KR20210154675A - System of providing complex living support solution by monitoring and analyzing biosignal based on artificial intelligence and operating method thereof - Google Patents
System of providing complex living support solution by monitoring and analyzing biosignal based on artificial intelligence and operating method thereof Download PDFInfo
- Publication number
- KR20210154675A KR20210154675A KR1020200108604A KR20200108604A KR20210154675A KR 20210154675 A KR20210154675 A KR 20210154675A KR 1020200108604 A KR1020200108604 A KR 1020200108604A KR 20200108604 A KR20200108604 A KR 20200108604A KR 20210154675 A KR20210154675 A KR 20210154675A
- Authority
- KR
- South Korea
- Prior art keywords
- signal
- model
- information
- case
- biosignal
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 114
- 238000012544 monitoring process Methods 0.000 title claims abstract description 85
- 238000011017 operating method Methods 0.000 title claims description 7
- 208000024172 Cardiovascular disease Diseases 0.000 claims abstract description 66
- 230000033001 locomotion Effects 0.000 claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 238000010801 machine learning Methods 0.000 claims abstract description 30
- 208000002330 Congenital Heart Defects Diseases 0.000 claims abstract description 19
- 230000005831 heart abnormality Effects 0.000 claims abstract description 19
- 230000000877 morphologic effect Effects 0.000 claims abstract description 19
- 230000008859 change Effects 0.000 claims abstract description 6
- 230000005856 abnormality Effects 0.000 claims description 65
- 230000000747 cardiac effect Effects 0.000 claims description 62
- 238000000034 method Methods 0.000 claims description 50
- 238000012545 processing Methods 0.000 claims description 47
- 230000008602 contraction Effects 0.000 claims description 45
- 230000002028 premature Effects 0.000 claims description 43
- 208000010496 Heart Arrest Diseases 0.000 claims description 31
- 230000036760 body temperature Effects 0.000 claims description 29
- 208000001871 Tachycardia Diseases 0.000 claims description 23
- 230000001746 atrial effect Effects 0.000 claims description 23
- 230000006794 tachycardia Effects 0.000 claims description 23
- 230000002861 ventricular Effects 0.000 claims description 22
- 206010003658 Atrial Fibrillation Diseases 0.000 claims description 21
- 208000006218 bradycardia Diseases 0.000 claims description 21
- 230000036471 bradycardia Effects 0.000 claims description 21
- 201000010099 disease Diseases 0.000 claims description 21
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 21
- 238000005259 measurement Methods 0.000 claims description 21
- 238000006243 chemical reaction Methods 0.000 claims description 18
- 238000007726 management method Methods 0.000 claims description 16
- 230000000474 nursing effect Effects 0.000 claims description 12
- 210000000707 wrist Anatomy 0.000 claims description 11
- 230000037081 physical activity Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 230000008904 neural response Effects 0.000 claims description 6
- 238000013523 data management Methods 0.000 claims description 5
- 238000013079 data visualisation Methods 0.000 claims description 5
- 208000019622 heart disease Diseases 0.000 claims description 5
- 238000013186 photoplethysmography Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000002567 autonomic effect Effects 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 18
- 206010019280 Heart failures Diseases 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 42
- 238000004458 analytical method Methods 0.000 description 23
- 206010003119 arrhythmia Diseases 0.000 description 11
- 230000006793 arrhythmia Effects 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 10
- 239000000284 extract Substances 0.000 description 10
- 238000013145 classification model Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000013136 deep learning model Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000014509 gene expression Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000034994 death Effects 0.000 description 5
- 231100000517 death Toxicity 0.000 description 5
- 230000004217 heart function Effects 0.000 description 5
- 238000004393 prognosis Methods 0.000 description 5
- 208000017667 Chronic Disease Diseases 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 208000029078 coronary artery disease Diseases 0.000 description 4
- 208000010125 myocardial infarction Diseases 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229920000642 polymer Polymers 0.000 description 2
- 206010036596 premature ejaculation Diseases 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 208000028399 Critical Illness Diseases 0.000 description 1
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000035581 baroreflex Effects 0.000 description 1
- 230000005189 cardiac health Effects 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
-
- 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
- G16H50/30—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
Landscapes
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Emergency Management (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Child & Adolescent Psychology (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Pathology (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
Description
본 발명은 생체신호 측정 장치를 이용하여 측정된 생체신호를 인공지능에 기반하여 모니터링 및 분석함에 따라 복합 생활 지원 솔루션을 제공하는 기술적 사상에 관한 것으로, 생체신호 측정 장치를 이용하여 측정된 생체신호를 인공지능 알고리즘을 이용하여 학습 및 분석하여 심장이상 종류 모델을 결정하고, 결정된 심장이상 종류 모델에 대한 평가에 기반하여 심혈관계 질환에 대한 보다 정확한 결정을 지원함에 따라 맞춤형 의료 서비스 제공 및 심장질환과 관련된 의사 결정을 지원하는 기술에 관한 것이다.The present invention relates to a technical idea of providing a complex life support solution by monitoring and analyzing bio-signals measured using a bio-signal measuring device based on artificial intelligence. By learning and analyzing using an artificial intelligence algorithm to determine the type of heart abnormality model, and supporting more accurate decisions on cardiovascular disease based on the evaluation of the determined type of cardiac abnormality model, customized medical services are provided and related to heart disease It is about technology that supports decision-making.
인구통계 변화를 참고하면, 2025년 65세 이상 고령인구는 1050만 8000명으로 전체 인구 5621만 명의 20%를 차지할 예정이고, 중환자실 환자 기하급수적으로 증가하여 요양병원 및 시설의 수용 지속적 증가 추세에 있다.Referring to demographic changes, the population aged 65 and over is expected to reach 10.5 million in 2025, accounting for 20% of the total population of 56.21 million. have.
심뇌혈관질환은 전체 사망원인의 24.3%를 차지하며, 인구고령화와 직접적인 상관관계를 가지고 있다.Cardiocerebrovascular disease accounts for 24.3% of all deaths and has a direct correlation with the aging of the population.
병원에서 공개하는 정보에 따르면, 중환자실 환자의 병원 내 사망률은 18%로 선진국의 약 2배이고, 2018년 국가 전체 사망자의 3분의 1은 노인요양병원 및 요양시설에서 사망하고 있다.According to information released by hospitals, the in-hospital mortality rate of intensive care unit patients is 18%, which is about twice that of developed countries, and one-third of all deaths in the country in 2018 are deaths in elderly care hospitals and nursing homes.
적정성평가 2등급 이상을 획득한 중환자실은 전체 중 약 1/3만을 차지하고, 의료 서비스 수준의 질적 향상이 요구되며, 노인입원의 의료비 비중은 2016년 기준으로 약47.6%로 약 14%의 노인인구가 전체 의료비의 절반 정도를 사용하고 있다.Intensive care units that have obtained grade 2 or higher in the adequacy assessment account for only about one-third of the total, and the quality of medical services needs to be improved. It accounts for about half of all medical expenses.
중환자실의 낮은 수가는 상급종합병원/종합병원의 적자에 기여하고, 의료기관 중 요양병원은 일자리 창출에 가장 크게 기여하나 100병상당 입원 수입은 최하 수준에 해당된다.The low number of intensive care units contributes to the deficit of tertiary hospitals/general hospitals, and among medical institutions, nursing hospitals contribute the most to job creation, but inpatient income per 100 beds is the lowest.
상술한 문제들의 해결하기 위한 대표적인 기술들은 환자 모니터링(Patient monitoring) 기술 측면에서 ECG(Electrocardiogram), PPG(Photoplethysmogram, 신체 활동 측정 시스템(Actigraph), 3D 뎁스 카메라(Depth camera)를 이용한 모니터링 기술이 존재한다.Representative technologies for solving the above problems are monitoring technologies using electrocardiogram (ECG), photoplethysmogram (PPG), physical activity measurement system (Actigraph), and 3D depth camera in terms of patient monitoring technology. .
한편, 인공 지능 기반 생체신호 처리(AI-based physiological signal processing) 기술 측면에서 딥러닝 모델(Deep-learning model) 관련 아티팩트 제거(Artifact removal), 딥러닝 모델(Deep-learning model) 관련 신호 인코딩 및 디코딩(Signal encoding and decoding), 딥러닝 모델(Deep-learning model) 관련 부정맥 감지 및 분류(Arrhythmia detection and classification) 및 딥러닝 모델(Deep-learning model) 관련 만성 질환의 위험 평가(Risk assessment of chronic diseases)를 포함하고 있다.On the other hand, in terms of AI-based physiological signal processing technology, deep-learning model related artifact removal and deep-learning model related signal encoding and decoding (Signal encoding and decoding), deep-learning model-related arrhythmia detection and classification, and deep-learning model-related risk assessment of chronic diseases contains
또한, 신호 분석(General signal analysis) 기술 측면에서 HRV(Heart rate variability), BRS(Baroreflex sensitivity), Pulse morphology analysis를 포함하고, 엣지 컴퓨팅(Edge computing) 기술 측면에서 Centralized monitoring of hospital, Embedded artificial intelligence model, Real-time stream data analysis을 포함할 수 있다.In addition, in terms of general signal analysis technology, it includes HRV (Heart rate variability), BRS (Baroreflex sensitivity), and pulse morphology analysis, and in terms of edge computing technology, Centralized monitoring of hospital, Embedded artificial intelligence model , real-time stream data analysis may be included.
그러나, 현재 병실의 환자 모니터링을 위한 기술은 저품질의 생체신호 데이터에 따라 중환자실 환자 모니터링 중 오경보(false alarm)가 매우 빈번히 발생되고, 이에 따른 의료진의 업무효율 및 환자의 예후가 악화되고 있다.However, in the current technology for patient monitoring in the ward, false alarms occur very frequently during monitoring of patients in the intensive care unit according to low-quality biosignal data, thereby deteriorating the work efficiency of the medical staff and the prognosis of the patient.
또한, 의료 데이터는 2020년까지 73일마다 2배씩 증가하고 있으나, 대용량의 저품질 데이터를 처리하기 위해서는 노동집약적 및 후향적 분석이 요구되는 실정이다.In addition, medical data is doubling every 73 days until 2020, but labor-intensive and retrospective analysis is required to process large amounts of low-quality data.
또한, 폭증하는 데이터에 비해 그것을 분석할 인력은 턱없이 부족하여 수익 문제 등으로 인하여 의료 인력의 증원이 어려움을 겪고 있다.In addition, compared to the exploding data, there are not enough manpower to analyze it, so it is difficult to increase the number of medical personnel due to problems with revenue.
본 발명은 환자에 부착되어 환자의 상태를 감지하는 생체신호 측정 장치와 심장상태와 관련된 생체신호를 인공지능 알고리즘을 이용하는 서버에 기반하여 심근경색, 관상동맥질환과 같은 주요 심혈관계 질환 구분 모델을 결정하고, 결정된 주요 심혈관계 질환 구분 모델에 기반하여 의사의 오진 및 오 경보 발생을 방지하는 것을 목적으로 한다.The present invention determines a classification model for major cardiovascular diseases such as myocardial infarction and coronary artery disease based on a biosignal measuring device attached to a patient to detect the patient's condition and a server using an artificial intelligence algorithm for biosignals related to the heart condition and to prevent the occurrence of false diagnosis and false alarms by doctors based on the determined major cardiovascular disease classification model.
본 발명은 포스트 코로나 시대에 대비한 원격진료 서비스를 포함하는 복합 생활 지원 솔루션을 제공하는 것을 목적으로 한다.An object of the present invention is to provide a complex life support solution including a telemedicine service in preparation for the post-corona era.
본 발명은 심정지, 낙상 등의 위급상황 발생 탐지 시, 요양 병원 의료진 및 응급센터로 위급상황 정보 및 기초 생체신호 정보를 전송하여 외부의 유관기관이 분석 데이터를 실시간으로 수신하여 지원 대상자의 위급 상황을 대비하는 복합 생활 지원 솔루션을 제공하는 것을 목적으로 한다.The present invention transmits emergency situation information and basic biosignal information to medical staff and emergency centers of nursing hospitals and emergency centers when an emergency such as cardiac arrest or a fall is detected, and an external related institution receives the analysis data in real time to detect the emergency situation of the person being supported It aims to provide a complex life support solution to prepare for.
본 발명은 환자의 현재 상태를 정확히 측정 및 분석함에 따라 병실에서 발생될 수 있는 오 경보의 횟수를 감소시키고, 이에 따라 의료진의 업무 효율과 환자의 예후를 향상시키는 것을 목적으로 한다.An object of the present invention is to reduce the number of false alarms that may be generated in a hospital room by accurately measuring and analyzing a patient's current condition, thereby improving the work efficiency of medical staff and the patient's prognosis.
본 발명은 실시간 부정맥 탐지를 위한 심장상태 분석, 신호 분석 신뢰도 제고를 위한 생체신호 품질 관리, 조기 질환 관리를 위한 주요 심혈관질환 평가를 수행할 수 있도록 환자의 심장상태를 감지하는 것을 목적으로 한다.An object of the present invention is to detect the heart condition of a patient so that heart condition analysis for real-time arrhythmia detection, biosignal quality control for improving signal analysis reliability, and major cardiovascular disease evaluation for early disease management can be performed.
본 발명은 환자에 부착되어 환자의 심장상태를 감지하는 생체신호 측정 장치로부터 측정되는 생체신호를 기 저장된 인공지능 알고리즘에 기반하여 분석함에 따라 빈맥, 서맥, 심방세동, 좌각차단, 우각차단, 심방조기수축, 심실조기 수축, 심정지 등과 같은 주요 심장 이상 종류를 탐지하는 것을 목적으로 한다.According to the present invention, tachycardia, bradycardia, atrial fibrillation, left-angle block, right-angle block, and atrial premature ejaculation are analyzed based on a pre-stored artificial intelligence algorithm for bio-signals measured from a bio-signal measuring device attached to a patient and detecting the patient's heart condition. It aims to detect major types of cardiac abnormalities such as contractions, ventricular premature contractions, and cardiac arrest.
본 발명은 기 저장된 인공지능 알고리즘과 오픈 데이터 셋을 이용하여 심장기능 이상 구분 정확도, 위급 상황 구분 정확도 및 아티팩트 신호 검출 정확도 계산함에따라 환자에 부착되어 환자의 심장상태를 감지하는 생체신호 측정 장치로부터 측정되는 생체신호의 측정 정확도를 학습 및 평가하여 생체신호의 측정 정확도를 개선하는 것을 목적으로 한다.The present invention uses a pre-stored artificial intelligence algorithm and open data set to calculate cardiac function abnormality classification accuracy, emergency situation classification accuracy, and artifact signal detection accuracy. The purpose of the present invention is to improve the measurement accuracy of biosignals by learning and evaluating the measurement accuracy of biosignals.
본 발명은 부정맥의 지속적 감시를 통해 진단보조 및 의료비용 절감에 기여하는 것을 목적으로 한다.An object of the present invention is to contribute to diagnosis assistance and reduction of medical costs through continuous monitoring of arrhythmias.
본 발명은 인공지능 학습 기술을 이용하여 맥파 및 심전도 파형의 분석을 통한 만성질환의 위험도 평가 기능을 제공하는 것을 목적으로 한다.An object of the present invention is to provide a function of evaluating the risk of chronic diseases through analysis of pulse waves and ECG waveforms using artificial intelligence learning technology.
본 발명의 일실시예에 따르면 복합 생활 지원 솔루션 제공 시스템은 지원 대상자의 심전도 신호, 움직임 신호, 체온 신호 및 맥파 신호 중 적어도 하나를 포함하는 생체신호를 포함하는 모니터링 정보를 서버로 전송하는 게이트웨이 및 상기 전송된 모니터링 정보로부터 상기 생체신호의 심전도 신호를 추출하고, 기 저장된 인공지능 기계학습 알고리즘에 기반하여 상기 추출된 심전도 신호의 시간 표준화된 이미지로의 변환을 통한 형태학적 정보를 특징 정보로 추출하고, 상기 추출된 특징 정보를 이용하여 복수의 심장이상 종류 모델을 결정하며, 상기 결정된 복수의 심장이상 종류 모델에 대한 구분 정확도를 계산하고, 상기 계산된 정확도에 기반하여 상기 결정된 심장이상 종류 모델과 공개된 심혈관계 질환 데이터를 이용하여 상기 지원 대상자의 심혈관계 질환 및 위급 상태 여부를 결정하고, 상기 결정된 심혈관계 질환 및 상기 위급 상태 여부에 대한 정보와 상기 생체신호의 변동 정보를 사용자 단말 장치로 피드백하는 서버를 포함할 수 있다.According to an embodiment of the present invention, a system for providing a complex life support solution includes a gateway for transmitting monitoring information including a biosignal including at least one of an electrocardiogram signal, a motion signal, a body temperature signal, and a pulse wave signal of a subject to be supported to a server, and the Extracting the ECG signal of the biosignal from the transmitted monitoring information, and extracting the morphological information through conversion of the extracted ECG signal into a time-standardized image based on a pre-stored artificial intelligence machine learning algorithm as feature information, A plurality of cardiac abnormality type models are determined using the extracted characteristic information, classification accuracy of the plurality of determined cardiac abnormality type models is calculated, and the determined cardiac abnormality type model and published models are based on the calculated accuracy. A server that determines whether the support target has a cardiovascular disease and an emergency state using the cardiovascular disease data, and feeds back information on the determined cardiovascular disease and the emergency state and information on fluctuations in the biosignal to a user terminal device may include
상기 사용자 단말 장치는 의료진 단말 장치, 보호자 단말 장치 및 응급센터 단말 장치 중 적어도 하나를 포함하고, 상기 사용자 단말 장치는 상기 결정된 심혈관계 질환 및 상기 위급 상태 여부에 대한 정보와 상기 생체신호의 변동 정보 중 적어도 하나를 포함하는 정보를 출력하며, 상기 의료진 단말 장치에 출력되는 정보에 따라 생성되는 처방정보에 기초하여 상기 보호자 단말 장치 및 상기 응급센터 단말 장치에도 상기 처방정보가 업데이트될 수 있다.The user terminal device includes at least one of a medical staff terminal device, a guardian terminal device, and an emergency center terminal device, and the user terminal device includes information about the determined cardiovascular disease and the emergency state and information on fluctuations in the biosignals. Information including at least one is output, and the prescription information may be updated in the guardian terminal device and the emergency center terminal device based on prescription information generated according to the information output to the medical staff terminal device.
상기 사용자 단말 장치는 상기 결정된 심혈관계 질환 및 상기 위급 상태 여부에 대한 정보와 상기 생체신호의 변동 정보에 기반하여 상기 지원 대상자의 간호 관리 서비스, 질환 데이터 관리 서비스, 질환 데이터 시각화, 질환 데이터 통계 서비스 및 응급 푸쉬 알림 서비스 중 적어도 하나를 제공할 수 있다.The user terminal device includes a nursing management service, a disease data management service, a disease data visualization, a disease data statistical service and At least one of an emergency push notification service may be provided.
상기 서버는 상기 지원 대상자로부터 측정된 3D 깊이 이미지, 심전도 신호, 움직임 신호, 체온 신호 및 맥파 신호를 포함하는 생체신호가 포함된 모니터링 정보를 수집하는 모니터링 정보 수집부, 상기 전송된 모니터링 정보에 포함된 심전도 신호를 추출하는 신호 추출부, 기 저장된 인공지능 기계학습 알고리즘에 기반하여 상기 추출된 심전도 신호의 시간 표준화된 이미지로의 변환을 통한 형태학적 정보를 특징 정보로 추출하고, 상기 추출된 특징 정보를 이용하여 복수의 심장이상 종류 모델을 결정하며, 상기 결정된 복수의 심장이상 종류 모델에 대한 구분 정확도를 계산하고, 상기 계산된 정확도에 기반하여 상기 결정된 심장이상 종류 모델과 공개된 심혈관계 질환 데이터를 이용하여 상기 지원 대상자의 심혈관계 질환 및 위급 상태 여부를 결정하는 인공지능 처리부 및 상기 결정된 심혈관계 질환 및 상기 위급 상태 여부에 대한 정보와 상기 생체신호의 변동 정보 중 적어도 하나의 정보를 상기 사용자 단말 장치로 피드백하도록 제어하는 제어부를 포함할 수 있다.The server includes a monitoring information collection unit that collects monitoring information including a 3D depth image, an electrocardiogram signal, a motion signal, a body temperature signal, and a biosignal including a pulse wave signal measured from the support target, and the transmitted monitoring information includes A signal extraction unit for extracting an electrocardiogram signal, extracts morphological information through conversion of the extracted electrocardiogram signal into a time-standardized image based on a pre-stored artificial intelligence machine learning algorithm, into feature information, and extracts the extracted feature information a plurality of cardiac abnormality type models are determined using the an artificial intelligence processing unit that determines whether the support target has cardiovascular disease and an emergency state, and at least one of information about the determined cardiovascular disease and the emergency state and information on fluctuations in the biosignal to the user terminal device It may include a control unit for controlling the feedback.
상기 인공지능 처리부는 상기 인공지능 처리부는 상기 추출된 심전도 신호의 시간 도메인(time domain)에 기반하여정규화 신호를 생성하며, 상기 생성된 정규화 신호를 상기 시간 표준화된 이미지로 변환하고, 상기 변환된 이미지에 상기 기 저장된 인공지능 기계학습 알고리즘 기반 가중치를 적용하여 압축 신호를 생성하며, 상기 적용된 가중치를 이용하여 상기 압축 신호로부터 복원 신호를 생성하고, 상기 생성된 정규화 신호와 상기 생성된 복원 신호의 차이가 사전 설정된 임계 범위에 해당되도록 상기 가중치를 기계학습하여 상기 심전도 신호의 형태학적 정보를 상기 특징 정보로 추출할 수 있다.The artificial intelligence processing unit generates a normalized signal based on the time domain of the extracted electrocardiogram signal, the artificial intelligence processing unit converts the generated normalized signal into the time normalized image, and the converted image A compressed signal is generated by applying the pre-stored artificial intelligence machine learning algorithm-based weight to the , and a restored signal is generated from the compressed signal using the applied weight, and the difference between the generated normalized signal and the generated restored signal is The morphological information of the ECG signal may be extracted as the feature information by machine learning the weight to correspond to a preset threshold range.
상기 인공지능 처리부는 상기 특징 정보를 기계학습하여 상기 복수의 심장이상 종류 모델을 빈맥 모델, 서맥 모델, 심방세동 모델, 좌각차단 모델, 우각차단 모델, 심방조기수축 모델, 심실조기수축 모델, 심정지 모델 및 정상 심장상태 모델 중 적어도 하나의 모델로 결정할 수 있다.The artificial intelligence processing unit machine-learns the characteristic information and converts the plurality of cardiac abnormality types models into a tachycardia model, a bradycardia model, an atrial fibrillation model, a left-angle block model, a right-angle block model, atrial premature contraction model, a ventricular premature contraction model, a cardiac arrest model. and at least one model of a normal heart state model.
상기 인공지능 처리부는 오픈 데이터 셋과 상기 빈맥 모델, 상기 서맥 모델, 상기 심방세동 모델, 상기 좌각차단 모델, 상기 우각차단 모델, 상기 심방조기수축 모델 및 상기 심실조기수축 모델 중 적어도 하나의 모델과 상기 정상 심장상태 모델을 이용하여 심장이상을 상기 심장이상으로 구분하는 TP(True Positive) 경우, 상기 심장이상을 정상으로 구분하는 FN(False Negative) 경우, 상기 정상을 상기 심장이상으로 구분하는 FP(False Positive) 경우 및 상기 정상을 상기 정상으로 구분하는 TN(True Negative) 경우로 분류하고, 상기 TP(True Positive) 경우의 수치, 상기 FN(False Negative) 경우의 수치, 상기 FP(False Positive) 경우의 수치 및 상기 TN(True Negative) 경우의 수치의 결합에 대한 상기 TP(True Positive) 경우의 수치와 상기 TN(True Negative) 경우의 수치의 결합의 비율에 기반하여 상기 빈맥 모델, 상기 서맥 모델, 상기 심방세동 모델, 상기 좌각차단 모델, 상기 우각차단 모델, 상기 심방조기수축 모델 및 상기 심실조기수축 모델 중 적어도 하나에 대한 구분 정확도를 계산할 수 있다.The artificial intelligence processing unit includes an open data set and at least one of the tachycardia model, the bradycardia model, the atrial fibrillation model, the left-angle block model, the right-angle block model, the atrial premature contraction model, and the ventricular premature contraction model; In the case of TP (True Positive) that classifies the cardiac abnormality as the cardiac abnormality using a normal heart condition model, and the FN (False Negative) case that classifies the cardiac abnormality as the normal, FP (False) that classifies the normal as the cardiac abnormality Positive) case and TN (True Negative) case that classifies the normal into the normal, the TP (True Positive) case, the FN (False Negative) case, the FP (False Positive) case The tachycardia model, the bradycardia model, the tachycardia model based on the ratio of the combination of the TP (True Positive) value and the TN (True Negative) case value to the combination of the numerical value and the TN (True Negative) case value. A classification accuracy for at least one of the atrial fibrillation model, the left-angle block model, the right-angle block model, the atrial premature contraction model, and the ventricular premature contraction model may be calculated.
상기 인공지능 처리부는 오픈 데이터 셋과 상기 심정지 모델과 상기 정상 심장상태 모델을 이용하여 심정지 구간을 상기 심정지 구간으로 구분하는 TP(True Positive) 경우, 상기 심정지 구간을 정상 구간으로 구분하는 FN(False Negative) 경우, 상기 정상 구간을 상기 심정지 구간으로 구분하는 FP(False Positive) 경우 및 상기 정상 구간을 상기 정상 구간으로 구분하는 TN(True Negative) 경우로 분류하고, 상기 TP(True Positive) 경우의 수치, 상기 FN(False Negative) 경우의 수치, 상기 FP(False Positive) 경우의 수치 및 상기 TN(True Negative) 경우의 수치의 결합에 대한 상기 TP(True Positive) 경우의 수치와 상기 TN(True Negative) 경우의 수치의 결합의 비율에 기반하여 위급 상황 구분 정확도를 계산할 수 있다.The artificial intelligence processing unit uses an open data set, the cardiac arrest model, and the normal heart state model to divide the cardiac arrest section into the cardiac arrest section (True Positive) (TP), which divides the cardiac arrest section into a normal section (False Negative FN) ), classifying the FP (false positive) case that divides the normal section into the cardiac arrest section and the TN (True Negative) case that classifies the normal section into the normal section, the TP (True Positive) case, The TN (True Negative) case and the TP (True Positive) case for the combination of the FN (False Negative) case, the FP (False Positive) case, and the TN (True Negative) case. It is possible to calculate the emergency classification accuracy based on the ratio of the combination of the numerical values of .
상기 인공지능 처리부는 아티팩트 신호를 상기 아티팩트 신호로 구분하는 TP(True Positive) 경우, 상기 아티팩트 신호를 정상 신호 구분하는 FN(False Negative) 경우 및 상기 정상 신호를 상기 아티팩트 신호로 구분하는 FP(False Positive) 경우, 상기 정상 신호를 상기 정상 신호로 구분하는 TN(True Negative) 경우로 분류하고, 상기 TP(True Positive) 경우의 수치, 상기 FN(False Negative) 경우의 수치, 상기 FP(False Positive) 경우의 수치 및 상기 TN(True Negative) 경우의 수치의 결합에 대한 상기 TP(True Positive) 경우의 수치와 상기 TN(True Negative) 경우의 수치의 결합의 비율에 기반하여 아티팩트 제거 정확도를 계산할 수 있다.The artificial intelligence processing unit divides the artifact signal into the artifact signal in a True Positive (TP) case, in a FN (False Negative) case in which the artifact signal is classified as a normal signal, and in a FP (False Positive) case that classifies the normal signal into the artifact signal. ), the normal signal is classified as a TN (True Negative) case for classifying the normal signal, the TP (True Positive) case, the FN (False Negative) case, and the FP (False Positive) case Artifact removal accuracy may be calculated based on a ratio of the combination of the numerical value of the TP (True Positive) case to the combination of the numerical value of the TN (True Negative) case and the numerical value of the TN (True Negative) case.
상기 제어부는 상기 심전도 신호 및 움직임 신호 중 적어도 하나가 측정된 후, 상기 측정된 심전도 신호의 개수와 상기 측정된 움직임 신호의 개수를 계산하고, 상기 계산된 심전도 신호의 개수와 상기 계산된 움직임 신호의 개수를 임계 값과 비교하여 상기 심전도 신호와 상기 움직임 신호의 데이터 수신 상태를 확인할 수 있다.After at least one of the ECG signal and the motion signal is measured, the controller calculates the measured number of ECG signals and the measured number of motion signals, and calculates the number of ECG signals and the calculated motion signals. By comparing the number with a threshold value, a data reception state of the ECG signal and the motion signal may be confirmed.
본 발명의 일실시예에 따르면 복합 생활 지원 솔루션 제공 시스템은 상기 지원 대상자로부터 3D 깊이 이미지, 심전도 신호, 움직임 신호, 체온 신호 및 맥파 신호 중 적어도 하나를 포함하는 생체신호를 측정하고, 상기 측정된 생체신호가 포함된 모니터링 정보를 인공지능 인코더를 통해 출력하는 생체신호 모니터링부 및 상기 출력된 모니터링 정보를 근거리 무선통신을 이용하여 상기 게이트웨이를 통해 상기 서버로 전송하도록 제어하는 제어부를 포함하는 생체신호 측정 장치를 더 포함할 수 있다.According to an embodiment of the present invention, the complex life support solution providing system measures a biosignal including at least one of a 3D depth image, an electrocardiogram signal, a motion signal, a body temperature signal, and a pulse wave signal from the support subject, and the measured biometric signal A biosignal measuring device comprising: a biosignal monitoring unit that outputs monitoring information including signals through an artificial intelligence encoder; and a control unit that controls the outputted monitoring information to be transmitted to the server through the gateway using short-range wireless communication may further include.
상기 생체신호 모니터링부는, 상기 생체신호로서 귀, 목 또는 손목 중에서 적어도 하나로부터 측정되는 신체활동측정(Actigraph) 및 체온에 의한 신체반응을 모니터링하고, 상기 신체반응에 따른 상기 움직임 신호 및 체온 신호를 인공지능 인코더를 통해 암호화하여 출력할 수 있다.The bio-signal monitoring unit monitors a physical activity measurement (Actigraph) and body temperature measured from at least one of an ear, neck, or wrist as the bio-signal, and artificially generates the movement signal and body temperature signal according to the body reaction. It can be encrypted and output through an intelligent encoder.
상기 생체신호 모니터링부는, 상기 생체신호로서 귀, 목 또는 손목 중에서 적어도 하나로부터 측정되는 PPG(photoplethysmography)에 의한 신경반응을 모니터링하고, 상기 신경반응에 따른 자율신경정보를 인공지능 인코더를 통해 암호화하여 출력할 수 있다.The biosignal monitoring unit monitors a neural response by photoplethysmography (PPG) measured from at least one of the ear, neck, or wrist as the biosignal, and encodes and outputs autonomic neural information according to the neural response through an artificial intelligence encoder. can do.
상기 제어부는 3D 깊이 이미지, 심전도 신호, 움직임 신호, 체온 신호 및 맥파 신호 중 적어도 하나를 측정할 시 발생되는 데이터 트래픽을 시뮬레이션하고, 상기 시뮬레이션에 기반하여 상기 생체신호 측정 장치의 동작 상태를 결정할 수 있다.The controller may simulate data traffic generated when measuring at least one of a 3D depth image, an electrocardiogram signal, a motion signal, a body temperature signal, and a pulse wave signal, and determine an operating state of the biosignal measuring device based on the simulation .
상기 제어부는 상기 측정된 3D 깊이 이미지, 심전도 신호, 움직임 신호, 체온 신호 및 맥파 신호를 기반으로 상기 지원 대상자의 심정지 및 낙상을 포함하는 위급상황 탐지할 수 있다.The controller may detect an emergency including cardiac arrest and a fall of the support target based on the measured 3D depth image, an electrocardiogram signal, a motion signal, a body temperature signal, and a pulse wave signal.
본 발명의 일실시예에 따르면 복합 생활 지원 솔루션 제공 시스템의 동작 방법은 생체신호 측정 장치에서, 지원 대상자로부터 심전도 신호, 움직임 신호, 체온 신호 및 맥파 신호 중 적어도 하나를 포함하는 생체신호를 측정하는 단계, 상기 생체신호 측정 장치에서, 상기 측정된 생체신호가 포함된 모니터링 정보를 게이트웨이를 통해 서버로 전송하는 단계, 상기 서버에서, 상기 전송된 모니터링 정보로부터 상기 생체신호의 심전도 신호를 추출하고, 기 저장된 인공지능 기계학습 알고리즘에 기반하여 상기 추출된 심전도 신호의 시간 표준화된 이미지로의 변환을 통한 형태학적 정보를 을 특징 정보로 추출하는 단계, 상기 서버에서, 상기 추출된 특징 정보를 이용하여 복수의 심장이상 종류 모델을 결정하는 단계, 상기 서버에서, 상기 결정된 복수의 심장이상 종류 모델에 대한 구분 정확도를 계산하는 단계, 상기 서버에서, 상기 계산된 정확도에 기반하여 상기 결정된 심장이상 종류 모델과 공개된 심혈관계 질환 데이터를 이용하여 상기 지원 대상자의 심혈관계 질환 및 위급 상태 여부를 결정하는 단계 및 상기 서버에서, 상기 결정된 심혈관계 질환 및 상기 위급 상태 여부에 대한 정보와 상기 생체신호의 변동 정보를 사용자 단말 장치로 피드백하는 단계를 포함할 수 있다.According to an embodiment of the present invention, a method of operating a system for providing a complex life support solution includes: measuring, in a biosignal measuring device, a biosignal including at least one of an electrocardiogram signal, a motion signal, a body temperature signal, and a pulse wave signal from a subject to be supported , transmitting, in the biosignal measuring device, monitoring information including the measured biosignal to a server through a gateway, in the server, extracting an electrocardiogram signal of the biosignal from the transmitted monitoring information, and pre-stored Extracting morphological information through conversion of the extracted electrocardiogram signal into a time-standardized image based on an artificial intelligence machine learning algorithm into feature information, in the server, a plurality of hearts using the extracted feature information Determining an abnormality type model, calculating, in the server, classification accuracy for the plurality of determined cardiac abnormality type models, in the server, based on the calculated accuracy, the determined cardiac abnormality type model and published cardiovascular system determining whether the support target has cardiovascular disease and an emergency state using relational disease data, and in the server, information about the determined cardiovascular disease and the emergency state and information on fluctuations in the biosignal to the user terminal device It may include the step of providing feedback.
상기 사용자 단말 장치는 의료진 단말 장치, 보호자 단말 장치 및 응급센터 단말 장치 중 적어도 하나를 포함할 수 있다.The user terminal device may include at least one of a medical staff terminal device, a guardian terminal device, and an emergency center terminal device.
본 발명의 일실시예에 따르면 복합 생활 지원 솔루션 제공 시스템의 동작 방법은 상기 사용자 단말 장치에서, 상기 결정된 심혈관계 질환 및 상기 위급 상태 여부에 대한 정보와 상기 생체신호의 변동 정보 중 적어도 하나를 포함하는 정보를 출력하는 단계, 및 상기 사용자 단말 장치에서, 상기 의료진 단말 장치에 출력되는 정보에 따라 생성되는 처방정보에 기초하여 상기 보호자 단말 장치 및 상기 응급센터 단말 장치에도 상기 처방정보가 업데이트되는 단계를 더 포함할 수 있다.According to an embodiment of the present invention, the method of operating a system for providing a complex life support solution includes, in the user terminal device, at least one of information on whether the determined cardiovascular disease and the emergency state and information on fluctuations in the biosignal outputting information, and in the user terminal device, updating the prescription information to the guardian terminal device and the emergency center terminal device based on the prescription information generated according to the information output to the medical staff terminal device. may include
본 발명의 일실시예에 따르면 복합 생활 지원 솔루션 제공 시스템의 동작 방법은 상기 사용자 단말 장치에서, 상기 결정된 심혈관계 질환 및 상기 위급 상태 여부에 대한 정보와 상기 생체신호의 변동 정보에 기반하여 상기 지원 대상자의 간호 관리 서비스, 질환 데이터 관리 서비스, 질환 데이터 시각화, 질환 데이터 통계 서비스 및 응급 푸쉬 알림 서비스 중 적어도 하나를 제공하는 단계를 더 포함할 수 있다.According to an embodiment of the present invention, the method of operating a system for providing a complex life support solution includes, in the user terminal device, the support target based on the determined information on whether the cardiovascular disease and the emergency state and the change information of the biosignal The method may further include providing at least one of a nursing management service, a disease data management service, a disease data visualization, a disease data statistical service, and an emergency push notification service.
상기 특징 정보를 추출하는 단계는, 상기 추출된 심전도 신호의 시간 도메인(time domain)에 기반하여 생성된 정규화 신호를 상기 시간 표준화된 이미지로 변환하고, 상기 변환된 이미지에 인공지능 모델 기반 가중치를 적용하여 압축 신호를 생성하는 단계, 상기 적용된 인공지능 모델 기반 가중치를 이용하여 상기 압축 신호로부터 복원 신호를 생성하는 단계 및 상기 생성된 정규화 신호와 상기 생성된 복원 신호의 차이가 사전 설정된 임계 범위에 해당되도록 상기 인공지능 모델 기반 가중치를 기계학습하여 상기 심전도 신호의 형태학적 정보를 상기 특징 정보를 추출하는 단계를 포함할 수 있다.In the extracting of the feature information, a normalized signal generated based on a time domain of the extracted electrocardiogram signal is converted into the time normalized image, and an artificial intelligence model-based weight is applied to the converted image. generating a compressed signal, generating a restored signal from the compressed signal using the applied artificial intelligence model-based weight, and a difference between the generated normalized signal and the generated restored signal falls within a preset threshold range The method may include extracting the feature information from the morphological information of the ECG signal by machine learning the artificial intelligence model-based weights.
상기 추출된 특징 정보를 기계학습하여 복수의 심장이상 종류 모델을 결정하는 단계는 상기 특징 정보를 기계학습하여 상기 복수의 심장이상 종류 모델을 빈맥 모델, 서맥 모델, 심방세동 모델, 좌각차단 모델, 우각차단 모델, 심방조기수축 모델, 심실조기수축 모델, 심정지 모델 및 정상 심장상태 모델 중 적어도 하나의 모델로 결정하는 단계를 포함할 수 있다.The step of determining a plurality of cardiac abnormality type models by machine learning the extracted characteristic information may include machine learning the characteristic information to convert the plurality of cardiac abnormality type models into a tachycardia model, bradycardia model, atrial fibrillation model, left angle block model, right leg. It may include determining as at least one of a block model, an atrial premature contraction model, a ventricular premature contraction model, a cardiac arrest model, and a normal heart state model.
상기 결정된 복수의 심장이상 종류 모델에 대한 구분 정확도를 계산하는 단계는, 오픈 데이터 셋과 상기 빈맥 모델, 상기 서맥 모델, 상기 심방세동 모델, 상기 좌각차단 모델, 상기 우각차단 모델, 상기 심방조기수축 모델 및 상기 심실조기수축 모델 중 적어도 하나의 모델과 상기 정상 심장상태 모델을 이용하여 심장이상을 상기 심장이상으로 구분하는 TP(True Positive) 경우, 상기 심장이상을 정상으로 구분하는 FN(False Negative) 경우, 상기 정상을 상기 심장이상으로 구분하는 FP(False Positive) 경우 및 상기 정상을 상기 정상으로 구분하는 TN(True Negative) 경우로 분류하는 단계 및 상기 TP(True Positive) 경우의 수치, 상기 FN(False Negative) 경우의 수치, 상기 FP(False Positive) 경우의 수치 및 상기 TN(True Negative) 경우의 수치의 결합에 대한 상기 TP(True Positive) 경우의 수치와 상기 TN(True Negative) 경우의 수치의 결합의 비율에 기반하여 상기 빈맥 모델, 상기 서맥 모델, 상기 심방세동 모델, 상기 좌각차단 모델, 상기 우각차단 모델, 상기 심방조기수축 모델 및 상기 심실조기수축 모델 중 적어도 하나에 대한 구분 정확도를 계산하는 단계를 포함할 수 있다.Calculating the classification accuracy for the determined plurality of cardiac abnormality type models includes: an open data set and the tachycardia model, the bradycardia model, the atrial fibrillation model, the left-angle block model, the right-angle block model, and the atrial premature contraction model. and a TP (True Positive) case that classifies the cardiac abnormality as the cardiac abnormality using at least one of the ventricular premature contraction model and the normal heart condition model, and a FN (False Negative) case that classifies the cardiac abnormality as normal , classifying the normal into the FP (False Positive) case and the TN (True Negative) case for classifying the normal as the cardiac abnormality, and the TP (True Positive) case, the FN (False) Combination of the numerical value in the case of the TP (True Positive) and the numerical value in the case of the TN (True Negative) to the combination of the numerical value in the negative) case, the numerical value in the FP (False Positive) case, and the TN (True Negative) case numerical value. Calculating classification accuracy for at least one of the tachycardia model, the bradycardia model, the atrial fibrillation model, the left-angle block model, the right-angle block model, the atrial premature contraction model, and the ventricular premature contraction model based on the ratio of may include
본 발명은 환자에 부착되어 환자의 상태를 감지하는 생체신호 측정 장치와 심장상태와 관련된 생체신호를 인공지능 알고리즘을 이용하는 서버에 기반하여 심근경색, 관상동맥질환과 같은 주요 심혈관계 질환 구분 모델을 결정하고, 결정된 주요 심혈관계 질환 구분 모델에 기반하여 의사의 오진 및 오 경보 발생을 방지할 수 있다.The present invention determines a classification model for major cardiovascular diseases such as myocardial infarction and coronary artery disease based on a biosignal measuring device attached to a patient to detect the patient's condition and a server using an artificial intelligence algorithm for biosignals related to the heart condition In addition, based on the determined major cardiovascular disease classification model, it is possible to prevent a doctor's misdiagnosis and false alarm.
본 발명은 포스트 코로나 시대에 대비한 원격진료 서비스를 포함하는 복합 생활 지원 솔루션을 제공할 수 있다.The present invention can provide a complex life support solution including a remote medical service in preparation for the post-corona era.
본 발명은 심정지, 낙상 등의 위급상황 발생 탐지 시, 요양 병원 의료진 및 응급센터로 위급상황 정보 및 기초 생체신호 정보를 전송하여 외부의 유관기관이 분석 데이터를 실시간으로 수신하여 지원 대상자의 위급 상황을 대비하는 복합 생활 지원 솔루션을 제공할 수 있다.The present invention transmits emergency situation information and basic biosignal information to medical staff and emergency centers of nursing hospitals and emergency centers when an emergency such as cardiac arrest or a fall is detected, and an external related institution receives the analysis data in real time to detect the emergency situation of the person being supported We can provide a complex life support solution to prepare for.
본 발명은 환자의 현재 상태를 정확히 측정 및 분석함에 따라 병실에서 발생될 수 있는 오 경보의 횟수를 감소시키고, 이에 따라 의료진의 업무 효율과 환자의 예후를 향상시킬 수 있다.The present invention can reduce the number of false alarms that may be generated in a ward by accurately measuring and analyzing the patient's current condition, thereby improving the work efficiency of the medical staff and the patient's prognosis.
본 발명은 실시간 부정맥 탐지를 위한 심장상태 분석, 신호 분석 신뢰도 제고를 위한 생체신호 품질 관리, 조기 질환 관리를 위한 주요 심혈관질환 평가를 수행할 수 있도록 환자의 심장상태를 감지할 수 있다.The present invention can detect the heart condition of a patient to perform heart condition analysis for real-time arrhythmia detection, biosignal quality management for improving signal analysis reliability, and major cardiovascular disease evaluation for early disease management.
본 발명은 환자에 부착되어 환자의 심장상태를 감지하는 생체신호 측정 장치로부터 측정되는 생체신호를 기 저장된 인공지능 알고리즘에 기반하여 분석함에 따라 빈맥, 서맥, 심방세동, 좌각차단, 우각차단, 심방조기수축, 심실조기 수축, 심정지 등과 같은 주요 심장 이상 종류를 탐지할 수 있다.According to the present invention, tachycardia, bradycardia, atrial fibrillation, left-angle block, right-angle block, and atrial premature ejaculation are analyzed based on a pre-stored artificial intelligence algorithm for bio-signals measured from a bio-signal measuring device attached to a patient and detecting the patient's heart condition. It can detect major types of heart abnormalities such as contractions, ventricular premature contractions, and cardiac arrest.
본 발명은 기 저장된 인공지능 알고리즘과 오픈 데이터 셋을 이용하여 심장기능 이상 구분 정확도, 위급 상황 구분 정확도 및 아티팩트 신호 검출 정확도 계산함에따라 환자에 부착되어 환자의 심장상태를 감지하는 생체신호 측정 장치로부터 측정되는 생체신호의 측정 정확도를 학습 및 평가하여 생체신호의 측정 정확도를 개선할 수 있다.The present invention uses a pre-stored artificial intelligence algorithm and open data set to calculate cardiac function abnormality classification accuracy, emergency situation classification accuracy, and artifact signal detection accuracy. By learning and evaluating the measurement accuracy of the bio-signal, the measurement accuracy of the bio-signal can be improved.
본 발명은 부정맥의 지속적 감시를 통해 진단보조 및 의료비용 절감에 기여할 수 있다.The present invention can contribute to diagnosis assistance and reduction of medical costs through continuous monitoring of arrhythmias.
본 발명은 인공지능 학습 기술을 이용하여 맥파 및 심전도 파형의 분석을 통한 만성질환의 위험도 평가 기능을 제공할 수 있다.The present invention can provide a function of evaluating the risk of chronic diseases through analysis of pulse waves and ECG waveforms using artificial intelligence learning technology.
도 1 및 도 2는 본 발명의 일실시예에 따른 복합 생활 지원 솔루션 제공 시스템을 설명하는 도면이다.
도 3은 본 발명의 일실시예에 따른 생체신호 측정 장치의 구성 요소를 설명하는 도면이다.
도 4는 본 발명의 일실시예에 따른 생체신호 측정 장치의 인공지능 인코더와 관련된 심층학습 모델을 설명하는 도면이다.
도 5a 및 도 5b는 본 발명의 일실시예에 따른 생체신호 측정 장치 중 심장상태 감지 센서 장치를 설명하는 도면이다.
도 6은 본 발명의 일실시예에 따른 생체신호 측정 장치 중 심장상태 감지 센서 장치의 추가 구성 요소를 설명하는 도면이다.
도 7은 본 발명의 일실시예에 따른 생체신호 측정 및 데이터 전송 주요 이벤트 흐름을 설명하는 도면이다.
도 8은 본 발명의 일실시예에 따른 서버의 구성 요소를 설명하는 도면이다.
도 9는 본 발명의 일실시예에 따른 복합 생활 지원 솔루션 제공 시스템의 동작 방법을 설명하는 도면이다.1 and 2 are diagrams illustrating a system for providing a complex life support solution according to an embodiment of the present invention.
3 is a view for explaining the components of a biosignal measuring apparatus according to an embodiment of the present invention.
4 is a diagram illustrating a deep learning model related to an artificial intelligence encoder of a biosignal measuring device according to an embodiment of the present invention.
5A and 5B are diagrams for explaining a heart condition sensor device among biosignal measuring devices according to an embodiment of the present invention.
6 is a view for explaining additional components of a heart condition detection sensor device among the biosignal measuring device according to an embodiment of the present invention.
7 is a view for explaining the flow of major events of biosignal measurement and data transmission according to an embodiment of the present invention.
8 is a view for explaining the components of a server according to an embodiment of the present invention.
9 is a view for explaining an operation method of a system for providing a complex life support solution according to an embodiment of the present invention.
이하, 본 문서의 다양한 실시 예들이 첨부된 도면을 참조하여 기재된다.Hereinafter, various embodiments of the present document will be described with reference to the accompanying drawings.
실시 예 및 이에 사용된 용어들은 본 문서에 기재된 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 해당 실시 예의 다양한 변경, 균등물, 및/또는 대체물을 포함하는 것으로 이해되어야 한다.Examples and terms used therein are not intended to limit the technology described in this document to a specific embodiment, but it should be understood to include various modifications, equivalents, and/or substitutions of the embodiments.
하기에서 다양한 실시 예들을 설명에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다.In the following, when it is determined that a detailed description of a known function or configuration related to various embodiments may unnecessarily obscure the gist of the present invention, a detailed description thereof will be omitted.
그리고 후술되는 용어들은 다양한 실시 예들에서의 기능을 고려하여 정의된 용어들로서 이는 지원 대상자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.In addition, the terms to be described later are terms defined in consideration of functions in various embodiments, which may vary according to the intention or custom of a person to be supported and an operator. Therefore, the definition should be made based on the content throughout this specification.
도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.In connection with the description of the drawings, like reference numerals may be used for like components.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다.The singular expression may include the plural expression unless the context clearly dictates otherwise.
본 문서에서, "A 또는 B" 또는 "A 및/또는 B 중 적어도 하나" 등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다.In this document, expressions such as “A or B” or “at least one of A and/or B” may include all possible combinations of items listed together.
"제1," "제2," "첫째," 또는 "둘째," 등의 표현들은 해당 구성요소들을, 순서 또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.Expressions such as "first," "second," "first," or "second," can modify the corresponding elements regardless of order or importance, and to distinguish one element from another element. It is used only and does not limit the corresponding components.
어떤(예: 제1) 구성요소가 다른(예: 제2) 구성요소에 "(기능적으로 또는 통신적으로) 연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다.When an (eg, first) component is referred to as being “connected (functionally or communicatively)” or “connected” to another (eg, second) component, that component is It may be directly connected to the component or may be connected through another component (eg, a third component).
본 명세서에서, "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, 하드웨어적 또는 소프트웨어적으로 "~에 적합한," "~하는 능력을 가지는," "~하도록 변경된," "~하도록 만들어진," "~를 할 수 있는," 또는 "~하도록 설계된"과 상호 호환적으로(interchangeably) 사용될 수 있다.As used herein, "configured to (or configured to)" according to the context, for example, hardware or software "suitable for," "having the ability to," "modified to ," "made to," "capable of," or "designed to" may be used interchangeably.
어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다.In some circumstances, the expression “a device configured to” may mean that the device is “capable of” with other devices or parts.
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(예: CPU 또는 application processor)를 의미할 수 있다.For example, the phrase "a processor configured (or configured to perform) A, B, and C" refers to a dedicated processor (eg, an embedded processor) for performing the corresponding operations, or by executing one or more software programs stored in a memory device. , may refer to a general-purpose processor (eg, a CPU or an application processor) capable of performing corresponding operations.
또한, '또는' 이라는 용어는 배타적 논리합 'exclusive or' 이기보다는 포함적인 논리합 'inclusive or' 를 의미한다.Also, the term 'or' means 'inclusive or' rather than 'exclusive or'.
즉, 달리 언급되지 않는 한 또는 문맥으로부터 명확하지 않는 한, 'x가 a 또는 b를 이용한다' 라는 표현은 포함적인 자연 순열들(natural inclusive permutations) 중 어느 하나를 의미한다.That is, unless stated otherwise or clear from context, the expression 'x employs a or b' means any one of natural inclusive permutations.
이하 사용되는 '..부', '..기' 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어, 또는, 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.Terms such as '.. unit' and '.. group' used below mean a unit that processes at least one function or operation, which may be implemented as hardware or software, or a combination of hardware and software.
도 1 및 도 2는 본 발명의 일실시예에 따른 복합 생활 지원 솔루션 제공 시스템을 설명하는 도면이다.1 and 2 are diagrams illustrating a system for providing a complex life support solution according to an embodiment of the present invention.
도 1은 본 발명의 일실시예에 따른 복합 생활 지원 솔루션 제공 시스템의 구성요소를 예시한다.1 illustrates the components of a complex life support solution providing system according to an embodiment of the present invention.
도 1을 참고하면, 복합 생활 지원 솔루션 제공 시스템(100)은 생활 실내 모니터링 시스템(110)과 심장 상태 모니터링 시스템(120)을 결합하여 생활 실내 모니터링 시스템(110)에 활용되는 생체신호 측정 장치와 심장 상태 모니터링 시스템(120)에서 활용되는 생체신호 측정 장치의 측정 데이터를 결합적으로 활용하여 복합생활지원 플랫폼(130)을 제공할 수 있다.Referring to FIG. 1 , the complex life support
본 발명의 일실시예에 따르면 복합생활지원 플랫폼(130)은 인공지능에 기반하여 분석 및 학습함에 따라 심장이상 종류 모델을 결정하고, 결정된 심장이상 종류 모델에 대한 평가에 기반하여 심혈관계 질환에 대한 보다 정확한 결정을 지원함에 따라 맞춤형 의료 서비스 제공 및 심장질환과 관련된 의사 결정을 지원할 수 있다.According to an embodiment of the present invention, the complex
따라서, 복합생활지원 플랫폼(130)은 유관기관, 응급센터, 보호자, 의료진이 사용하는 사용자 단말 장치(140)측으로 생체신호 측정 장치의 측정 데이터를 인공지능에 기반하여 분석 및 학습함에 따라 심장이상 종류 모델을 결정하고, 결정된 심장이상 종류 모델에 대한 평가에 기반하여 심혈관계 질환에 대한 보다 정확한 결정을 지원함에 따라 맞춤형 의료 서비스 제공 및 심장질환과 관련된 의사 결정을 지원할 수 있다.Therefore, the complex
본 발명의 일실시예에 따르면 생활 실내 모니터링 시스템(110)은 3D 카메라를 통해 지원 대상자의 일상생활 패턴 분석을 위한 3D 이미지를 획득하여 지원 대상자의 낙상 사고를 탐지하고, 지원 대상자가 착용한 스마트 밴드를 이용하여 생체신호 모니터링 및 실시간 심장이상 평가 기능을 제공할 수 있다.According to an embodiment of the present invention, the living
본 발명의 일실시예에 따르면 심장 상태 모니터링 시스템(120)은 심장 상태 감지 센서를 이용하여 지원 대상자의 심전도, 맥파, 움직임 및 체온을 감시하면서 실시간으로 서버에 전달하고, 전달된 데이터를 사용자 단말 장치에 제공할 수 있다.According to an embodiment of the present invention, the heart
본 발명의 일실시예에 따르면 복합 생활 지원 솔루션 제공 시스템(100)은 생체신호 측정 장치, 게이트웨이, 서버, 사용자 단말 장치로 구성될 수 있다.According to an embodiment of the present invention, the complex life support
일례로, 생체신호 측정 장치는 지원 대상자로부터 심전도 신호, 움직임 신호 및 맥파 신호 중 적어도 하나를 포함하는 생체신호를 측정하고, 측정된 생체신호가 포함된 모니터링 정보를 전송할 수 있다.As an example, the biosignal measuring apparatus may measure a biosignal including at least one of an electrocardiogram signal, a motion signal, and a pulse wave signal from a support target, and transmit monitoring information including the measured biosignal.
또한, 게이트웨이는 모니터링 정보를 서버로 전송할 수 있다.Also, the gateway may transmit monitoring information to the server.
또한, 서버는 생체신호 측정 장치로부터 전송된 모니터링 정보로부터 상기 생체신호의 심전도 신호를 추출하고, 추출된 심전도 신호의 시간 표준화된 이미지로의 변환을 통한 형태학적 정보를 특징 정보로 추출할 수 있다.In addition, the server may extract an electrocardiogram signal of the biosignal from monitoring information transmitted from the biosignal measuring device, and extract morphological information through conversion of the extracted electrocardiogram signal into a time-standardized image as feature information.
또한, 서버는 추출된 특징 정보를 이용하여 복수의 심장이상 종류 모델을 결정하며, 결정된 복수의 심장이상 종류 모델에 대한 구분 정확도를 계산하고, 계산된 정확도에 기반하여 결정된 심장이상 종류 모델과 공개된 심혈관계 질환 데이터를 이용하여 상기 지원 대상자의 심혈관계 질환 및 위급 상태 여부를 결정하고, 결정된 심혈관계 질환 및 상기 위급 상태 여부에 대한 정보와 생체신호의 변동 정보를 사용자 단말 장치로 피드백할 수 있다.In addition, the server determines a plurality of cardiac abnormality type models by using the extracted characteristic information, calculates classification accuracy for the plurality of determined cardiac abnormality type models, and based on the calculated accuracy, the determined cardiac abnormality type model and the published It is possible to determine whether the support target has a cardiovascular disease or an emergency state using the cardiovascular disease data, and feed back information on the determined cardiovascular disease and the emergency state and information on fluctuations in biosignals to the user terminal device.
본 발명의 일실시예에 따르면 사용자 단말 장치는 의료진 단말 장치, 보호자 단말 장치 및 응급센터 단말 장치 중 적어도 하나를 포함할 수 있다. According to an embodiment of the present invention, the user terminal device may include at least one of a medical staff terminal device, a guardian terminal device, and an emergency center terminal device.
또한, 사용자 단말 장치는 결정된 심혈관계 질환 및 위급 상태 여부에 대한 정보와 생체신호의 변동 정보 중 적어도 하나를 포함하는 정보를 출력하고, 의료진 단말 장치에 출력되는 정보에 따라 생성되는 처방정보에 기초하여 보호자 단말 장치 및 응급센터 단말 장치에서도 처방정보가 업데이트될 수 있다.In addition, the user terminal device outputs information including at least one of information on the determined cardiovascular disease and emergency status and biosignal variation information, and based on the prescription information generated according to the information output to the medical staff terminal device Prescribing information may also be updated in the guardian terminal device and the emergency center terminal device.
예를 들어, 지원 대상자는 독거노인, 장애인, 중환자 및 어린 환자 중 적어도 하나에 해당할 수 있다.For example, the support target may correspond to at least one of the elderly living alone, the disabled, the critically ill, and the young patient.
따라서, 복합 생활 지원 솔루션 제공 시스템(100)은 독거노인 건강관리를 위한 병동 모니터링, 요양병원 및 실버타운 중 적어도 하나에 대한 시설에서 복합 생활 지원 솔루션을 제공할 수 있다.Therefore, the complex life support
또한, 복합 생활 지원 솔루션 제공 시스템(100)은 독거노인의 건강관리, 긴급상황 탐지 및 돌연사 및 고독사를 방지하고, 요양병원 및 일반 병동 모니터링에 기반하여 병원 환자 관리의 효율성을 높일 수 있다.In addition, the complex life support
따라서, 복합 생활 지원 솔루션 제공 시스템(100)은 독거노인 돌연사 및 고독사를 예방하고, 독거노인 심장건강 관리, 독거노인 만성질환 예방, 긴급 상황 시 신속한 환자 이송 및 치료를 제공할 수 있다.Therefore, the complex life support
이하, 도 2를 이용하여 심장 상태 모니터링 시스템(120)의 구성 요소를 추가 설명한다.Hereinafter, components of the cardiac
도 2는 본 발명의 일실시예에 따른 복합 생활 지원 솔루션 제공 시스템에서 심장 상태 모니터링 시스템의 구성 요소를 설명한다.2 illustrates components of a heart condition monitoring system in a system for providing a complex life support solution according to an embodiment of the present invention.
도 2를 참고하면, 심장 상태 모니터링 시스템(200)은 생체신호 측정 장치(210), 게이트웨이(220), 서버(230) 및 사용자 단말 장치(240)로 구성될 수 있다.Referring to FIG. 2 , the heart
본 발명의 일실시예에 따르면 생체신호 측정 장치(220)는 지원 대상자로부터 심전도 신호, 움직임 신호 및 체온 신호를 포함하는 생체신호를 측정하고, 측정된 생체신호를 인공지능 인코더로 압축 및 암호화하여 저전력 블루투스를 이용하여 게이트웨이(220)로 전송한다.According to an embodiment of the present invention, the
예를 들어, 인공지능 인코더는 측정된 생체신호를 심층학습 모델에 적용하기 위한 전처리 과정으로서, 생체신호를 슬라이딩 윈도우 기술을 통해 동일한 길이를 가지는 신호로 분할 및 정규화할 수 있다.For example, as a pre-processing process for applying the measured bio-signal to the deep learning model, the artificial intelligence encoder can divide and normalize the bio-signal into signals having the same length through sliding window technology.
예를 들어, 윈도우의 길이는 2초이고, 업데이트 기간은 1초일 수 있다.For example, the length of the window may be 2 seconds, and the update period may be 1 second.
여기서, 슬라이딩 윈도우는 비교적 측정 시간이 짧은 신호에 대해서도 분석할 수 있으며, 정규화 과정을 통해 다양한 신호 진폭 및 오프셋이 심층학습 모델이 영향을 미치지 않도록 설정될 수 있다. 또한, 인공지능 인코더의 구성은 도 4를 이용하여 보충 설명하도록 한다.Here, the sliding window can analyze a signal with a relatively short measurement time, and through a normalization process, various signal amplitudes and offsets can be set so that the deep learning model does not affect it. In addition, the configuration of the artificial intelligence encoder will be described supplementally with reference to FIG.
게이트웨이(220)는 전달된 신호를 서버(230)로 전달한다.The
게이트웨이(220)는 심장상태 감지 센서 장치(220) 및 서버(220)와 연동하고, 서버(230)의 병원, 병실, 침상 번호와 같은 환경 설정 및 환자 별 데이터 수집 및 저장을 지원하고, 배터리 로우 이벤트(battery low event) 전송 및 프로세스 모니터링 및 자동 페일 오버(fail over)를 지원한다.The
또한, 게이트웨이(220)는 심장상태 감지 센서 장치(220)의 노드 자동 검색, 등록 및 연결을 지원하며, 저전력 블루투스 통신 인터페이스와 심장상태 감지 센서(220)의 배터리 잔량 체크를 지원한다.In addition, the
서버(230)는 심장상태 감지 센서 장치(220)에서 측정된 생체신호를 인공지능 디코더로 추출하고, 추출된 생체신호의 심전도 신호를 기 저장된 인공지능 알고리즘을 이용하여 기계 학습 및 분석함에 따라 다양한 환경에서 측정된 공개 생체신호 데이터 셋을 활용한 심장상태의 탐지 성능 최적화를 수행하거나, 멀티모달 생체신호를 대상으로 개발된 생체신호 아티팩트 제거 인공지능의 구조를 활용하여 심장상태 감지 센서 장치(220)로부터 측정된 생체신호를 대상으로 모델 학습 및 성능 평가를 수행할 수 있다.The
또한, 서버(230)는 인공지능 알고리즘에 기반하여 심전도 신호의 다양한 패턴을 위험도 평가 모델에 반영하기 위해서 심전도 신호의 시간 표준화된 이미지로의 변환을 통한 형태학적 정보를 특징 정보로 활용한다.In addition, the
예를 들어, 서버(230)는 CNN(Convolutional Neural Network) 및 DBN(Deep Belief Network) 등의 기계학습 모델을 이용하거나, Gradient Boost 및 XGBooST와 같은 다양한 기계학습 기법을 이용하여 주요 심혈관계 질환에 해당하는 심근경색, 관상동맥 질환 등을 구분하기 위하 구분 모델을 결정할 수 있다.For example, the
또한, 서버(230)는 공개 생체신호 데이터셋을 기반으로 SVM(support vector machine), RF(random forest)와 같은 기계학습 기법을 이용하여 결과비교를 통해 구분 모델의 정확도를 계산하여 구분 모델의 효용성도 평가할 수 있다.In addition, the
또한, 서버(230)는 인공지능 알고리즘을 이용하여 학습 및 분석된 지원 대상자의 심장 상태와 관련된 심혈관계 질환을 결정하고, 결정된 심혈관계 질환과 분석 결과를 사용자 단말 장치(240)로 제공하여 의료진의 심혈관계 질환 진단을 보조하거나, 환자의 예후 변화를 쉽게 인지하도록 보조할 수 있다.In addition, the
따라서, 본 발명은 환자에 부착되어 환자의 상태를 감지하는 생체신호 측정 장치와 심장상태와 관련된 생체신호를 인공지능 알고리즘을 이용하는 서버에 기반하여 심근경색, 관상동맥질환과 같은 주요 심혈관계 질환 구분 모델을 결정하고, 결정된 주요 심혈관계 질환 구분 모델에 기반하여 의사의 오진 및 오 경보 발생을 방지할 수 있다.Therefore, the present invention is a classification model of major cardiovascular diseases such as myocardial infarction and coronary artery disease based on a biosignal measuring device attached to a patient to detect the patient's condition and a server using an artificial intelligence algorithm for biosignals related to the heart condition. can be determined, and based on the determined major cardiovascular disease classification model, a doctor's misdiagnosis and occurrence of false alarms can be prevented.
또한, 본 발명은 포스트 코로나 시대에 대비한 원격진료 서비스를 포함하는 복합 생활 지원 솔루션을 제공할 수 있다.In addition, the present invention can provide a complex life support solution including a remote medical service in preparation for the post-corona era.
도 3는 본 발명의 일실시예에 따른 생체신호 측정 장치의 구성 요소를 설명하는 도면이다.3 is a view for explaining the components of a biosignal measuring apparatus according to an embodiment of the present invention.
도 3은 본 발명의 일실시예에 따른 복합 생활 지원 솔루션 제공 시스템에 포함되는 생체신호 측정 장치의 구성 요소를 예시한다.3 illustrates components of a biosignal measuring device included in a system for providing a complex life support solution according to an embodiment of the present invention.
도 3를 참고하면, 생체신호 측정 장치(300)는 생체신호 모니터링부(310) 및 제어부(320)를 포함한다.Referring to FIG. 3 , the
본 발명의 일실시예에 따르면 생체신호 측정 장치(300)는 지원 대상자의 심장 상부 또는 심장 근처에 부착되어 지원 대상자로부터 심장 상태와 관련된 데이터를 측정하거나 웨어러블 디바이스 형태로 사용자의 손목에 밴드 형태로 착용되어 심장 상태와 관련된 데이터를 측정한다.According to an embodiment of the present invention, the
또한, 생체신호 측정 장치(300)는 일상생활 패턴 분석을 위한 3D 깊이 이미지 촬영을 위한 3D 깊이 카메라, 지원 대상자의 귀, 목 또는 손목 중에서 적어도 하나에 착용 가능한 스마트 밴드 및 심장상태 감지 센서 장치를 포함할 수 있다.In addition, the
일례로, 생체신호 모니터링부(310)는 지원 대상자로부터 3D 깊이 이미지, 심전도 신호, 맥파 신호, 체온 신호 및 움직임 신호 중 적어도 하나를 포함하는 생체신호를 측정하고, 측정된 생체신호가 포함된 모니터링 정보를 인공지능 인코더를 통해 출력할 수 있다.For example, the
본 발명의 일실시예에 따르면 생체신호 모니터링부(310)는 지원 대상자의 심장 상태 변화에 따른 심장상태 정보와 지원 대상자의 움직임 변화에 따른 움직임 상태 정보를 인공지능 인코더를 통해 암호화 및 압축화하여 출력할 수 있다.According to an embodiment of the present invention, the
본 발명의 일실시예에 따르면 생체신호 모니터링부(310)는 생체신호로서 귀, 목 또는 손목 중에서 적어도 하나로부터 측정되는 신체활동측정(Actigraph)에 의한 신체반응 및 체온을 모니터링하고, 신체반응에 따른 움직임 신호 및 체온 신호를 인공지능 인코더를 통해 암호화하여 출력할 수 있다.According to an embodiment of the present invention, the
일례로, 생체신호 모니터링부(310)는, 생체신호로서 귀, 목 또는 손목 중에서 적어도 하나로부터 측정되는 PPG(photoplethysmography)에 의한 신경반응을 모니터링하고, 신경반응에 따른 자율신경정보를 인공지능 인코더를 통해 암호화하여 출력할 수 있다.As an example, the
일례로, 제어부(330)는 모니터링 정보를 근거리 무선통신을 이용하여 근처에 위치하는 게이트웨이를 통해 서버로 전송할 수 있다.For example, the
본 발명의 일실시예에 따르면 제어부(330)는 서버가 모니터링 정보에 포함된 심전도 신호를 추출하고, 기 저장된 인공지능 기계학습 알고리즘에 기반하여 추출된 심전도 신호의 시간 표준화된 이미지로의 변환을 통한 형태학적 정보를 특징 정보로 추출하고, 추출된 특징 정보를 이용하여 복수의 심장이상 종류 모델을 결정하며, 결정된 복수의 심장이상 종류 모델에 대한 구분 정확도를 계산하고, 계산된 정확도에 기반하여 결정된 심장이상 종류 모델과 공개된 심혈관계 질환 데이터를 이용하여 상기 지원 대상자의 심혈관계 질환을 결정할 수 있도록 모니터링 정보를 서버에 제공할 수 있다.According to an embodiment of the present invention, the
일례로, 제어부(330)는 3D 깊이 이미지, 심전도 신호, 움직임 신호, 체온 신호 및 맥파 신호 중 적어도 하나를 측정할 시 발생되는 데이터 트래픽을 시뮬레이션하고, 시뮬레이션에 기반하여 상기 생체신호 측정 장치의 동작 상태를 결정 할 수 있다.For example, the
일례로, 제어부(330)는 배터리 상태를 주기적으로 확인하여 로우 배터리 상태를 결정하고, 알람 정보를 제공할 수 있다.For example, the
본 발명의 일실시예에 따르면 제어부(330)는 3D 깊이 이미지, 심전도 신호, 움직임 신호, 체온 신호 및 맥파 신호를 기반으로 지원 대상자의 심정지 및 낙상을 포함하는 위급상황 탐지하도록 모니터링 정보를 서버에 제공할 수 있다.According to an embodiment of the present invention, the
본 발명의 일실시예에 따르면 생체신호 측정 장치(300)는 인공지능 처리부(320)를 추가로 포함할 수 있다.According to an embodiment of the present invention, the
일례로, 인공지능 처리부(320)는 생체신호 모니터링부(310)로부터 출력된 모니터링 정보에 포함된 심전도 신호를 추출하고, 기 저장된 인공지능 기계학습 알고리즘에 기반하여 상기 추출된 심전도 신호의 시간 표준화된 이미지로의 변환을 통한 형태학적 정보를 특징 정보로 추출하고, 추출된 특징 정보를 이용하여 복수의 심장이상 종류 모델을 결정하며, 결정된 복수의 심장이상 종류 모델에 대한 구분 정확도를 계산하고, 계산된 정확도에 기반하여 결정된 심장이상 종류 모델과 공개된 심혈관계 질환 데이터를 이용하여 사용자의 심혈관계 질환을 결정할 수 있다.For example, the artificial
예를 들어, 인공지능 처리부(320)는 인공지능 학습 기술에 기반하여 오픈 데이터 셋과 심장이상 종류 모델을 비교하여 구분 정확도를 자동적으로 계산할 수 있다.For example, the artificial
예를 들어, 인공지능 처리부(320)는 합성 곱 신경망 층과 장기 단기 기억층(bidirectional long short-term memory, BLSTM)을 포함할 수 있다.For example, the artificial
본 발명의 일실시예에 따르면 인공지능 처리부(320)는 도 8에서 설명될 서버의 인공지능 처리부와 동일한 정보 처리 기능을 보유하여 인공지능 기계학습 알고리즘에 기반한 학습 및 분석이 가능하다.According to an embodiment of the present invention, the artificial
즉, 본 발명의 일실시예에 따른 생체신호 측정 장치(300)는 부정맥과 관련된 좌각차단, 우각차단, 심방조기수축 및 심실조기 수축을 구분하기 위한 모니터링 정보 정보를 서버 측으로 제공할 수 있다.That is, the
또한, 본 발명의 일실시예에 따른 생체신호 측정 장치(300)는 자체적으로 모니터링 정보를 기계학습하여 부정맥과 관련된 좌각차단, 우각차단, 심방조기수축 및 심실조기 수축을 구분하여 구분된 정보를 제공할 수 있다.In addition, the
따라서, 본 발명은 심정지, 낙상 등의 위급상황 발생 탐지 시, 요양 병원 의료진 및 응급센터로 위급상황 정보 및 기초 생체신호 정보를 전송하여 외부의 유관기관이 분석 데이터를 실시간으로 수신하여 지원 대상자의 위급 상황을 대비하는 복합 생활 지원 솔루션을 제공할 수 있다.Therefore, the present invention transmits emergency situation information and basic bio-signal information to the medical staff and emergency center of the nursing hospital when an emergency such as cardiac arrest or a fall is detected, and an external related institution receives the analysis data in real time, so that the patient's emergency We can provide a complex life support solution that prepares for the situation.
또한, 본 발명은 환자의 현재 상태를 정확히 측정 및 분석함에 따라 병실에서 발생될 수 있는 오 경보의 횟수를 감소시키고, 이에 따라 의료진의 업무 효율과 환자의 예후를 향상시킬 수 있다.In addition, the present invention can reduce the number of false alarms that can be generated in a hospital room by accurately measuring and analyzing the patient's current condition, thereby improving the work efficiency of medical staff and the patient's prognosis.
도 4는 본 발명의 일실시예에 따른 심장상태 감지 센서 장치의 인공지능 인코더와 관련된 심층학습 모델을 설명하는 도면이다.4 is a diagram illustrating a deep learning model related to an artificial intelligence encoder of a heart condition detection sensor device according to an embodiment of the present invention.
도 4를 참고하면, 인공지능 인코더(400)는 인코딩 블록(410) 및 심층학습 신경망(420)으로 구성되고, 인코딩 블록(410)은 심층학습 신경망층, 풀링(pooling)층 및 재성형(reshape)층으로 구성될 수 있다.Referring to FIG. 4 , the
본 발명의 일실시예에 따른 인공지능 인코더(400)는 심전도 신호의 시간 표준화된 이미지로의 변환을 통한 형태학적 정보에 대한 신호를 압축하고, 압축된 신호를 모니터링 정보로 출력할 수 있다.The
예를 들어, 인공지능 인코더(400)는 합성 곱 신경망 층과 양방향 장기 단기 기억층으로 구성될 수 있다.For example, the
일례로, 인공지능 인코더(400)는 약 64배 압축된 신호 정보를 심장상태 감지 센서 장치의 인공지능 처리부 또는 서버의 인공지능 처리부로 제공할 수 있다.For example, the
예를 들어, 시간 표준화된 이미지로의 변환을 통한 형태학적 정보는 슬라이딩 윈도우 기술을 통해 동일한 길이를 가지는 신호로 분할 및 정규화된 신호에 기반하여 생성될 수 있다.For example, morphological information through transformation into a temporal normalized image may be generated based on a signal divided and normalized into a signal having the same length through a sliding window technique.
도 5a 및 도 5b는 본 발명의 일실시예에 따른 생체신호 측정 장치 중 심장상태 감지 센서 장치를 설명하는 도면이다.5A and 5B are diagrams for explaining a heart condition sensor device among biosignal measuring devices according to an embodiment of the present invention.
도 5a는 본 발명의 일실시예에 따른 심장상태 감지 센서 장치(500)가 3개의 리드(lead)를 포함하고, 각 리드가 연결되어 사용자에게 착용되는 경우를 예시한다.5A illustrates a case in which the heart condition
도 5a를 참고하면, 심장상태 감지 센서 장치(500)는 3 개의 리드가 연결되어 구성되는데 심장상태 감지 센서 장치(500)에 제1 리드가 위치하고, 사용자의 신체 두 부분에 제2 리드(510)와 제3 리드(512)가 접착 재질로 이루어져서 사용자의 피부 상에 부착된다.Referring to FIG. 5A , the heart condition
예를 들어, 심장상태 감지 센서 장치(500)는 심장상태 감지 센서 장치의 본체일 수 있으며 하나의 측정 지점에 해당하는 제1 리드가 위치하고, 제2 리드(510) 및 제3 리드(512)를 통해 측정된 정보를 종합하여 생체신호를 측정할 수 있다.For example, the heart condition
본 발명의 일실시예에 따르면 심장상태 감지 센서 장치(500)는 전원부, 센서 및 제1 리드로 이루어지고, 센서는 심전도(ECG), 신체활동측정(Actigraph) 및 체온을 측정할 수 있다.According to an embodiment of the present invention, the heart
일례로, 제2 리드(510)와 제3 리드(512)는 피복선을 통해 심장상태 감지 센서 장치(500)와 연결될 수 있다.For example, the
일례로, 심장상태 감지 센서 장치(500)는 생체신호로서 측정되는 ECG(electrocardiogram)에 의한 심장상태를 모니터링하고, 심장상태에 따른 심전도 신호를 인공지능 인코더를 통해 압축 및 암호화하여 출력할 수 있다.As an example, the heart condition
예를 들어, 심장상태 감지 센서 장치(500)는 생체신호로서 측정되는 신체활동측정에 의한 신체반응을 모니터링하고, 신체반응에 따른 움직임 신호를 인공지능 인코더를 통해 압축 및 암호화하여 출력할 수 있다.For example, the heart
일례로, 심장상태 감지 센서 장치(500)는 생체신호로서 측정되는 체온 신호를 인공지능 인코더를 통해 압축 및 암호화하여 출력할 수 있다.For example, the heart condition
도 5b는 본 발명의 일실시예에 따른 심장상태 감지 센서 장치(520)가 1개의 리드(lead)로 구성되어 사용자에게 착용되는 경우를 예시한다.5B illustrates a case in which the heart condition
도 5b를 참고하면, 심장상태 감지 센서 장치(520)는 손목 밴드 형태의 웨어러블 디바이스 형태를 가질 수 있다.Referring to FIG. 5B , the heart condition
본 발명의 일실시예에 따르면 심장상태 감지 센서 장치(520)는 전원부, 센서 및 리드로 이루어지고, 센서는 심전도(ECG), 신체활동측정(Actigraph) 및 체온을 측정할 수 있다.According to an embodiment of the present invention, the heart
일례로, 심장상태 감지 센서 장치(520)는 생체신호로서 측정되는 ECG(electrocardiogram)에 의한 심장상태를 모니터링하고, 심장상태에 따른 심전도 신호를 인공지능 인코더를 통해 압축 및 암호화하여 출력할 수 있다.For example, the heart condition
예를 들어, 심장상태 감지 센서 장치(520)는 생체신호로서 측정되는 신체활동측정에 의한 신체반응을 모니터링하고, 신체반응에 따른 움직임 신호를 인공지능 인코더를 통해 압축 및 암호화하여 출력할 수 있다.For example, the heart condition
일례로, 심장상태 감지 센서 장치(520)는 생체신호로서 측정되는 체온 신호를 인공지능 인코더를 통해 압축 및 암호화하여 출력할 수 있다.As an example, the heart condition
본 발명의 일실시예에 따르면 심장상태 감지 센서 장치(500) 및 심장상태 감지 센서 장치(520)는 측정된 심전도 신호를 실시간 부정맥 탐지를 위한 심장상태 분석 기술, 신호 분석 신뢰도 제고를 위한 생체신호 품질 관리 인공지능 기술 및 조기 질환 관리를 위한 주요 심혈관질환 평가 인공지능 기술에 적용할 수 있는 데이터로 제공할 수 있다.According to an embodiment of the present invention, the heart condition
일례로, 심장상태 감지 센서 장치(500)는 상대적으로 심장상태 감지 센서 장치(520)보다 정확한 심장기능 모니터링을 수행하고, 심장상태 감지 센서 장치(520)는 심장상태 감지 센서 장치(500)보다 사용자가 편리한 일상을 영유하면서 심장기능 모니터링을 수행할 수 있다.For example, the heart condition
도 6은 본 발명의 일실시예에 따른 생체신호 측정 장치 중 심장상태 감지 센서 장치의 추가 구성 요소를 설명하는 도면이다.6 is a view for explaining additional components of a heart condition detection sensor device among the biosignal measuring device according to an embodiment of the present invention.
도 6을 참고하면, 심장상태 감지 센서 장치(600)는 마이크로 USB 포트(610), 리튬 폴리머 배터리(620), 전원/동작 스위치(630), ECG 센서(640), 가속도/각속도 센서(650) 및 저전력 블루투스/와이파이(660)을 포함하고, 마이크로 컨트롤러(670)를 통해 상술한 장치 구성 요소들을 제어한다.Referring to FIG. 6 , the heart state
본 발명의 일실시예에 따르면 심장상태 감지 센서 장치(600)는 마이크로 USB 포트(610)를 이용하여 리튬 폴리머 배터리(620)를 충전할 수 있다.According to an embodiment of the present invention, the heart
예를 들어, 전원/동작 스위치(630)는 지원 대상자의 푸쉬 입력을 수신할 경우, 심장상태 감지 센서 장치(600)를 가동할 수 있다.For example, the power/
예를 들어, ECG 센서(640)는 지원 대상자의 심전도 신호를 측정하고, 가속도/각속도 센서(650)는 지원 대상자의 움직임 신호를 측정한다.For example, the
본 발명의 일실시예에 따르면 심장상태 감지 센서 장치(600)는 저전력 블루투스/와이파이(660)를 제어하여 병실 또는 가정 내 위치하는 게이트웨이와 연동되고, ECG 센서(640) 및 가속도/각속도 센서(650)를 통해 측정된 심전도 신호와 움직임 신호를 게이트웨이를 통해 서버로 전송할 수 있다.According to an embodiment of the present invention, the heart state
도 7은 본 발명의 일실시예에 따른 생체신호 측정 및 데이터 전송 주요 이벤트 흐름을 설명하는 도면이다.7 is a view for explaining the flow of major events of biosignal measurement and data transmission according to an embodiment of the present invention.
도 7을 참고하면, 생체신호 모니터링부는 ECG 센서(710)를 통해 High Resolution/Speed ECG를 측정할 수 있다. 또한, AD 변환기(720)를 통해 14bit 이상의 해상도와, 100Hz 샘플링된 ECG를 A/D 변환할 수 있다.Referring to FIG. 7 , the biosignal monitoring unit may measure High Resolution/Speed ECG through the
또한, 마이크로 컨트롤러(730)는 각 구성요소들의 전반적인 제어와 함께 신호처리를 담당하고, 저전력 블루투스/와이파이 모듈(740)은 근거리 무선통신 기능을 제공하거나, 네트워크에 접속하여 유무선 데이터 통신이 가능하게 한다. 특히, 본 발명에서는 저전력 블루투스/와이파이 모듈(740)을 이용하여 ECG, 6-Axis MEMS 센서의 로데이터 전송이 가능하다.In addition, the
한편, 도면부호 750은 기기에 대한 배터리의 상태를 측정하기 위한 배터리 상태 측정 모듈의 기능을 수행하고, 도면부호 760은 3축 가속도계(3-Axis Accelerometer)로, 도면부호 770은 3축 자이로스코프(3-Axis Gyroscope MEMS Motiontracking)으로 해석될 수 있다.On the other hand,
3축 가속도계(3-Axis Accelerometer)와 3축 자이로스코프(3-Axis Gyroscope MEMS Motiontracking)는 최소 ±16g range, 16bit 100Hz 각속도를 측정할 수 있고, 최대 ±2000dps range, 16bit 100Hz 각속도를 측정할 수 있다.The 3-Axis Accelerometer and 3-Axis Gyroscope MEMS Motiontracking can measure the minimum ±16g range, 16bit 100Hz angular velocity, and the maximum ±2000dps range, 16bit 100Hz angular velocity .
도 8은 본 발명의 일실시예에 따른 서버의 구성 요소를 설명하는 도면이다.8 is a view for explaining the components of a server according to an embodiment of the present invention.
도 8은 본 발명의 일실시예에 따른 복합 생활 지원 솔루션 제공 시스템에 포함되는 서버의 구성 요소를 예시한다.8 illustrates the components of a server included in the complex life support solution providing system according to an embodiment of the present invention.
도 8을 참고하면, 서버(800)는 모니터링 정보 수집부(810), 신호 추출부(820), 인공지능 처리부(830) 및 제어부(840)를 포함한다.Referring to FIG. 8 , the
본 발명의 일실시예에 따르면 서버(800)는 생체신호 측정 장치와 연동하여 지원 대상자의 상태 정보를 제공할 수 있다.According to an embodiment of the present invention, the
일례로, 모니터링 정보 수집부(810)는 지원 대상자로부터 측정된 심전도 신호 및 움직임 신호를 포함하는 생체신호가 포함된 모니터링 정보를 수집할 수 있다.As an example, the monitoring
예를 들어, 모니터링 정보 수집부(810)는 생체신호 측정 장치가 게이트웨이를 통해서 전달하는 모니터링 정보를 수집할 수 있다.For example, the monitoring
예를 들어, 생체신호는 생체신호 측정 장치가 지원 대상자의 심장 상에 부착되거나 손목에 착용된 리드를 통해 측정된 신호로 해석될 수 있다.For example, the biosignal may be interpreted as a signal measured by the biosignal measuring device attached to the heart of the support subject or through a lead worn on the wrist.
또한, 생체신호는 생체신호 측정 장치가 지원 대상자의 귀, 목 또는 손목 중에서 적어도 하나로부터 측정한 신체활동측정(Actigraph)에 의한 신체반응을 모니터링한 신호와 PPG(photoplethysmography)에 의한 신경반응을 모니터링한 신호를 포함할 수 있다.In addition, the biosignal is a signal that the biosignal measurement device monitors the body reaction by the physical activity measurement (Actigraph) measured from at least one of the ear, neck, or wrist of the subject and the nerve reaction by PPG (photoplethysmography) is monitored. It may contain signals.
본 발명의 일실시예에 따르면 신호 추출부(820)는 전달된 모니터링 정보로부터 인공지능 알고리즘을 이용하여 지원 대상자의 심장 상태 분석을 하기 위한 심전도 신호를 추출할 수 있다.According to an embodiment of the present invention, the
예를 들어, 신호 추출부(820)는 수집된 모니터링 정보를 디코딩하여 모니터링 정보로부터 심전도 신호에 상응하는 생체신호를 추출할 수 있다.For example, the
또한, 신호 추출부(820)는 생체신호 측정 장치가 인공지능 인코더를 이용하여 암호화 및 압축화한 생체신호를 인공지능 디코더를 이용하여 생체신호로 변환할 수 있다.Also, the
본 발명의 일실시예에 따르면 인공지능 처리부(830)는 기 저장된 인공지능 기계학습 알고리즘에 기반하여 추출된 심전도 신호의 시간 도메인(time domain) 및 주파수 도메인(frequency domain)을 특징 정보로 추출하고, 추출된 특징 정보를 이용하여 복수의 심장이상 종류 모델을 결정하며, 결정된 복수의 심장이상 종류 모델에 대한 구분 정확도를 계산하고, 계산된 정확도에 기반하여 결정된 심장이상 종류 모델과 공개된 심혈관계 질환 데이터를 이용하여 지원 대상자의 심혈관계 질환을 결정할 수 있다.According to an embodiment of the present invention, the artificial
구체적으로, 인공지능 처리부(830)는 시간 도메인(time domain)에 기반하여 주파수 도메인(frequency domain)을 특정 시간 간격으로 분할하고, 분할된 주파수 도메인(frequency domain)을 이진수로 정규화하여 정규화 신호를 생성하며, 생성된 정규화 신호를 이미지로 변환하고, 변환된 이미지에 기 저장된 인공지능 기계학습 알고리즘 기반 가중치를 적용하여 압축 신호를 생성하며, 적용된 가중치를 이용하여 압축 신호로부터 복원 신호를 생성하고, 생성된 정규화 신호와 상기 생성된 복원 신호의 차이가 사전 설정된 임계 범위에 해당되도록 가중치를 기계학습하여 심전도 신호의 형태학적 특징에 해당되는 특징 정보를 추출할 수 있다.Specifically, the artificial
또한, 인공지능 처리부(830)는 특징 정보를 기계학습하여 복수의 심장이상 종류 모델을 빈맥 모델, 서맥 모델, 심방세동 모델, 좌각차단 모델, 우각차단 모델, 심방조기수축 모델, 심실조기수축 모델 및 심정지 모델 중 적어도 하나로 결정할 수 있다.In addition, the artificial
예를 들어, 인공지능 처리부(830)는 결정된 복수의 심장이상 종류 모델에 대하여 구분 정확도를 계산할 수 있다.For example, the artificial
구체적으로, 인공지능 처리부(830)는 하기 수학식 1에 기반하여 복수의 심장이상 종류 모델에 대하여 구분 정확도를 계산할 수 있다.Specifically, the artificial
[수학식 1][Equation 1]
정확도 =(TP + TN)/(TP + TN + FP + FN)Accuracy = (TP + TN)/(TP + TN + FP + FN)
수학식 1에서 TP는 이상 상태를 이상 상태로 정확히 구분하는 경우를 나타낼 수 있고, TN은 정상 상태를 정상 상태로 구분하는 경우를 나타낼 수 있으며, FP는 정상 상태를 이상 상태로 구분하는 경우를 나타낼 수 있고, FN은 정상 상태를 이상 상태로 구분하는 경우를 나타낼 수 있다.In Equation 1, TP may represent a case in which an abnormal state is accurately classified into an abnormal state, TN may represent a case in which a normal state is divided into a normal state, and FP may represent a case in which a normal state is classified as an abnormal state. , and FN may indicate a case in which a normal state is divided into an abnormal state.
본 발명의 일실시예에 따르면 인공지능 처리부(830)는 오픈 데이터 셋과 빈맥 모델, 서맥 모델, 심방세동 모델, 좌각차단 모델, 우각차단 모델, 심방조기수축 모델 및 심실조기수축 모델 중 적어도 하나의 모델과 정상 심장상태 모델을 이용하여 심장이상을 심장이상으로 구분하는 TP(True Positive) 경우, 심장이상을 정상으로 구분하는 FN(False Negative) 경우, 정상을 심장이상으로 구분하는 FP(False Positive) 경우 및 정상을 정상으로 구분하는 TN(True Negative) 경우로 분류한다.According to an embodiment of the present invention, the artificial
다음으로, 인공지능 처리부(830)는 TP(True Positive) 경우의 수치, FN(False Negative) 경우의 수치, FP(False Positive) 경우의 수치 및 TN(True Negative) 경우의 수치의 결합에 대한 TP(True Positive) 경우의 수치와 TN(True Negative) 경우의 수치의 결합의 비율에 기반하여 빈맥 모델, 서맥 모델, 심방세동 모델, 좌각차단 모델, 우각차단 모델, 심방조기수축 모델 및 심실조기수축 모델 중 적어도 하나에 대한 구분 정확도를 계산할 수 있다.Next, the artificial
또한, 인공지능 처리부(830)는 오픈 데이터 셋과 심정지 모델과 정상 심장상태 모델을 이용하여 심정지 구간을 심정지 구간으로 구분하는 TP(True Positive) 경우, 심정지 구간을 정상 구간으로 구분하는 FN(False Negative) 경우, 정상 구간을 심정지 구간으로 구분하는 FP(False Positive) 경우 및 정상 구간을 정상 구간으로 구분하는 TN(True Negative) 경우로 분류할 수 있다.In addition, the artificial
다음으로, 인공지능 처리부(830)는 TP(True Positive) 경우의 수치, FN(False Negative) 경우의 수치, FP(False Positive) 경우의 수치 및 TN(True Negative) 경우의 수치의 결합에 대한 TP(True Positive) 경우의 수치와 TN(True Negative) 경우의 수치의 결합의 비율에 기반하여 위급 상황 구분 정확도를 계산할 수 있다.Next, the artificial
또한, 인공지능 처리부(830)는 아티팩트 신호를 상기 아티팩트 신호로 구분하는 TP(True Positive) 경우, 아티팩트 신호를 정상 신호 구분하는 FN(False Negative) 경우 및 정상 신호를 아티팩트 신호로 구분하는 FP(False Positive) 경우, 정상 신호를 정상 신호로 구분하는 TN(True Negative) 경우로 분류하고, TP(True Positive) 경우의 수치, FN(False Negative) 경우의 수치, FP(False Positive) 경우의 수치 및 TN(True Negative) 경우의 수치의 결합에 대한 TP(True Positive) 경우의 수치와 TN(True Negative) 경우의 수치의 결합의 비율에 기반하여 아티팩트 제거 정확도를 계산할 수 있다.In addition, the artificial
예를 들어, 인공지능 처리부(830)는 인공지능 학습 기술에 기반하여 오픈 데이터 셋과 심장이상 종류 모델을 비교하여 구분 정확도를 자동적으로 계산할 수 있다.For example, the artificial
본 발명의 일실시예에 따르면 인공지능 처리부(830)는 신호 품질 관리 인공지능, 부정맥 탐지 인공지능, 심혈관질환 평가 인공지능을 포함하여, 생체신호 측정 장치로부터 전달되는 생체신호의 신호 품질을 관리하고, 부정맥과 심혈관질환을 평가 및 탐지할 수 있다.According to an embodiment of the present invention, the artificial
본 발명의 일실시예에 따르면 제어부(840)는 인공지능 처리부(830)에 의해 결정된 심혈관계 질환을 사용자 단말 장치로 제공하도록 제어할 수 있다. 여기서, 제어되는 장치는 통신 장치에 해당될 수 있다.According to an embodiment of the present invention, the
일례로, 사용자 단말 장치는 심혈관계 질환과 관련된 분석 정보를 수신하고, 수신된 분석 정보에 포함된 심혈관계 질환 결정 정보와 분석결과를 디스플레이를 통해 제공할 수 있다.For example, the user terminal device may receive analysis information related to cardiovascular disease, and provide cardiovascular disease determination information and analysis results included in the received analysis information through a display.
본 발명의 일실시예에 따르면 제어부(840)는 심전도 신호 및 움직임 신호 중 적어도 하나가 측정된 후, 측정된 심전도 신호의 개수와 측정된 움직임 신호의 개수를 계산하고, 계산된 심전도 신호의 개수와 계산된 움직임 신호의 개수를 임계 값과 비교하여 심전도 신호와 움직임 신호의 데이터 수신 상태를 확인할 수 있다.According to an embodiment of the present invention, after at least one of an electrocardiogram signal and a motion signal is measured, the
또한, 제어부(840)는 심전도 신호와 움직임 신호의 수신 상태가 불량할 경우, 생체신호 측정 장치로 추가 데이터를 의뢰하거나 추가 측정을 요청할 수 있다.Also, when the reception state of the electrocardiogram signal and the motion signal is poor, the
또한, 제어부(840)는 심혈관계 질환 및 위급 상태 여부에 대한 정보와 생체신호의 변동 정보 중 적어도 하나의 정보를 사용자 단말 장치로 피드백하도록 제어할 수 있다.In addition, the
도 9는 본 발명의 일실시예에 따른 복합 생활 지원 솔루션 제공 시스템의 동작 방법을 설명하는 도면이다.9 is a view for explaining an operation method of a system for providing a complex life support solution according to an embodiment of the present invention.
도 9는 본 발명의 일실시예에 따른 복합 생활 지원 솔루션 제공 시스템이 생체신호 측정 장치를 이용하여 측정된 생체신호를 기 저장된 인공지능 알고리즘을 이용하여 학습 및 분석한 후 지원 대상자의 심혈관계 질환 및 위급 상태 여부에 대한 정보와 생체신호의 변동 정보 중 적어도 하나의 정보를 사용자 단말 장치로 피드백하여 복합 생활 지원 솔루션을 제공하는 실시예를 설명한다.9 is a view showing the cardiovascular disease of the support target after the system for providing a complex life support solution according to an embodiment of the present invention learns and analyzes the bio-signals measured using the bio-signal measuring device using a pre-stored artificial intelligence algorithm. An embodiment of providing a complex life support solution by feeding back at least one of information on whether there is an emergency and information on changes in biosignals to a user terminal device will be described.
도 9를 참고하면, 본 발명의 일실시예에 따른 복합 생활 지원 솔루션 제공 시스템의 동작 방법은 단계(901)에서 지원 대상자의 생체신호를 측정한다.Referring to FIG. 9 , in the operating method of the system for providing a complex life support solution according to an embodiment of the present invention, in
즉, 복합 생활 지원 솔루션 제공 시스템의 동작 방법은 지원 대상자의 심장 상측에 부착된 생체신호 측정 장치, 지원 대상자의 귀, 목 또는 손목 중에서 적어도 하나에 착용된 생체신호 측정 장치를 이용하여 심전도 신호, 움직임 신호, 체온 신호 및 맥파 신호를 포함하는 생체신호를 측정한다.In other words, the operation method of the complex life support solution providing system uses a bio-signal measuring device attached to the upper side of the support subject's heart and a bio-signal measuring device worn on at least one of the support subject's ear, neck, or wrist to obtain an electrocardiogram signal, movement A biosignal including a signal, a body temperature signal, and a pulse wave signal is measured.
단계(902)에서 본 발명의 일실시예에 따른 복합 생활 지원 솔루션 제공 시스템의 동작 방법은 단계(901)에서 측정된 생체신호를 포함하는 모니터링 정보를 서버로 전송한다.In the operation method of the system for providing a complex life support solution according to an embodiment of the present invention in
즉, 복합 생활 지원 솔루션 제공 시스템의 동작 방법은 심전도 신호, 움직임 신호, 체온 신호 및 맥파 신호를 포함하는 생체신호를 인공지능 인코더를 이용하여 암호화 및 압축화하여 모니터링 정보를 생성하고, 생성된 모니터링 정보를 인접한 게이트웨이를 통해 서버로 전송한다.That is, the operation method of the complex life support solution providing system generates monitoring information by encrypting and compressing bio-signals including an electrocardiogram signal, a motion signal, a body temperature signal, and a pulse wave signal using an artificial intelligence encoder, and the generated monitoring information is sent to the server through an adjacent gateway.
단계(903)에서 복합 생활 지원 솔루션 제공 시스템의 동작 방법은 인공지능 기계학습 알고리즘에 기반하여 심장이상 종류 모델을 결정하고, 심장이상 종류 모델에 기반한 구분도를 계산한다.In
구체적으로, 복합 생활 지원 솔루션 제공 시스템의 동작 방법은 심전도 신호의 시간 도메인(time domain)에 기반하여 생성된 정규화 신호를 시간 표준화된 이미지로 변환하고, 변환된 이미지에 기 저장된 인공지능 기계학습 알고리즘 기반 가중치를 적용하여 압축 신호를 생성하며, 적용된 가중치를 이용하여 압축 신호로부터 복원 신호를 생성하고, 생성된 정규화 신호와 생성된 복원 신호의 차이가 사전 설정된 임계 범위에 해당되도록 가중치를 기계학습하여 심전도 신호의 형태학적 특징에 해당되는 특징 정보를 추출할 수 있다.Specifically, the operation method of the complex life support solution providing system is based on an artificial intelligence machine learning algorithm pre-stored in the converted image by converting a normalized signal generated based on the time domain of the electrocardiogram signal into a time standardized image. A compressed signal is generated by applying a weight, a reconstructed signal is generated from the compressed signal using the applied weight, and the weight is machine learned so that the difference between the generated normalized signal and the generated reconstructed signal falls within a preset threshold range to obtain an ECG signal It is possible to extract feature information corresponding to the morphological features of
또한, 복합 생활 지원 솔루션 제공 시스템의 동작 방법은 추출된 특징 정보를 기계학습하여 복수의 심장이상 종류 모델을 빈맥 모델, 서맥 모델, 심방세동 모델, 좌각차단 모델, 우각차단 모델, 심방조기수축 모델, 심실조기수축 모델, 정상 심장상태 모델 및 심정지 모델로 결정할 수 있다.In addition, the operation method of the complex life support solution providing system is a tachycardia model, bradycardia model, atrial fibrillation model, left leg block model, right leg block model, atrial premature contraction model, It can be determined with a ventricular premature contraction model, a normal heart condition model, and a cardiac arrest model.
또한, 복합 생활 지원 솔루션 제공 시스템의 동작 방법은 복수의 심장 이상 종류 모델에 대한 구분 정확도를 계산한다.In addition, the operation method of the complex life support solution providing system calculates classification accuracy for a plurality of cardiac abnormality type models.
즉, 복합 생활 지원 솔루션 제공 시스템의 동작 방법은 복수의 심장 이상 종류 모델의 판단 결과에 따라 복수의 심장 이상 종류 모델에 대한 구분 정확도를 수치화할 수 있다.That is, the operating method of the complex life support solution providing system may quantify the classification accuracy of the plurality of cardiac abnormality type models according to the determination result of the plurality of cardiac abnormality type models.
구체적으로, 복합 생활 지원 솔루션 제공 시스템의 동작 방법은 복수의 심장이상 종류 모델 각각에 대하여 심장이상을 심장이상으로 구분하는 TP(True Positive) 경우, 심장이상을 정상으로 구분하는 FN(False Negative) 경우, 정상을 심장이상으로 구분하는 FP(False Positive) 경우, 정상을 정상으로 구분하는 TN(True Negative) 경우에 해당하는 4 종류의 경우의 수로 구분한다.Specifically, the operation method of the complex life support solution providing system is TP (True Positive), which classifies cardiac abnormalities as cardiac abnormalities, and FN (False Negative) cases, which classifies cardiac abnormalities as normal, for each of a plurality of cardiac abnormality type models. , It is divided into four types of cases corresponding to FP (False Positive), which classifies normal as cardiac abnormality, and TN (True Negative), which classifies normal as normal.
또한, 복합 생활 지원 솔루션 제공 시스템의 동작 방법은 TP(True Positive) 경우의 수치, FN(False Negative) 경우의 수치, FP(False Positive) 경우의 수치 및 TN(True Negative) 경우의 수치의 결합에 대한 TP(True Positive) 경우의 수치와 TN(True Negative) 경우의 수치의 결합의 비율에 기반하여 구분 정확도를 계산한다.In addition, the operation method of the complex life support solution providing system depends on the combination of the numerical values in the case of TP (True Positive), FN (False Negative), FP (False Positive), and TN (True Negative). The classification accuracy is calculated based on the ratio of the combination of the values in the TP (True Positive) case and the TN (True Negative) case.
또한, 복합 생활 지원 솔루션 제공 시스템의 동작 방법은 계산된 구분 정확도의 수치로 빈맥, 서맥, 심방세동, 좌각차단, 우각차단, 심방조기수축, 심실 조기수축과 관련된 심장 이상 종류의 구분 정확도가 임계값보다 높을 경우 심장 이상 종류를 빈맥, 서맥, 심방세동, 좌각차단, 우각차단, 심방조기수축 및 심실 조기수축 중 적어도 하나로 결정하고, 심정지와 관련하여 위급 상황을 결정하며, 아티팩트 제거 확률에 기반하여 아티팩트 제거율을 결정할 수 있다.In addition, the operation method of the complex life support solution providing system is the calculated classification accuracy, and the classification accuracy of cardiac abnormalities related to tachycardia, bradycardia, atrial fibrillation, left-brain block, right-angle block, atrial premature contraction, and ventricular premature contraction is the threshold value. If higher, the type of cardiac abnormality is determined as at least one of tachycardia, bradycardia, atrial fibrillation, left-angle block, right-angle block, atrial premature contraction and ventricular premature contraction, and an emergency situation related to cardiac arrest is determined, and the artifact is removed based on the artifact removal probability. The removal rate can be determined.
단계(904)에서 본 발명의 일실시예에 따른 복합 생활 지원 솔루션 제공 시스템의 동작 방법은 정확도, 심장이상 종류 모델 및 공개된 심혈관계 질환 데이터를 이용하여 심혈관계 질환을 결정한다.In
즉, 복합 생활 지원 솔루션 제공 시스템의 동작 방법은 단계(903)에서 계산된 정확도에 기반하여 단계(903)에서 결정된 심장이상 종류 모델과 공개 데이터로 공개된 심혈관계 질환 데이터를 비교 분석하여 생체신호 측정 장치를 착용하고 있는 지원 대상자의 심혈관계 질환을 결정할 수 있다.That is, the operation method of the complex life support solution providing system is based on the accuracy calculated in
단계(905)에서 본 발명의 일실시예에 따른 복합 생활 지원 솔루션 제공 시스템의 동작 방법은 생체 신호 변동 정보와 심혈관계 질환 및 위급 상태 여부를 사용자 단말 장치로 피드백할 수 있다.In
단계(906)에서 본 발명의 일실시예에 따른 복합 생활 지원 솔루션 제공 시스템의 동작 방법은 피드백 정보를 표시하고, 피드백 정보에 따라 알람 피드백을 제공할 수 있다.In
즉, 본 발명의 일실시예에 따른 복합 생활 지원 솔루션 제공 시스템의 동작 방법은 결정된 심혈관계 질환 및 상기 위급 상태 여부에 대한 정보와 상기 생체신호의 변동 정보 중 적어도 하나를 포함하는 정보를 출력하고, 의료진 단말 장치에 출력되는 정보에 따라 생성되는 처방정보에 기초하여 보호자 단말 장치 및 응급센터 단말 장치에도 처방정보가 업데이트할 수 있다.That is, the operating method of the system for providing a complex life support solution according to an embodiment of the present invention outputs information including at least one of information on the determined cardiovascular disease and the emergency state and information on fluctuations in the biosignals, Based on the prescription information generated according to the information output to the medical staff terminal device, the prescription information may also be updated in the guardian terminal device and the emergency center terminal device.
또한, 본 발명의 일실시예에 따른 복합 생활 지원 솔루션 제공 시스템의 동작 방법은 결정된 심혈관계 질환 및 위급 상태 여부에 대한 정보와 생체신호의 변동 정보에 기반하여 지원 대상자의 간호 관리 서비스, 질환 데이터 관리 서비스, 질환 데이터 시각화, 질환 데이터 통계 서비스 및 응급 푸쉬 알림 서비스 중 적어도 하나를 제공할 수 있다.In addition, the operation method of the system for providing a complex life support solution according to an embodiment of the present invention is based on the determined information on the cardiovascular disease and emergency status and the change information of the bio-signal, the patient's nursing management service, disease data management At least one of a service, a disease data visualization, a disease data statistical service, and an emergency push notification service may be provided.
따라서, 본 발명은 실시간 부정맥 탐지를 위한 심장상태 분석, 신호 분석 신뢰도 제고를 위한 생체신호 품질 관리, 조기 질환 관리를 위한 주요 심혈관질환 평가를 수행할 수 있도록 환자의 심장상태를 감지할 수 있다.Therefore, the present invention can detect the heart condition of a patient so that a heart condition analysis for real-time arrhythmia detection, biosignal quality control for improving signal analysis reliability, and major cardiovascular disease evaluation for early disease management can be performed.
또한, 본 발명은 환자에 부착되어 환자의 심장상태를 감지하는 생체신호 측정 장치로부터 측정되는 생체신호를 기 저장된 인공지능 알고리즘에 기반하여 분석함에 따라 빈맥, 서맥, 심방세동, 좌각차단, 우각차단, 심방조기수축, 심실조기 수축, 심정지 등과 같은 주요 심장 이상 종류를 탐지할 수 있다.In addition, the present invention is attached to the patient by analyzing the bio-signals measured from the bio-signal measuring device that detects the patient's heart condition based on a pre-stored artificial intelligence algorithm, so that tachycardia, bradycardia, atrial fibrillation, left-angle block, right-angle block, It can detect major types of cardiac abnormalities, such as atrial premature contraction, ventricular premature contraction, and cardiac arrest.
또한, 본 발명은 기 저장된 인공지능 알고리즘과 오픈 데이터 셋을 이용하여 심장기능 이상 구분 정확도, 위급 상황 구분 정확도 및 아티팩트 신호 검출 정확도 계산함에따라 환자에 부착되어 환자의 심장상태를 감지하는 생체신호 측정 장치로부터 측정되는 생체신호의 측정 정확도를 학습 및 평가하여 생체신호의 측정 정확도를 개선할 수 있다.In addition, the present invention is a biosignal measuring device that is attached to a patient and detects the patient's heart condition by calculating cardiac function abnormality classification accuracy, emergency situation classification accuracy, and artifact signal detection accuracy using a pre-stored artificial intelligence algorithm and open data set. By learning and evaluating the measurement accuracy of the bio-signal measured from the , it is possible to improve the measurement accuracy of the bio-signal.
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.The device described above may be implemented as a hardware component, a software component, and/or a combination of the hardware component and the software component. For example, devices and components described in the embodiments may include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable array (FPA), It may be implemented using one or more general purpose or special purpose computers, such as a programmable logic unit (PLU), microprocessor, or any other device capable of executing and responding to instructions. The processing device may execute an operating system (OS) and one or more software applications running on the operating system. A processing device may also access, store, manipulate, process, and generate data in response to execution of the software. For convenience of understanding, although one processing device is sometimes described as being used, one of ordinary skill in the art will recognize that the processing device includes a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that can include For example, the processing device may include a plurality of processors or one processor and one controller. Other processing configurations are also possible, such as parallel processors.
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.Software may comprise a computer program, code, instructions, or a combination of one or more thereof, which configures a processing device to operate as desired or is independently or collectively processed You can command the device. The software and/or data may be any kind of machine, component, physical device, virtual equipment, computer storage medium or apparatus, to be interpreted by or to provide instructions or data to the processing device. , or may be permanently or temporarily embody in a transmitted signal wave. The software may be distributed over networked computer systems and stored or executed in a distributed manner. Software and data may be stored in one or more computer-readable recording media.
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.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, etc. alone or in combination. The program instructions recorded on the medium may be specially designed and configured for the embodiment, or may be known and available to those skilled in the art of computer software. Examples of the computer-readable recording medium include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic such as floppy disks. - includes magneto-optical media, and hardware devices specially configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like. The hardware devices described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.
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.As described above, although the embodiments have been described with reference to the limited drawings, various modifications and variations are possible by those skilled in the art from the above description. For example, the described techniques are performed in an order different from the described method, and/or the described components of the system, structure, apparatus, circuit, etc. are combined or combined in a different form than the described method, or other components Or substituted or substituted by equivalents may achieve an appropriate result.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents to the claims are also within the scope of the following claims.
Claims (20)
지원 대상자의 심전도 신호, 움직임 신호, 체온 신호 및 맥파 신호 중 적어도 하나를 포함하는 생체신호를 포함하는 모니터링 정보를 서버로 전송하는 게이트웨이; 및
상기 전송된 모니터링 정보로부터 상기 생체신호의 심전도 신호를 추출하고, 기 저장된 인공지능 기계학습 알고리즘에 기반하여 상기 추출된 심전도 신호의 시간 표준화된 이미지로의 변환을 통한 형태학적 정보를 특징 정보로 추출하고, 상기 추출된 특징 정보를 이용하여 복수의 심장이상 종류 모델을 결정하며, 상기 결정된 복수의 심장이상 종류 모델에 대한 구분 정확도를 계산하고, 상기 계산된 정확도에 기반하여 상기 결정된 심장이상 종류 모델과 공개된 심혈관계 질환 데이터를 이용하여 상기 지원 대상자의 심혈관계 질환 및 위급 상태 여부를 결정하고, 상기 결정된 심혈관계 질환 및 상기 위급 상태 여부에 대한 정보와 상기 생체신호의 변동 정보를 사용자 단말 장치로 피드백하는 서버를 포함하는
복합 생활 지원 솔루션 제공 시스템.In the complex life support solution providing system,
a gateway for transmitting monitoring information including a biosignal including at least one of an electrocardiogram signal, a motion signal, a body temperature signal, and a pulse wave signal of a subject to be supported to a server; and
Extracting the ECG signal of the biosignal from the transmitted monitoring information, and extracting the morphological information through conversion of the extracted ECG signal into a time-standardized image based on a pre-stored artificial intelligence machine learning algorithm as feature information, , determine a plurality of cardiac abnormality type models using the extracted characteristic information, calculate classification accuracy for the plurality of determined cardiac abnormality type models, and disclose the determined cardiac abnormality type model and the based on the calculated accuracy Determining whether the support target has a cardiovascular disease or an emergency state using the obtained cardiovascular disease data, and feeds back information on the determined cardiovascular disease and the emergency state and information on fluctuations in the biosignal to a user terminal device containing the server
Complex life support solution provision system.
상기 사용자 단말 장치는 의료진 단말 장치, 보호자 단말 장치 및 응급센터 단말 장치 중 적어도 하나를 포함하고,
상기 사용자 단말 장치는 상기 결정된 심혈관계 질환 및 상기 위급 상태 여부에 대한 정보와 상기 생체신호의 변동 정보 중 적어도 하나를 포함하는 정보를 출력하며,
상기 의료진 단말 장치에 출력되는 정보에 따라 생성되는 처방정보에 기초하여 상기 보호자 단말 장치 및 상기 응급센터 단말 장치에도 상기 처방정보가 업데이트되는
복합 생활 지원 솔루션 제공 시스템.According to claim 1,
The user terminal device includes at least one of a medical staff terminal device, a guardian terminal device, and an emergency center terminal device,
The user terminal device outputs information including at least one of information on whether the determined cardiovascular disease and the emergency state and information on fluctuations in the biosignal,
Based on the prescription information generated according to the information output to the medical staff terminal device, the prescription information is also updated in the guardian terminal device and the emergency center terminal device
Complex life support solution provision system.
상기 사용자 단말 장치는 상기 결정된 심혈관계 질환 및 상기 위급 상태 여부에 대한 정보와 상기 생체신호의 변동 정보에 기반하여 상기 지원 대상자의 간호 관리 서비스, 질환 데이터 관리 서비스, 질환 데이터 시각화, 질환 데이터 통계 서비스 및 응급 푸쉬 알림 서비스 중 적어도 하나를 제공하는
복합 생활 지원 솔루션 제공 시스템.3. The method of claim 2,
The user terminal device includes a nursing management service, a disease data management service, a disease data visualization, a disease data statistical service and providing at least one of the emergency push notification services
Complex life support solution provision system.
상기 서버는 상기 지원 대상자로부터 측정된 3D 깊이 이미지, 심전도 신호, 움직임 신호, 체온 신호 및 맥파 신호를 포함하는 생체신호가 포함된 모니터링 정보를 수집하는 모니터링 정보 수집부;
상기 전송된 모니터링 정보에 포함된 심전도 신호를 추출하는 신호 추출부;
기 저장된 인공지능 기계학습 알고리즘에 기반하여 상기 추출된 심전도 신호의 시간 표준화된 이미지로의 변환을 통한 형태학적 정보를 특징 정보로 추출하고, 상기 추출된 특징 정보를 이용하여 복수의 심장이상 종류 모델을 결정하며, 상기 결정된 복수의 심장이상 종류 모델에 대한 구분 정확도를 계산하고, 상기 계산된 정확도에 기반하여 상기 결정된 심장이상 종류 모델과 공개된 심혈관계 질환 데이터를 이용하여 상기 지원 대상자의 심혈관계 질환 및 위급 상태 여부를 결정하는 인공지능 처리부; 및
상기 결정된 심혈관계 질환 및 상기 위급 상태 여부에 대한 정보와 상기 생체신호의 변동 정보 중 적어도 하나의 정보를 상기 사용자 단말 장치로 피드백하도록 제어하는 제어부를 포함하는 것을 특징으로 하는
복합 생활 지원 솔루션 제공 시스템.According to claim 1,
The server may include: a monitoring information collection unit configured to collect monitoring information including biosignals including 3D depth images, electrocardiogram signals, motion signals, body temperature signals, and pulse wave signals measured from the support subject;
a signal extraction unit for extracting an electrocardiogram signal included in the transmitted monitoring information;
Based on a pre-stored artificial intelligence machine learning algorithm, the morphological information through the conversion of the extracted ECG signal into a time-standardized image is extracted as feature information, and a plurality of cardiac abnormality types models are generated using the extracted feature information. determining, calculating the classification accuracy for the plurality of heart abnormality type models determined, and using the determined cardiac abnormality type model and published cardiovascular disease data based on the calculated accuracy to determine the cardiovascular disease and Artificial intelligence processing unit to determine whether there is an emergency; and
and a controller configured to control to feed back at least one of the determined information on the cardiovascular disease and the emergency state and information on fluctuations in the biosignal to the user terminal device.
Complex life support solution provision system.
상기 인공지능 처리부는 상기 추출된 심전도 신호의 시간 도메인(time domain)에 기반하여정규화 신호를 생성하며, 상기 생성된 정규화 신호를 상기 시간 표준화된 이미지로 변환하고, 상기 변환된 이미지에 상기 기 저장된 인공지능 기계학습 알고리즘 기반 가중치를 적용하여 압축 신호를 생성하며, 상기 적용된 가중치를 이용하여 상기 압축 신호로부터 복원 신호를 생성하고, 상기 생성된 정규화 신호와 상기 생성된 복원 신호의 차이가 사전 설정된 임계 범위에 해당되도록 상기 가중치를 기계학습하여 상기 심전도 신호의 형태학적 정보를 상기 특징 정보로 추출하는 것을 특징으로 하는
복합 생활 지원 솔루션 제공 시스템.5. The method of claim 4,
The artificial intelligence processing unit generates a normalized signal based on a time domain of the extracted electrocardiogram signal, converts the generated normalized signal into the time normalized image, and the artificial intelligence stored in the converted image in advance. A compressed signal is generated by applying a weight based on an intelligent machine learning algorithm, a restored signal is generated from the compressed signal using the applied weight, and the difference between the generated normalized signal and the generated restored signal is in a preset threshold range. Characterized in extracting the morphological information of the electrocardiogram signal as the feature information by machine learning the weight so as to correspond to it
Complex life support solution provision system.
상기 인공지능 처리부는 상기 특징 정보를 기계학습하여 상기 복수의 심장이상 종류 모델을 빈맥 모델, 서맥 모델, 심방세동 모델, 좌각차단 모델, 우각차단 모델, 심방조기수축 모델, 심실조기수축 모델, 심정지 모델 및 정상 심장상태 모델 중 적어도 하나의 모델로 결정하는 것을 특징으로 하는
복합 생활 지원 솔루션 제공 시스템.5. The method of claim 4,
The artificial intelligence processing unit machine-learns the characteristic information and converts the plurality of heart abnormality type models into a tachycardia model, bradycardia model, atrial fibrillation model, left-angle block model, right-angle block model, atrial premature contraction model, ventricular premature contraction model, cardiac arrest model and determining as at least one model of a normal heart state model.
Complex life support solution provision system.
상기 인공지능 처리부는 오픈 데이터 셋과 상기 빈맥 모델, 상기 서맥 모델, 상기 심방세동 모델, 상기 좌각차단 모델, 상기 우각차단 모델, 상기 심방조기수축 모델 및 상기 심실조기수축 모델 중 적어도 하나의 모델과 상기 정상 심장상태 모델을 이용하여 심장이상을 상기 심장이상으로 구분하는 TP(True Positive) 경우, 상기 심장이상을 정상으로 구분하는 FN(False Negative) 경우, 상기 정상을 상기 심장이상으로 구분하는 FP(False Positive) 경우 및 상기 정상을 상기 정상으로 구분하는 TN(True Negative) 경우로 분류하고, 상기 TP(True Positive) 경우의 수치, 상기 FN(False Negative) 경우의 수치, 상기 FP(False Positive) 경우의 수치 및 상기 TN(True Negative) 경우의 수치의 결합에 대한 상기 TP(True Positive) 경우의 수치와 상기 TN(True Negative) 경우의 수치의 결합의 비율에 기반하여 상기 빈맥 모델, 상기 서맥 모델, 상기 심방세동 모델, 상기 좌각차단 모델, 상기 우각차단 모델, 상기 심방조기수축 모델 및 상기 심실조기수축 모델 중 적어도 하나에 대한 구분 정확도를 계산하는 것을 특징으로 하는
복합 생활 지원 솔루션 제공 시스템.7. The method of claim 6,
The artificial intelligence processing unit includes at least one of an open data set and the tachycardia model, the bradycardia model, the atrial fibrillation model, the left-angle block model, the right-angle block model, the atrial premature contraction model, and the ventricular premature contraction model; In the case of TP (True Positive) that classifies the cardiac abnormality as the cardiac abnormality using a normal heart condition model, and the FN (False Negative) case that classifies the cardiac abnormality as the normal, FP (False) that classifies the normal as the cardiac abnormality Positive) case and TN (True Negative) case that classifies the normal into the normal, the TP (True Positive) case, the FN (False Negative) case, the FP (False Positive) case The tachycardia model, the bradycardia model, the tachycardia model based on the ratio of the combination of the TP (True Positive) value and the TN (True Negative) case value to the combination of the numerical value and the TN (True Negative) case value. Characterized in calculating the classification accuracy for at least one of the atrial fibrillation model, the left-angle block model, the right-angle block model, the atrial premature contraction model, and the ventricular premature contraction model
Complex life support solution provision system.
상기 인공지능 처리부는 오픈 데이터 셋과 상기 심정지 모델과 상기 정상 심장상태 모델을 이용하여 심정지 구간을 상기 심정지 구간으로 구분하는 TP(True Positive) 경우, 상기 심정지 구간을 정상 구간으로 구분하는 FN(False Negative) 경우, 상기 정상 구간을 상기 심정지 구간으로 구분하는 FP(False Positive) 경우 및 상기 정상 구간을 상기 정상 구간으로 구분하는 TN(True Negative) 경우로 분류하고, 상기 TP(True Positive) 경우의 수치, 상기 FN(False Negative) 경우의 수치, 상기 FP(False Positive) 경우의 수치 및 상기 TN(True Negative) 경우의 수치의 결합에 대한 상기 TP(True Positive) 경우의 수치와 상기 TN(True Negative) 경우의 수치의 결합의 비율에 기반하여 위급 상황 구분 정확도를 계산하는 것을 특징으로 하는
복합 생활 지원 솔루션 제공 시스템.7. The method of claim 6,
The artificial intelligence processing unit uses an open data set, the cardiac arrest model, and the normal heart state model to divide the cardiac arrest section into the cardiac arrest section (True Positive) (TP), which divides the cardiac arrest section into a normal section (False Negative FN) ), classifying the FP (false positive) case that divides the normal section into the cardiac arrest section and the TN (True Negative) case that classifies the normal section into the normal section, the TP (True Positive) case, The TN (True Negative) case and the TP (True Positive) case for the combination of the FN (False Negative) case, the FP (False Positive) case, and the TN (True Negative) case. Characterized in calculating the emergency classification accuracy based on the ratio of the combination of the numerical values of
Complex life support solution provision system.
상기 인공지능 처리부는 아티팩트 신호를 상기 아티팩트 신호로 구분하는 TP(True Positive) 경우, 상기 아티팩트 신호를 정상 신호 구분하는 FN(False Negative) 경우 및 상기 정상 신호를 상기 아티팩트 신호로 구분하는 FP(False Positive) 경우, 상기 정상 신호를 상기 정상 신호로 구분하는 TN(True Negative) 경우로 분류하고, 상기 TP(True Positive) 경우의 수치, 상기 FN(False Negative) 경우의 수치, 상기 FP(False Positive) 경우의 수치 및 상기 TN(True Negative) 경우의 수치의 결합에 대한 상기 TP(True Positive) 경우의 수치와 상기 TN(True Negative) 경우의 수치의 결합의 비율에 기반하여 아티팩트 제거 정확도를 계산하는 것을 특징으로 하는
복합 생활 지원 솔루션 제공 시스템.7. The method of claim 6,
The artificial intelligence processing unit divides the artifact signal into the artifact signal in a True Positive (TP) case, in a FN (False Negative) case in which the artifact signal is classified as a normal signal, and in a FP (False Positive) case that classifies the normal signal into the artifact signal. ), the normal signal is classified as a TN (True Negative) case for classifying the normal signal, the TP (True Positive) case, the FN (False Negative) case, and the FP (False Positive) case Artifact removal accuracy is calculated based on the ratio of the combination of the numerical value in the TP (True Positive) case and the numerical value in the TN (True Negative) case to the combination of the numerical value of , and the numerical value of the TN (True Negative) case. to do
Complex life support solution provision system.
상기 제어부는 상기 심전도 신호 및 움직임 신호 중 적어도 하나가 측정된 후, 상기 측정된 심전도 신호의 개수와 상기 측정된 움직임 신호의 개수를 계산하고, 상기 계산된 심전도 신호의 개수와 상기 계산된 움직임 신호의 개수를 임계 값과 비교하여 상기 심전도 신호와 상기 움직임 신호의 데이터 수신 상태를 확인하는 것을 특징으로 하는
복합 생활 지원 솔루션 제공 시스템.5. The method of claim 4,
After at least one of the ECG signal and the motion signal is measured, the controller calculates the measured number of ECG signals and the measured number of motion signals, and calculates the number of ECG signals and the calculated motion signals. Comparing the number with a threshold value to check the data reception state of the electrocardiogram signal and the motion signal
Complex life support solution provision system.
상기 지원 대상자로부터 3D 깊이 이미지, 심전도 신호, 움직임 신호, 체온 신호 및 맥파 신호 중 적어도 하나를 포함하는 생체신호를 측정하고, 상기 측정된 생체신호가 포함된 모니터링 정보를 인공지능 인코더를 통해 출력하는 생체신호 모니터링부 및
상기 출력된 모니터링 정보를 근거리 무선통신을 이용하여 상기 게이트웨이를 통해 상기 서버로 전송하도록 제어하는 제어부를 포함하는 생체신호 측정 장치를 더 포함하는
복합 생활 지원 솔루션 제공 시스템.According to claim 1,
A biometric that measures a biosignal including at least one of a 3D depth image, an electrocardiogram signal, a motion signal, a body temperature signal, and a pulse wave signal from the support subject, and outputs monitoring information including the measured biosignal through an artificial intelligence encoder signal monitoring unit and
The apparatus further comprising a biosignal measuring device including a control unit for controlling the output monitoring information to be transmitted to the server through the gateway using short-range wireless communication
Complex life support solution provision system.
상기 생체신호 모니터링부는, 상기 생체신호로서 귀, 목 또는 손목 중에서 적어도 하나로부터 측정되는 신체활동측정(Actigraph) 및 체온에 의한 신체반응을 모니터링하고, 상기 신체반응에 따른 상기 움직임 신호 및 체온 신호를 인공지능 인코더를 통해 암호화하여 출력하는 것을 특징으로 하는
복합 생활 지원 솔루션 제공 시스템.12. The method of claim 11,
The bio-signal monitoring unit monitors a physical activity measurement (Actigraph) and body temperature measured from at least one of an ear, neck, or wrist as the bio-signal, and artificially generates the movement signal and body temperature signal according to the body reaction. Characterized in encoding and outputting through an intelligent encoder
Complex life support solution provision system.
상기 생체신호 모니터링부는, 상기 생체신호로서 귀, 목 또는 손목 중에서 적어도 하나로부터 측정되는 PPG(photoplethysmography)에 의한 신경반응을 모니터링하고, 상기 신경반응에 따른 자율신경정보를 인공지능 인코더를 통해 암호화하여 출력하는 것을 특징으로 하는
복합 생활 지원 솔루션 제공 시스템.12. The method of claim 11,
The biosignal monitoring unit monitors a neural response by photoplethysmography (PPG) measured from at least one of the ear, neck, or wrist as the biosignal, and encodes and outputs autonomic neural information according to the neural response through an artificial intelligence encoder. characterized by
Complex life support solution provision system.
상기 제어부는 3D 깊이 이미지, 심전도 신호, 움직임 신호, 체온 신호 및 맥파 신호 중 적어도 하나를 측정할 시 발생되는 데이터 트래픽을 시뮬레이션하고, 상기 시뮬레이션에 기반하여 상기 생체신호 측정 장치의 동작 상태를 결정하고,
상기 제어부는 상기 측정된 3D 깊이 이미지, 심전도 신호, 움직임 신호, 체온 신호 및 맥파 신호를 기반으로 상기 지원 대상자의 심정지 및 낙상을 포함하는 위급상황 탐지하는 것을 특징으로 하는
복합 생활 지원 솔루션 제공 시스템.12. The method of claim 11,
The controller simulates data traffic generated when measuring at least one of a 3D depth image, an electrocardiogram signal, a motion signal, a body temperature signal, and a pulse wave signal, and determines an operating state of the biosignal measuring device based on the simulation;
The control unit detects an emergency including cardiac arrest and a fall of the support target based on the measured 3D depth image, an electrocardiogram signal, a motion signal, a body temperature signal, and a pulse wave signal
Complex life support solution provision system.
생체신호 측정 장치에서, 지원 대상자로부터 심전도 신호, 움직임 신호, 체온 신호 및 맥파 신호 중 적어도 하나를 포함하는 생체신호를 측정하는 단계;
상기 생체신호 측정 장치에서, 상기 측정된 생체신호가 포함된 모니터링 정보를 게이트웨이를 통해 서버로 전송하는 단계;
상기 서버에서, 상기 전송된 모니터링 정보로부터 상기 생체신호의 심전도 신호를 추출하고, 기 저장된 인공지능 기계학습 알고리즘에 기반하여 상기 추출된 심전도 신호의 시간 표준화된 이미지로의 변환을 통한 형태학적 정보를 을 특징 정보로 추출하는 단계;
상기 서버에서, 상기 추출된 특징 정보를 이용하여 복수의 심장이상 종류 모델을 결정하는 단계;
상기 서버에서, 상기 결정된 복수의 심장이상 종류 모델에 대한 구분 정확도를 계산하는 단계;
상기 서버에서, 상기 계산된 정확도에 기반하여 상기 결정된 심장이상 종류 모델과 공개된 심혈관계 질환 데이터를 이용하여 상기 지원 대상자의 심혈관계 질환 및 위급 상태 여부를 결정하는 단계; 및
상기 서버에서, 상기 결정된 심혈관계 질환 및 상기 위급 상태 여부에 대한 정보와 상기 생체신호의 변동 정보를 사용자 단말 장치로 피드백하는 단계를 포함하는
복합 생활 지원 솔루션 제공 시스템의 동작 방법.In the operating method of a system for providing a complex life support solution using an artificial intelligence algorithm of a server interworking with a biosignal measuring device,
In the biosignal measuring apparatus, measuring a biosignal including at least one of an electrocardiogram signal, a motion signal, a body temperature signal, and a pulse wave signal from a support subject;
transmitting, in the biosignal measuring device, monitoring information including the measured biosignal to a server through a gateway;
In the server, the ECG signal of the biosignal is extracted from the transmitted monitoring information, and morphological information through conversion of the extracted ECG signal into a time-standardized image based on a pre-stored artificial intelligence machine learning algorithm is obtained. extracting the feature information;
determining, in the server, a plurality of cardiac abnormality type models by using the extracted characteristic information;
calculating, in the server, classification accuracy for the determined plurality of heart abnormality type models;
determining, in the server, whether the support subject has cardiovascular disease and an emergency state using the determined type of heart disease model and published cardiovascular disease data based on the calculated accuracy; and
and feeding back, in the server, information on whether the determined cardiovascular disease and the emergency state and information on changes in the bio-signals to a user terminal device
How the complex life support solution provision system works.
상기 사용자 단말 장치는 의료진 단말 장치, 보호자 단말 장치 및 응급센터 단말 장치 중 적어도 하나를 포함하고,
상기 사용자 단말 장치에서, 상기 결정된 심혈관계 질환 및 상기 위급 상태 여부에 대한 정보와 상기 생체신호의 변동 정보 중 적어도 하나를 포함하는 정보를 출력하는 단계; 및
상기 사용자 단말 장치에서, 상기 의료진 단말 장치에 출력되는 정보에 따라 생성되는 처방정보에 기초하여 상기 보호자 단말 장치 및 상기 응급센터 단말 장치에도 상기 처방정보가 업데이트되는 단계를 더 포함하는
복합 생활 지원 솔루션 제공 시스템의 동작 방법.16. The method of claim 15,
The user terminal device includes at least one of a medical staff terminal device, a guardian terminal device, and an emergency center terminal device,
outputting, in the user terminal device, information including at least one of information on whether the determined cardiovascular disease and the emergency state and information on fluctuations in the biosignal; and
In the user terminal device, based on the prescription information generated according to the information output to the medical staff terminal device, the step of updating the prescription information also in the guardian terminal device and the emergency center terminal device further comprising
How the complex life support solution provision system works.
상기 사용자 단말 장치에서, 상기 결정된 심혈관계 질환 및 상기 위급 상태 여부에 대한 정보와 상기 생체신호의 변동 정보에 기반하여 상기 지원 대상자의 간호 관리 서비스, 질환 데이터 관리 서비스, 질환 데이터 시각화, 질환 데이터 통계 서비스 및 응급 푸쉬 알림 서비스 중 적어도 하나를 제공하는 단계를 더 포함하는
복합 생활 지원 솔루션 제공 시스템의 동작 방법.17. The method of claim 16,
In the user terminal device, based on the determined information on whether the cardiovascular disease and the emergency state and the change information of the bio-signal, the support target's nursing management service, disease data management service, disease data visualization, and disease data statistical service and providing at least one of an emergency push notification service.
How the complex life support solution provision system works.
상기 특징 정보를 추출하는 단계는,
상기 추출된 심전도 신호의 시간 도메인(time domain)에 기반하여
생성된 정규화 신호를 상기 시간 표준화된 이미지로 변환하고, 상기 변환된 이미지에 인공지능 모델 기반 가중치를 적용하여 압축 신호를 생성하는 단계;
상기 적용된 인공지능 모델 기반 가중치를 이용하여 상기 압축 신호로부터 복원 신호를 생성하는 단계; 및
상기 생성된 정규화 신호와 상기 생성된 복원 신호의 차이가 사전 설정된 임계 범위에 해당되도록 상기 인공지능 모델 기반 가중치를 기계학습하여 상기 심전도 신호의 형태학적 정보를 상기 특징 정보로 추출하는 단계를 포함하는
복합 생활 지원 솔루션 제공 시스템의 동작 방법.16. The method of claim 15,
The step of extracting the feature information,
Based on the time domain of the extracted ECG signal
converting the generated normalized signal into the time normalized image, and applying an artificial intelligence model-based weight to the converted image to generate a compressed signal;
generating a restored signal from the compressed signal using the applied artificial intelligence model-based weight; and
Machine learning the artificial intelligence model-based weights so that the difference between the generated normalized signal and the generated reconstructed signal falls within a preset threshold range, and extracting the morphological information of the ECG signal as the feature information
How the complex life support solution provision system works.
상기 추출된 특징 정보를 기계학습하여 복수의 심장이상 종류 모델을 결정하는 단계는
상기 특징 정보를 기계학습하여 상기 복수의 심장이상 종류 모델을 빈맥 모델, 서맥 모델, 심방세동 모델, 좌각차단 모델, 우각차단 모델, 심방조기수축 모델, 심실조기수축 모델, 심정지 모델 및 정상 심장상태 모델 중 적어도 하나의 모델로 결정하는 단계를 포함하는
복합 생활 지원 솔루션 제공 시스템의 동작 방법.16. The method of claim 15,
The step of determining a plurality of heart abnormality type models by machine learning the extracted feature information
A tachycardia model, bradycardia model, atrial fibrillation model, left-angle block model, right-angle block model, atrial premature contraction model, ventricular premature contraction model, cardiac arrest model, and normal heart condition model are machine-learned by machine learning the characteristic information. Determining at least one model of
How the complex life support solution provision system works.
상기 결정된 복수의 심장이상 종류 모델에 대한 구분 정확도를 계산하는 단계는,
오픈 데이터 셋과 상기 빈맥 모델, 상기 서맥 모델, 상기 심방세동 모델, 상기 좌각차단 모델, 상기 우각차단 모델, 상기 심방조기수축 모델 및 상기 심실조기수축 모델 중 적어도 하나의 모델과 상기 정상 심장상태 모델을 이용하여 심장이상을 상기 심장이상으로 구분하는 TP(True Positive) 경우, 상기 심장이상을 정상으로 구분하는 FN(False Negative) 경우, 상기 정상을 상기 심장이상으로 구분하는 FP(False Positive) 경우 및 상기 정상을 상기 정상으로 구분하는 TN(True Negative) 경우로 분류하는 단계; 및
상기 TP(True Positive) 경우의 수치, 상기 FN(False Negative) 경우의 수치, 상기 FP(False Positive) 경우의 수치 및 상기 TN(True Negative) 경우의 수치의 결합에 대한 상기 TP(True Positive) 경우의 수치와 상기 TN(True Negative) 경우의 수치의 결합의 비율에 기반하여 상기 빈맥 모델, 상기 서맥 모델, 상기 심방세동 모델, 상기 좌각차단 모델, 상기 우각차단 모델, 상기 심방조기수축 모델 및 상기 심실조기수축 모델 중 적어도 하나에 대한 구분 정확도를 계산하는 단계를 포함하는
복합 생활 지원 솔루션 제공 시스템의 동작 방법.20. The method of claim 19,
Calculating the classification accuracy for the determined plurality of heart abnormality type models comprises:
an open data set, and at least one of the tachycardia model, the bradycardia model, the atrial fibrillation model, the left-angle block model, the right-angle block model, the atrial premature contraction model, and the ventricular premature contraction model and the normal heart state model. TP (True Positive) that classifies the cardiac abnormality as the cardiac abnormality using classifying the normal into the TN (True Negative) case for classifying the normal; and
The TP (True Positive) case for the combination of the numerical value in the case of the TP (True Positive), the numerical value in the FN (False Negative) case, the numerical value in the FP (False Positive) case, and the TN (True Negative) case The tachycardia model, the bradycardia model, the atrial fibrillation model, the left-angle block model, the right-angle block model, the atrial premature contraction model, and the ventricle based on the ratio of the combination of the values of the TN (True Negative) case Comprising the step of calculating the classification accuracy for at least one of the preconstriction models
How the complex life support solution provision system works.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/KR2021/007339 WO2021251796A1 (en) | 2020-06-12 | 2021-06-11 | Heart condition detection sensor device and system for providing complex life support solution using same |
US18/008,266 US20230282352A1 (en) | 2020-06-12 | 2021-06-11 | Heart condition detection sensor device and system for providing complex life support solution using same |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR20200071654 | 2020-06-12 | ||
KR1020200071654 | 2020-06-12 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20210154675A true KR20210154675A (en) | 2021-12-21 |
KR102346824B1 KR102346824B1 (en) | 2022-01-05 |
Family
ID=78507654
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200108604A KR102346824B1 (en) | 2020-06-12 | 2020-08-27 | System of providing complex living support solution by monitoring and analyzing biosignal based on artificial intelligence and operating method thereof |
KR1020200108603A KR102321661B1 (en) | 2020-06-12 | 2020-08-27 | Heart condition detection sensor device and heart condition monitoring method using the same |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200108603A KR102321661B1 (en) | 2020-06-12 | 2020-08-27 | Heart condition detection sensor device and heart condition monitoring method using the same |
Country Status (1)
Country | Link |
---|---|
KR (2) | KR102346824B1 (en) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024005348A1 (en) * | 2022-06-28 | 2024-01-04 | 주식회사 메디컬에이아이 | System and method for providing ecg reading service |
KR102636922B1 (en) * | 2023-03-31 | 2024-02-14 | 이성남 | System for providing telemedicine service |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20230140186A (en) * | 2022-03-29 | 2023-10-06 | 가톨릭대학교 산학협력단 | Apparatus, method and system for providing medical information |
WO2024019575A1 (en) * | 2022-07-22 | 2024-01-25 | 주식회사 메디컬에이아이 | Method, program, and device for predicting health status using electrocardiogram |
WO2024147603A1 (en) * | 2023-01-02 | 2024-07-11 | 서울대학교병원 | Artificial-intelligence-based device and method for evaluating cardiac strain through electrocardiography |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060117546A (en) * | 2005-05-11 | 2006-11-17 | 인하대학교 산학협력단 | Apparatus and method for a cardiac diseases diagnoses based on ecg using neural network |
KR101534131B1 (en) * | 2014-12-12 | 2015-07-24 | 순천향대학교 산학협력단 | Automatic Detection of CHF and AF with Short RR Interval Time Series using Electrocardiogram |
KR20170064960A (en) * | 2015-12-02 | 2017-06-12 | 김현호 | Disease diagnosis apparatus and method using a wave signal |
KR20170129689A (en) | 2015-01-06 | 2017-11-27 | 데이비드 버톤 | Mobile wearable monitoring system |
KR20180063440A (en) * | 2016-12-02 | 2018-06-12 | 재단법인 아산사회복지재단 | Wearable device for measuring bio-signal, method and program for predicting symptom by using wearable device |
KR20200002241A (en) | 2018-06-29 | 2020-01-08 | 순천향대학교 산학협력단 | Biomarker microRNA-26b or microRNA-4449 for diagnosing obesity and use thereof |
KR20200002201A (en) | 2018-06-29 | 2020-01-08 | 주식회사 딥노이드 | Smart healthcare system using artificial intelligence |
KR20200062685A (en) | 2018-11-27 | 2020-06-04 | 주식회사 바이오닉스 | Method for gathering biological information of patient using internet of things service |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020503102A (en) | 2016-08-26 | 2020-01-30 | ライオット ソリューションズ インコーポレイテッドRiot Solutions,Inc. | System and method for non-invasively and non-contact health monitoring |
-
2020
- 2020-08-27 KR KR1020200108604A patent/KR102346824B1/en active IP Right Grant
- 2020-08-27 KR KR1020200108603A patent/KR102321661B1/en active IP Right Grant
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060117546A (en) * | 2005-05-11 | 2006-11-17 | 인하대학교 산학협력단 | Apparatus and method for a cardiac diseases diagnoses based on ecg using neural network |
KR101534131B1 (en) * | 2014-12-12 | 2015-07-24 | 순천향대학교 산학협력단 | Automatic Detection of CHF and AF with Short RR Interval Time Series using Electrocardiogram |
KR20170129689A (en) | 2015-01-06 | 2017-11-27 | 데이비드 버톤 | Mobile wearable monitoring system |
KR20170064960A (en) * | 2015-12-02 | 2017-06-12 | 김현호 | Disease diagnosis apparatus and method using a wave signal |
KR20180063440A (en) * | 2016-12-02 | 2018-06-12 | 재단법인 아산사회복지재단 | Wearable device for measuring bio-signal, method and program for predicting symptom by using wearable device |
KR20200002241A (en) | 2018-06-29 | 2020-01-08 | 순천향대학교 산학협력단 | Biomarker microRNA-26b or microRNA-4449 for diagnosing obesity and use thereof |
KR20200002201A (en) | 2018-06-29 | 2020-01-08 | 주식회사 딥노이드 | Smart healthcare system using artificial intelligence |
KR20200062685A (en) | 2018-11-27 | 2020-06-04 | 주식회사 바이오닉스 | Method for gathering biological information of patient using internet of things service |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024005348A1 (en) * | 2022-06-28 | 2024-01-04 | 주식회사 메디컬에이아이 | System and method for providing ecg reading service |
KR102636922B1 (en) * | 2023-03-31 | 2024-02-14 | 이성남 | System for providing telemedicine service |
Also Published As
Publication number | Publication date |
---|---|
KR102346824B1 (en) | 2022-01-05 |
KR102321661B1 (en) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102346824B1 (en) | System of providing complex living support solution by monitoring and analyzing biosignal based on artificial intelligence and operating method thereof | |
US20220125322A1 (en) | Methods and Systems for Determining Abnormal Cardiac Activity | |
US9585589B2 (en) | Computerized systems and methods for stability-theoretic prediction and prevention of sudden cardiac death | |
Baig et al. | Smart health monitoring systems: an overview of design and modeling | |
US9706938B2 (en) | System and method to determine premature ventricular contraction (PVC) type and burden | |
JP2019030640A (en) | Method for real-time heartbeat events detection using low-power motion sensor, and electronic device | |
US20160128638A1 (en) | System and method for detecting and quantifying deviations from physiological signals normality | |
Song et al. | Health sensing by wearable sensors and mobile phones: A survey | |
CN113905664B (en) | Event-driven impulse neural network system for detecting physiological conditions | |
US20230298760A1 (en) | Systems, devices, and methods for determining movement variability, illness and injury prediction and recovery readiness | |
Liu et al. | Smart wearables in healthcare: signal processing, device development, and clinical applications | |
KR20130015476A (en) | Apparatus and method for generating health screening form | |
JP2020506770A (en) | Method and system for detecting atrial fibrillation | |
US20230282352A1 (en) | Heart condition detection sensor device and system for providing complex life support solution using same | |
KR102556663B1 (en) | Bio-signal monitoring device and method | |
CN118019485A (en) | Apparatus and method for assessing and monitoring health risk of a subject | |
Mitas et al. | Wearable system for activity monitoring of the elderly | |
AU2019208183B2 (en) | System and method for identification of neuro-cardiological disturbances | |
Brito | Remote monitoring of heart failure patients: a complex proximity | |
Almazroa et al. | An Internet of Things (IoT) management system for improving homecare-A case study | |
WO2022103410A1 (en) | System and methods for indicating pre-symptomatic adverse conditions in a human | |
Lovell et al. | Biosignal processing to meet the emerging needs of telehealth monitoring environments | |
KR20240018729A (en) | System and method for analyzing health condition of user based on multimodal biological signal | |
Rayasam et al. | Activity Monitoring and Alert System for Elderly People in Smart Homes | |
Chew | Remote Arrhythmia Detection for Eldercare |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right |