WO2022145519A1 - 딥러닝을 이용한 심전도 시각화 방법 및 장치 - Google Patents
딥러닝을 이용한 심전도 시각화 방법 및 장치 Download PDFInfo
- Publication number
- WO2022145519A1 WO2022145519A1 PCT/KR2020/019332 KR2020019332W WO2022145519A1 WO 2022145519 A1 WO2022145519 A1 WO 2022145519A1 KR 2020019332 W KR2020019332 W KR 2020019332W WO 2022145519 A1 WO2022145519 A1 WO 2022145519A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- waveform
- electrocardiogram
- arrhythmia
- ecg
- region
- Prior art date
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/364—Detecting abnormal ECG interval, e.g. extrasystoles, ectopic heartbeats
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/339—Displays specially adapted therefor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/353—Detecting P-waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/355—Detecting T-waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Definitions
- An embodiment of the present invention relates to an electrocardiogram visualization method and apparatus using deep learning.
- An ECG reading system has been developed to help medical staff analyze the ECG.
- the conventional ECG reading system detects R, P, and T peaks of a waveform, and detects and classifies arrhythmias based on a rule.
- a conventional electrocardiogram reading system receives and analyzes the entire electrocardiogram signal data of a patient, and outputs the result.
- Deep learning technology has been studied a lot recently as an electrocardiogram reading algorithm because of its high accuracy compared to existing methods.
- Arrhythmia determination using an electrocardiogram can only be performed by medical staff with certain qualifications, but the reality is that there is a shortage of manpower compared to the demand.
- ECG electronic cardiac record
- a hospital bed patient's ECG should be monitored in real time by medical staff to monitor the patient's condition, but continuous monitoring is difficult due to a shortage of manpower. Since ECG analysis is directly related to a patient's life, it must be accurate and must be operated quickly in case of an emergency.
- the conventional ECG reading system cannot be used where real-time reading is required, such as monitoring bedside patients.
- the deep learning algorithm for ECG analysis has a speed difference depending on the implementation model, and it cannot operate every hour for real-time operation.
- visualizing an ECG waveform it is an output for one-dimensional data, and readability is poor when reading in real time.
- This embodiment analyzes the electrocardiogram using a deep learning algorithm for accurate arrhythmia determination as a real-time operation algorithm for monitoring bedside patients in order to solve the shortage of manpower of medical staff, and then visually outputs it in real time to provide visual aid for medical staff
- An object of the present invention is to provide an electrocardiogram visualization method and apparatus using deep learning that can provide
- an input unit for receiving an electrocardiogram signal; an electrocardiogram waveform classification unit for classifying an electrocardiogram waveform from the electrocardiogram signal using an electrocardiogram waveform zone classification algorithm; a waveform detection unit that generates a result of checking whether a V waveform is detected among the ECG waveforms; an arrhythmia discriminating unit generating an arrhythmia discrimination result obtained by discriminating an electrocardiogram arrhythmia using an electrocardiogram arrhythmia reading algorithm based on the confirmation result; and a visualization unit for visualizing the electrocardiogram waveform and the arrhythmia determination result.
- the process of receiving an electrocardiogram signal classifying an ECG waveform from the ECG signal using an ECG waveform zone classification algorithm; generating a confirmation result of confirming whether a V waveform is detected among the ECG waveforms; generating an arrhythmia determination result obtained by discriminating an electrocardiogram arrhythmia using an electrocardiogram arrhythmia reading algorithm based on the confirmation result; and visualizing the electrocardiogram waveform and the arrhythmia determination result.
- the ECG is analyzed and then visually output in real time using a deep learning algorithm for accurate arrhythmia determination as a real-time operation algorithm for monitoring bedside patients in order to solve the shortage of manpower of medical staff. This has the effect of providing visual help for medical staff.
- the present invention can be applied to signal analysis based on a one-dimensional signal other than an electrocardiogram, and a signal composed of a set of various waveforms, such as an electrocardiogram, can be improved in readability by using the visualization part of the present invention.
- 1 is a diagram illustrating peak detection for each waveform in a conventional ECG reading system.
- FIG. 2 is a view showing an electrocardiogram analysis apparatus according to the present embodiment.
- FIG. 3 is a diagram illustrating a deep learning-based real-time electrocardiogram analysis algorithm according to the present embodiment.
- FIG. 4 is a diagram illustrating an automatic encoder for classifying an ECG waveform region according to the present embodiment.
- FIG. 5 is a diagram showing the results of the ECG waveform classification and classification algorithm according to the present embodiment.
- FIG. 6 is a diagram illustrating a deep learning model for an electrocardiogram reading algorithm according to the present embodiment.
- FIG. 7 is a diagram showing the execution time of the ECG waveform zone classification algorithm according to the present embodiment.
- FIG. 8 is a view showing the setting of the execution period of the ECG arrhythmia reading algorithm according to the present embodiment.
- FIGS. 9A and 9B are diagrams illustrating ECG visualization using the ECG analysis system according to the present embodiment.
- FIG. 2 is a view showing an electrocardiogram analysis apparatus according to the present embodiment.
- the electrocardiogram analyzing apparatus 200 includes an input unit 210 , an electrocardiogram waveform dividing unit 220 , a waveform detecting unit 230 , an arrhythmia determining unit 240 , and a visualization unit 250 .
- Components included in the electrocardiogram analysis apparatus 200 are not necessarily limited thereto.
- Each component included in the electrocardiogram analysis device 200 may be connected to a communication path that connects a software module or a hardware module inside the device to organically operate with each other. These components communicate using one or more communication buses or signal lines.
- Each component of the electrocardiogram analysis apparatus 200 shown in FIG. 2 means a unit for processing at least one function or operation, and may be implemented as a software module, a hardware module, or a combination of software and hardware.
- the input unit 210 receives an electrocardiogram signal.
- the input unit 210 normalizes the ECG signal to a range of a preset time interval.
- the electrocardiogram waveform classifier 220 classifies the electrocardiogram waveform from the electrocardiogram signal by using the electrocardiogram waveform zone classification algorithm.
- the ECG waveform classification unit 220 executes the ECG waveform zone classification algorithm every predetermined time based on a preset operation schedule.
- the ECG waveform classification unit 220 uses the 1D CNN (Convolution) Auto Encoder of the ECG waveform zone classification algorithm with a range of a preset time interval to the fully connected layer not included in the hidden layer of the 1D CNN automatic encoder. Connected Layer) calculates a small number of parameters and outputs it in the form of a heat-map of the area according to the waveform.
- 1D CNN Convolution
- Connected Layer calculates a small number of parameters and outputs it in the form of a heat-map of the area according to the waveform.
- the ECG waveform division unit 220 divides the ECG waveform into a P waveform region, a QRS waveform region, a T waveform region, and a V waveform region using an ECG waveform region classification algorithm in a range of a preset time from the ECG signal and designates the region do.
- the ECG waveform division unit 220 divides the ECG waveform into a P waveform region, a QRS waveform region, a T waveform region, and a V waveform region within a range of a preset time and labels, and then sets the ECG waveform region classification algorithm to a preset first time After this elapses, it is executed every second preset time.
- the electrocardiogram waveform classification unit 220 designates the depolarization of the atrium starting from the SA node among the electrocardiogram waveforms as the P wave region by using the electrocardiogram waveform region classification algorithm from the electrocardiogram signal.
- the ECG waveform classification unit 220 designates the depolarization of the ventricle after the AV node among the ECG waveforms as the QRS waveform region by using the ECG waveform region classification algorithm from the ECG signal.
- the electrocardiogram waveform classification unit 220 designates the repolarization of the ventricle among the electrocardiogram waveforms as the T wave region by using the electrocardiogram waveform region classification algorithm from the electrocardiogram signal.
- the ECG waveform classification unit 220 designates an arrhythmia or abnormal waveform among the ECG waveforms as the V waveform region by using an ECG waveform region classification algorithm from the ECG signal.
- the waveform detection unit 230 generates a result of confirming whether a V waveform (arrhythmic waveform) is detected among the ECG waveforms.
- the arrhythmia discriminating unit 240 generates an arrhythmia discrimination result obtained by determining the electrocardiogram arrhythmia using an electrocardiogram arrhythmia reading algorithm based on the confirmation result generated by the waveform detecting unit 230 .
- the arrhythmia determination unit 240 detects the V waveform based on the confirmation result of the waveform detection unit 230, samples the waveform for a predetermined time, and then executes the arrhythmia reading algorithm once.
- the arrhythmia determination unit 240 applies a 1D CNN classification deep learning model as an electrocardiogram arrhythmia reading algorithm, detects a V waveform based on the confirmation result generated by the waveform detection unit 230, and samples the waveform for a certain period of time. After that, the arrhythmia reading algorithm is run.
- the arrhythmia determination unit 240 When it is confirmed that the V waveform is detected based on the confirmation result generated by the waveform detection unit 230, the arrhythmia determination unit 240 generates arrhythmia reading sampling data obtained by sampling the waveform from the start point of the V waveform to a preset time. do. The arrhythmia determination unit 240 normalizes the arrhythmia reading sampling data and then inputs it to the arrhythmia reading algorithm. Thereafter, the arrhythmia determining unit 240 outputs a probability value for each arrhythmia using the arrhythmia reading algorithm and outputs the highest probability value as a reading result for the corresponding waveform.
- the visualization unit 250 visualizes the electrocardiogram waveform and the arrhythmia determination result.
- the visualization unit 250 visualizes the electrocardiogram waveform and the arrhythmia determination result in a one-dimensional form.
- the visualization unit 250 outputs the P waveform, the QRS waveform, the T waveform, and the V waveform included in the ECG waveform and the color of the arrhythmia determination result to be different from each other.
- the visualization unit 250 outputs the name of the waveform on the peak point of each waveform.
- the visualization unit 250 outputs the ECG waveform and the background color as distinct colors.
- the visualization unit 250 sets and outputs the P waveform as a preset first color (eg, blue).
- the visualization unit 250 sets and outputs the QRS waveform as a preset second color (eg, green).
- the visualization unit 250 sets and outputs the T waveform as a preset third color (eg, red color).
- the visualization unit 250 sets and outputs the V waveform as a preset fourth color (eg, pink).
- FIG. 3 is a diagram illustrating a deep learning-based real-time electrocardiogram analysis algorithm according to the present embodiment.
- the electrocardiogram analysis apparatus 200 visualizes in a way that improves readability by quickly and accurately analyzing real-time electrocardiogram waveforms using a deep learning-based electrocardiogram analysis algorithm operated in real time.
- the ECG analysis apparatus 200 operates using an appropriate operating schedule because the deep learning algorithm for ECG analysis has a speed difference depending on the implementation model and cannot operate every hour.
- the electrocardiogram analysis apparatus 200 receives an electrocardiogram (S310).
- the electrocardiogram analysis apparatus 200 classifies a waveform for the input electrocardiogram (S320).
- the electrocardiogram analysis apparatus 200 classifies a waveform for the input electrocardiogram using the electrocardiogram waveform zone classification algorithm.
- the electrocardiogram analysis apparatus 200 checks whether a V waveform is detected among the waveforms for the electrocardiogram ( S330 ). As a result of checking in step S330 , when the V waveform among the ECG waveforms is detected, the ECG analyzer 200 determines the ECG arrhythmia ( S340 ). In step S340 , the electrocardiogram analyzer 200 determines that the electrocardiogram arrhythmia is an electrocardiographic arrhythmia when a V wave is detected among the electrocardiogram waveforms using an electrocardiogram arrhythmia reading algorithm.
- steps S310 to S340 are sequentially executed in FIG. 2 , it is not necessarily limited thereto. In other words, since it may be applicable by changing and executing the steps described in FIG. 2 or executing one or more steps in parallel, FIG. 2 is not limited to a time-series order.
- the deep learning-based real-time electrocardiogram analysis algorithm according to the present embodiment described in FIG. 2 may be implemented as a program and recorded in a computer-readable recording medium.
- the program for implementing the deep learning-based real-time electrocardiogram analysis algorithm according to the present embodiment is recorded and the computer-readable recording medium includes all kinds of recording devices in which data that can be read by the computer system is stored.
- FIG. 4 is a diagram illustrating an automatic encoder for classifying an ECG waveform region according to the present embodiment.
- the electrocardiogram analysis apparatus 200 operates an algorithm in a Corse To Fine method for a fast algorithm speed.
- the electrocardiogram analysis apparatus 200 is a deep learning algorithm and is divided into an electrocardiogram waveform zone classification algorithm (Corse) and an electrocardiogram arrhythmia reading algorithm (Fine).
- Corse electrocardiogram waveform zone classification algorithm
- Fine electrocardiogram arrhythmia reading algorithm
- the electrocardiogram analyzer 200 classifies each important waveform of the electrocardiogram using an electrocardiogram waveform zone classification algorithm (Corse) and designates a region.
- Corse electrocardiogram waveform zone classification algorithm
- the electrocardiogram analysis device 200 uses a 1D CNN (Convolution) Auto Encoder of the zone classification algorithm.
- 1D CNN auto encoder does not include a fully connected layer in the hidden layer, so the speed is fast because the number of parameters is small. good to match
- FIG. 5 is a diagram showing the results of the ECG waveform classification and classification algorithm according to the present embodiment.
- the electrocardiogram analyzer 200 classifies each important waveform of the electrocardiogram using an electrocardiogram waveform zone classification algorithm (Corse) and designates a region.
- the electrocardiogram analysis apparatus 200 divides the region into a P waveform region, a QRS waveform region, a T waveform region, and a V waveform region as an important waveform region, and designates the region.
- the electrocardiogram analyzer 200 designates the depolarization of the atrium that is started from the SA node among the waveforms of the electrocardiogram as the P wave region.
- the electrocardiogram analysis apparatus 200 designates the depolarization of the ventricle after the atrioventricular node (AV node) among the waveforms of the electrocardiogram as the QRS waveform region.
- the electrocardiogram analyzer 200 designates the repolarization of the ventricle among the waveforms of the electrocardiogram as the T wave region.
- the electrocardiogram analysis apparatus 200 designates an arrhythmia or abnormal waveform among the waveforms of the electrocardiogram as the V waveform region.
- FIG. 6 is a diagram illustrating a deep learning model for an electrocardiogram reading algorithm according to the present embodiment.
- the electrocardiogram analysis device 200 uses a 1D CNN classification deep learning model with a slow algorithm driving speed but excellent classification performance for accurate reading as an arrhythmia reading algorithm.
- the electrocardiogram analysis apparatus 200 executes the electrocardiogram waveform zone classification algorithm at regular intervals.
- the electrocardiogram analysis apparatus 200 executes the arrhythmia reading algorithm once after sampling the waveform for a predetermined time after the V (arrhythmia) waveform is detected in the electrocardiogram waveform zone classification algorithm.
- FIG. 7 is a diagram showing the execution time of the ECG waveform zone classification algorithm according to the present embodiment.
- the electrocardiogram analysis apparatus 200 divides an electrocardiogram signal input in real time in real time using an electrocardiogram waveform region classification algorithm to quickly classify regions.
- the electrocardiogram analysis apparatus 200 receives data of a normalized electrocardiogram signal having a range of 3 seconds as an input waveform.
- the method of the electrocardiogram analyzing apparatus 200 normalizing the received electrocardiogram signal is the same as in Equation (1).
- the electrocardiogram analysis apparatus 200 labels the P, QRS, T, and V (arrhythmic) waveforms corresponding to the interval range of 3 seconds as the output waveform.
- the ECG analysis apparatus 200 executes the ECG waveform zone classification algorithm every 1 second after the initial 3 seconds to update the ECG waveform zone classification algorithm in real time.
- FIG. 8 is a view showing the setting of the execution period of the ECG arrhythmia reading algorithm according to the present embodiment.
- the electrocardiogram analysis apparatus 200 samples from the V waveform start point to a predetermined section and reads the arrhythmia.
- the electrocardiogram analyzer 200 samples and normalizes the data from the V waveform detection start point to 10 seconds, and then inputs it to the arrhythmia reading algorithm.
- the electrocardiogram analysis apparatus 200 outputs the probability value for each arrhythmia through the 1D CNN algorithm using the arrhythmia reading algorithm, and outputs the highest probability value as the reading result for the corresponding waveform.
- FIGS. 9A and 9B are diagrams illustrating ECG visualization using the ECG analysis system according to the present embodiment.
- the electrocardiogram analysis apparatus 200 visualizes the stored result using the electrocardiogram waveform zone classification algorithm so that the medical staff can easily read the electrocardiogram signal.
- the electrocardiogram analysis apparatus 200 performs visualization in a one-dimensional form when an electrocardiogram signal is input in real time.
- the ECG analysis apparatus 200 changes colors for each classified waveform and outputs the name of the waveform on the peak point of each waveform.
- the electrocardiogram analysis apparatus 200 sets the background color to black (eg, white) so that the colors for each waveform can be distinguished.
- the electrocardiogram analysis apparatus 200 sets different colors for each waveform.
- the electrocardiogram analyzer 200 sets the P waveform to blue and outputs it.
- the electrocardiogram analyzer 200 sets the QRS waveform to green and outputs it.
- the electrocardiogram analyzer 200 sets the T waveform to red and outputs it.
- the electrocardiogram analyzer 200 sets the V waveform to pink and outputs it.
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Physiology (AREA)
- Primary Health Care (AREA)
- Psychiatry (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
Abstract
딥러닝을 이용한 심전도 시각화 방법 및 장치를 개시한다. 본 실시예는 의료진의 인력부족을 해결하기 위해 병상 환자의 모니터링을 위해 실시간 동작 알고리즘으로 정확한 부정맥 판단을 위한 딥러닝 알고리즘을 이용하여 심전도를 분석한 후 실시간으로 시각적으로 출력하여 의료진들을 위해 시각적인 도움을 줄 수 있도록 하는 딥러닝을 이용한 심전도 시각화 방법 및 장치를 제공한다.
Description
본 발명의 일 실시예는 딥러닝을 이용한 심전도 시각화 방법 및 장치에 관한 것이다.
이하에 기술되는 내용은 단순히 본 실시예와 관련되는 배경 정보만을 제공할 뿐 종래기술을 구성하는 것이 아니다.
의료진의 심전도 분석을 도와주는 심전도 판독 시스템이 개발되어 있다. 종래의 심전도 판독 시스템은 파형의 R, P, T 피크(Peak)를 검출하고 있으며, 규칙기반으로 부정맥 검출하고 분류한다.
종래의 심전도 판독 시스템은 환자의 전체 심전도 신호 데이터를 받아 분석하여 그 결과를 출력한다. 딥러닝 기술은 기존 방법들에 비해 정확성이 높기 때문에 심전도 판독 알고리즘으로 최근 많이 연구되고 있다.
심전도를 이용한 부정맥 판단은 일정 자격을 갖춘 의료진만이 할 수 있지만 수요에 비해 인력이 부족한 현실이다. 심전도 판독 시 P, QRS, T 파형의 모양과 구간 간에 시간 차 계산, 심전도 리듬에 대한 분석 등 심전도 신호를 다양한 시각에서 판독해야 하기 때문에 시간이 많이 소요된다. 병상 환자의 심전도는 의료진이 실시간으로 관측하여 환자의 상태를 주시해야 하지만, 인력부족으로 인해 지속적인 모니터링이 힘들다. 심전도 분석은 환자의 생명과 직결되기 때문에 정확해야 하고 응급환자 발생 시에는 빠르게 동작되어야 한다.
종래의 심전도 분석은 P, QRS, T 파형 구간의 끝점, 시작점 등을 이용하는 경우도 있지만 종래의 기술은 피크(Peak)만을 찾아 그 활용도가 떨어진다. 부정맥 검출 및 분류 시 규칙기반의 알고리즘 설계는 파형의 다양성 때문에 정확도가 떨어지고, 부정맥의 추가 시 새로운 규칙기반 알고리즘을 설계해야 한다.
종래의 심전도 판독 시스템은 병상 환자 모니터링과 같은 실시간 판독이 필요한 곳에서는 활용이 불가능하다. 심전도 분석을 위한 딥러닝 알고리즘은 구현 모델에 따라 속도 차이가 있으며, 실시간 동작을 위해 매 시간 동작할 수 없다. 심전도 파형 시각화 시 1차원 데이터에 대한 출력으로 실시간 판독 시 가독성이 떨어진다.
본 실시예는 의료진의 인력부족을 해결하기 위해 병상 환자의 모니터링을 위해 실시간 동작 알고리즘으로 정확한 부정맥 판단을 위한 딥러닝 알고리즘을 이용하여 심전도를 분석한 후 실시간으로 시각적으로 출력하여 의료진들을 위해 시각적인 도움을 줄 수 있도록 하는 딥러닝을 이용한 심전도 시각화 방법 및 장치를 제공하는 데 목적이 있다.
본 실시예의 일 측면에 의하면, 심전도 신호를 입력받는 입력부; 상기 심전도 신호로부터 심전도 파형구역 분류 알고리즘을 이용하여 심전도 파형을 구분하는 심전도 파형 구분부; 상기 심전도 파형 중 V 파형이 검출되는 지의 여부를 확인한 확인 결과를 생성하는 파형 검출부; 상기 확인 결과를 기반으로 심전도 부정맥 판독 알고리즘을 이용하여 심전도 부정맥을 판별한 부정맥 판별 결과를 생성하는 부정맥 판별부; 및 상기 심전도 파형과 상기 부정맥 판별 결과를 시각화하는 시각화부를 포함하는 것을 특징으로 하는 심전도 분석 장치를 제공한다.
본 실시예의 다른 측면에 의하면, 심전도 신호를 입력받는 과정; 상기 심전도 신호로부터 심전도 파형구역 분류 알고리즘을 이용하여 심전도 파형을 구분하는 과정; 상기 심전도 파형 중 V 파형이 검출되는 지의 여부를 확인한 확인 결과를 생성하는 과정; 상기 확인 결과를 기반으로 심전도 부정맥 판독 알고리즘을 이용하여 심전도 부정맥을 판별한 부정맥 판별 결과를 생성하는 과정; 및 상기 심전도 파형과 상기 부정맥 판별 결과를 시각화하는 과정을 포함하는 것을 특징으로 하는 심전도 시각화 방법을 제공한다.
이상에서 설명한 바와 같이 본 실시예에 의하면, 의료진의 인력부족을 해결하기 위해 병상 환자의 모니터링을 위해 실시간 동작 알고리즘으로 정확한 부정맥 판단을 위한 딥러닝 알고리즘을 이용하여 심전도를 분석한 후 실시간으로 시각적으로 출력하여 의료진들을 위해 시각적인 도움을 줄 수 있도록 하는 효과가 있다.
본 실시예에 의하면, 심전도 이외의 1차원 신호를 바탕으로 한 신호분석에 해당 발명을 적용할 수 있으며, 심전도와 같이 다양한 파형의 집합으로 구성된 신호는 해당 발명의 시각화 부분을 이용하여 가독성을 높일 수 있는 효과가 있다.
본 실시예에 의하면, 심전도를 자동으로 판독하여 수요에 따른 공급을 충족 시키며, 심전도 시각화를 통해 의료진의 심전도 판독 속도를 높일 수 있으며, 병상의 환자를 실시간으로 상태를 판단해야 하는 IPM(In-Patient Monitoring) 시스템에 적용할 수 있는 효과가 있다.
도 1은 종래의 심전도 판독 시스템의 파형 별 피크 검출을 나타낸 도면이다.
도 2는 본 실시예에 따른 심전도 분석 장치를 나타낸 도면이다.
도 3은 본 실시예에 따른 딥러닝 기반 실시간 심전도 분석 알고리즘을 나타낸 도면이다.
도 4는 본 실시예에 따른 심전도 파형구역 분류를 위한 자동 인코더를 나타낸 도면이다.
도 5는 본 실시예에 따른 심전도 파형구분 분류 알고리즘 결과를 나타낸 도면이다.
도 6은 본 실시예에 따른 심전도 판독 알고리즘을 위한 딥러닝 모델을 나타낸 도면이다.
도 7은 본 실시예에 따른 심전도 파형구역 분류 알고리즘 실행시간을 나타낸 도면이다.
도 8은 본 실시예에 따른 심전도 부정맥 판독 알고리즘 실행구간 설정을 나타낸 도면이다.
도 9a,9b는 본 실시예에 따른 심전도 분석 시스템을 이용한 심전도 시각화를 나타낸 도면이다.
<도면의 주요부분에 대한 부호의 설명>
200: 심전도 분석 장치
210: 입력부
220: 심전도 파형 구분부
230: 파형 검출부
240: 부정맥 판별부
250: 시각화부
이하, 본 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 2는 본 실시예에 따른 심전도 분석 장치를 나타낸 도면이다.
본 실시예에 따른 심전도 분석 장치(200)는 입력부(210), 심전도 파형 구분부(220), 파형 검출부(230), 부정맥 판별부(240), 시각화부(250)를 포함한다. 심전도 분석 장치(200)에 포함된 구성요소는 반드시 이에 한정되는 것은 아니다.
심전도 분석 장치(200)에 포함된 각 구성요소는 장치 내부의 소프트웨어적인 모듈 또는 하드웨어적인 모듈을 연결하는 통신 경로에 연결되어 상호 간에 유기적으로 동작할 수 있다. 이러한 구성요소는 하나 이상의 통신 버스 또는 신호선을 이용하여 통신한다.
도 2에 도시된 심전도 분석 장치(200)의 각 구성요소는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 소프트웨어적인 모듈, 하드웨어적인 모듈 또는 소프트웨어와 하드웨어의 결합으로 구현될 수 있다.
입력부(210)는 심전도 신호를 입력받는다. 입력부(210)는 심전도 신호에 기 설정된 시간의 구간 범위로 정규화한다.
심전도 파형 구분부(220)는 심전도 신호로부터 심전도 파형구역 분류 알고리즘을 이용하여 심전도 파형을 구분한다. 심전도 파형 구분부(220)는 기 설정된 운영 스케줄을 기반으로 심전도 파형구역 분류 알고리즘을 일정시간마다 실행한다.
심전도 파형 구분부(220)는 기 설정된 시간의 구간 범위로 심전도 파형구역 분류 알고리즘의 1D CNN(Convolution) 자동 인코더(Auto Encoder)를 이용하여 1D CNN 자동 인코더의 은닉층 내에 미포함된 풀리 커넥티드층(Fully Connected Layer)으로 인해 적은 파라미터(Parameter) 수를 연산하여 파형에 따른 구역의 히트맵(Heat-Map) 형식으로 출력한다.
심전도 파형 구분부(220)는 심전도 신호로부터 기 설정된 시간의 구간 범위로 심전도 파형구역 분류 알고리즘을 이용하여 심전도 파형을 P 파형 영역, QRS 파형 영역, T 파형 영역, V 파형 영역으로 구분하고 영역을 지정한다.
심전도 파형 구분부(220)는 기 설정된 시간의 구간 범위로 심전도 파형을 P 파형 영역, QRS 파형 영역, T 파형 영역, V 파형 영역으로 구분하고 라벨링한 후 심전도 파형구역 분류 알고리즘을 기 설정된 제1 시간이 경과한 후 기 설정된 제2 시간마다 실행한다.
심전도 파형 구분부(220)는 심전도 신호로부터 심전도 파형구역 분류 알고리즘을 이용하여 심전도 파형 중 동방결절(SA node)에서 시작된 심방의 탈분극을 P 파형 영역으로 지정한다. 심전도 파형 구분부(220)는 심전도 신호로부터 심전도 파형구역 분류 알고리즘을 이용하여 심전도 파형 중 방실결절(AV node) 이후 심실의 탈분극을 QRS 파형 영역으로 지정한다. 심전도 파형 구분부(220)는 심전도 신호로부터 심전도 파형구역 분류 알고리즘을 이용하여 심전도 파형 중 심실의 재분극을 T 파형 영역으로 지정한다. 심전도 파형 구분부(220)는 심전도 신호로부터 심전도 파형구역 분류 알고리즘을 이용하여 심전도 파형 중 부정맥 또는 이상파형을 V 파형 영역으로 지정한다.
파형 검출부(230)는 심전도 파형 중 V 파형(부정맥 파형)이 검출되는 지의 여부를 확인한 확인 결과를 생성한다.
부정맥 판별부(240)는 파형 검출부(230)에서 생성한 확인 결과를 기반으로 심전도 부정맥 판독 알고리즘을 이용하여 심전도 부정맥을 판별한 부정맥 판별 결과를 생성한다. 부정맥 판별부(240)는 파형 검출부(230)의 확인 결과를 기반으로 V 파형을 검출한 후 일정 시간동안 파형을 샘플링한 후 부정맥 판독 알고리즘을 일회 실행한다.
부정맥 판별부(240)는 심전도 부정맥 판독 알고리즘으로 1D CNN 분류(Classification) 딥러닝 모델을 적용하며, 파형 검출부(230)에서 생성한 확인 결과를 기반으로 V 파형을 검출한 후 일정 시간동안 파형을 샘플링한 후 부정맥 판독 알고리즘을 실행한다.
부정맥 판별부(240)는 파형 검출부(230)에서 생성한 확인 결과를 기반으로 V 파형이 검출된 것으로 확인되면, V 파형의 시작 지점부터 기 설정된 시간까지의 파형을 샘플링한 부정맥 판독 샘플링 데이터를 생성한다. 부정맥 판별부(240)는 부정맥 판독 샘플링 데이터를 정규화한 후 부정맥 판독 알고리즘에 입력한다. 이후 부정맥 판별부(240)는 부정맥 판독 알고리즘을 이용하여 각 부정맥에 대한 확률값으로 출력하고 가장 높은 확률값을 해당 파형에 대한 판독결과로 출력한다.
시각화부(250)는 심전도 파형과 부정맥 판별 결과를 시각화한다. 시각화부(250)는 심전도 파형과 부정맥 판별 결과를 1차원 형태로 시각화한다. 시각화부(250)는 심전도 파형에 포함된 P 파형, QRS 파형, T 파형, V 파형과 부정맥 판별 결과 색깔을 서로 상이하게 출력한다. 시각화부(250)는 각 파형의 피크(Peak)점 위에 파형의 이름을 출력한다.
시각화부(250)는 심전도 파형과 배경색을 구분되는 색깔로 출력한다. 시각화부(250)는 P 파형을 기 설정된 제1 색깔(예컨대, 파란색)로 설정하여 출력한다. 시각화부(250)는 QRS 파형을 기 설정된 제2 색깔(예컨대, 녹색)로 설정하여 출력한다. 시각화부(250)는 T 파형을 기 설정된 제3 색깔(예컨대, 빨강색)로 설정하여 출력한다. 시각화부(250)는 V 파형을 기 설정된 제4 색깔(예컨대, 핑크색)로 설정하여 출력한다.
도 3은 본 실시예에 따른 딥러닝 기반 실시간 심전도 분석 알고리즘을 나타낸 도면이다.
본 실시예에 따른 심전도 분석 장치(200)는 실시간으로 동작되는 딥러닝 기반 심전도 분석 알고리즘을 이용하여 빠르고 정확하게 실시간 심전도 파형에 대한 분석하여 가독성을 높여주는 방식으로 시각화한다.
심전도 분석 장치(200)는 심전도 분석을 위한 딥러닝 알고리즘은 구현 모델에 따라 속도차이가 있고, 매 시간 동작할 수 없기 때문에 적절한 운영 스케줄을 이용하여 동작한다.
심전도 분석 장치(200)는 심전도를 입력받는다(S310). 심전도 분석 장치(200)는 입력된 심전도에 대한 파형을 구분한다(S320). 단계 S320에서, 심전도 분석 장치(200)는 심전도 파형구역 분류 알고리즘을 이용하여 입력된 심전도에 대한 파형을 구분한다.
심전도 분석 장치(200)는 심전도에 대한 파형 중 V 파형이 검출되는지의 여부를 확인한다(S330). 단계 S330의 확인 결과, 심전도에 대한 파형 중 V 파형이 검출되는 경우, 심전도 분석 장치(200)는 심전도 부정맥으로 판별한다(S340). 단계 S340에서, 심전도 분석 장치(200)는 심전도 부정맥 판독 알고리즘을 이용하여 심전도에 대한 파형 중 V 파형이 검출되는 경우 심전도 부정맥으로 판별한다.
도 2에서는 단계 S310 내지 단계 S340을 순차적으로 실행하는 것으로 기재하고 있으나, 반드시 이에 한정되는 것은 아니다. 다시 말해, 도 2에 기재된 단계를 변경하여 실행하거나 하나 이상의 단계를 병렬적으로 실행하는 것으로 적용 가능할 것이므로, 도 2는 시계열적인 순서로 한정되는 것은 아니다.
전술한 바와 같이 도 2에 기재된 본 실시예에 따른 딥러닝 기반 실시간 심전도 분석 알고리즘은 프로그램으로 구현되고 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다. 본 실시예에 따른 딥러닝 기반 실시간 심전도 분석 알고리즘을 구현하기 위한 프로그램이 기록되고 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다.
도 4는 본 실시예에 따른 심전도 파형구역 분류를 위한 자동 인코더를 나타낸 도면이다.
심전도 분석 장치(200)는 빠른 알고리즘 속도를 위해 Corse To Fine 방법으로 알고리즘을 운영한다. 심전도 분석 장치(200)는 딥러닝 알고리즘으로 심전도 파형구역 분류 알고리즘(Corse)과 심전도 부정맥 판독 알고리즘(Fine)으로 구분한다.
심전도 분석 장치(200)는 심전도 파형구역 분류 알고리즘(Corse)을 이용하여 심전도의 각 중요파형을 구분하고 영역을 지정한다.
심전도 분석 장치(200)는 구역분류 알고리즘의 1D CNN(Convolution) 자동 인코더(Auto Encoder)를 사용한다. 1D CNN 자동 인코더는 은닉층 내에 풀리 커넥티드층(Fully Connected Layer)을 미포함하기 때문에 파라미터(Parameter) 수가 적어 속도가 빠르고, 파형에 따른 구역의 히트맵(Heat-Map) 형식으로 출력되기 때문에 원 신호와 매칭하기 좋다.
도 5는 본 실시예에 따른 심전도 파형구분 분류 알고리즘 결과를 나타낸 도면이다.
심전도 분석 장치(200)는 심전도 파형구역 분류 알고리즘(Corse)을 이용하여 심전도의 각 중요파형을 구분하고 영역을 지정한다. 심전도 분석 장치(200)는 중요파형 영역으로, P 파형 영역, QRS 파형 영역, T 파형 영역, V 파형 영역으로 구분하고 영역을 지정한다.
도 5에 도시된 바와 같이, 심전도 분석 장치(200)는 심전도의 파형 중 동방결절(SA node)에서 시작된 심방의 탈분극을 P 파형 영역으로 지정한다. 심전도 분석 장치(200)는 심전도의 파형 중 방실결절(AV node) 이후 심실의 탈분극을 QRS 파형 영역으로 지정한다. 심전도 분석 장치(200)는 심전도의 파형 중 심실의 재분극을 T 파형 영역으로 지정한다. 심전도 분석 장치(200)는 심전도의 파형 중 부정맥 또는 이상파형을 V 파형 영역으로 지정한다.
도 6은 본 실시예에 따른 심전도 판독 알고리즘을 위한 딥러닝 모델을 나타낸 도면이다.
심전도 분석 장치(200)는 부정맥 판독 알고리즘으로 정확한 판독을 위해 알고리즘 구동 속도는 느리지만 분류성능이 우수한 1D CNN 분류(Classification) 딥러닝 모델을 이용한다.
심전도 분석 장치(200)는 심전도 파형구역 분류 알고리즘을 일정시간마다 실행한다. 심전도 분석 장치(200)는 부정맥 판독 알고리즘을 심전도 파형구역 분류 알고리즘에서 V(부정맥) 파형검출 이후에 일정 시간동안 파형을 샘플링한 후 1번 실행이 한다.
도 7은 본 실시예에 따른 심전도 파형구역 분류 알고리즘 실행시간을 나타낸 도면이다.
심전도 분석 장치(200)는 알고리즘을 먼저 실시간으로 입력된 심전도 신호를 심전도 파형구역 분류 알고리즘으로 구역을 빠르게 구분한다.
심전도 분석 장치(200)는 입력 파형으로 3초의 구간 범위의 정규화된 심전도 신호의 데이터를 입력받는다. 여기서, 심전도 분석 장치(200)는 입력받은 심전도 신호를 정규화하는 방법은 수학식 1과 같다.
심전도 분석 장치(200)는 출력 파형으로 3초의 구간 범위에 해당하는 P, QRS, T, V(부정맥)파형을 라벨링한다.
심전도 분석 장치(200)는 심전도 파형구역 분류 알고리즘을 실시간으로 업데이트하기 위해 초기 3초 후 1초 마다 실행한다.
도 8은 본 실시예에 따른 심전도 부정맥 판독 알고리즘 실행구간 설정을 나타낸 도면이다.
심전도 분석 장치(200)는 실시간으로 구분된 파형 중 V 파형이 검출되면, V 파형 시작 지점부터 일정 구간까지 샘플링하여 부정맥 판독을 수행한다. 심전도 분석 장치(200)는 V 파형 검출 시작점부터 10초까지의 데이터를 샘플링 및 정규화 작업을 한 후 부정맥 판독 알고리즘에 입력한다.
심전도 분석 장치(200)는 부정맥 판독 알고리즘을 이용하여 1D CNN 알고리즘을 거쳐 각 부정맥에 대한 확률값으로 출력하고 가장 높은 확률값을 해당 파형에 대한 판독 결과로 출력한다.
도 9a,9b는 본 실시예에 따른 심전도 분석 시스템을 이용한 심전도 시각화를 나타낸 도면이다.
심전도 분석 장치(200)는 심전도 파형구역 분류 알고리즘을 이용하여 저장된 결과를 의료진이 해당 심전도 신호를 쉽게 판독할 수 있도록 시각화한다. 심전도 분석 장치(200)는 실시간으로 심전도 신호가 입력이 되면 1차원 형태로 시각화를 진행한다.
심전도 분석 장치(200)는 심전도 파형구역 분류 알고리즘이 시작되어 분류가 완료되면, 분류된 파형 별로 색깔을 다르게 하고 각 파형의 피크(Peak)점 위에 파형의 이름을 출력한다. 심전도 분석 장치(200)는 배경색을 검정색(예컨대, 또는 흰색)으로 파형 별 색상이 구분될 수 있도록 한다.
심전도 분석 장치(200)는 파형 별 색상을 다르게 설정한다. 심전도 분석 장치(200)는 P 파형을 파란색으로 설정하여 출력한다. 심전도 분석 장치(200)는 QRS 파형을 녹색으로 설정하여 출력한다. 심전도 분석 장치(200)는 T 파형을 빨강색으로 설정하여 출력한다. 심전도 분석 장치(200)는 V 파형을 핑크색으로 설정하여 출력한다.
이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
Claims (15)
- 심전도 신호를 입력받는 입력부;상기 심전도 신호로부터 심전도 파형구역 분류 알고리즘을 이용하여 심전도 파형을 구분하는 심전도 파형 구분부;상기 심전도 파형 중 V 파형이 검출되는 지의 여부를 확인한 확인 결과를 생성하는 파형 검출부;상기 확인 결과를 기반으로 심전도 부정맥 판독 알고리즘을 이용하여 심전도 부정맥을 판별한 부정맥 판별 결과를 생성하는 부정맥 판별부; 및상기 심전도 파형과 상기 부정맥 판별 결과를 시각화하는 시각화부를 포함하는 것을 특징으로 하는 심전도 분석 장치.
- 제1항에 있어서,상기 입력부는,상기 심전도 신호에 기 설정된 시간의 구간 범위로 정규화하는 것을 특징으로 하는 심전도 분석 장치.
- 제2항에 있어서,상기 심전도 파형 구분부는,기 설정된 시간의 구간 범위로 상기 심전도 파형구역 분류 알고리즘의 1D CNN(Convolution) 자동 인코더(Auto Encoder)를 이용하여 1D CNN 자동 인코더의 은닉층 내에 미포함된 풀리 커넥티드층(Fully Connected Layer)으로 인해 적은 파라미터(Parameter) 수를 연산하여 파형에 따른 구역의 히트맵(Heat-Map) 형식으로 출력하는 것을 특징으로 하는 심전도 분석 장치.
- 제3항에 있어서,상기 심전도 파형 구분부는,상기 심전도 신호로부터 기 설정된 시간의 구간 범위로 상기 심전도 파형구역 분류 알고리즘을 이용하여 상기 심전도 파형을 P 파형 영역, QRS 파형 영역, T 파형 영역, V 파형 영역으로 구분하고 영역을 지정하는 것을 특징으로 하는 심전도 분석 장치.
- 제4항에 있어서,상기 심전도 파형 구분부는,기 설정된 시간의 구간 범위로 상기 심전도 파형을 상기 P 파형 영역, 상기 QRS 파형 영역, 상기 T 파형 영역, 상기 V 파형 영역으로 구분하고 라벨링한 후 상기 심전도 파형구역 분류 알고리즘을 기 설정된 제1 시간이 경과한 후 기 설정된 제2 시간마다 실행하는 것을 특징으로 하는 심전도 분석 장치.
- 제4항에 있어서,상기 심전도 파형 구분부는,상기 심전도 신호로부터 상기 심전도 파형구역 분류 알고리즘을 이용하여 심전도 파형 중 동방결절(SA node)에서 시작된 심방의 탈분극을 상기 P 파형 영역으로 지정하는 것을 특징으로 하는 심전도 분석 장치.
- 제4항에 있어서,상기 심전도 파형 구분부는,상기 심전도 신호로부터 상기 심전도 파형구역 분류 알고리즘을 이용하여 심전도 파형 중 방실결절(AV node) 이후 심실의 탈분극을 상기 QRS 파형 영역으로 지정하는 것을 특징으로 하는 심전도 분석 장치.
- 제4항에 있어서,상기 심전도 파형 구분부는,상기 심전도 신호로부터 상기 심전도 파형구역 분류 알고리즘을 이용하여 심전도 파형 중 심실의 재분극을 T 파형 영역으로 지정하는 것을 특징으로 하는 심전도 분석 장치.
- 제4항에 있어서,상기 심전도 파형 구분부는,상기 심전도 신호로부터 상기 심전도 파형구역 분류 알고리즘을 이용하여 심전도 파형 중 부정맥 또는 이상파형을 V 파형 영역으로 지정하는 것을 특징으로 하는 심전도 분석 장치.
- 제4항에 있어서,상기 부정맥 판별부는,상기 심전도 부정맥 판독 알고리즘으로 1D CNN 분류(Classification) 딥러닝 모델을 적용하며,상기 확인 결과를 기반으로 상기 V 파형을 검출한 후 일정 시간동안 파형을 샘플링한 후 상기 부정맥 판독 알고리즘을 실행하는 것을 특징으로 하는 심전도 분석 장치.
- 제10항에 있어서,상기 부정맥 판별부는,상기 확인 결과를 기반으로 상기 V 파형이 검출된 것으로 확인되면, 상기 V 파형의 시작 지점부터 기 설정된 시간까지를 샘플링한 부정맥 판독 샘플링 데이터를 생성하고, 상기 부정맥 판독 샘플링 데이터를 정규화한 후 상기 부정맥 판독 알고리즘에 입력한 후 상기 부정맥 판독 알고리즘을 이용하여 각 부정맥에 대한 확률값으로 출력하고 가장 높은 확률값을 해당 파형에 대한 판독결과로 출력하는 것을 특징으로 하는 심전도 분석 장치.
- 제11항에 있어서,상기 시각화부는,상기 심전도 파형과 상기 부정맥 판별 결과를 1차원 형태로 시각화하며, 상기 심전도 파형에 포함된 P 파형, QRS 파형, T 파형, 상기 V 파형과 상기 부정맥 판별 결과 색깔을 서로 상이하게 출력하고, 각 파형의 피크(Peak)점 위에 파형의 이름을 출력하는 것을 특징으로 하는 심전도 분석 장치.
- 제12항에 있어서,상기 시각화부는,상기 심전도 파형과 배경색을 구분되는 색깔로 출력하며, 상기 P 파형을 기 설정된 제1 색깔로 설정하여 출력하고, 상기 QRS 파형을 기 설정된 제2 색깔로 설정하여 출력하고, 상기 T 파형을 기 설정된 제3 색깔로 설정하여 출력하고, 상기 V 파형을 기 설정된 제4 색깔로 설정하여 출력하는 것을 특징으로 하는 심전도 분석 장치.
- 제1항에 있어서,상기 심전도 파형 구분부는 기 설정된 운영 스케줄을 기반으로 상기 심전도 파형구역 분류 알고리즘을 일정시간마다 실행하며,상기 부정맥 판별부는 상기 확인 결과를 기반으로 상기 V 파형을 검출한 후 일정 시간동안 파형을 샘플링한 후 상기 부정맥 판독 알고리즘을 일회 실행하는 것을 특징으로 하는 심전도 분석 장치.
- 심전도 신호를 입력받는 과정;상기 심전도 신호로부터 심전도 파형구역 분류 알고리즘을 이용하여 심전도 파형을 구분하는 과정;상기 심전도 파형 중 V 파형이 검출되는 지의 여부를 확인한 확인 결과를 생성하는 과정;상기 확인 결과를 기반으로 심전도 부정맥 판독 알고리즘을 이용하여 심전도 부정맥을 판별한 부정맥 판별 결과를 생성하는 과정; 및상기 심전도 파형과 상기 부정맥 판별 결과를 시각화하는 과정을 포함하는 것을 특징으로 하는 심전도 시각화 방법.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/796,624 US20230060007A1 (en) | 2020-12-29 | 2020-12-29 | Method and apparatus for visualizing electrocardiogram using deep learning |
EP20966176.8A EP4272646A1 (en) | 2020-12-29 | 2020-12-29 | Electrocardiogram visualization method and device using deep learning |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2020-0186069 | 2020-12-29 | ||
KR1020200186069A KR102322234B1 (ko) | 2020-12-29 | 2020-12-29 | 딥러닝을 이용한 심전도 시각화 방법 및 장치 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2022145519A1 true WO2022145519A1 (ko) | 2022-07-07 |
Family
ID=78507686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/KR2020/019332 WO2022145519A1 (ko) | 2020-12-29 | 2020-12-29 | 딥러닝을 이용한 심전도 시각화 방법 및 장치 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230060007A1 (ko) |
EP (1) | EP4272646A1 (ko) |
KR (1) | KR102322234B1 (ko) |
WO (1) | WO2022145519A1 (ko) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102585080B1 (ko) * | 2021-11-30 | 2023-10-06 | (주)씨어스테크놀로지 | 심전도 파형을 분류하기 위한 어노테이션 툴 제공장치 |
KR102460058B1 (ko) * | 2021-12-02 | 2022-10-28 | (주)씨어스테크놀로지 | 딥 러닝을 이용하여 심방세동을 감지하는 방법 및 장치 |
KR102467211B1 (ko) * | 2021-12-02 | 2022-11-16 | (주)씨어스테크놀로지 | 머신 러닝을 이용하여 심전도 파형 분류 방법 및 장치 |
KR102437348B1 (ko) | 2021-12-20 | 2022-08-29 | (주)씨어스테크놀로지 | 웨어러블 심전도 신호 분석 방법 |
US20240215901A1 (en) * | 2021-12-23 | 2024-07-04 | Seerstechnology Co., Ltd. | Method and apparatus for correcting electrocardiogram reading |
KR20230166297A (ko) | 2022-05-30 | 2023-12-07 | 한양대학교 산학협력단 | 생체신호의 특징 성분 분해 기반 시각화 방법 및 분석장치 |
KR102670568B1 (ko) | 2022-06-09 | 2024-05-28 | 연세대학교 원주산학협력단 | 단일 심전도 기반의 심부전 중증도 예측 시스템 및 단일 심전도 기반의 심부전 중증도 예측 방법 |
CN116503673B (zh) * | 2023-06-26 | 2023-09-19 | 亿慧云智能科技(深圳)股份有限公司 | 一种基于心电图的心律失常识别检测方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130050817A (ko) * | 2011-11-08 | 2013-05-16 | 가천대학교 산학협력단 | 뉴로-퍼지 네트워크 기반 심박 변이도를 이용한 우울증 진단 방법 |
KR20140063100A (ko) * | 2012-11-16 | 2014-05-27 | 삼성전자주식회사 | 원격 심질환 관리 장치 및 방법 |
KR20180037525A (ko) * | 2016-10-04 | 2018-04-12 | 한국전자통신연구원 | 심전도 신호로부터 중요 포인트를 검출하는 장치 및 방법 |
KR20190141326A (ko) * | 2018-06-14 | 2019-12-24 | 한국과학기술원 | 심층 컨볼루션 신경망을 이용한 심전도 부정맥 분류 방법 및 장치 |
KR20200052452A (ko) * | 2018-10-31 | 2020-05-15 | 주식회사 휴이노 | 인공 신경망을 이용하여 부정맥을 인식하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 |
-
2020
- 2020-12-29 EP EP20966176.8A patent/EP4272646A1/en active Pending
- 2020-12-29 US US17/796,624 patent/US20230060007A1/en active Pending
- 2020-12-29 KR KR1020200186069A patent/KR102322234B1/ko active IP Right Grant
- 2020-12-29 WO PCT/KR2020/019332 patent/WO2022145519A1/ko unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130050817A (ko) * | 2011-11-08 | 2013-05-16 | 가천대학교 산학협력단 | 뉴로-퍼지 네트워크 기반 심박 변이도를 이용한 우울증 진단 방법 |
KR20140063100A (ko) * | 2012-11-16 | 2014-05-27 | 삼성전자주식회사 | 원격 심질환 관리 장치 및 방법 |
KR20180037525A (ko) * | 2016-10-04 | 2018-04-12 | 한국전자통신연구원 | 심전도 신호로부터 중요 포인트를 검출하는 장치 및 방법 |
KR20190141326A (ko) * | 2018-06-14 | 2019-12-24 | 한국과학기술원 | 심층 컨볼루션 신경망을 이용한 심전도 부정맥 분류 방법 및 장치 |
KR20200052452A (ko) * | 2018-10-31 | 2020-05-15 | 주식회사 휴이노 | 인공 신경망을 이용하여 부정맥을 인식하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 |
Also Published As
Publication number | Publication date |
---|---|
KR102322234B1 (ko) | 2021-11-05 |
US20230060007A1 (en) | 2023-02-23 |
EP4272646A1 (en) | 2023-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022145519A1 (ko) | 딥러닝을 이용한 심전도 시각화 방법 및 장치 | |
WO2019088462A1 (ko) | 혈압 추정 모델 생성 시스템 및 방법과 혈압 추정 시스템 및 방법 | |
WO2022014942A1 (ko) | 딥러닝 기반 심전도를 이용한 심장 질환 진단 장치 및 그 방법 | |
WO2018106005A1 (ko) | 뉴럴 네트워크를 이용한 질병의 진단 시스템 및 그 방법 | |
WO2020040349A1 (ko) | 교정 진단을 위한 치과 영상 분석 방법 및 이를 이용한 장치 | |
WO2021194056A1 (en) | Method for training deep learning network based on artificial intelligence and learning device using the same | |
WO2022014941A1 (ko) | 딥러닝을 기반으로 하는 심장 질병 분류 장치 및 그 방법 | |
WO2023101089A1 (ko) | 머신 러닝을 이용하여 심전도 파형 분류 방법 및 장치 | |
WO2019031794A1 (ko) | 피검체의 치명적 증상의 발생을 조기에 예측하기 위한 예측 결과를 생성하는 방법 및 이를 이용한 장치 | |
WO2023120775A1 (ko) | 심전도 판독을 수정하기 위한 방법 및 장치 | |
WO2020111754A9 (ko) | 세미 슈퍼바이즈드 학습을 이용한 진단 시스템 제공방법 및 이를 이용하는 진단 시스템 | |
WO2023120777A1 (ko) | 심전도 전역 특징 벡터를 이용한 다중 박동 검출 방법 및 장치 | |
WO2019235828A1 (ko) | 투 페이스 질병 진단 시스템 및 그 방법 | |
WO2013077558A1 (ko) | 뇌전도를 이용한 로봇기반 자폐진단 장치 및 그 방법 | |
WO2023200280A1 (ko) | 보정된 이미지 기반 심박 추정 방법 및 그 장치 | |
WO2021091092A1 (ko) | 소장 정결도를 진단하는 시스템 및 방법 | |
WO2019103188A1 (ko) | 뇌파 분석을 통한 외상성 뇌손상 평가 시스템 및 방법 | |
WO2017010612A1 (ko) | 의료 영상 분석 기반의 병리 진단 예측 시스템 및 방법 | |
WO2023101090A1 (ko) | 딥 러닝을 이용하여 심방세동을 감지하는 방법 및 장치 | |
WO2023282500A1 (ko) | 슬라이드 스캔 데이터의 자동 레이블링 방법, 장치 및 프로그램 | |
WO2021100968A1 (ko) | 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템 | |
WO2021015490A2 (ko) | 이미지의 특이 영역 분석 방법 및 장치 | |
WO2023033266A1 (ko) | 이종 캡슐내시경 간의 도메인 적응에 의한 병증정보 제공 방법 | |
WO2022119347A1 (ko) | 초음파 영상 기반의 딥 러닝을 통한 관상동맥 경화반 조직 분석 방법, 장치 및 기록매체 | |
WO2021015489A2 (ko) | 인코더를 이용한 이미지의 특이 영역 분석 방법 및 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 20966176 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
ENP | Entry into the national phase |
Ref document number: 2020966176 Country of ref document: EP Effective date: 20230731 |