 방법 및 장치를 제시할 수 있다.
도 1은 본 개시의 실시예들에 따른 심전도 처리 시스템의 네트워크 환경에 대한 도면이다.
도 2는, 본 개시의 실시예들에 따른 심전도 신호 처리 장치(10)의 블록도이다.
도 3은, 신호 처리부(140)의 블록도이다.
도 4는, 변이형 오토인코더의 구조를 설명하는 도면이다.
도 5는 본 개시의 실시예들에 따른 변이형 오토인코더를 이용하여 심전도 처리 모델을 생성하는 방법의 흐름도이다.
도 6은 본 개시의 실시예들에 따른, 심전도 신호의 처리 방법을 결정하는 방법의 흐름도이다.
이하 첨부된 도면들에 도시된 본 발명에 관한 실시예를 참조하여 본 발명의 구성 및 작용을 상세히 설명한다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 본 발명의 효과 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 하며, 도면을 참조하여 설명할 때 동일하거나 대응하는 구성 요소는 동일한 도면부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
본 명세서에서 “학습”, “러닝” 등의 용어는 인간의 교육 활동과 같은 정신적 작용을 지칭하도록 의도된 것이 아닌 절차에 따른 컴퓨팅(computing)을 통하여 기계 학습(machine learning)을 수행함을 일컫는 용어로 해석한다.
이하의 실시예에서, 제1, 제2 등의 용어는 한정적인 의미가 아니라 하나의 구성 요소를 다른 구성 요소와 구별하는 목적으로 사용되었다.
이하의 실시예에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
이하의 실시예에서, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다.
도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 두께는 설명의 편의를 위해 임의로 나타내었으므로, 본 발명이 반드시 도시된 바에 한정되지 않는다.
어떤 실시예가 달리 구현 가능한 경우에 특정한 공정 순서는 설명되는 순서와 다르게 수행될 수도 있다. 예를 들어, 연속하여 설명되는 두 공정이 실질적으로 동시에 수행될 수도 있고, 설명되는 순서와 반대의 순서로 진행될 수 있다.
도 1은 본 개시의 실시예들에 따른 심전도 처리 시스템의 네트워크 환경에 대한 도면이다.
심전도 처리 시스템은, 심전도 신호 처리 장치(10), 심전도 측정 장치(20)를 포함할 수 있다.
심전도 신호 처리 장치(10)는 복수의 심전도 신호를 이용하여 변이형 오토인코더(Variational autoencoder, VAE)를 생성할 수 있다. 변이형 오토인코더(VAE)를 생성하는데 이용되는 심전도 신호는, 리드 1 신호로서, 500헤르쯔(Hertz, Hz)로 10초간 측정된 데이터일 수 있으나, 이에 한정되지 않고 다양한 리드 신호 또는 다양한 시간 길이 일 수 있다. 변이형 오토인코더(VAE)는 1,094,000여 장의 심전도 신호를 입력하여 생성될 수 있다.
심전도 신호 처리 장치(10)는 변이형 오토인코더(VAE)를 이용하여 새롭게 측정된 심전도 신호를 처리하는데 활용할 수 있다. 심전도 신호 처리 장치(10)는 새로운 심전도 신호를 변이형 오토인코더(VAE)에 입력하여, 심전도 신호의 처리 방법을 결정할 수 있다. 심전도 신호 처리 장치(10)는 제1 심전도 신호를 변이형 오토인코더(VAE)에 입력하여 획득된 제1 출력값이 정해진 기준 값보다 큰 경우, 제1 심전도 신호를 제1 처리 방법으로 처리하고, 제1 출력 값이 기준 값 이하인 경우, 제1 심전도 신호를 제2 처리 방법으로 처리할 수 있다. 심전도 신호 처리 장치(10)는 제1 또는 제2 처리 방법으로 처리한 심전도 신호로부터 대상체와 관련된 심장 질환 정보를 결정할 수 있다.
심전도 신호 처리 장치(10)는 이동통신, 와이파이, LTE, 5G, 6G 등의 네트워크를 통해 심전도 신호를 수신할 수 있다. 심전도 신호 처리 장치(10)는 수신한 심전도 신호를 이용하여 변이형 오토인코더를 생성할 수 있다. 심전도 신호 처리 장치(10)는 수신한 심전도 신호를 변이형 오토인코더에 입력하여 출력값을 출력받고(return) 출력값을 기초로 심전도 신호를 처리할 수 있다.
심전도 측정 장치(20)는 심전도 신호를 측정하는 장치를 말한다. 심전도 측정 장치(20)의 예로는, 심전도 패치, 심전도 웨어러블 장치, 가정용 심전도 측정 장치, 휴대용 심전도 측정 장치, 의료용 심전도 측정 장치, 스마트워치 등이 있을 수 있다.
심전도 측정 장치(20)는 측정된 심전도 신호를 심전도 신호 처리 장치(10)로 전송할 수 있다.
심전도 신호 처리 장치(10)는 하나의 장치로 구현되거나, 복수의 장치들에 분산적으로 구현될 수 있다. 심전도 측정 장치(20)는 도 1과 같이 단수 일 수 있으나, 이에 한정되지 않고 복수로 구비될 수 있다. 심전도 신호 처리 장치(10)는 복수의 심전도 측정 장치들로부터 심전도 신호들을 수신할 수 있다.
도 2는, 본 개시의 실시예들에 따른 심전도 신호 처리 장치(10)의 블록도이다.
심전도 신호 처리 장치(10)는 프로세서(110), 메모리(120), 통신부(130), 및 신호 처리부(140)를 포함할 수 있다.
프로세서(110)는, 하나 이상의 프로세서들로 구현되어, 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 저장매체, 통신부(130)에 의해 프로세서(110)에 제공될 수 있다. 예를 들어 프로세서(110)는 신호 처리부(140) 또는 저장 매체와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.
메모리(120)는, RAM(random access memory), ROM(read only memory) 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device) 일 수 있다. 신호 처리부(140)는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록 매체일 수 있다.
통신부(130)는 네트워크를 통해 외부의 장치와 통신하기 위한 기능을 제공할 수 있다. 통신부(130)는, 신호 처리부(140)의 명령(instruction)에 따라서 심전도 신호를 획득하고, 심전도 신호를 전송할 수 있다.
심전도 신호 처리 장치(10)는 추가적으로, 컴퓨터 판독 가능한 기록 매체인 RAM(random access memory), ROM(read only memory) 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 더 포함할 수 있으나 이에 한정되지 않는다.
신호 처리부(140)는 도 3에 도시된 바와 같이, 인코더 생성부(141), 데이터 수신부(142), 데이터 분류부(143), 노이즈 제거부(144)를 포함할 수 있다.
인코더 생성부(141)는 복수의 심전도 신호들을 변이형 오토인코더에 입력하여 학습시킬 수 있다. 이때, 변이형 오토인코더는, 학습의 결과로, 확률적 값을 출력하는 인코더(encoder)를 생성하게 된다. 이때, 인코더 생성부(141)는 복수의 심전도 신호들을 2개 이상의 그룹으로 분류하여 인코더를 학습시킬 수 있다. 예를 들어, 제1 그룹의 심전도 신호들을 인코더에 입력하여 획득한 제1 출력값들과, 제2 그룹의 심전도 신호들을 인코더에 입력하여 획득한 제2 출력값들이 산출될 수 있다. 제1 출력값들과 제2 출력값들 사이의 차이에 기초하여, 심전도 신호의 처리 방법을 결정하는 기준값을 설정할 수 있다. 여기서, 기준값은, -1500 보다 큰 것과 같이, 범위로 결정할 수 있으나 이에 한정되지 않고 다양한 값, 범위로 설정될 수 있다.
보다 구체적으로, 제1 출력값들의 범위(평균값, 이동평균값 등)와, 제2 출력값들의 범위(평균값, 이동평균값 등)를 구분하여, 심전도 신호의 처리 방법을 결정하는 기준값이 설정될 수 있다. 이때, 제1 그룹의 심전도 신호와 제2 그룹의 심전도 신호는, 소정의 심장 질환의 유무로 분류할 수 있다. 예를 들어, 부정맥이 없는 그룹을 제1 그룹으로, 부정맥이 있는 그룹을 제2 그룹으로 분류할 수 있다. 선택적으로, 심방세동이 없는 그룹을 제1 그룹으로, 심방세동이 없는 그룹을 제2 그룹으로 분류할 수 있다.
변이형 오토인코더에 의해 생성된 심전도 처리 모델은 인코더와 디코더를 포함할 수 있다. 도 4에 도시된 바와 같이, 변이형 오토인코더에 의해 생성된 심전도 처리 모델에 입력(x)를 넣게 되면, encoder에서는 p(x)를 출력할 수 있다. p(x)는 심전도 신호의 마지널 가능도 값(marginal likelihood)일 수 있다. 데이터 분류부(143)는 심전도 처리 모델의 인코더의 출력 값(p(x))를 이용하여 입력인 심전도 신호(x)를 분류할 수 있다.
데이터 수신부(142)는 심전도 측정 장치로부터 심전도 신호를 수신할 수 있다. 이때, 심전도 신호, 측정 장치에 대한 정보, 측정 대상에 대한 정보, 측정 시간에 대한 정보 등을 포함하는 데이터가 수신될 수 있다. 측정 장치에 대한 정보는, 측정 장치의 제조사명, 제조일자, 제품명, 측정시 소프트웨어 버전 정보 등을 포함할 수 있다. 측정 대상에 대한 정보는, 측정되는 대상체에 대한 정보를 포함할 수 있다. 측정시 소프트웨어 버전 정보는, 측정 장치에 설치된 소프트웨어의 버전(version)을 포함할 수 있다.
데이터 분류부(143)는 수신한 심전도 신호를 변이형 오토인코더에 의해 생성된 모델에 입력하여 출력값을 산출할 수 있다. 데이터 분류부(143)는 심전도 신호의 출력값을 기준으로 심전도 신호를 분류할 수 있다. 출력값이 기준값 보다 큰지 여부가 판단될 수 있다. 기준값은, 변이형 오토인코더를 학습시키는 과정에서 결정되는 값으로, 심전도 신호들을 계속적으로 입력하여 학습 과정이 반복됨에 따라 변경 가능한 값일 수 있다.
노이즈 제거부(144)는 심전도 신호의 인코더에 대한 출력값이 기준값보다 큰 경우, 심전도 신호를 제1 처리방법으로 처리하여 노이즈를 제거할 수 있다. 출력값이 기준값 이하인 경우, 노이즈 제거부(144)는 심전도 신호를 제2 처리방법으로 처리하여 노이즈를 제거할 수 있다. 기준값은, 기준 범위로 설정될 수 있다. 노이즈 제거부(144)는, 심전도 신호의 인코더에 대한 출력값이 기준 범위 내에 포함되는 경우, 심전도 신호를 제1 처리 방법으로 처리하고, 출력값이 기준 범위를 벗어나는 경우, 심전도 신호를 제2 처리 방법으로 처리할 수 있다.
제1 처리 방법은, 심전도 처리 모델의 디코더를 통해 처리될 수 있다. 즉, 제1 처리 방법으로 처리할 심전도 신호는, 심전도 처리 모델에 입력하여 출력을 획득할 수 있다.
제2 처리 방법은, 심전도 처리 모델의 디코더에 의하지 않고, 전통적인 룰 베이스의 노이즈 제거 방법을 이용하여 심전도 신호를 처리하는 것을 말할 수 있다.
노이즈 제거부(144)는 심전도 신호에 존재할 수 있는 노이즈를 제거하여 심전도 신호의 분석을 용이하게 할 수 있다. 심전도 신호에 포함될 수 있는 노이즈는, Power-line interference noise, 기저선 변동 잡음(baseline wander), 주파수 잡음(frequency noise), 근잡음과 고주파 성분의 잡음(muscle noise and interference with impulse character), electrode popup or contact noise, patient electrode motion artifact, instrumentation noise를 포함할 수 있다. 노이즈의 제거 방법으로는, 기저선 변동 잡음(Baseline wandering)을 제거하기 위해서는, 앙상블 평균화(Baseline wandering: ensemble averaging), 선형보간법(polynominal interpolation), 디지털 협대역 선형위상 필터(digital narrow-band linear-phase filter) 등이 있을 수 있다. 주파수 잡음을 제거하기 위해서는, 웨이블릿계수 임계값 기반의 고수축함수(wavelet coefficient threshold base hyper shrinkage function), 차감기법(subtraction procedure) 등이 있을 수 있다. 근잡음 제거를 위해서는, 위터 필터(Muscle noise: Wiener filtering), 중간값 필터(Impulsive noise: median filter) 등이 있을 수 있다. 이는 하나의 예시에 불과하며 다양한 노이즈 제거 방법이 이용될 수 있다.
심전도 신호 처리 장치(10)는 변이형 오토인코더를 통해서 결정된 기준 범위를 이용하여 심전도 신호의 처리 방법을 결정할 수 있다. 이렇게 결정된 처리 방법으로 처리하게 되면, electrode popup or contact noise, patient electrode motion artifact의 노이즈의 제거에 효과적인 것으로 판단될 수 있다.
도 5는 본 개시의 실시예들에 따른 변이형 오토인코더를 이용하여 심전도 처리 모델을 생성하는 방법의 흐름도이다.
S110에서는, 심전도 신호 처리 장치(10)는 제1 제조사의 심전도 측정 장치에서 측정된 심전도 신호들을 수신할 수 있다.
S120에서는, 심전도 신호 처리 장치(10)는 제1 제조사의 심전도 신호를, 변이형 오토인코더에 입력하여 인코더를 생성할 수 있다.
S130에서는, 심전도 신호 처리 장치(10)는 S110 및 S120의 과정을 반복하여, 심전도 신호들을 수신하고 변이형 오토인코더에 입력함으로써, 심전도 처리 모델을 학습시킬 수 있다. 심전도 신호 처리 장치(10)는 심전도 처리 모델에 포함된 인코더 및 디코더를 제조사 별로 구분하여 학습시킬 수 있다. 이때, 심전도 처리 모델은, 하나 이상의 인코더 및 하나 이상의 디코더를 포함할 수 있다.
이를 통해, 심전도 신호를 처리할 수 있는 비지도 학습의 과정이 수행될 수 있다. 비지도 학습 과정을 통해서 새롭게 측정되는 심전도 신호를 처리할 수 있는 심전도 처리 모델이 생성될 수 있다.
도 6은 본 개시의 실시예들에 따른, 심전도 신호의 처리 방법을 결정하는 방법의 흐름도이다.
S210에서는, 심전도 신호 처리 장치(10)는 제1 심전도 측정 장치에서 측정된 제1 심전도 신호를 수신할 수 있다.
S220에서는, 심전도 신호 처리 장치(10)는 제1 심전도 신호에 적용 가능한 제1 인코더를 로딩할 수 있다.
S230에서는, 심전도 신호 처리 장치(10)는 제1 인코더를 이용하여 제1 심전도 신호를 입력하여 제1 심전도 신호에 대한 제1 출력값을 출력할 수 있다.
S240에서는, 심전도 신호 처리 장치(10)는 제1 출력 값이 제1 인코더의 기준 범위 내에 포함되는지 여부를 판단할 수 있다.
S250에서는, 심전도 신호 처리 장치(10)는 제1 출력 값이 제1 인코더의 기준 범위 내에 포함된 경우, 제1 심전도 신호를 제1 처리 방법으로 처리하도록 분류하고, 그렇지 않은 경우 제1 심전도 신호를 제2 처리 방법으로 처리하도록 분류할 수 있다.
심전도 처리 모델은, 하나 이상의 인코더를 포함하며, 측정 장치 별로 다른 인코더에 의해 신호를 처리하도록 구현될 수 있다. 이때, 처리 방법을 제1 또는 제2 처리 방법 중에서 하나로 정하는 기준 값은, 인코더 별로 다르게 설정될 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (13)

  1. 심전도 신호 처리 장치가, 네트워크를 통해 복수의 심전도 측정 장치들로부터 심전도 신호들을 수신하는 단계;
    상기 심전도 신호 처리 장치가, 상기 심전도 신호들을 변이형 오토인코더에 입력하여, 학습된 심전도 처리 모델을 획득하는 단계;
    상기 심전도 신호 처리 장치가, 제1 심전도 측정 장치로부터, 제1 심전도 신호를 포함하는 데이터를 수신하는 단계;
    상기 심전도 신호 처리 장치가, 상기 심전도 처리 모델의 인코더에 상기 제1 심전도 신호를 입력하여, 제1 출력값을 산출하는 단계;
    상기 심전도 신호 처리 장치가, 상기 제1 출력값이, 상기 인코더의 기준 범위 이내인지 여부를 판단하는 단계; 및
    상기 심전도 신호 처리 장치가, 상기 제1 출력값이 상기 인코더의 기준 범위 이내인 경우, 상기 제1 심전도 신호를 제1 처리 방법으로 처리하고, 그렇지 않은 경우, 상기 제1 심전도 신호를 제2 처리 방법으로 처리하는 단계;를 포함하는, 심전도 신호 처리 방법.
  2. 제1항에 있어서,
    상기 학습된 심전도 처리 모델을 획득하는 단계는
    상기 심전도 신호들을, 복수의 그룹으로 분류하여, 각 그룹에 포함되는 심전도 신호들을 변이형 오토인코더에 입력하여, 각 그룹의 출력값들을 산출하는 단계를 더 포함하는, 심전도 신호 처리 방법.
  3. 제1항에 있어서,
    상기 인코더의 기준 범위는, -1500 초과인 점을 특징으로 하는, 심전도 신호 처리 방법.
  4. 제1항에 있어서,
    상기 심전도 처리 모델은,
    인코더와 디코더를 포함하며, 인코더의 출력값으로 마지널 가능도 값을 출력하는 점을 특징으로 하는, 심전도 신호 처리 방법.
  5. 제1항에 있어서,
    상기 제1 처리 방법으로 처리하는 것은,
    상기 제1 심전도 신호를, 상기 심전도 처리 모델의 디코더에 입력하는 것인, 심전도 신호 처리 방법.
  6. 제1항에 있어서,
    상기 제2 처리 방법으로 처리하는 것은,
    상기 제1 심전도 신호를, 미리 설정된 노이즈 제거 방법으로 처리하는 것인, 심전도 신호 처리 방법.
  7. 컴퓨터 판독 가능한 메모리와, 하나 이상의 프로세서를 포함하고,
    상기 프로세서가,
    네트워크를 통해 복수의 심전도 측정 장치들로부터 심전도 신호들을 수신하고, 상기 심전도 신호들을 변이형 오토인코더에 입력하여, 학습된 심전도 처리 모델을 획득하며,
    제1 심전도 측정 장치로부터, 제1 심전도 신호를 포함하는 데이터를 수신하고, 상기 심전도 처리 모델의 인코더에 상기 제1 심전도 신호를 입력하여, 제1 출력값을 산출하며,
    상기 제1 출력값이, 상기 인코더의 기준 범위 이내인지 여부를 판단하고, 상기 제1 출력값이 상기 인코더의 기준 범위 이내인 경우, 상기 제1 심전도 신호를 제1 처리 방법으로 처리하고, 그렇지 않은 경우, 상기 제1 심전도 신호를 제2 처리 방법으로 처리하는, 심전도 신호 처리 장치.
  8. 제7항에 있어서,
    상기 프로세서가,
    상기 심전도 신호들을, 복수의 그룹으로 분류하여, 각 그룹에 포함되는 심전도 신호들을 변이형 오토인코더에 입력하여, 각 그룹의 출력값들을 산출하는, 심전도 신호 처리 장치.
  9. 제7항에 있어서,
    상기 인코더의 기준 범위는, -1500 초과인 점을 특징으로 하는, 심전도 신호 처리 장치.
  10. 제7항에 있어서,
    상기 심전도 처리 모델은,
    인코더와 디코더를 포함하며, 인코더의 출력값으로 마지널 가능도 값을 출력하는 점을 특징으로 하는, 심전도 신호 처리 장치.
  11. 제7항에 있어서,
    상기 제1 처리 방법으로 처리하는 것은,
    상기 제1 심전도 신호를, 상기 심전도 처리 모델의 디코더에 입력하는 것인, 심전도 신호 처리 장치.
  12. 제7항에 있어서,
    상기 제2 처리 방법으로 처리하는 것은,
    상기 제1 심전도 신호를, 전통적인 노이즈 제거 방법으로 처리하는 것인, 심전도 신호 처리 장치.
  13. 컴퓨터를 이용하여 제1항 내지 제6항 중 어느 한 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 저장 매체에 저장된 컴퓨터 프로그램.
PCT/KR2022/019820 2022-10-18 2022-12-07 변이형 오토인코더를 이용하여 결정된 기준 범위로 심전도 신호를 분류하는 심전도 신호 처리 방법, 심전도 신호 처리 장치 및 컴퓨터 프로그램 WO2024085306A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2022-0134451 2022-10-18
KR1020220134451A KR20240054112A (ko) 2022-10-18 2022-10-18 변이형 오토인코더를 이용하여 결정된 기준 범위로 심전도 신호를 분류하는 심전도 신호 처리 방법, 심전도 신호 처리 장치 및 컴퓨터 프로그램

Publications (1)

Publication Number Publication Date
WO2024085306A1 true WO2024085306A1 (ko) 2024-04-25

Family

ID=90737661

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/019820 WO2024085306A1 (ko) 2022-10-18 2022-12-07 변이형 오토인코더를 이용하여 결정된 기준 범위로 심전도 신호를 분류하는 심전도 신호 처리 방법, 심전도 신호 처리 장치 및 컴퓨터 프로그램

Country Status (2)

Country Link
KR (1) KR20240054112A (ko)
WO (1) WO2024085306A1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190046113A1 (en) * 2015-07-27 2019-02-14 Cn Medical Research Llc Methods and systems for improved prediction of fluid responsiveness
US20190328243A1 (en) * 2016-12-21 2019-10-31 Emory University Methods and Systems for Determining Abnormal Cardiac Activity
US20200178825A1 (en) * 2018-12-05 2020-06-11 General Electric Company System and method for identifying cardiac arrhythmias with deep neural networks
KR20220008447A (ko) * 2020-07-14 2022-01-21 주식회사 바디프랜드 딥러닝 기반 심전도를 이용한 심장 질환 진단 장치 및 그 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190046113A1 (en) * 2015-07-27 2019-02-14 Cn Medical Research Llc Methods and systems for improved prediction of fluid responsiveness
US20190328243A1 (en) * 2016-12-21 2019-10-31 Emory University Methods and Systems for Determining Abnormal Cardiac Activity
US20200178825A1 (en) * 2018-12-05 2020-06-11 General Electric Company System and method for identifying cardiac arrhythmias with deep neural networks
KR20220008447A (ko) * 2020-07-14 2022-01-21 주식회사 바디프랜드 딥러닝 기반 심전도를 이용한 심장 질환 진단 장치 및 그 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
BYEON, YEONG-HYEON; KWAK, KEUN-CHANG : "A Trend Analysis of ECG Classification based on Deep Learning", PROCEEDINGS OF THE KOREA INFORMATION PROCESSING SOCIETY CONFERENCE, KOREA INFORMATION PROCESSING SOCIETY CONFERENCE, KOREA, vol. 26, no. 1, 1 May 2019 (2019-05-01), Korea , pages 246 - 249, XP009554510, ISSN: 2005-0011, DOI: 10.3745/PKIPS.y2019m05a.246 *

Also Published As

Publication number Publication date
KR20240054112A (ko) 2024-04-25

Similar Documents

Publication Publication Date Title
WO2020141807A2 (ko) 딥러닝을 이용한 정상동율동 심전도 상태에서의 발작성 심방세동 예측방법
Zhai et al. Automated ECG classification using dual heartbeat coupling based on convolutional neural network
Murugesan et al. Ecgnet: Deep network for arrhythmia classification
WO2022145519A1 (ko) 딥러닝을 이용한 심전도 시각화 방법 및 장치
WO2016195366A1 (ko) 심실 부정맥 예측 장치 및 그 방법
Gradl et al. Real-time ECG monitoring and arrhythmia detection using Android-based mobile devices
CN108968941B (zh) 一种心律失常检测方法、装置及终端
WO2018212423A1 (ko) 안전도 계산 방법 및 장치
WO2022119155A1 (ko) 설명 가능한 다중 심전도 부정맥 진단 장치 및 방법
WO2019031794A1 (ko) 피검체의 치명적 증상의 발생을 조기에 예측하기 위한 예측 결과를 생성하는 방법 및 이를 이용한 장치
KR20140063100A (ko) 원격 심질환 관리 장치 및 방법
US9380956B2 (en) Method and apparatus for classifying cardiac arrhythmia
WO2018004028A1 (ko) 뇌파 기반 주의력 결핍 과잉 행동 장애 진단 시스템
WO2021096162A1 (ko) 심장신호 처리장치 및 방법, 이를 포함하는 모니터링 시스템
CN116194044A (zh) 用于分析心律的方法和系统
JP2023099043A (ja) 脳波（ｅｅｇ）の非線形性の変化に基づく発作検出システム及び方法
WO2024085306A1 (ko) 변이형 오토인코더를 이용하여 결정된 기준 범위로 심전도 신호를 분류하는 심전도 신호 처리 방법, 심전도 신호 처리 장치 및 컴퓨터 프로그램
Jovanovic et al. QRS complex detection based ECG signal artefact discrimination
WO2019225798A1 (ko) 다수의 심리검사지에서 불안 및 우울 증세의 신속한 진단을 위한 기계 학습 기반의 문항 선별 방법 및 장치
WO2023120775A1 (ko) 심전도 판독을 수정하기 위한 방법 및 장치
WO2015060486A1 (ko) 영상 진단 장치 및 방법
WO2021100968A1 (ko) 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템
WO2023096372A1 (ko) 모바일넷을 이용한 심장 질병 분류 장치 및 방법
WO2024019575A1 (ko) 심전도를 이용한 건강 상태의 예측 방법, 프로그램 및 장치
Vasyltsov et al. Statistical approach for lightweight detection of anomalies in ECG

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: 22962867

Country of ref document: EP

Kind code of ref document: A1