WO2024257944A1 - 웨이블릿 함수 적용 합성곱 신경망을 활용한 자동 질환 분류 방법 - Google Patents

웨이블릿 함수 적용 합성곱 신경망을 활용한 자동 질환 분류 방법 Download PDF

Info

Publication number
WO2024257944A1
WO2024257944A1 PCT/KR2023/009240 KR2023009240W WO2024257944A1 WO 2024257944 A1 WO2024257944 A1 WO 2024257944A1 KR 2023009240 W KR2023009240 W KR 2023009240W WO 2024257944 A1 WO2024257944 A1 WO 2024257944A1
Authority
WO
WIPO (PCT)
Prior art keywords
wavelet
biosignal
learning model
data
disease classification
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/KR2023/009240
Other languages
English (en)
French (fr)
Inventor
박성민
김남호
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.)
POSTECH Research and Business Development Foundation
Original Assignee
POSTECH Research and Business Development Foundation
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 POSTECH Research and Business Development Foundation filed Critical POSTECH Research and Business Development Foundation
Publication of WO2024257944A1 publication Critical patent/WO2024257944A1/ko
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • A61B5/02—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
    • A61B5/02416—Measuring pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
    • 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
    • A61B5/0245—Measuring pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
    • 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
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
    • A61B5/291—Bioelectric electrodes therefor specially adapted for particular uses for electroencephalography [EEG]
    • 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
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
    • A61B5/296—Bioelectric electrodes therefor specially adapted for particular uses for electromyography [EMG]
    • 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
    • A61B5/389—Electromyography [EMG]
    • A61B5/392—Detecting gastrointestinal contractions
    • 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
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • 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

  • the present invention relates to an automatic disease classification method using a convolutional neural network applying a wavelet function, and more specifically, to an automatic disease classification method for extracting a wavelet-transformed biosignal by applying a compressed or expanded wavelet function to an input biosignal through a wavelet transform-based convolutional neural network, and inputting the wavelet-transformed biosignal into a convolutional neural network to classify a disease type.
  • Arrhythmia is a phenomenon in which the action potential of the heart is conducted in an abnormal path or order, resulting in abnormal heartbeats, irregular heartbeats (tachycardia or bradycardia), and insufficient cardiac output. Since these can lead to acute cardiovascular disease or chronic complications, appropriate management and monitoring are required.
  • ECG electrocardiogram
  • DNN deep neural networks
  • CNNs convolutional neural networks
  • DNN/CNN-based arrhythmia classification techniques have a problem in that learning and decision logic cannot be interpreted (black-box issue), which limits their application to actual clinical practice.
  • the technical problem to be achieved by the present invention is to provide an automatic disease classification method for extracting a wavelet-transformed biosignal by applying a compressed or expanded wavelet function to an input biosignal through a wavelet transform-based convolutional neural network, and classifying a disease type by inputting the wavelet-transformed biosignal into a convolutional neural network.
  • an automatic disease classification method includes a step of obtaining a biosignal from a sensor attached to a part of a patient's body, a step of inputting the obtained biosignal into a first learning model based on wavelet transform to obtain a wavelet-transformed biosignal, a step of inputting the obtained wavelet-transformed biosignal into a second learning model to analyze morphological features included in the biosignal and extract feature values, and a step of inputting the extracted feature values into a third learning model based on a decision-making algorithm to classify a type of disease.
  • the above biosignal may include at least one of electrocardiogram (ECG) data, photoplethysmogram (PPG) data, respiratory signal, electromyogram (EMG) data, electroencephalogram (EEG) data, and electrogastrogram (EGG) data.
  • ECG electrocardiogram
  • PPG photoplethysmogram
  • EMG electromyogram
  • EEG electroencephalogram
  • EEG electrogastrogram
  • the above first learning model can generate various wavelet functions by applying a predefined mother wavelet to an input biosignal to compress or expand it, and perform a cross-correlation operation between the generated wavelet function and the input biosignal to output a wavelet-transformed biosignal.
  • the above first learning model is composed of wavelet kernels, each having a different scale, and the wavelet kernels can be determined using the following mathematical formula.
  • ⁇ is the mother wavelet.
  • l represents the length of the kernel and a i represents the scale factor, which is a unitless parameter.
  • the above first learning model can output a wavelet-transformed biosignal using the following mathematical formula.
  • x represents the input data
  • the disease classification model based on wavelet (WavelNet) transform does not require a separate preprocessing process, is not restricted by the frequency domain of the input signal or the sampling frequency of the sensor, and has variable time-frequency resolution and flexibility in selecting the mother wavelet. Therefore, it can be widely used in the analysis of not only electrocardiogram (ECG), but also photoplethysmogram (PPG), respiratory signals, electromyogram (EMG), electroencephalogram (EEG), and electrogastrogram (EGG).
  • ECG electrocardiogram
  • PPG photoplethysmogram
  • EMG electromyogram
  • EEG electroencephalogram
  • EEGG electrogastrogram
  • Figure 1 is a schematic diagram illustrating an automatic disease classification device according to an embodiment of the present invention.
  • FIG. 2 is a flowchart for explaining an automatic disease classification method using an automatic disease classification device according to an embodiment of the present invention.
  • Figure 3 is a drawing for explaining the automatic disease classification method illustrated in Figure 2.
  • Figure 4 is a flowchart for explaining step S220 illustrated in Figure 2.
  • Figure 5 is an exemplary diagram for explaining step S222 illustrated in Figure 4.
  • Figure 6 is a diagram showing the results of a performance comparison between a wavelet-based arrhythmia classification model applied to an embodiment of the present invention and a conventional CNN-based arrhythmia classification model.
  • FIG. 1 An automatic disease classification device according to an embodiment of the present invention will be described in more detail using FIG. 1.
  • Figure 1 is a schematic diagram illustrating an automatic disease classification device according to an embodiment of the present invention.
  • an automatic disease classification device (100) includes a data receiving unit (110), a wavelet transform unit (120), a feature value extraction unit (130), and a disease classification unit (140).
  • the data receiving unit (110) receives a biosignal.
  • the biosignal includes at least one of electrocardiogram (ECG) data, photoplethysmogram (PPG) data, respiration signal, electromyogram (EMG) data, electroencephalogram (EEG) data, and electrogastrogram (EGG) data.
  • the wavelet transform unit (120) constructs a first learning model based on wavelet transform, inputs the received biosignal into the constructed first learning model, and outputs a biosignal to which wavelet transform has been applied.
  • the feature value extraction unit (130) inputs the biosignal to which the wavelet transformation has been applied into the second learning model. Then, the second learning model outputs the feature value from the input biosignal.
  • the disease classification unit (140) inputs the output feature values into a third learning model based on a decision-making algorithm to classify the type of disease.
  • an automatic disease classification method using an automatic disease classification device (100) will be described in more detail using FIGS. 2 to 5.
  • an electrocardiogram (ECG) data among a plurality of bio-signals will be set as a bio-signal, and a method of classifying arrhythmia according to the input electrocardiogram data will be described as an example.
  • ECG electrocardiogram
  • PPG photoplethysmogram
  • EMG electromyogram
  • EEG electroencephalogram
  • ECG electrogastrogram
  • FIG. 2 is a flowchart for explaining an automatic disease classification method using an automatic disease classification device according to an embodiment of the present invention
  • FIG. 3 is a drawing for explaining the automatic disease classification method illustrated in FIG. 2.
  • an automatic disease classification device (100) receives electrocardiogram data (S210).
  • the examiner attaches multiple electrodes to the patient's arms, legs, chest, etc., and then measures the magnitude and direction of the current.
  • the examiner attaches electrodes to the patient's body corresponding to three standard limb leads, three amplified limb leads, and six precordial leads, and obtains electrocardiogram waveforms measured in 12 leads.
  • the electrocardiogram waveform indicates the direction and magnitude of the QRS.
  • electrocardiogram measurement has become possible through a minimum number of channels in addition to standard electrocardiogram tests. Therefore, in the present invention, electrocardiogram data measured using two or more channels is received from the examiner or the corresponding patient.
  • the wavelet transform unit (120) inputs the received electrocardiogram data into the first learning model to obtain wavelet-transformed electrocardiogram data (S220).
  • Figure 4 is a flowchart for explaining step S220 illustrated in Figure 2.
  • the wavelet transform unit (120) generates a data set (S221).
  • the wavelet transform unit (120) classifies electrocardiogram data obtained from multiple subjects into five grades as described in Table 1 below.
  • the wavelet transform unit (120) classifies multiple electrocardiogram data classified into five classes into training, verification, and test sets, respectively.
  • the wavelet transform unit (120) constructs a first learning model based on wavelets and trains the first learning model using the generated training data set (S222).
  • Figure 5 is an exemplary diagram for explaining step S222 illustrated in Figure 4.
  • the wavelet transform unit (120) adopts various mother wavelets using three models of the Daubechies wavelet family (Db2, Db4, Db6) and three models of the Symlet wavelet family (Sym2, Sym4, Sym6), and then constructs a first learning model based on the adopted mother wavelets.
  • a mother wavelet extended by the length of the kernel is adopted, with the value limited to 0 to 1.
  • the size of the kernel is calculated through the following mathematical expression 1.
  • ⁇ is the mother wavelet.
  • l represents the length of the kernel and a i represents the scale factor, which is a unitless parameter.
  • the scaled wavelet when the mother wavelet is expanded, that is, when the scale factor is higher than 1, the scaled wavelet can be trimmed.
  • the scaled wavelet when the mother wavelet is compressed, the scaled wavelet can maintain the characteristics of the mother wavelet. Therefore, the scale factor is limited to the values of 0 and 1 for compressing the mother wavelet.
  • the wavelet transform unit (120) causes the first learning model to calculate the cross-correlation between the input value and the kernel.
  • the first learning model based on wavelet transform is trained using a training data set generated to output wavelet-transformed electrocardiogram data using the following mathematical expression 2.
  • x represents the input data
  • step S222 the wavelet transform unit (120) inputs the electrocardiogram data received in step S210 into the first learning model to obtain wavelet-transformed electrocardiogram data (S223).
  • the wavelet transform unit (120) inputs the received electrocardiogram data into the first learning model. Then, the first learning model applies a predefined mother wavelet to the input biosignal to generate various wavelet functions that are compressed or expanded, and performs a cross-correlation operation between the generated wavelet function and the input biosignal to output wavelet-transformed electrocardiogram data.
  • the feature value extraction unit (130) extracts feature values from the wavelet transformed electrocardiogram data (S230).
  • the feature value extraction unit (130) constructs a second learning model to further analyze wavelet-transformed electrocardiogram data, inputs the wavelet-transformed electrocardiogram data into the constructed second learning model, and extracts feature values from the wavelet-transformed electrocardiogram data.
  • the waveform largely includes the P wave, QRS complex, and T wave, and the interval is composed of the PR interval and the QT interval.
  • Arrhythmia refers to a state in which the pulse is not regular or the frequency is outside the normal range, and this can be output in the form of irregular output of the P wave, QRS complex, and T wave, or short or long PR or QT interval.
  • the second learning model extracts features by comparing the wavelet-transformed electrocardiogram data with standard electrocardiogram data.
  • the disease classification unit (140) classifies the type of arrhythmia using the extracted feature values (S240).
  • the disease classification unit (140) constructs a third learning model based on a decision-making algorithm and inputs feature values into the constructed third learning model. Then, the third learning model classifies and outputs whether or not an arrhythmia has occurred and the type of arrhythmia according to the input feature values.
  • Figure 6 is a diagram showing the results of a performance comparison between a wavelet-based arrhythmia classification model applied to an embodiment of the present invention and a conventional CNN-based arrhythmia classification model.
  • Figure 6 compares the performance of six different wavelet (WavelNet)-based arrhythmia classification techniques developed with Daubechies-2,4,6 and Symlet-2,4,6 with the existing CNN-based arrhythmia classification technique. Most of the wavelet (WavelNet)-based arrhythmia classification techniques showed better performance than the existing CNN-based arrhythmia classification techniques, and among them, the technique utilizing Symlet-4 mother wavelet showed the best performance.
  • the sensitivities of the WavelNet-based model (Symlet-4 adopted) for non-ectopic beat, supraventricular ectopic beat, and ventricular ectopic beat classification were 91.4%, 49.3%, and 91.4%, respectively, which significantly improved the performance compared to the CNN-based model (87.3%, 14.9%, and 83.3%, respectively).
  • the positive rate and false positive rate also showed improved performance.
  • the overall accuracy also showed excellent performance, ranging from 83.7% (CNN model) to 89.1% (WavelNet model).
  • the automatic disease classification method according to the present invention can demonstrate superior performance compared to conventional CNN-based solutions by providing a disease classification model based on wavelet (WavelNet) transform.
  • Wavelet Wavelet
  • the automatic disease classification method according to the present invention is a disease classification model based on wavelet (WavelNet) transform, which does not require a separate preprocessing process, is not restricted by the frequency domain of the input signal or the sampling frequency of the sensor, and has variable time-frequency resolution and flexibility in selecting the mother wavelet, so it can be widely used in the analysis of not only electrocardiogram (ECG), but also photoplethysmogram (PPG), respiratory signal, electromyogram (EMG), electroencephalogram (EEG), electrogastrogram (EGG), etc.
  • ECG electrocardiogram
  • PPG photoplethysmogram
  • EMG electromyogram
  • EEG electroencephalogram
  • ECG electrogastrogram

Landscapes

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

Abstract

본 발명은 웨이블릿 함수 적용 합성곱 신경망을 활용한 자동 질환 분류 방법 에 관한 것이다. 본 발명에 따르면, 자동 질환 분류 방법은 환자의 신체 일부에 부착된 센서로부터 생체 신호를 획득하는 단계, 상기 획득한 생체 신호를 웨이블릿 변환 기반의 제1 학습모델에 입력하여 웨이블릿 변환된 생체 신호를 획득하는 단계, 상기 획득한 웨이블릿 변환된 생체 신호를 제2 학습모델에 입력하여 생체 신호에 포함된 형태적 특징을 분석하여 특징값을 추출하는 단계, 그리고 상기 추출된 특징값을 의사 결정 알고리즘을 기반으로 하는 제3 학습모델에 입력하여 질환의 유형을 분류하는 단계를 포함한다.

Description

웨이블릿 함수 적용 합성곱 신경망을 활용한 자동 질환 분류 방법
본 발명은 웨이블릿 함수 적용 합성곱 신경망을 활용한 자동 질환 분류 방법에 관한 것으로, 더욱 상세하게는 웨이블릿 변환 기반의 합성곱 신경망을 통해 입력된 생체 신호에 압축 또는 팽창된 웨이블릿 함수를 적용하여 웨이블릿 변환된 생체 신호를 추출하고, 웨이블릿 변환된 생체 신호를 합성곱 신경망에 입력하여 질환 유형을 분류하는 자동 질환 분류 방법에 관한 것이다.
부정맥은 심장의 활동전위가 비정상적인 경로 또는 순서로 전도되는 현상으로, 심장의 비정상적인 박동, 불규칙적인 박동(빈맥 또는 서맥), 심박출량의 부족 등으로 이어진다. 이들은 급성 심혈관 질환 또는 만성 합병증으로 이어질 수 있기 때문에, 적절한 관리와 모니터링이 필요하다.
부정맥의 여부 및 유형 분석은 심전도(Electrocardiogram, ECG)의 형태를 분석함으로써 가능하며, 특히 최근에는 딥 뉴럴 네트워크(Deep neural network, DNN)의 발달로 이를 활용한 자동 부정맥 분류 기법이 제시되고 있다.
그 중에서도 합성곱 신경망(Convolutional neural network, CNN)이 주로 활용되는데, 이는 시계열 입력의 패턴 분석에 유리하여 우수한 성능을 보이기 때문이다. 단, 이러한 DNN/CNN 기반 부정맥 분류 기법은 학습 및 결정논리를 해석할 수 없다는 문제(black-box issue)가 있어, 실제 임상에 적용하기에 한계가 있었다.
본 발명의 배경이 되는 기술은 대한민국 등록특허 제10-2163217호 (2020.10.08. 공고)에 개시되어 있다.
본 발명이 이루고자 하는 기술적 과제는 웨이블릿 변환 기반의 합성곱 신경망을 통해 입력된 생체 신호에 압축 또는 팽창된 웨이블릿 함수를 적용하여 웨이블릿 변환된 생체 신호를 추출하고, 웨이블릿 변환된 생체 신호를 합성곱 신경망에 입력하여 질환 유형을 분류하는 자동 질환 분류 방법을 제공하는 것이다.
이러한 기술적 과제를 이루기 위한 본 발명의 실시예에 따르면, 자동 질환 분류 방법은 환자의 신체 일부에 부착된 센서로부터 생체 신호를 획득하는 단계, 상기 획득한 생체 신호를 웨이블릿 변환 기반의 제1 학습모델에 입력하여 웨이블릿 변환된 생체 신호를 획득하는 단계, 상기 획득한 웨이블릿 변환된 생체 신호를 제2 학습모델에 입력하여 생체 신호에 포함된 형태적 특징을 분석하여 특징값을 추출하는 단계, 그리고 상기 추출된 특징값을 의사 결정 알고리즘을 기반으로 하는 제3 학습모델에 입력하여 질환의 유형을 분류하는 단계를 포함한다.
상기 생체 신호는, 심전도(electrocardiogram, ECG) 데이터, 광용적맥파(Photoplethysmogram, PPG) 데이터, 호흡신호, 근전도(Electromyogram, EMG) 데이터, 뇌전도(Electroencypalogram, EEG) 데이터, 위전도(Electrogastrogram, EGG) 데이터 중에서 적어도 하나를 포함할 수 있다.
상기 제1 학습모델은, 입력된 생체 신호에 기 정의된 모웨이블릿(mother wavelet)을 적용하여 압축 또는 팽창시킨 다양한 웨이블릿 함수를 생성하고, 상기 생성된 웨이블릿 함수와 입력된 생체 신호 간의 상호상관연산을 수행하여 웨이블릿 변환된 생체 신호를 출력할 수 있다.
상기 제1 학습모델은, 각각 상이한 스케일을 가지는 웨이블릿 커널로 구성되며, 상기 웨이블릿 커널은 하기의 수학식을 통해 결정될 수 있다.
Figure PCTKR2023009240-appb-img-000001
여기서, Ψ는 모웨이블릿으로
Figure PCTKR2023009240-appb-img-000002
내에 정의되며, l은 커널의 길이를 나타내고, ai는 단위가 없는 매개 변수인 스케일 팩터를 나타낸다.
상기 제1 학습모델은, 하기의 수학식을 이용하여 웨이블릿 변환된 생체 신호를 출력할 수 있다.
Figure PCTKR2023009240-appb-img-000003
여기서, x는 입력 데이터를 나타낸다.
이와 같이 본 발명에 따르면, 웨이블릿(WavelNet) 변환 기반의 질환 분류 모델을 제공함으로써, 종래의 딥 뉴럴 네트워크(Deep neural network, DNN)기반 솔루션의 고질적인 문제인 블랙박스 이슈(black-box issue)를 해소함으로써, 임상에의 적용을 가능케 할 수 있다.
또한, 웨이블릿(WavelNet) 변환 기반의 질환 분류 모델은 별도의 전처리 과정이 필요하지 않고, 입력신호의 주파수 영역 또는 센서의 샘플링 주파수에 구애받지 않으며, 가변 시간-주파수 분해능, 모웨이블릿(mother wavelet) 선택에 대한 유연성을 가지므로 심전도(electrocardiogram, ECG) 뿐만 아니라 광용적맥파(Photoplethysmogram, PPG), 호흡신호, 근전도(Electromyogram, EMG), 뇌전도(Electroencypalogram, EEG), 위전도(Electrogastrogram, EGG) 등의 분석에도 폭 넓게 활용될 수 있다.
도 1은 본 발명의 실시예에 따른 자동 질환 분류 장치를 설명하기 위한 구성도이다.
도 2는 본 발명의 실시예에 따른 자동 질환 분류 장치를 이용한 자동 질환 분류 방법을 설명하기 위한 순서도이다.
도 3은 도 2에 도시된 자동 질환 분류 방법을 설명하기 위한 도면이다.
도 4은 도 2에 도시된 S220단계를 설명하기 위한 순서도이다.
도 5는 도 4에 도시된 S222단계를 설명하기 위한 예시도이다.
도 6은 본 발명의 실시예에 적용된 웨이블릿 기반의 부정맥 분류 모델과 종래의 CNN 기반의 부정맥 분류 모델을 성능 비교 결과를 나타내는 도면이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시 예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
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 있는 것을 의미한다.
그러면 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.
이하에서는 도 1를 이용하여 본 발명의 실시예에 따른 자동 질환 분류 장치에 대해 더욱 상세하게 설명한다.
도 1은 본 발명의 실시예에 따른 자동 질환 분류 장치를 설명하기 위한 구성도이다.
도 1에 도시된 바와 같이, 본 발명의 실시예에 따른 자동 질환 분류 장치(100)는 데이터 수신부(110), 웨이블릿 변환부(120), 특징값 추출부(130) 및 질환 분류부(140)를 포함한다.
먼저 데이터 수신부(110)는 생체 신호를 수신한다. 여기서 생체 신호는 심전도(electrocardiogram, ECG) 데이터, 광용적맥파(Photoplethysmogram, PPG) 데이터, 호흡신호, 근전도(Electromyogram, EMG) 데이터, 뇌전도(Electroencypalogram, EEG) 데이터, 위전도(Electrogastrogram, EGG) 데이터 중에서 적어도 하나를 포함한다.
그 다음, 웨이블릿 변환부(120)는 웨이블릿 변환을 기반으로 하는 제1 학습모델을 구축하고, 수신된 생체 신호를 기 구축된 제1 학습모델에 입력하여 웨이블릿 변환이 적용된 생체 신호를 출력한다.
특징값 추출부(130)는 출력된 웨이블릿 변환이 적용된 생체 신호를 제2 학습모델에 입력한다. 그러면, 제2 학습모델은 입력된 생체 신호로부터 특징값을 출력한다.
마지막으로, 질환 분류부(140)는 출력된 특징값을 의사 결정 알고리즘을 기반으로 하는 제3 학습모델에 입력하여 질환의 유형을 분류한다.
이하에서는 도 2 내지 도 5를 이용하여 본 발명의 실시예에 따른 자동 질환 분류 장치(100)를 이용한 자동 질환 분류 방법에 대해 더욱 상세하게 설명한다. 다만, 본 발명의 실시예에 대한 이해도를 높이기 위하여 복수의 생체신호 중에서 심전도 데이터를 생체 신호로 설정하고, 입력되는 심전도 데이터에 따른 부정맥을 분류하는 방법을 일례로 하여 설명하고자 한다. 그러나 본 발명이 반드시 이로 제한되는 것은 아니며 심전도(electrocardiogram, ECG) 데이터, 광용적맥파(Photoplethysmogram, PPG) 데이터, 호흡신호, 근전도(Electromyogram, EMG) 데이터, 뇌전도(Electroencypalogram, EEG) 데이터, 위전도(Electrogastrogram, EGG) 데이터 중에서 적어도 하나를 포함하는 생체신호를 이용하여 다양한 질환을 자동 분류하기 위해서 적용될 수 있다.
도 2는 본 발명의 실시예에 따른 자동 질환 분류 장치를 이용한 자동 질환 분류 방법을 설명하기 위한 순서도이고, 도 3은 도 2에 도시된 자동 질환 분류 방법을 설명하기 위한 도면이다.
이하에서는 도 2 및 도 3에 도시된 바와 같이, 본 발명의 실시예에 따른 자동 질환 분류 장치(100)는 심전도 데이터를 수신한다(S210).
검사자는 복수의 전극을 환자의 팔, 다리, 가슴 등에 부착한 다음, 전류의 크기와 방향을 측정한다. 부연하자면, 검사자는 환자의 신체에 3개의 표준사지유도, 3개의 증폭사지유도 및 6개의 전흉부유도에 대응하여 각각 전극을 부착하고, 12개의 유도에서 측정된 심전도 파형을 획득한다. 심전도 파형은 QRS 방향과 크기를 나타낸다.
다만, 스마트 헬스 기기 시장이 성장함에 따라 표준 심전도 검사 이외에 최소한의 채널을 통해서도 심전도 측정이 가능해졌다. 따라서, 본 발명에서는 2개의 채널이상을 이용하여 측정된 심전도 데이터를 검사자 또는 해당되는 환자로부터 수신한다.
그 다음, 웨이블릿 변환부(120)는 수신된 심전도 데이터를 제1 학습모델에 입력하여 웨이블릿 변환된 심전도 데이터를 획득한다(S220).
도 4은 도 2에 도시된 S220단계를 설명하기 위한 순서도이다.
도 4에 도시된 바와 같이, 웨이블릿 변환부(120)는 데이터셋을 생성한다(S221).
예를 들어 설명하면, 웨이블릿 변환부(120)는 복수의 피험자로부터 획득한 심전도 데이터를 하기의 표 1에 기재된 바와 같이 5개의 등급으로 분류한다.
Figure PCTKR2023009240-appb-img-000004
웨이블릿 변환부(120)는 5개의 등급으로 분류된 복수의 심전도 데이터로부터 각각 트레이닝, 검증 및 테스트 세트로 분류한다.
그 다음, 웨이블릿 변환부(120)는 웨이블릿을 기반으로 하는 제1 학습모델을 구축하고, 생성된 트레이닝 데이터 셋을 이용하여 제1 학습모델을 학습한다(S222).
도 5는 도 4에 도시된 S222단계를 설명하기 위한 예시도이다.
도 5에 도시된 바와 같이, 웨이블릿 변환부(120)는 Daubechies 웨이블릿 패밀리(Db2, Db4, Db6)의 3개 모델과 Symlet 웨이블릿 패밀리(Sym2, Sym4, Sym6)의 3개 모델을 이용하여 다양한 모웨이블릿(mother wavelet)을 채택한 다음, 채택된 모웨이블릿을 기반으로 하는 제1 학습모델을 구축한다.
한편, 본 발명의 실시예에서는 0에서 1의 값으로 제한하며, 커널의 길이로 확장된 모웨이블릿을 채택한다. 이때, 커널의 크기는 하기의 수학식 1을 통해 산출된다.
Figure PCTKR2023009240-appb-img-000005
여기서, Ψ는 모웨이블릿으로
Figure PCTKR2023009240-appb-img-000006
내에 정의되며, l은 커널의 길이를 나타내고, ai는 단위가 없는 매개 변수인 스케일 팩터를 나타낸다.
한편, 모웨이블릿이 확장되면, 즉 스케일 팩터가 1보다 높으면 스케일된 웨이블릿을 트리밍할 수 있다. 반면에 모웨이블릿이 압축되면 스케일된 웨이블릿은 모웨이블릿의 특징을 유지할 수 있다. 따라서, 스케일 팩터는 모웨이블릿을 압축을 위해 0과 1의 값으로 제한된다.
커널의 크기가 결정되면, 웨이블릿 변환부(120)는 제1 학습모델로 하여금 입력값과 커널 사이의 교차 상관 관계를 산출하도록 한다.
즉, 웨이블릿 변환을 기반으로 하는 제1 학습모델은 하기의 수학식 2를 이용하여 웨이블릿 변환된 심전도 데이터를 출력하도록 생성된 트레이닝 데이터 셋을 이용하여 학습된다.
Figure PCTKR2023009240-appb-img-000007
여기서, x는 입력 데이터를 나타낸다.
S222단계가 완료된 상태에서 웨이블릿 변환부(120)는 S210단계에서 수신된 심전도 데이터를 제1 학습모델에 입력하여 웨이블릿 변환된 심전도 데이터를 획득한다(S223).
웨이블릿 변환부(120)는 수신된 심전도 데이터를 제1 학습모델에 입력한다. 그러면, 제1 학습모델은 입력된 생체 신호에 기 정의된 모웨이블릿을 적용하여 압축 또는 팽창시킨 다양한 웨이블릿 함수를 생성하고, 생성된 웨이블릿 함수와 입력된 생체 신호 간의 상호상관연산을 수행하여 웨이블릿 변환된 심전도 데이터를 출력한다.
그 다음, 특징값 추출부(130)는 웨이블릿 변환된 심전도 데이터로부터 특징값을 추출한다(S230).
특징값 추출부(130)는 웨이블릿 변환된 심전도 데이터를 추가 분석하기 위하여 제2 학습모델을 구축하고, 구축된 제2 학습모델에 웨이블릿 변환된 심전도 데이터를 입력하여 웨이블릿 변환된 심전도 데이터로부터 특징값을 추출한다.
부연하자면, 심전도 데이터에서 파형은 크게 P파, QRS군 및 T파를 포함하며, 간격은 PR interval과 QT interval로 구성된다. 부정맥은 맥박이 규칙적이지 않거나 정삼범위 내의 빈도를 벗어난 상태를 지칭하며, 이는 P파, QRS군 및 T파가 불규칙하게 출력되거나, PR 또는 QT의 간격이 짧거나 길어지는 형태로 출력될 수 있다.
따라서, 제2 학습모델은 웨이블릿 변환된 심전도 데이터와 표준 심전도 데이터를 비교하여 특징값을 추출한다.
마지막으로 질환 분류부(140)는 추출된 특징값을 이용하여 부정맥의 종류를 분류한다(S240).
질환 분류부(140)는 의사 결정 알고리즘을 기반으로 하는 제3 학습모델을 구축하고, 구축된 제3 학습모델에 특징값을 입력한다. 그러면, 제3 학습모델은 입력된 특징값에 따라 부정맥 발생 여부 및 부정맥 유형을 분류하여 출력한다.
도 6은 본 발명의 실시예에 적용된 웨이블릿 기반의 부정맥 분류 모델과 종래의 CNN 기반의 부정맥 분류 모델을 성능 비교 결과를 나타내는 도면이다.
도 6은 Daubechies-2,4,6, Symlet-2,4,6으로 개발한 총 여섯 개의 서로 다른 웨이블릿(WavelNet) 기반 부정맥 분류 기법과 기존 CNN 기반의 부정맥 분류 기법의 성능을 비교한 것이다. 대부분의 웨이블릿(WavelNet) 기반 부정맥 분류 기법이 기존 CNN 기반의 부정맥 분류 기법보다 우수한 성능을 보였으며, 그 중에서도 Symlet-4 mother wavelet을 활용한 기법이 가장 우수한 성능을 보였다. 구체적으로는 Non-ectopic beat, supraventricular ectopic beat, ventricular ectopic beat 분류에 대한 WavelNet 기반 모델(Symlet-4 채택)의 민감도는 각각 91.4%, 49.3%, 91.4%로, CNN 기반 모델(각각 87.3%, 14.9%, 83.3%) 에 비해 성능이 크게 향상되었으며, 양성률, 위양성률도 마찬가지로 더 향상된 성능을 보였다. 전체 정확도 또한 83.7% (CNN 모델)에서 89.1% (WavelNet 모델)로 우수한 성능을 보였다.
이와 같이 본 발명에 따른 자동 질환 분류 방법은 웨이블릿(WavelNet) 변환 기반의 질환 분류 모델을 제공함으로써, 종래의 CNN 기반 솔루션에 비해 우수한 성능을 보일 수 있다.
뿐만 아니라, 학습된 매개 변수인 스케일 팩터 AI를 관찰함으로써, 웨이블릿 변환 기반의 질환 분류 모델(WavelNet)이 정확한 질환 분류를 위해 어떤 주파수 영역을 주로 분석하도록 학습되었는지 해석할 수 있다. 즉, 종래의 딥 뉴럴 네트워크(Deep neural network, DNN)기반 솔루션의 고질적인 문제인 블랙박스 이슈(black-box issue)를 해소함으로써, 임상에의 적용을 가능케 할 수 있다.
또한, 본 발명에 따른 자동 질환 분류 방법은 웨이블릿(WavelNet) 변환 기반의 질환 분류 모델은 별도의 전처리 과정이 필요하지 않고, 입력신호의 주파수 영역 또는 센서의 샘플링 주파수에 구애받지 않으며, 가변 시간-주파수 분해능, 모웨이블릿(mother wavelet) 선택에 대한 유연성을 가지므로 심전도(electrocardiogram, ECG) 뿐만 아니라 광용적맥파(Photoplethysmogram, PPG), 호흡신호, 근전도(Electromyogram, EMG), 뇌전도(Electroencypalogram, EEG), 위전도(Electrogastrogram, EGG) 등의 분석에도 폭 넓게 활용될 수 있다.
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
<부호의 설명>
100 : 자동 질환 분류 장치
110 : 데이터 수신부
120 : 웨이블릿 변환부
130 : 특징값 추출부
140 : 질환 분류부

Claims (5)

  1. 환자의 신체 일부에 부착된 센서로부터 생체 신호를 획득하는 단계,
    상기 획득한 생체 신호를 웨이블릿 변환 기반의 제1 학습모델에 입력하여 웨이블릿 변환된 생체 신호를 획득하는 단계,
    상기 획득한 웨이블릿 변환된 생체 신호를 제2 학습모델에 입력하여 생체 신호에 포함된 형태적 특징을 분석하여 특징값을 추출하는 단계, 그리고
    상기 추출된 특징값을 의사 결정 알고리즘을 기반으로 하는 제3 학습모델에 입력하여 질환의 유형을 분류하는 단계를 포함하는 자동 질환 분류 방법.
  2. 제1항에 있어서,
    상기 생체 신호는,
    심전도(electrocardiogram, ECG) 데이터, 광용적맥파(Photoplethysmogram, PPG) 데이터, 호흡신호, 근전도(Electromyogram, EMG) 데이터, 뇌전도(Electroencypalogram, EEG) 데이터, 위전도(Electrogastrogram, EGG) 데이터 중에서 적어도 하나를 포함하는 자동 질환 분류 방법.
  3. 제1항에 있어서,
    상기 제1 학습모델은,
    입력된 생체 신호에 기 정의된 모웨이블릿(mother wavelet)을 적용하여 압축 또는 팽창시킨 다양한 웨이블릿 함수를 생성하고,
    상기 생성된 웨이블릿 함수와 입력된 생체 신호 간의 상호상관연산을 수행하여 웨이블릿 변환된 생체 신호를 출력하는 자동 질환 분류 방법.
  4. 제3항에 있어서,
    상기 제1 학습모델은,
    각각 상이한 스케일을 가지는 웨이블릿 커널로 구성되며,
    상기 웨이블릿 커널은 하기의 수학식을 통해 결정되는 자동 질환 분류 방법:
    Figure PCTKR2023009240-appb-img-000008
    여기서, Ψ는 모웨이블릿으로
    Figure PCTKR2023009240-appb-img-000009
    내에 정의되며, l은 커널의 길이를 나타내고, ai는 단위가 없는 매개 변수인 스케일 팩터를 나타낸다.
  5. 제4항에 있어서,
    상기 제1 학습모델은,
    하기의 수학식을 이용하여 웨이블릿 변환된 생체 신호를 출력하는 자동 질환 분류 방법:
    Figure PCTKR2023009240-appb-img-000010
    여기서, x는 입력 데이터를 나타낸다.
PCT/KR2023/009240 2023-06-12 2023-06-30 웨이블릿 함수 적용 합성곱 신경망을 활용한 자동 질환 분류 방법 Ceased WO2024257944A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020230074957A KR20240175166A (ko) 2023-06-12 2023-06-12 웨이블릿 함수 적용 합성곱 신경망을 활용한 자동 질환 분류 방법
KR10-2023-0074957 2023-06-12

Publications (1)

Publication Number Publication Date
WO2024257944A1 true WO2024257944A1 (ko) 2024-12-19

Family

ID=93852328

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/009240 Ceased WO2024257944A1 (ko) 2023-06-12 2023-06-30 웨이블릿 함수 적용 합성곱 신경망을 활용한 자동 질환 분류 방법

Country Status (2)

Country Link
KR (1) KR20240175166A (ko)
WO (1) WO2024257944A1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130015368A (ko) * 2011-08-03 2013-02-14 충북대학교 산학협력단 은닉 마코프 모델과 심잡음 로그우도를 결합한 심장질환 진단 장치
KR20220050308A (ko) * 2020-10-16 2022-04-25 고려대학교 세종산학협력단 합성곱 신경망을 이용한 개인별 뇌파 기반 경두개 전기자극 위치 결정 장치 및 방법, 및 이를 이용한 경두개 전기자극 장치
KR20220111599A (ko) * 2021-02-02 2022-08-09 주식회사 바디프랜드 의료데이터 인공지능 분산학습 방법
KR20220120928A (ko) * 2021-02-24 2022-08-31 주식회사 바디프랜드 신호 해체 기법을 이용한 심장 질환 예측 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130015368A (ko) * 2011-08-03 2013-02-14 충북대학교 산학협력단 은닉 마코프 모델과 심잡음 로그우도를 결합한 심장질환 진단 장치
KR20220050308A (ko) * 2020-10-16 2022-04-25 고려대학교 세종산학협력단 합성곱 신경망을 이용한 개인별 뇌파 기반 경두개 전기자극 위치 결정 장치 및 방법, 및 이를 이용한 경두개 전기자극 장치
KR20220111599A (ko) * 2021-02-02 2022-08-09 주식회사 바디프랜드 의료데이터 인공지능 분산학습 방법
KR20220120928A (ko) * 2021-02-24 2022-08-31 주식회사 바디프랜드 신호 해체 기법을 이용한 심장 질환 예측 시스템

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
KIM NAMHO, SEO WONJU, KIM JU-HO, CHOI SO YOON, PARK SUNG-MIN: "WavelNet: A novel convolutional neural network architecture for arrhythmia classification from electrocardiograms", COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE, ELSEVIER, AMSTERDAM, NL, vol. 231, 1 April 2023 (2023-04-01), NL , pages 107375, XP093248005, ISSN: 0169-2607, DOI: 10.1016/j.cmpb.2023.107375 *

Also Published As

Publication number Publication date
KR20240175166A (ko) 2024-12-19

Similar Documents

Publication Publication Date Title
CN113901893B (zh) 基于多重级联深度神经网络的心电信号的识别与分类方法
CN109171712B (zh) 心房颤动识别方法、装置、设备及计算机可读存储介质
US11234629B2 (en) Method and device for self-learning dynamic electrocardiography analysis employing artificial intelligence
CN106725428A (zh) 一种心电信号分类方法及装置
CN106214145A (zh) 一种基于深度学习算法的心电图分类方法
CN106725426A (zh) 一种心电信号分类的方法及系统
Lee et al. Heartbeat classification using local transform pattern feature and hybrid neural fuzzy-logic system based on self-organizing map
Xie et al. Bidirectional recurrent neural network and convolutional neural network (BiRCNN) for ECG beat classification
CN113095302A (zh) 用于心律失常分类的深度模型、利用该模型的方法及装置
CN113509186B (zh) 基于深度卷积神经网络的ecg分类系统与方法
Altan et al. A multistage deep belief networks application on arrhythmia classification
CN104840186A (zh) 一种充血性心力衰竭患者自主神经功能的评估方法
CN110367969A (zh) 一种改进的心电信号快速聚类分析方法
Kanna et al. Automated defective ECG signal detection using MATLAB applications
CN111460951A (zh) 一种基于深度学习的心电信号自动分析方法
CN105877739A (zh) 一种心电智能分析系统的临床检验方法
Sanamdikar et al. Classification and analysis of cardiac arrhythmia based on incremental support vector regression on IOT platform
CN110960211A (zh) 一种基于嵌入式的心电实时监测系统
Wang et al. Multi-scale and multi-channel information fusion for exercise electrocardiogram feature extraction and classification
CN109770891B (zh) 心电信号预处理方法及预处理装置
Alim et al. Application of machine learning on ecg signal classification using morphological features
CN115517685A (zh) 基于动态学习和多尺度分析的心电信号检测方法及系统
Banjarnahor et al. Application of decision tree method in ECG signal classification for heart disorder detection
Mehta et al. Comparative study of QRS detection in single lead and 12-lead ECG based on entropy and combined entropy criteria using support vector machine.
Mekhfioui et al. Real-Time Fetal Arrhythmia Detection Using Deep Learning on an Embedded fECG Monitoring System

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: 23941727

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE