WO2024257970A1 - 비침습적으로 심박출량을 계산하는 장치 및 이의 동작 방법 - Google Patents

비침습적으로 심박출량을 계산하는 장치 및 이의 동작 방법 Download PDF

Info

Publication number
WO2024257970A1
WO2024257970A1 PCT/KR2023/019829 KR2023019829W WO2024257970A1 WO 2024257970 A1 WO2024257970 A1 WO 2024257970A1 KR 2023019829 W KR2023019829 W KR 2023019829W WO 2024257970 A1 WO2024257970 A1 WO 2024257970A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
cardiac output
waveform
bio
signal data
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/KR2023/019829
Other languages
English (en)
French (fr)
Inventor
이형철
정철우
양현림
박성아
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.)
Seoul National University Hospital
Original Assignee
Seoul National University Hospital
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Seoul National University Hospital filed Critical Seoul National University Hospital
Priority to EP23941751.2A priority Critical patent/EP4728980A1/en
Publication of WO2024257970A1 publication Critical patent/WO2024257970A1/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
    • A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • A61B5/026—Measuring blood flow
    • A61B5/029—Measuring blood output from the heart, e.g. minute volume
    • 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
    • A61B5/021—Measuring pressure in heart or blood vessels
    • 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
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
    • 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
    • A61B5/24—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
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • 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
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/358—Detecting ST segments
    • 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
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/36—Detecting PQ interval, PR interval or QT interval
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N3/09—Supervised learning
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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 a device for calculating cardiac output noninvasively and a method of operating the same.
  • Cardiac output (CO) monitoring is used for hemodynamic diagnosis in high-risk patients.
  • Cardiac output is the product of heart rate (HR) and stroke volume (SV), and is the amount of blood pumped by the two ventricles of the heart per unit of time (usually 'minutes'), and is an indicator that reflects not only the function of the heart but also the state of the entire circulatory system.
  • Predicting cardiac output is important because it is used to monitor and optimize systemic oxygen and drug delivery in high-risk surgical patients.
  • thermodilution-based method involves inserting a pulmonary artery catheter to calculate cardiac output, which is invasive and carries the risk of complications such as infection.
  • the minimally invasive cardiac output calculation method (arterial pressure-based method) proposed after the thermodilution method is a method to calculate cardiac output using minimally invasive arterial blood pressure waveforms.
  • this method has limitations in its usability because it is not a technology used for all patients in intensive care units and operating rooms in hospitals.
  • the deep learning model is trained by training data for a plurality of patients
  • the training data for the plurality of patients may include a VPG (first derivative PPG) waveform, which is a first differential waveform of the photoplethysmogram, and an APG (second derivative PPG) waveform, which is a second differential waveform of the photoplethysmogram.
  • VPG first derivative PPG
  • APG second derivative PPG
  • the learning data for the plurality of patients may include a PR interval, QRS duration, QRS amplitude, and ST segment extracted from the electrocardiogram of each of the plurality of patients.
  • the method may further include a step of receiving demographic information data of the user.
  • the deep learning model is configured to determine stroke volume of the user by using the first bio-signal data, the second bio-signal data and the demographic information data of the user as inputs, and the demographic information data includes at least one of the age, gender, height, and weight of the user, and the second bio-signal data may further include the VPG waveform, the APG waveform, the PR interval, the QRS duration, the QRS amplitude, the ST segment, and the PTT.
  • a device for noninvasively calculating cardiac output according to one embodiment of the present invention is provided.
  • the device comprises a memory, a transceiver for receiving at least one of first bio-signal data including an electrocardiogram and a photoplethysmogram, and demographic information data, and a processor including a deep learning model, wherein the processor is configured to preprocess the first bio-signal data, extract second bio-signal data from the preprocessed bio-signal data, and infer stroke volume using a deep learning model configured to input the first bio-signal data and the second bio-signal data and output stroke volume.
  • first bio-signal data including an electrocardiogram and a photoplethysmogram, and demographic information data
  • a processor including a deep learning model, wherein the processor is configured to preprocess the first bio-signal data, extract second bio-signal data from the preprocessed bio-signal data, and infer stroke volume using a deep learning model configured to input the first bio-signal data and the second bio-signal data and output stroke volume.
  • the second bio-signal data may include at least one of a VPG (first derivative PPG) waveform which is a first derivative waveform of the photoplethysmogram, an APG (second derivative PPG) waveform which is a second derivative waveform of the photoplethysmogram, a PR interval, a QRS duration, a QRS amplitude, and an ST segment extracted from the electrocardiogram, and a PTT (Pulse Transit Time) extracted from the electrocardiogram and the photoplethysmogram.
  • VPG first derivative PPG
  • APG second derivative PPG waveform which is a second derivative waveform of the photoplethysmogram
  • PR interval a PR interval
  • QRS duration a QRS amplitude
  • ST segment extracted from the electrocardiogram
  • PTT Pulse Transit Time
  • the processor is further configured to perform min-max normalization of the photoplethysmogram and extract the VPG waveform and the APG waveform of the photoplethysmogram, wherein the VPG waveform and the APG waveform can be input to the deep learning model in the form of time series data having the predetermined length.
  • the PR interval, the QRS duration, the QRS amplitude, the ST segment, and the PTT can be input to the deep learning model as an average of respective values measured multiple times during a time corresponding to the predetermined length.
  • the memory may be configured to store a set of the learning data matched for each of the plurality of patients.
  • the deep learning model may have a CNN (convolution Neural Network) structure including at least one SE (Squeeze and Excitation) block and at least one Residual block.
  • CNN convolution Neural Network
  • the transceiver may further be configured to receive the first bio-signal data and the second bio-signal data of the user corresponding to a period from t (where t is a positive integer) seconds to (t+n) seconds, and the processor may further be configured to calculate the stroke volume of the user in the (t+n) seconds using the deep learning model.
  • the present invention can calculate a patient's cardiac output using biosignal data collected by a non-invasive method.
  • the present invention can calculate a patient's cardiac output using only electrocardiogram and photoplethysmogram, which are completely non-invasive biosignals in which the limitations of invasive or minimally invasive measurement methods are eliminated.
  • the present invention analyzes high-resolution input data and learns the same using deep learning technology of a deep neural network structure, thereby quickly predicting and outputting a result value for new input data, that is, cardiac output.
  • FIG. 1 is a schematic diagram of a device for noninvasively calculating cardiac output according to an embodiment of the present invention.
  • FIG. 2 is a block diagram showing the configuration of a cardiac output calculation device according to one embodiment of the present invention.
  • Figure 3 is a flowchart schematically illustrating a method for calculating cardiac output according to one embodiment of the present invention.
  • FIG. 4 is a graph showing input data and output data of a cardiac output calculation device according to one embodiment of the present invention.
  • Figure 5 is a flowchart illustrating a method for calculating cardiac output according to one embodiment of the present invention.
  • Figure 6 is a graph showing an example of noise in an electrocardiogram waveform and a photoplethysmogram waveform.
  • Figure 7 is a graph showing photoplethysmographic waveforms, VPG waveforms, and PPG waveforms.
  • Figure 8 is a graph showing an electrocardiogram waveform and secondary indices extracted from the electrocardiogram waveform.
  • Figure 9 is a graph showing secondary indices extracted from electrocardiogram waveforms and photoplethysmogram waveforms.
  • FIG. 10 is a block diagram showing the architecture of a cardiac output calculation model according to one embodiment of the present invention.
  • the expressions "have,” “can have,” “include,” or “may include” indicate the presence of a given feature (e.g., a numerical value, function, operation, or component such as a part), but do not exclude the presence of additional features.
  • the expressions "A or B,” “at least one of A and/or B,” or “one or more of A or/and B” can include all possible combinations of the listed items.
  • “A or B,” “at least one of A and B,” or “at least one of A or B” can all refer to (1) including at least one A, (2) including at least one B, or (3) including both at least one A and at least one B.
  • first,” “second,” “first,” or “second,” etc. used in this document can describe various components, regardless of order and/or priority, and are only used to distinguish one component from another, but do not limit the components.
  • a first user device and a second user device can represent different user devices, regardless of order or priority.
  • a first component can be referred to as a second component, and similarly, a second component can also be referred to as a first component.
  • a component e.g., a first component
  • another component e.g., a second component
  • the component can be directly coupled to the other component, or can be connected via another component (e.g., a third component).
  • a component e.g., a first component
  • another component e.g., a second component
  • no other component e.g., a third component
  • a processor configured (or set) to perform A, B, and C can mean a dedicated processor (e.g., an embedded processor) to perform those operations, or a generic-purpose processor (e.g., a CPU or an application processor) that can perform those operations by executing one or more software programs stored in a memory device.
  • a dedicated processor e.g., an embedded processor
  • a generic-purpose processor e.g., a CPU or an application processor
  • Figure 1 is a schematic diagram of a cardiac output calculation device according to an embodiment of the present invention.
  • a cardiac output calculation device (100) may include a transceiver (10), a memory (12), and a processor (14).
  • a cardiac output calculation device (100) may calculate cardiac output using an electrocardiogram and/or a photoplethysmogram received through the transceiver (10).
  • the memory (12) may store data on the received electrocardiogram and/or photoplethysmogram.
  • the cardiac output calculation device (100) can receive an electrocardiogram (ECG) of a user (102) obtained through electrocardiogram (ECG) monitoring.
  • ECG electrocardiogram
  • An electrocardiogram is an analysis of electrical activity or electrical activity of the heart and recorded in the form of waves, and electrocardiogram monitoring can be performed by attaching electrodes to the skin of a user (102) and monitoring changes in an electrocardiogram displayed in time series through an electrocardiogram measuring device (104).
  • the cardiac output calculation device (100) can receive the user's photoplethysmogram obtained through photoplethysmogram (PPG) monitoring.
  • the measurement method using the photoplethysmogram is a method of measuring a pulse using light, and by detecting changes in optical characteristics such as reflection, absorption, and transmittance of biological tissue that appear when the volume of a blood vessel changes, an optical sensor can measure the speed of blood flow, oxygen saturation in the blood, etc.
  • the photoplethysmogram monitoring can be performed by attaching a photoplethysmogram measuring device (106) to the user's finger and monitoring changes in the photoplethysmogram displayed in time series through the photoplethysmogram measuring device (106).
  • a cardiac output calculation device (100) may be implemented in a personal computer (PC), a data server, or a portable device.
  • the portable device may be implemented as a laptop computer, a mobile phone, a smart phone, a tablet PC, a mobile internet device (MID), a personal digital assistant (PDA), an enterprise digital assistant (EDA), a digital still camera, a digital video camera, a portable multimedia player (PMP), a personal navigation device (PND), a handheld game console, an e-book, or a smart device.
  • the smart device may be implemented as a smart watch, a smart band, or a smart ring, which are merely examples and do not limit the implementation examples of the cardiac output calculation device (100).
  • the electrocardiogram measuring device (104) and/or the photoplethysmography measuring device (106) are electronic devices capable of measuring and outputting biosignals, and like the cardiac output calculation device (100), can be implemented in a personal computer (PC), a data server, or a portable device.
  • the processor (14) of the cardiac output calculation device (100) may include a deep learning model.
  • the processor (14) of the cardiac output calculation device (100) may include a cardiac output calculation model (16).
  • the cardiac output calculation model (16) may include a neural network (or artificial neural network).
  • the neural network includes a statistical learning algorithm that imitates the nerves of biology in machine learning and cognitive science.
  • the neural network may mean a model in general in which artificial neurons (nodes) that form a network by combining synapses change the binding strength of synapses through learning and have problem-solving capabilities.
  • the cardiac output calculation model (16) may be expressed as a type of neural network and may include a cardiac output calculation algorithm.
  • Neurons in a neural network can include a combination of weights or biases.
  • a neural network can include one or more layers consisting of one or more neurons or nodes.
  • a neural network can infer a desired outcome from an arbitrary input by changing the weights of neurons through learning.
  • Neural networks may include Convolutional Neural Networks (CNNs).
  • Neural networks include Deep Neural Network (DNN), Recurrent Neural Network (RNN), perceptron, multilayer perceptron, Feed Forward (FF), Radial Basis Network (RBF), Deep Feed Forward (DFF), Long Short Term Memory (LSTM), Gated Recurrent Unit (GRU), Auto Encoder (AE), and Variational Auto (VAE).
  • DNN Deep Neural Network
  • RNN Recurrent Neural Network
  • RNN Recurrent Neural Network
  • FF Feed Forward
  • RBF Radial Basis Network
  • DFF Deep Feed Forward
  • LSTM Long Short Term Memory
  • GRU Gated Recurrent Unit
  • AE Auto Encoder
  • VAE Variational Auto
  • any neural network may be included, including but not limited to an ESN (Echo State Network), a DRN (Deep Residual Network), a DNC (Differentiable Neural Computer), an NTM (Neural Turning Machine), a CN (Capsule Network), a KN (Kohonen Network), and/or an AN (Attention Network).
  • a cardiac output calculation model (16) according to an embodiment of the present invention may include a deep learning model including a cardiac output calculation algorithm, and details of the cardiac output calculation model (16) according to an embodiment of the present invention are described later in FIG. 10.
  • FIG. 2 is a block diagram showing the configuration of a cardiac output calculation device according to one embodiment of the present invention.
  • the cardiac output calculation device (200) may include a memory interface (210), one or more processors (220), and a peripheral interface (230).
  • the cardiac output calculation device (200) of FIG. 2 may be applied to the cardiac output calculation device (100) of FIG. 1.
  • Various components within the cardiac output calculation device (200) may be connected by one or more communication buses or signal lines.
  • the memory interface (210) is connected to the memory (250) and can transmit various data to one or more processors (220).
  • the memory (250) can include at least one type of storage medium among a flash memory type, a hard disk type, a multimedia card micro type, a card type memory (for example, an SD or XD memory, etc.), a RAM, an SRAM, a ROM, an EEPROM, a PROM, a network storage, a cloud, and a blockchain database.
  • the memory (250) may store at least one of an operating system (251), a communication module (252), a graphical user interface module (GUI) (253), a sensor processing module (254), a telephone module (255), and an application module (256).
  • the operating system (251) may include instructions for processing basic system services and instructions for performing hardware operations.
  • the communication module (252) may communicate with at least one of other devices, computers, and servers.
  • the graphical user interface module (GUI) (253) may process a graphical user interface.
  • the sensor processing module (254) may process sensor-related functions (e.g., processing voice input received using one or more microphones (292).
  • the telephone module (255) may process telephone-related functions.
  • the application module (256) may perform various functions of a user application, such as electronic messaging, web browsing, media processing, navigation, imaging, and other processing functions. Additionally, the cardiac output calculation device (200) can store one or more software applications (256-1, 256-2) associated with one type of service in the memory (250).
  • the memory (250) may store a digital assistant client module (257) (hereinafter, DA client module), and accordingly, may store commands for performing client-side functions of the digital assistant and various user data (258).
  • DA client module digital assistant client module
  • the DA client module (257) can obtain the user's voice input, text input, touch input, and/or gesture input through various user interfaces (e.g., I/O subsystem (240)) provided in the cardiac output calculation device (200).
  • various user interfaces e.g., I/O subsystem (240)
  • the DA client module (257) can output data in audiovisual and tactile forms.
  • the DA client module (257) can output data consisting of a combination of at least two or more of voice, sound, notification, text message, menu, graphic, video, animation, and vibration.
  • the DA client module (257) can communicate with a digital assistant server (not shown) using a communication subsystem (280).
  • the DA client module (257) may collect additional information about the surroundings of the stroke output calculation device (200) from various sensors, subsystems, and peripheral devices to construct a context associated with the user input.
  • the DA client module (257) may provide context information along with the user input to a digital assistant server to infer the user's intent.
  • the context information that may accompany the user input may include sensor information, such as lighting, ambient noise, ambient temperature, images of the surrounding environment, video, etc.
  • the context information may include the physical state of the stroke output calculation device (200) (e.g., device orientation, device position, device temperature, power level, speed, acceleration, motion pattern, cellular signal strength, etc.).
  • context information may include information related to the software state of the stroke output calculation device (200) (e.g., processes running on the stroke output calculation device (200), installed programs, past and current network activity, background services, error logs, resource usage, etc.).
  • the memory (250) may include additional or deleted instructions, and further, the cardiac output calculation device (200) may include additional configurations other than those illustrated in FIG. 2, or may exclude some configurations.
  • the processor (220) can control the overall operation of the cardiac output calculation device (200) and can execute various commands to calculate and/or output the user's cardiac output by running an application or program stored in the memory (250).
  • the processor (220) may correspond to a computational device such as a CPU (Central Processing Unit) or an AP (Application Processor).
  • the processor (220) may be implemented in the form of an integrated chip (IC) such as a SoC (System on Chip) in which various computational devices such as an NPU (Neural Processing Unit) are integrated.
  • IC integrated chip
  • SoC System on Chip
  • the processor (220) may receive at least one of first biosignal data including an electrocardiogram and a photoplethysmogram, and demographic information data.
  • the first bio-signal data may include electrocardiogram waveform data, photoplethysmogram waveform data, and stroke volume data calculated based on arterial blood pressure calculated using APCO (Arterial Pressure Based Cardiac Output) equipment.
  • the demographic information data may include at least one of the user's age, gender, height, and weight.
  • the processor (220) may preprocess the first bio-signal data.
  • the processor (220) may extract second bio-signal data from the preprocessed bio-signal data.
  • the processor (220) may infer stroke volume using a deep learning model configured to input the first bio-signal data and the second bio-signal data and output stroke volume. The detailed description of the operation of the processor (220) is described below with reference to FIG. 3.
  • the peripheral interface (230) can be connected to various sensors, subsystems, and peripheral devices to provide data so that the cardiac output calculation device (200) can perform various functions.
  • the function performed by the cardiac output calculation device (200) is performed by the processor (220).
  • the peripheral interface (230) can receive data from a motion sensor (260), a light sensor (light sensor) (261), and a proximity sensor (262), through which the cardiac output calculation device (200) can perform orientation, light, and proximity detection functions, etc.
  • the peripheral interface (230) can receive data from other sensors (263) (positioning system-GPS receiver, temperature sensor, biometric sensor), through which the cardiac output calculation device (200) can perform functions related to the other sensors (263).
  • the cardiac output calculation device (200) may include a camera subsystem (270) connected to a peripheral interface (230) and an optical sensor (271) connected thereto, which enables the cardiac output calculation device (200) to perform various photographing functions, such as taking pictures and recording video clips.
  • the cardiac output calculation device (200) may include a communication subsystem (280) connected to a peripheral interface (230).
  • the communication subsystem (280) may be comprised of one or more wired/wireless networks and may include various communication ports, radio frequency transceivers, and optical transceivers.
  • the stroke output calculation device (200) includes an audio subsystem (290) coupled to the peripheral interface (230), the audio subsystem (290) including one or more speakers (291) and one or more microphones (292), such that the stroke output calculation device (200) can perform voice-activated functions, such as voice recognition, voice duplication, digital recording, and telephony functions.
  • voice-activated functions such as voice recognition, voice duplication, digital recording, and telephony functions.
  • the stroke output calculation device (200) may include an I/O subsystem (240) coupled to the peripheral interface (230).
  • the I/O subsystem (240) may control a touch screen (243) included in the stroke output calculation device (200) via a touch screen controller (241).
  • the touch screen controller (241) may detect a user's contact and movement or cessation of contact and movement using any one of a plurality of touch sensing technologies, such as capacitive, resistive, infrared, surface acoustic wave technology, proximity sensor array, etc.
  • the I/O subsystem (240) may control other input/control devices (244) included in the stroke output calculation device (200) via other input controller(s) (242).
  • the other input controller(s) (242) may control one or more buttons, rocker switches, thumb-wheels, infrared ports, USB ports, and pointer devices such as a stylus.
  • Figure 3 is a flowchart schematically illustrating a method for calculating cardiac output according to one embodiment of the present invention.
  • a cardiac output calculation device (100, FIG. 1) (or, a transceiver (10, FIG. 1)) according to one embodiment of the present invention can receive first bio-signal data including an electrocardiogram and photoplethysmogram of a user (S302).
  • the first bio-signal data may include electrocardiogram waveforms, photoplethysmogram waveforms, and stroke volume calculated based on arterial blood pressure calculated using APCO (Arterial Pressure Based Cardiac Output) equipment.
  • APCO Arterial Pressure Based Cardiac Output
  • electrocardiogram waveforms and photoplethysmogram waveforms measured at a sample rate of 100 Hz, and stroke volume measured at 2-second intervals may be collected from VitalDB, a public dataset.
  • a cardiac output calculation device (100, FIG. 1) (or processor (14, FIG. 1)) according to one embodiment of the present invention can determine a stroke volume of a user based on the user's first bio-signal data by using a deep learning model configured to output stroke volume by taking electrocardiogram and photoplethysmogram as inputs (S304).
  • the deep learning model may be a deep learning model trained by training data for multiple patients.
  • the learning data for the plurality of patients may include a VPG (first derivative PPG) waveform, which is a first derivative waveform of the photoplethysmogram, and an APG (second derivative PPG) waveform, which is a second derivative waveform of the photoplethysmogram.
  • the learning data for the plurality of patients may include a PR interval, a QRS duration, a QRS amplitude, and a ST segment extracted from the electrocardiogram of each of the plurality of patients.
  • the learning data for the plurality of patients may include a PTT (Pulse Transit Time) extracted from the electrocardiogram and the photoplethysmogram of each of the plurality of patients.
  • the learning data for the plurality of patients may be referred to as second biosignal data.
  • the deep learning model can determine the stroke volume of the user by using the first bio-signal data, the second bio-signal data, and the demographic information data as inputs.
  • the second bio-signal data can include the VPG waveform, the APG waveform, the PR interval, the QRS duration, the QRS amplitude, the ST segment, and the PTT.
  • FIG. 4 is a graph showing input data and output data of a cardiac output calculation device according to one embodiment of the present invention.
  • a graph (400) showing input data and output data of a cardiac output calculation device is illustrated.
  • the horizontal axis of the graph (400) is time (t), and the vertical axis of the graph (400) is stroke volume.
  • the input data may be electrocardiogram (ECG) data (30) and/or photoplethysmogram (PPG) data (32) of the patient.
  • ECG data (30) and/or PPG data (32) of the patient may be part of the patient's biosignals collected during surgery.
  • the ECG data (30) and/or PPG data (32) of the patient may be waveform data for a predetermined period of time.
  • the patient's electrocardiogram (ECG) data (30) and/or photoplethysmogram (PPG) data (32) may be waveform data for 20 seconds.
  • the patient's electrocardiogram (ECG) data (30) and/or photoplethysmogram (PPG) data (32) for a predetermined period immediately prior to an arbitrary time t may be used to calculate and output cardiac output at an arbitrary time t.
  • the predetermined period may be 20 seconds.
  • the patient's electrocardiogram (ECG) data (30) and/or photoplethysmogram (PPG) data (32) may be waveform data for 60 seconds.
  • the patient's electrocardiogram (ECG) data (30) and/or photoplethysmogram (PPG) data (32) for a predetermined period immediately prior to an arbitrary time t may be used to calculate and output cardiac output at an arbitrary time t.
  • the predetermined period may be 60 seconds.
  • the output data may be stroke volume data (34).
  • the output data may be a value at a time point when the stroke volume changes, such as the timing indicated by the arrow in Fig. 4.
  • Cardiac output can be calculated as the product of stroke volume and heart rate.
  • the output data of the cardiac output calculation device according to one embodiment of the present invention can be cardiac output.
  • the output data of the cardiac output calculation device according to another embodiment of the present invention can be stroke volume.
  • Figure 5 is a flowchart illustrating a method for calculating cardiac output according to one embodiment of the present invention.
  • a cardiac output calculation device (100, FIG. 1) (or, a transceiver (10, FIG. 1)) according to an embodiment of the present invention may receive at least one of first bio-signal data including an electrocardiogram and a photoplethysmogram, and demographic information data (S502).
  • the first bio-signal data may include electrocardiogram waveform data, photoplethysmogram waveform data, and stroke volume data calculated based on arterial blood pressure calculated using APCO (Arterial Pressure Based Cardiac Output) equipment.
  • the demographic information data may include at least one of the user's age, gender, height, and weight.
  • a cardiac output calculation device (100, FIG. 1) (or a processor (14, FIG. 1)) can slice first bio-signal data into a predetermined length, extract sampling data from the sliced first bio-signal data, and remove noise data from the first bio-signal data.
  • the cardiac output calculation device (100, FIG. 1) (or processor (14, FIG. 1)) can select a sample data set to be used for the collected electrocardiogram waveform data within predetermined criteria.
  • the cardiac output calculation device (100, FIG. 1) (or the processor (14, FIG. 1)) can extract a candidate data set of a first reference sample from the collected electrocardiogram waveform data, and the candidate data set of the first reference sample can be used as learning data.
  • the first criterion can be 2 or more and 4.5 or less.
  • abnormal ECG waveforms can be selected only if the standard deviation of the RR interval is less than 30, so as not to be selected as a data set to be used.
  • the RR interval refers to the interval between R-peaks of a heartbeat.
  • the cardiac output calculation device (100, FIG. 1) (or processor (14, FIG. 1)) can select a sample data set to be used for the collected photoplethysmography data within predetermined criteria.
  • the cardiac output calculation device (100, FIG. 1) (or the processor (14, FIG. 1)) can extract a candidate data set of the second reference sample from the collected photoplethysmography waveform data, and the candidate data set of the second reference sample can be used as learning data.
  • the second criterion can be 0 or more and 100 or less.
  • the frequency of the photoplethysmogram waveform is below a predetermined standard or if the photoplethysmogram waveform is judged to be irregular, it may be excluded from the sample data set.
  • samples with intra-beat correlation of plethysmography greater than 0.9 can be selected as candidate data sets, and samples with standard deviation of 0 can be excluded.
  • the cardiac output calculation device (100, FIG. 1) (or processor (14, FIG. 1)) can perform min-max normalization of the photoplethysmogram.
  • the cardiac output calculation device (100, FIG. 1) (or processor (14, FIG. 1)) can remove noise from signals appearing in electrocardiogram waveforms and/or photoplethysmogram waveforms.
  • the cardiac output calculation device (100, FIG. 1) (or the processor (14, FIG. 1)) can remove frequency components below 0.5 Hz from the electrocardiogram waveform and/or the photoplethysmogram waveform.
  • frequency components below 0.5 Hz and above 8 Hz with a cutoff frequency can be blocked from the photoplethysmogram waveform.
  • Fig. 6 is a graph showing an example of noise in an electrocardiogram waveform and a photoplethysmogram waveform.
  • FIG. 6 a graph (600) showing an electrocardiogram waveform and a photoplethysmogram waveform received by a cardiac output calculation device (100, FIG. 1) is illustrated.
  • the cardiac output calculation device (100, FIG. 1) can receive first bio-signal data including electrocardiograms and photoplethysmograms of multiple patients measured during surgery in an operating room. Due to motion artifact, electrocautery, wall power, etc., the waveform (60) of the electrocardiogram collected in the operating room may include noise data. Due to motion artifact, nerve stimulation, respiration, etc., the waveform (62) of the photoplethysmogram collected in the operating room may include noise data such as baseline drift.
  • the step of preprocessing the first biosignal data may include a step of removing noise in a signal appearing in an electrocardiogram waveform and/or a photoplethysmogram waveform that interferes with learning of a cardiac output calculation model (16, FIG. 1).
  • the stroke volume calculation device (100, FIG. 1) (or processor (14, FIG. 1)) can select a sample data set to be used for the collected stroke volume data within predetermined criteria.
  • the stroke volume calculation device (100, FIG. 1) (or the processor (14, FIG. 1)) can extract a candidate data set of a third reference sample from the collected stroke volume data, and the candidate data set of the third reference sample can be used as training data.
  • the third reference can be 20 mmHg or more and 200 mmHg or less.
  • stroke volume calculated using APCO equipment is information calculated based on arterial blood pressure
  • the recorded arterial blood pressure value may have been recorded without being deposited in the artery or may have been a value due to artifact caused by flushing of the arterial lumen. Therefore, selection according to the third criterion is intended to prevent this.
  • a cardiac output calculation device (100, FIG. 1) (or processor (14, FIG. 1)) according to one embodiment of the present invention can extract second biosignal data from preprocessed biosignal data (S506).
  • a cardiac output calculation device (100, FIG. 1) (or processor (14, FIG. 1)) according to one embodiment of the present invention extracts a VPG (first derivative PPG) waveform, which is a first-differentiated waveform of a photovolume pulse wave, and an APG (second derivative PPG) waveform, which is a second-differentiated waveform of a photovolume pulse wave, from a waveform of a preprocessed photovolume pulse wave, and can utilize them as secondary indices when calculating cardiac output.
  • the VPG waveform and/or the APG waveform may be referred to as 'second biosignal data'.
  • Fig. 7 is a graph showing a photoplethysmogram waveform and a secondary index extracted from the photoplethysmogram waveform.
  • FIG. 7 a graph showing a photoplethysmographic (PPG) waveform (70), a VPG waveform (72), and an APG waveform (74) is illustrated.
  • PPG photoplethysmographic
  • the cardiac output calculation device (100, FIG. 1) (or, processor (14, FIG. 1)) according to one embodiment of the present invention may additionally utilize the VPG waveform (72) and/or the APG waveform (74) in addition to the photoplethysmogram (PPG) waveform (70) when calculating cardiac output.
  • the cardiac output calculation device (100, FIG. 1) (or processor (14, FIG. 1)) according to one embodiment of the present invention can extract PR interval, QRS duration, QRS amplitude, and ST segment from a preprocessed electrocardiogram waveform and use them as secondary indices when calculating cardiac output.
  • Fig. 7 is a graph showing an electrocardiogram waveform and a secondary index extracted from the electrocardiogram waveform.
  • FIG. 7 a graph showing an electrocardiogram waveform (800), PR interval, QRS duration, QRS amplitude, and ST segment is illustrated.
  • the PR interval can be defined as the time interval from the beginning of the P wave to the beginning of the QRS complex on the electrocardiogram, and it means the time for nerve transmission in the heart.
  • the QRS duration can be defined as the time it takes for the QRS complex to appear on the electrocardiogram, and it means the time for the heart to contract.
  • the QRS amplitude represents the maximum polarity difference of the QRS complex, and it can be used to diagnose the condition of the heart by the intensity of electrical activity occurring in the heart.
  • the ST segment can be defined as the time interval from the end of the QRS complex to the start of the T wave, and it can be used to diagnose the condition of the heart by the polarity changes that occur between contraction and relaxation of the heart.
  • a cardiac output calculation device (100, FIG. 1) (or a processor (14, FIG. 1)) may additionally utilize not only an electrocardiogram waveform (800) but also a PR interval, QRS duration, QRS amplitude, and ST segment when calculating cardiac output.
  • a cardiac output calculation model (16, FIG. 1) may learn the characteristics of cardiac contraction using a secondary index extracted from an ECG.
  • the cardiac output calculation device (100, FIG. 1) (or processor (14, FIG. 1)) according to one embodiment of the present invention can extract PTT (Pulse Transit Time) from the preprocessed electrocardiogram waveform and photoplethysmogram and utilize it as a secondary index when calculating cardiac output.
  • PTT Pulse Transit Time
  • Fig. 9 is a graph showing secondary indices extracted from electrocardiogram waveforms and photoplethysmogram waveforms.
  • ECG electrocardiogram
  • PPG photoplethysmogram
  • PTT 90
  • PTT Pulse Transit Time
  • PTT can be defined as the time between the peak of the QRS complex and a certain reference point of the PPG waveform measured at the fingertip.
  • PTT can be interpreted as the time from the occurrence of the pulse, that is, the time from the heart to the blood contraction from the heart and to the peripheral blood vessel measurement part.
  • PTT is an index used to analyze and evaluate blood pressure more efficiently, and can be used as an index representing the elasticity of blood vessels.
  • a cardiac output calculation device (100, FIG. 1) (or processor (14, FIG. 1)) according to one embodiment of the present invention can additionally utilize PTT (90) as well as an electrocardiogram (ECG) and a photoplethysmogram (PPG) waveform when calculating cardiac output.
  • PTT 90
  • ECG electrocardiogram
  • PPG photoplethysmogram
  • the cardiac output calculation device (100, FIG. 1) (or processor (14, FIG. 1)) according to one embodiment of the present invention can infer stroke volume using a deep learning model configured to input first bio-signal data and second bio-signal data and output stroke volume (S508).
  • the processor (14, FIG. 1) of the cardiac output calculation device (100, FIG. 1) can match and store electrocardiogram waveforms, photoplethysmogram waveforms, secondary indices extracted from electrocardiogram waveforms and/or photoplethysmogram waveforms, stroke volume information, and demographic information including age, gender, height, and weight for a specific patient.
  • the stored data described above can be used as learning data.
  • the processor (14, FIG. 1) of the cardiac output calculation device (100, FIG. 1) can learn a cardiac output calculation model (16, FIG. 1).
  • the cardiac output calculation model (16, FIG. 1) can be a deep learning model having weight values obtained by extracting and combining various features.
  • the processor (14, FIG. 1) of the cardiac output calculation device (100, FIG. 1) can smooth the learning data.
  • the smoothed learning data can be input into the cardiac output calculation model (16, FIG. 1), and the cardiac output calculation model (16, FIG. 1) can be learned by extracting and combining various features and updating the weights.
  • a cardiac output calculation device (100, FIG. 1) (or processor (14, FIG. 1)) can infer stroke volume of a specific patient by using biometric data including electrocardiogram and photoplethysmogram, stroke volume information, demographic information including age, gender, height and weight, and a cardiac output calculation model (16, FIG. 1).
  • FIG. 10 is a block diagram showing the architecture of a cardiac output calculation model according to one embodiment of the present invention.
  • the cardiac output calculation model (1000) can be applied to the cardiac output calculation model (16) of FIG. 1.
  • input data of the cardiac output calculation model (1000) may include bio signal data (1002) including an electrocardiogram waveform, a photoplethysmogram waveform, a VPG waveform, and an APG waveform, and demographic data (Demographics) (1004) including age, gender, height, and weight.
  • bio signal data 1002 including an electrocardiogram waveform, a photoplethysmogram waveform, a VPG waveform, and an APG waveform
  • Demographics (Demographics) including age, gender, height, and weight.
  • the bio signal data (1002) input to the cardiac output calculation model (1000) may be continuous data sliced by a predetermined period.
  • the predetermined period may be referred to as a 'sliding window'.
  • the patient's electrocardiogram waveform and/or photoplethysmogram waveform may be input to the cardiac output calculation model (1000) while sliding by a predetermined sliding window (e.g., 20 seconds).
  • the input data of the cardiac output calculation model (1000) may include data (Extracted Features) (1006) extracted from the waveform of an electrocardiogram and/or the waveform of a photoplethysmogram.
  • Data (1006) extracted from the waveform of the electrocardiogram and/or the waveform of the photoplethysmogram may include a PR interval, a QRS duration, a QRS amplitude, a ST segment extracted from the electrocardiogram waveform, and a PTT extracted from the electrocardiogram waveform and the photoplethysmogram waveform.
  • Data (1006) extracted from the waveform of the electrocardiogram and/or the waveform of the photoplethysmogram input to the cardiac output calculation model (1000) may be an average of values calculated for a predetermined period. For example, an average value of each of the PR interval, QRS duration, QRS amplitude, ST segment, and PTT values calculated for 20 seconds or 60 seconds may be input to the cardiac output calculation model (1000).
  • Bio signal data (1002) including an electrocardiogram waveform, a photoplethysmogram waveform, a VPG waveform, and an APG waveform can be normalized for learning a cardiac output calculation model (1000).
  • demographic data (Demographics) (1004), data (1006) extracted from an electrocardiogram waveform and/or a photoplethysmogram waveform can be normalized for learning a cardiac output calculation model (1000).
  • bio signal data (1002), demographic data (Demographics) (1004), data (1006) extracted from an electrocardiogram waveform and/or a photoplethysmogram waveform can be normalized and input to the cardiac output calculation model (1000).
  • the cardiac output calculation model (1000) can be trained to enable more accurate prediction of cardiac output using high-resolution bio-signal data (1002).
  • high-resolution bio-signal data 1002
  • secondary indices related to cardiac output from high-resolution electrocardiogram waveforms and photoplethysmogram waveforms (e.g., APG waveform, VPG waveform, PR interval, QRS duration, QRS amplitude, ST segment, PTT)
  • secondary indices related to cardiac output from high-resolution electrocardiogram waveforms and photoplethysmogram waveforms (e.g., APG waveform, VPG waveform, PR interval, QRS duration, QRS amplitude, ST segment, PTT)
  • the performance of the cardiac output calculation model (1000) can be improved.
  • a cardiac output calculation model (1000) may have a CNN (Convolution Neural Network) structure including at least one SE (Squeeze and Excitation) block and at least one Residual block.
  • CNN Convolution Neural Network
  • the cardiac output calculation model (1000) may include a convolutional neural network of the SE-ResNet structure.
  • ResNet can be defined as an algorithm that solves the vanishing gradient problem that can occur as layers become deeper by learning the residual, which is the difference between the input and output of each layer.
  • SE can be defined as a module that performs operations that squeeze and excite information. SE calculates the importance of each channel by considering the interdependence between the channels of the feature map that results from passing through each layer, and recalibrates by assigning weights to important channels.
  • the cardiac output calculation model (1000) can perform convolution using convolution filters of various sizes while passing through multiple layers, and can perform residual learning at the same time.
  • the cardiac output calculation model (1000) can use Max pooling and/or GAP (Global Average Pooling) as a squeeze operation.
  • the cardiac output calculation model (1000) can infer stroke volume of a specific patient by using the input data (1002, 1004, 1006) described above and the learned CNN structure including the SE block and the Residual block.
  • the output data (1008) of the cardiac output calculation model (1000) can be stroke volume.
  • the cardiac output calculation model (1000) can output stroke volume once every 8 seconds.
  • the cardiac output calculation model (1000) may correspond to any algorithm having a structure including a convolutional neural network, and the technical scope of the present invention is not limited or restricted by the embodiment of the cardiac output calculation model (1000) described above.
  • a data set used for development and training of a cardiac output calculation model includes biometric data including electrocardiograms and photoplethysmograms collected during 3,970 surgeries in a specific hospital, stroke volume information, and demographic information including age, gender, height, and weight.
  • the data set collected by the Time series hold out method during 3,970 surgeries in a specific hospital was divided into a training data set, a validation data set, and a test data set.
  • the training data set, validation data set, and test data set were composed in a ratio of 6:2:2.
  • the training data set includes 741,150 samples collected during 2,777 surgeries, and the test data set includes 196,686 samples collected during 694 surgeries.
  • the cardiac output calculation model In order to evaluate the validity of the stroke volume (i.e., predicted value) output from the cardiac output calculation model and the stroke volume (i.e., actual value) calculated based on arterial blood pressure, the cardiac output calculation model according to one embodiment of the present invention used Percentage Error, MAPE (mean absolute percentage error), and MAE (mean absolute error).
  • Percentage error can be interpreted as an indicator to evaluate whether the variation in the difference between the actual value and the predicted value is at an acceptable level.
  • MAPE mean absolute percentage error
  • MAPE is the average of the errors between the actual and predicted values, calculated as a percentage, and is a value that expresses MAE as a ratio. For example, if the MAE value of a cardiac output calculation model is 12 ml/beat, it means that the model incorrectly predicted 12 ml/beat on average.
  • MAE mean absolute error
  • FIG. 11 shows graphs comparing the predicted values and actual values of the cardiac output calculation model according to an embodiment of the present invention.
  • graphs for continuous cardiac output (1101, 1102, 1103) and graphs for cardiac output measured at 10-minute intervals (1104, 1105, 1106) are shown.
  • a Bland-Altman plot is a scatter plot that calculates the mean of and difference between each pair of measurements from two sets of measurements (stroke volume derived from arterial blood pressure and stroke volume output from a cardiac output calculation model) of the same subject.
  • the x-axis of the Bland-Altman plot represents the mean (Average of Differences(mL)) and the y-axis represents the difference (Diff.of Differences(mL)).
  • a Bland-Altman plot can display three horizontal dashed lines parallel to the x-axis, which can be interpreted as values summarizing the degree of discrepancy.
  • the upper line of the three horizontal dashed lines represents the upper limit of 95% agreement
  • the center line represents the difference from the mean
  • the lower line represents the lower limit of 95% agreement.
  • the Percentage Error can be calculated as shown in the following mathematical expression 1.

Landscapes

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

Abstract

본 발명은, 비침습적으로 심박출량을 계산하는 장치 및 이의 동작 방법으로서, 상기 방법은, 사용자의 심전도 및 광용적맥파를 포함하는 제1 생체 신호 데이터를 수신하는 단계, 심전도 및 광용적맥파를 입력으로 하여 일회박출량을 출력하도록 구성된 딥러닝 모델을 이용하여, 상기 사용자의 상기 제1 생체 신호 데이터를 기초로 상기 사용자의 일회박출량을 결정하는 단계를 포함하도록 구성된다.

Description

비침습적으로 심박출량을 계산하는 장치 및 이의 동작 방법
본 발명은 비침습적으로 심박출량을 계산하는 장치 및 이의 동작 방법에 관한 것이다.
심박출량(Cardiac output, CO) 모니터링은 고위험군의 환자에서 혈역학적 진단을 위해 사용되고 있다. 심박출량이란 심박수(Heart rate, HR)와 일회박출량(Stroke volume, SV)을 곱한 값으로, 시간적 단위(보통은 '분' 단위)에 따른 심장의 2개의 심실에 의해 펌프질되는 혈액의 양을 의미하며, 심장의 기능뿐만 아니라 전체 순환계의 상태를 반영하는 지표이다.
심박출량은 고위험 수술 환자의 전신 산소 및 약물 전달을 모니터링하고 최적화하는데 사용되기 때문에, 심박출량을 예측하는 것은 중요하다.
현재의 gold-standard(병의 진행 과정을 진단하는 테스트) 방법론인 열희석법(thermodilution-based method)에서는 폐동맥 카테터를 삽입하여 심박출량을 산출하는 방법으로, 침습적이며 감염 등 합병증의 문제가 있다.
열희석법 이후에 제안된 최소침습형 심박출량 산출 방법(arterial pressure-based method)은 최소침습적인 동맥혈압파형을 사용하여 심박출량을 계산하는 방법으로, 이 방법은 병원 내 중환자실 및 수술방의 모든 환자에서 사용되는 기술이 아니므로 그 활용성에 있어서 제한이 있다.
발명의 배경이 되는 기술은 본 발명에 대한 이해를 보다 용이하게 하기 위해 작성되었다. 발명의 배경이 되는 기술에 기재된 사항들이 선행기술로 존재한다고 인정하는 것으로 이해되어서는 안 된다.
상술한 침습형 또는 최소침습형 심박출량 산출 방법의 문제에 따라, 완전 비침습적인 생체 신호인 심전도와 광용적맥파만을 사용하여 심박출량을 분석 및 산출할 수 있는 새로운 방법이 요구된다.
그 결과, 본 발명의 발명자들은, 환자의 생체 신호를 분석하고 이차 지표를 활용하는 방법으로 환자 모니터와 같은 생체 신호 측정기기에 탑재되어, 수집된 비침습적 생체 신호 데이터를 분석하는 방법 및 이를 수행하는 장치를 개발하고자 하였다.
본 발명의 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
전술한 바와 같은 과제를 해결하기 위하여 본 발명의 일 실시예에 따른 비침습적으로 심박출량을 계산하는 장치의 동작 방법이 제공된다. 상기 방법은, 사용자의 심전도 및 광용적맥파를 포함하는 제1 생체 신호 데이터를 수신하는 단계, 심전도 및 광용적맥파를 입력으로 하여 일회박출량을 출력하도록 구성된 딥러닝 모델을 이용하여, 상기 사용자의 상기 제1 생체 신호 데이터를 기초로 상기 사용자의 일회박출량을 결정하는 단계를 포함하도록 구성된다.
본 발명의 특징에 따르면, 상기 딥러닝 모델은 복수의 환자들에 대한 학습 데이터에 의해 학습되고, 상기 복수의 환자들에 대한 상기 학습 데이터는, 상기 광용적맥파의 1차 미분 파형인 VPG(first derivative PPG) 파형, 상기 광용적맥파의 2차 미분 파형인 APG(second derivative PPG) 파형을 포함할 수 있다.
본 발명의 다른 특징에 따르면, 상기 복수의 환자들에 대한 상기 학습 데이터는, 상기 복수의 환자들 각각의 상기 심전도로부터 추출된 PR interval, QRS duration, QRS amplitude, ST segment를 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 상기 사용자의 인구통계학 정보 데이터를 수신하는 단계를 더 포함할 수 있다. 상기 딥러닝 모델은 상기 사용자의 상기 제1 생체 신호 데이터, 제2 생체 신호 데이터 및 상기 인구통계학 정보 데이터를 입력으로 하여 상기 사용자의 일회박출량을 결정하도록 구성되고, 상기 인구통계학 정보 데이터는 상기 사용자의 나이, 성별, 키, 몸무게 중 적어도 하나를 포함하고, 상기 제2 생체 신호 데이터는 상기 VPG 파형, 상기 APG 파형, 상기 PR interval, 상기 QRS duration, 상기 QRS amplitude, 상기 ST segment, 상기 PTT를 더 포함할 수 있다.
전술한 바와 같은 과제를 해결하기 위하여 본 발명의 일 실시예에 따른 비침습적으로 심박출량을 계산하는 장치가 제공된다.
상기 장치는, 메모리, 심전도와 광용적맥파를 포함하는 제1 생체 신호 데이터, 인구통계학 정보 데이터 중 적어도 하나를 수신하는 트랜시버 및 딥러닝 모델을 포함하는 프로세서를 포함하고, 상기 프로세서는 상기 제1 생체 신호 데이터를 전처리하고, 전처리된 상기 생체 신호 데이터로부터 제2 생체 신호 데이터를 추출하고, 상기 제1 생체 신호 데이터 및 상기 제2 생체 신호 데이터를 입력으로 하여 일회박출량을 출력하도록 구성된 딥러닝 모델을 이용하여 일회박출량을 추론하도록 구성될 수 있다.
본 발명의 특징에 따르면, 상기 프로세서는, 상기 제1 생체 신호 데이터를 소정의 길이로 슬라이싱하고, 슬라이싱된 상기 제1 생체 신호 데이터로부터 샘플링 데이터를 추출하고, 상기 제1 생체 신호 데이터의 노이즈 데이터를 제거하도록 추가로 구성될 수 있다.
본 발명의 다른 특징에 따르면, 상기 제2 생체 신호 데이터는, 상기 광용적맥파의 1차 미분 파형인 VPG(first derivative PPG) 파형, 상기 광용적맥파의 2차 미분 파형인 APG(second derivative PPG) 파형과, 상기 심전도로부터 추출된 PR interval, QRS duration, QRS amplitude, ST segment와, 상기 심전도 및 상기 광용적맥파로부터 추출된 PTT(Pulse Transit Time) 중 적어도 하나를 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 상기 프로세서는, 상기 광용적맥파의 최소-최대 정규화를 수행하고, 상기 광용적맥파의 상기 VPG 파형 및 상기 APG 파형을 추출하도록 추가로 구성되며, 상기 VPG 파형 및 상기 APG 파형은 상기 소정의 길이를 갖는 시계열 데이터의 형태로 상기 딥러닝 모델에 입력될 수 있다.
본 발명의 또 다른 특징에 따르면, 상기 PR interval, 상기 QRS duration, 상기 QRS amplitude, 상기 ST segment 및 상기 PTT는 상기 소정의 길이에 대응하는 시간 동안, 복수 회 측정된 각각의 값의 평균으로 상기 딥러닝 모델에 입력될 수 있다.
본 발명의 또 다른 특징에 따르면, 상기 학습 데이터는 복수의 환자들의 상기 제1 생체 신호 데이터, 상기 제2 생체 신호 데이터, 일회박출량 데이터, 상기 인구통계학 정보 데이터를 포함하고, 상기 인구통계학 정보 데이터는 나이, 성별, 키, 몸무게 중 적어도 하나를 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 상기 메모리는 상기 복수의 환자들 각각에 대해 매칭된 상기 학습 데이터의 세트를 저장하도록 구성될 수 있다.
본 발명의 또 다른 특징에 따르면, 상기 딥러닝 모델은 적어도 하나의 SE(Squeeze and Excitation) block 및 적어도 하나의 Residual block이 포함된 CNN(convolution Neural Network) 구조를 가질 수 있다.
본 발명의 또 다른 특징에 따르면, t(t는 양의 정수)초에서부터 (t+n)초까지의 기간에 대응되는 사용자의 상기 제1 생체 신호 데이터 및 상기 제2 생체 신호 데이터를 수신하도록 추가로 구성되는 상기 트랜시버 및 상기 딥러닝 모델을 이용하여 상기 (t+n)초에서의 상기 사용자의 상기 일회박출량을 계산하도록 추가로 구성되는 상기 프로세서를 포함할 수 있다.
기타 실시예의 구체적인 사항들은 발명의 설명 및 도면들에 포함되어 있다.
본 발명은 비침습적인 방법으로 수집된 생체 신호 데이터를 이용하여 환자의 심박출량을 산출할 수 있다.
구체적으로, 본 발명은 침습적 또는 최소침습적 측정 방법에서의 제한 요소들이 제거된 완전 비침습적인 생체 신호인 심전도와 광용적맥파만을 이용하여 환자의 심박출량을 산출할 수 있다.
또한, 본 발명은 심층신경망 구조의 딥러닝 기술을 이용하여 고해상도의 입력 데이터를 분석하고 이를 학습함으로써, 새로운 입력 데이터에 대한 결과 값, 즉 심박출량을 빠르게 예측하고 출력할 수 있다.
본 발명에 따른 효과는 이상에서 예시된 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 발명 내에 포함되어 있다.
도 1은 본 발명의 실시예에 따른 비침습적으로 심박출량을 계산하는 장치의 개략도이다.
도 2는 본 발명의 일 실시예에 따른 심박출량 계산 장치의 구성을 나타낸 블록도이다.
도 3은 본 발명의 일 실시예에 따른 심박출량 계산 방법을 개략적으로 나타낸 순서도이다.
도 4는 본 발명의 일 실시예에 따른 심박출량 계산 장치의 입력 데이터 및 출력 데이터를 나타낸 그래프이다.
도 5는 본 발명의 일 실시예에 따른 심박출량 계산 방법을 나타낸 순서도이다.
도 6은 심전도 파형 및 광용적맥파 파형의 잡음의 일 예를 나타내는 그래프이다.
도 7은 광용적맥파 파형, VPG 파형 및 PPG 파형을 나타낸 그래프이다.
도 8은 심전도 파형 및 심전도 파형으로부터 추출한 2차 지표를 나타낸 그래프이다.
도 9는 심전도 파형 및 광용적맥파 파형으로부터 추출한 2차 지표를 나타낸 그래프이다.
도 10은 본 발명의 일 실시예에 따른 심박출량 계산 모델의 아키텍쳐를 나타내는 블록도이다.
도 11은 본 발명의 실시예에 따른 심박출량 계산 모델의 예측값과 실제값을 비교한 그래프들이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조부호가 사용될 수 있다.
본 문서에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
본 문서에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상" 등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는(3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.
본 문서에서 사용된 "제1," "제2," "첫째," 또는 "둘째," 등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다. 예를 들면, 제1 사용자 기기와 제2 사용자 기기는, 순서 또는 중요도와 무관하게, 서로 다른 사용자 기기를 나타낼 수 있다. 예를 들면, 본 문서에 기재된 권리범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 바꾸어 명명될 수 있다.
어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.
본 문서에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~ 를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것 만을 반드시 의미하지 않을 수 있다. 대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된)프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.
본 문서에서 사용된 용어들은 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 다른 실시예의 범위를 한정하려는 의도가 아닐 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 용어들은 본 문서에 기재된 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가질 수 있다. 본 문서에 사용된 용어들 중 일반적인 사전에 정의된 용어들은, 관련 기술의 문맥상 가지는 의미와 동일 또는 유사한 의미로 해석될 수 있으며, 본 문서에서 명백하게 정의되지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 경우에 따라서, 본 문서에서 정의된 용어일지라도 본 문서의 실시예들을 배제하도록 해석될 수 없다.
본 발명의 여러 실시예들의 각각 특징들이 부분적으로 또는 전체적으로 서로 결합 또는 조합 가능하며, 당업자가 충분히 이해할 수 있듯이 기술적으로 다양한 연동 및 구동이 가능하며, 각 실시예들이 서로에 대하여 독립적으로 실시 가능할 수도 있고 연관 관계로 함께 실시 가능할 수도 있다.
본 명세서의 해석의 명확함을 위해, 이하에서는 본 명세서에서 사용되는 용어들을 정의하기로 한다.
도 1은 본 발명의 실시예에 따른 심박출량 계산 장치의 개략도이다.
본 발명의 실시예에 따른 심박출량 계산 장치(100)는 트랜시버(10), 메모리(12) 및 프로세서(14)를 포함할 수 있다. 본 발명의 실시예에 따른 심박출량 계산 장치(100)는 트랜시버(10)를 통해 수신된 심전도 및/또는 광용적맥파를 이용하여 심박출량을 계산할 수 있다. 메모리(12)는 수신된 심전도 및/또는 광용적맥파에 대한 데이터를 저장할 수 있다.
도 1을 참조하면, 심박출량 계산 장치(100)는 심전도(Electrocardiogram, ECG) 모니터링을 통해 획득된 사용자(102)의 심전도를 수신할 수 있다. 심전도란 심장의 전기적 활동 또는 전기적 활성도를 분석하여 파장 형태로 기록한 것으로, 심전도 모니터링은 사용자(102)의 피부에 전극을 부착하고, 심전도 측정 기기(104)를 통해 시계열적으로 디스플레이되는 심전도의 변화를 모니터링함으로써 수행될 수 있다.
또한, 도 1을 참조하면, 심박출량 계산 장치(100)는 광용적맥파(Photoplethysmogram, PPG) 모니터링을 통해 획득된 사용자의 광용적맥파를 수신할 수 있다. 광용적맥파를 이용한 측정법은 빛을 이용하여 맥파를 측정하는 방법으로, 혈관의 용적 변화 시 나타나는 생체조직의 반사, 흡수 투과비 등의 광학적 특성의 변화를 광센서에서 감지하여, 혈류의 속도, 혈액 중 산소 포화도 등을 측정할 수 있다. 광용적맥파 모니터링은 사용자의 손가락에 광용적맥파 측정 기기(106)를 장착하고, 광용적맥파 측정 기기(106)를 통해 시계열적으로 디스플레이되는 광용적맥파의 변화를 모니터링함으로써 수행될 수 있다.
본 발명의 실시예에 따른 심박출량 계산 장치(100)는 PC(personal computer), 데이터 서버, 또는 휴대용 장치 내에 구현될 수 있다.
휴대용 장치는 랩탑(laptop) 컴퓨터, 이동 전화기, 스마트 폰(smart phone), 태블릿(tablet) PC, 모바일 인터넷 디바이스(mobile internet device(MID)), PDA(personal digital assistant), EDA(enterprise digital assistant), 디지털 스틸 카메라(digital still camera), 디지털 비디오 카메라(digital video camera), PMP(portable multimedia player), PND(personal navigation device 또는 portable navigation device), 휴대용 게임 콘솔(handheld game console), e-북(e-book), 또는 스마트 디바이스(smart device)로 구현될 수 있다. 스마트 디바이스는 스마트 와치(smart watch), 스마트 밴드(smart band), 또는 스마트 링(smart ring)으로 구현될 수 있으며, 이는 실시예들에 불과할 뿐 심박출량 계산 장치(100)의 구현 예를 제한하지 않는다.
심전도 측정 기기(104) 및/또는 광용적맥파 측정 기기(106)는 생체 신호를 측정 및 출력할 수 있는 전자 장치로서, 심박출량 계산 장치(100)와 마찬가지로, PC(personal computer), 데이터 서버, 또는 휴대용 장치 내에 구현될 수 있다.
심박출량 계산 장치(100)의 프로세서(14)는 딥러닝 모델을 포함할 수 있다. 예를 들어, 심박출량 계산 장치(100)의 프로세서(14)는 심박출량 계산 모델(16)을 포함할 수 있다.
심박출량 계산 모델(16)은 뉴럴 네트워크(또는 인공 신경망)를 포함할 수 있다. 뉴럴 네트워크는 기계학습과 인지과학에서 생물학의 신경을 모방한 통계학적 학습 알고리즘을 포함한다. 뉴럴 네트워크는 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 본 발명의 실시예들에서 심박출량 계산 모델(16)은 뉴럴 네트워크의 한 종류로써 표현될 수 있으며, 심박출량 계산 알고리즘을 포함할 수 있다.
뉴럴 네트워크의 뉴런은 가중치 또는 바이어스의 조합을 포함할 수 있다. 뉴럴 네트워크는 하나 이상의 뉴런 또는 노드로 구성된 하나 이상의 레이어(layer)를 포함할 수 있다. 뉴럴 네트워크는 뉴런의 가중치를 학습을 통해 변화시킴으로써 임의의 입력으로부터 예측하고자 하는 결과를 추론할 수 있다.
뉴럴 네트워크는 CNN(Convolutional Neural Network)을 포함할 수 있다. 뉴럴 네트워크는 DNN(Deep Neural Network), RNN(Recurrent Neural Network), 퍼셉트론(perceptron), 다층 퍼셉트론(multilayer perceptron), FF(Feed Forward), RBF(Radial Basis Network), DFF(Deep Feed Forward), LSTM(Long Short Term Memory), GRU(Gated Recurrent Unit), AE(Auto Encoder), VAE(Variational Auto Encoder), DAE(Denoising Auto Encoder), SAE(Sparse Auto Encoder), MC(Markov Chain), HN(Hopfield Network), BM(Boltzmann Machine), RBM(Restricted Boltzmann Machine), DBN(Depp Belief Network), DCN(Deep Convolutional Network), DN(Deconvolutional Network), DCIGN(Deep Convolutional Inverse Graphics Network), GAN(Generative Adversarial Network), LSM(Liquid State Machine), ELM(Extreme Learning Machine), ESN(Echo State Network), DRN(Deep Residual Network), DNC(Differentiable Neural Computer), NTM(Neural Turning Machine), CN(Capsule Network), KN(Kohonen Network) 및/또는 AN(Attention Network)를 포함할 수 있으나, 이에 한정되는 것이 아닌 임의의 뉴럴 네트워크를 포함할 수 있음은 통상의 기술자가 이해할 것이다.
본 발명의 일 실시 예에 따른 심박출량 계산 모델(16)은 심박출량 계산 알고리즘을 포함하는 딥러닝 모델을 포함할 수 있으며, 본 발명의 일 실시예에 따른 심박출량 계산 모델(16)에 대한 상세한 내용은 도 10에서 후술한다.
도 2는 본 발명의 일 실시예에 따른 심박출량 계산 장치의 구성을 나타낸 블록도이다.
도 2를 참조하면, 심박출량 계산 장치(200)는 메모리 인터페이스(210), 하나 이상의 프로세서(220) 및 주변 인터페이스(230)를 포함할 수 있다. 도 2의 심박출량 계산 장치(200)는 도 1의 심박출량 계산 장치(100)에 적용될 수 있다.
심박출량 계산 장치(200) 내의 다양한 컴포넌트들은 하나 이상의 통신 버스 또는 신호 라인에 의해 연결될 수 있다.
메모리 인터페이스(210)는 메모리(250)에 연결되어 하나 이상의 프로세서(220)로 다양한 데이터를 전할 수 있다. 여기서, 메모리(250)는 플래시 메모리 타입, 하드디스크 타입, 멀티미디어 카드 마이크로 타입, 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램, SRAM, 롬, EEPROM, PROM, 네트워크 저장 스토리지, 클라우드, 블록체인 데이터베이스 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
다양한 실시예에서, 메모리(250)는 운영 체제(251), 통신 모듈(252), 그래픽 사용자 인터페이스 모듈(GUI)(253), 센서 처리 모듈(254), 전화 모듈(255) 및 애플리케이션 모듈(256) 중 적어도 하나 이상을 저장할 수 있다. 구체적으로, 운영 체제(251)는 기본 시스템 서비스를 처리하기 위한 명령어 및 하드웨어 작업들을 수행하기 위한 명령어를 포함할 수 있다. 통신 모듈(252)은 다른 하나 이상의 디바이스, 컴퓨터 및 서버 중 적어도 하나와 통신할 수 있다. 그래픽 사용자 인터페이스 모듈(GUI)(253)은 그래픽 사용자 인터페이스를 처리할 수 있다. 센서 처리 모듈(254)은 센서 관련 기능(예를 들어, 하나 이상의 마이크(292)를 이용하여 수신된 음성 입력을 처리함)을 처리할 수 있다. 전화 모듈(255)은 전화 관련 기능을 처리할 수 있다. 애플리케이션 모듈(256)은 사용자 애플리케이션의 다양한 기능들, 예컨대 전자 메시징, 웹 브라우징, 미디어 처리, 탐색, 이미징, 기타 프로세스 기능을 수행할 수 있다. 아울러, 심박출량 계산 장치(200)는 메모리(250)에 어느 한 종류의 서비스와 연관된 하나 이상의 소프트웨어 애플리케이션(256-1, 256-2)을 저장할 수 있다.
다양한 실시예에서, 메모리(250)는 디지털 어시스턴트 클라이언트 모듈(257)(이하, DA 클라이언트 모듈)을 저장할 수 있으며, 그에 따라 디지털 어시스턴트의 클라이언트 측의 기능을 수행하기 위한 명령어 및 다양한 사용자 데이터(258)를 저장할 수 있다.
한편, DA 클라이언트 모듈(257)은 심박출량 계산 장치(200)에 구비된 다양한 사용자 인터페이스(예. I/O 서브시스템(240))를 통해 사용자의 음성 입력, 텍스트 입력, 터치 입력 및/또는 제스처 입력을 획득할 수 있다.
또한, DA 클라이언트 모듈(257)은 시청각적, 촉각적 형태의 데이터를 출력할 수 있다. 예를 들어, DA 클라이언트 모듈(257)은 음성, 소리, 알림, 텍스트 메시지, 메뉴, 그래픽, 비디오, 애니메이션 및 진동 중 적어도 둘 하나 이상의 조합으로 이루어진 데이터를 출력할 수 있다. 아울러, DA 클라이언트 모듈(257)은 통신 서브시스템(280)을 이용하여 디지털 어시스턴트 서버(미도시)와 통신할 수 있다.
다양한 실시예에서, DA 클라이언트 모듈(257)은 사용자 입력과 연관된 상황(context)을 구성하기 위하여 다양한 센서, 서브시스템 및 주변 디바이스로부터 심박출량 계산 장치(200)의 주변 환경에 대한 추가 정보를 수집할 수 있다. 예를 들어, DA 클라이언트 모듈(257)은 사용자 입력과 함께 상황 정보를 디지털 어시스턴트 서버에 제공하여 사용자의 의도를 추론할 수 있다. 여기서, 사용자 입력에 동반될 수 있는 상황 정보는 센서 정보, 예를 들어, 광(lighting), 주변 소음, 주변 온도, 주변 환경의 이미지, 비디오 등을 포함할 수 있다. 다른 예를 들어, 상황 정보는 심박출량 계산 장치(200)의 물리적 상태(예. 디바이스 배향, 디바이스 위치, 디바이스 온도, 전력 레벨, 속도, 가속도, 모션 패턴, 셀룰러 신호 강도 등)을 포함할 수 있다. 또 다른 예를 들어, 상황 정보는 심박출량 계산 장치(200)의 소프트웨어 상태에 관련된 정보(예. 심박출량 계산 장치(200)에서 실행 중인 프로세스, 설치된 프로그램, 과거 및 현재 네트워크 활동성, 백그라운드 서비스, 오류 로그, 리소스 사용 등)를 포함할 수 있다.
다양한 실시예에서, 메모리(250)는 추가 또는 삭제된 명령어를 포함할 수 있으며, 나아가 심박출량 계산 장치(200)도 도 2에 도시된 구성 외에 추가 구성을 포함하거나, 일부 구성을 제외할 수도 있다.
프로세서(220)는 심박출량 계산 장치(200)의 전반적인 동작을 제어할 수 있으며, 메모리(250)에 저장된 어플리케이션 또는 프로그램을 구동하여 사용자의 심박출량을 계산 및/또는 출력하기 위한 다양한 명령들을 수행할 수 있다.
프로세서(220)는 CPU(Central Processing Unit)나 AP(Application Processor)와 같은 연산 장치에 해당할 수 있다. 또한, 프로세서(220)는 NPU(Neural Processing Unit)과 같은 다양한 연산 장치가 통합된 SoC(System on Chip)와 같은 통합 칩(Integrated Chip (IC))의 형태로 구현될 수 있다.
다양한 실시예에서, 프로세서(220)는 심전도와 광용적맥파를 포함하는 제1 생체 신호 데이터, 인구통계학 정보 데이터 중 적어도 하나를 수신할 수 있다.
제1 생체 신호 데이터는 심전도 파형 데이터, 광용적맥파 파형 데이터, APCO(Arterial Pressure Based Cardiac Output) 장비를 이용하여 산출된 동맥혈압을 기초로 산출된 일회박출량 데이터를 포함할 수 있다. 인구통계학 정보 데이터는 상기 사용자의 나이, 성별, 키, 몸무게 중 적어도 하나를 포함할 수 있다. 프로세서(220)는 제1 생체 신호 데이터를 전처리 할 수 있다. 또한, 프로세서(220)는 전처리된 생체 신호 데이터로부터 제2 생체 신호 데이터를 추출할 수 있다. 또한, 프로세서(220)는 제1 생체 신호 데이터 및 제2 생체 신호 데이터를 입력으로 하여 일회박출량을 출력하도록 구성된 딥러닝 모델을 이용하여, 일회박출량을 추론할 수 있다. 프로세서(220)의 동작에 대한 상세한 내용은 도 3이하에서 후술한다.
주변 인터페이스(230)는 다양한 센서, 서브 시스템 및 주변 디바이스와 연결되어, 심박출량 계산 장치(200)가 다양한 기능을 수행할 수 있도록 데이터를 제공해 줄 수 있다. 여기서, 심박출량 계산 장치(200)가 어떠한 기능을 수행한다는 것은 프로세서(220)에 의해 수행되는 것으로 이해될 수 있다.
주변 인터페이스(230)는 모션 센서(260), 조명 센서(광 센서)(261) 및 근접 센서(262)로부터 데이터를 제공받을 수 있으며, 이를 통해, 심박출량 계산 장치(200)는 배향, 광, 및 근접 감지 기능 등을 수행할 수 있다. 다른 예를 들어, 주변 인터페이스(230)는 기타 센서들(263)(포지셔닝 시스템-GPS 수신기, 온도 센서, 생체인식 센서)로부터 데이터를 제공받을 수 있으며, 이를 통해 심박출량 계산 장치(200)가 기타 센서들(263)과 관련된 기능들을 수행할 수 있다.
다양한 실시예에서, 심박출량 계산 장치(200)는 주변 인터페이스(230)와 연결된 카메라 서브시스템(270) 및 이와 연결된 광학 센서(271)를 포함할 수 있으며, 이를 통해 심박출량 계산 장치(200)는 사진 촬영 및 비디오 클립 녹화 등의 다양한 촬영 기능을 수행할 수 있다.
다양한 실시예에서, 심박출량 계산 장치(200)는 주변 인터페이스(230)와 연결된 통신 서브 시스템(280)을 포함할 수 있다. 통신 서브 시스템(280)은 하나 이상의 유/무선 네트워크로 구성되며, 다양한 통신 포트, 무선 주파수 송수신기, 광학 송수신기를 포함할 수 있다.
다양한 실시예에서, 심박출량 계산 장치(200)는 주변 인터페이스(230)와 연결된 오디오 서브 시스템(290)을 포함하며, 이러한 오디오 서브 시스템(290)은 하나 이상의 스피커(291) 및 하나 이상의 마이크(292)를 포함함으로써, 심박출량 계산 장치(200)는 음성 작동형 기능, 예컨대 음성 인식, 음성 복제, 디지털 녹음, 및 전화 기능 등을 수행할 수 있다.
다양한 실시예에서, 심박출량 계산 장치(200)는 주변 인터페이스(230)와 연결된 I/O 서브시스템(240)을 포함할 수 있다. 예를 들어, I/O 서브시스템(240)은 터치 스크린 제어기(241)를 통해 심박출량 계산 장치(200)에 포함된 터치 스크린(243)을 제어할 수 있다. 일 예로서, 터치 스크린 제어기(241)는 정전용량형, 저항형, 적외형, 표면 탄성파 기술, 근접 센서 어레이 등과 같은 복수의 터치 감지 기술 중 어느 하나의 기술을 사용하여 사용자의 접촉 및 움직임 또는 접촉 및 움직임의 중단을 검출할 수 있다. 다른 예를 들어, I/O 서브시스템(240)은 기타 입력 제어기(들)(242)를 통해 심박출량 계산 장치(200)에 포함된 기타 입력/제어 디바이스(244)를 제어할 수 있다. 일 예로서, 기타 입력 제어기(들)(242)은 하나 이상의 버튼, 로커 스위치(rocker switches), 썸 휠(thumb-wheel), 적외선 포트, USB 포트 및 스타일러스 등과 같은 포인터 디바이스를 제어할 수 있다.
도 3은 본 발명의 일 실시예에 따른 심박출량 계산 방법을 개략적으로 나타낸 순서도이다.
도 3을 참조하면, 본 발명의 일 실시예에 따른 심박출량 계산 장치(100, 도 1)(또는, 트랜시버(10, 도 1))는 사용자의 심전도 및 광용적맥파를 포함하는 제1 생체 신호 데이터를 수신할 수 있다(S302).
*제1 생체 신호 데이터는 심전도 파형, 광용적맥파 파형, APCO(Arterial Pressure Based Cardiac Output) 장비를 이용하여 산출된 동맥혈압을 기초로 산출된 일회박출량을 포함할 수 있다. 일 예로, 공개된 데이터세트인 VitalDB로부터 샘플속도 100Hz로 측정된 심전도 파형과 광용적 맥파 파형, 2초 간격으로 측정된 일회박출량이 수집될 수 있다.
본 발명의 일 실시예에 따른 심박출량 계산 장치(100, 도 1)(또는, 프로세서(14, 도 1))는 심전도 및 광용적맥파를 입력으로 하여 일회박출량을 출력하도록 구성된 딥러닝 모델을 이용하여, 사용자의 제1 생체 신호 데이터를 기초로 사용자의 일회박출량을 결정할 수 있다(S304).
딥러닝 모델은 복수의 환자들에 대한 학습 데이터에 의해 학습된 딥러닝 모델일 수 있다.
복수의 환자들에 대한 학습 데이터는, 상기 광용적맥파의 1차 미분 파형인 VPG(first derivative PPG) 파형, 상기 광용적맥파의 2차 미분 파형인 APG(second derivative PPG) 파형을 포함할 수 있다. 복수의 환자들에 대한 학습 데이터는, 상기 복수의 환자들 각각의 상기 심전도로부터 추출된 PR interval, QRS duration, QRS amplitude, ST segment를 포함할 수 있다. 또한, 복수의 환자들에 대한 학습 데이터는, 상기 복수의 환자들 각각의 상기 심전도 및 상기 광용적맥파로부터 추출된 PTT(Pulse Transit Time)를 포함할 수 있다. 복수의 환자들에 대한 학습 데이터는 제2 생체 신호 데이터로 지칭될 수 있다.
딥러닝 모델은 사용자의 상기 제1 생체 신호 데이터, 제2 생체 신호 데이터 및 상기 인구통계학 정보 데이터를 입력으로 하여 상기 사용자의 일회박출량을 결정할 수 있다. 제2 생체 신호 데이터 상기 VPG 파형, 상기 APG 파형, 상기 PR interval, 상기 QRS duration, 상기 QRS amplitude, 상기 ST segment, 상기 PTT를 포함할 수 있다.
도 4는 본 발명의 일 실시예에 따른 심박출량 계산 장치의 입력 데이터 및 출력 데이터를 나타낸 그래프이다.
도 4를 참조하면, 심박출량 계산 장치의 입력 데이터와 출력 데이터를 나타낸 그래프(400)가 도시된다. 그래프(400)의 가로축은 시간(t)이며, 그래프(400)의 세로축은 일회박출량(stroke volume)이다.
입력 데이터는 환자의 심전도(ECG) 데이터(30) 및/또는 광용적맥파(PPG) 데이터(32)일 수 있다. 환자의 심전도(ECG) 데이터(30) 및/또는 광용적맥파(PPG) 데이터(32)는 환자의 수술 중 수집된 생체 신호의 일부일 수 있다. 환자의 심전도(ECG) 데이터(30) 및/또는 광용적맥파(PPG) 데이터(32)는 소정의 기간 동안의 파형 데이터일 수 있다.
예시적으로, 환자의 심전도(ECG) 데이터(30) 및/또는 광용적맥파(PPG) 데이터(32)는 20초 동안의 파형 데이터일 수 있다. 예시적으로, 임의의 시간 t 직전 소정의 기간 동안의 환자의 심전도(ECG) 데이터(30) 및/또는 광용적맥파(PPG) 데이터(32)가 사용되어, 임의의 시간 t에서의 심박출량이 계산되고 출력될 수 있다. 소정의 기간은 20초일 수 있다.
예시적으로, 환자의 심전도(ECG) 데이터(30) 및/또는 광용적맥파(PPG) 데이터(32)는 60초 동안의 파형 데이터일 수 있다. 예시적으로, 임의의 시간 t 직전 소정의 기간 동안의 환자의 심전도(ECG) 데이터(30) 및/또는 광용적맥파(PPG) 데이터(32)가 사용되어, 임의의 시간 t에서의 심박출량이 계산되고 출력될 수 있다. 소정의 기간은 60초일 수 있다.
출력 데이터는 일회박출량(stroke volume) 데이터(34)일 수 있다. 예시적으로, 출력 데이터는 도 4에 화살표로 표시된 타이밍과 같이 일회박출량이 변하는 시점의 값일 수 있다.
심박출량은 일회 박출량과 심박수의 곱으로 계산될 수 있다. 본 발명의 일 실시예에 따른 심박출량 계산 장치의 출력 데이터는 심박출량일 수 있다. 본 발명의 다른 실시예에 따른 심박출량 계산 장치의 출력 데이터는 일회박출량일 수 있다.
도 5는 본 발명의 일 실시예에 따른 심박출량 계산 방법을 나타낸 순서도이다.
도 5를 참조하면, 본 발명의 일 실시예에 따른 심박출량 계산 장치(100, 도 1)(또는, 트랜시버(10, 도 1))는 심전도와 광용적맥파를 포함하는 제1 생체 신호 데이터, 인구통계학 정보 데이터 중 적어도 하나를 수신할 수 있다(S502). 제1 생체 신호 데이터는 심전도 파형 데이터, 광용적맥파 파형 데이터, APCO(Arterial Pressure Based Cardiac Output) 장비를 이용하여 산출된 동맥혈압을 기초로 산출된 일회박출량 데이터를 포함할 수 있다. 인구통계학 정보 데이터는 상기 사용자의 나이, 성별, 키, 몸무게 중 적어도 하나를 포함할 수 있다.
본 발명의 일 실시예에 따른 심박출량 계산 장치(100, 도 1)(또는, 프로세서(14, 도 1))는 제1 생체 신호 데이터를 전처리 할 수 있다(S504).
심박출량 계산 장치(100, 도 1)(또는, 프로세서(14, 도 1))는 제1 생체 신호 데이터를 소정의 길이로 슬라이싱하고, 슬라이싱된 상기 제1 생체 신호 데이터로부터 샘플링 데이터를 추출하고, 상기 제1 생체 신호 데이터의 노이즈 데이터를 제거할 수 있다.
심박출량 계산 장치(100, 도 1)(또는, 프로세서(14, 도 1))는, 수집된 심전도 파형 데이터에 대하여, 사용할 샘플 데이터 세트를 소정의 기준 내에서 선별할 수 있다.
일 예로, 심박출량 계산 장치(100, 도 1)(또는, 프로세서(14, 도 1))는 수집된 심전도 파형 데이터로부터 제1 기준 샘플의 후보 데이터 세트를 추출할 수 있고, 제1 기준 샘플의 후보 데이터 세트는 학습 데이터로 이용될 수 있다. 예시적으로, 제1 기준은 2 이상 및 4.5 이하일 수 있다.
다른 예로, 비정상적인 심전도 파형은 사용할 데이터셋으로 선별하지 않기 위해 RR interval의 표준편차(standard deviation)가 30이하인 경우만 선별할 수 있다. RR interval이란 심장 박동의 R-피크(R-peak)간 간격을 의미한다.
심박출량 계산 장치(100, 도 1)(또는, 프로세서(14, 도 1))는, 수집된 광용적맥파 데이터에 대하여, 사용할 샘플 데이터 세트를 소정의 기준 내에서 선별할 수 있다.
일 예로, 심박출량 계산 장치(100, 도 1)(또는, 프로세서(14, 도 1))는 수집된 광용적맥파 파형 데이터로부터 제2 기준 샘플의 후보 데이터 세트를 추출할 수 있고, 제2 기준 샘플의 후보 데이터 세트는 학습 데이터로 이용될 수 있다. 예시적으로, 제2 기준은 0 이상 및 100 이하일 수 있다.
다른 예로, 광용적맥파 파형의 주파수가 소정의 기준 이하로 작은 경우 이거나 광용적맥파의 파형이 불규칙하다고 판단되는 경우, 샘플 데이터 세트에서 제외될 수 있다.
다른 예로, 광용적맥파의 비트 내부의 상관관계가 0.9 이상인 샘플의 경우 후보 데이터 세트로 선별할 수 있으며, 표준편차가 0인 경우의 샘플은 제외할 수 있다.
심박출량 계산 장치(100, 도 1)(또는, 프로세서(14, 도 1))는, 광용적맥파의 최소-최대 정규화를 수행할 수 있다.
광용적맥파 측정 기기(106)로부터 측정되는 광용적맥파의 파형은, 광용적맥파 측정 기기(106)가 자체적으로 진폭을 스케일링(scaling)할 수 있다. 스케일링할 때 사용되는 스케일링 팩터(scaling factor)(들)은 사용자 입장에서 파악할 수 없으므로, 부정확한 광용적맥파의 진폭에 대한 정보를 제거하고자 최소-최대 정규화를 수행할 수 있다.
또한, 심박출량 계산 장치(100, 도 1)(또는, 프로세서(14, 도 1))는 심전도 파형 및/또는 광용적맥파 파형에서 나타나는 신호의 잡음을 제거할 수 있다.
일 예로, 심박출량 계산 장치(100, 도 1)(또는, 프로세서(14, 도 1))는 심전도 파형 및/또는 광용적맥파 파형에서 0.5Hz 이하의 주파수 성분은 제거할 수 있다. 다른 예로, 광용적맥파 파형에서 차단 주파수 0.5Hz 이하 및 8Hz 이상의 주파수 성분을 차단할 수 있다.
관련하여, 도 6은 심전도 파형 및 광용적맥파 파형의 잡음의 일 예를 나타내는 그래프이다.
도 6을 참조하면, 심박출량 계산 장치(100, 도 1)가 수신한 심전도 파형 및 광용적맥파 파형을 나타낸 그래프(600)가 도시된다.
심박출량 계산 장치(100, 도 1)(또는, 트랜시버(10, 도 1))는 수술실에서 수술 중 측정되는 복수의 환자들의 심전도와 광용적맥파를 포함하는 제1 생체 신호 데이터를 수신할 수 있다. motion artifact, electrocautery, wall power 등으로 인해, 수술실에서 수집되는 심전도의 파형(60)에는 노이즈 데이터가 포함될 수 있다. motion artifact, nerve stimulation, 호흡 등으로 인해, 수술실에서 수집되는 광용적맥파의 파형(62)에는 baseline drift 등의 노이즈 데이터가 포함될 수 있다.
다시 도 5의 S504를 참조하면, 제1 생체 신호 데이터를 전처리하는 단계는 심박출량 계산 모델(16, 도 1)의 학습에 방해되는 심전도 파형 및/또는 광용적맥파 파형에서 나타나는 신호의 잡음을 제거하는 단계를 포함할 수 있다.
심박출량 계산 장치(100, 도 1)(또는, 프로세서(14, 도 1))는, 수집된 일회박출량 데이터에 대하여, 사용할 샘플 데이터 세트를 소정의 기준 내에서 선별할 수 있다.
일 예로, 심박출량 계산 장치(100, 도 1)(또는, 프로세서(14, 도 1))는 수집된 일회박출량 데이터로부터 제3 기준 샘플의 후보 데이터 세트를 추출할 수 있고, 제3 기준 샘플의 후보 데이터 세트는 학습 데이터로 이용될 수 있다. 예시적으로, 제3 기준은 20mmHg 이상 및 200mmHg 이하일 수 있다.
APCO 장비를 이용하여 산출된 일회박출량은 동맥혈압 기반으로 산출되는 정보이기 때문에, 기록된 동맥혈압의 값이 동맥 내에 거치되지 않은 상태로 기록되었거나 동맥 내관 플러쉬(flush)로 인한 artifact 로 인한 값일 수 있으므로, 제3 기준에 따른 선별은 이를 방지하기 위함이다.
본 발명의 일 실시예에 따른 심박출량 계산 장치(100, 도 1)(또는, 프로세서(14, 도 1))는 전처리된 생체 신호 데이터로부터 제2 생체 신호 데이터를 추출할 수 있다(S506).
본 발명의 일 실시예에 따른 심박출량 계산 장치(100, 도 1)(또는, 프로세서(14, 도 1))는 전처리된 광용적맥파의 파형으로부터 광용적맥파의 1차 미분 파형인 VPG(first derivative PPG) 파형, 광용적맥파의 2차 미분 파형인 APG(second derivative PPG) 파형을 추출하여, 심박출량 계산 시 2차 지표로써 활용할 수 있다. VPG 파형 및/또는 APG 파형은 '제2 생체 신호 데이터'로 지칭될 수 있다.
관련하여, 도 7은 광용적맥파 파형 및 광용적맥파 파형으로부터 추출한 2차 지표를 나타낸 그래프이다.
도 7을 참조하면, 광용적맥파(PPG) 파형(70), VPG 파형(72) 및 APG 파형(74)을 나타낸 그래프가 도시된다.
광용적맥파 파형의 최소-최대 정규화를 수행함으로써 부정확한 광용적맥파의 파형의 진폭에 대한 정보를 제거함에 따라 부족한 정보를 보완하기 위해, 본 발명의 일 실시예에 따른 심박출량 계산 장치(100, 도 1)(또는, 프로세서(14, 도 1))는 심박출량 계산 시 광용적맥파(PPG) 파형(70) 뿐만 아니라 VPG 파형(72) 및/또는 APG 파형(74)을 추가로 활용할 수 있다.
다시 도 5의 S506를 참조하면, 본 발명의 일 실시예에 따른 심박출량 계산 장치(100, 도 1)(또는, 프로세서(14, 도 1))는 전처리된 심전도 파형으로부터 PR interval, QRS duration, QRS amplitude, ST segment을 추출하여 심박출량 계산 시 2차 지표로서 활용할 수 있다.
관련하여, 도 7은 심전도 파형 및 심전도 파형으로부터 추출한 2차 지표를 나타낸 그래프이다.
도 7을 참조하면, 심전도 파형(800), PR interval, QRS duration, QRS amplitude, ST segment를 나타낸 그래프가 도시된다.
PR interval은 심전도 상에서 P파의 시작부터 QRS 복합체의 시작까지의 시간 간격으로 정의될 수 있으며, 심장에서 신경전달이 이루어지는 시간을 의미한다. QRS duration은 심전도 상에서 QRS 복합체가 나타나는데 걸리는 시간으로 정의될 수 있으며, 심장이 수축하는 시간을 의미한다. QRS amplitude는 QRS 복합체의 최대 양극성 차이를 나타내는 것으로, 심장에서 발생하는 전기적인 활동의 세기로 심장의 상태를 진단할 수 있다. ST segment는 QRS 복합체의 끝나는 점에서 T파의 시작점까지의 시간 간격으로 정의될 수 있으며, 심장의 수축과 이완 사이에서 발생하는 양극성 변화로 심장의 상태를 진단할 수 있다.
본 발명의 일 실시예에 따른 심박출량 계산 장치(100, 도 1)(또는, 프로세서(14, 도 1))는 심박출량 계산 시 심전도 파형(800) 뿐만 아니라 PR interval, QRS duration, QRS amplitude, ST segment를 추가로 활용할 수 있다. 예를 들어, 심박출량 계산 모델(16, 도 1)은 ECG로부터 추출된 2차 지표를 이용하여 심장 수축의 특성들을 학습할 수 있다.
다시 도 5의 S506를 참조하면, 본 발명의 일 실시예에 따른 심박출량 계산 장치(100, 도 1)(또는, 프로세서(14, 도 1))는 전처리된 심전도 파형 및 광용적맥파로부터 PTT(Pulse Transit Time)를 추출하여 심박출량 계산 시 2차 지표로서 활용할 수 있다.
관련하여, 도 9는 심전도 파형 및 광용적맥파 파형으로부터 추출한 2차 지표를 나타낸 그래프이다.
도 9를 참조하면, 심전도 파형(ECG), 광용적맥파 파형(PPG), PTT(90)를 나타낸 그래프가 도시된다.
PTT(Pulse Transit Time)는 QRS 복합체의 최고점과 손가락 끝에서 측정한 PPG 파형의 일정한 기준점까지의 시간으로 정의될 수 있다. PTT는 맥박의 발생, 즉, 심장에서부터 혈액이 심장에서 수축되어 말초부위의 혈관 측정 부분까지 전달되는 시간으로 해석될 수 있다. PTT는 보다 효율적으로 혈압을 분석 및 평가하기 위해 사용되는 지표로, 혈관의 탄성도를 나타내는 지표로 사용될 수 있다.
본 발명의 일 실시예에 따른 심박출량 계산 장치(100, 도 1)(또는, 프로세서(14, 도 1))는 심박출량 계산 시 심전도 파형(ECG), 광용적맥파 파형(PPG) 뿐만 아니라 PTT(90)를 추가로 활용할 수 있다.
다시 도 5를 참조하면, 본 발명의 일 실시예에 따른 심박출량 계산 장치(100, 도 1)(또는, 프로세서(14, 도 1))는 제1 생체 신호 데이터 및 제2 생체 신호 데이터를 입력으로 하여 일회박출량을 출력하도록 구성된 딥러닝 모델을 이용하여, 일회박출량을 추론할 수 있다(S508).
심박출량 계산 장치(100, 도 1)의 프로세서(14, 도 1)는 특정 환자에 대한 심전도 파형, 광용적맥파 파형, 심전도 파형 및/또는 광용적맥파 파형으로부터 추출한 2차 지표들, 일회박출량 정보, 나이, 성별, 키 몸무게를 포함하는 인구통계학 정보를 매칭시켜 저장할 수 있다. 저장된 상술한 데이터들은 학습데이터로 사용될 수 있다.
심박출량 계산 장치(100, 도 1)의 프로세서(14, 도 1)는 심박출량 계산 모델(16, 도 1)을 학습시킬 수 있다. 심박출량 계산 모델(16, 도 1)은 다양한 특징(feature)들을 추출하고 조합하여 획득한 가중치(Weight) 값을 갖는 딥러닝 모델일 수 있다.
심박출량 계산 장치(100, 도 1)의 프로세서(14, 도 1)는 학습 데이터를 스무딩 처리할 수 있다. 스무딩된 학습 데이터는 심박출량 계산 모델(16, 도 1)에 입력될 수 있고, 심박출량 계산 모델(16, 도 1)은 다양한 특징들을 추출하고 조합하여 가중치를 업데이트하는 방식으로 학습될 수 있다.
심박출량 계산 장치(100, 도 1)(또는, 프로세서(14, 도 1))는 심전도 및 광용적맥파를 포함하는 생체 데이터, 일회박출량 정보, 나이, 성별, 키 몸무게를 포함하는 인구통계학 정보 및 심박출량 계산 모델(16, 도 1)을 이용하여 특정 환자의 일회박출량을 추론할 수 있다.
도 10은 본 발명의 일 실시예에 따른 심박출량 계산 모델의 아키텍쳐를 나타내는 블록도이다.
도1 및 도 10을 참조하면, 심박출량 계산 모델(1000)은 도 1의 심박출량 계산 모델(16)에 적용될 수 있다.
도 10을 참조하면, 심박출량 계산 모델(1000)의 입력 데이터는 심전도의 파형, 광용적맥파의 파형, VPG 파형, APG 파형을 포함하는 생체 신호 데이터(Bio signal)(1002), 나이, 성별, 키 몸무게를 포함하는 인구통계학 데이터(Demographics)(1004)를 포함할 수 있다.
심박출량 계산 모델(1000)에 입력되는 생체 신호 데이터(Bio signal)(1002)는 소정의 기간으로 슬라이싱된 컨티뉴어스 데이터일 수 있다. 소정의 기간은 '슬라이딩 윈도우'로 지칭될 수 있다. 환자의 심전도 파형 및/또는 광용적맥파 파형은 정해진 슬라이딩 윈도우(예. 20초) 만큼 슬라이딩하면서 심박출량 계산 모델(1000)에 입력될 수 있다.
심박출량 계산 모델(1000)의 입력 데이터는 심전도의 파형 및/또는 광용적맥파의 파형으로부터 추출된 데이터(Extracted Features)(1006)를 포함할 수 있다.
심전도의 파형 및/또는 광용적맥파의 파형으로부터 추출된 데이터(1006)는 심전도 파형으로부터 추출된 PR interval, QRS duration, QRS amplitude, ST segment와, 심전도 파형 및 광용적맥파 파형으로부터 추출된 PTT를 포함할 수 있다. 심박출량 계산 모델(1000)에 입력되는 심전도의 파형 및/또는 광용적맥파의 파형으로부터 추출된 데이터(1006)는 소정의 기간동안 계산된 값들의 평균일 수 있다. 예를 들면, 20초 또는 60초동안 계산된 PR interval, QRS duration, QRS amplitude, ST segment, PTT 값 각각의 평균 값이 심박출량 계산 모델(1000)에 입력될 수 있다.
심전도의 파형, 광용적맥파의 파형, VPG 파형, APG 파형을 포함하는 생체 신호 데이터(Bio signal)(1002)는 심박출량 계산 모델(1000) 학습을 위하여 정규화될 수 있다. 또한, 인구통계학 데이터(Demographics)(1004), 심전도의 파형 및/또는 광용적맥파의 파형으로부터 추출된 데이터(1006)는 심박출량 계산 모델(1000) 학습을 위하여 정규화될 수 있다. 따라서, 심박출량 계산 모델(1000)에는 생체 신호 데이터(Bio signal)(1002), 인구통계학 데이터(Demographics)(1004), 심전도의 파형 및/또는 광용적맥파의 파형으로부터 추출된 데이터(1006)가 정규화되어 입력될 수 있다.
본 발명의 일 실시예에 따른 심박출량 계산 모델(1000)은 고해상도의 생체 신호데이터(1002)를 사용하여 보다 정확한 심박출량 예측이 가능하도록 학습될 수 있다. 뿐만 아니라, 고해상도의 심전도 파형 및 광용적맥파 파형으로부터 심박출량과 관련된 2차 지표들(예. APG 파형, VPG 파형, PR interval, QRS duration, QRS amplitude, ST segment, PTT)을 추출하여 활용함으로써, 심박출량 계산 모델(1000)의 성능을 향상시킬 수 있다.
본 발명의 일 실시예에 따른 심박출량 계산 모델(1000)은 적어도 하나의 SE(Squeeze and Excitation) block 및 적어도 하나의 Residual block이 포함된 CNN(Convolution Neural Network) 구조를 가질 수 있다.
예를 들어, 심박출량 계산 모델(1000)은 SE-ResNet 구조의 컨볼루션 신경망을 포함할 수 있다.
ResNet은 레이어(layer)가 깊어지면서 발생할 수 있는 기울기값 소실 문제(vanishing gradient problem)를 각 레이어의 입력과 출력의 차이인 residual을 학습시킴으로써 해소한 알고리즘으로 정의될 수 있다. SE는 정보를 압축(Squeeze)하고 자극(Excitation)시키는 연산을 수행하는 모듈로 정의될 수 있다. SE는 각 레이어를 통과한 결과인 특성 맵의 채널 간 상호 의존성을 고려하여 각 채널의 중요도를 계산하고, 중요한 채널에 가중치를 부여함으로써 재보정(recalibration)하기 위함이다.
심박출량 계산 모델(1000)은 다수의 레이어를 거치면서 다양한 사이즈의 컨볼루션 필터를 사용하여 컨볼루션을 수행할 수 있고, 동시에 Residual learning이 수행될 수 있다. 또한, 심박출량 계산 모델(1000)은 압축(Squeeze) 연산으로 Max pooling 및/또는 GAP(Global Average Pooling)이 사용될 수 있다.
심박출량 계산 모델(1000)은 상술한 입력 데이터들(1002, 1004, 1006) 및 SE block 및 Residual block이 포함된 학습된 CNN 구조를 이용하여 특정 환자의 일회박출량을 추론할 수 있다. 심박출량 계산 모델(1000)의 출력 데이터(1008)는 일회박출량일 수 있다. 예시적으로, 심박출량 계산 모델(1000)은 일회박출량을 8초에 한 번씩 출력할 수 있다.
심박출량 계산 모델(1000)은 합성곱 신경망을 포함하는 어떠한 구조의 알고리즘도 해당될 수 있으며, 상술한 심박출량 계산 모델(1000)에 대한 실시 예에 의해 본 발명의 기술적 범위가 제한되거나 한정되는 것은 아니다.
본 개시의 일 실시예에 따르면, 심박출량 계산 모델(1000)의 개발 및 학습을 위해 사용된 데이터 세트는, 특정 병원에서의 3,970건의 수술 중 수집된 심전도 및 광용적맥파를 포함하는 생체 데이터, 일회박출량 정보, 나이, 성별, 키 몸무게를 포함하는 인구통계학 정보를 포함한다.
구체적으로, 특정 병원에서의 3,970건의 수술 중 Time series hold out 방법으로 수집된 데이터 세트는 학습 데이터 세트, 검증 데이터 세트 및 테스트 데이터 세트로 분할하였다. 학습 데이터 세트, 검증 데이터 세트 및 테스트 데이터 세트는 6:2:2의 비율로 구성하였다. 학습 데이터 세트는 2,777건의 수술 중 수집된 741,150개의 샘플들을 포함하며, 테스트 데이터 세트는 694건의 수술 중 수집된 196,686개의 샘플들을 포함한다.
심박출량 계산 모델에서 출력된 일회박출량(즉, 예측값)과 동맥혈압을 기초로 산출된 일회박출량(즉, 실제값)의 유효성을 평가하기 위해, 본 발명의 일 실시예에 따른 심박출량 계산 모델은 Percentage Error, MAPE(mean absolute percentage error), MAE(Mean Absolute error)가 사용되었다.
Percentage error는 실제값과 예측값 간의 차이의 변동이 받아들일만한 수준인지 평가하는 지표로 해석될 수 있다.
MAPE(평균절대비율 오차, Mean absolute percentage error)는 실제 값과 예측 값 간의 오차를 백분율로 계산하고 그에 대한 평균을 의미하며, MAE를 비율로 표현한 값이다. 예를 들어, 심박출량 계산 모델의 MAE 값이 12ml/beat인 경우, 해당 모델은 평균적으로 12ml/beat을 잘못 예측한 것을 의미한다.
MAE(평균절대오차, Mean absolute error)는 실제 값과 예측 값 간의 절대 오차의 평균을 의미한다. 예를 들어, 심박출량 계산 모델의 MAPE가 12%인 경우, 실제값과 예측값의 비율이 12%정도 차이나는 것을 의미한다.
Percentage Error, MAPE 및 MAE는 낮은 값일수록 좋은 성능을 나타낸다.
본 발명의 일 실시예에 따른 심박출량 계산 모델의 성능 평가 결과는 다음의 표 1과 같이 나타낼 수 있다.
Percentage error of 10min median (%)
(10min interval)		 Percentage Error (%) MAPE (%) MAE (ml/beat)
Result 37.6 41.5 16.1 12.2
표 1을 참조하면, 일회박출량은 실제로 자주 변하는 값이 아니기 때문에 10분 간격으로 측정된 예측값과 실제값에 median filter를 적용하여 percentage error를 계산하였고, percentage error는 37.6%로 측정되었다.도 11은 본 발명의 실시예에 따른 심박출량 계산 모델의 예측값과 실제값을 비교한 그래프들을 나타낸다.
도 11을 참조하면, 연속적인 심박출량에 대한 그래프들(1101, 1102, 1103) 및 10분 간격으로 측정된 심박출량에 대한 그래프들(1104, 1105, 1106)이 도시된다.
도 11을 참조하면, Scatter plot(1101, 1104), Bland-Altman plot(1102, 1105) 및 four quadrant plot(1103, 1106)의 형태로 실제값과 예측값의 각종 지표들을 비교하였다.
Scatter plot(1101, 1104)을 참조하면, 동맥혈압을 기초로 산출된 연속적인 심박출량(Target SV(mL))과 심박출량 계산 모델에서 출력된 심박출량(Predicted SV(mL))간에 선형 관계가 있음을 확인할 수 있다.
Bland-Altman plot(1102, 1105)을 참조하면, 대부분의 포인트들이 바이어스(bias) 주변에 위치하는 것을 확인할 수 있다.
Bland-Altman plot은 동일 대상에 대한 두 세트의 측정값(동맥혈압을 기초로 산출된 일회박출량 및 심박출량 계산 모델에서 출력된 일회박출량)에서 각 측정값의 짝마다 평균과의 차이(mean of and difference between each pair of measurements)를 계산하여 도시한 산점도로 정의할 수 있다. Bland-Altman plot의 x축은 평균(Average of Differences(mL)), y축은 차이(Diff.of Differences(mL))를 나타낸다.
Bland-Altman plot에는 x축과 평행한 세 개의 가로점선이 표시될 수 있으며, 불일치의 정도를 요약하는 값들로 해석될 수 있다. 세 개의 가로점선 중 상한선은 95% 일치한계 상한값, 중앙선은 평균과의 차이값, 하한선은 95% 일치한계 하한값을 나타낸다. 본 개시의 일 실시예에 따르면, Percentage Error는 아래의 수학식 1과 같이 계산될 수 있다.
[수학식 1]
Percentage Error = 100*((1.96*SD)/mean of Stroke volume)
10분 간격으로 측정된 심박출량에 대한 Four quadrant plot(1106)을 참조하면, 실제값과 예측값간의 일치율(Concordance rate)이 79.2%로, 양의 상관을 갖는 포인트의 비율이 높다는 것을 확인할 수 있다.
이상 첨부된 도면을 참조하여 본 발명의 일 실시예들을 더욱 상세하게 설명하였으나, 본 발명은 반드시 이러한 실시예로 국한되는 것은 아니고, 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형 실시될 수 있다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (14)

  1. 비침습적으로 심박출량을 계산하는 장치의 동작 방법으로서,
    사용자의 심전도 및 광용적맥파를 포함하는 제1 생체 신호 데이터를 수신하는 단계;
    심전도 및 광용적맥파를 입력으로 하여 일회박출량을 출력하도록 구성된 딥러닝 모델을 이용하여, 상기 사용자의 상기 제1 생체 신호 데이터를 기초로 상기 사용자의 일회박출량을 결정하는 단계;를 포함하는,
    비침습적으로 심박출량을 계산하는 장치의 동작 방법.
  2. 제1항에 있어서,
    상기 딥러닝 모델은 복수의 환자들에 대한 학습 데이터에 의해 학습되고,
    상기 복수의 환자들에 대한 상기 학습 데이터는,
    상기 광용적맥파의 1차 미분 파형인 VPG(first derivative PPG) 파형, 상기 광용적맥파의 2차 미분 파형인 APG(second derivative PPG) 파형을 포함하는,
    비침습적으로 심박출량을 계산하는 장치의 동작 방법.
  3. 제2항에 있어서,
    상기 복수의 환자들에 대한 상기 학습 데이터는,
    상기 복수의 환자들 각각의 상기 심전도로부터 추출된 PR interval, QRS duration, QRS amplitude, ST segment를 포함하는,
    비침습적으로 심박출량을 계산하는 장치의 동작 방법.
  4. 제3항에 있어서,
    상기 복수의 환자들에 대한 상기 학습 데이터는,
    상기 복수의 환자들 각각의 상기 심전도 및 상기 광용적맥파로부터 추출된 PTT(Pulse Transit Time)를 포함하는,
    비침습적으로 심박출량을 계산하는 장치의 동작 방법.
  5. 제4항에 있어서,
    상기 사용자의 인구통계학 정보 데이터를 수신하는 단계를 더 포함하고,
    상기 딥러닝 모델은, 상기 사용자의 상기 제1 생체 신호 데이터, 제2 생체 신호 데이터 및 상기 인구통계학 정보 데이터를 입력으로 하여 상기 사용자의 일회박출량을 결정하도록 구성되고,
    상기 인구통계학 정보 데이터는 상기 사용자의 나이, 성별, 키, 몸무게 중 적어도 하나를 포함하고,
    상기 제2 생체 신호 데이터는 상기 VPG 파형, 상기 APG 파형, 상기 PR interval, 상기 QRS duration, 상기 QRS amplitude, 상기 ST segment, 상기 PTT를 포함하는,
    비침습적으로 심박출량을 계산하는 장치의 동작 방법.
  6. 비침습적으로 심박출량을 계산하는 장치로서,
    메모리;
    심전도와 광용적맥파를 포함하는 제1 생체 신호 데이터, 인구통계학 정보 데이터 중 적어도 하나를 수신하는 트랜시버; 및
    딥러닝 모델을 포함하는 프로세서;를 포함하고,
    상기 프로세서는,
    상기 제1 생체 신호 데이터를 전처리하고, 전처리된 상기 생체 신호 데이터로부터 제2 생체 신호 데이터를 추출하고, 상기 제1 생체 신호 데이터 및 상기 제2 생체 신호 데이터를 입력으로 하여 일회박출량을 출력하도록 구성된 딥러닝 모델을 이용하여 일회박출량을 추론하도록 구성되는,
    비침습적으로 심박출량을 계산하는 장치.
  7. 제6항에 있어서,
    상기 프로세서는,
    상기 제1 생체 신호 데이터를 소정의 길이로 슬라이싱하고, 슬라이싱된 상기 제1 생체 신호 데이터로부터 샘플링 데이터를 추출하고, 상기 제1 생체 신호 데이터의 노이즈 데이터를 제거하도록 추가로 구성되는,
    비침습적으로 심박출량을 계산하는 장치.
  8. 제7항에 있어서,
    상기 제2 생체 신호 데이터는,
    상기 광용적맥파의 1차 미분 파형인 VPG(first derivative PPG) 파형, 상기 광용적맥파의 2차 미분 파형인 APG(second derivative PPG) 파형과,
    상기 심전도로부터 추출된 PR interval, QRS duration, QRS amplitude, ST segment와,
    상기 심전도 및 상기 광용적맥파로부터 추출된 PTT(Pulse Transit Time) 중 적어도 하나를 포함하는,
    비침습적으로 심박출량을 계산하는 장치.
  9. 제8항에 있어서,
    상기 프로세서는,
    상기 광용적맥파의 최소-최대 정규화를 수행하고,
    상기 광용적맥파의 상기 VPG 파형 및 상기 APG 파형을 추출하도록 추가로 구성되며,
    상기 VPG 파형 및 상기 APG 파형은 상기 소정의 길이를 갖는 시계열 데이터의 형태로 상기 딥러닝 모델에 입력되는,
    비침습적으로 심박출량을 계산하는 장치.
  10. 제8항에 있어서,
    상기 PR interval, 상기 QRS duration, 상기 QRS amplitude, 상기 ST segment 및 상기 PTT는,
    상기 소정의 길이에 대응하는 시간 동안, 복수 회 측정된 각각의 값의 평균으로 상기 딥러닝 모델에 입력되는,
    비침습적으로 심박출량을 계산하는 장치.
  11. 제6항에 있어서,
    상기 학습 데이터는,
    복수의 환자들의 상기 제1 생체 신호 데이터, 상기 제2 생체 신호 데이터, 일회박출량 데이터, 상기 인구통계학 정보 데이터를 포함하고,
    상기 인구통계학 정보 데이터는 나이, 성별, 키, 몸무게 중 적어도 하나를 포함하는,
    비침습적으로 심박출량을 계산하는 장치.
  12. 제11항에 있어서,
    상기 메모리는,
    상기 복수의 환자들 각각에 대해 매칭된 상기 학습 데이터의 세트를 저장하도록 구성되는,
    비침습적으로 심박출량을 계산하는 장치.
  13. 제6항에 있어서,
    상기 딥러닝 모델은,
    적어도 하나의 SE(Squeeze and Excitation) block 및 적어도 하나의 Residual block이 포함된 CNN(convolution Neural Network) 구조를 갖는,
    비침습적으로 심박출량을 계산하는 장치.
  14. 제6항에 있어서,
    t초 (t는 양의 정수)에서부터 (t+n)초 (n은 양의 정수)까지의 기간에 대응되는 사용자의 상기 제1 생체 신호 데이터 및 상기 제2 생체 신호 데이터를 수신하도록 추가로 구성되는 상기 트랜시버; 및
    상기 딥러닝 모델을 이용하여 상기 (t+n)초에서의 상기 사용자의 상기 일회박출량을 계산하도록 추가로 구성되는 상기 프로세서;를 포함하는,
    비침습적으로 심박출량을 계산하는 장치.
PCT/KR2023/019829 2023-06-14 2023-12-04 비침습적으로 심박출량을 계산하는 장치 및 이의 동작 방법 Ceased WO2024257970A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
EP23941751.2A EP4728980A1 (en) 2023-06-14 2023-12-04 Device for non-invasively calculating cardiac output and operating method therefor

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020230076053A KR102893266B1 (ko) 2023-06-14 2023-06-14 비침습적으로 심박출량을 계산하는 장치 및 이의 동작 방법
KR10-2023-0076053 2023-06-14

Publications (1)

Publication Number Publication Date
WO2024257970A1 true WO2024257970A1 (ko) 2024-12-19

Family

ID=93852053

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/019829 Ceased WO2024257970A1 (ko) 2023-06-14 2023-12-04 비침습적으로 심박출량을 계산하는 장치 및 이의 동작 방법

Country Status (3)

Country Link
EP (1) EP4728980A1 (ko)
KR (1) KR102893266B1 (ko)
WO (1) WO2024257970A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119700065A (zh) * 2025-02-25 2025-03-28 北京航空航天大学 一种动态无创心输出量监测系统和方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130107066A (ko) * 2012-03-21 2013-10-01 주식회사 누가의료기 양손을 이용한 혈관 및 심폐기능 평가를 위한 생체 계측 시스템
US20170049391A1 (en) * 2005-04-25 2017-02-23 University Of Florida Research Foundation, Inc. Monitoring Asthma And Other Respiratory Disorders With Calibrated Photoplethysmography Devices And Methods Of Using The Same
WO2017032873A2 (en) * 2015-08-26 2017-03-02 Resmed Sensor Technologies Limited Systems and methods for monitoring and management of chronic desease
KR20180040400A (ko) * 2016-10-12 2018-04-20 삼성전자주식회사 생체정보 추정 장치 및 방법
KR20210003606A (ko) * 2019-07-02 2021-01-12 울산대학교 산학협력단 심박출량 추정 방법 및 장치

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100820159B1 (ko) * 2005-11-29 2008-04-10 엘지전자 주식회사 혈압측정 방법 및 장치
KR102608633B1 (ko) * 2018-02-08 2023-12-04 삼성전자주식회사 전자 장치 및 그 제어 방법
KR102362454B1 (ko) * 2020-06-12 2022-02-15 (주)이튜 다중 생체신호를 이용한 혈압 측정 장치 및 이를 이용한 헬스케어 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170049391A1 (en) * 2005-04-25 2017-02-23 University Of Florida Research Foundation, Inc. Monitoring Asthma And Other Respiratory Disorders With Calibrated Photoplethysmography Devices And Methods Of Using The Same
KR20130107066A (ko) * 2012-03-21 2013-10-01 주식회사 누가의료기 양손을 이용한 혈관 및 심폐기능 평가를 위한 생체 계측 시스템
WO2017032873A2 (en) * 2015-08-26 2017-03-02 Resmed Sensor Technologies Limited Systems and methods for monitoring and management of chronic desease
KR20180040400A (ko) * 2016-10-12 2018-04-20 삼성전자주식회사 생체정보 추정 장치 및 방법
KR20210003606A (ko) * 2019-07-02 2021-01-12 울산대학교 산학협력단 심박출량 추정 방법 및 장치

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
NUS-NUH-MIT DATATHON SG: "SHADE'22 - Datathon [First Runner-Up] [Non-Invasive Prediction of Cardiac Output]", XP093254702, Retrieved from the Internet <URL:https://www.youtube.com/watch?v=quzvUkVAxBM> *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119700065A (zh) * 2025-02-25 2025-03-28 北京航空航天大学 一种动态无创心输出量监测系统和方法

Also Published As

Publication number Publication date
EP4728980A1 (en) 2026-04-22
KR20240175849A (ko) 2024-12-23
KR102893266B1 (ko) 2025-12-01

Similar Documents

Publication Publication Date Title
JP6121177B2 (ja) ソースビデオ画像から動脈拍動経過時間を導出すること
EP2698112B1 (en) Real-time stress determination of an individual
WO2022146057A1 (ko) 전기적 바이오 시그널 데이터를 수치 벡터로 변환하는 방법 및 장치, 이를 이용하여 질병을 분석하는 방법 및 장치
WO2022019402A1 (ko) 시계열 생체 신호 기반의 인공신경망 모델 학습 컴퓨터 프로그램 및 방법
US20230027982A1 (en) Regularized multiple-input pain assessment and trend
WO2024257970A1 (ko) 비침습적으로 심박출량을 계산하는 장치 및 이의 동작 방법
WO2023038254A1 (ko) 기계학습을 이용한 비침습적 당화혈색소 또는 혈당 추정 방법 및 장치
WO2021153863A1 (ko) 신체의 목적 타겟 위치 확인 방법
Yang et al. Non-invasive cuff-less blood pressure machine learning algorithm using photoplethysmography and prior physiological data
Dasari et al. Video-based estimation of blood pressure
WO2014112824A1 (ko) 생체 정보 측정 장치 및 생체 정보 측정 방법
US11432779B2 (en) Method and device for capacitive touch panel based biosignal measurement
US12591969B2 (en) Medical information processing apparatus, method and non-transitory computer-readable storage medium to acquire biometric data regarding skin image and to continuously monitor internal body component without using special equipment
Wuerich et al. Cuffless Beat-to-Beat Blood Pressure Estimation from Photoplethysmogram Signals
Mansourinezhad et al. Blood pressure estimation using a PPG signal recorded from the fingertip of a hand moving in the sagittal plane
WO2024191111A1 (ko) Ai 로봇 메디컬 핸드 장치 및 이를 이용한 자가 검사 방법
WO2023080697A1 (ko) 심장 신호 분할 방법 및 이를 이용한 심장 신호 분할용 디바이스
WO2024191190A1 (ko) 신경망 모델에 기반하여 노이즈를 포함한 심전도 신호를 선별하는 방법, 프로그램 및 장치
WO2018168804A1 (ja) 血圧関連情報表示装置および方法
KR101861741B1 (ko) 맥파를 이용한 환자 병명 진단장치 및 방법
CN113993459A (zh) 对对象的身体的部分的麻痹、无力和/或麻木的检测
Ahamad Python and Photoplethysmogram-Based Signal Processing Technique for Heart Rate Estimation, HRV Analysis and Other Relevant Processing of ECG and PPG Signals
Ismail Internet of medical things (IoMT) for patient healthcare monitoring system
KR20220129283A (ko) 인공지능 알고리즘 기반의 생체신호 비정상 측정상태 알림 시스템 및 방법
Koshimizu et al. Artificial Intelligence and Hypertension Management

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: 23941751

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2023941751

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2023941751

Country of ref document: EP

Effective date: 20260114

ENP Entry into the national phase

Ref document number: 2023941751

Country of ref document: EP

Effective date: 20260114

ENP Entry into the national phase

Ref document number: 2023941751

Country of ref document: EP

Effective date: 20260114

ENP Entry into the national phase

Ref document number: 2023941751

Country of ref document: EP

Effective date: 20260114

WWP Wipo information: published in national office

Ref document number: 2023941751

Country of ref document: EP