WO2024090681A1 - 심전도 신호를 이용한 파킨슨병 분석 장치 및 방법 - Google Patents

심전도 신호를 이용한 파킨슨병 분석 장치 및 방법 Download PDF

Info

Publication number
WO2024090681A1
WO2024090681A1 PCT/KR2023/001126 KR2023001126W WO2024090681A1 WO 2024090681 A1 WO2024090681 A1 WO 2024090681A1 KR 2023001126 W KR2023001126 W KR 2023001126W WO 2024090681 A1 WO2024090681 A1 WO 2024090681A1
Authority
WO
WIPO (PCT)
Prior art keywords
disease
electrocardiogram
parkinson
data
analyzed
Prior art date
Application number
PCT/KR2023/001126
Other languages
English (en)
French (fr)
Inventor
주형준
이찬녕
유학제
김종호
Original Assignee
주식회사 틸더
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 틸더 filed Critical 주식회사 틸더
Publication of WO2024090681A1 publication Critical patent/WO2024090681A1/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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Definitions

  • This application relates to a device and method for analyzing Parkinson's disease using electrocardiogram signals.
  • our study is about an electrocardiogram analysis artificial intelligence algorithm for screening and early diagnosis of Parkinson's disease.
  • This patent is research conducted with support from the National Research Foundation of Korea (No. 2021R1I1A1A01059747) and the Seokcheon Nanum Foundation with funding from the government (Ministry of Education) in 2021 (No. SCY2106P).
  • Parkinson's disease depended heavily on the subjective judgment of a specialist, which could lead to a delay in diagnosis if the attending physician did not know much about Parkinson's disease.
  • imaging tests such as DAT (Dopamine transporter) scan are known to be helpful in differentiating and diagnosing other diseases, but they do not show a level of accuracy sufficient to be adopted as a standard diagnostic method. , Not only does it require interpretation by an experienced radiologist, but it is also a high-cost test, which limits its widespread implementation.
  • DAT Dopamine transporter
  • Parkinson's disease diagnosis technology using brain waves and cerebrospinal fluid tests is being developed, but it has limitations such as high cost and invasive testing methods, making general use difficult.
  • the purpose of this application is to solve the problems of the prior art described above, and to provide a Parkinson's disease analysis device and method with excellent versatility by utilizing electrocardiogram signals according to a standard examination method widely used in medical institutions.
  • This application aims to solve the problems of the prior art described above, and provides a Parkinson's disease analysis device and method using an artificial intelligence-based analysis model that outputs disease information linked to the Parkinson's disease of the subject based on characteristic parameters of electrocardiogram data.
  • the purpose is to provide.
  • the Parkinson's disease analysis method using electrocardiogram signals includes the steps of acquiring electrocardiogram data to be analyzed and predetermined characteristic parameters linked to the electrocardiogram data to be analyzed. It may include deriving the disease information through an artificial intelligence-based analysis model learned to output disease information related to Parkinson's disease of the subject of the electrocardiogram data subject to analysis using .
  • the analysis model may be built based on learning data including electrocardiogram signals of Parkinson's disease patients.
  • the learning data may include a first electrocardiogram signal from a patient with idiopathic Parkinson's disease and a second electrocardiogram signal from a patient with drug-induced parkinsonism.
  • the step of deriving the disease information includes the disease information including at least one of disease presence/absence information regarding the idiopathic Parkinson's disease of the subject and disease presence/absence information regarding the drug-induced Parkinson's syndrome in the subject. It can be output through an analysis model.
  • the analysis model may be an algorithm based on a convolution neural network (CNN).
  • CNN convolution neural network
  • hyper-parameters associated with the algorithm may be determined based on Bayesian optimization techniques.
  • the Parkinson's disease analysis method using electrocardiogram signals may include applying a preprocessing process including at least one of deletion, replacement, and extraction to the electrocardiogram data to be analyzed.
  • the ECG data to be analyzed may include a plurality of ECG lead data.
  • the step of applying the pre-processing process may apply pre-processing to remove at least some types of lead data from among the plurality of ECG lead data.
  • the Parkinson's disease analysis method using electrocardiogram signals includes preparing learning data including the electrocardiogram signal of a Parkinson's disease patient, and when the electrocardiogram data to be analyzed is input, linking it with the electrocardiogram data to be analyzed. Constructing an artificial intelligence-based analysis model based on the learning data to output disease information related to Parkinson's disease of the subject of the electrocardiogram data to be analyzed using predetermined characteristic parameters, and acquiring the electrocardiogram data to be analyzed. And, it may include deriving the disease information through the analysis model.
  • an artificial intelligence-based Parkinson's disease analysis model learning method using electrocardiogram signals includes preparing learning data including electrocardiogram signals of Parkinson's disease patients, and hyperparameters linked to the analysis model.
  • learning data including electrocardiogram signals of Parkinson's disease patients, and hyperparameters linked to the analysis model.
  • disease information related to Parkinson's disease of the subject of the electrocardiogram data to be analyzed is output using predetermined characteristic parameters linked to the electrocardiogram data to be analyzed. It may include building the analysis model based on the learning data and the hyper parameters.
  • an artificial intelligence-based Parkinson's disease analysis model learning method using electrocardiogram signals includes preparing learning data including electrocardiogram signals of Parkinson's disease patients, and when electrocardiogram data to be analyzed is input, Constructing an artificial intelligence-based analysis model based on the learning data to output disease information related to Parkinson's disease of the subject of the analysis target electrocardiogram data using predetermined characteristic parameters linked to the analysis target electrocardiogram data; It may include acquiring electrocardiogram data to be analyzed and deriving the disease information through the analysis model.
  • the Parkinson's disease analysis device using electrocardiogram signals acquires electrocardiogram data to be analyzed, and uses predetermined characteristic parameters associated with the electrocardiogram data to be analyzed to measure the subject of the electrocardiogram data to be analyzed. It may include an inference unit that derives the disease information through an artificial intelligence-based analysis model learned to output disease information related to Parkinson's disease.
  • the inference unit outputs the disease information including at least one of disease presence information for the idiopathic Parkinson's disease of the test subject and disease presence/absence information for the drug-induced Parkinson's syndrome of the test subject through the analysis model. can do.
  • the Parkinson's disease analysis device using an electrocardiogram signal may include a preprocessing unit that applies a preprocessing process including at least one of deletion, substitution, and extraction to the electrocardiogram signal.
  • the Parkinson's disease analysis device using electrocardiogram signals includes a collection unit that prepares learning data including the electrocardiogram signal of a Parkinson's disease patient, and when electrocardiogram data to be analyzed is input, the electrocardiogram data to be analyzed and A learning unit that constructs an artificial intelligence-based analysis model based on the learning data to output disease information related to Parkinson's disease of the subject of the ECG data to be analyzed using predetermined characteristic parameters linked to the ECG data, and the ECG data to be analyzed It may include an inference unit that acquires and derives the disease information through the analysis model.
  • an artificial intelligence-based Parkinson's disease analysis model learning device using electrocardiogram signals includes a collection unit that prepares learning data including electrocardiogram signals of Parkinson's disease patients, and hyper parameters linked to the analysis model.
  • the optimization unit determines based on Bayesian optimization technique and the electrocardiogram data to be analyzed are input, disease information associated with Parkinson's disease of the subject of the electrocardiogram data to be analyzed is used using predetermined characteristic parameters linked to the electrocardiogram data to be analyzed. It may include a learning unit that builds the analysis model that outputs based on the learning data and the hyper parameters.
  • the diagnostic criteria for Parkinson's disease are subdivided into idiopathic Parkinson's disease and drug-induced parkinsonism, thereby generating an electrocardiogram signal that can assist in highly accurate diagnosis of Parkinson's disease.
  • a Parkinson's disease analysis device and method using can be provided.
  • FIG. 1 is a schematic configuration diagram of an ECG signal analysis system according to an embodiment of the present application.
  • Figure 2 is a conceptual diagram illustrating an artificial intelligence-based analysis model of a Parkinson's disease analysis device using electrocardiogram signals according to an embodiment of the present application.
  • Figure 3 is a diagram for explaining a pre-processing process applied to an electrocardiogram signal.
  • Figure 4 is a conceptual diagram illustrating an optimization technique for hyper-parameters of an artificial intelligence-based analysis model of a Parkinson's disease analysis device using electrocardiogram signals according to an embodiment of the present application.
  • Figure 5 is an experimental example linked to a Parkinson's disease analysis device using electrocardiogram signals according to an embodiment of the present application, and is a graph showing evaluation results of the discrimination performance of an artificial intelligence-based analysis model for Parkinson's disease.
  • Figure 6 is a schematic configuration diagram of a Parkinson's disease analysis device using electrocardiogram signals according to an embodiment of the present application.
  • Figure 7 is an operation flowchart of a method for analyzing Parkinson's disease using electrocardiogram signals according to an embodiment of the present application.
  • Figure 8 is an operation flowchart of an artificial intelligence-based Parkinson's disease analysis model learning method using electrocardiogram signals according to an embodiment of the present application.
  • This application relates to a device and method for analyzing Parkinson's disease using electrocardiogram signals.
  • our study is about an electrocardiogram analysis artificial intelligence algorithm for screening and early diagnosis of Parkinson's disease.
  • FIG. 1 is a schematic configuration diagram of an ECG signal analysis system according to an embodiment of the present application.
  • the ECG signal analysis system 10 is a Parkinson's disease analysis device 100 (hereinafter referred to as the 'analysis device 100') using an ECG signal according to an embodiment of the present application. ), measuring equipment 200, and a user terminal 300.
  • the analysis device 100, the measurement equipment 200, and the user terminal 300 may communicate with each other through the network 20.
  • the network 20 refers to a connection structure that allows information exchange between nodes such as terminals and servers. Examples of such networks 20 include the 3rd Generation Partnership Project (3GPP) network, Long Term Evolution) network, 5G network, WIMAX (World Interoperability for Microwave Access) network, Internet, LAN (Local Area Network), Wireless LAN (Wireless Local Area Network), WAN (Wide Area Network), PAN (Personal Area) Network), wifi network, Bluetooth network, satellite broadcasting network, analog broadcasting network, DMB (Digital Multimedia Broadcasting) network, etc., but are not limited thereto.
  • 3GPP 3rd Generation Partnership Project
  • 5G Fifth Generation Partnership Project
  • WIMAX Worldwide Interoperability for Microwave Access
  • Internet Internet
  • LAN Local Area Network
  • Wireless LAN Wireless Local Area Network
  • WAN Wide Area Network
  • PAN Personal Area Network
  • wifi network Bluetooth network
  • satellite broadcasting network
  • the user terminal 300 includes, for example, a smartphone, a SmartPad, a tablet PC, etc., as well as a Personal Communication System (PCS), a Global System for Mobile communication (GSM), a Personal Digital Cellular (PDC), and a PHS ( Personal Handyphone System), PDA (Personal Digital Assistant), IMT (International Mobile Telecommunication)-2000, CDMA (Code Division Multiple Access)-2000, W-CDMA (W-Code Division Multiple Access), Wibro (Wireless Broadband Internet) terminal It can be any type of wireless communication device, such as:
  • the ECG signal is a 12-lead ECG signal and may include 12 ECG signals.
  • the measuring equipment 200 includes 10 electrodes (Electrode labels: RA, LA, RL, LL, V 1 , V 2 , V 3 , V 4 , V 5 , It may be a 12-lead electrocardiogram (EKG) device that acquires electrocardiogram signals from V 6 ), but is not limited to this.
  • the measurement equipment 200 may be a portable electrocardiogram test equipment applied to a remote medical treatment system, etc.
  • Figure 2 is a conceptual diagram illustrating an artificial intelligence-based analysis model of a Parkinson's disease analysis device using electrocardiogram signals according to an embodiment of the present application.
  • the analysis device 100 analyzes the electrocardiogram signal of the Parkinson's disease patient group and the normal group.
  • an artificial intelligence-based analysis model (Deep-Convolution neural network) built using learning data including electrocardiogram signals, it can be operated to derive disease information related to Parkinson's disease of the subject as output variables. there is.
  • the ECG data subject to analysis applied to the analysis device 100 includes a plurality of ECG lead data (e.g., 12-lead ECG, etc.), but the input data input to the analysis model includes a plurality of ECG lead data.
  • the ECG lead data may be a data set to which preprocessing has been applied to remove at least some types of lead data (for example, eight ECG signals selected among 12-lead signals, etc.).
  • the output data of the analysis device 100 is binary type data corresponding to information on the presence or absence of Parkinson's disease (for example, output value 1 indicates that the subject is a Parkinson's disease patient). may be output as output data, such as indicating the determined result, and the output value 0 indicates the determined result that the subject is not a person suffering from Parkinson's disease, but is not limited to this.
  • the analysis device 100 determines that the subject is a patient with idiopathic Parkinson's disease, drug-induced parkinsonism, or has a Parkinson's disease-related disease. Analysis information that determines that it is in a normal state may be derived as output data.
  • the output data of the analysis device 100 is evaluated for the level of symptoms associated with the Parkinson's disease of the subject if it is determined that the subject has Parkinson's disease. May contain analysis information including results.
  • the analysis device 100 may prepare learning data including electrocardiogram signals of Parkinson's disease patients to learn (build) an artificial intelligence-based analysis model.
  • the analysis device 100 is a first electrocardiogram signal of a patient with idiopathic Parkinson's disease, a second electrocardiogram signal of a patient with drug-induced parkinsonism, and a normal person. Learning data including the third ECG signal can be collected.
  • drug-induced parkinsonism is a disease in which tremors appear in the face and extremities as a side effect of taking drugs. Since it shows symptoms similar to idiopathic Parkinson's disease, it is clinically classified as both. It can be important to make a clear distinction when making a diagnosis. Accordingly, the analysis device 100 disclosed herein can strictly distinguish between the characteristics of the electrocardiogram signal due to the effects of idiopathic Parkinson's disease and the characteristics of the electrocardiogram signal due to the effects of drug-induced parkinsonism.
  • the first ECG signal of a patient with idiopathic Parkinson's disease and the second ECG signal of a patient with drug-induced parkinsonism are collected and learned. It can be used as data.
  • the analysis device 100 can distinguish between the first ECG signal and the second ECG signal based on the diagnosis code information assigned to the ECG signal collected as learning data and the clinical content data evaluated when measuring the ECG signal. You can.
  • the analysis device 100 converts the ECG signal of a patient to which a preset type of diagnosis code group (e.g., G23.2, G23.3, G90.3, G90.3A, etc.) is assigned into the first ECG signal. It can be classified so as not to be selected.
  • the analysis device 100 selects the ECG signal of a patient who has symptoms of dopamine decreased within 3 months before and after the diagnosis of DPD and is assigned a diagnosis code included in the above-mentioned diagnosis code group as the second ECG signal. It can be classified so that it does not occur.
  • a preset type of diagnosis code group e.g., G23.2, G23.3, G90.3, G90.3A, etc.
  • the analysis device 100 determines that the number of diagnoses of Parkinson's disease (idiopathic Parkinson's disease) is more than a preset threshold number (e.g., 4 times) and the critical period of administration days (e.g., ECG test after diagnosis of Parkinson's disease (idiopathic Parkinson's disease), patients who have been diagnosed with Parkinson's disease (idiopathic Parkinson's disease) more than once, and who have experienced decreased DAT within 6 months before and after diagnosis ECG signals from patients with a history of the device, etc. may be collected as the first ECG signal, but the method is not limited to this.
  • a preset threshold number e.g., 4 times
  • the critical period of administration days e.g., ECG test after diagnosis of Parkinson's disease (idiopathic Parkinson's disease), patients who have been diagnosed with Parkinson's disease (idiopathic Parkinson's disease) more than once, and who have experienced decreased DAT within 6 months before and after diagnosis ECG signals from patients with a history of the device, etc. may
  • the analysis device 100 is used to detect drug-induced Parkinsonism, excluding patients in whom DAT density decreased within 3 months before and after the diagnosis of drug-induced Parkinsonism.
  • the ECG signal of a patient who has a history of ECG testing after a diagnosis of parkinsonism can be collected as a second ECG signal, but is not limited to this.
  • Figure 3 is a diagram for explaining a pre-processing process applied to an electrocardiogram signal.
  • the analysis device 100 may reduce the influence of abnormal waveforms through preprocessing of the waveforms of the collected ECG signals. Specifically, the analysis device 100 may apply a preprocessing process including searching for abnormal waveform sections, selecting abnormal waveform sections, deleting selected sections, and spline restoration, but is not limited to this.
  • the analysis device 100 is used to secure meaningful data without noise in the ECG signal collected in units of preset frame sections (e.g., 5000 frames, etc.) as shown in FIG. 3.
  • Preprocessing can be applied to delete frame data (e.g., 100 frames) corresponding to a portion of the front data (e.g., 200 msec long data).
  • the analysis device 100 may apply a preprocessing process including at least one of deletion, replacement, and extraction to the ECG signal collected as learning data, and this may be applied in the same manner to the ECG data to be analyzed, which will be described later. It can be applied.
  • Figure 4 is a conceptual diagram illustrating an optimization technique for hyper-parameters of an artificial intelligence-based analysis model of a Parkinson's disease analysis device using electrocardiogram signals according to an embodiment of the present application.
  • the analysis device 100 may apply a Bayesian optimizer to optimize hyper parameters of an artificial intelligence-based analysis model, which will be described later.
  • Bayesian optimization is a methodology that automatically selects hyper parameters by optimizing the objective function using the Gaussian process. Tuning of hyper parameters can also be achieved through manual optimization, but this is a method of building an analysis model. While there are limitations in having to rely on the developer's experience, Bayesian optimization has the advantage of requiring fewer iterations, faster convergence speed, and enabling accurate selection of hyperparameters.
  • the artificial intelligence-based analysis model disclosed herein may be a convolution neural network (CNN)-based algorithm, but is not limited thereto, and the analysis model disclosed herein
  • CNN convolution neural network
  • various artificial intelligence-based algorithms that are already known or may be developed in the future can be applied.
  • the hyperparameters derived by applying the Bayesian optimization technique to an analysis model of an algorithm type based on a convolution neural network are illustratively, a filter size in the range of 4 to 16, 8 It can be optimized with a number of channels ranging from 16 to 16, a dropout rate ranging from 0.2 to 0.6, a learning rate ranging from 0.0001 to 0.1, and a batch size ranging from 4 to 8.
  • the artificial intelligence-based analysis model disclosed herein is a one-dimensional (1-D) CNN-based Deep CNN, which may include a convolutional layer and a fully-connected layer.
  • the convolution layer can output a feature map (output feature map) by performing an inner product operation of the input variables through each convolution kernel.
  • each kernel may include information on the size of the local receptive field as a feature parameter reflected in the ECG data, and through extraction of these local features, feature parameters for the entire data can be obtained. It can be maintained.
  • the pooling layer of the analysis model reduces the number of feature parameters without affecting the characteristics of the input signal, and the pooling layer allows the pattern of feature parameters to be transmitted to the fully connected layer.
  • the output of can be converted to a one-dimensional vector.
  • the characteristic parameters of the ECG signal obtained from the convolutional layer are transferred to a fully connected layer structure to output disease information including prediction results for the presence or absence of Parkinson's disease through sigmoid regression.
  • activation function applied to the artificial intelligence-based analysis model disclosed herein may be a Leaky ReLU function, according to an embodiment of the present application, but is not limited thereto.
  • the analysis device 100 can acquire electrocardiogram data to be analyzed for a specific subject after the learning (building) process of the artificial intelligence-based analysis model described above is completed.
  • the analysis device 100 may receive electrocardiogram data to be analyzed from the measurement equipment 200 attached or placed on the body of the person being measured.
  • the ECG data to be analyzed may include a plurality of ECG lead data, and the analysis device 100 may apply preprocessing to remove at least some types of lead data from the plurality of ECG lead data.
  • the analysis device 100 may apply preprocessing to remove some lead data corresponding to synthetic signals from the ECG data to be analyzed of the 12-lead ECG signal type.
  • the analysis device 100 may derive disease information linked to Parkinson's disease of the subject corresponding to the electrocardiogram data to be analyzed through the constructed analysis model.
  • the analysis device 100 includes at least one of information on the presence or absence of disease for the idiopathic Parkinson's disease of the subject and information on the presence or absence of disease for drug-induced Parkinsonism of the subject.
  • Disease information can be output through an artificial intelligence-based analysis model.
  • Figure 5 is an experimental example linked to a Parkinson's disease analysis device using electrocardiogram signals according to an embodiment of the present application, and is a graph showing evaluation results of the discrimination performance of an artificial intelligence-based analysis model for Parkinson's disease.
  • the analysis device 100 disclosed herein can operate to output disease information using not only 12-lead type ECG data but also single-lead type ECG data as analysis target data.
  • Figure 6 is a schematic configuration diagram of a Parkinson's disease analysis device using electrocardiogram signals according to an embodiment of the present application.
  • the analysis device 100 may include a collection unit 110, a preprocessing unit 120, an optimization unit 130, a learning unit 140, and an inference unit 150.
  • the collection unit 110 may prepare learning data including electrocardiogram signals of Parkinson's disease patients.
  • the collection unit 110 collects learning data including a first electrocardiogram signal of a patient with idiopathic Parkinson's disease and a second electrocardiogram signal of a patient with drug-induced parkinsonism. can be collected separately.
  • the preprocessor 120 may apply a preprocessing process including at least one of deletion, replacement, and extraction to the ECG signal collected as learning data.
  • the preprocessor 120 may apply preprocessing to remove at least some types of lead data from a plurality of ECG lead data collected as learning data.
  • the optimization unit 130 may determine hyper parameters associated with an artificial intelligence-based analysis model based on Bayesian optimization techniques.
  • the learning unit 140 is an artificial intelligence-based device that outputs disease information related to Parkinson's disease of the subject of the electrocardiogram data to be analyzed using predetermined characteristic parameters associated with the input electrocardiogram data to be analyzed.
  • An analysis model can be built based on the collected learning data and hyper-parameters determined by the optimization unit 130.
  • the inference unit 150 may acquire electrocardiogram data to be analyzed. Meanwhile, the preprocessor 120 may apply preprocessing to remove at least some types of lead data from among the plurality of ECG lead data obtained as ECG data to be analyzed.
  • the inference unit 150 may derive disease information of the subject being measured through an artificial intelligence-based analysis model built by the learning unit 140.
  • the inference unit 150 is an artificial intelligence-based analysis model that constructs disease information including at least one of the disease presence information for the idiopathic Parkinson's disease of the test subject and the disease presence/absence information for the drug-induced Parkinson's syndrome of the test subject. It can be printed through .
  • Figure 7 is an operation flowchart of a method for analyzing Parkinson's disease using electrocardiogram signals according to an embodiment of the present application.
  • the Parkinson's disease analysis method using the electrocardiogram signal shown in FIG. 7 can be performed by the analysis device 100 described above. Therefore, even if the content is omitted below, the content described with respect to the analysis device 100 can be equally applied to the description of the Parkinson's disease analysis method using electrocardiogram signals.
  • the collection unit 110 may prepare learning data including the electrocardiogram signal of a Parkinson's disease patient.
  • the collection unit 110 includes a first electrocardiogram signal of a patient with idiopathic Parkinson's disease and a second electrocardiogram signal of a patient with drug-induced parkinsonism. You can collect learning data.
  • step S12 when the electrocardiogram data to be analyzed is input, the learning unit 140 uses predetermined characteristic parameters associated with the input electrocardiogram data to be analyzed to provide disease information associated with Parkinson's disease of the subject of the electrocardiogram data to be analyzed.
  • An artificial intelligence-based analysis model that outputs can be built based on the learning data collected in step S11.
  • the inference unit 150 may acquire electrocardiogram data to be analyzed.
  • the preprocessor 120 may apply preprocessing to remove at least some types of lead data from among the plurality of ECG lead data obtained as the ECG data to be analyzed.
  • the inference unit 150 may derive disease information of the subject through the artificial intelligence-based analysis model built in step S12.
  • the inference unit 150 generates disease information including at least one of the disease presence/absence information for the idiopathic Parkinson's disease of the test subject and the disease presence/absence information for the drug-induced Parkinson's syndrome of the test subject, based on artificial intelligence. It can be output through the analysis model.
  • steps S11 to S14 may be further divided into additional steps or combined into fewer steps, depending on the implementation of the present disclosure. Additionally, some steps may be omitted or the order between steps may be changed as needed.
  • Figure 8 is an operation flowchart of an artificial intelligence-based Parkinson's disease analysis model learning method using electrocardiogram signals according to an embodiment of the present application.
  • the artificial intelligence-based Parkinson's disease analysis model learning method using the electrocardiogram signal shown in FIG. 8 can be performed by the analysis device 100 described above. Therefore, even if the content is omitted below, the content described with respect to the analysis device 100 can be equally applied to the description of FIG. 8.
  • the collection unit 110 may prepare learning data including the electrocardiogram signal of a Parkinson's disease patient.
  • the preprocessor 120 may apply a preprocessing process including at least one of deletion, replacement, and extraction to the ECG signal collected as learning data.
  • the preprocessor 120 may apply preprocessing to remove at least some types of lead data from among the plurality of ECG lead data collected as learning data.
  • the optimizer 130 may determine hyper parameters associated with the artificial intelligence-based analysis model based on Bayesian optimization techniques.
  • step S23 when the electrocardiogram data to be analyzed is input, the learning unit 140 uses predetermined characteristic parameters associated with the input electrocardiogram data to be analyzed to provide disease information associated with Parkinson's disease of the subject of the electrocardiogram data to be analyzed.
  • An artificial intelligence-based analysis model that outputs can be built based on the learning data collected through step S21 and the hyperparameters determined through step S12.
  • steps S21 to S23 may be further divided into additional steps or combined into fewer steps, depending on the implementation of the present disclosure. Additionally, some steps may be omitted or the order between steps may be changed as needed.
  • the Parkinson's disease analysis method using electrocardiogram signals 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 constructed for the present invention or may be known and usable by 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.
  • optical media magnetic-optical media
  • hardware devices specifically configured to store and execute program instructions, such as ROM, RAM, flash memory, etc.
  • 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 present invention, and vice versa.
  • the Parkinson's disease analysis method using the above-described electrocardiogram signal may also be implemented in the form of a computer program or application executed by a computer stored in a recording medium.

Landscapes

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

Abstract

심전도 신호를 이용한 파킨슨병 분석 장치 및 방법이 개시되며, 본원의 일 실시예에 따른 심전도 신호를 이용한 파킨슨병 분석 방법은, 분석 대상 심전도 데이터를 획득하는 단계 및 상기 분석 대상 심전도 데이터와 연계된 소정의 특징 파라미터를 이용하여 상기 분석 대상 심전도 데이터의 피측정자의 파킨슨병과 연계된 질환 정보를 출력하도록 학습된 인공지능 기반의 분석 모델을 통해 상기 질환 정보를 도출하는 단계를 포함할 수 있다.

Description

심전도 신호를 이용한 파킨슨병 분석 장치 및 방법
본원은 심전도 신호를 이용한 파킨슨병 분석 장치 및 방법에 관한 것이다. 예를 들면, 본원은 파킨슨병의 선별 및 조기 진단을 위한 심전도 분석 인공지능 알고리즘에 관한 것이다. 이 특허는 2021년도 정부(교육부)의 재원으로 한국연구재단(No.2021R1I1A1A01059747) 및 석천나눔재단의 지원을 받아 수행된 연구이다(No. SCY2106P).
종래의 파킨슨병에 대한 진단은 전문의의 주관적인 판단에 많이 의존하였고, 이로 인해 주치의가 파킨슨병에 대해 잘 모르면 진단이 늦어지는 경우가 발생할 수 있었다.
이러한, 파킨슨병의 진단에 있어서 DAT(Dopamine transporter) 스캔과 같은 영상검사가 다른 질환과의 감별 및 진단에 도움을 주는 것으로 알려져 있지만, 표준적인 진단 방법으로 채택될 만큼의 정확도 수준을 보이지는 못하고 있고, 숙련된 영상의학과 전문의의 해석이 필요할 뿐만 아니라, 고비용의 검사라는 점에서 널리 시행하기에 제한이 많은 실정이다.
그 밖에도 뇌파, 뇌척수액 검사 등을 이용한 파킨슨병 진단 기술이 개발되고 있으나 마찬가지로 고비용이거나 침습적인 검사 방식이라는 한계가 있어 범용적인 활용이 어렵다.
또한, 최근에는 피검사자의 보행 영상, 음성 데이터 등에 대한 분석 결과를 활용하여 파킨슨병을 진단하려는 시도도 진행되고 있으나 이러한 동영상 및 음성은 검사방법에 있어서 표준화가 되어 있지 않기 때문에 성능 재현성 측면에서 의문이 있다.
본원의 배경이 되는 기술은 한국등록특허공보 제10-2068836호에 개시되어 있다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 의료 기관에서 폭넓게 활용되는 표준 검사 방식에 따른 심전도 신호를 활용함으로써 범용성이 우수한 파킨슨병 분석 장치 및 방법을 제공하려는 것을 목적으로 한다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 심전도 데이터에 대한 특징 파라미터를 기초로 하여 피측정자의 파킨슨병과 연계된 질환 정보를 출력하는 인공지능 기반의 분석 모델을 이용한 파킨슨병 분석 장치 및 방법을 제공하려는 것을 목적으로 한다.
다만, 본원의 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상기한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본원의 일 실시예에 따른 심전도 신호를 이용한 파킨슨병 분석 방법은, 분석 대상 심전도 데이터를 획득하는 단계 및 상기 분석 대상 심전도 데이터와 연계된 소정의 특징 파라미터를 이용하여 상기 분석 대상 심전도 데이터의 피측정자의 파킨슨병과 연계된 질환 정보를 출력하도록 학습된 인공지능 기반의 분석 모델을 통해 상기 질환 정보를 도출하는 단계를 포함할 수 있다.
또한, 상기 분석 모델은 파킨슨병 환자의 심전도 신호를 포함하는 학습 데이터에 기초하여 구축될 수 있다.
또한, 상기 학습 데이터는 특발성 파킨슨병(Idiopathic Parkinson's disease) 환자의 제1심전도 신호 및 약인성 파킨슨증후군(Drug-induced parkinsonism) 환자의 제2심전도 신호를 포함할 수 있다.
또한, 상기 질환 정보를 도출하는 단계는, 상기 피측정자의 상기 특발성 파킨슨병에 대한 질환 유무 정보 및 상기 피측정자의 상기 약인성 파킨슨증후군에 대한 질환 유무 정보 중 적어도 하나를 포함하는 상기 질환 정보를 상기 분석 모델을 통해 출력할 수 있다.
또한, 상기 분석 모델은 합성곱 신경망(Convolution Neural Network, CNN) 기반의 알고리즘일 수 있다.
또한, 상기 알고리즘과 연계된 하이퍼 파라미터가 베이지안 최적화 기법에 기초하여 결정될 수 있다.
또한, 본원의 일 실시예에 따른 심전도 신호를 이용한 파킨슨병 분석 방법은, 상기 분석 대상 심전도 데이터에 대하여 삭제, 치환 및 추출 중 적어도 하나를 포함하는 전처리 프로세스를 적용하는 단계를 포함할 수 있다.
또한, 상기 분석 대상 심전도 데이터는 복수의 심전도 리드 데이터를 포함할 수 있다.
또한, 상기 전처리 프로세스를 적용하는 단계는, 상기 복수의 심전도 리드 데이터 중 적어도 일부 유형의 리드 데이터를 제거하는 전처리를 적용할 수 있다.
한편, 본원의 일 실시예에 따른 심전도 신호를 이용한 파킨슨병 분석 방법은, 파킨슨병 환자의 심전도 신호를 포함하는 학습 데이터를 준비하는 단계, 분석 대상 심전도 데이터가 입력되면, 상기 분석 대상 심전도 데이터와 연계된 소정의 특징 파라미터를 이용하여 상기 분석 대상 심전도 데이터의 피측정자의 파킨슨병과 연계된 질환 정보를 출력하는 인공지능 기반의 분석 모델을 상기 학습 데이터에 기초하여 구축하는 단계 및 상기 분석 대상 심전도 데이터를 획득하고, 상기 분석 모델을 통해 상기 질환 정보를 도출하는 단계를 포함할 수 있다.
한편, 본원의 일 실시예에 따른 심전도 신호를 이용한 인공지능 기반의 파킨슨병 분석 모델 학습 방법은, 파킨슨병 환자의 심전도 신호를 포함하는 학습 데이터를 준비하는 단계, 상기 분석 모델과 연계된 하이퍼 파라미터를 베이지안 최적화 기법에 기초하여 결정하는 단계 및 분석 대상 심전도 데이터가 입력되면, 상기 분석 대상 심전도 데이터와 연계된 소정의 특징 파라미터를 이용하여 상기 분석 대상 심전도 데이터의 피측정자의 파킨슨병과 연계된 질환 정보를 출력하는 상기 분석 모델을 상기 학습 데이터 및 상기 하이퍼 파라미터에 기초하여 구축하는 단계를 포함할 수 있다.
한편, 본원의 일 실시예에 따른 심전도 신호를 이용한 인공지능 기반의 파킨슨병 분석 모델 학습 방법은, 파킨슨병 환자의 심전도 신호를 포함하는 학습 데이터를 준비하는 단계, 분석 대상 심전도 데이터가 입력되면, 상기 분석 대상 심전도 데이터와 연계된 소정의 특징 파라미터를 이용하여 상기 분석 대상 심전도 데이터의 피측정자의 파킨슨병과 연계된 질환 정보를 출력하는 인공지능 기반의 분석 모델을 상기 학습 데이터에 기초하여 구축하는 단계 및 상기 분석 대상 심전도 데이터를 획득하고, 상기 분석 모델을 통해 상기 질환 정보를 도출하는 단계를 포함할 수 있다.
한편, 본원의 일 실시예에 따른 심전도 신호를 이용한 파킨슨병 분석 장치는, 분석 대상 심전도 데이터를 획득하고, 상기 분석 대상 심전도 데이터와 연계된 소정의 특징 파라미터를 이용하여 상기 분석 대상 심전도 데이터의 피측정자의 파킨슨병과 연계된 질환 정보를 출력하도록 학습된 인공지능 기반의 분석 모델을 통해 상기 질환 정보를 도출하는 추론부를 포함할 수 있다.
또한, 상기 추론부는, 상기 피측정자의 상기 특발성 파킨슨병에 대한 질환 유무 정보 및 상기 피측정자의 상기 약인성 파킨슨증후군에 대한 질환 유무 정보 중 적어도 하나를 포함하는 상기 질환 정보를 상기 분석 모델을 통해 출력할 수 있다.
또한, 본원의 일 실시예에 따른 심전도 신호를 이용한 파킨슨병 분석 장치는, 상기 심전도 신호에 대하여 삭제, 치환 및 추출 중 적어도 하나를 포함하는 전처리 프로세스를 적용하는 전처리부를 포함할 수 있다.
한편, 본원의 일 실시예에 따른 심전도 신호를 이용한 파킨슨병 분석 장치는, 파킨슨병 환자의 심전도 신호를 포함하는 학습 데이터를 준비하는 수집부, 분석 대상 심전도 데이터가 입력되면, 상기 분석 대상 심전도 데이터와 연계된 소정의 특징 파라미터를 이용하여 상기 분석 대상 심전도 데이터의 피측정자의 파킨슨병과 연계된 질환 정보를 출력하는 인공지능 기반의 분석 모델을 상기 학습 데이터에 기초하여 구축하는 학습부 및 상기 분석 대상 심전도 데이터를 획득하고, 상기 분석 모델을 통해 상기 질환 정보를 도출하는 추론부를 포함할 수 있다.
한편, 본원의 일 실시예에 따른 심전도 신호를 이용한 인공지능 기반의 파킨슨병 분석 모델 학습 장치는, 파킨슨병 환자의 심전도 신호를 포함하는 학습 데이터를 준비하는 수집부, 상기 분석 모델과 연계된 하이퍼 파라미터를 베이지안 최적화 기법에 기초하여 결정하는 최적화부 및 분석 대상 심전도 데이터가 입력되면, 상기 분석 대상 심전도 데이터와 연계된 소정의 특징 파라미터를 이용하여 상기 분석 대상 심전도 데이터의 피측정자의 파킨슨병과 연계된 질환 정보를 출력하는 상기 분석 모델을 상기 학습 데이터 및 상기 하이퍼 파라미터에 기초하여 구축하는 학습부를 포함할 수 있다.
상술한 과제 해결 수단은 단지 예시적인 것으로서, 본원을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 추가적인 실시예가 존재할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 의료 기관에서 폭넓게 활용되는 표준 검사 방식에 따른 심전도 신호를 활용함으로써 범용성이 우수한 파킨슨병 분석 장치 및 방법을 제공할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 심전도 데이터에 대한 특징 파라미터를 기초로 하여 피측정자의 파킨슨병과 연계된 질환 정보를 출력하는 인공지능 기반의 분석 모델을 이용한 파킨슨병 분석 장치 및 방법을 제공할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 파킨슨병의 진단 기준을 특발성 파킨슨병(Idiopathic Parkinson's disease)과 약인성 파킨슨증후군(Drug-induced parkinsonism)로 세분화함으로써 정확도 높은 파킨슨병 진단을 보조할 수 있는 심전도 신호를 이용한 파킨슨병 분석 장치 및 방법을 제공할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 저비용이면서도 범용적인 검사 데이터를 활용한 현실성 높은 파킨슨병 진단을 위한 보급형 모델을 구축할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 12-lead 심전도 기기 등과 같은 측정 정비에 탑재함으로써 임상 지원 시스템으로의 확장 적용이 용이할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 휴대용 단일 심전도 검사 장비, 웨어러블 검사 기기 등에 탑재됨으로써 원격 진료 시스템의 구현을 위한 원천기술로 활용될 수 있다.
다만, 본원에서 얻을 수 있는 효과는 상기된 바와 같은 효과들로 한정되지 않으며, 또 다른 효과들이 존재할 수 있다.
도 1은 본원의 일 실시예에 따른 심전도 신호 분석 시스템의 개략적인 구성도이다.
도 2는 본원의 일 실시예에 따른 심전도 신호를 이용한 파킨슨병 분석 장치의 인공지능 기반의 분석 모델을 설명하기 위한 개념도이다.
도 3은 심전도 신호에 대하여 적용되는 전처리 프로세스를 설명하기 위한 도면이다.
도 4는 본원의 일 실시예에 따른 심전도 신호를 이용한 파킨슨병 분석 장치의 인공지능 기반의 분석 모델의 하이퍼 파라미터에 대한 최적화 기법을 설명하기 위한 개념도이다.
도 5는 본원의 일 실시예에 따른 심전도 신호를 이용한 파킨슨병 분석 장치와 연계된 일 실험예로서, 인공지능 기반의 분석 모델의 파킨슨병에 대한 판별 성능에 대한 평가 결과를 나타낸 그래프이다.
도 6은 본원의 일 실시예에 따른 심전도 신호를 이용한 파킨슨병 분석 장치의 개략적인 구성도이다.
도 7은 본원의 일 실시예에 따른 심전도 신호를 이용한 파킨슨병 분석 방법에 대한 동작 흐름도이다.
도 8은 본원의 일 실시예에 따른 심전도 신호를 이용한 인공지능 기반의 파킨슨병 분석 모델 학습 방법에 대한 동작 흐름도이다.
아래에서는 첨부한 도면을 참조하여 본원이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본원의 실시예를 상세히 설명한다. 그러나 본원은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본원을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본원 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결" 또는 "간접적으로 연결"되어 있는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부재가 다른 부재 "상에", "상부에", "상단에", "하에", "하부에", "하단에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.
본원은 심전도 신호를 이용한 파킨슨병 분석 장치 및 방법에 관한 것이다. 예를 들면, 본원은 파킨슨병의 선별 및 조기 진단을 위한 심전도 분석 인공지능 알고리즘에 관한 것이다.
도 1은 본원의 일 실시예에 따른 심전도 신호 분석 시스템의 개략적인 구성도이다.
도 1을 참조하면, 본원의 일 실시예에 따른 심전도 신호 분석 시스템(10)은 본원의 일 실시예에 따른 심전도 신호를 이용한 파킨슨병 분석 장치(100)(이하, '분석 장치(100)'라 한다.), 측정 장비(200) 및 사용자 단말(300)을 포함할 수 있다.
분석 장치(100), 측정 장비(200) 및 사용자 단말(300) 상호간은 네트워크(20)를 통해 통신할 수 있다. 네트워크(20)는 단말들 및 서버들과 같은 각각의 노드 상호간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크(20)의 일 예에는, 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, 5G 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), wifi 네트워크, 블루투스(Bluetooth) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.
사용자 단말(300)은 예를 들면, 스마트폰(Smartphone), 스마트패드(SmartPad), 태블릿 PC등과 PCS(Personal Communication System), GSM(Global System for Mobile communication), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말기 같은 모든 종류의 무선 통신 장치일 수 있다.
본원의 실시예에 관한 설명에서, 심전도 신호란 12-lead 심전도 신호로서, 12개의 심전도 신호를 포함하는 것일 수 있다. 이와 관련하여, 측정 장비(200)는 대상자의 신체 표면 서로 다른 위치에 부착되는 10개의 전극(Electrode label: RA, LA, RL, LL, V1, V2, V3, V4, V5, V6)으로부터 심전도 신호를 획득하는 12-lead 심전도계(Electrocardiogram, EKG) 디바이스일 수 있으나, 이에만 한정되는 것은 아니다. 다른 예로, 측정 장비(200)는 원격 진료 시스템 등에 적용되는 휴대용 심전도 검사 장비일 수 있다.
이하에서는 도 2 내지 도 4를 참조하여 분석 장치(100)의 구체적인 기능 및 동작에 대하여 설명하도록 한다.
도 2는 본원의 일 실시예에 따른 심전도 신호를 이용한 파킨슨병 분석 장치의 인공지능 기반의 분석 모델을 설명하기 위한 개념도이다.
도 2를 참조하면, 분석 장치(100)는 특정 피측정자의 분석 대상 심전도 데이터가 입력 데이터(Input variables)로 인가되면, 파킨슨병 환자 그룹(Parkinson group)의 심전도 신호 및 정상 그룹(Normal group)의 심전도 신호를 포함하는 학습 데이터를 이용하여 구축된 인공지능 기반의 분석 모델(Deep-Convolution neural network)을 통해 해당 피측정자의 파킨슨병과 연계된 질환 정보를 출력 데이터(Output variables)로 도출하도록 동작할 수 있다.
또한, 도 2를 참조하면, 분석 장치(100)로 인가되는 분석 대상 심전도 데이터는 복수의 심전도 리드 데이터를 포함(예를 들면, 12-lead ECG 등)하되, 분석 모델로 입력되는 입력 데이터는 복수의 심전도 리드 데이터 중 적어도 일부 유형의 리드 데이터를 제거하는 전처리가 적용된 데이터 셋(예를 들면, 12-lead 신호 중 선정된 8개의 ECG 신호 등)일 수 있다.
또한, 도 2를 참조하면, 분석 장치(100)의 출력 데이터는 파킨슨병의 질환 유무에 대한 정보에 대응하는 바이너리(binary) 타입의 데이터(예를 들면, 출력값 1은 피측정자가 파킨슨병의 질환자로 판별된 결과를 나타내고, 출력값 0은 피측정자가 파킨슨병의 질환자가 아닌 것으로 판별된 결과를 나타내는 등의 출력 데이터)로 출력되는 것일 수 있으나, 이에만 한정되는 것은 아니다. 다른 예로, 분석 장치(100)는 피측정자를 특발성 파킨슨병(Idiopathic Parkinson's disease) 환자에 해당하는 것으로 판별하거나 약인성 파킨슨증후군(Drug-induced parkinsonism) 환자에 해당하는 것으로 판별하거나 파킨슨병 관련 질환이 존재하지 않는 정상 상태인 것으로 판별하는 분석 정보가 출력 데이터로서 도출되는 것일 수 있다.
또 다른 예로, 본원의 일 실시예에 따르면, 분석 장치(100)의 출력 데이터는 피측정자가 파킨슨병 질환이 존재하는 것으로 판단되는 경우, 해당 피측정자의 파킨슨병 질환과 연계된 증상 수준에 대한 평가 결과를 포함하는 분석 정보를 포함할 수 있다.
분석 장치(100)는 인공지능 기반의 분석 모델의 학습(구축)을 위하여 파킨슨병 환자의 심전도 신호를 포함하는 학습 데이터를 준비할 수 있다. 이와 관련하여 본원의 일 실시예에 따르면, 분석 장치(100)는 특발성 파킨슨병(Idiopathic Parkinson's disease) 환자의 제1심전도 신호, 약인성 파킨슨증후군(Drug-induced parkinsonism) 환자의 제2심전도 신호 및 정상인의 제3심전도 신호를 포함하는 학습 데이터를 수집할 수 있다.
참고로, 약인성 파킨슨증후군(Drug-induced parkinsonism)은 약물 복용에 따른 부작용으로 안면부와 사지 등에 떨림 증상이 나타나는 질환으로서, 특발성 파킨슨병(Idiopathic Parkinson's disease)과 유사한 증상을 보이기 때문에 임상적으로 양자를 명확하게 구분하여 진단을 내리는 것이 중요할 수 있다. 이에 따라 본원에서 개시하는 분석 장치(100)는 특발성 파킨슨병(Idiopathic Parkinson's disease)의 영향에 따른 심전도 신호의 특성과 약인성 파킨슨증후군(Drug-induced parkinsonism)의 영향에 따른 심전도 신호의 특성을 엄밀히 구분할 수 있도록 인공지능 기반의 분석 모델의 학습 시 특발성 파킨슨병(Idiopathic Parkinson's disease) 환자의 제1심전도 신호와 약인성 파킨슨증후군(Drug-induced parkinsonism) 환자의 제2심전도 신호를 구분하여 수집하고, 이를 학습 데이터로서 활용할 수 있다.
이와 관련하여, 분석 장치(100)는 학습 데이터로서 수집되는 심전도 신호에 대하여 할당된 진단 코드 정보와 해당 심전도 신호의 계측 시 평가된 임상 내용 데이터를 기반으로 제1심전도 신호와 제2심전도 신호를 구분할 수 있다.
구체적으로 분석 장치(100)는 미리 설정된 유형의 진단 코드 그룹(예를 들면, G23.2, G23.3, G90.3, G90.3A 등)이 할당된 환자의 심전도 신호는 제1심전도 신호로 선정되지 않도록 분류할 수 있다. 또한, 분석 장치(100)는 DPD진단 시점 전후 3개월 내에 도파민 감퇴 증상(dopamine decreased)이 발생한 환자이면서 전술한 진단 코드 그룹에 포함된 진단 코드가 할당된 환자의 심전도 신호는 제2심전도 신호로 선정되지 않도록 분류할 수 있다.
또한, 본원의 일 실시예에 따르면, 분석 장치(100)는 파킨슨병(특발성 파킨슨병)의 진단 횟수가 미리 설정된 임계 횟수(예를 들면, 4회) 이상이면서 투약일 임계 기간(예를 들면, 90일 등) 이상인 환자, 파킨슨병(특발성 파킨슨병)의 진단 횟수가 1회 이상이면서, 진단 전후 6개월 이내 DAT 감퇴(decreased) 증상이 발생한 환자, 파킨슨병(특발성 파킨슨병)의 진단 후 ECG 검사 이력이 있는 환자 등의 심전도 신호를 제1심전도 신호로서 수집할 수 있으나, 이에만 한정되는 것은 아니다.
또한, 본원의 일 실시예에 따르면, 분석 장치(100)는 약인성 파킨슨증후군(Drug-induced parkinsonism)의 진단 전후 3개월 내에 DAT density decreased가 발생한 환자를 제외하고, 약인성 파킨슨증후군(Drug-induced parkinsonism) 진단 후 ECG 검사 이력이 있는 환자의 심전도 신호를 제2심전도 신호로서 수집할 수 있으나, 이에만 한정되는 것은 아니다.
도 3은 심전도 신호에 대하여 적용되는 전처리 프로세스를 설명하기 위한 도면이다.
도 3을 참조하면, 분석 장치(100)는 수집된 심전도 신호의 파형에 대한 전처리를 통해 이상 파형의 영향을 저감시킬 수 있다. 구체적으로, 분석 장치(100)는 이상 파형 구간 탐색, 이상 파형 구간 선별, 선별 구간 삭제 및 스플라인 복원을 포함하는 전처리 프로세스를 적용할 수 있으나, 이에만 한정되는 것은 아니다.
다른 예로, 분석 장치(100)는 도 3에 도시된 바와 같이 미리 설정된 프레임 구간(예를 들면, 5000 frame 등)을 단위로 하여 수집되는 심전도 신호에서 노이즈 등이 존재하지 않는 유의미한 데이터를 확보하기 위해 앞 부분 데이터의 일부 구간(예를 들면, 200 msec 길이의 데이터)에 해당하는 프레임 데이터(예를 들면, 100 frame)를 삭제하는 전처리를 적용할 수 있다.
달리 말해, 분석 장치(100)는 학습 데이터로서 수집된 심전도 신호에 대하여 삭제, 치환 및 추출 중 적어도 하나를 포함하는 전처리 프로세스를 적용할 수 있으며, 이는 후술하는 분석 대상 심전도 데이터에 대하여도 동일한 방식으로 적용될 수 있다.
도 4는 본원의 일 실시예에 따른 심전도 신호를 이용한 파킨슨병 분석 장치의 인공지능 기반의 분석 모델의 하이퍼 파라미터에 대한 최적화 기법을 설명하기 위한 개념도이다.
도 4를 참조하면, 분석 장치(100)는 후술하는 인공지능 기반의 분석 모델의 하이퍼 파라미터(Hyper parameter)를 최적화하기 위해 베이지안 최적화 기법(Bayesian optimizer)을 적용할 수 있다. 베이지안 최적화는 가우시안 프로세스(Gaussian process)를 이용하여 목적함수를 최적화함으로써 하이퍼 파라미터를 자동 선정하는 기법(Methodology)으로서, 하이퍼 파라미터의 튜닝은 매뉴얼 최적화 방식으로도 달성될 수 있으나, 이는 분석 모델을 구축하는 개발자의 경험에 의존해야 한다는 한계점이 존재하는 반면, 베이지안 최적화는 반복 횟수가 적고 수렴 속도가 빠르며 정확한 하이퍼 파라미터의 선정이 가능하다는 이점이 있다.
예시적으로 도 4를 참조하면, 본원에서 개시하는 인공지능 기반의 분석 모델은 합성곱 신경망(Convolution Neural Network, CNN) 기반의 알고리즘일 수 있으나, 이에만 한정되는 것은 아니며, 본원에서 개시하는 분석 모델은 종래 이미 공지되었거나 향후 개발될 수 있는 다양한 인공지능 기반의 알고리즘이 적용될 수 있음은 물론이다.
또한, 합성곱 신경망(Convolution Neural Network, CNN) 기반의 알고리즘 유형의 분석 모델에 대하여 베이지안 최적화 기법을 적용함으로써 도출되는 하이퍼 파라미터는 예시적으로 도 4를 참조하면, 4 내지 16 범위의 필터 크기, 8 내지 16 범위의 채널 수, 0.2 내지 0.6 범위의 드롭아웃 레이트(Dropout rate), 0.0001 내지 0.1 범위의 학습률(Learning rate) 및 4 내지 8 범위의 배치 사이즈(Batch size) 등으로 최적화될 수 있다.
한편, 도 4를 참조하면, 본원에서 개시하는 인공지능 기반의 분석 모델은 1차원(1-D) CNN 기반의 Deep CNN으로서, 컨볼루션 레이어와 완전 연결 레이어(fully-connected layer)를 포함할 수 있으며, 컨볼루션 레이어는 각각의 커널(Convolution kernel)을 통해 입력 변수의 내적 연산을 수행하여 피쳐 맵(output feature map)을 출력할 수 있다. 이 때, 각각의 커널(Convolution kernel)은 심전도 데이터에 반영되는 특징 파라미터로서 부분 수용 영역(local receptive field)의 크기 정보를 포함할 수 있으며, 이러한 국소적인 특징 추출을 통해 전체 데이터에 대한 특징 파라미터가 유지될 수 있다.
또한, 분석 모델의 풀링 레이어(Pooling layer)는 입력받은 신호의 특성에는 영향을 주지 않으면서 특징 파라미터의 수를 감소시키며, 특징 파라미터의 패턴이 완전 연결 레이어로 전달될 수 있도록 풀링 레이어(Pooling layer)의 출력을 1차원 벡터로 변환할 수 있다. 결과적으로 컨볼루션 레이어에서 획득한 심전도 신호의 특징 파라미터는 완전 연결 레이어 구조로 전달되어 시그모이드 회귀(sigmoid regression)를 통해 파킨슨병의 질환 유무에 대한 예측 결과를 포함하는 질환 정보를 출력하게 된다.
또한, 본원에서 개시하는 인공지능 기반의 분석 모델에 적용되는 활성화 함수(Activation function)은 본원의 일 실시예에 따르면, 리키 렐루(Leaky ReLU)함수일 수 있으나, 이에만 한정되는 것은 아니다.
또한, 분석 장치(100)는 전술한 인공지능 기반의 분석 모델의 학습(구축) 프로세스가 완결되고 나면, 특정 피측정자의 분석 대상 심전도 데이터를 획득할 수 있다. 예를 들어, 분석 장치(100)는 해당 피측정자의 신체에 부착 또는 배치된 측정 장비(200)로부터 분석 대상 심전도 데이터를 수신할 수 있다.
또한, 분석 대상 심전도 데이터는 복수의 심전도 리드 데이터를 포함할 수 있으며, 분석 장치(100)는 복수의 심전도 리드 데이터 중 적어도 일부 유형의 리드 데이터를 제거하는 전처리를 적용할 수 있다. 이와 관련하여 본원의 일 실시예에 따르면, 분석 장치(100)는 12-lead 심전도 신호 유형의 분석 대상 심전도 데이터 중 합성 시그널에 해당하는 일부 리드 데이터를 제거하는 전처리를 적용할 수 있다.
또한, 분석 장치(100)는 구축된 분석 모델을 통해 분석 대상 심전도 데이터에 대응하는 피측정자의 파킨슨병과 연계된 질환 정보를 도출할 수 있다.
구체적으로, 분석 장치(100)는 피측정자의 특발성 파킨슨병(Idiopathic Parkinson's disease)에 대한 질환 유무 정보 및 피측정자의 약인성 파킨슨증후군(Drug-induced parkinsonism)에 대한 질환 유무 정보 중 적어도 하나를 포함하는 질환 정보를 인공지능 기반의 분석 모델을 통해 출력할 수 있다.
이하에서는 도 5를 참조하여 분석 장치(100)의 파킨슨병에 대한 판별 성능에 대한 실험예를 설명하도록 한다.
도 5는 본원의 일 실시예에 따른 심전도 신호를 이용한 파킨슨병 분석 장치와 연계된 일 실험예로서, 인공지능 기반의 분석 모델의 파킨슨병에 대한 판별 성능에 대한 평가 결과를 나타낸 그래프이다.
도 5를 참조하면, 본원의 일 실시예에 따른 심전도 신호를 이용한 파킨슨병 분석 장치와 연계된 일 실험예에서는 0.79 수준의 정확도(Accuracy), 0.76 수준의 정밀도(Precision), 0.75 수준의 재현율(Recall), 0.76 수준의 F1-점수, 0.85 수준의 AUROC를 보여 파킨슨병에 대한 판별 성능이 우수하게 도출된 것을 확인할 수 있다.
한편, 본원에서 개시하는 분석 장치(100)는 12-lead 유형의 심전도 데이터뿐만 아니라, 단일 유도(Single-lead) 유형의 심전도 데이터를 분석 대상 데이터로 하여 질환 정보를 출력하도록 동작할 수 있다.
이러한 단일 유도 심전도 데이터에 대한 인공지능 기반의 분석 모델의 파킨슨병에 대한 판별 성능의 경우, 사지유도 lead I 심전도 데이터를 활용한 분석 모델의 경우, 파킨슨병 판별 시 0.710 수준의 정확도(Accuracy), 0.791 수준의 AUROC를 보였고, 흉부유도 V3 심전도 데이터를 활용한 인공지능 알고리즘의 경우, 파킨슨병 판별 시 0.714 수준의 정확도(Accuracy), 0.777 수준의 AUROC를 보였다.
도 6은 본원의 일 실시예에 따른 심전도 신호를 이용한 파킨슨병 분석 장치의 개략적인 구성도이다.
도 6을 참조하면, 분석 장치(100)는 수집부(110), 전처리부(120), 최적화부(130), 학습부(140) 및 추론부(150)를 포함할 수 있다.
수집부(110)는 파킨슨병 환자의 심전도 신호를 포함하는 학습 데이터를 준비할 수 있다.
본원의 일 실시예에 따르면, 수집부(110)는 특발성 파킨슨병(Idiopathic Parkinson's disease) 환자의 제1심전도 신호 및 약인성 파킨슨증후군(Drug-induced parkinsonism) 환자의 제2심전도 신호를 포함하는 학습 데이터를 구분하여 수집할 수 있다.
전처리부(120)는 학습 데이터로서 수집된 심전도 신호에 대하여 삭제, 치환 및 추출 중 적어도 하나를 포함하는 전처리 프로세스를 적용할 수 있다.
본원의 일 실시예에 따르면, 전처리부(120)는 학습 데이터로서 수집된 복수의 심전도 리드 데이터 중 적어도 일부 유형의 리드 데이터를 제거하는 전처리를 적용할 수 있다.
최적화부(130)는 인공지능 기반의 분석 모델과 연계된 하이퍼 파라미터를 베이지안 최적화 기법에 기초하여 결정할 수 있다.
학습부(140)는 분석 대상 심전도 데이터가 입력되면, 입력된 분석 대상 심전도 데이터와 연계된 소정의 특징 파라미터를 이용하여 분석 대상 심전도 데이터의 피측정자의 파킨슨병과 연계된 질환 정보를 출력하는 인공지능 기반의 분석 모델을 수집된 학습 데이터 및 최적화부(130)에 의해 결정된 하이퍼 파라미터에 기초하여 구축할 수 있다.
추론부(150)는 분석 대상 심전도 데이터를 획득할 수 있다. 한편, 전처리부(120)는 분석 대상 심전도 데이터로서 획득된 복수의 심전도 리드 데이터 중 적어도 일부 유형의 리드 데이터를 제거하는 전처리를 적용할 수 있다.
또한, 추론부(150)는 학습부(140)에 의해 구축된 인공지능 기반의 분석 모델을 통해 피측정자의 질환 정보를 도출할 수 있다.
구체적으로, 추론부(150)는 피측정자의 특발성 파킨슨병에 대한 질환 유무 정보 및 피측정자의 약인성 파킨슨증후군에 대한 질환 유무 정보 중 적어도 하나를 포함하는 질환 정보를 구축된 인공지능 기반의 분석 모델을 통해 출력할 수 있다.
이하에서는 상기에 자세히 설명된 내용을 기반으로, 본원의 동작 흐름을 간단히 살펴보기로 한다.
도 7은 본원의 일 실시예에 따른 심전도 신호를 이용한 파킨슨병 분석 방법에 대한 동작 흐름도이다.
도 7에 도시된 심전도 신호를 이용한 파킨슨병 분석 방법은 앞서 설명된 분석 장치(100)에 의하여 수행될 수 있다. 따라서, 이하 생략된 내용이라고 하더라도 분석 장치(100)에 대하여 설명된 내용은 심전도 신호를 이용한 파킨슨병 분석 방법에 대한 설명에도 동일하게 적용될 수 있다.
도 7을 참조하면, 단계 S11에서 수집부(110)는 파킨슨병 환자의 심전도 신호를 포함하는 학습 데이터를 준비할 수 있다.
본원의 일 실시예에 따르면, 단계 S11에서 수집부(110)는 특발성 파킨슨병(Idiopathic Parkinson's disease) 환자의 제1심전도 신호 및 약인성 파킨슨증후군(Drug-induced parkinsonism) 환자의 제2심전도 신호를 포함하는 학습 데이터를 수집할 수 있다.
다음으로, 단계 S12에서 학습부(140)는 분석 대상 심전도 데이터가 입력되면, 입력된 분석 대상 심전도 데이터와 연계된 소정의 특징 파라미터를 이용하여 분석 대상 심전도 데이터의 피측정자의 파킨슨병과 연계된 질환 정보를 출력하는 인공지능 기반의 분석 모델을 단계 S11에서 수집된 학습 데이터에 기초하여 구축할 수 있다.
다음으로, 단계 S13에서 추론부(150)는 분석 대상 심전도 데이터를 획득할 수 있다.
또한, 단계 S13에서 전처리부(120)는 분석 대상 심전도 데이터로서 획득된 복수의 심전도 리드 데이터 중 적어도 일부 유형의 리드 데이터를 제거하는 전처리를 적용할 수 있다.
다음으로, 단계 S14에서 추론부(150)는 단계 S12에서 구축된 인공지능 기반의 분석 모델을 통해 피측정자의 질환 정보를 도출할 수 있다.
구체적으로, 단계 S14에서 추론부(150)는 피측정자의 특발성 파킨슨병에 대한 질환 유무 정보 및 피측정자의 약인성 파킨슨증후군에 대한 질환 유무 정보 중 적어도 하나를 포함하는 질환 정보를 구축된 인공지능 기반의 분석 모델을 통해 출력할 수 있다.
상술한 설명에서, 단계 S11 내지 S14는 본원의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.
도 8은 본원의 일 실시예에 따른 심전도 신호를 이용한 인공지능 기반의 파킨슨병 분석 모델 학습 방법에 대한 동작 흐름도이다.
도 8에 도시된 심전도 신호를 이용한 인공지능 기반의 파킨슨병 분석 모델 학습 방법은 앞서 설명된 분석 장치(100)에 의하여 수행될 수 있다. 따라서, 이하 생략된 내용이라고 하더라도 분석 장치(100)에 대하여 설명된 내용은 도 8에 대한 설명에도 동일하게 적용될 수 있다.
도 8을 참조하면, 단계 S21에서 수집부(110)는 파킨슨병 환자의 심전도 신호를 포함하는 학습 데이터를 준비할 수 있다.
또한, 단계 S21에서 전처리부(120)는 학습 데이터로서 수집된 심전도 신호에 대하여 삭제, 치환 및 추출 중 적어도 하나를 포함하는 전처리 프로세스를 적용할 수 있다.
본원의 일 실시예에 따르면, 단계 S21에서 전처리부(120)는 학습 데이터로서 수집된 복수의 심전도 리드 데이터 중 적어도 일부 유형의 리드 데이터를 제거하는 전처리를 적용할 수 있다.
다음으로, 단계 S22에서 최적화부(130)는 인공지능 기반의 분석 모델과 연계된 하이퍼 파라미터를 베이지안 최적화 기법에 기초하여 결정할 수 있다.
다음으로, 단계 S23에서 학습부(140)는 분석 대상 심전도 데이터가 입력되면, 입력된 분석 대상 심전도 데이터와 연계된 소정의 특징 파라미터를 이용하여 분석 대상 심전도 데이터의 피측정자의 파킨슨병과 연계된 질환 정보를 출력하는 인공지능 기반의 분석 모델을 단계 S21을 통해 수집된 학습 데이터 및 단계 S12를 통해 결정된 하이퍼 파라미터에 기초하여 구축할 수 있다.
상술한 설명에서, 단계 S21 내지 S23은 본원의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.
본원의 일 실시예에 따른 심전도 신호를 이용한 파킨슨병 분석 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 본 발명을 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 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
또한, 전술한 심전도 신호를 이용한 파킨슨병 분석 방법은 기록 매체에 저장되는 컴퓨터에 의해 실행되는 컴퓨터 프로그램 또는 애플리케이션의 형태로도 구현될 수 있다.
전술한 본원의 설명은 예시를 위한 것이며, 본원이 속하는 기술분야의 통상의 지식을 가진 자는 본원의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본원의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본원의 범위에 포함되는 것으로 해석되어야 한다.

Claims (17)

  1. 심전도 신호를 이용한 파킨슨병 분석 방법에 있어서,
    분석 대상 심전도 데이터를 획득하는 단계; 및
    상기 분석 대상 심전도 데이터와 연계된 소정의 특징 파라미터를 이용하여 상기 분석 대상 심전도 데이터의 피측정자의 파킨슨병과 연계된 질환 정보를 출력하도록 학습된 인공지능 기반의 분석 모델을 통해 상기 질환 정보를 도출하는 단계,
    를 포함하고,
    상기 분석 모델은 파킨슨병 환자의 심전도 신호를 포함하는 학습 데이터에 기초하여 구축되는 것을 특징으로 하는, 분석 방법.
  2. 제1항에 있어서,
    상기 학습 데이터는 특발성 파킨슨병(Idiopathic Parkinson's disease) 환자의 제1심전도 신호 및 약인성 파킨슨증후군(Drug-induced parkinsonism) 환자의 제2심전도 신호를 포함하는 것인, 분석 방법.
  3. 제2항에 있어서,
    상기 질환 정보를 도출하는 단계는,
    상기 피측정자의 상기 특발성 파킨슨병에 대한 질환 유무 정보 및 상기 피측정자의 상기 약인성 파킨슨증후군에 대한 질환 유무 정보 중 적어도 하나를 포함하는 상기 질환 정보를 상기 분석 모델을 통해 출력하는 것인, 분석 방법.
  4. 제1항에 있어서,
    상기 분석 모델은 합성곱 신경망(Convolution Neural Network, CNN) 기반의 알고리즘인 것인, 분석 방법.
  5. 제4항에 있어서,
    상기 알고리즘과 연계된 하이퍼 파라미터가 베이지안 최적화 기법에 기초하여 결정되는 것을 특징으로 하는, 분석 방법.
  6. 제1항에 있어서,
    상기 분석 대상 심전도 데이터에 대하여 삭제, 치환 및 추출 중 적어도 하나를 포함하는 전처리 프로세스를 적용하는 단계,
    를 더 포함하는 것인, 분석 방법.
  7. 제6항에 있어서,
    상기 분석 대상 심전도 데이터는 복수의 심전도 리드 데이터를 포함하고,
    상기 전처리 프로세스를 적용하는 단계는,
    상기 복수의 심전도 리드 데이터 중 적어도 일부 유형의 리드 데이터를 제거하는 전처리를 적용하는 것인, 분석 방법.
  8. 심전도 신호를 이용한 파킨슨병 분석 방법에 있어서,
    파킨슨병 환자의 심전도 신호를 포함하는 학습 데이터를 준비하는 단계;
    분석 대상 심전도 데이터가 입력되면, 상기 분석 대상 심전도 데이터와 연계된 소정의 특징 파라미터를 이용하여 상기 분석 대상 심전도 데이터의 피측정자의 파킨슨병과 연계된 질환 정보를 출력하는 인공지능 기반의 분석 모델을 상기 학습 데이터에 기초하여 구축하는 단계; 및
    상기 분석 대상 심전도 데이터를 획득하고, 상기 분석 모델을 통해 상기 질환 정보를 도출하는 단계,
    를 포함하는, 분석 방법.
  9. 심전도 신호를 이용한 인공지능 기반의 파킨슨병 분석 모델 학습 방법에 있어서,
    파킨슨병 환자의 심전도 신호를 포함하는 학습 데이터를 준비하는 단계;
    상기 분석 모델과 연계된 하이퍼 파라미터를 베이지안 최적화 기법에 기초하여 결정하는 단계; 및
    분석 대상 심전도 데이터가 입력되면, 상기 분석 대상 심전도 데이터와 연계된 소정의 특징 파라미터를 이용하여 상기 분석 대상 심전도 데이터의 피측정자의 파킨슨병과 연계된 질환 정보를 출력하는 상기 분석 모델을 상기 학습 데이터 및 상기 하이퍼 파라미터에 기초하여 구축하는 단계,
    를 포함하는, 학습 방법.
  10. 심전도 신호를 이용한 파킨슨병 분석 장치에 있어서,
    분석 대상 심전도 데이터를 획득하고, 상기 분석 대상 심전도 데이터와 연계된 소정의 특징 파라미터를 이용하여 상기 분석 대상 심전도 데이터의 피측정자의 파킨슨병과 연계된 질환 정보를 출력하도록 학습된 인공지능 기반의 분석 모델을 통해 상기 질환 정보를 도출하는 추론부,
    를 포함하고,
    상기 분석 모델은 파킨슨병 환자의 심전도 신호를 포함하는 학습 데이터에 기초하여 구축되는 것을 특징으로 하는, 분석 장치.
  11. 제10항에 있어서,
    상기 학습 데이터는 특발성 파킨슨병(Idiopathic Parkinson's disease) 환자의 제1심전도 신호 및 약인성 파킨슨증후군(Drug-induced parkinsonism) 환자의 제2심전도 신호를 포함하는 것인, 분석 장치.
  12. 제11항에 있어서,
    상기 추론부는,
    상기 피측정자의 상기 특발성 파킨슨병에 대한 질환 유무 정보 및 상기 피측정자의 상기 약인성 파킨슨증후군에 대한 질환 유무 정보 중 적어도 하나를 포함하는 상기 질환 정보를 상기 분석 모델을 통해 출력하는 것인, 분석 장치.
  13. 제10항에 있어서,
    상기 분석 모델과 연계된 하이퍼 파라미터가 베이지안 최적화 기법에 기초하여 결정되는 것을 특징으로 하는, 분석 장치.
  14. 제10항에 있어서,
    상기 심전도 신호에 대하여 삭제, 치환 및 추출 중 적어도 하나를 포함하는 전처리 프로세스를 적용하는 전처리부,
    를 더 포함하는 것인, 분석 장치.
  15. 심전도 신호를 이용한 파킨슨병 분석 장치에 있어서,
    파킨슨병 환자의 심전도 신호를 포함하는 학습 데이터를 준비하는 수집부;
    분석 대상 심전도 데이터가 입력되면, 상기 분석 대상 심전도 데이터와 연계된 소정의 특징 파라미터를 이용하여 상기 분석 대상 심전도 데이터의 피측정자의 파킨슨병과 연계된 질환 정보를 출력하는 인공지능 기반의 분석 모델을 상기 학습 데이터에 기초하여 구축하는 학습부; 및
    상기 분석 대상 심전도 데이터를 획득하고, 상기 분석 모델을 통해 상기 질환 정보를 도출하는 추론부,
    를 포함하는, 분석 장치.
  16. 심전도 신호를 이용한 인공지능 기반의 파킨슨병 분석 모델 학습 장치에 있어서,
    파킨슨병 환자의 심전도 신호를 포함하는 학습 데이터를 준비하는 수집부;
    상기 분석 모델과 연계된 하이퍼 파라미터를 베이지안 최적화 기법에 기초하여 결정하는 최적화부; 및
    분석 대상 심전도 데이터가 입력되면, 상기 분석 대상 심전도 데이터와 연계된 소정의 특징 파라미터를 이용하여 상기 분석 대상 심전도 데이터의 피측정자의 파킨슨병과 연계된 질환 정보를 출력하는 상기 분석 모델을 상기 학습 데이터 및 상기 하이퍼 파라미터에 기초하여 구축하는 학습부,
    를 포함하는, 학습 장치.
  17. 제16항에 있어서,
    상기 분석 모델은 합성곱 신경망(Convolution Neural Network, CNN) 기반의 알고리즘인 것인, 분석 장치.
PCT/KR2023/001126 2022-10-25 2023-01-25 심전도 신호를 이용한 파킨슨병 분석 장치 및 방법 WO2024090681A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020220138432A KR102618522B1 (ko) 2022-10-25 2022-10-25 심전도 신호를 이용한 파킨슨병 분석 장치 및 방법
KR10-2022-0138432 2022-10-25

Publications (1)

Publication Number Publication Date
WO2024090681A1 true WO2024090681A1 (ko) 2024-05-02

Family

ID=89384923

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/001126 WO2024090681A1 (ko) 2022-10-25 2023-01-25 심전도 신호를 이용한 파킨슨병 분석 장치 및 방법

Country Status (2)

Country Link
KR (1) KR102618522B1 (ko)
WO (1) WO2024090681A1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200138675A (ko) * 2019-05-30 2020-12-10 고려대학교 산학협력단 자율신경계 기능 평가 시스템
KR20210017616A (ko) * 2019-08-09 2021-02-17 주식회사 인포쉐어 파킨슨병의 진단장치
JP2021137534A (ja) * 2020-03-03 2021-09-16 ヒューロン カンパニー，リミテッド 人工知能基盤のパーキンソン病診断装置及び方法
KR20220108749A (ko) * 2021-01-27 2022-08-03 주식회사 뷰노 심전도 신호 기반의 만성질환 예측 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200138675A (ko) * 2019-05-30 2020-12-10 고려대학교 산학협력단 자율신경계 기능 평가 시스템
KR20210017616A (ko) * 2019-08-09 2021-02-17 주식회사 인포쉐어 파킨슨병의 진단장치
JP2021137534A (ja) * 2020-03-03 2021-09-16 ヒューロン カンパニー，リミテッド 人工知能基盤のパーキンソン病診断装置及び方法
KR20220108749A (ko) * 2021-01-27 2022-08-03 주식회사 뷰노 심전도 신호 기반의 만성질환 예측 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
OGUZ AKBILGIC: "Externally Validated AI Model to Identify Prodromal Parkinson’s Disease from ECG", RESEARCH SQUARE, 6 July 2022 (2022-07-06), pages 1 - 15, XP093165545, Retrieved from the Internet <URL:https://assets.researchsquare.com/files/rs-1716898/v1_covered.pdf?c=1657130328> DOI: 10.21203/rs.3.rs-1716898/v1 *

Also Published As

Publication number Publication date
KR102618522B1 (ko) 2023-12-28

Similar Documents

Publication Publication Date Title
WO2019031794A1 (ko) 피검체의 치명적 증상의 발생을 조기에 예측하기 위한 예측 결과를 생성하는 방법 및 이를 이용한 장치
WO2019083129A1 (ko) 피검체에 대한 안저 영상의 판독을 지원하는 방법 및 이를 이용한 장치
CN110731773B (zh) 一种基于心电波形图全局与局部深度特征融合的异常心电图筛查方法
WO2022119155A1 (ko) 설명 가능한 다중 심전도 부정맥 진단 장치 및 방법
Pal et al. Deep learning techniques for prediction and diagnosis of diabetes mellitus
WO2023095989A1 (ko) 뇌질환 진단을 위한 다중 모달리티 의료 영상 분석 방법 및 장치
WO2020180135A1 (ko) 뇌 질환 예측 장치 및 방법, 뇌 질환을 예측하기 위한 학습 장치
Chen et al. Recent advances of deep learning in psychiatric disorders
Rad et al. Real time recognition of heart attack in a smart phone
CN114334123A (zh) 一种适用于轻度认知障碍快速检测的认知测评体系
Khan et al. The NMT scalp EEG dataset: an open-source annotated dataset of healthy and pathological EEG recordings for predictive modeling
WO2024090681A1 (ko) 심전도 신호를 이용한 파킨슨병 분석 장치 및 방법
Rutkowski et al. Older adult mild cognitive impairment prediction from multiscale entropy EEG patterns in reminiscent interior image working memory paradigm
CN114343585A (zh) 认知和行为障碍的预警方法、装置、设备及存储介质
Shrestha et al. ECG data analysis with IoT and machine learning
Wang et al. Multiclassification for heart sound signals under multiple networks and multi-view feature
WO2023106516A1 (ko) 인공지능 콜을 이용한 질의응답 기반의 치매 검사 방법 및 서버
WO2022191367A1 (ko) 뇌파 데이터 분석을 통한 중증인지장애 환자 분류 방법, 서버 및 컴퓨터프로그램
WO2024090682A1 (ko) 인공지능 기반의 심전도 신호 분석 장치 및 방법
WO2022119347A1 (ko) 초음파 영상 기반의 딥 러닝을 통한 관상동맥 경화반 조직 분석 방법, 장치 및 기록매체
CN113080847B (zh) 基于图的双向长短期记忆模型诊断轻度认知障碍的装置
WO2022270755A1 (ko) 결측 심전도 신호 재생성 장치 및 방법
CN113792798A (zh) 基于多源数据的模型训练方法、装置及计算机设备
Patankar et al. AutiScan: Screening of Autism Spectrum Disorder Specific to Indian Region
WO2023048470A2 (ko) 설명 가능한 인공지능에 기반한 의료 데이터의 해석 방법, 프로그램 및 장치

Legal Events

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

Ref document number: 23882791

Country of ref document: EP

Kind code of ref document: A1