WO2024253395A1 - 딥 러닝 모델을 이용하여 심전도 신호를 분석하는 방법 및 심전도 신호를 분석하는 장치 - Google Patents

딥 러닝 모델을 이용하여 심전도 신호를 분석하는 방법 및 심전도 신호를 분석하는 장치 Download PDF

Info

Publication number
WO2024253395A1
WO2024253395A1 PCT/KR2024/007565 KR2024007565W WO2024253395A1 WO 2024253395 A1 WO2024253395 A1 WO 2024253395A1 KR 2024007565 W KR2024007565 W KR 2024007565W WO 2024253395 A1 WO2024253395 A1 WO 2024253395A1
Authority
WO
WIPO (PCT)
Prior art keywords
signal
sinus rhythm
characteristic map
frequency domain
denoised
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/KR2024/007565
Other languages
English (en)
French (fr)
Inventor
김성훈
신기원
김남국
김현석
서우영
박용석
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Asan Foundation
University of Ulsan Foundation for Industry Cooperation
Original Assignee
Asan Foundation
University of Ulsan Foundation for Industry Cooperation
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from KR1020240004422A external-priority patent/KR20240174814A/ko
Application filed by Asan Foundation, University of Ulsan Foundation for Industry Cooperation filed Critical Asan Foundation
Publication of WO2024253395A1 publication Critical patent/WO2024253395A1/ko
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • A61B5/024—Measuring pulse rate or heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—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 OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Definitions

  • the present disclosure relates to a method for analyzing an electrocardiogram signal using a deep learning model and a device for analyzing an electrocardiogram signal. More specifically, the present disclosure relates to a method and device for detecting an abnormal sinus rhythm from an electrocardiogram signal using a deep learning model.
  • PVCs Premature ventricular contractions
  • PVCs are common and harmless cardiac arrhythmias that may sometimes be asymptomatic or, in rare cases, may cause palpitations and chest pain.
  • PVCs are frequently observed in patients undergoing surgery, regardless of whether they are under general or regional anesthesia.
  • PVCs occurring during surgery may have relatively limited clinical significance.
  • not all PVCs can be considered harmless arrhythmias and should be carefully monitored in certain situations.
  • the present invention aims to provide a method and device for detecting abnormal sinus rhythm, which mimics the way a trained clinician detects PVCs by removing noise from an electrocardiogram signal using a convolutional neural network (CNN) in the frequency domain and focusing on the differences in the shape and interval of heartbeats based on an attention mechanism.
  • CNN convolutional neural network
  • the present invention provides a method and device for detecting an abnormal sinus rhythm from an electrocardiogram signal.
  • the present invention provides a computer-readable recording medium having recorded thereon a program for executing the method on a computer.
  • the technical problems to be solved are not limited to the technical problems described above, and other technical problems may exist.
  • a method for detecting an abnormal sinus rhythm may include the steps of: converting at least a portion of an electrocardiogram signal of a predetermined time period into a frequency domain signal; removing noise from the frequency domain signal using a convolution neural network (CNN) model; obtaining a denoised signal in a time domain corresponding to the signal from which the noise has been removed; and detecting a non-sinus rhythm from the denoised signal based on an attention mechanism.
  • CNN convolution neural network
  • a device for detecting an abnormal sinus rhythm comprises: at least one memory; and at least one processor; wherein the at least one processor is configured to convert at least a part of an electrocardiogram signal of a predetermined time period into a frequency domain signal, remove noise from the frequency domain signal using a convolution neural network (CNN) model, obtain a denoised signal in a time domain corresponding to the signal from which the noise has been removed, and detect a non-sinus rhythm based on an attention mechanism from the denoised signal.
  • CNN convolution neural network
  • a computer-readable recording medium includes a recording medium having recorded thereon a program for executing the above-described method on a computer.
  • the detection performance of premature ventricular contraction can be improved.
  • FIG. 1 is a diagram illustrating an example of a deep learning model for detecting abnormal sinus rhythm from an electrocardiogram signal according to one embodiment of the present invention.
  • FIG. 2 is a schematic diagram illustrating an example of a device for detecting abnormal rhythm according to one embodiment.
  • FIG. 3 is a flowchart illustrating an example of a method for detecting abnormal sinus rhythm according to one embodiment.
  • FIG. 4 is a diagram illustrating an example of removing noise from a frequency domain signal according to one embodiment.
  • FIG. 5 is a diagram for explaining an example of segmenting a denoised signal in the time domain into a normal rhythm signal and an abnormal rhythm signal by inputting the denoised signal in the time domain to an encoder and a decoder according to one embodiment.
  • FIG. 6 is a diagram showing an example of an attention map that visualizes a section in which an attention mechanism pays attention to an electrocardiogram signal according to one embodiment.
  • a method for detecting an abnormal sinus rhythm may include: a step of converting at least a part of an electrocardiogram signal of a predetermined time period into a frequency domain signal; a step of removing noise from the frequency domain signal using a convolution neural network (CNN) model; a step of obtaining a denoised signal in a time domain corresponding to the signal from which the noise has been removed; and a step of detecting a non-sinus rhythm from the denoised signal based on an attention mechanism.
  • CNN convolution neural network
  • a device for detecting an abnormal sinus rhythm comprises: at least one memory; and at least one processor; wherein the at least one processor is configured to convert at least a part of an electrocardiogram signal of a predetermined time period into a frequency domain signal, remove noise from the frequency domain signal using a convolution neural network (CNN) model, obtain a denoised signal in a time domain corresponding to the signal from which the noise has been removed, and detect a non-sinus rhythm based on an attention mechanism from the denoised signal.
  • CNN convolution neural network
  • FIG. 1 is a diagram illustrating an example of a deep learning model for detecting abnormal sinus rhythm from an electrocardiogram signal according to one embodiment of the present invention.
  • a deep learning model for detecting premature ventricular contractions (PVCs) of the present invention may be a Denoise and Contrast Attention Module (DCAM) including a Denoise Module (DM) that removes noise based on CNN in the frequency domain for an electrocardiogram signal of a predetermined time period, and a Contrast Attention Module (CAM) that focuses on the contrast between the form of PVC and normal sinus rhythm, thereby improving the performance of detecting PVCs in an electrocardiogram signal.
  • DCAM Denoise and Contrast Attention Module
  • the denoise attention module of the present invention can imitate the principle of trained specialists detecting PVCs.
  • anesthesiologists filter out irrelevant signals and analyze the shape and interval with other surrounding sinus rhythm signals.
  • the following mathematical expression 1 is the input characteristic of the Denoise and Contrast Attention Module (DCAM).
  • the output characteristic is It shows the process of converting to .
  • Silver input characteristics in It represents the transformation mapping to .
  • represents the channel represents the length of the signal.
  • Silver input characteristics This is the output of the denoise module with noise removed. and is a feature map extracted from each of the G group convolution neural networks (GCNN) described below. Map and The difference between the maps (subtraction) is done after activating the Gaussian Error Linear Unit (GELU). is combined with. Here is the recalibration characteristic. The output characteristics are multiplied by is obtained.
  • GCNN G group convolution neural networks
  • the denoising module (20) is designed to remove noise after performing a fast Fourier transform (FFT) on an electrocardiogram signal (10) of a predetermined time period containing noise.
  • the denoising module (20) mimics the process by which an anesthesiologist ignores noise and artifacts before diagnosing an electrocardiogram signal by considering the time interval between heartbeats. is implemented based on per-channel FFT. It consists of the following three-step procedure. First, FFT is performed on the ECG signal to transform it from the time domain to the frequency domain. Since the signal in the frequency domain on which FFT is performed has the property of conjugate symmetric, the right half of the signal in the frequency domain can be derived from the left half. Therefore, the denoising module (10) can use the rFFT (right FFT) algorithm to reduce the complexity of the operation.
  • FFT fast Fourier transform
  • the frequency domain signal is input to the convolution layer with the real and imaginary parts connected.
  • a convolution operation is performed on the input signal, and a normalization layer and a GELU activation function are applied to the result of the operation.
  • the convolution layer acts as a filter that reduces the noise level while preserving the characteristics of the input signal.
  • the normalization layer ensures that the output has a stable distribution and scale.
  • the GELU activation function provides nonlinearity to the operation of the convolution layer and improves the performance of the convolution layer.
  • the output with the normalization and GELU activation functions is divided into halves and the real and imaginary parts are separated again. Afterwards, the noise-removed frequency domain signal is converted to the time domain using the inverse rFFT. Finally, the denoised signal in the time domain that maintains the information of the original signal is at Map and It is designed to extract contrast features between maps and perform recalibration.
  • the contrast attention module (30) does not normalize the input signal. Map and The map can be extracted. Also, the recalibration characteristic is is experimentally determined while maintaining the channel dimension of the input signal.
  • the contrast attention module (30) uses GCNN to improve the discrimination between PVC and normal beats. Map and Learn contrast between maps.
  • GCNN is a type of CNN that divides input channels into G groups and performs convolution independently for each group.
  • the contrastive attention module (30) uses GCNN. Map and By learning the contrast between maps, the characteristics of PVCs that are different from normal sinus rhythm in a given ECG signal are identified. It can be highlighted on the map.
  • GCNN can reduce computational cost and increase model diversity by adjusting the parameter G.
  • the input signal (the denoised signal in the time domain) is divided into G groups along the channel dimension, and each group performs convolution independently.
  • the output of GCNN passes through a SoftMax layer. Map and The map is the output of each softmax layer. It is obtained by applying batch-wise matrix production with the contrastive attention module (30). Map and Differences between maps ( )cast In addition, the contrast between PVC and normal sinus rhythm can be emphasized.
  • the contrast attention module (30) Map and Differences between maps The channel information can be reduced by multiplying this added result by a recalibration feature P.
  • the recalibration feature P can be defined by the following mathematical expression 2.
  • FIGS. 2 to 6 a method and device for detecting abnormal sinus rhythm using the deep learning model of FIG. 1 are specifically described.
  • FIG. 2 is a schematic diagram illustrating an example of a device for detecting abnormal rhythm according to one embodiment.
  • a device (100) for detecting abnormal sinus rhythm includes a processor (110) and a memory (120).
  • a processor (110) for detecting abnormal sinus rhythm
  • a memory 120
  • FIG. 2 For convenience of explanation, only components related to the present embodiments are illustrated in FIG. 2, and it is obvious to a person skilled in the art that other general components may be included in addition to the components illustrated in FIG. 2.
  • the processor (110) can process instructions of a computer program by performing basic arithmetic, logic, and input/output operations.
  • the instructions can be provided from a memory (120) or an external device (e.g., a server, etc.).
  • the processor (110) can generally control the operation of other components included in the device (200).
  • the processor (110) may be implemented using at least one of application specific integrated circuits (ASICs), digital signal processors (DSPs), digital signal processing devices (DSPDs), programmable logic devices (PLDs), field programmable gate arrays (FPGAs), controllers, micro-controllers, microprocessors, and other electrical units for performing functions.
  • ASICs application specific integrated circuits
  • DSPs digital signal processors
  • DSPDs digital signal processing devices
  • PLDs programmable logic devices
  • FPGAs field programmable gate arrays
  • controllers micro-controllers, microprocessors, and other electrical units for performing functions.
  • the processor (110) can control at least one other component (e.g., a hardware or software component) of an electronic device connected to the processor (110) by executing software (e.g., a program) stored in the memory (120), and can perform various data processing or operations to control the device (100) as a whole.
  • software e.g., a program
  • the processor (110) may be implemented as, but is not limited to, a central processing unit (CPU), a graphics processing unit (GPU), an application processor (AP), a neural processing unit (NPU), an image signal processor (ISP), a sensor hub processor, or a communication processor (CP) provided in the device (100).
  • CPU central processing unit
  • GPU graphics processing unit
  • AP application processor
  • NPU neural processing unit
  • ISP image signal processor
  • sensor hub processor CP
  • CP communication processor
  • the memory (120) may include any non-transitory computer-readable recording medium.
  • the memory (120) may include a non-permanent mass storage device such as a random access memory (RAM), a read only memory (ROM), a disk drive, a solid state drive (SSD), a flash memory, etc.
  • the non-permanent mass storage device such as a ROM, an SSD, a flash memory, a disk drive, etc. may be a separate permanent storage device distinct from the memory.
  • the memory (120) may store an operating system (OS) and at least one program code (e.g., a code for the processor (110) to perform an operation to be described later with reference to FIGS. 3 to 6).
  • OS operating system
  • program code e.g., a code for the processor (110) to perform an operation to be described later with reference to FIGS. 3 to 6).
  • This separate computer-readable recording medium may be a recording medium that can be directly connected to the device (100), and may include, for example, a computer-readable recording medium such as a floppy drive, a disk, a tape, a DVD/CD-ROM drive, a memory card, etc.
  • the software components may be loaded into the memory (120) via a communication module that is not a computer-readable recording medium.
  • at least one program may be loaded into the memory (120) based on a computer program (e.g., a computer program for the processor (110) to perform the operations described below with reference to FIGS. 2 to 6) that is installed by files provided by developers or a file distribution system that distributes installation files of applications via a communication module.
  • a computer program e.g., a computer program for the processor (110) to perform the operations described below with reference to FIGS. 2 to 6
  • FIG. 3 is a flowchart illustrating an example of a method for detecting abnormal sinus rhythm according to one embodiment.
  • the processor (110) can convert at least a portion of an electrocardiogram signal of a predetermined time period into a frequency domain signal.
  • the processor (110) can convert an electrocardiogram signal into a frequency domain signal by performing a fast Fourier transform on at least a portion of the electrocardiogram signal for a predetermined time period.
  • an electrocardiogram signal of a predetermined time period may be subjected to a fast Fourier transform after a preprocessing process.
  • the processor (110) may resample the electrocardiogram signal at a rate of 250 Hz. Then, the sampled electrocardiogram signal may be divided into 5.12 seconds in length to be divided into 1280 (250 5.12)
  • An electrocardiogram signal of a predetermined time interval consisting of samples can be obtained.
  • the sampling frequency and the numerical value of the predetermined time interval are only examples, and it is obvious that the present invention is not limited to these numerical values.
  • the length of the predetermined time interval i.e., the length of the input signal segment, can be selected according to the performance of the abnormal sinus rhythm detection device of the present invention.
  • the processor (110) can remove baseline wandering by applying a 5th-order Butterworth bandpass filter in the range of 0.5 Hz to 40 Hz. Then, the processor (110) can perform normalization on the electrocardiogram signal from which the baseline wandering noise has been removed. Normalization is performed to solve a problem in which the amplitude of the electrocardiogram signal is variable depending on the patient, electrode placement, and measuring device.
  • the normalization may be Z-score normalization or min-max normalization.
  • the normalization may be Z-score normalization. Z-score normalization is more sensitive to outliers than min-max normalization, which may distort the shape when the signal includes artifacts.
  • the processor (110) can obtain the frequency domain signal by dividing an electrocardiogram signal of a predetermined time period into a first signal and a second signal, performing a fast Fourier transform on the first signal, and generating a symmetrical signal for the result of the performance.
  • the first signal means a signal corresponding to one half obtained by dividing the time domain signal in half
  • the second signal means a signal corresponding to the other half.
  • the processor (110) can reduce the complexity of the operation by using an rFFT (right FFT) algorithm by utilizing the symmetry of the signal in the frequency domain that has been subjected to a fast Fourier transform.
  • the processor (110) can remove noise from the frequency domain signal using a convolution neural network (CNN) model.
  • CNN convolution neural network
  • the processor (110) may connect the real part and the imaginary part included in the frequency domain signal, input it to a convolution layer, perform a convolution on the input, apply normalization and a GELU function, and then obtain an output. Then, the processor (110) may divide the output into the real part and the imaginary part to obtain a frequency domain signal with noise removed.
  • the convolution layer acts as a filter that reduces the noise level while preserving the characteristics of the input signal. Unlike traditional noise removal methods, this noise removal process removes noise using a learnable FFT filter.
  • the processor (110) can obtain a denoised signal in the time domain corresponding to the signal from which noise has been removed.
  • the processor (110) according to one embodiment can reduce the complexity of the operation by using an inverse rFFT algorithm by utilizing the symmetry of the frequency domain signal.
  • An example of the processor (110) removing noise from a frequency domain signal and obtaining a denoised signal in the time domain is described in detail later in FIG. 4.
  • FIG. 4 is a diagram illustrating an example of removing noise from a frequency domain signal according to one embodiment.
  • the processor (110) performs a fast Fourier transform (FFT) on an electrocardiogram signal (410) of a predetermined time period including noise to convert it from a time domain to a frequency domain.
  • FFT fast Fourier transform
  • the processor (110) uses an rFFT (right FFT) algorithm to reduce the complexity of the operation by utilizing the conjugate symmetric property of the signal of the frequency domain. That is, the processor (110) divides the electrocardiogram signal of a predetermined time period in half, calculates a fast Fourier transform for the signal corresponding to the half, and then generates symmetry, thereby obtaining the entire frequency domain signal.
  • the signal of the frequency domain is composed of a real part (420) and an imaginary part (430).
  • the processor (110) connects the real part and the imaginary part and inputs them to a convolution layer. By connecting the real part and the imaginary part, the number of channels of the signal (440) input to the convolution layer is doubled.
  • the convolution layer acts as a filter that reduces the noise level while preserving the characteristics of the input signal.
  • a normalization layer and a GELU activation function are applied to the result of the convolution operation.
  • the normalization layer ensures that the output has a stable distribution and scale.
  • the GELU activation function provides nonlinearity to the operation of the convolution layer and improves the performance of the convolution layer.
  • the output (450) to which the normalization and GELU activation functions are applied is divided into halves, the real part (460) and the imaginary part (470) are separated again, and converted to the time domain by an inverse rFFT. Finally, a denoised signal (480) in the time domain that maintains the information of the original signal is obtained.
  • the processor (110) can detect a non-sinus rhythm from a denoised signal in the time domain based on an attention mechanism.
  • the processor (110) can use a 1D U-Net architecture to segment an abnormal sinus rhythm signal from an electrocardiogram signal.
  • the U-Net consists of an encoder and a decoder.
  • the encoder encodes an input signal into abstracted features at various levels, and the decoder uses these features to generate an output of the same size as the original input signal.
  • VGG19, ResNet34, or DenseNet121 can be used as the encoder.
  • the Denoise and Contrast Attention Module (DCAM) of the present invention can be inserted into the encoder network to model contextual information at various levels of feature representation.
  • the Denoise and Contrast Attention Module can be inserted at the end of the encoder layer.
  • the processor (110) may obtain a first characteristic map regarding the abnormal sinus rhythm from the denoised signal in the time domain using an encoder.
  • the first characteristic map means the K map described above in FIG. 1.
  • the processor (110) may obtain a second characteristic map regarding the normal sinus rhythm from the denoised signal in the time domain using the encoder.
  • the second characteristic map means the Q map described above in FIG. 1.
  • the processor (110) may obtain a third characteristic map, which is a difference (subtraction) between the first characteristic map and the second characteristic map, using the encoder.
  • the processor (110) may calculate a fourth characteristic map in which the difference is emphasized, using the encoder.
  • the processes of obtaining the first to third feature maps may be performed by dividing the input signals into G groups and performing each of the G groups.
  • the preferable G for optimizing the performance of the model may be 8.
  • the input signals may not be divided into a plurality of groups, and the processes of obtaining the first to third feature maps may be performed for the entire input channel.
  • the processor (110) can input the fourth characteristic map obtained from the encoder into the decoder and obtain the segmentation result of the normal sinusoidal rhythm signal and the abnormal sinusoidal rhythm signal.
  • the processor (110) can obtain a fourth characteristic map by combining the third characteristic map and the denoised signal in the time domain and recalibrating the combined result.
  • the fourth characteristic map is Map and The difference between maps (subtraction) activates the Gaussian Error Linear Unit (GELU). Combined with, and here is the recalibration characteristic It may be multiplied by .
  • GELU Gaussian Error Linear Unit
  • the processor (110) can obtain the segmentation result of the normal sinus rhythm signal and the abnormal sinus rhythm signal from the fourth characteristic map obtained from the encoder using the decoder. Thereafter, the processor (110) can detect the abnormal sinus rhythm from the obtained abnormal sinus rhythm signal.
  • the processor (110) can obtain a normal sinus rhythm signal and an abnormal sinus rhythm signal having the same size as the original signal input from two output channels of the decoder, respectively.
  • the normal sinus rhythm signal may mean a QRS wave
  • the abnormal sinus rhythm signal may mean a signal generated by premature ventricular contraction (PVC).
  • a sigmoid function may be applied to the output of the decoder so that the output has a value between 0 and 1.
  • the output may be binarized by setting 0.5 as a threshold for both the normal sinus rhythm signal and the abnormal sinus rhythm signal.
  • the processor (110) can perform post-processing on the segmentation result. For example, the processor (110) can reduce false positives of PVC by removing cases with an interval greater than 0.6 seconds from the segmentation result. When evaluating the bit-by-bit PVC detection performance, the time threshold can be set to 0.12 seconds. The processor (110) can accurately detect the number of PVCs by using the post-processed abnormal sinusoidal signal.
  • an augmented signal may be used as data for training a model included in a device for detecting abnormal sinus rhythm according to one embodiment of the present invention.
  • the following augmentation method may be used to prevent the quality of an input signal from deteriorating.
  • Gaussian noise can be added to the clean ECG signal to make the signal-to-noise ratio 10 dB to mimic a noisy environment. Then, the signal can be randomly resampled within a 5% range from the original sampling rate to mimic the change of heart rate. Then, realistic artifacts and noise can be added to the signal by NeuroKit2.
  • the training dataset can be undersampled to maintain the balance between PVC and non-PVC classes. Undersampling means weighting each sample according to the presence or absence of PVC, and using the weights to balance the samples in the batch job.
  • the sliding window method can be used for model inference to avoid performance degradation when the proposed model has to evaluate arbitrarily long ECG signals.
  • This method uses the signal cut into segments of 1280 samples for training and inference.
  • the hyperparameter of the sliding window method is a constant weight, and an overlap ratio of 0.25 can be used.
  • binary cross entropy can be used as the training loss function
  • the batch size is 256
  • Adam can be used as the optimizer.
  • a step-learning rate scheduler can be used to ensure fast training of the model and repeatability of training.
  • training can be set to terminate early when the F1 score of the test dataset reaches the maximum. For example, training can be performed using a single GPU (24 GB) in an environment with Python 3.9, PyTorch 1.11, and PyTorch Lightning 1.5.0, and training can take 1 to 1.5 hours depending on the model configuration.
  • FIG. 5 is a diagram illustrating an example of a device for detecting PVC according to one embodiment of the present invention segmenting a normal sinus rhythm signal and a PVC signal from an electrocardiogram signal.
  • a device for detecting PVC segments a normal sinus rhythm signal and a PVC signal from an electrocardiogram signal using a 1D U-Net to which DCAM is applied An attention module is added to the end of an encoder layer to improve the performance of segmentation.
  • An electrocardiogram signal (500) of a predetermined time period is input to an encoder (510), and features extracted by the encoder are input to a decoder (520).
  • a segmentation head of the decoder identifies a region and a class of an input signal using the features extracted by the encoder, and outputs a segmentation result (530) segmented into two classes of a normal sinus rhythm signal and a PVC signal.
  • a processor (110) performs postprocessing on the output segmentation result and finally detects a PVC.
  • FIG. 6 is a diagram showing an example of an attention map that visualizes a section in which an attention mechanism pays attention to an electrocardiogram signal according to one embodiment.
  • attention maps (610, 620, 630, 640, 710, 720, 730, 740) indicate where K and Q of the contrastive attention module (CAM) pay attention.
  • Fig. 6 visualizes the attention of the fourth layer of the encoder in a device for detecting abnormal sinus rhythm according to one embodiment.
  • the input signal 600, 700
  • triangles indicate the locations of PVCs
  • squares indicate the locations of normal signals.
  • the attention map is expressed darker when the gradient is large, and the K map focuses on candidate PVCs, and the Q map focuses on normal signals.
  • Figure 6 shows the denoising module before or after the application of the contrast attention module (CAM).
  • the effect of denoising is shown by visualizing the attention maps with and without denoising.
  • the attention maps (630, 640, 730, 740) of the contrast attention module (CAM) without denoising show that K and Q are paying attention to multiple regions.
  • the denoised attention module (DCAM) is used, the attention is focused on the R peak in the attention maps (610, 620, 710, 720), showing a strong contrast between K and Q. This shows that denoising using frequency-based convolution before the attention mechanism is triggered improves the detection performance of PVC.
  • the above-described method can be written as a program that can be executed on a computer, and can be implemented in a general-purpose digital computer that operates the program using a computer-readable recording medium.
  • the structure of the data used in the above-described method can be recorded on a computer-readable recording medium through various means.
  • the computer-readable recording medium includes a storage medium such as a magnetic storage medium (e.g., ROM, RAM, USB, floppy disk, hard disk, etc.) and an optical reading medium (e.g., CD-ROM, DVD, etc.).

Landscapes

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

Abstract

일 측면에 따른 비정상 동리듬을 감지하는 방법은, 소정 시구간의 적어도 일부의 심전도 신호를 주파수 도메인 신호로 변환하는 단계; 상기 주파수 도메인 신호에 대하여 CNN(convolution neural network) 모델을 이용하여 노이즈를 제거하는 단계; 상기 노이즈가 제거된 신호에 대응하는 시간 도메인의 디노이즈 신호(denoised signal)를 획득하는 단계; 및 상기 디노이즈 신호로부터 어텐션(Attention) 메커니즘에 기반하여, 비정상 동리듬(non-sinus rhythm)을 감지하는 단계;를 포함한다.

Description

딥 러닝 모델을 이용하여 심전도 신호를 분석하는 방법 및 심전도 신호를 분석하는 장치
본 개시는, 딥 러닝 모델을 이용하여 심전도 신호를 분석하는 방법 및 심전도 신호를 분석하는 장치에 관한다. 보다 구체적으로, 딥 러닝 모델을 이용하여 심전도 신호로부터 비정상 동리듬을 감지하는 방법 및 장치에 관한다.
조기 심실 수축(Premature ventricular contraction; PVC)은 흔하고 무해한 심장 부정맥으로, 때때로 증상이 없을 수 있거나 드물게는 두근거림과 흉통을 유발할 수 있다. 특히, 수술 중의 환자에서는 일반 마취 또는 부위 마취 여부와 관계없이 PVC가 빈번히 관찰된다. 일반적으로 수술 중에 발생하는 PVC는 임상적 중요성이 상대적으로 제한될 수 있다. 그러나, 모든 PVC를 무해한 부정맥으로 간주할 수는 없으며 특정한 상황에서는 주의 깊게 모니터링 될 필요가 있다.
부정맥의 조기 진단을 가능하게 하는 여러 PVC 감지 모델이 제안되었지만, 다양한 설정 및 노이즈 수준에 따른 심전도 신호의 가변성으로 인해 신뢰성과 일반성이 부족하다. 이러한 약점은 새로운 데이터에서 악화될 수 있다. 따라서 본 발명은 주파수 도메인에서 컨볼루션 신경망(CNN)을 사용하여 심전도 신호의 노이즈를 제거하고, 어텐션(Attention) 메커니즘 기반으로 심박동의 형태 및 간격의 차이에 중점을 두어 훈련된 임상 의사가 PVC를 감지하는 방식을 모방하는 비정상 동리듬을 감지하는 방법 및 장치를 제공하고자 한다.
심전도 신호로부터 비정상 동리듬을 감지하는 방법 및 장치를 제공하는 데 있다. 또한, 상기 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공하는 데 있다. 해결하려는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
본 개시의 일 측면에 따른 비정상 동리듬을 감지하는 방법은, 소정 시구간의 적어도 일부의 심전도 신호를 주파수 도메인 신호로 변환하는 단계; 상기 주파수 도메인 신호에 대하여 CNN(convolution neural network) 모델을 이용하여 노이즈를 제거하는 단계; 상기 노이즈가 제거된 신호에 대응하는 시간 도메인의 디노이즈 신호(denoised signal)를 획득하는 단계; 및 상기 디노이즈 신호로부터 어텐션(Attention) 메커니즘에 기반하여, 비정상 동리듬(non-sinus rhythm)을 감지하는 단계;를 포함할 수 있다.
본 개시의 다른 측면에 따른 비정상 동리듬을 감지하는 장치는, 적어도 하나의 메모리; 및 적어도 하나의 프로세서;를 포함하고, 상기 적어도 하나의 프로세서는, 소정 시구간의 적어도 일부의 심전도 신호를 주파수 도메인 신호로 변환하고, 상기 주파수 도메인 신호에 대하여 CNN(convolution neural network) 모델을 이용하여 노이즈를 제거하고, 상기 노이즈가 제거된 신호에 대응하는 시간 도메인의 디노이즈 신호(denoised signal)를 획득하고, 상기 디노이즈 신호로부터 어텐션(Attention) 메커니즘에 기반하여, 비정상 동리듬(non-sinus rhythm)을 감지할 수 있다.
본 개시의 또 다른 측면에 따른 컴퓨터로 읽을 수 있는 기록매체는 상술한 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 기록매체를 포함한다.
전술한 본 발명의 과제 해결 수단에 의하면, 심전도 신호의 노이즈를 제거하고 감지 대상인 비정상 동리듬과 정상 동리듬의 형태 차이에 주목하는 딥 러닝 모델을 이용하여 비정상 동리듬을 감지함으로써, 훈련된 전문의의 판단 방식을 모사할 수 있다.
또한, 본 발명의 과제 해결 수단에 의하면, 조기 심실 수축의 감지 성능을 향상시킬 수 있다.
실시예들에 의한 효과가 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 본 발명의 기재로부터 당해 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 심전도 신호로부터 비정상 동리듬을 감지하는 딥 러닝 모델의 일 예를 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 비정상 동리듬을 감지하는 장치의 일 예를 도시한 구성도이다.
도 3은 일 실시예에 따른 비정상 동리듬을 감지하는 방법의 일 예를 설명하기 위한 흐름도이다.
도 4는 일 실시예에 따라 주파수 도메인 신호에서 노이즈를 제거하는 일 예를 설명하기 위한 도면이다.
도 5는 일 실시예에 따라 시간 도메인의 디노이즈 신호를 인코더 및 디코더에 입력하여 정상 동리듬 신호 및 비정상 동리듬 신호로 분할(segmentation)하는 일 예를 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 어텐션 메커니즘이 심전도 신호에서 어텐션을 기울이는 구간을 시각화한 어텐션 맵의 일 예를 나타내는 도면이다.
일 측면에 따른 비정상 동리듬을 감지하는 방법은, 소정 시구간의 적어도 일부의 심전도 신호를 주파수 도메인 신호로 변환하는 단계; 상기 주파수 도메인 신호에 대하여 CNN(convolution neural network) 모델을 이용하여 노이즈를 제거하는 단계; 상기 노이즈가 제거된 신호에 대응하는 시간 도메인의 디노이즈 신호(denoised signal)를 획득하는 단계; 및 상기 디노이즈 신호로부터 어텐션(Attention) 메커니즘에 기반하여, 비정상 동리듬(non-sinus rhythm)을 감지하는 단계;를 포함할 수 있다.
다른 측면에 따른 비정상 동리듬을 감지하는 장치는, 적어도 하나의 메모리; 및 적어도 하나의 프로세서;를 포함하고, 상기 적어도 하나의 프로세서는, 소정 시구간의 적어도 일부의 심전도 신호를 주파수 도메인 신호로 변환하고, 상기 주파수 도메인 신호에 대하여 CNN(convolution neural network) 모델을 이용하여 노이즈를 제거하고, 상기 노이즈가 제거된 신호에 대응하는 시간 도메인의 디노이즈 신호(denoised signal)를 획득하고, 상기 디노이즈 신호로부터 어텐션(Attention) 메커니즘에 기반하여, 비정상 동리듬(non-sinus rhythm)을 감지할 수 있다.
실시 예들에서 사용되는 용어는 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 명세서에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 명세서의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "~ 유닛", "~ 모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
또한, 명세서에서 사용되는 "제 1" 또는 "제 2" 등과 같이 서수를 포함하는 용어는 다양한 구성 요소들을 설명하는데 사용할 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로 사용될 수 있다.
이하 첨부된 도면을 참고하여 본 개시를 상세히 설명하기로 한다. 그러나 실시 예는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 예에 한정되지 않는다.
도 1은 본 발명의 일 실시예에 따른 심전도 신호로부터 비정상 동리듬을 감지하는 딥 러닝 모델의 일 예를 설명하기 위한 도면이다.
도 1을 참조하면, 본 발명의 조기 심실 수축(PVC)을 감지하는 딥 러닝 모델은 소정 시구간의 심전도 신호에 대하여, 주파수 도메인에서 CNN 기반으로 노이즈를 제거하는 디노이즈 모듈(Denoise Module; DM) 및 PVC와 정상 동리듬의 형태의 대조에 집중함으로써, 심전도 신호에서 PVC를 감지하는 성능을 향상시키는 대조 어텐션 모듈(Contrast Attention Module; CAM)을 포함하는 디노이즈 어텐션 모듈(Denoise and Contrast Attention Module; DCAM)일 수 있다.
본 발명의 디노이즈 어텐션 모듈은 훈련된 전문의가 PVC를 감지하는 원리를 모방할 수 있다. 마취과 의사들은 PVC를 진단할 때, 관련 없는 신호를 걸러내고 주변의 다른 동리듬 신호와의 형태 및 간격을 분석한다. 이하의 수학식 1은 디노이즈 어텐션 모듈(Denoise and Contrast Attention Module; DCAM)이 입력 특성인
Figure PCTKR2024007565-appb-img-000001
를 출력 특성인
Figure PCTKR2024007565-appb-img-000002
로 변환하는 과정을 나타낸다.
Figure PCTKR2024007565-appb-img-000003
여기서
Figure PCTKR2024007565-appb-img-000004
은 입력 특성
Figure PCTKR2024007565-appb-img-000005
에서 출력 특성
Figure PCTKR2024007565-appb-img-000006
로의 변환 매핑을 나타낸다. 여기서
Figure PCTKR2024007565-appb-img-000007
는 채널을 나타내고,
Figure PCTKR2024007565-appb-img-000008
는 신호의 길이를 나타낸다.
Figure PCTKR2024007565-appb-img-000009
은 입력 특성
Figure PCTKR2024007565-appb-img-000010
에서 노이즈가 제거된 디노이즈 모듈 출력이다.
Figure PCTKR2024007565-appb-img-000011
및
Figure PCTKR2024007565-appb-img-000012
는 후술할 G개의 그룹 컨볼루션 신경망(group convolution neural network; GCNN) 각각에서 추출된 특성 맵이다.
Figure PCTKR2024007565-appb-img-000013
맵과
Figure PCTKR2024007565-appb-img-000014
맵 간의 차이(subtraction)은 가우시안 에러 선형 유닛(Gaussian Error Linear Unit; GELU) 활성화 이후,
Figure PCTKR2024007565-appb-img-000015
와 결합된다. 여기에 리캘리브레이션(recalibration) 특성인
Figure PCTKR2024007565-appb-img-000016
가 곱해져 출력 특성
Figure PCTKR2024007565-appb-img-000017
가 획득된다.
디노이즈 모듈(20)은 노이즈가 포함된 소정 시구간의 심전도 신호(10)를 고속 푸리에 변환(fast Fourier transform; FFT)한 후 노이즈를 제거하기 위해 설계된 것이다. 디노이즈 모듈(20)은 마취과 의사가 심박동 간의 시간 간격을 고려하여 심전도 신호를 진단하기 전에 노이즈와 아티팩트를 무시하는 과정을 모방한다.
Figure PCTKR2024007565-appb-img-000018
은 채널별 FFT를 기반으로 구현된다.
Figure PCTKR2024007565-appb-img-000019
은 이하의 세 단계 절차로 구성된다. 먼저, 심전도 신호에 FFT를 수행하여 시간 도메인에서 주파수 도메인으로 변환한다. FFT가 수행된 주파수 도메인의 신호는 공액 대칭(conjugate symmetric)의 성질을 가지므로, 상기 주파수 도메인의 신호의 오른쪽 절반은 왼쪽 절반으로부터 유도될 수 있다. 따라서, 디노이즈 모듈(10)은 연산의 복잡성을 줄이기 위해 rFFT(right FFT) 알고리즘을 사용할 수 있다.
주파수 도메인의 신호는 실수부 및 허수부로 구성되므로, 실수부 및 허수부를 연결하면 채널의 수가 두 배가 된다. 주파수 도메인 신호는 실수부 및 허수부가 연결되어 컨볼루션 레이어로 입력된다. 입력된 신호에 대하여 컨볼루션 연산이 수행되고, 상기 연산 결과에 정규화 레이어 및 GELU 활성화 함수가 적용된다.
컨볼루션 레이어는 입력된 신호의 특성을 보존하면서 노이즈 레벨을 줄이는 필터 역할을 수행한다. 또한, 정규화 레이어는 출력이 안정된 분포와 스케일을 갖도록 한다. GELU 활성화 함수는 컨볼루션 레이어의 연산에 비선형성을 부여하고, 컨볼루션 레이어의 성능을 향상시킨다.
정규화 및 GELU 활성화 함수가 적용된 출력은 채널이 2분의 1로 나뉘어 실수부 및 허수부가 다시 분리된다. 이후 역 rFFT(inverse rFFT)를 이용하여 노이즈가 제거된 주파수 도메인 신호를 시간 도메인으로 변환된다. 최종적으로 원래 신호의 정보를 유지하는 시간 도메인의 디노이즈 신호인
Figure PCTKR2024007565-appb-img-000020
에서
Figure PCTKR2024007565-appb-img-000021
맵과
Figure PCTKR2024007565-appb-img-000022
맵 사이의 대조 특성(contrast feature)를 추출하고, 리캘리브레이션(recalibration)을 수행하도록 설계된다. 대조 어텐션 모듈(30)은 입력 신호를 정규화하지 않고
Figure PCTKR2024007565-appb-img-000023
맵 및
Figure PCTKR2024007565-appb-img-000024
맵을 추출할 수 있다. 또한, 리캘리브레이션 특성인
Figure PCTKR2024007565-appb-img-000025
는 입력 신호의 채널 차원을 유지하면서, 실험적으로 결정된다. 대조 어텐션 모듈(30)은 PVC와 정상 박동 간의 식별력을 향상시키기 위해 GCNN을 사용하여
Figure PCTKR2024007565-appb-img-000026
맵과
Figure PCTKR2024007565-appb-img-000027
맵 간의 대조(contrast)를 학습한다.
여기서, GCNN은 입력 채널을 G개의 그룹으로 나누고, 각 그룹에 대해 독립적으로 컨볼루션을 수행하는 CNN의 한 유형이다. 대조 어텐션 모듈(30)은 GCNN을 사용하여
Figure PCTKR2024007565-appb-img-000028
맵과
Figure PCTKR2024007565-appb-img-000029
맵 간의 대조(contrast)를 학습함으로써, 주어진 심전도 신호에서 정상 동리듬과 다른 PVC의 특성을
Figure PCTKR2024007565-appb-img-000030
맵에서 강조할 수 있다. GCNN은 매개변수인 G를 조정하여 연산 비용(computational cost)을 줄이고 모델 다양성을 높일 수 있다.
입력 신호(시간 도메인의 디노이즈 신호)는 채널 차원을 따라 G 그룹으로 나누어지고, 각 그룹은 독립적으로 컨볼루션을 수행한다. GCNN의 출력은 소프트맥스 레이어(SoftMax layer)를 통과한다.
Figure PCTKR2024007565-appb-img-000031
맵과
Figure PCTKR2024007565-appb-img-000032
맵은 각각 소프트맥스 레이어의 출력에
Figure PCTKR2024007565-appb-img-000033
과의 배치별 행렬 곱셈(batch-wise matrix production)을 적용하여 획득된다. 그리고 대조 어텐션 모듈(30)은
Figure PCTKR2024007565-appb-img-000034
맵과
Figure PCTKR2024007565-appb-img-000035
맵 간의 차이 (
Figure PCTKR2024007565-appb-img-000036
)를
Figure PCTKR2024007565-appb-img-000037
에 더함으로써, PVC 및 정상 동리듬의 대조 관계를 강조할 수 있다.
이후, 대조 어텐션 모듈(30)은
Figure PCTKR2024007565-appb-img-000038
맵과
Figure PCTKR2024007565-appb-img-000039
맵 간의 차이에
Figure PCTKR2024007565-appb-img-000040
이 더해진 결과에 리캘리브레이션 피처 P를 곱하여 채널 정보를 축소할 수 있다. 여기서 리캘리브레이션 피처 P는 다음의 수학식 2에 의해 정의될 수 있다.
Figure PCTKR2024007565-appb-img-000041
이하 도 2 내지 도 6을 참조하여 도 1의 딥 러닝 모델을 이용한 비정상 동리듬을 감지하는 방법 및 장치를 구체적으로 설명한다.
도 2는 일 실시예에 따른 비정상 동리듬을 감지하는 장치의 일 예를 도시한 구성도이다.
도 2를 참조하면, 일 실시예에 따른 비정상 동리듬을 감지하는 장치(100)는 프로세서(110) 및 메모리(120)를 포함한다. 설명의 편의를 위하여, 도 2에는 본 실시예들과 관련된 구성요소들만이 도시되어 있어, 도 2에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음은 당해 기술분야의 기술자에게 자명하다.
프로세서(110)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리할 수 있다. 여기에서, 명령은 메모리(120) 또는 외부 장치(예를 들어, 서버 등)로부터 제공될 수 있다. 또한, 프로세서(110)는 장치(200)에 포함된 다른 구성요소들의 동작을 전반적으로 제어할 수 있다.
프로세서(110)은 ASICs (application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적 유닛 중 적어도 하나를 이용하여 구현될 수 있다.
예를 들어 프로세서(110)는 메모리(120)에 저장된 소프트웨어(예: 프로그램)를 실행함으로써, 프로세서(110)에 연결된 전자 장치의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행하여 장치(100)를 전반적으로 제어할 수 있다.
일 실시예에 따르면, 프로세서(110)는 장치(100) 내에 구비된 중앙 처리 장치 (central processing unit; CPU), 그래픽 처리 장치(graphics processing unit; GPU), 어플리케이션 프로세서(application processor; AP), 신경망 처리 장치(neural processing unit; NPU), 이미지 시그널 프로세서(image signal processor; ISP), 센서 허브 프로세서(sensor hub processor) 또는 커뮤니케이션 프로세서(communication processor; CP) 등으로 구현될 수 있으나, 이에 제한되지 않는다.
메모리(120)는 비-일시적인 임의의 컴퓨터 판독 가능한 기록매체를 포함할 수 있다. 일 예로서, 메모리(120)는 RAM(random access memory), ROM(read only memory), 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있다. 다른 예로서, ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리와는 구분되는 별도의 영구 저장 장치일 수 있다. 또한, 메모리(120)에는 운영체제(OS)와 적어도 하나의 프로그램 코드(예를 들어, 도 3 내지 도 6을 참조하여 후술할 동작을 프로세서(110)가 수행하기 위한 코드)가 저장될 수 있다.
이러한 소프트웨어 구성요소들은 메모리(120)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 장치(100)에 직접 연결될 수 있는 기록 매체일 수 있고, 예를 들어, 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다.
또는, 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 모듈을 통해 메모리(120)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 어플리케이션의 설치 파일을 배포하는 파일 배포 시스템이 통신 모듈을 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램(예를 들어, 도 2 내지 도 6을 참조하여 후술할 동작을 프로세서(110)가 수행하기 위한 컴퓨터 프로그램 등)에 기반하여 메모리(120)에 로딩될 수 있다.
도 3은 일 실시예에 따른 비정상 동리듬을 감지하는 방법의 일 예를 설명하기 위한 흐름도이다.
도 3을 참조하면, 단계 310에서, 프로세서(110)는 소정 시구간의 적어도 일부의 심전도 신호를 주파수 도메인 신호로 변환할 수 있다.
예를 들어, 프로세서(110)는 소정 시구간의 적어도 일부의 심전도 신호에 대하여 고속 푸리에 변환을 수행함으로써, 심전도 신호를 주파수 도메인 신호로 변환할 수 있다.
일 실시예에 따르면, 소정 시구간의 심전도 신호는 전처리 과정을 거친 후 고속 푸리에 변환될 수 있다. 예를 들어, 프로세서(110)는 심전도 신호를 250Hz의 속도로 리샘플링할 수 있다. 그리고 샘플링된 심전도 신호를 5.12초 길이로 분할하여 1280 개의(250
Figure PCTKR2024007565-appb-img-000042
5.12) 샘플로 이루어진 소정 시구간의 심전도 신호를 획득할 수 있다. 여기서 샘플링 주파수 및 소정 시구간의 수치는 일 실시예에 불과하고, 본 발명이 이러한 수치에 한정되는 것이 아님은 자명하다. 소정 시구간의 길이, 즉 입력 신호 세그먼트의 길이는 본 발명의 비정상 동리듬 감지 장치의 성능에 따라 선택될 수 있다.
이후, 프로세서(110)는 0.5Hz에서 40Hz 범위의 5차 버터워스 밴드패스 필터(Butterworth bandpass filter)를 적용하여 기저선 변동 잡음(baseline wandering)을 제거할 수 있다. 그리고, 프로세서(110)는 기저선 변동 잡음이 제거된 심전도 신호에 대하여 정규화를 수행할 수 있다. 정규화는 심전도 신호의 진폭이 환자, 전극 배치 및 측정 장치에 따라 가변적인 문제를 해결하기 위해 수행된다. 이때, 정규화는 Z-점수 정규화일 수 있고 최소-최대 정규화일 수 있다. 바람직하게는, 정규화는 Z-점수 정규화일 수 있다. Z-점수 정규화는 신호에 아티팩트가 포함되어 있을 경우, 형태를 왜곡시킬 수 있는 최소-최대 정규화보다 아웃라이어에 대해 민감하다.
일 실시예에 따르면, 프로세서(110)는 소정 시구간의 심전도 신호를 제1 신호 및 제2 신호로 구분하고, 제1 신호에 대해서 고속 푸리에 변환을 수행하고, 수행 결과에 대한 대칭 신호를 생성함으로써 상기 주파수 도메인 신호를 획득할 수 있다. 여기서 제1 신호는 시간 도메인의 신호를 절반으로 분할하여 획득한 한쪽 절반에 해당하는 신호를 의미하고, 제2 신호는 다른 쪽의 절반에 해당하는 신호를 의미한다. 일 실시예에 따르면, 프로세서(110)는 고속 푸리에 변환된 주파수 도메인의 신호의 대칭성을 이용하여, rFFT(right FFT) 알고리즘을 사용함으로써 연산의 복잡성을 줄일 수 있다.
단계 320에서, 프로세서(110)는 주파수 도메인 신호에 대하여 CNN(convolution neural network) 모델을 이용하여 노이즈를 제거할 수 있다.
일 실시예에 따르면, 프로세서(110)는 상기 주파수 도메인 신호에 포함된 실수부 및 허수부를 연결하여 컨볼루션 레이어에 입력하고, 상기 입력에 대해 컨볼루션을 수행하고, 정규화 및 GELU 함수를 적용한 후 출력을 획득할 수 있다. 그리고, 프로세서(110)는 상기 출력을 실수부와 허수부로 나누어 노이즈가 제거된 주파수 도메인 신호를 획득할 수 있다.
여기서 컨볼루션 레이어는 입력된 신호의 특성을 보존하면서 노이즈 레벨을 줄이는 필터 역할을 수행한다. 이러한 노이즈 제거 과정은 전통적인 노이즈 제거 방법과 달리 학습이 가능한 FFT 필터를 이용하여 노이즈를 제거한다.
단계 330에서, 프로세서(110)는 노이즈가 제거된 신호에 대응하는 시간 도메인의 디노이즈 신호(denoised signal)를 획득할 수 있다. 일 실시예에 따른 프로세서(110)는 주파수 도메인 신호의 대칭성을 이용하여 역 rFFT(inverse rFFT) 알고리즘을 사용함으로써 연산의 복잡성을 줄일 수 있다. 프로세서(110)가 주파수 도메인 신호에 대하여 노이즈를 제거하고 시간 도메인의 디노이즈 신호(denoised signal)를 획득하는 일 예시는 도 4에서 구체적으로 후술한다.
도 4는 일 실시예에 따라 주파수 도메인 신호에서 노이즈를 제거하는 일 예를 설명하기 위한 도면이다.
도 4를 참조하면, 프로세서(110)는 노이즈가 포함된 소정 시구간의 심전도 신호(410)를 고속 푸리에 변환(fast Fourier transform; FFT)하여 시간 도메인에서 주파수 도메인으로 변환한다. 이때, 프로세서(110)는 주파수 도메인의 신호의 공액 대칭(conjugate symmetric) 성질을 이용하여, 연산의 복잡성을 줄이기 위해 rFFT(right FFT) 알고리즘을 사용한다. 즉, 프로세서(110)는 소정 시구간의 심전도 신호를 절반으로 나누고, 절반에 해당하는 신호에 대해서 고속 푸리에 변환을 계산한 후, 대칭을 생성함으로써, 전체 주파수 도메인 신호를 획득할 수 있다. 주파수 도메인의 신호는 실수부(420) 및 허수부(430)로 구성된다. 프로세서(110)는 실수부 및 허수부를 연결하여 컨볼루션 레이어로 입력한다. 실수부 및 허수부를 연결함에 따라 컨볼루션 레이어에 입력되는 신호(440)는 채널의 수가 두 배가 된다. 컨볼루션 레이어는 입력된 신호의 특성을 보존하면서 노이즈 레벨을 줄이는 필터 역할을 수행한다. 컨볼루션 연산 결과에 정규화 레이어 및 GELU 활성화 함수가 적용된다. 정규화 레이어는 출력이 안정된 분포와 스케일을 갖도록 한다. GELU 활성화 함수는 컨볼루션 레이어의 연산에 비선형성을 부여하고, 컨볼루션 레이어의 성능을 향상시킨다. 정규화 및 GELU 활성화 함수가 적용된 출력(450)은 채널이 2분의 1로 나뉘어, 실수부(460) 및 허수부(470)가 다시 분리되고, 역 rFFT(inverse rFFT)에 의하여 시간 도메인으로 변환된다. 최종적으로 원래 신호의 정보를 유지하는 시간 도메인의 디노이즈 신호(480)가 획득된다.
다시 도 3을 참조하면, 단계 340에서, 프로세서(110)는 시간 도메인의 디노이즈 신호로부터 어텐션(Attention) 메커니즘에 기반하여, 비정상 동리듬(non-sinus rhythm)을 감지할 수 있다.
예를 들어, 프로세서(110)는 심전도 신호로부터 비정상 동리듬의 신호를 분할(segmentation)하기 위해 1D U-Net 아키텍처를 사용할 수 있다. U-Net은 인코더와 디코더로 구성되며, 인코더는 입력 신호를 다양한 수준의 추상화된 특성으로 인코딩하고, 디코더는 이러한 특성을 사용하여 원본 입력 신호와 동일한 크기의 출력을 생성한다. 인코더로는 VGG19, ResNet34, 또는 DenseNet121가 사용될 수 있다. 본 발명의 디노이즈 어텐션 모듈(Denoise and Contrast Attention Module; DCAM)은 다양한 특성 표현의 레벨에서 맥락 정보(contextual information)를 모델링하기 위해, 인코더 네트워크에 삽입될 수 있다. 일 실시예에 따르면, 디노이즈 어텐션 모듈은 인코더 레이어의 끝에 삽입될 수 있다.
다른 실시예에 따르면, 프로세서(110)는 인코더(encoder)를 이용하여, 시간 도메인의 디노이즈 신호로부터 비정상 동리듬에 관한 제1 특성 맵을 획득할 수 있다. 여기서 제1 특성 맵은 도 1에서 상술한 K 맵을 의미한다. 또한, 프로세서(110)는 인코더(encoder)를 이용하여, 시간 도메인의 디노이즈 신호로부터 정상 동리듬에 관한 제2 특성 맵을 획득할 수 있다. 여기서 제2 특성 맵은 도 1에서 상술한 Q 맵을 의미한다. 이후, 프로세서(110)는 인코더(encoder)를 이용하여, 제1 특성 맵과 제2 특성 맵의 차이(subtraction)인 제3 특성 맵을 획득할 수 있다. 이후, 프로세서(110)는 인코더(encoder)를 이용하여, 상기 차이가 강조된 제4 특성 맵을 계산할 수 있다.
일 실시예에 따르면, 제1 특성 맵 내지 제3 특성 맵을 획득하는 과정들은 입력된 신호를 G개의 그룹으로 구분하고, 상기 G개의 그룹에 대하여 각각 수행되는 것일 수 있다. 인코더로 VGG19, ResNet34, 또는 DenseNet121이 사용되는 경우 모두에 있어서, 모델의 성능이 최적화되는 바람직한 G는 8일수 있다. 다른 실시예에 따르면, 입력된 신호는 복수의 그룹으로 구분되지 않고, 전체 입력 채널에 대해 제1 특성 맵 내지 제3 특성 맵을 획득하는 과정이 수행될 수도 있다.
또한, 프로세서(110)는 인코더로부터 획득된 제4 특성 맵을 디코더(decoder)에 입력하고, 정상 동리듬 신호 및 비정상 동리듬 신호의 분할(segmentation) 결과를 획득할 수 있다.
일 실시예에 따르면, 프로세서(110)는 상기 제3 특성 맵과 시간 도메인의 디노이즈 신호를 결합하고, 상기 결합 결과를 리캘리브레이션(recalibration)함으로써, 제4 특성 맵을 획득할 수 있다. 여기서 제4 특성 맵은
Figure PCTKR2024007565-appb-img-000043
맵과
Figure PCTKR2024007565-appb-img-000044
맵 간의 차이(subtraction)를 가우시안 에러 선형 유닛(GELU) 활성화하고
Figure PCTKR2024007565-appb-img-000045
와 결합하고, 여기에 리캘리브레이션(recalibration) 특성인
Figure PCTKR2024007565-appb-img-000046
를 곱한 것일 수 있다.
그리고, 프로세서(110)는 디코더(decoder)를 이용하여 인코더로부터 획득된 제4 특성 맵으로부터 정상 동리듬 신호 및 상기 비정상 동리듬 신호의 분할(segmentation) 결과를 획득할 수 있다. 이후 프로세서(110)는 획득된 비정상 동리듬 신호로부터 비정상 동리듬을 감지할 수 있다.
예를 들어, 프로세서(110)는 디코더(decoder)의 2개의 출력 채널로부터 입력된 원래 신호 크기와 같은 정상 동리듬 신호와 비정상 동리듬 신호를 각각 획득할 수 있다. 여기서 정상 동리듬 신호는 QRS 파를 의미할 수 있고, 비정상 동리듬 신호는 조기 심실 수축(premature ventricular contraction; PVC)에 의하여 발생되는 신호를 의미할 수 있다. 디코더의 출력에는 시그모이드 함수가 적용되어 출력이 0과 1 사이 값을 갖도록 할 수 있다. 또한, 정상 동리듬 신호 및 비정상 동리듬 신호에 대해 모두 0.5를 임계값으로 하여 출력을 이진화할 수 있다.
일 실시예에 따른 프로세서(110)는 분할(segmetation) 결과에 대해 후처리를 수행할 수 있다. 예를 들어, 프로세서(110)는 분할 결과에서 인터벌이 0.6초 보다 케이스들을 제거함으로써 PVC의 거짓 양성을 줄일 수 있다. 비트별 PVC 감지 성능을 평가할 때 시간 임계값은 0.12초로 설정될 수 있다. 프로세서(110)는 후처리된 비정상 동리듬 신호를 이용하여 PVC의 횟수를 정확하게 감지할 수 있다.
한편, 본 발명의 일 실시예에 따른 비정상 동리듬을 감지하는 장치에 포함된 모델를 훈련하기 위한 데이터로 증강(augmentation)된 신호가 사용될 수 있다. 예를 들어, 입력 신호의 품질이 저하되는 것을 방지하기 위해 다음과 같은 증강 방법이 사용될 수 있다.
우선, 깨끗한 심전도 신호에 가우시안 노이즈를 추가하여 신호 대 잡음 비율을 10dB로 만들어 노이즈가 있는 환경을 모방할 수 있다. 그리고, 원본 샘플링 속도에서 5% 범위 내에서 신호를 무작위로 리샘플링하여 심박수의 변화를 모방할 수 있다. 그리고, NeuroKit2에 의하여 사실적인 아티팩트와 노이즈가 신호에 추가될 수 있다. 또한, 훈련 데이터셋은 PVC 및 비PVC 클래스 간의 균형을 유지하기 위해 언더샘플링 될 수 있다. 언더샘플링은 각 샘플의 PVC 존재 여부에 따라 가중치를 부여하고, 가중치를 사용하여 배치 작업에서 샘플을 균형 있게 조절하는 것을 말한다.
또한, 모델 추론에는 제안된 모델이 임의로 긴 심전도 신호를 평가해야 할 때의 성능 저하를 피하기 위해 슬라이딩 윈도우 방식(sliding window method)이 사용될 수 있다. 이 방식은 훈련과 추론을 위해 신호를 1280 샘플 길이의 세그먼트로 잘라내어 사용한다. 슬라이딩 윈도우 방법의 하이퍼파라미터는 상수 가중치이며, 0.25의 중첩도(overldap ratio)가 사용될 수 있다.
마지막으로, 훈련 손실 함수로는 이진 크로스 엔트로피(binary cross entropy)가 사용될 수 있고, 배치 크기는 256이며, 옵티마이저로는 Adam이 사용될 수 있다. 모델의 빠른 훈련과 훈련의 반복성을 보장하기 위해 스텝-러닝 레이트 스케쥴러(step-learning rate scheduler)가 사용될 수 있다. 또한 테스트 데이터셋의 F1 점수가 최대값에 도달했을 때 훈련을 조기 종료하도록 설정될 수 있다. 예를 들어, 훈련은 Python 3.9, PyTorch 1.11, 및 PyTorch Lightning 1.5.0 환경에서 단일 GPU(24 GB)를 사용하여 진행될 수 있으며, 모델 구성에 따라 훈련에 1~1.5시간이 소요될 수 있다.
도 5는 일 실시예에 따른 PVC를 감지하는 장치가 심전도 신호로부터 정상 동리듬 신호 및 PVC 신호를 분할(segmentation)하는 일 예를 설명하기 위한 도면이다.
도 5를 참조하면, PVC를 감지하는 장치는 DCAM이 적용된 1D U-Net을 이용하여 심전도 신호로부터 정상 동리듬 신호 및 PVC 신호를 분할한다. 어텐션 모듈은 인코더 레이어의 끝에 추가되어 분할의 성능을 향상시킨다. 소정 시구간의 심전도 신호(500)는 인코더(510)에 입력되고, 인코더에 의해 추출된 특성은 디코더(520)로 입력된다. 디코더의 세그멘테이션 헤드는 인코더에서 추출된 특성을 사용하여 입력 신호의 영역 및 클래스를 식별하고, 정상 동리듬 신호 및 PVC 신호의 두가지 클래스로 분할된 분할 결과(530)를 출력한다. 프로세서(110)는 출력된 분할 결과에 후처리를 수행하고 최종적으로 PVC를 감지한다.
도 6은 일 실시예에 따른 어텐션 메커니즘이 심전도 신호에서 어텐션을 기울이는 구간을 시각화한 어텐션 맵의 일 예를 나타내는 도면이다.
도 6을 참조하면, 어텐션 맵(610, 620, 630, 640, 710, 720, 730, 740)은 대조 어텐션 모듈(CAM)의 K와 Q가 어디에 주의를 기울이는지 나타낸다. 도 6은 일 실시예에 따른 비정상 동리듬을 감지하는 장치에서 인코더의 네 번째 레이어의 어텐션을 시각화한 것이다. 입력 신호(600, 700)에서 삼각형은 PVC의 위치를 나타내며, 사각형은 정상 신호의 위치를 나타낸다. 어텐션 맵은 그래디언트가 큰 경우에 더 어둡게 표현되며, K 맵은 후보 PVC에 중점을 두고 있으며, Q 맵은 정상 신호에 중점을 두고 있다.
도 6은 대조 어텐션 모듈(CAM)의 적용 전 또는 후에 디노이즈 모듈의
Figure PCTKR2024007565-appb-img-000047
이 있는지 여부에 따른 어텐션 맵의 시각화를 통해 노이즈 제거의 효과를 보여준다. 노이즈 제거가 선행되지 않은 대조 어텐션 모듈(CAM)의 어텐션 맵(630, 640, 730, 740)은 K와 Q가 여러 영역에서 주의를 기울이고 있는 것으로 나타난다. 그러나 디노이즈 어텐션 모듈(DCAM)을 사용하면 주의가 어텐션 맵(610, 620, 710, 720) 내의 R 피크에 집중되어 K와 Q 간에 강한 대비가 나타난다. 이를 통해 어텐션 메커니즘이 트리거 되기 전에 주파수 기반 컨볼루션을 이용하여 노이즈를 제거하면 PVC의 감지 성능이 향상되는 것을 알 수 있다.
한편, 상술한 방법은 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터로 읽을 수 있는 기록매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 또한, 상술한 방법에서 사용된 데이터의 구조는 컴퓨터로 읽을 수 있는 기록매체에 여러 수단을 통하여 기록될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록매체는 마그네틱 저장매체(예를 들면, 롬, 램, USB, 플로피 디스크, 하드 디스크 등), 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등)와 같은 저장매체를 포함한다.
본 실시예와 관련된 기술 분야에서 통상의 지식을 가진 자는 상기된 기재의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 방법들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 하며, 권리 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점을 포함하는 것으로 해석되어야 할 것이다.

Claims (15)

  1. 소정 시구간의 적어도 일부의 심전도 신호를 주파수 도메인 신호로 변환하는 단계;
    상기 주파수 도메인 신호에 대하여 CNN(convolution neural network) 모델을 이용하여 노이즈를 제거하는 단계;
    상기 노이즈가 제거된 신호에 대응하는 시간 도메인의 디노이즈 신호(denoised signal)를 획득하는 단계; 및
    상기 디노이즈 신호로부터 어텐션(Attention) 메커니즘에 기반하여, 비정상 동리듬(non-sinus rhythm)을 감지하는 단계;를 포함하는,
    심전도 신호로부터 비정상 동리듬을 감지하는 방법.
  2. 제 1 항에 있어서,
    상기 변환하는 단계는,
    상기 소정 시구간의 심전도 신호를 제1 신호 및 제2 신호로 구분하는 단계;
    상기 제1 신호에 대해서 고속 푸리에 변환을 수행하는 단계; 및
    상기 수행 결과에 대한 대칭 신호를 생성함으로써 상기 주파수 도메인 신호를 생성하는 단계;를 포함하는 방법.
  3. 제 1 항에 있어서,
    상기 디노이즈 신호(denoised signal)를 획득하는 단계는,
    상기 주파수 도메인 신호에 포함된 실수부 및 허수부를 연결하여 컨볼루션 연산을 수행하는 단계;
    상기 연산 결과를 실수부와 허수부로 나누어 노이즈가 제거된 주파수 도메인 신호를 획득하는 단계; 및
    상기 노이즈가 제거된 주파수 도메인 신호를 역고속 푸리에 변환하여 상기 디노이즈 신호를 획득하는 단계;를 포함하는 방법.
  4. 제 1 항에 있어서,
    상기 비정상 동리듬을 감지하는 단계는,
    인코더(encoder)를 이용하여 상기 시간 도메인의 디노이즈 신호로부터 상기 비정상 동리듬에 관한 제1 특성 맵을 획득하는 단계;
    상기 인코더를 이용하여 상기 시간 도메인의 디노이즈 신호로부터 정상 동리듬에 관한 제2 특성 맵을 획득하는 단계;
    상기 인코더를 이용하여 상기 제1 특성 맵과 제2 특성 맵의 차이(subtraction)인 제3 특성 맵을 획득하는 단계;
    상기 인코더를 이용하여 상기 제3 특성 맵으로부터 상기 차이가 강조된 제4 특성 맵을 계산하는 단계;
    디코더(decoder)를 이용하여 상기 제4 특성 맵으로부터 정상 동리듬 신호 및 상기 비정상 동리듬 신호의 분할(segmentation) 결과를 획득하는 단계; 및
    상기 비정상 동리듬 신호로부터 비정상 동리듬을 감지하는 단계;를 포함하는 방법.
  5. 제 4 항에 있어서,
    상기 제1 특성 맵 내지 상기 제3 특성 맵은,
    상기 입력된 신호를 G개의 그룹으로 구분하고, 상기 G개의 그룹에 대하여 각각 획득되는 것인, 방법.
  6. 제 4 항에 있어서,
    제4 특성 맵을 계산하는 단계는,
    상기 제3 특성 맵과 상기 시간 도메인의 디노이즈 신호를 결합하는 단계; 및
    상기 결합 결과를 리캘리브레이션(recalibration)하는 단계;를 포함하는, 방법.
  7. 제 1 항에 있어서,
    상기 비정상 동리듬은,
    조기 심실 수축(premature ventricular contraction)에 의하여 발생되는, 방법.
  8. 적어도 하나의 메모리; 및
    적어도 하나의 프로세서;를 포함하고,
    상기 적어도 하나의 프로세서는,
    소정 시구간의 적어도 일부의 심전도 신호를 주파수 도메인 신호로 변환하고,
    상기 주파수 도메인 신호에 대하여 CNN(convolution neural network) 모델을 이용하여 노이즈를 제거하고,
    상기 노이즈가 제거된 신호에 대응하는 시간 도메인의 디노이즈 신호(denoised signal)를 획득하고,
    상기 디노이즈 신호로부터 어텐션(Attention) 메커니즘에 기반하여, 비정상 동리듬(non-sinus rhythm)을 감지하는, 심전도 신호로부터 비정상 동리듬을 감지하는 장치.
  9. 제 8 항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 소정 시구간의 심전도 신호를 제1 신호 및 제2 신호로 구분하고,
    상기 제1 신호에 대해서 고속 푸리에 변환을 수행하고,
    상기 수행 결과에 대한 대칭 신호를 생성함으로써 상기 주파수 도메인 신호를 획득하는, 장치.
  10. 제 8 항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 주파수 도메인 신호에 포함된 실수부 및 허수부를 연결하여 컨볼루션 연산을 수행하고,
    상기 연산 결과를 실수부와 허수부로 나누어 노이즈가 제거된 주파수 도메인 신호를 획득하고,
    상기 노이즈가 제거된 주파수 도메인 신호를 역고속 푸리에 변환하여 상기 디노이즈 신호를 획득하는, 장치.
  11. 제 8 항에 있어서,
    상기 적어도 하나의 프로세서는,
    인코더(encoder)를 이용하여 상기 시간 도메인의 디노이즈 신호로부터 비정상 동리듬에 관한 제1 특성 맵을 획득하고, 상기 시간 도메인의 디노이즈 신호로부터 정상 동리듬에 관한 제2 특성 맵을 획득하고, 상기 제1 특성 맵과 제2 특성 맵의 차이(subtraction)인 제3 특성 맵을 획득하고, 상기 제3 특성 맵으로부터 상기 차이가 강조된 제4 특성 맵을 계산하고,
    디코더(decoder)를 이용하여 상기 제4 특성 맵으로부터 정상 동리듬 신호 및 상기 비정상 동리듬 신호의 분할(segmentation) 결과를 획득하고,
    상기 비정상 동리듬 신호로부터 비정상 동리듬을 감지하는, 장치.
  12. 제 11 항에 있어서,
    상기제1 특성 맵 내지 상기 제3 특성 맵은,
    상기 입력된 신호를 G개의 그룹으로 구분하고, 상기 G개의 그룹에 대하여 각각 획득되는, 장치.
  13. 제 11 항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 제3 특성 맵과 상기 시간 도메인의 디노이즈 신호를 결합하고, 상기 결합 결과를 리캘리브레이션(recalibration)함으로써 제4 특성 맵을 계산하는, 장치.
  14. 제 8 항에 있어서,
    상기 비정상 동리듬은,
    조기 심실 수축(premature ventricular contraction)에 의하여 발생되는, 장치.
  15. 제 1 항에 따른 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
PCT/KR2024/007565 2023-06-09 2024-06-03 딥 러닝 모델을 이용하여 심전도 신호를 분석하는 방법 및 심전도 신호를 분석하는 장치 Ceased WO2024253395A1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR20230074512 2023-06-09
KR10-2023-0074512 2023-06-09
KR10-2024-0004422 2024-01-10
KR1020240004422A KR20240174814A (ko) 2023-06-09 2024-01-10 딥 러닝 모델을 이용하여 심전도 신호를 분석하는 방법 및 심전도 신호를 분석하는 장치

Publications (1)

Publication Number Publication Date
WO2024253395A1 true WO2024253395A1 (ko) 2024-12-12

Family

ID=93796147

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2024/007565 Ceased WO2024253395A1 (ko) 2023-06-09 2024-06-03 딥 러닝 모델을 이용하여 심전도 신호를 분석하는 방법 및 심전도 신호를 분석하는 장치

Country Status (1)

Country Link
WO (1) WO2024253395A1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021166704A (ja) * 2020-03-27 2021-10-21 オリジン ワイヤレス, インコーポレイテッドOrigin Wireless, Inc. 高周波信号を使用した無線バイタル監視の方法、装置、およびシステム
KR102429256B1 (ko) * 2021-12-31 2022-08-04 주식회사 에이슬립 음향 정보를 통해 사용자의 수면 상태를 분석하기 위한 방법, 컴퓨팅 장치 및 컴퓨터 프로그램
WO2023048400A1 (ko) * 2021-09-24 2023-03-30 주식회사 뷰노 심박변이도 특징 값을 추출하기 위한 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021166704A (ja) * 2020-03-27 2021-10-21 オリジン ワイヤレス, インコーポレイテッドOrigin Wireless, Inc. 高周波信号を使用した無線バイタル監視の方法、装置、およびシステム
WO2023048400A1 (ko) * 2021-09-24 2023-03-30 주식회사 뷰노 심박변이도 특징 값을 추출하기 위한 방법
KR102429256B1 (ko) * 2021-12-31 2022-08-04 주식회사 에이슬립 음향 정보를 통해 사용자의 수면 상태를 분석하기 위한 방법, 컴퓨팅 장치 및 컴퓨터 프로그램

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
GAVARASKAR .SUSHAMA D., SHIURKAR U D: "Design and Develop An Algorithm To Remove Noise Using Machine Learning Algorithm", TURKISH ONLINE JOURNAL OF QUALITATIVE INQUIRY (TOJQI), vol. 13, no. 1, 1 January 2022 (2022-01-01), pages 239 - 251, XP093248218 *
KUMAR M. ARUN, CHAKRAPANI ARVIND: "Classification of ECG signal using FFT based improved Alexnet classifier", PLOS ONE, PUBLIC LIBRARY OF SCIENCE, US, vol. 17, no. 9, 27 September 2022 (2022-09-27), US , pages 1 - 22, XP093248219, ISSN: 1932-6203, DOI: 10.1371/journal.pone.0274225 *

Similar Documents

Publication Publication Date Title
CN110840402B (zh) 一种基于机器学习的房颤信号识别方法及系统
Alaskar et al. The implementation of pretrained AlexNet on PCG classification
WO2020141807A2 (ko) 딥러닝을 이용한 정상동율동 심전도 상태에서의 발작성 심방세동 예측방법
CN108968941B (zh) 一种心律失常检测方法、装置及终端
CN109948396B (zh) 一种心拍分类方法、心拍分类装置及电子设备
WO2022019402A1 (ko) 시계열 생체 신호 기반의 인공신경망 모델 학습 컴퓨터 프로그램 및 방법
Xu et al. Interpatient ECG arrhythmia detection by residual attention CNN
Bui et al. Automatic varied-length ECG classification using a lightweight DenseNet model
WO2019168381A1 (ko) 피부 질환 자동 분류 장치 및 피부 질환 자동 분류 방법
WO2019098415A1 (ko) 자궁경부암에 대한 피검체의 발병 여부를 판정하는 방법 및 이를 이용한 장치
CN113171102B (zh) 基于持续深度学习的ecg数据分类方法
CN114831661A (zh) 一种基于多通道肠鸣音采集的肠鸣音分类方法及系统
WO2024253395A1 (ko) 딥 러닝 모델을 이용하여 심전도 신호를 분석하는 방법 및 심전도 신호를 분석하는 장치
Jalalzadeh et al. Classification of heart diseases using time-frequency representations of electrocardiogram signals by transfer learning networks
WO2024085306A1 (ko) 변이형 오토인코더를 이용하여 결정된 기준 범위로 심전도 신호를 분류하는 심전도 신호 처리 방법, 심전도 신호 처리 장치 및 컴퓨터 프로그램
KR20240174814A (ko) 딥 러닝 모델을 이용하여 심전도 신호를 분석하는 방법 및 심전도 신호를 분석하는 장치
Zeng et al. A high comprehensive performance ECG noise reduction architecture based on conditional generative adversarial net
WO2023096372A1 (ko) 모바일넷을 이용한 심장 질병 분류 장치 및 방법
CN117778599A (zh) 睡眠剥夺对sd大鼠肠道菌群影响的检测方法及系统
Demčáková et al. Computational Paradigms for Heart Arrhythmia Detection: Leveraging Neural Networks
RU240535U1 (ru) Программно - аппаратный комплекс для осуществления предварительной обработки электрокардиосигнала
CN117649403B (zh) 用于偏头痛的视频衍生面部血流脉动定量评测方法、装置及设备
BAMMARA et al. Classification of ECG signals using 1D-2D transformation and convolutional neural networks (CNN)
Gola et al. A novel and efficient CNN architecture for detection and classification of ECG arrhythmia
Panganiban et al. Spectrogram and Deep Neural Network Analysis in Detecting Paroxysmal Atrial Fibrillation with Bottleneck Layers and Cross Entropy Approach

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: 24819546

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE