KR102437348B1 - 웨어러블 심전도 신호 분석 방법 - Google Patents
웨어러블 심전도 신호 분석 방법 Download PDFInfo
- Publication number
- KR102437348B1 KR102437348B1 KR1020210182369A KR20210182369A KR102437348B1 KR 102437348 B1 KR102437348 B1 KR 102437348B1 KR 1020210182369 A KR1020210182369 A KR 1020210182369A KR 20210182369 A KR20210182369 A KR 20210182369A KR 102437348 B1 KR102437348 B1 KR 102437348B1
- Authority
- KR
- South Korea
- Prior art keywords
- calculating
- positive
- deep learning
- signal analysis
- analysis method
- Prior art date
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
- A61B5/24—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
-
- 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
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Cardiology (AREA)
- Primary Health Care (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (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)
Abstract
본 발명은 웨어러블 심전도 신호 분석 기술에 관한 것으로서, 일실시예에 따른 웨어러블 심전도 신호 분석 방법은 서버로부터 심전도 데이터를 서버로부터 수집하는 단계, 딥러닝 모델을 실행하는 단계, 상기 실행한 딥러닝 모델에 기반하여, 복수의 모듈들을 구분하여 로딩하는 단계, 상기 구분된 복수의 모듈에서 처리된 딥러닝 결과들을 산출하는 단계, 상기 산출된 딥러닝 결과들을 비교하는 단계, 상기 비교한 결과에 따라 오류 데이터에 대해 상기 딥러닝 모델을 업데이트하기 위해, 상기 딥러닝 모델을 실행하는 과정으로 분기하는 단계, 상기 비교한 결과를 표시하는 단계를 포함할 수 있다.
Description
본 발명은 웨어러블 심전도 신호 분석을 위한 Big Data 수집, 알고리즘 결과 분석 방법 및 자동 학습 딥러닝 모델에 관한 것이다.
심전도란 심박동과 관련된 전위를 신체 표면에서 도형으로 기록한 것으로, 표준 12유도 심전도 외에 운동부하 심전도, 활동 중 심전도(홀터 기록과 사건기록 심전도) 등이 있다. 순환기 질환의 진단에 많은 검사들이 이용되고 있으나 그중에서도 심전도는 많은 장점을 가지며 임상에서 가장 많이 사용되는 검사이다. 심전도는 정확하고 간단하며, 재현성 있고, 쉽게 반복하여 기록할 수 있으며, 검사 비용이 비싸지 않은 비침습적 검사이다. 심전도는 부정맥과 관상동맥질환 (심장동맥질환)의 진단에 가장 많이 사용되고 있다. 심방확장 및 심실비대의 진단에는 심장초음파, CT, MRI 등으로 더욱 정확히 진단할 수 있으나, 심장 환자들의 경과를 관찰하는 데는 심전도가 매우 유용하다.
종래에는 의료진이 주로 사용하는 프로그램으로 웨어러블 심전도 신호에 대해 Beat 분류, 리듬 감지가 가능했으나 딥러닝 기술의 핵심인 Wave Segmentation을 수집할 수 있는 방법과 성능 평가 지표를 추출하는 기능이 없었다.
의료진의 심전도 분석을 도와주는 심전도 판독 시스템이 개발되어 있다. 종래의 심전도 판독 시스템은 파형의 R, P, T 피크(Peak)를 검출하고 있으며, 규칙기반으로 부정맥 검출하고 분류한다.
종래의 심전도 판독 시스템은 환자의 전체 심전도 신호 데이터를 받아 분석하여 그 결과를 출력한다. 딥러닝 기술은 기존 방법들에 비해 정확성이 높기 때문에 심전도 판독 알고리즘으로 최근 많이 연구되고 있다.
심전도를 이용한 부정맥 판단은 일정 자격을 갖춘 의료진만이 할 수 있지만 수요에 비해 인력이 부족한 현실이다. 심전도 판독 시 P, QRS, T 파형의 모양과 구간 간에 시간 차 계산, 심전도 리듬에 대한 분석 등 심전도 신호를 다양한 시각에서 판독해야 하기 때문에 시간이 많이 소요된다. 병상 환자의 심전도는 의료진이 실시간으로 관측하여 환자의 상태를 주시해야 하지만, 인력부족으로 인해 지속적인 모니터링이 힘들다. 심전도 분석은 환자의 생명과 직결되기 때문에 정확해야 하고 응급환자 발생 시에는 빠르게 동작되어야 한다.
종래의 심전도 분석은 P, QRS, T 파형 구간의 끝점, 시작점 등을 이용하는 경우도 있지만 종래의 기술은 피크(Peak)만을 찾아 그 활용도가 떨어진다. 부정맥 검출 및 분류 시 규칙기반의 알고리즘 설계는 파형의 다양성 때문에 정확도가 떨어지고, 부정맥의 추가 시 새로운 규칙기반 알고리즘을 설계해야 한다.
종래의 심전도 판독 시스템은 병상 환자 모니터링과 같은 실시간 판독이 필요한 곳에서는 활용이 불가능하다. 심전도 분석을 위한 딥러닝 알고리즘은 구현 모델에 따라 속도 차이가 있으며, 실시간 동작을 위해 매 시간 동작할 수 없다. 심전도 파형 시각화 시 1차원 데이터에 대한 출력으로 실시간 판독 시 가독성이 떨어진다.
심전도 파형에서 비침습적 생체신호 수집방식에 의한 발생한 노이즈(Noise)를 포함한다. 심전도 파형에 포함된 노이즈로 인해 의료진이 심전도를 판독하는 데 있어 판독시간을 증가시키는 요인으로, 많은 경제적 손실이 발생한다. 일반적인 자동 판독을 이용하는 경우, 실시간 모니터링에서 노이즈를 정확히 감지해내지 못하면 사용자에게 정확하지 못한 판독 결과를 제공할 문제가 있다.
본 발명은 웨어러블 심전도 신호를 분석하는 방법으로 딥러닝을 사용하기 위해서는 Big Data를 효과적으로 수집할 수 있는 방안을 제공하는 것을 목적으로 한다.
본 발명은 Wave Segmentation, Beat 분류, 리듬 감지를 기반으로 진행하는 딥러닝 모델을 구축하기 위해 데이터를 시각적, 효과적으로 수집하는 것을 목적으로 한다.
본 발명을 통해 구축된 딥러닝 모델을 적용한 결과값을 정답과 비교하여 오측정된 부분을 즉각적으로 확인하는 것을 목적으로 한다.
본 발명은 진단 검사 비교에 주로 사용되는 민감도, 양성 예측도, F1-Score, 감지 오류율 등 성능 평가 지표를 추출하는 것을 목적으로 한다.
본 발명은 개발 알고리즘의 성능을 향상 시키기 위해 정답과 비교하여 오류가 발생한 부분의 파형으로 이동 및 자동 학습을 목적으로 한다.
본 발명은 효율적으로 오류를 수정하는 것을 목적으로 한다.
본 발명은 웨어러블 심전도 신호를 분석하는 통합 관리 프로그램으로 딥러닝 학습을 위한 여러 입력 지표를 유기적으로 수정하는 것을 목적으로 한다.
본 발명은 의료진과 사용자가 환자의 심박을 판독하는 방법으로 사용하는데 편의를 제공하는 것을 목적으로 한다.
본 발명은 웨어러블 심전도 패치를 여러 알고리즘으로 비교 분석하여 더 나은 알고리즘을 개발하는데 사용하는 것을 목적으로 한다.
본 발명은 자동 학습 기능을 통하여 딥러닝 모델을 효율적으로 향상 시키는 것을 목적으로 한다.
본 발명은 의료진들이 환자의 심전도 데이터를 분석하는데 효과적으로 활용하는 것을 목적으로 한다.
일실시예에 따른 웨어러블 심전도 신호 분석 방법은 서버로부터 심전도 데이터를 서버로부터 수집하는 단계, 딥러닝 모델을 실행하는 단계, 상기 실행한 딥러닝 모델에 기반하여, 복수의 모듈들을 구분하여 로딩하는 단계, 상기 구분된 복수의 모듈에서 처리된 딥러닝 결과들을 산출하는 단계, 상기 산출된 딥러닝 결과들을 비교하는 단계, 상기 비교한 결과에 따라 오류 데이터에 대해 상기 딥러닝 모델을 업데이트하기 위해, 상기 딥러닝 모델을 실행하는 과정으로 분기하는 단계, 상기 비교한 결과를 표시하는 단계를 포함할 수 있다.
일실시예에 따른 상기 실행한 딥러닝 모델에 기반하여, 복수의 모듈들을 구분하여 로딩하는 단계는, 상기 복수의 모듈들로서, 웨이브 세그멘테이션(Wave Segmentation), 비트(Beat) 분류, 및 리듬(Rhythm) 분류 모듈을 구분하여 로딩하는 단계를 포함할 수 있다.
일실시예에 따른 상기 구분된 복수의 모듈에서 처리된 딥러닝 결과들을 산출하는 단계는, 상기 웨이브 세그멘테이션 마다 라벨값을 설정하여 포인트 대 포인트로 결과를 도출하되, 상기 심전도의 신호 길이만큼 웨이브 세그멘테이션의 값을 할당하는 단계를 포함할 수 있다.
일실시예에 따른 상기 구분된 복수의 모듈에서 처리된 딥러닝 결과들을 산출하는 단계는, 상기 비트(Beat) 분류 마다 라벨값을 설정하여 감지된 시간을 기준으로 결과를 산출하는 단계를 포함할 수 있다.
일실시예에 따른 상기 구분된 복수의 모듈에서 처리된 딥러닝 결과들을 산출하는 단계는, 리듬별로 라벨값을 설정하여 상기 웨이브 세그멘테이션 방식과 동일하게 하나씩 차례로 결과를 도출하는 단계를 포함할 수 있다.
일실시예에 따른 상기 구분된 복수의 모듈에서 처리된 딥러닝 결과들을 산출하는 단계는, 상기 심전도의 신호 길이만큼 리듬 라벨값을 설정하는 단계를 포함할 수 있다.
일실시예에 따른 상기 구분된 복수의 모듈에서 처리된 딥러닝 결과들을 산출하는 단계는, 진양성(True Positive, TP), 위음성(False Negative, FN), 위양성(False Positive, FP) 중에서 적어도 하나 이상의 파라미터를 산출하는 단계를 포함할 수 있다.
일실시예에 따른 상기 진양성(True Positive, TP)의 파라미터를 산출하는 단계는, 양성을 양성이라고 올바르게 감지한 경우에 나타나는 파라미터를 산출하는 단계를 포함할 수 있다.
일실시예에 따른 상기 위음성(False Negative, FN)의 파라미터를 산출하는 단계는, 양성을 음성으로 감지하지 못한 경우에 나타나는 파라미터를 산출하는 단계를 포함할 수 있다.
일실시예에 따른 위양성(False Positive, FP)의 파라미터를 산출하는 단계는, 음성을 양성이라 감지한 경우에 나타나는 파라미터를 산출하는 단계를 포함할 수 있다.
일실시예에 따른 상기 산출된 딥러닝 결과들을 비교하는 단계는, 상기 산출된 파라미터 중에서 적어도 둘 이상의 파라미터를 이용하여 성능을 평가하는 단계를 포함할 수 있다.
일실시예에 따른 상기 산출된 파라미터 중에서 적어도 둘 이상의 파라미터를 이용하여 성능을 평가하는 단계는, 진양성(True Positive, TP), 위음성(False Negative, FN)을 이용하여 실제 양성 중 감지한 양성의 비율인 민감도를 산출하는 단계를 포함할 수 있다.
일실시예에 따른 상기 산출된 파라미터 중에서 적어도 둘 이상의 파라미터를 이용하여 성능을 평가하는 단계는, 진양성(True Positive, TP), 위양성(False Positive, FP)를 이용하여 실제 양성 중 감지된 양성 중 실제 양성의 비율인 양성 예측도를 산출하는 단계를 포함할 수 있다.
일실시예에 따른 상기 산출된 파라미터 중에서 적어도 둘 이상의 파라미터를 이용하여 성능을 평가하는 단계는, 진양성(True Positive, TP), 위음성(False Negative, FN), 위양성(False Positive, FP)을 이용하여 민감도와 양성 예측도의 조화평균을 산출하는 단계를 포함할 수 있다.
일실시예에 따른 상기 산출된 파라미터 중에서 적어도 둘 이상의 파라미터를 이용하여 성능을 평가하는 단계는, 진양성(True Positive, TP), 위음성(False Negative, FN), 위양성(False Positive, FP)을 이용하여 실제 양성 중 오감지한 비율인 감지오류율을 산출하는 단계를 포함할 수 있다.
일실시예에 따르면, 웨어러블 심전도 신호를 분석하는 방법으로 딥러닝을 사용하기 위해서는 Big Data를 효과적으로 수집할 수 있는 방안을 제공할 수 있다.
일실시예에 따르면, Wave Segmentation, Beat 분류, 리듬 감지를 기반으로 진행하는 딥러닝 모델을 구축하기 위해 데이터를 시각적, 효과적으로 수집할 수 있다.
일실시예에 따르면, 구축된 딥러닝 모델을 적용한 결과값을 정답과 비교하여 오측정된 부분을 즉각적으로 확인할 수 있다.
일실시예에 따르면, 진단 검사 비교에 주로 사용되는 민감도, 양성 예측도, F1-Score, 감지 오류율 등 성능 평가 지표를 추출할 수 있다.
일실시예에 따르면, 개발 알고리즘의 성능을 향상 시키기 위해 정답과 비교하여 오류가 발생한 부분의 파형으로 이동 및 자동 학습할 수 있다.
일실시예에 따르면, 효율적으로 오류를 수정할 수 있다.
일실시예에 따르면, 웨어러블 심전도 신호를 분석하는 통합 관리 프로그램으로 딥러닝 학습을 위한 여러 입력 지표를 유기적으로 수정할 수 있다.
일실시예에 따르면, 의료진과 사용자가 환자의 심박을 판독하는 방법으로 사용하는데 편의를 제공할 수 있다.
일실시예에 따르면, 웨어러블 심전도 패치를 여러 알고리즘으로 비교 분석하여 더 나은 알고리즘을 개발하는데 사용할 수 있다.
일실시예에 따르면, 자동 학습 기능을 통하여 딥러닝 모델을 효율적으로 향상 시킬 수 있다.
일실시예에 따르면, 의료진들이 환자의 심전도 데이터를 분석하는데 효과적으로 활용할 수 있다.
도 1은 일실시예에 따른 웨어러블 심전도 신호 분석을 위한 프로그램 구성을 설명하는 도면이다.
도 2는 일실시예에 따른 웨어러블 심전도 신호 분석 방법을 설명하는 도면이다.
도 3은 일실시예에 따른 딥러닝 설정 창을 설명하는 도면이다.
도 4는 일실시예에 따른 Segmentation 라벨링 예시를 설명하는 도면이다.
도 5는 일실시예에 따른 결과 비교 예시를 설명하는 도면이다.
도 6은 일실시예에 따른 Sub-Dialog 창의 예시를 나타내는 도면이다.
도 7은 일실시예에 따른 Group 기능의 예시를 나타내는 도면이다.
도 2는 일실시예에 따른 웨어러블 심전도 신호 분석 방법을 설명하는 도면이다.
도 3은 일실시예에 따른 딥러닝 설정 창을 설명하는 도면이다.
도 4는 일실시예에 따른 Segmentation 라벨링 예시를 설명하는 도면이다.
도 5는 일실시예에 따른 결과 비교 예시를 설명하는 도면이다.
도 6은 일실시예에 따른 Sub-Dialog 창의 예시를 나타내는 도면이다.
도 7은 일실시예에 따른 Group 기능의 예시를 나타내는 도면이다.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 발명의 개념에 따른 실시예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시예들은 다양한 형태로 실시될 수 있으며 본 명세서에 설명된 실시예들에 한정되지 않는다.
본 발명의 개념에 따른 실시예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시예들을 도면에 예시하고 본 명세서에 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시예들을 특정한 개시형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만, 예를 들어 본 발명의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
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. 구성요소들 간의 관계를 설명하는 표현들, 예를 들어 "~사이에"와 "바로~사이에" 또는 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
본 명세서에서 사용한 용어는 단지 특정한 실시예들을 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 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 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 특허출원의 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 일실시예에 따른 웨어러블 심전도 신호 분석을 위한 프로그램 구성을 설명하는 도면이다.
일실시예에 따른 웨어러블 심전도 신호 분석을 위한 프로그램은 웨어러블 심전도 신호에 대한 딥러닝 모델을 개발하는데 기반이 되는 Wave Segmentation와 성능 평가를 효과적으로 할 수 있는 프로그램이다.
이를 위해, 일실시예에 따른 웨어러블 심전도 신호 분석을 위한 프로그램은 제어영역, 생체신호를 확인할 수 있는 표시 영역, 각종 테이블을 표시하는 영역으로 구분될 수 있다.
또한, 제어영역은 알고리즘 설정부(110), 결과 비교부(120), 키맵 및 사용자 설정부(130), 및 신호, 분석 데이터 불러오기, 저장을 조작할 수 있는 조작부(140)로 구성될 수 있다.
생체신호를 확인할 수 있는 표시 영역은 생체신호 확인창으로 구성될 수 있으며, 각종 테이블을 표시하는 영역은, BEAT/RHYTHM/GROUP 테이블을 표시하는 영역으로 구성될 수 있다.
도 2는 일실시예에 따른 웨어러블 심전도 신호 분석 방법을 설명하는 도면이다.
일실시예에 따른 웨어러블 심전도 신호 분석 방법은 프로그램을 실행하고 분석하고, 학습하고 싶은 심전도 데이터를 서버에서 불러온 후 딥러닝 모델을 불러와 적용할 수 있다.
구체적으로 살펴보면, 일실시예에 따른 웨어러블 심전도 신호 분석 방법은 프로그램을 실행하여(단계 201), 서버로부터 심전도 데이터를 서버로부터 수집할 수 있다(단계 202).
다음으로, 일실시예에 따른 웨어러블 심전도 신호 분석 방법은 딥러닝 모델을 실행하고(단계 203), 실행한 딥러닝 모델에 기반하여, 복수의 모듈들을 구분하여 로딩할 수 있다(단계 204, 205, 206).
예를 들어, 일실시예에 따른 웨어러블 심전도 신호 분석 방법은 실행한 딥러닝 모델에 따라 웨이브 세그멘테이션(Wave Segmentation), 비트(Beat) 분류, 및 리듬(Rhythm) 분류 모듈을 각각 구동할 수 있다.
또한, 일실시예에 따른 웨어러블 심전도 신호 분석 방법은 각각 구동한 모듈을 이용하여, 처리된 딥러닝 결과들을 산출할 수 있다(단계 207).
예를 들어, 일실시예에 따른 웨어러블 심전도 신호 분석 방법은 웨이브 세그멘테이션 마다 라벨값을 설정하여 포인트 대 포인트로 결과를 도출하되, 심전도의 신호 길이만큼 웨이브 세그멘테이션의 값을 할당할 수 있다.
일실시예에 따른 웨어러블 심전도 신호 분석 방법은 구분된 복수의 모듈에서 처리된 딥러닝 결과들을 산출하기 위해, 비트(Beat) 분류 마다 라벨값을 설정하여 감지된 시간을 기준으로 결과를 산출할 수 있다.
또한, 리듬별로 라벨값을 설정하여 상기 웨이브 세그멘테이션 방식과 동일하게 하나씩 차례로 결과를 도출할 수 있고, 상기 심전도의 신호 길이만큼 리듬 라벨값을 설정할 수 있다.
한편, 일실시예에 따른 웨어러블 심전도 신호 분석 방법은 구분된 복수의 모듈에서 처리된 딥러닝 결과들을 산출하기 위해, 진양성(True Positive, TP), 위음성(False Negative, FN), 위양성(False Positive, FP) 중에서 적어도 하나 이상의 파라미터를 산출할 수 있다.
진양성(True Positive, TP) 파라미터는 양성을 양성이라고 올바르게 감지한 경우의 파라미터로서 정감지를 나타내고, 위음성(False Negative, FN)은 양성을 음성으로 감지하지 못한 경우의 파라미터로서 미감지를 나타내며, 위양성(False Positive, FP)은 음성을 양성이라 감지한 경우의 파라미터로서 오감지를 나타낸다. 예를 들어, 비트 분류의 경우 TN(True Negative)는 판단하지 않는다.
또한, 일실시예에 따른 웨어러블 심전도 신호 분석 방법은 서버로부터 정답지를 불러온 후(단계 208) 단계 207에서 산출한 딥러닝 결과와 결과 비교할 수 있다(단계 209).
일실시예에 따른 웨어러블 심전도 신호 분석 방법은 산출된 파라미터 중에서 적어도 둘 이상의 파라미터를 이용하여 성능을 평가함으로써, 산출한 딥러닝 결과와 결과 비교할 수 있다.
이를 위해, 일실시예에 따른 웨어러블 심전도 신호 분석 방법은 진양성(True Positive, TP), 위음성(False Negative, FN)을 이용하여 실제 양성 중 감지한 양성의 비율인 민감도(Sensitivity=Recall)를 산출할 수 있다.
특히, 일실시예에 따른 웨어러블 심전도 신호 분석 방법은 아래 수학식 1에 의해서 상기 민감도를 산출할 수 있다.
[수학식 1]
여기서 진양성(True Positive, TP) 파라미터는 양성을 양성이라고 올바르게 감지한 경우의 파라미터로서 정감지를 나타내고, 위음성(False Negative, FN)은 양성을 음성으로 감지하지 못한 경우의 파라미터로서 미감지를 나타낸다.
한편, 일실시예에 따른 웨어러블 심전도 신호 분석 방법은 진양성(True Positive, TP), 위양성(False Positive, FP)를 이용하여 실제 양성 중 감지된 양성 중 실제 양성의 비율인 양성 예측도를 산출할 수 있다.
특히, 일실시예에 따른 웨어러블 심전도 신호 분석 방법은 아래 수학식 2에 의해서 양성 예측도를 산출할 수 있다.
[수학식 2]
여기서 진양성(True Positive, TP) 파라미터는 양성을 양성이라고 올바르게 감지한 경우의 파라미터로서 정감지를 나타내고, 위음성(False Negative, FN)은 양성을 음성으로 감지하지 못한 경우의 파라미터로서 미감지를 나타내며, 위양성(False Positive, FP)은 음성을 양성이라 감지한 경우의 파라미터로서 오감지를 나타낸다.
한편, 일실시예에 따른 웨어러블 심전도 신호 분석 방법은 진양성(True Positive, TP), 위음성(False Negative, FN), 위양성(False Positive, FP)을 이용하여 민감도와 양성 예측도의 조화평균을 산출할 수 있다.
특히, 일실시예에 따른 웨어러블 심전도 신호 분석 방법은 아래 수학식 3에 의해서 조화평균을 산출할 수 있다.
[수학식 3]
한편, 일실시예에 따른 웨어러블 심전도 신호 분석 방법은 진양성(True Positive, TP), 위음성(False Negative, FN), 위양성(False Positive, FP)을 이용하여 실제 양성 중 오감지한 비율인 감지오류율을 산출할 수 있다.
특히, 진양성(True Positive, TP), 위음성(False Negative, FN), 위양성(False Positive, FP)을 이용하여 실제 양성 중 오감지한 비율인 감지오류율을 산출하기 위해, 아래 수학식 4에 의해서 감지오류율을 산출할 수 있다.
[수학식 4]
여기서 진양성(True Positive, TP) 파라미터는 양성을 양성이라고 올바르게 감지한 경우의 파라미터로서 정감지를 나타내고, 위음성(False Negative, FN)은 양성을 음성으로 감지하지 못한 경우의 파라미터로서 미감지를 나타내며, 위양성(False Positive, FP)은 음성을 양성이라 감지한 경우의 파라미터로서 오감지를 나타낸다.
비교한 결과에서 발생한 오류 데이터(단계 210)는 딥러닝 모델을 업데이트하기 위해(단계 212), 딥러닝 모델을 실행하는 과정으로 분기할 수 있다.
일실시예에 따른 웨어러블 심전도 신호 분석 방법은 비교한 결과를 표시할 수 있다(단계 211).
도 3은 일실시예에 따른 딥러닝 설정 창(300)을 설명하는 도면이다.
일실시예에 따른 딥러닝 설정 창(300)은 딥러닝 모델을 통해 분석하기 위해 기본적인 설정을 하기 위한 팝업 창으로서, 셀렉트 모드 영역, 모델 로더 영역 등으로 구분될 수 있다.
셀렉트 모드 영역은 딥러닝 모델의 기본 조건들을 선택하기 위한 영역으로 해석될 수 있고, 모델 로더 영역은 다양한 딥러닝 모델 중에서 분석을 위한 모델을 선택 및 로딩하기 위한 기능을 수행할 수 있다.
도 4는 일실시예에 따른 세그먼트 라벨링의 예시를 설명하는 도면(400)이다.
도면부호 400에서 보는 바와 같이, 각 Wave마다 라벨값을 설정하여 point by point로 결과를 도출할 수 있다.
또한, 심전도 신호의 길이만큼 웨이브 세그먼트 값이 할당될 수 있다.
Class Abbreviation | Class Name | SEERS_WAVELABEL |
NONE | None | -1 |
B_WAVE | Base | 0 |
P_WAVE | P | 1 |
T_WAVE | T | 2 |
F_WAVE | F: AFIB | 3 |
N_Wave | Normal | 4 |
S_Wave | PAC | 5 |
V_Wave | PVC | 6 |
NB_Wave | Noise: BLE | 7 |
NC_Wave | Noise: Common | 8 |
위 [표 1]은 Wave 라벨값 설정의 예시를 나타낸다.
Wave 라벨값 설정하기 위한 각 항목은, Class Abbreviation, Class Name,SEERS_WAVELABEL로 구분될 수 있고,
Class Abbreviation는 NONE, B_WAVE, P_WAVE, T_WAVE, F_WAVE, N_Wave, S_Wave, V_Wave, NB_Wave, NC_Wave로 구분될 수 있고, Class Name은 None, Base, P, T, F: AFIB, Normal, PAC, PVC, Noise: BLE, Noise: Common 등으로 구분될 수 있다.
또한, SEERS_WAVELABEL은 웨이브 세그먼트 값에 해당하는 수치가 기록될 수 있다.
Class Abbreviation | Class Name | SEERS_WAVELABEL |
N_BEAT | Normal beat | 10 |
S_BEAT | S beat | 11 |
V_BEAT | V beat | 12 |
F_BEAT | Fusion beat | 13 |
Q_BEAT | Qustionable beat | 14 |
P_BEAT | Paced beat | 15 |
J_BEAT | Junctional beat | 16 |
A_BEAT | Abberrant beat | 17 |
NS_BEAT | N/C PAC | 18 |
RTV_BEAT | RonT PVC | 19 |
[표 2]와 같이 Beat마다 라벨값을 설정하여 감지된 시간을 기준으로 결과를 도출할 수 있다.
Class Abbreviation | Class Name | SEERS_RHYTHMLABEL |
NORMAL | Normal Sinus Rhythm | -100 |
AFIB | Atrial fibrillation | 100 |
AFL | Atrial flutter | 101 |
AT | Atrial tachycardia | 102 |
SVT | Supraventricular tachycardia | 103 |
PSVT | Paroxismal SVT | 104 |
AVB1 | 1st degree AV block | 105 |
AVB2_M1 | 2nd degree AV block. Mobiz 1 | 106 |
AVB2_M2 | 2nd degree AV block. Mobiz 2 | 107 |
AVB2_HIGH | 2nd degree AV block. High | 108 |
AVB3 | 3rd degree AB block | 109 |
VT | Ventricular tachycardia | 110 |
[표 3]과 같이 리듬별로 라벨값을 설정하여 웨이브 세그멘테이션 방식과 동일하게 point by point로 결과를 도출할 수 있고, ECG 신호의 길이만큼 리듬 라벨값이 할당될 수 있다.
도 5는 일실시예에 따른 결과 비교 예시를 설명하는 도면(500)이다.
도면부호 500은 비트 비교를 위한 팝업으로서, 세팅 영역, 저장 설정 영역, 비교 영역 등을 포함할 수 있다.
비교 영역 Compare 기능을 사용하여 오감지 된 부분을 쉽게 확인할 수 있고, 또한 각 비트 별로 진단 검사 비교에 주로 사용되는 민감도, 양성 예측도, F1-Score, 감지 오류율 등 성능 평가 지표를 추출할 수 있다.
정답과 비교하여 오류가 발생한 파형에 대해 딥러닝 데이터 훈련용 데이터베이스에 자동 수집되어 딥러닝 모델이 자동 학습될 수 있다.
도 6은 일실시예에 따른 Sub-Dialog 창(600)의 예시를 나타내는 도면이다.
도면부호 600에서 보는 바와 같이, Sub-Dialog 창을 통해 원하는 시간의 이동이 빠르게 가능하며, 심전도 신호의 트렌드를 편리하게 확인 할 수 있다.
또한, 구간 저장 기능을 통하여 원하는 특정 구간에 대해서 csv파일 생성이 가능하다.
도 7은 일실시예에 따른 Group 기능의 예시를 나타내는 도면(700)이다.
도면부호 700과 같이 Group 기능을 사용하여 비트별로 유사하게 생긴 파형끼리 그룹핑을 진행하여 사용자가 빠르게 비트를 수정하거나 지울 수 있는 기능을 구현할 수 있다.
이렇게 본 발명을 이용하는 경우, 로(Raw) 신호를 읽는 부분을 수정하여 웨어러블 심전도 패치 외에 산소포화도 측정기 등과 같은 기타 의료기기, 피트니스 기기에 활용이 가능 할 것이라 예상된다.
또한, 세그멘테이션을 point 별로 비교하여 정답과의 정확도 확인 및 딥러닝 모델 학습이 가능할 것으로 예상되고, 비트 감지 시간과 종류를 비교하여 정확도 확인 및 딥러닝 모델 학습이 가능할 것으로 예상된다.
또한, 부정맥 리듬 구간의 시작과 끝의 타이밍, 리듬 타입 등을 비교하여 정확도 확인 및 딥러닝 모델 학습이 가능할 것으로 예상된다.
결국, 본 발명을 이용하는 경우, 웨어러블 심전도 패치를 여러 알고리즘으로 비교 분석하여 더 나은 알고리즘을 개발하는데 사용할 수 있을 것으로 기대되며, 알고리즘 개발에 반드시 필요한 데이터 수집에서 유용하게 활용될 수 있다.
뿐만 아니라, 자동 학습 기능을 통하여 딥러닝 모델을 효율적으로 향상 시킬 수 있고, 의료진들이 환자의 심전도 데이터를 분석하는데 효과적으로 활용할 수 있다.
또한, 본 발명을 이용하는 경우, 웨어러블 심전도 신호를 분석하는 방법으로 딥러닝을 사용하기 위해서는 Big Data를 효과적으로 수집할 수 있고, Wave Segmentation, Beat 분류, 리듬 감지를 기반으로 진행하는 딥러닝 모델을 구축하기 위해 데이터를 시각적, 효과적으로 수집할 수 있다.
뿐만 아니라, 구축된 딥러닝 모델을 적용한 결과값을 정답과 비교하여 오측정된 부분을 즉각적으로 확인할 수 있고, 진단 검사 비교에 주로 사용되는 민감도, 양성 예측도, F1-Score, 감지 오류율 등 성능 평가 지표를 추출할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
Claims (19)
- 서버로부터 심전도 데이터를 서버로부터 수집하는 단계;
딥러닝 모델을 실행하는 단계;
상기 실행한 딥러닝 모델에 기반하여, 복수의 모듈들을 구분하여 로딩하는 단계;
상기 구분된 복수의 모듈에서 처리된 딥러닝 결과들을 산출하는 단계;
상기 산출된 딥러닝 결과들을 비교하는 단계;
상기 비교한 결과에 따라 오류 데이터에 대해 상기 딥러닝 모델을 업데이트하기 위해, 상기 딥러닝 모델을 실행하는 과정으로 분기하는 단계; 및
상기 비교한 결과를 표시하는 단계;를 포함하되
상기 실행한 딥러닝 모델에 기반하여, 복수의 모듈들을 구분하여 로딩하는 단계는,
상기 복수의 모듈들로서, 웨이브 세그멘테이션(Wave Segmentation), 비트(Beat) 분류, 및 리듬(Rhythm) 분류 모듈을 구분하여 로딩하는 단계
를 포함하는 웨어러블 심전도 신호 분석 방법. - 삭제
- 제1항에 있어서,
상기 구분된 복수의 모듈에서 처리된 딥러닝 결과들을 산출하는 단계는,
상기 웨이브 세그멘테이션 마다 라벨값을 설정하여 포인트 대 포인트로 결과를 도출하되, 상기 심전도의 신호 길이만큼 웨이브 세그멘테이션의 값을 할당하는 단계
를 포함하는 웨어러블 심전도 신호 분석 방법. - 제1항에 있어서,
상기 구분된 복수의 모듈에서 처리된 딥러닝 결과들을 산출하는 단계는,
상기 비트(Beat) 분류 마다 라벨값을 설정하여 감지된 시간을 기준으로 결과를 산출하는 단계
를 포함하는 웨어러블 심전도 신호 분석 방법. - 제1항에 있어서,
상기 구분된 복수의 모듈에서 처리된 딥러닝 결과들을 산출하는 단계는,
리듬별로 라벨값을 설정하여 상기 웨이브 세그멘테이션 방식과 동일하게 하나씩 차례로 결과를 도출하는 단계
를 포함하는 웨어러블 심전도 신호 분석 방법. - 제5항에 있어서,
상기 구분된 복수의 모듈에서 처리된 딥러닝 결과들을 산출하는 단계는,
상기 심전도의 신호 길이만큼 리듬 라벨값을 설정하는 단계
를 포함하는 웨어러블 심전도 신호 분석 방법. - 제1항에 있어서,
상기 구분된 복수의 모듈에서 처리된 딥러닝 결과들을 산출하는 단계는,
진양성(True Positive, TP), 위음성(False Negative, FN), 위양성(False Positive, FP) 중에서 적어도 하나 이상의 파라미터를 산출하는 단계
를 포함하는 웨어러블 심전도 신호 분석 방법. - 제7항에 있어서,
상기 진양성(True Positive, TP)의 파라미터를 산출하는 단계는,
양성을 양성이라고 올바르게 감지한 경우에 나타나는 파라미터를 산출하는 단계
를 포함하는 웨어러블 심전도 신호 분석 방법. - 제7항에 있어서,
상기 위음성(False Negative, FN)의 파라미터를 산출하는 단계는,
양성을 음성으로 감지하지 못한 경우에 나타나는 파라미터를 산출하는 단계
를 포함하는 웨어러블 심전도 신호 분석 방법. - 제7항에 있어서,
위양성(False Positive, FP)의 파라미터를 산출하는 단계는,
음성을 양성이라 감지한 경우에 나타나는 파라미터를 산출하는 단계
를 포함하는 웨어러블 심전도 신호 분석 방법. - 제7항에 있어서,
상기 산출된 딥러닝 결과들을 비교하는 단계는,
상기 산출된 파라미터 중에서 적어도 둘 이상의 파라미터를 이용하여 성능을 평가하는 단계
를 포함하는 웨어러블 심전도 신호 분석 방법. - 제11항에 있어서,
상기 산출된 파라미터 중에서 적어도 둘 이상의 파라미터를 이용하여 성능을 평가하는 단계는,
진양성(True Positive, TP), 위음성(False Negative, FN)을 이용하여 실제 양성 중 감지한 양성의 비율인 민감도를 산출하는 단계
를 포함하는 웨어러블 심전도 신호 분석 방법. - 제11항에 있어서,
상기 산출된 파라미터 중에서 적어도 둘 이상의 파라미터를 이용하여 성능을 평가하는 단계는,
진양성(True Positive, TP), 위양성(False Positive, FP)를 이용하여 실제 양성 중 감지된 양성 중 실제 양성의 비율인 양성 예측도를 산출하는 단계
포함하는 웨어러블 심전도 신호 분석 방법. - 제11항에 있어서,
상기 산출된 파라미터 중에서 적어도 둘 이상의 파라미터를 이용하여 성능을 평가하는 단계는,
진양성(True Positive, TP), 위음성(False Negative, FN), 위양성(False Positive, FP)을 이용하여 민감도와 양성 예측도의 조화평균을 산출하는 단계
포함하는 웨어러블 심전도 신호 분석 방법. - 제11항에 있어서,
상기 산출된 파라미터 중에서 적어도 둘 이상의 파라미터를 이용하여 성능을 평가하는 단계는,
진양성(True Positive, TP), 위음성(False Negative, FN), 위양성(False Positive, FP)을 이용하여 실제 양성 중 오감지한 비율인 감지오류율을 산출하는 단계
포함하는 웨어러블 심전도 신호 분석 방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210182369A KR102437348B1 (ko) | 2021-12-20 | 2021-12-20 | 웨어러블 심전도 신호 분석 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210182369A KR102437348B1 (ko) | 2021-12-20 | 2021-12-20 | 웨어러블 심전도 신호 분석 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102437348B1 true KR102437348B1 (ko) | 2022-08-29 |
Family
ID=83113695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210182369A KR102437348B1 (ko) | 2021-12-20 | 2021-12-20 | 웨어러블 심전도 신호 분석 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102437348B1 (ko) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20240109400A (ko) | 2023-01-04 | 2024-07-11 | 전남대학교산학협력단 | 근전도 및 가속도계를 이용한 심전도 동잡음 감소 방법 및 장치 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190114694A (ko) * | 2018-03-30 | 2019-10-10 | 삼성에스디에스 주식회사 | 인공지능을 이용한 시계열 데이터 학습 및 분석 방법 |
KR102132375B1 (ko) * | 2019-07-05 | 2020-07-09 | 한국과학기술원 | 딥 러닝 모델을 활용한 영상 진단 장치 및 그 방법 |
KR102208759B1 (ko) * | 2020-12-23 | 2021-01-29 | 주식회사 아이메디신 | 생체 신호에 기반하여 건강상태 및 병리증상을 진단하기 위한 딥러닝 모델 생성방법 |
KR20210054975A (ko) | 2019-11-06 | 2021-05-14 | 메디팜소프트(주) | Ai 기반 심전도 판독 시스템 |
KR102322234B1 (ko) | 2020-12-29 | 2021-11-05 | (주)씨어스테크놀로지 | 딥러닝을 이용한 심전도 시각화 방법 및 장치 |
-
2021
- 2021-12-20 KR KR1020210182369A patent/KR102437348B1/ko active IP Right Grant
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190114694A (ko) * | 2018-03-30 | 2019-10-10 | 삼성에스디에스 주식회사 | 인공지능을 이용한 시계열 데이터 학습 및 분석 방법 |
KR102132375B1 (ko) * | 2019-07-05 | 2020-07-09 | 한국과학기술원 | 딥 러닝 모델을 활용한 영상 진단 장치 및 그 방법 |
KR20210054975A (ko) | 2019-11-06 | 2021-05-14 | 메디팜소프트(주) | Ai 기반 심전도 판독 시스템 |
KR102208759B1 (ko) * | 2020-12-23 | 2021-01-29 | 주식회사 아이메디신 | 생체 신호에 기반하여 건강상태 및 병리증상을 진단하기 위한 딥러닝 모델 생성방법 |
KR102322234B1 (ko) | 2020-12-29 | 2021-11-05 | (주)씨어스테크놀로지 | 딥러닝을 이용한 심전도 시각화 방법 및 장치 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20240109400A (ko) | 2023-01-04 | 2024-07-11 | 전남대학교산학협력단 | 근전도 및 가속도계를 이용한 심전도 동잡음 감소 방법 및 장치 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Smith et al. | A deep neural network learning algorithm outperforms a conventional algorithm for emergency department electrocardiogram interpretation | |
CN105228508B (zh) | 一种测定用于分类的危险评分的*** | |
EP1179319B1 (en) | Apparatus to detect acute cardiac syndromes in specified groups of patients using ECG | |
JP4386235B2 (ja) | 心電図の順次比較のための方法及び装置 | |
CN102551701A (zh) | 通过周期性信号分析检测实体物件异常运作的***及方法 | |
JP7299636B2 (ja) | 心電図信号の分類データを提供する方法及びその電子装置 | |
KR20220077583A (ko) | 설명 가능한 다중 심전도 부정맥 진단 장치 및 방법 | |
Simoons et al. | Quantitation of exercise electrocardiography. | |
CN111358460A (zh) | 心律失常的识别方法、装置及电子设备 | |
Queiroz et al. | Diagnostic decision support systems for atrial fibrillation based on a novel electrocardiogram approach | |
KR102437348B1 (ko) | 웨어러블 심전도 신호 분석 방법 | |
Kuila et al. | Feature extraction and classification of MIT-BIH arrhythmia database | |
KR102387703B1 (ko) | 심전도 판독을 수정하기 위한 방법 및 장치 | |
Tung et al. | Multi-lead ECG classification via an information-based attention convolutional neural network | |
Sengupta et al. | Detection of bradycardia from electrocardiogram signals using feature extraction and snapshot ensembling | |
Stabenau et al. | BRAVEHEART: Open-source software for automated electrocardiographic and vectorcardiographic analysis | |
Zhao et al. | Early detection of coronary microvascular dysfunction using machine learning algorithm based on vectorcardiography and cardiodynamicsgram features | |
US10925504B2 (en) | Method for ECG lead placement changes to be accurately accounted for | |
Hong et al. | Gated temporal convolutional neural network and expert features for diagnosing and explaining physiological time series: a case study on heart rates | |
Hori et al. | Arrhythmia detection based on patient-specific normal ECGs using deep learning | |
Madona et al. | Classification of ECG signals using the Naïve Bayes classification method and its implementation in android-based smart health care | |
Manukova et al. | An Approach to Evaluation of Clinically Healthy People by Preventive Cardio Control | |
Al-Zaiti et al. | The role of automated 12-lead ECG interpretation in the diagnosis and risk stratification of cardiovascular disease | |
JP4931638B2 (ja) | エクササイズテスト解釈 | |
Iscra et al. | Interpretable model to support differential diagnosis between ischemic heart disease, dilated cardiomyopathy and healthy subjects |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |