KR102008196B1 - 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치 및 그 방법 - Google Patents

Abstract

심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치 및 그 방법을 개시한다. 본 발명의 일 실시예에 따른 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치는, 칼륨농도가 맵핑된 복수의 심전도 데이터 각각을 기 설정된 길이로 분할하고, 상기 분할된 각 심전도 데이터를 최소-최대 정규화하여 트레이닝 데이터 세트를 생성하는 전처리기, 각 트레이닝 데이터에서 특징점을 추출하고, 상기 추출된 특징점을 시계열적으로 분석하여 칼륨농도 예측모델을 생성하는 예측모델 생성기를 포함한다.

Description

심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치 및 그 방법{Apparatus for generating of Potassium level determination model using ECG and method thereof}

본 발명은 심전도(ECG) 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치 및 그 방법에 관한 것으로, 특히 칼륨농도가 맵핑된 복수의 심전도 데이터를 이용하여 트레이닝 데이터 세트를 생성하고, 딥러닝 기반으로 칼륨농도 예측모델을 생성하는 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치 및 그 방법에 관한 것이다.

고칼륨혈증(Hyperkalemia)은 치명적인 심장 부정맥으로 이어질 수 있는 전해질 변위이다. 고칼륨혈증의 적절한 관리는 당뇨병, 관상 동맥 질환, 만성 신장 질환 등과 같은 고칼륨혈증 관련 질병 발생의 증가로 인해 더욱 중요해지고 있다. 고칼륨혈증과 저칼륨혈증 또는 칼륨 수치의 변동은 모두 사망 위험 증가 및 생명을 위협하는 부정맥과 관련이 있다. 신장 질환이나 심장 질환이 있는 환자에서 이환율, 입원 및 사망은 칼륨 수치의 완만한 변화를 따를 수 있다.

한편, 체내 칼륨 농도를 측정하기 위해서는 혈액 샘플링이라는 침습적인 방법을 이용한다. 그렇기 때문에 고칼륨혈증 같은 칼륨 관련 질환을 앓고 있는 환자들이 칼륨농도를 측정하기 위해서는 병원을 방문하여 검사받아야 한다. 그러나, 치명적인 영향을 줄 수 있는 체내 칼륨농도는 상시적인 관리가 필요하지만 매번 병원 방문을 통한 측정은 병원과 환자 모두에게 불편한 일이며, 이로 인해 관리하기도 쉽지 않은 상황이다.

이에 비침습적인 방법으로 심전도를 이용하여 체내 칼륨 농도를 예측하고자 하는 시도가 있었다. 심전도를 이용하는 경우 심전도 파형에서 크고 좁은 T파, 평평한 P파, 전도장애, 심실세동 등의 특이점을 찾아내어 칼륨농도를 예측하였다.

기존에는 칼륨농도를 예측하기 위해 휴리스틱 모델을 이용하였는데, 이러한 휴리스틱 모델을 사용하거나 구축하려면 원시 ECG 신호 데이터에서 특징점을 추출하기 위해 문제에 대한 사전 지식과 복잡한 데이터의 전처리를 위한 파이프라인이 필요하다.

그러나, 종래의 휴리스틱한 모델은 심전도의 특징점을 찾기 위한 분석파이프라인을 구성하기 쉽지 않은 문제가 있었다. 또한 특징점을 찾더라도, 목적에 맞는 특징점을 찾아낸 것인지 확실하게 판단내릴 수 없는 문제가 있었다.

따라서, 침습적인 방법 없이 심전도 데이터를 이용하여 체내 칼륨농도를 측정할 수 있고, 인위적으로 특징점을 설정하지 않으면서 특징점을 스스로 찾을 수 있는 파이프라인에 대한 기술 개발이 요구되고 있다.

이에 관련하여, 발명의 명칭이 "심전도 신호를 이용한 인증 장치 및 방법"인 한국공개특허 제 10-2017-0091318호가 존재한다.

본 발명이 해결하고자 하는 기술적 과제는 침습적인 방법없이 체내 칼륨농도를 측정할 수 있도록 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치 및 그 방법을 제공하는데 있다.

본 발명의 해결하고자 하는 다른 기술적 과제는 심전도 데이터만으로 칼륨농도를 예측함으로써 칼륨관련 질환을 앓고 있는 환자들이 장소와 시간의 제약없이 체내 칼륨농도를 측정할 수 있는 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치 및 그 방법을 제공하는데 있다.

본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

상기 기술적 과제를 해결하기 위한 본 발명의 일 실시예에 따른 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치는, 칼륨농도가 맵핑된 복수의 심전도 데이터 각각을 기 설정된 길이로 분할하고, 상기 분할된 각 심전도 데이터를 최소-최대 정규화하여 트레이닝 데이터 세트를 생성하는 전처리기, 각 트레이닝 데이터에서 특징점을 추출하고, 상기 추출된 특징점을 시계열적으로 분석하여 칼륨농도 예측모델을 생성하는 예측모델 생성기를 포함한다.

바람직하게는, 상기 전처리기는, 실시간으로 측정되는 복수 사용자의 심전도 데이터를 기 설정된 일정 속도로 수집하는 수집부, 상기 수집된 각 심전도 데이터를 동일 시간대의 칼륨농도와 각각 맵핑하는 맵핑부, 상기 칼륨농도가 맵핑된 심전도 데이터들중에서 노이즈 데이터를 제거하는 필터링부. 상기 노이즈 데이터가 제거된 심전도 데이터들을 적어도 하나 이상의 박동(beat)을 포함하는 길이 단위로 분할하는 분할부, 상기 분할된 각 심전도 데이터를 기 설정된 최소값과 최대값 사이의 값이 되도록 정규화하는 정규화부, 상기 정규화된 심전도 데이터중 일부를 트레이닝 데이터 세트로 분류하는 분류부를 포함할 수 있다.

바람직하게는, 상기 전처리기는 칼륨농도가 일정 개수의 범주로 나누어진 카테고리에 기초하여, 각 트레이닝 데이터와 매핑된 칼륨농도에 따라 해당 트레이닝 데이터의 카테고리를 분류하고, 상기 분류된 각 카테고리별로 심전도 데이터를 샘플링하여 칼륨농도를 균형있게 분포시키는 밸런싱 처리부를 더 포함할 수 있다.

바람직하게는, 상기 수집부에서 수집된 심전도 데이터는 ECG lead II signals 데이터일 수 있다.

바람직하게는, 상기 정규화부는, 상기 분할된 심전도 데이터들중에서 outlier에 해당하는 심전도 데이터를 제외할 수 있다.

바람직하게는, 상기 예측모델 생성기는, 각 트레이닝 데이터에서 특징점을 추출하는 적어도 하나 이상의 CNN(Convolution Neural Network) 층, 상기 CNN층으로부터 추출된 특징점을 순차적으로 입력받아 칼륨농도를 산출하는 RNN(Recurrent Neural Network) 층으로 구성될 수 있다.

바람직하게는, 상기 예측모델 생성장치는 손실함수를 이용하여 상기 칼륨농도 예측모델의 학습의 정도를 평가하고, 오차역전법으로 상기 칼륨농도 예측모델을 학습시키는 학습 평가기를 더 포함할 수 있다.

상기 기술적 과제를 해결하기 위한 본 발명의 다른 실시예에 따른 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성방법은, 전처리기가 칼륨농도가 맵핑된 복수의 심전도 데이터 각각을 기 설정된 길이로 분할하고, 상기 분할된 각 심전도 데이터를 최소-최대 정규화하여 트레이닝 데이터 세트를 생성하는 단계, 예측모델 생성기가 각 트레이닝 데이터에서 특징점을 추출하고, 상기 추출된 특징점을 시계열적으로 분석하여 칼륨농도 예측모델을 생성하는 단계를 포함한다.

바람직하게는, 상기 트레이닝 데이터 세트를 생성하는 단계 이후, 상기 전처리기는, 칼륨농도가 일정 개수의 범주로 나누어진 카테고리에 기초하여, 각 트레이닝 데이터와 매핑된 칼륨농도에 따라 해당 트레이닝 데이터의 카테고리를 분류하고, 상기 분류된 각 카테고리별로 심전도 데이터를 샘플링하여 칼륨농도를 균형있게 분포시키는 단계를 더 포함할 수 있다.

바람직하게는, 상기 칼륨농도 예측모델은, 각 트레이닝 데이터에서 특징점을 추출하는 적어도 하나 이상의 CNN(Convolution Neural Network) 층, 상기 CNN층으로부터 추출된 특징점을 순차적으로 입력받아 칼륨농도를 산출하는 RNN(Recurrent Neural Network) 층으로 구성될 수 있다.

바람직하게는, 상기 칼륨농도 예측모델을 생성하는 단계 이후, 학습 평가기는, 손실함수를 이용하여 상기 칼륨농도 예측모델의 학습의 정도를 평가하고, 오차역전법으로 상기 칼륨농도 예측모델을 학습시키는 단계를 더 포함할 수 있다.

본 발명에 따르면, ECG(electrocardiogram) 데이터만으로 칼륨농도를 예측함으로써 칼륨관련 질환을 앓고 있는 환자들이 장소와 시간의 제약없이 체내 칼륨농도를 측정할 수 있다.

또한, 본 발명에 따르면, 혈액 샘플링없이 혈청 칼륨농도 수치에 대한 정보를 지속적으로 제공할 수 있으므로, 이로 인해 환자의 자가 모니터링에 기여할 수 있다.

또한, 본 발명에 따르면, 칼륨농도 예측모델을 이용하여 환자의 상시적인 칼륨농도 모니터링이 가능하므로, 환자들이 체내의 칼륨농도 관리를 쉽게 할 수 있고, 병원 또한 용이하게 환자를 관리할 수 있다.

본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명의 일 실시예에 따른 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치를 설명하기 위한 도면이다.
도 2는 심장이 1회 박동(Beat)시 심전도 데이터 파형에 대한 전기신호 세기의 변화를 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른 칼륨농도 예측모델의 구성을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 심전도 데이터를 이용하여 칼륨농도 예측모델을 생성하는 방법을 나타낸 순서도이다.
도 5는 본 발명의 일 실시예에 따른 예측모델 생성장치가 트레이닝 데이터 세트를 생성하는 방법을 나타낸 순서도이다.
도 6은 본 발명의 일 실시예에 따른 모델 학습과 최종 모델의 성능을 나타낸 그래프이다.
도 7은 최소-최대 정규화를 수행하지 않은 트레이닝 데이터 세트를 이용하여 생성한 예측모델의 성능을 나타낸 그래프이다.
도 8은 본 발명의 일 실시예에 따른 혈청 칼륨 농도에 따른 MSE를 나타낸 그래프이다.
도 9는 본 발명의 일 실시예에 따른 칼륨농도 추정을 위한 ECG 패턴을 나타낸 그래프이다.
도 10은 본 발명의 일 실시예에 따른 칼륨농도 모니터링 장치를 설명하기 위한 도면이다.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.

제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이하에서는 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.

도 1은 본 발명의 일 실시예에 따른 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치를 설명하기 위한 도면이다. 도 2는 심장이 1회 박동(Beat)시 심전도 데이터 파형에 대한 전기신호 세기의 변화를 나타낸 도면, 도 3은 본 발명의 일 실시예에 따른 칼륨농도 예측모델의 구성을 설명하기 위한 도면이다.

도 1을 참조하면, 본 발명의 일 실시예에 따른 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치(100)는 전처리기(110), 예측모델 생성기(120)를 포함한다.

전처리기(110)는 칼륨농도수치가 매칭된 복수 사용자의 심전도 데이터 각각을 기 설정된 길이로 분할하고, 분할된 각 심전도 데이터를 최소-최대 정규화하여 트레이닝 데이터 세트를 생성한다.

이러한 전처리기(110)는 수집부(111), 맵핑부(112), 필터링부(113), 분할부(114), 정규화부(115), 분류부(116)를 포함한다.

수집부(111)는 실시간으로 측정되는 복수 사용자의 심전도 데이터를 기 설정된 일정 속도로 수집한다. 즉, 수집부(111)는 생체신호 전용 수집기기를 통해 일정 샘플링 속도(예컨대, 250Hz)로 심전도 데이터를 수집할 수 있다.

심전도 데이터는 심전도 측정장치(미도시)에 의해 측정되며, 신체에 부착되는 전극 수에 따라 다수의 측정 채널을 통해 복수의 심전도 데이터가 측정될 수 있고, 측정된 심전도 데이터는 V3, V4, V5, All ECG(electrocardiogram) lead II signals 데이터 등을 포함할 수 있다. 따라서, 수집부(111)는 다양한 심전도 데이터들 중 적어도 하나 이상의 심전도 데이터를 수집할 수 있으나, 본 발명의 실시예에서는 All ECG lead II signals 데이터를 이용하나, 이에 제한되지 않는다.

수집부(111)는 일정 시간 단위(예컨대 10초 단위)로 심전도 데이터를 저장하고, 그 중에 칼륨농도수치가 매칭된 심전도 데이터가 분석에 이용될 수 있다.

맵핑부(112)는 수집된 복수의 심전도 데이터를 칼륨농도와 맵핑한다. 즉, 맵핑부(112)는 연속적으로 수집되는 심전도 데이터와 불연속적으로 수집되는 칼륨농도를 칼륨 측정 시간대에 맞춰 맵핑한다. 예를 들어, 칼륨농도를 2017년 1월 10일 20:34:20에 측정했다면, 당시 분을 기준으로 2017년 1월 10일 20:30:00에서 20:40:00 사이에 수집된 심전도 데이터에 그 칼륨농도를 맵핑한다.

필터링부(113)는 칼륨농도가 맵핑된 심전도 데이터들 중에서 노이즈로 인해 해석이 불가능한 심전도 데이터를 노이즈 데이터로 제거한다. 즉, 노이즈로 인해 해석 불가능한 심전도 데이터는 주로 근육 인공물이거나 시스템 생성에 무의미한 신호이므로 제거할 필요가 있다. 이에, 필터링부(113)는 기계학습, 딥러닝 등을 기반으로 기 설정된 노이즈 제거 모델을 이용하여 심전도 데이터들 중에서 노이즈 데이터를 제거할 수 있다. 노이즈 제거 모델에는 노이즈 데이터에 대한 특징이 설정되어 있으므로, 필터링부는 노이즈 제거 모델을 이용하여 노이즈 데이터를 판별할 수 있고, 판별된 노이즈 데이터를 제거할 수 있다.

또한, 심전도 데이터에는 잡음, 베이스라인 완더링(baseline wandering) 등의 측정을 부정확하게 하는 요소들이 포함될 수 있으므로, 필터링부(113)를 통해 잡음, 베이스라인 완더링 등의 측정을 부정확하게 하는 요소들을 제거할 수도 있다.

분할부(114)는 노이즈 데이터가 제거된 심전도 데이터들을 적어도 하나 이상의 박동(beat)를 포함하는 길이 단위로 분할한다.

한 박동의 심전도 데이터 파형은 도 2에 도시된 바와 같이, P파(wave), QRS파, T파, U파를 포함하며, PR 간격(interval), QT 간격, ST 세그먼트(segment) 등의 요소를 포함하고, X 축은 시간 축(second)를 나타내며, Y 축은 심전도 신호의 진폭(mV)를 나타낼 수 있다. P파는 동방결절로부터 나온 충격이 심방으로 퍼져 발생하는 심방의 탈분극에 관련된 시그널(signal)이다. QRS파는 Q, R, S 세개의 파를 포함하고 있으며, 심실의 탈분극에 관련된 시그널이다. 심실은 심방처럼 아주 빠르게 탈분극을 일으키는데, 그 이유는 히스 푸르킨계에서 심방전도계보다 훨씬 더 빠르기 때문이다. T파는 심실의 재분극에 관련된 시그널로, 높이와 폭이 일정하지 않다. U파는 심실의 재분극 마지막 단계에서 나타나는 느린파로, 베이스 라인(baseline)에서 점차적으로 또는 갑자기 시작되거나, T파 후반 경사 부위에서 시작된다. PR 간격은 심방의 탈분극 초기에서 심실의 탈분극 초기 시간까지의 간격이다. QT 간격은 처음 심실 탈분극에서 마지막 심실 재분극까지의 간격이다. ST 세그먼트는 좌,우 심실의 초기 재분극 상태, 즉 심실 근육이 모두 탈분극된 상태를 나타낸다. ST 세그먼트는 심실 근육이 모두 탈분극된 상태이므로, 이 전압이 베이스 라인에 있지 않다는 것은 모든 심실근 세포가 동시에 탈분극되지 않다는 것을 의미하며, 심근 경색과 같은 병리적인 현상을 의미한다.

살핀바와 같이 한 박동의 심전도 데이터는 P파(wave), QRS파, T파, U파를 포함하며, PR 간격(interval), QT 간격, ST 세그먼트(segment) 등의 요소를 포함하므로, 심전도 데이터를 분석하기 위해서는 적어도 하나의 박동이 있어야 한다. 따라서, 분할부(114_는 노이즈 데이터가 제거된 심전도 데이터들을 적어도 하나 이상의 박동(beat)을 포함하는 길이 단위로 분할한다. 예컨대, 적어도 하나 이상의 박동을 포함하도록 2초 단위로 심전도 데이터를 분할 수 있다.

정규화부(115)는 분할부(114)에서 분할된 각 심전도 데이터에 대해 최소-최대 정규화를 수행한다. 즉, 정규화부(115)는 각 심전도 데이터가 최소값과 최대값 사이의 값이 되도록 Min-Max normalization를 수행한다. 예컨대, 정규화부(115)는 최소값을 '0', 최대값을 '1'로 하여 정규화할 수 있고, 이때 정규화된 데이터는 0~1까지의 값을 가질 수 있다.

분할부(114)에서 분할된 각 심전도 데이터는 서로 다른 사용자로부터 측정된 데이터이므로 다양한 스케일을 가지고 있으며, 이로 인해 평균 및 편차가 다 달라 값을 비교하기 어려울 수 있다. 이때 정규화를 수행하면, 각 심전도 데이터는 스케일이 동일한 데이터로 가공될 수 있고, 각 심전도 데이터의 스케일이 같아지기 때문에 심전도 데이터 특성을 쉽게 비교할 수 있다. 이처럼, 정규화는 스케일을 똑같이 분포시키는 것을 의미한다.

따라서, 정규화부(115)는 아래 기재된 수학식 1을 이용하여 최대-최소 정규화(min-max normalization)를 수행한다.

즉, 정규화부(115)는 시계열 데이터의 최대값과 최소값을 알고 있으면 입력으로 들어온 현재 값을 가지고 정규화시켜 새로운 값으로 바로 연산할 수 있다.

한편, 정규화부(115)는 분할부(114)에서 분할된 심전도 데이터를 정규화하기 전에, outlier에 해당하는 심전도 데이터를 제외시킬 수 있다. 즉, 사용자마다 심전도 데이터는 다르므로, outlier의 심전도 데이터가 존재할 수 있다. Outlier의 심전도 데이터는 데이터 분석 결과에 오류를 발생시킬 수 있으므로, 이러한 outlier의 심전도 데이터를 데이터를 제거하여 트레이닝 데이터 세트를 생성할 수 있다.

상술한 바와 같이 분할부(116)에서 분할된 심전도 데이터들은 최소 최대 정규화에 의해 표준화될 수 있다. 이렇게 표준화된 데이터를 이용하여 예측모델을 생성하면, 최소-최대 정규화를 수행하지 않은 심전도 데이터를 이용하여 생성한 예측모델보다 손실값(예컨대, MSE)이 적어 예측모델의 성능이 더 우수하다. 두 예측모델에 대한 성능 비교는 도 6 및 도 7을 참조하기로 한다.

분류부(116)는 정규화부(115)에서 정규화된 심전도 데이터중 일부를 트레이닝 데이터 세트로 분류한다. 심전도 데이터를 이용하여 칼륨농도를 예측하기 위한 예측모델을 생성하기 위해서는 트레이닝 데이터 세트가 필요하고, 트레이닝 데이터 세트에 대한 예측모델의 오버피팅(overfitting)을 감지하고 하이퍼파라미터(hyperparameter) 설정을 위한 데이터가 필요하며, 예측모델의 일반화 가능성을 평가하기 위한 데이터가 필요하다. 이에, 분류부(116)는 정규화된 심전도 데이터들을 일정 비율(예컨대, 8:1:1)로 트레이닝 데이터 세트, 테스트 데이터 세트, 유효성 검증 데이터 세트로 분류할 수 있다. 트레이닝 데이터 세트는 예측모델 생성에 사용되고, 테스트 데이터 세트는 예측모델의 오버피팅(overfitting) 감지와 하이퍼파라미터(hyperparameter) 설정을 위해 사용되며, 유효성 검증 데이터 세트는 예측모델의 일반화 가능성을 평가하는데 사용될 수 있다.

한편, 트레이닝 데이터 세트를 이용하여 예측 모델을 생성하기 위해서는 칼륨농도가 트레이닝 데이터 세트에 고르게 분포될 필요가 있다. 즉, 트레이닝 데이터 세트의 혈청 칼륨농도의 분포가 불균형하고, 불균형한 데이터를 이용하여 예측모델을 생성하면 가장 관련성이 높은 데이터에 오버피팅을 야기할 수 있기 때문에, 트레이닝 데이터 세트의 칼륨농도 분포가 균형을 이루어야 한다.

이에, 전처리기(110)는 트레이닝 데이터 세트에서 혈청 칼륨농도를 균형있게 분포시키기 위한 밸런싱 처리부(미도시)를 더 포함할 수 있다.

밸런싱 처리부는 칼륨농도가 트레이닝 데이터 세트에 고르게 분포될 수 있도록 샘플링을 수행한다. 즉, 밸런싱 처리부는 칼륨농도가 일정 개수의 범주로 나누어진 카테고리에 기초하여, 각 트레이닝 데이터와 매핑된 칼륨농도에 따라 해당 트레이닝 데이터의 카테고리를 분류하고, 그 분류된 각 카테고리별로 심전도 데이터를 샘플링하여 칼륨농도를 균형있게 분포시킬 수 있다. 이때, 밸런싱 처리부는 각 카테고리별로 심전도 데이터를 랜덤으로 추출하여, 각 카테고리별로 심전도 데이터가 샘플링전의 수보다 증가시킬 수 있다. 예컨대, 수집부가 250kHz 속도로 심전도 데이터를 샘플링한 경우, 밸런싱 처리부는 125Hz 속도로 각 카테고리별 트레이닝 데이터를 샘플링할 수 있다. 따라서, 밸런싱 처리부는 카테고리 단위로 재샘플링 전의 심전도 데이터 수만큼 트레이닝 데이터를 증가할 수 있다.

예를 들어, 칼륨농도 카테고리가 3.5mmol/L이하, 3.5-4.0mmol/L, 4.0-4.5mmol/L, 4.5-5.0mmol/L, 5.0-5.5mmol/L, 5.5mmol/L이상의 총 6개로 구성되고, 총 115개의 트레이닝 데이터를 각 카테고리에 분류한 결과 3.5mmol/L이하:10, 3.5-4.0mmol/L:20, 4.0-4.5mmol/L:30, 4.5-5.0mmol/L:30, 5.0-5.5mmol/L:20, 5.5mmol/L:5 라고 가정하여 설명하기로 한다. 이 경우, 밸런싱 처리부는 3.5mmol/L이하:20, 3.5-4.0mmol/L:40, 4.0-4.5mmol/L:60, 4.5-5.0mmol/L:60, 5.0-5.5mmol/L:40, 5.5mmol/L:10의 총230개의 트레이닝 데이터로 증가시킬 수 있다.

전술한 바와 구성된 전처리기(110)가 트레이닝 데이터 세트를 생성하면, 이를 이용하여 칼륨농도를 예측할 수 있는 예측모델을 생성할 수 있다.

예측모델 생성기(120)는 트레이닝 데이터 세트내 각 트레이닝 데이터에서 특징점을 추출하고, 추출된 특징점을 시계열적으로 분석하여 칼륨농도를 예측하는 칼륨농도 예측모델을 생성한다. 이때, 예측모델 생성기(120)는 딥러닝(Deep Learning)을 기반으로 칼륨농도 예측모델을 생성할 수 있다. 딥러닝에서 도메인에 대한 사전 지식 없이도 심전도 데이터에서 특징점을 추출하는 특징점 추출기로 동작할 수 있는 구성은 CNN(Convolution Neural Network) 등일 수 있고, 시계열 문제에서 시간 종속성을 식별할 수 있는 구성은 RNN(Recurrent Neural Network) 등일 수 있다. 이러한 CNN과 RNN을 함께 사용하면 특징점 추출 및 시간 종속성을 효과적으로 캡처할 수 있다.

따라서, 예측모델 생성기(120)는 각 트레이닝 데이터에서 특징점을 추출하는 적어도 하나 이상의 CNN층(122), CNN층(122)으로부터 추출된 특징점을 순차적으로 입력받아 칼륨농도를 예측하는 RNN층(124)으로 구성된 칼륨농도 예측모델을 생성할 수 있다.

구체적으로, 예측모델 생성기(120)는 적어도 하나 이상의 CNN층(122)과 RNN 층(124)으로 구성된 칼륨농도 예측모델을 생성하기 위해 DeepConvLSTM 모델을 적용할 수 있다. DeepConvLSTM 모델은 상이한 신체 부위(예컨대, 팔 및 다리)의 여러 센서를 사용하여 다양한 활동(예컨대 문 열림 등)을 감지하기 위해 개발된 것으로, 4개의 CNN층과 2개의 추가 LSTM 층으로 구성된다. 본 발명은 추상화된 부분 신호를 필요로하고 시간 경과에 따른 변화를 고려해야하기 때문에 DeepConvLSTM 모델을 적용한 것이다.

DeepConvLSTM 모델을 적용하여 구성된 칼륨농도 예측모델은 도 3에 도시된 바와 같이 5개의 CNN 층(122)과 하나의 RNN 층(124)으로 구성된다. 입력 트레이닝 데이터가 제1 CNN 층(122a)에 입력되고, 제1 CNN 층(122a)에서 출력된 데이터는 제2 CNN층(122b)의 입력으로 이용될 수 있다. 각각의 데이터가 한 CNN층(122a, 122b, 122c, 122d, 122e)의 입력 데이터로 이용되면, 그 데이터를 채널(channel)이라고도 지칭하고, 각각의 데이터들이 한 CNN층(122a, 122b, 122c, 122d, 122e)의 출력 데이터로 이용되면, 그 데이터를 특징 맵(feature map)라고도 지칭한다. 또한, 각 CNN층(122a, 122b, 122c, 122d, 122e)은 해당 층의 결과마다 CNN층(122a, 122b, 122c, 122d, 122e)과 동일한 스트라이드 및 커널 사이트의 max-pooling을 적용한다. 이때 데이터의 사이즈를 동일하게 유지시키기 위해 패딩을 같게 설정할 수 있다.

각 CNN 층(122a, 122b, 122c, 122d, 122e)에서, 각각의 입력 데이터들은 모든 출력 데이터와 컨볼루션 기능으로 완전히 연결된다. 예를 들어, 제1 CNN 층(122a)에서, 각각의 입력 데이터는 제1 CNN 층(122a)의 모든 출력 데이터와 컨볼루션 기능으로 연결된다. 여기서 컨볼루션 기능은 입력 데이터에 n x n 크기의 커널(kernel)을 적용하여 데이터의 특징을 뽑아내는 기능이다. 구체적으로 컨볼루션 기능은 입력 데이터에 컨볼루션 연산을 적용하고, 컨볼루션 연산된 입력 데이터에 비선형 함수를 적용하여 출력 데이터를 계산하는 기능이다. 여기서 컨볼루션 연산은 입력 데이터의 전 영역에서 가능한 모든 n x n 크기의 부분 영역을 추출하고, 그 다음 입력 데이터와 출력 데이터 사이에 고유하게 지정된 필터의 각 단위요소들과 n x n 크기의 부분 영역의 각 값을 각각 곱한 후 합산하는 것(즉, 커널과 부분 영역 간의 내적의 곱의 합)을 의미한다. 비선형 함수는, 예를들어, 시그모이드(sigmoid) 함수, 정류 선형 함수(ReLU : Rectified Linear Unit)등을 의미한다.

예를 들어, 각 CNN층(122a, 122b, 122c, 122d, 122e)의 커널크기가 1x20이며 스트라이드가 1인 경우, 입력 데이터는 커널 크기가 1x20이고 스트라이드가 1인 5개의 CNN층(122a, 122b, 122c, 122d, 122e)을 통해 변환된다. 이때, 각 CNN층(122a, 122b, 122c, 122d, 122e)은 커널 크기가 1x20이고 스트라이드가 1인 max pooling에 의해서 풀링될 수 있다. CNN층(122) 및 풀링(pooling)층에서 커널의 스트라이드가 1이기 때문에 5개의 CNN층(122a, 122b, 122c, 122d, 122e)의 최종 출력 크기는 입력 데이터의 최종 출력 크기와 동일한다. 이때, 특징맵 상의 CNN층 연산하기 위해 정류 선형 함수(ReLU : Rectified Linear Unit)를 이용할 수 있다.

상술한 바와 같이 CNN(120)은 데이터의 특징점을 추출하는데 용이한 모델이므로, 휴리스틱하게 해왔던 심전도의 특징 추출을 딥러닝의 CNN층(122)으로 구현할 수 있다.

한편, 심전도 데이터는 시계열적 특징을 가지므로, 시계열 데이터(time-series data)와 같이 시간의 흐름에 따라 변화하는 데이터를 학습하기 위한 딥 러닝 모델을 적용할 필요가 있다.

이에, CNN층(122)으로부터 특징점을 순차적으로 입력받아 칼륨농도를 산출하는 RNN(124)을 이용할 수 있다. RNN층(124)은 일정 개수(예컨대 500개)의 hidden nodes가 있는 GRU 셀로 구성된 순환 고밀도 계층이고, 시간 t(t=1. . . T)에서의 RNN층(124)의 입력은 시간 t에서 가장 마지막 CNN층(122)의 특징맵의 모든 요소일 수 있다. 즉, 시계열적 특징을 갖는 심전도 데이터 분석을 위해 CNN층(122)에서 추출한 일정 개수(예컨대 64개)의 특징맵을 RNN(124)의 GRU 모델에 입력값으로하여 최종적으로 칼륨농도를 산출할 수 있다. 이때, GRU 모델은 CNN층(122)의 특징맵을 순차적으로 입력받는다.

상술한 바와 같이 예측모델 생성기(120)는 적어도 하나 이상의 CNN층(122)과 RNN층(124)으로 구성된 칼륨농도 예측모델을 생성할 수 있다. 칼륨농도 예측모델의 최종 출력은 RNN 층(124)에서 각 타임스탬프(T)에서 산출된 값일 수 있다.

예측모델 생성기(120)는 모델에 사용된 hidden 특징을 탐색하기 위해, 예측 모델의 최종 층에서 attention 모델을 적용할 수 있다. 이 attention 모델을 트레이닝 데이터 세트에서 무작위로 선택한 데이터에 적용함으로써, 심전도 패턴은 혈청 칼륨농도를 결정하는데 사용할 수 있다는 것을 평가할 수 있다.

이러한 예측모델 생성기(120)는 파이썬(Python)과 텐서플로(Tensorflow) 등의 프로그램을 이용하여 예측모델을 생성할 수 있다.

한편, 칼륨농도 예측모델이 생성되면, 그 칼륨농도 예측모델이 잘 동작하는지 성능을 평가할 필요가 있다. 이에, 예측장치는 칼륨농도 예측모델의 학습의 정도를 평가하는 학습 평가기(130)를 더 포함할 수 있다. 학습 평가기(130)는 손실함수를 이용하여 칼륨농도 예측모델의 학습의 정도을 평가할 수 있다. 여기서, 손실함수는 예측모델의 학습의 정도(또는 성능) 평가를 위한 지표로, 예컨대, MSE(Mean-squared Error), 교차 엔트로피 오차 등을 포함할 수 있으나, 바람직하게는 MSE를 이용할 수 있다.

학습 평가기(130)는 MSE(Mean-squared Error, 평균제곱오차)를 이용하여 칼륨농도 예측모델의 학습의 정도를 평가할 수 있다. 즉, 학습 평가기(130)는 예측값과 실제검사값의 MSE를 손실값(손실함수, loss)로 정의하여 오차역전법으로 학습할 수 있다.

MSE는 아래 기재된 수학식 2를 이용하여 산출할 수 있다.

여기서,

는 예측값 벡터, Y는 실제 검사값 벡터일 수 있다.

학습 평가기(130)는 칼륨농도 예측모델의 학습의 정도가 혈청 칼륨농도에 따라 달라지는지의 여부를 평가하기 위해 칼륨농도에 따라 각 카테고리의 데이터에 대해 MSE을 산출할 수 있다. 이때, 학습 평가기(130)는 전처리기(110)에서 분류된 테스트 데이터 세트와 유효성 검증 데이터 세트를 이용하여 MSE를 산출할 수 있다.

학습 평가기(130)는 MSE가 최소가 되는 예측모델을 선택하기 위해, 오차역전법으로 학습할 수 있다.

여기서는 하가습 평가기(130)를 별도의 구성으로 설명하였으나, 예측모델 생성기에 포함된 구성일 수 있다.

한편, 예측모델 생성장치(100)는 심전도 데이터베이스(140)를 더 포함할 수 있다. 심전도 데이터베이스(140)에는 전처리기(110)에서 생성된 트레이닝 데이터 세트, 테스트 데이터 세트, 유효성 검증 데이터 세트가 저장된다. 또한, 심전도 데이터베이스(140)에는 수집부(110)에서 수집된 심전도 데이터가 저장될 수 있다.

또한, 예측모델 생성장치(100)는 예측 모델 데이터베이스(150)를 더 포함할 수 있다. 예측 모델 데이터베이스(150)는 예측모델 생성기(120)에 의해 생성된 칼륨농도 예측모델을 저장한다. 예측모델 데이터베이스(150)에 저장된 칼륨농도 예측모델을 이용해 실시간으로 미래 시점의 칼륨농도를 예측하게 된다.

상술한 구성의 예측모델 생성장치(100)는 딥러닝 기반의 모델(즉, CNN, RNN)을 이용하여 single-lead ECG 데이터에서 혈청 칼륨농도를 결정할 수있는 칼륨농도 예측모델을 생성함으로써, 비침습성 방법으로 칼륨농도를 예측할 수 있다. 또한, 딥러닝 기반 모델에서 사용된 심전도 패턴을 제공함으로써, 칼륨농도 예측모델의 임상적 신뢰성을 확보할 수 있다.

한편, 본 발명의 실시예에서는 전처리기(110) 및 예측모델 생성기(120)가 하나의 장치에서 구현된 것으로 설명하였으나, 전처리기(110) 및 예측모델 생성기(120)는 서로 다른 장치에서 구현될 수도 있다.

또한, 본 발명의 실시예에서는 심전도 신호 자체를 제외한 다른 임상 변수를 사용하지 않았으나, 연령, 성별, 체질량 지수, 기저 질환, 합병증, 약물 복용 및 기타 검사 결과를 포함한 많은 임상 매개 변수를 포함시켜 칼륨농도 예측모델을 생성할 수도 있다.

도 4는 본 발명의 일 실시예에 따른 심전도 데이터를 이용하여 칼륨농도 예측모델을 생성하는 방법을 나타낸 순서도이다.

도 4를 참조하면, 예측모델 생성장치는 복수의 사용자의 심전도 데이터를 수집하고(S410), 수집된 심전도 데이터들을 이용하여 트레이닝 데이터 세트를 생성한다(S420), 트레이닝 데이터 세트를 생성하는 방법에 대한 상세한 설명은 도 5를 참조하기로 한다.

단계 S420이 수행되면, 예측모델 생성장치는 트레이닝 데이터 세트를 이용하여 칼륨농도를 예측하는 칼륨농도 예측모델을 생성한다(S430). 즉, 예측모델 생성장치는 각 트레이닝 데이터에서 특징점을 추출하는 적어도 하나 이상의 CNN층, CNN층으로부터 추출된 특징점을 순차적으로 입력받아 칼륨농도를 예측하는 RNN층으로 구성된 칼륨농도 예측모델을 생성할 수 있다.

단계 S430이 수행되면, 예측모델 생성장치는 생성된 칼륨농도 예측모델의 학습의 정도를 평가한다(S440). 이때, 예측모델 생성장치는 MSE 등의 손실함수를 이용하여 칼륨농도 예측모델의 학습의 정도(성능)을 평가할 수 있다.

도 5는 본 발명의 일 실시예에 따른 예측모델 생성장치가 트레이닝 데이터 세트를 생성하는 방법을 나타낸 순서도이다.

도 5를 참조하면, 예측모델 생성장치는 실시간으로 측정되는 복수 사용자의 심전도 데이터를 수집하고(S510), 수집된 복수의 심전도 데이터를 칼륨농도와 맵핑한다(S520). 즉, 예측모델 생성장치는 수집된 심전도 데이터들 중에서 동일 시간대의 칼륨농도가 존재하는 심전도 데이터만을 이용할 수 있다.

단계 S520의 수행 후, 예측모델 생성장치는 칼륨농도가 맵핑된 심전도 데이터들중에서 노이즈로 인해 해석이 불가능한 노이즈 데이터를 제거한다(S530). 이때, 예측모델 생성장치는 A에 도시된 바와 같이 해석이 불가능한 심전도 데이터를 기계학습을 이용하여 제거할 수 있다.

단계 S530이 수행되면, 예측모델 생성장치는 노이즈 데이터가 제거된 심전도 데이터들을 적어도 하나 이상의 박동(beat)를 포함하는 길이 단위로 분할하고(S540), 분할된 각 심전도 데이터에 대해 최소-최대 정규화를 수행한다(S550). 즉, 예측모델 생성장치는 B에 도시된 바와 같이 복수의 파형으로 구성된 심전도 데이터에서 적어도 하나의 파형이 포함되도록 심전도 데이터를 분할할 수 있다.

단계 S550가 수행되면, 예측모델 생성장치는 정규화된 심전도 데이터중 일부를 트레이닝 데이터 세트로 분류한다(S560). 이때, 예측모델 생성장치는 정규화된 심전도 데이터들을 일정 비율로 트레이닝 데이터 세트, 테스트 데이터 세트, 유효성 검증 데이터 세트로 분류할 수 있다.

안계 S560이 수행되면, 예측모델 생성장치는 트레이닝 데이터 세트의 혈청 칼륨농도를 균형있게 분포시킨다(S570). 즉, 예측모델 생성장치는 칼륨농도에 대한 카테고리별로 트레이닝 데이터를 샘플링하여 칼륨농도를 균형있게 분포시킬 수 있다. 그러면, C에 도시된 바와 같이 카테고리 단위로 재샘플링 전의 심전도 데이터 수만큼 트레이닝 데이터를 증가시킬 수 있다.

이하, 표 1과 같은 특성의 531명의 환자로부터 수집된 심전도 데이터를 이용하여 칼륨농도 예측모델을 생성한 경우에 대해 설명하기로 한다.

예측모델 생성장치는 531명의 환자로부터 각각 수집된 심전도 데이터들중에서 동일 시간대에 칼륨농도가 없는 데이터, 해석 불가능한 노이즈 데이터, outlier 데이터 등을 제거하여 트레이닝 데이터 세트, 테스트 데이터 세트, 유효성 검증 데이터 세트로 분류한다. 그 결과 425명의 환자로부터의 1,071,000개의 심전도 데이터, 53명의 환자로부터의 106,615개의 심전도 데이터, 53 명의 환자로부터의 137,165개의 심전도 데이터로 분류되고, 이는 순서대로 트레이닝 데이터 세트, 테스트 데이터 세트 및 유효성 검증 데이터 세트일 수 있다. 이때, 예측모델 생성장치는 트레이닝 데이터 세트 중에서 리샘플링을 통해 칼륨농도 분포를 조절하여 425명의 환자에서 1,065,000개의 심전도 데이터가 최종으로 등록되었다고 가정한다.

이러한 트레이닝 데이터 세트를 이용하여 칼륨농도 예측모델을 생성하고, 그 칼륨농도 예측모델의 성능을 측정하면, 도 6과 같다.

도 6은 본 발명의 일 실시예에 따른 모델 학습과 최종 모델의 성능을 나타낸 그래프, 도 7은 최소-최대 정규화를 수행하지 않은 트레이닝 데이터 세트를 이용하여 생성한 예측모델의 성능을 나타낸 그래프, 도 8은 본 발명의 일 실시예에 따른 혈청 칼륨 농도에 따른 MSE를 나타낸 그래프이다.

도 6에서 (a)는 학습 과정중 손실값(MSE)의 변화를 나타내고, (b)는 트레이닝 데이터 세트를 이용하여 생성된 예측모델에 의해 추정된 칼륨농도와 실제 칼륨농도간의 상관관계를 나타내며, (c)는 예측모델에서 테스트 데이터 세트에 의해 추정된 칼륨농도와 실제 칼륨농도간의 상관관계를 나타내고, (d)는 예측모델에서 유효성 검증 데이터 세트에 의해 추정된 칼륨농도와 실제 칼륨농도간의 상관관계를 나타낸다. (b), (c), (d)에서 노란색 선은 추정된 칼륨농도 값과 실제 칼륨농도 값 사이의 완벽한 일치를 나타낸다. 적색 경계선 사이의 영역은 1.0 mmol/L 절대 오차 범위내의 영역을 나타낸다.

(a)를 참조하면, 오버피팅이 에폭2(epoch 2)의 끝에서부터 학습 모델에서 관찰됨을 알 수 있다. 트레이닝 데이터 세트의 MSE는 지속적으로 감소하는 반면, 테스트 데이터 세트의 MSE는 증가하기 시작함을 알 수 있다. 그러므로, 학습모델은 에폭2의 끝까지 학습하기 위해 최종 모델을 선택할 수 있다.

최종으로 선택된 모델에서 트레이닝 데이터 세트의 MSE는 0.14 ± 0.03, 테스트 데이터 세트의 MSE 는 0.33 ± 0.26, 유효성 검사 데이터 세트의 MSE는 0.40 ± 0.60임을 알 수 있다. 세 가지 데이터 세트 모두에서 혈청 칼륨 농도와 추정치 사이에 선형 관계가 관찰됨을 알 수 있다. 상관 계수는 트레이닝 데이터 세트, 테스트 데이터 세트 및 검증 데이터 세트에서 0.94, 0.43 및 0.31일 수 있다.

한편, 최소-최대 정규화를 수행하지 않은 트레이닝 데이터 세트를 이용하여 생성한 예측모델은 도 7과 같은 성능을 가질 수 있다. 도 7에서 (a)는 트레이닝 데이터 세트를 이용하여 생성된 예측모델에 의해 추정된 칼륨농도와 실제 칼륨농도간의 상관관계를 나타내며, (b)는 예측모델에서 테스트 데이터 세트에 의해 추정된 칼륨농도와 실제 칼륨농도간의 상관관계를 나타내고, (c)는 예측모델에서 유효성 검증 데이터 세트에 의해 추정된 칼륨농도와 실제 칼륨농도간의 상관관계를 나타낸다. 이 경우, 트레이닝 데이터 세트의 MSE는 0.12 ± 0.06, 테스트 데이터 세트의 MSE 는 0.46 ± 0.23, 유효성 검사 데이터 세트의 MSE는 0.60 ± 0.50임을 알 수 있다. 세 가지 데이터 세트 모두에서 혈청 칼륨 농도와 추정치 사이에 선형 관계가 관찰됨을 알 수 있다. 상관 계수는 트레이닝 데이터 세트, 테스트 데이터 세트 및 검증 데이터 세트에서 0.94, 0.43 및 0.31일 수 있다. 상관 계수는 트레이닝 데이터 세트, 테스트 데이터 세트 및 검증 데이터 세트에서 0.94, 0.23 및 0.13일 수 있다.

도 6과 도 7의 MSE 를 비교하면, 최소-최대 정규화를 수행하지 않은 예측모델의 MSE는 최소-최대 정규화를 수행한 MSE보다 크다는 것을 알 수 있다. 예측모델은 MSE가 최소가 되어야 하므로, 예측모델 생성장치는MSE가 최소가 되는 예측모델을 생성하기 위해 최소-최대 정규화를 수행할 필요가 있다.

칼륨농도에 따른 MSE는 도 8에 도시된 바와 같이 U자 곡선을 보인다. MSE는 혈청 칼륨이 5.5 mmol / L 이상인 군에서 1.93 ± 1.12로 가장 높음을 알 수 있다.

도 9는 본 발명의 일 실시예에 따른 칼륨농도 추정을 위한 ECG 패턴을 나타낸 그래프이다. 이는 유효성 검증 데이터 세트에서 무작위로 선택된 다양한 심전도 데이터에서 획득된 것이고, 주황색 막대는 각 시점에서 attention 점수의 값을 나타내며, 가중치는 0.0에서 0.2사이에서 표준화된 것이다.

도 9를 참조하면, 예측모델이 대부분의 경우에 Q파와 T파의 끝 사이의 패턴에 초점을 맞추고 있음을 알 수 있다. 그러나 각각의 경우에 따라 예측모델은 QRS 복합체와 P 파를 포함한 다른 영역에도 초점을 맞추고 있음도 알 수 있다.

한편, 본 발명은 딥 러닝 기반으로 생성된 칼륨농도 예측모델을 이용하여 single-lead 심전도 정보를 분석할 수 있고, 혈액 샘플을 채취하지 않고도 신뢰할 수 있는 혈청 칼륨농도를 추정할 수 있다. 또한, 칼륨농도 예측모델에 attention 모델을 적용할 때 혈청 칼륨농도의 변화와 관련된 ECG 특징을 사용한다는 것도 알 수 있다.

의사가 심전도 정보를 이용하여 칼륨농도를 평가하는 연구가 제대로 수행되지 못하였다. 이것은 심전도 패턴의 변화가 혈청 칼륨농도의 변화와 비교하여 지속적이고 최소이므로, 인간에게는 컷오프를 결정하는 것이 다소 어려울 수 있기 때문일 수 있다. 그러나 본 발명에 따른 칼륨농도 예측모델은 심전도 데이터를 이용하여 혈청 칼륨농도 패턴의 변화를 정확하게 측정할 수 있고, 일관되게 컷오프를 결정하기 때문에 칼륨농도와 고칼륨 혈증의 정상 범위를 단순히 구별하기보다는 칼륨농도 자체를 평가할 수 있다.

또한 본 발명은 hidden 특징을 학습할 수 있는 충분한 ECG 데이터를 수집하여 딥러닝 기반의 모델에 적용함으로써, 종래 기계 학습 기반 모델에 비해 칼륨농도 추정치의 성능이 향상됨을 알 수 있다. 또한, 딥러닝 기반의 예측모델은 대개 Q파와 T 파 끝사이의 패턴에 초점을 맞추었지만, Q파와 T 파 외에 P, QRS 및 T 파 등의 모든 파가 혈청 칼륨농도와 관련된 새로운 특징이 있을을 알 수 있다.

또한, 본 발명에 따른 딥러닝 기반의 예측모델은 72초의 ECG 데이터를 필요로 했던 종래의 모델과는 대조적으로 단지 2초의 ECG 단편만 필요로 하므로, 실시간 결과를 제공할 수 있다.

또한, 본 발명에서 사용된 심전도 데이터는 종래에 사용된 V3, V4 또는 V5보다 실제 설정에서 보다 실제적인 ECG 신호인 lead II ECG 신호만을 사용함으로써, 더 중요한 임상적 함의가 있을 수 있다. 즉, 종래에는 V3, V4 또는 V5 중에서 가장 두드러진 T파를 포함하는 하나의 심전도 신호를 선택하여 사용, 즉, 3개의 lead 신호가 필요하였는데, 본 발명은 lead II 신호만을 사용하고, lead II 신호는 현실 세계에서 가장 보편적으로 사용되기 때문에 더 중요한 임상적 함의가 있다.

또한, 본 발명은 피실험자 당 일정시간(예컨대 10분)의 심전도 신호를 수집하고, 학습 모델을 위해 일정시간(예컨대 2초) 단위로 분할함으로서, 2 초 ECG 단위가 하나의 혈청 칼륨 결과와 매칭되고, 모든 결과를 사용한다. 하나의 결과를 선택하기 보다는 모든 결과를 사용하기 때문에 데이터 증가 효과를 제공할 수 있다. 여기서, 데이터 증가는 overfitting을 줄이기 위해 노이즈를 추가하거나 shifting, rotating 또는 트레이닝 데이터 세트의 크기를 조정하여 트레이닝 데이터 세트의 크기를 인위적으로 늘리는 프로세스이다. 따라서, 단지 두 번의 에폭으로 모델 학습을 수행하지만, 본 발명에 따른 예측모델은 평균 한번의 혈중 칼륨 결과당 400번 이상을 학습할 수 있다.

또한, 딥러닝 기반의 예측모델을 이용하여 single-lead ECG 해석에서 혈청 칼륨 수준을 비 침습적으로 모니터링하면, 일상 생활에 몇가지 고유한 이점이 있다. 첫째, 환자의 불필요한 혈액 채취를 피할수 있다. 둘째, 즉각적인 심전도 분석은 의사가 진료 시점에서 즉각적인 의사 결정을 내리는 데 도움이 될 수 있다. 셋째, 데이터 수집의 연속성은 혈청 칼륨의 증가 또는 감소 추세를 감지할 수 있는 실시간 모니터링 서비스를 제공할 수 있고, 이는 자동 경보 시스템으로 동작할수 있다. 넷째, 환자는 자동 보고 시스템을 통해 자가 관리에 보다 적극적으로 참여할 수 있다. 예를 들어, 유지 혈액 투석을 받는 환자가 얼마나 많은 칼륨 결합 수지를 사용해야 하는지를 결정하는데 사용될 수 있다.

한편, ECG등과 같은 생체 신호를 측정하는 모바일 장치가 많이 있으므로, 칼륨농도 예측모델을 모바일 장치에 쉽게 적용 할 수 있다. 이 경우 환자는 집에서 칼륨농도를 스스로 관리할 수 있고, 이로 인해 응급실을 방문하기 전에 심각한 부작용을 예방할 수 있다.

이처럼 칼륨농도의 자가 모니터링이 가능한 장치는 도 10과 같이 구현될 수 있다.

도 10은 본 발명의 일 실시예에 따른 칼륨농도 모니터링 장치를 설명하기 위한 도면이다.

도 10을 참조하면, 칼륨농도 모니터링 장치(1000)는 측정부(1010), 예측부(1020), 출력 처리부(1030)를 포함한다.

측정부(1010)는 사용자의 심전도 데이터를 측정한다. 측정부(1010)는 신체에 부착되는 전극 수에 따라 다수의 측정 채널을 통해 복수의 심전도 데이터를 측정할 수 있다. 또한, 측정부(1010)는 심전도 측정 센서로 구현되어 측정될 수도 있다. 이때, 측정된 심전도 데이터는 single-lead ECG 신호 데이터일 수 있다.

측정부(1010)는 심전도를 측정하는 별도의 장치를 이용하여 측정될 수도 있다.

예측부(1020)는 측정부(1010)에서 측정된 심전도 데이터를 칼륨농도 예측모델에 입력하여, 칼륨농도를 예측한다. 즉, 예측부(1020)는 심전도 데이터에서 특징을 추출하고, 추출된 특징을 시계열적으로 분석하여 칼륨농도를 예측할 수 있다.

출력 처리부(1030)는 예측부(1020)에서 예측된 칼륨농도를 출력한다.

또한, 출력 처리부(1030)는 예측된 칼륨농도가 기 설정된 정상 수준을 벗어나는 경우, 알람을 발생시킬 수 있다. 이때, 알람은 문자, 소리 등의 형태일 수 있다.

또한, 출력 처리부(1030)는 예측된 칼륨농도가 기 설정된 정상 수준을 벗어나는 경우, 기 설정된 병원 또는 보호자에게 칼륨농도에 대한 정보를 알릴 수 있다.

한편, 칼륨농도 모니터링 장치(1000)는 휴대용 장치에 구현(또는 탑재)될 수 있다. 휴대용 전자 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), 휴대용 게임 콘솔(handheld console), e-북(e-book), 또는 스마트 디바이스(smart device)로 구현될 수 있다. 예를 들어, 스마트 디바이스는 스마트 와치(smart watch) 또는 스마트 밴드(smart band)로 구현될 수 있다.

이제까지 본 발명에 대하여 그 바람직한 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.

100 : 칼륨농도 예측모델 생성장치
110 : 전처리기
111 : 수집부
112 : 맵핑부
113 : 필터링부
114 : 분할부
115 : 정규화부
116 : 분류부
120 : 예측모델 생성기
130 : 학습 평가기
140 : 심전도 DB
150 : 예측모델 DB
1000 : 칼륨농도 모니터링 장치
1010 : 측정부
1020 : 예측부
1030 : 출력 처리부

Claims (11)

1. 칼륨농도가 맵핑된 복수의 심전도 데이터 각각을 기 설정된 길이로 분할하고, 상기 분할된 각 심전도 데이터를 최소-최대 정규화하여 트레이닝 데이터 세트를 생성하는 전처리기;
   각 트레이닝 데이터에서 특징점을 추출하고, 상기 추출된 특징점을 시계열적으로 분석하여 칼륨농도 예측모델을 생성하는 예측모델 생성기를 포함하고,
   상기 전처리기는
   실시간으로 측정되는 복수 사용자의 심전도 데이터를 기 설정된 일정 속도로 수집하는 수집부;
   상기 수집된 각 심전도 데이터를 동일 시간대의 칼륨농도와 각각 맵핑하는 맵핑부;
   상기 칼륨농도가 맵핑된 심전도 데이터들중에서 노이즈 데이터를 제거하는 필터링부;
   상기 노이즈 데이터가 제거된 심전도 데이터들을 적어도 하나 이상의 박동(beat)을 포함하는 길이 단위로 분할하는 분할부;
   상기 분할된 각 심전도 데이터를 기 설정된 최소값과 최대값 사이의 값이 되도록 정규화하는 정규화부; 및
   상기 정규화된 심전도 데이터중 일부를 트레이닝 데이터 세트로 분류하는 분류부를 포함하되,
   상기 정규화부는, 상기 분할된 심전도 데이터들중에서 outlier에 해당하는 심전도 데이터를 제외하는 것을 특징으로 하는,
   심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치.
2. 삭제
3. 제1항에 있어서,
   칼륨농도가 일정 개수의 범주로 나누어진 카테고리에 기초하여, 각 트레이닝 데이터와 매핑된 칼륨농도에 따라 해당 트레이닝 데이터의 카테고리를 분류하고, 상기 분류된 각 카테고리별로 심전도 데이터를 샘플링하여 칼륨농도를 균형있게 분포시키는 밸런싱 처리부를 더 포함하는 것을 특징으로 하는 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치.
4. 제1항에 있어서,
   상기 수집부에서 수집된 심전도 데이터는 ECG lead II signals 데이터인 것을 특징으로 하는 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치.
5. 삭제
6. 제1항에 있어서,
   상기 예측모델 생성기는,
   각 트레이닝 데이터에서 특징점을 추출하는 적어도 하나 이상의 CNN(Convolution Neural Network) 층; 및
   상기 CNN층으로부터 추출된 특징점을 순차적으로 입력받아 칼륨농도를 산출하는 RNN(Recurrent Neural Network) 층으로 구성된 것을 특징으로 하는 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치.
7. 제1항에 있어서,
   손실함수를 이용하여 상기 칼륨농도 예측모델의 학습의 정도를 평가하고, 오차역전법으로 상기 칼륨농도 예측모델을 학습시키는 학습 평가기를 더 포함하는 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치.
8. 전처리기가 칼륨농도가 맵핑된 복수의 심전도 데이터 각각을 기 설정된 길이로 분할하고, 상기 분할된 각 심전도 데이터를 최소-최대 정규화하여 트레이닝 데이터 세트를 생성하는 단계;
   예측모델 생성기가 각 트레이닝 데이터에서 특징점을 추출하고, 상기 추출된 특징점을 시계열적으로 분석하여 칼륨농도 예측모델을 생성하는 단계를 포함하되,
   상기 심전도 데이터를 정규화여 트레이닝 데이터 세트를 생성하는 단계는,
   상기 분할된 심전도 데이터들 중에서 outlier에 해당하는 심전도 데이터를 제외하는 단계를 더 포함하는,
   심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성방법.
9. 제8항에 있어서,
   상기 트레이닝 데이터 세트를 생성하는 단계 이후,
   상기 전처리기는, 칼륨농도가 일정 개수의 범주로 나누어진 카테고리에 기초하여, 각 트레이닝 데이터와 매핑된 칼륨농도에 따라 해당 트레이닝 데이터의 카테고리를 분류하고, 상기 분류된 각 카테고리별로 심전도 데이터를 샘플링하여 칼륨농도를 균형있게 분포시키는 단계를 더 포함하는 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성방법.
10. 제8항에 있어서,
    상기 칼륨농도 예측모델은,
    각 트레이닝 데이터에서 특징점을 추출하는 적어도 하나 이상의 CNN(Convolution Neural Network) 층; 및
    상기 CNN층으로부터 추출된 특징점을 순차적으로 입력받아 칼륨농도를 산출하는 RNN(Recurrent Neural Network) 층으로 구성된 것을 특징으로 하는 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성방법.
11. 제8항에 있어서,
    상기 칼륨농도 예측모델을 생성하는 단계 이후,
    성능 평가기는, 손실함수를 이용하여 상기 칼륨농도 예측모델의 학습의 정도를 평가하고, 오차역전법으로 상기 칼륨농도 예측모델을 학습시키는 단계를 더 포함하는 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성방법.

Images