WO2023080697A1 - 심장 신호 분할 방법 및 이를 이용한 심장 신호 분할용 디바이스 - Google Patents
심장 신호 분할 방법 및 이를 이용한 심장 신호 분할용 디바이스 Download PDFInfo
- Publication number
- WO2023080697A1 WO2023080697A1 PCT/KR2022/017194 KR2022017194W WO2023080697A1 WO 2023080697 A1 WO2023080697 A1 WO 2023080697A1 KR 2022017194 W KR2022017194 W KR 2022017194W WO 2023080697 A1 WO2023080697 A1 WO 2023080697A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- signal
- heart
- model
- spectrogram data
- noise
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
- A61B7/02—Stethoscopes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Definitions
- the present invention relates to a method for dividing a heart signal and a device for dividing a heart signal using the same.
- the phonogram is the sound produced by a beating heart and blood flow, which can be visualized with an electronic stethoscope. Through the obtained cardiogram, various important information about the state of the heart can be grasped.
- the heart sound is the sound produced when the valve closes, and two heart sounds can be observed in normal adults. More specifically, the first heart sound (S1) is a sound generated when the atrioventricular valve closes at the beginning of ventricular systole, and is characterized by a low, dull sound and a long duration. The second heart sound (S2) is a sound generated when the aortic and pulmonary valves close at the beginning of ventricular diastole, and is characterized by a high, sharp sound and a short duration. In addition, there may be a third heart sound (S3) and a fourth heart sound (S4), which may occur when a heart valve is abnormal.
- S1 is a sound generated when the atrioventricular valve closes at the beginning of ventricular systole, and is characterized by a low, dull sound and a long duration.
- the second heart sound (S2) is a sound generated when the aortic and pulmonary valves close at the beginning of ventricular diastole,
- the heart signal has a high correlation with heart disease, and thus can be used when diagnosing various heart diseases.
- the utilization of cardiac signals is gradually decreasing.
- the auscultation method used for heart signal-based diagnosis has the advantage of being able to easily analyze the heartbeat sound in a non-invasive way, but since it is a method that relies on human senses, there is a possibility of misdiagnosis due to subjective judgment and lack of reliability.
- CNN convolutional neural network
- HMM hidden markov models
- Other methods include an analysis using a long short-term memory (LSTM)-based artificial neural network, and a 2D CNN method that analyzes the spectrum of a signal and analyzes it in the form of an image.
- LSTM long short-term memory
- the inventors of the present invention improve the accuracy of signal division by using spectrogram data reflecting the phase characteristics along with the magnitude of the heart signal as a way to overcome the limitations of the conventional heart signal-based heart signal division system. recognized that it could contribute to
- the inventors of the present invention were able to apply a model based on an artificial neural network learned to divide a signal by learning spectrogram data to a heart signal division system in order to provide highly reliable information.
- the inventors of the present invention in a transform step for acquiring spectrogram data, consider the frequency bands of the main sections (eg, the first heart sound and the second heart sound) of the heart signal to obtain the spectrogram data. I tried to apply a module that can be converted. Moreover, we tried to apply the converted spectrogram data reflecting the phase characteristics to the learning of the signal division model.
- the inventors of the present invention tried to apply a signal processing model learned to preprocess data, for example, remove noise, to a cardiac signal segmentation system.
- the inventors of the present invention were able to recognize that the main frequency band intensive learning of the signal division model can be performed and thus the signal division performance can be further improved.
- the inventors of the present invention can expect to classify heart disease with high accuracy as well as heart sound segmentation with high accuracy by providing a new heart signal segmentation system based on learnable spectrogram data. there was.
- the problem to be solved by the present invention is to obtain spectrogram data from a heart signal obtained from an individual, and divide the signal using a split model based on the spectrogram data in which phase characteristics are reflected. To provide a method and device.
- a method according to an embodiment of the present invention is a heart signal splitting method implemented by a processor, comprising the steps of receiving a heart signal of an individual, a spectrogram in which complex number characteristics are reflected. ) performing wavelet transformation on the heart signal to obtain data, and using a signal division model learned to divide the signal into a plurality of sections by taking spectrogram data into which complex number features are reflected as input, and dividing the spectrogram data into a plurality of sections.
- the method preprocesses spectrogram data by using a signal processing model learned to output a signal preprocessed by taking a heart signal as an input after the step of performing wavelet transform. It may further include the step of performing.
- the signal processing model is an unsupervised model to detect noise using spectrogram data for learning as an input and remove noise from the spectrogram data for learning, ,
- the step of performing preprocessing may include removing noise from the spectrogram data using a signal processing model.
- the signal processing model may be an unsupervised model based on a generative adversarial network (GAN), including a noise detection network and a discriminator.
- GAN generative adversarial network
- the signal processing model includes the step of detecting noise from the spectrogram data for training using a noise detection network, and the noise with respect to the spectrogram data for training to generate similar spectrogram data. removing noise, receiving standard spectrogram data from which noise has been removed in advance, evaluating similar spectrogram data and standard spectrogram data using a discriminator, and based on the evaluation result, a noise detection network and the It may be a model learned through the step of updating the discriminator.
- performing wavelet transform may include performing Gabor wavelet transform using Gabor filters.
- spectrogram data may include a real part and an imaginary part of a heart signal.
- performing wavelet transform may include determining a main frequency domain for a heart signal, and performing wavelet transform based on a frequency domain corresponding to the main frequency domain.
- the signal splitting model may have a CV CNN (Complex-valued Convolutional Neural Network) structure.
- the signal division model may be a model to which complexed-valued ReU (CReLU) is applied as an activation function.
- CReLU complexed-valued ReU
- the signal division model may be a model to which complex-valued batch normalization is applied.
- the signal division model may be a model learned to divide the first moaning sound (S1) and the second heart sound (S2) by taking a heart signal as an input.
- the signal division model may be a model learned to divide a first heart sound, a second heart sound, a systole, and a diastole by taking a heart signal as an input.
- the heart signal may be an electrocardiogram (ECG) or an electrocardiogram (ECG).
- a device for dividing a heart signal includes a communication unit configured to receive a cardiac signal of an object, and a processor connected to communicate with the communication unit.
- the processor performs wavelet transformation on the heart signal so as to obtain spectrogram data in which the complex number features are reflected, and the spectrogram data in which the complex number features are reflected is used as an input to convert the signal into a plurality of sections It is configured to divide the spectrogram data into a plurality of sections using a signal division model learned to divide into .
- the processor may be further configured to perform preprocessing on the spectrogram data using a signal processing model learned to output a preprocessed signal by taking a cardiac signal as an input.
- the signal processing model is an unsupervised model to detect noise using spectrogram data for learning as an input and remove noise from the spectrogram data for learning.
- the processor may be further configured to remove noise from the spectrogram data using a signal processing model.
- the processor may be configured to perform a Gabor wavelet transform using Gabor filters.
- the processor may be further configured to determine a dominant frequency domain for the cardiac signal and perform wavelet transform based on a frequency domain corresponding to the dominant frequency domain.
- the present invention provides a heart signal segmentation system that applies spectrogram data in which phase characteristics are reflected to a heart signal, thereby contributing to highly reliable diagnosis of heart disease.
- the present invention can overcome the limitations of the conventional stethoscope sound-based analysis method that provides low reliability information.
- the present invention provides a signal processing model that performs preprocessing on spectrogram data and a heart signal division system to which a plurality of signal division models learned to divide signals using spectrogram data as input are applied, It can provide reliable information about the onset of heart disease.
- the medical staff can obtain information on an object suspected of heart disease without additional diagnostic procedures such as CT and MRI, and thus, rapid diagnosis of heart disease may be possible.
- the present invention can contribute to early diagnosis and good treatment prognosis of heart disease by providing information on the onset of heart disease.
- Effects according to the present invention are not limited by the contents exemplified above, and more various effects are included in the present invention.
- FIG. 1 is a schematic diagram illustrating a heart signal splitting system using spectrogram data according to an embodiment of the present invention.
- FIG. 2A is a schematic diagram for explaining a device for heart signal splitting according to an embodiment of the present invention.
- FIG. 2B is a schematic diagram illustrating a user device receiving information from a heart signal splitting device according to an embodiment of the present invention.
- FIG. 3 is a schematic flowchart for explaining a heart signal splitting method based on spectrogram data in a heart signal splitting device according to an embodiment of the present invention.
- FIG. 4 illustratively illustrates a procedure for dividing a cardiac signal in a device for dividing a cardiac signal according to an embodiment of the present invention.
- FIG. 5 is a schematic flowchart for explaining a pre-processing procedure for spectrogram data in a device for dividing heart signals according to an embodiment of the present invention.
- 6A and 6B illustratively illustrate preprocessing steps for spectrogram data in a device for dividing heart signals according to an embodiment of the present invention.
- FIG. 7A exemplarily illustrates the structure of a signal processing model applied to various embodiments of the present invention.
- FIG. 7B exemplarily illustrates a learning procedure of a signal processing model applied to various embodiments of the present invention.
- 9a and 9b and 10a to 10c illustrate evaluation results of a device for dividing a heart signal according to an embodiment of the present invention.
- expressions such as “A or B,” “at least one of A and/and B,” or “one or more of A or/and B” may include all possible combinations of the items listed together.
- first,” “second,” “first,” or “second,” used in this document may modify various elements, regardless of order and/or importance, and refer to one element as It is used only to distinguish it from other components and does not limit the corresponding components.
- a first user device and a second user device may represent different user devices regardless of order or importance.
- a first element may be named a second element, and similarly, the second element may also be renamed to the first element.
- a component e.g., a first component
- another component e.g., a second component
- the certain component may be directly connected to the other component or connected through another component (eg, a third component).
- an element e.g, a first element
- another element e.g., a second element
- the element and the above It may be understood that other components (eg, third components) do not exist between the other components.
- the expression “configured to” means “suitable for,” “having the capacity to,” depending on the circumstances. ,” “designed to,” “adapted to,” “made to,” or “capable of.”
- the term “configured (or set) to” may not necessarily mean only “specifically designed to” hardware.
- the phrase “device configured to” may mean that the device is “capable of” in conjunction with other devices or components.
- a processor configured (or configured) to perform A, B, and C” may include a dedicated processor (e.g., embedded processor) to perform those operations, or by executing one or more software programs stored in a memory device.
- a general-purpose processor eg, CPU or application processor
- heart signal may mean a phonocardiogram (PCG) or electrocardiogram (ECG; electrocardiogram or EKG; Electrocardiogramm) signal.
- PCG phonocardiogram
- ECG electrocardiogram
- EKG electrocardiogram
- Electrocardiogramm Electrocardiogramm
- the heart signal may be a cardiogram, but is not limited thereto.
- the heart signal may refer to a heart sound signal during a cardiac cycle.
- the heart signal may include “plural sections” of the first heart sound S1, the second heart sound S2, systole, and diastole.
- the heart signal may include a third heart sound (S3) and a fourth heart sound (S4) in the case of an individual with a heart disease.
- S3 third heart sound
- S4 fourth heart sound
- the "first heart sound” is the sound of blood hitting the valve wall when the bicuspid and tricuspid valves close at the beginning of ventricular contraction, and may be a long, dull, low sound.
- the "second heart sound” is a vibration sound caused by the closure of the aortic and pulmonary valves immediately after ventricular dilatation, and may be a short high-pitched sound.
- the “third heart sound” may be a ventricular filling sound occurring at the beginning of diastole between 0.12 and 0.16 seconds after the second heart sound. This is a very weak and short sound generated immediately after the atrioventricular valve opens and blood from the atrium passes through the ventricle. It can be distinguished even on auscultation and can be the first sign of heart disease.
- the third heart sound can be detected when the circulatory load of the heart is high, such as hyperthyroidism, anemia, aortic insufficiency, mitral or tricuspid valve regurgitation, septal defect, cor pulsating heart, etc.
- the “fourth heart sound” may be a heart sound that is generally inaudible to people with normal hearts and can be heard by patients with congenital heart disease. Moreover, the fourth heart sound can be clinically important because it can be heard in aortic stenosis, ischemic heart disease, sinus arrhythmias, heart failure, and the like.
- the heart signal is an electrocardiogram, and a plurality of the first waveform (P), the second waveform (Q), the third waveform (R), the fourth waveform (S), and the fifth waveform (T). It can also contain intervals.
- spectrogram data may mean a feature including phase information of a heart signal.
- spectrogram data reflecting complex number features is data having a real part and an imaginary part, and may be obtained by complex wavelet transformation.
- spectrogram data reflecting complex-number features can be obtained by Gabor wavelet transform using Gabor filters.
- the obtained spectrogram data may include a real part and an imaginary part.
- a method of obtaining spectrogram data in which complex number features are reflected is not limited thereto.
- Spectrogram data in which these complex number features are reflected is learnable data, and characteristics of specific sections of S1 and S2 may be reflected at a higher level than other scalogram data. Accordingly, the spectrogram data reflecting complex features may be applied to heart signal segmentation.
- signal division model may be a model learned to divide a first heart sound or a second heart sound, and further diastolic and systolic periods, by taking spectrogram data reflecting complex number features as an input.
- the signal division model may be a model learned to divide the first heart sound section and the second heart sound section, and furthermore, the diastolic section and the systolic section, with respect to the spectrogram data in which the complex number features are reflected.
- the signal splitting model may be further trained to divide the third heart sound and the fourth heart sound, which are highly related to heart disease, by taking spectrogram data reflecting complex number features as an input.
- the signal division model takes as an input spectrogram data reflecting the complex number characteristics based on the electrocardiogram, and the first waveform (P), the second waveform (Q), the third waveform (R), and the fourth waveform It may be learned to divide a plurality of sections of the waveform (S) and the fifth waveform (T).
- the signal splitting model may be a splitting model having a complex-valued convolutional neural network (CVCNN) structure.
- CVCNN complex-valued convolutional neural network
- the signal splitting model may have a CV CNN structure configured to have two input channels of a real part and an imaginary part of spectrogram data and extract features therefrom.
- the signal splitting model may be a model to which complexed-valued ReU (CReLU) is applied as an activation function.
- CReLU complexed-valued ReU
- CReLU is a function that satisfies the Cauchy-Riemann equations when the real part and the imaginary part are 'positive' or 'negative' at the same time, and sophisticated non-linear work is possible in the phase, and the phase It can be represented in 4 different patterns on the ring.
- the signal division model may be a model to which complex batch normalization is applied in learning.
- complex number batch normalization may refer to batch normalization applicable to complex values, and may reduce the risk of overfitting.
- the complex number batch normalization may be defined based on a 'shift parameter' corresponding to a complex number parameter having a real part and an imaginary part and a 'scaling parameter' for maintaining nonlinearity of a function.
- the signal segmentation model of the present invention may be Complex-valued U-net, Complex-valued SegNet, Complex-valued VGG-16, or Complex-valued ResNet, but is not limited thereto and more diverse CV-CNN structure-based models. can be
- signal processing model may be an unsupervised model that detects noise by taking a heart signal, particularly spectrogram data, as an input, and further outputs a signal from which the noise has been removed.
- unsupervised learning may refer to a learning method for finding regularities of inputs using training data having only input values, that is, data without labeling of output values.
- the signal processing model may be based on a generative adversarial network (GAN) for generating noise, but the signal processing model outputs data from which noise is removed from data in which complex number features are reflected, such as Complex-valued U-net, Complex It may be -valued SegNet, Complex-valued VGG-16, or Complex-valued ResNet.
- GAN generative adversarial network
- FIGS. 1 and 2A to 2B a device for dividing a cardiac signal according to various embodiments of the present invention will be described in detail with reference to FIGS. 1 and 2A to 2B.
- FIG. 1 is a schematic diagram illustrating a heart signal splitting system using spectrogram data according to an embodiment of the present invention.
- a heart signal splitting system 1000 may be a system configured to provide heart disease-related information based on a user's heart signal, particularly spectrogram data.
- the heart signal splitting system 1000 includes the heart signal splitting device 100 configured to split the signal based on the spectrogram data, the user device 200 and the heart signal measuring configured to measure the user's heart signal. It can be configured as a device 400 for use.
- the heart signal dividing device 100 converts the user's heart signal provided from the heart signal measuring device 400 into spectrogram data, and a general-purpose computer that performs various calculations to divide the heart signal based on the converted heart signal. , laptops, and/or data servers, and the like.
- the user device 200 may be a device for accessing a web server providing a web page in which information related to cardiac signal segmentation is stored or a mobile web server providing a mobile web site. Not limited.
- the device 400 for measuring a heart signal may be an electronic stethoscope equipped with a communication module communicating with the device 100 for dividing a heart signal, but is not limited thereto.
- the heart signal dividing device 100 is configured to receive a heart signal from the heart signal measuring device 400, convert the received heart signal into spectrogram data, and then divide the signal into a plurality of sections. It can be.
- the device 100 for cardiac signal splitting can provide the split signal to the user device 200 .
- Data provided from the device 100 for heart signal splitting in this way may be provided as a web page through a web browser installed in the user device 200, or may be provided in the form of an application or program. In various embodiments, this data may be provided in a form incorporated into the platform in a client-server environment.
- the user device 200 is an electronic device that requests the provision of a signal division result and provides a user interface for displaying analysis result data, and includes at least one of a smartphone, a tablet PC (Personal Computer), a laptop computer, and/or a PC. may contain one.
- a smartphone a tablet PC (Personal Computer), a laptop computer, and/or a PC. may contain one.
- the user device 200 can receive a signal split result from the device 100 for splitting a cardiac signal. At this time, the received result may be displayed through the display unit of the user device 200 .
- the result of the signal division may be the first heart sound, the second heart sound, the third heart sound, and the fourth heart sound, and further diastole or systole, and may include a predicted value (eg, a split probability), and the like.
- the heart signal measuring device 400 is an electrocardiograph
- the result of signal division is a first waveform (P), a second waveform (Q), a third waveform (R), and a fourth waveform (R). waveform (S), and a fifth waveform (T).
- FIG. 2A is a schematic diagram illustrating a device for splitting cardiac signals according to an embodiment of the present invention.
- a device 100 for splitting cardiac signals includes a storage unit 110 , a communication unit 120 and a processor 130 .
- the storage unit 110 may store various data for providing signal division results.
- the storage unit 110 is a flash memory type, a hard disk type, a multimedia card micro type, a card type memory (eg SD or XD memory, etc.), RAM, SRAM, ROM, EEPROM, PROM, magnetic memory , a magnetic disk, and an optical disk may include at least one type of storage medium.
- the communication unit 120 connects the heart signal splitting device 100 to enable communication with an external device.
- the communication unit 120 is connected to the user device 200 using wired/wireless communication to transmit/receive various data.
- the communication unit 120 may receive a heart signal of an object from the heart signal measurement device 400 and transmit a division result to the user device 200 .
- the processor 130 is operatively connected to the storage unit 110 and the communication unit 120, and can perform various commands for analyzing spectrogram data for an entity.
- the processor 130 receives a heart signal of an object from the heart signal measurement device 400 through the communication unit 120, determines spectrogram data based on the received heart signal, and divides the signal.
- processor 130 can base a plurality of signal division models configured to divide signals based on the spectrogram data.
- the present invention can contribute to early diagnosis of heart disease and good treatment prognosis by dividing a heart signal and providing a specific section providing clinically meaningful information with accuracy.
- the user device 200 includes a communication unit 210 , a display unit 220 , a storage unit 230 and a processor 240 .
- the communication unit 210 connects the user device 200 to enable communication with an external device.
- the communication unit 210 can transmit/receive various data by being connected to the device 100 for dividing heart signals using wired/wireless communication.
- the communication unit 210 may receive a heart signal split result from the heart signal split device 100 .
- the display unit 220 can display various interface screens for displaying heart signal division results.
- the display unit 220 may include a touch screen, and for example, a touch using an electronic pen or a part of the user's body, a gesture, a proximity, a drag, or a swipe A swipe or hovering input may be received.
- the storage unit 230 may store various data used to provide a user interface for displaying result data.
- the storage unit 230 may be a flash memory type, a hard disk type, a multimedia card micro type, or a card type memory (for example, SD or XD memory, etc.), RAM (Random Access Memory, RAM), SRAM (Static Random Access Memory), ROM (Read-Only Memory, ROM), EEPROM (Electrically Erasable Programmable Read-Only Memory), PROM (Programmable Read-Only Memory) , a magnetic memory, a magnetic disk, and an optical disk may include at least one type of storage medium.
- the processor 240 is operably connected to the communication unit 210, the display unit 220, and the storage unit 230, and can perform various commands to provide a user interface for displaying information.
- FIGS. 3 and 4 a heart signal segmentation method according to an embodiment of the present invention will be described with reference to FIGS. 3 and 4 .
- FIG. 3 is a schematic flowchart for explaining a heart signal splitting method based on spectrogram data in a heart signal splitting device according to an embodiment of the present invention.
- 4 illustratively illustrates a procedure for dividing a cardiac signal in a device for dividing a cardiac signal according to an embodiment of the present invention.
- an object's heart signal is received according to the heart signal division method according to an embodiment of the present invention (S310). Then, pre-processing of the heart signal is performed by the signal processing model (S320). Finally, the heart signal is divided into a plurality of sections by the signal division model (S330).
- a heart signal 412 is obtained from the aforementioned device for measuring heart signals.
- the heart signal 412 may include noise.
- step S320 where pre-processing is performed, the heart signal 412 is input to the signal processing model 420.
- noise 422 is determined, and a noise-removed heart signal 424 can be obtained.
- the heart signal 424 from which the noise is removed by the signal processing model 420 may be output. That is, the signal processing model 420 may be an unsupervised model to detect noise and output a noise-removed signal.
- the heart signal 424 from which noise has been removed is input to the signal division model 430.
- the noise-removed heart signal 424 is divided into a plurality of sections of the first heart sound (S1) and the second heart sound (S2) and other heart sounds (eg, diastole and systole) and output (division). It can be.
- the divided heart signal 432 can be obtained.
- spectrogram data reflecting complex features may be used for heart segmentation.
- FIGS. 5 and 6A and 6B a method for dividing a heart signal according to another embodiment of the present invention will be described with reference to FIGS. 5 and 6A and 6B.
- FIG. 5 is a schematic flowchart for explaining a pre-processing procedure for spectrogram data in a device for dividing heart signals according to an embodiment of the present invention.
- 6A and 6B illustratively illustrate preprocessing steps for spectrogram data in a device for dividing heart signals according to an embodiment of the present invention.
- an object's heart signal is received according to the heart signal division method according to an embodiment of the present invention (S410). Then, wavelet transformation is performed to obtain spectrogram data reflecting complex features (S420), and preprocessing is optionally performed (S430), and then a plurality of heart signals (spectrogram data) are obtained by a signal division model. It is divided into sections of (S440).
- a heart signal of an electrocardiogram is received in the heart signal receiving step (S410), and wavelet transform may be performed on the electrocardiogram signal in the step S420 in which the wavelet transform is performed.
- the step of performing wavelet transform may be performed.
- wavelet transform As a result of this performed step (S420), spectrogram data 512 can be obtained.
- the spectrogram data 512 obtained by complex wavelet transformation such as Gabor wavelet transformation may include a real part and an imaginary part. That is, the spectrogram data reflecting the complex number characteristics may reflect the phase difference of the heart signal.
- a main frequency domain for the heart signal is determined, and wavelet transform may be performed based on a frequency domain corresponding to the main frequency domain.
- wavelet transformation can be performed intensively on clinically significant intervals such as S1, S2, systole, and diastole.
- the wavelet transformation of the spectrogram data to which the complex number characteristics based on the ECG signal are reflected is a first waveform (P), a second waveform (Q), and a third waveform (R) , the fourth waveform (S), and the fifth waveform (T).
- pre-processing of the spectrogram data may be performed by a signal processing model.
- step S430 where preprocessing is performed, the spectrogram data 512 is input to the signal processing model 420 .
- noise 522 is determined, and spectrogram data 524 from which the noise has been removed can be obtained.
- the signal processing model 420 can be further configured to output the denoised spectrogram data 524.
- the signal processing model 420 may be a model having a complex-valued (CV) network structure in order to remove noise for the spectrogram data 512 to which complex-number features including real and imaginary parts are reflected. .
- CV complex-valued
- the heart signal may be divided into a plurality of sections by a signal division model.
- the signal splitting model may have a complex-valued convolutional neural network (CVCNN) structure.
- CVCNN complex-valued convolutional neural network
- spectrogram data 524 from which noise has been removed is input to a signal division model 430 .
- the signal division model 430 may have a CV CNN structure configured to have two input channels of a real part and an imaginary part of spectrogram data and extract features from them. That is, feature maps for each of the real part and the imaginary part of the input spectrogram data 524 from which noise is removed can be determined.
- the heart signal may be divided into a plurality of sections of the first heart sound S1 and the second heart sound S2 and other heart sounds (eg, diastole and systole) and then output.
- CReLU complexed-valued ReU
- the divided heart signal 432 can be obtained.
- Heart signals can be segmented with high accuracy by the model-based cardiac signal segmentation method having a structure characterized according to the characteristics of the data and the characteristics of these data, according to various embodiments of the present invention.
- the medical staff may obtain reliable information related to the subject's heart disease, and it may be possible to accurately diagnose the heart disease for the subject suspected of heart disease at an early stage.
- the heart signal includes a first waveform (P), a second waveform (Q), a third waveform (R), a fourth waveform (S), and a fifth waveform (S).
- the waveform T may be divided into a plurality of sections and output.
- the heart signal division system may be applied to division of the first, second, third, fourth, and fifth waveforms of the electrocardiogram signal.
- FIGS. 7A and 7B the structure and learning method of a signal processing model used in various embodiments of the present invention will be described with reference to FIGS. 7A and 7B.
- 7A exemplarily illustrates the structure of a signal processing model applied to various embodiments of the present invention.
- 7B exemplarily illustrates a learning procedure of a signal processing model applied to various embodiments of the present invention.
- the signal processing model used in various embodiments of the present invention may have a complex number U-Net (COMPLEX U-NET) structure for pre-processing of spectrogram data in which complex number characteristics are reflected.
- a complex number U-Net COMPONENT U-NET
- it is not limited thereto.
- the U-shaped signal processing model of FIG. 7A extracts global features for spectrogram data (image) to which complex features of input are reflected, extracts noise from them, and performs complex masking It has a structure for performing mask processing. At this time, the masked noise is removed from the input spectrogram data, and 'spectrogram data from which noise has been removed' may be finally output.
- unsupervised learning may be performed on the signal processing model based on a generative adversarial network (GAN).
- GAN generative adversarial network
- the signal processing model includes a noise detection network 720 and a discriminator 740, and learning may be performed through competition between the noise detection network 720 and the discriminator 740.
- the noise 722 is detected.
- the detected noise 722 is removed from the spectrogram data for training 712, resulting in similar spectrogram data 732.
- the discriminator 740 determines the true value of the input data. or false (742) is determined to perform the evaluation. Then, the noise detection network 720 and the discriminator 740 are updated based on the evaluation results.
- updates to the noise detection network 720 may be performed until the discriminator 740 has difficulty distinguishing between pseudo spectrogram data 732 (false) and standard spectrogram data 714 (true). can be performed
- learning using similar spectrogram data 732 may be further performed in the learning step.
- the learning method of the signal processing model is not limited to the method using spectrogram data.
- the signal processing model may convert the heart signal into spectrogram data by itself. Then, a signal may be output again through inverse transform of the spectrogram data from which noise is removed.
- the discriminator 740 may determine 'no noise' or 'noise present' with respect to the corresponding signal.
- it may be possible to use complex values of the spectrogram before performing the inverse transform in the division step.
- the signal processing model can be trained to detect noise from input spectrogram data and further generate noise-removed data.
- CBatchNorm complexed batch normalization
- CReLU complexed batch normalization
- the heart signal is divided into a plurality of sections of the first heart sound (S1) and the second heart sound (S2) and other heart sounds (eg, diastolic and systolic) and outputted. (divided) can be.
- the first waveform (P) and the second waveform ( Q), the third waveform (R), the fourth waveform (S), and the fifth waveform (T) may be output.
- 9a and 9b and 10a to 10c illustrate evaluation results of a device for dividing a heart signal according to an embodiment of the present invention.
- a PCG signal is shown together with a transformed spectrogram in which complex number features are not reflected in the wavelet transform step.
- the spectrogram conversion is performed in a wide area including not only the main sections such as S1 and S2 but also the noise section.
- the spectrogram reflecting the complex number features can reflect the phase difference of the cardiac signal, and thus can be applied to the signal division method according to various embodiments of the present invention. In particular, it can be applied as input data of a heart signal model.
- the signal division model may be a model learned to divide the heart sounds of 0 (S1), 1 (systolic and diastolic), or 2 (S2) with respect to the input spectrogram data.
- S1 heart sounds of 0
- S2 subsystolic and diastolic
- its output value is not limited thereto.
- the signal division model used in various embodiments of the present invention appears to determine a prediction value (prediction) with a very high similarity to a preset answer (ground truth) for the PCG signal.
- this may mean that the signal division model divides the S1 and S2 heart sounds and the diastolic and systolic heart sounds with very high accuracy.
- a signal division model learned to divide a signal using spectrogram data in which complex features are reflected as training data may be applied to methods according to various embodiments of the present invention.
- the present invention can overcome the limitations of the conventional stethoscope sound-based analysis method that provides low reliability information.
- the present invention can contribute to early diagnosis and good treatment prognosis of heart disease by dividing and providing clinically significant cardiac signals.
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Cardiology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Physiology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Acoustics & Sound (AREA)
- Fuzzy Systems (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
본 발명에 따른 프로세서에 의해 구현되는 심장 신호 분할 방법은, 개체의 심장 신호를 수신하는 단계, 복소수 특징이 반영된 스팩트로그램(spectrogram) 데이터를 획득하도록, 상기 심장 신호에 대하여 웨이블릿(wavelet) 변환을 수행하는 단계, 및 상기 복소수 특징이 반영된 상기 스팩트로그램 데이터를 입력으로 하여 신호를 복수의 구간으로 분할하도록 학습된 신호 분할 모델을 이용하여, 상기 스팩트로그램 데이터를 복수의 구간으로 분할하는 단계를 포함한다.
Description
본 발명은 심장 신호 분할 방법 및 이를 이용한 심장 신호 분할용 디바이스에 관한 것이다.
생체 신호인 심음도 (Phonocardiogram; PCG) 와 심전도 (ECG; electrocardiogram 또는 EKG; Elektro kardiogramm) 는 심장 기능에 관한 정보를 제공한다. 심음도는 심장의 기계적 현상의 정보는 얻어내는 것이라면, 심전도는 심장의 전기적 신호의 정보를 얻어내는 것이라 할 수 있다.
예를 들어, 심음도는 박동하는 심장과 그로 인한 혈류가 만들어 내는 소리로서, 전자 청진기로 시각화 가능하다. 이와 같이 획득된 심음도를 통해 심장의 상태에 대한 여러 주요한 정보가 파악될 수 있다.
보다 구체적으로, 심음은 판막이 닫히면서 나는 소리로 정상의 성인의 경우 두 개의 심음이 관찰될 수 있다. 보다 구체적으로, 제1 심음 (S1) 은 심실 수축기의 시초에 방실 판막이 닫힐 때 생기는 음으로 낮고 둔하며 소리의 지속이 긴 것이 특징이다. 제2 심음 (S2) 은 심실 확장기의 시초에 대동맥 판막과 폐동맥 판막이 닫힐 때 생기는 음으로 높고 예리하며 소리의 지속이 짧은 것이 특징이다. 이외에 제3 심음 (S3) 과 제4 심음 (S4) 이 있을 수 있는데, 이들은 심장 판막의 이상 시 발생될 수 있다.
즉, 심장 신호는 심장 질환과 높은 상관관계가 있어, 다양한 심장 질환의 진단 시 이용될 수 있다.
그러나, 최근에는 컴퓨터 단층 촬영, 자기 공명영상, 초음파 영상 검사 등 정밀 검사 방법들이 표준으로 자리 잡으면서 심장 신호의 활용도는 점차 낮아지고 있는 상황이다. 더욱이, 심장 신호 기반의 진단에 이용되는 청진법은 비침습적인 방법으로 쉽게 심장 박동음 분석이 가능하다는 장점이 있음에도, 사람의 감각에 의존하는 방법이므로 주관적인 판단으로 오진 가능성이 있고, 신뢰성이 부족한 문제점이 있다.
따라서, 새로운 심장 신호 분할 시스템에 대한 개발이 지속적으로 요구되고 있는 실정이다.
발명의 배경이 되는 기술은 본 발명에 대한 이해를 보다 용이하게 하기 위해 작성되었다. 발명의 배경이 되는 기술에 기재된 사항들이 선행기술로 존재한다고 인정하는 것으로 이해되어서는 안 된다.
최근 인공지능 기술의 발전과 함께 심장 신호 분석을 위한 다양한 기법들이 제안되었다. 대표적으로, 심음 신호에 1차원 합성곱 신경망 (convolutional neural network, CNN) 을 이용한 방법과 은닉 마르코프 모델 (hidden markov models HMM) 을 활용한 방법이 있다. 다른 방법으로는 장단기 기억 (long short-term memory, LSTM) 기반 인공신경망 네트워크를 활용한 분석, 신호의 스팩트럼을 분석해 이미지 형태로 분석하는 2D CNN방법이 있다.
그러나, 전술한 방법은 제1 심음 및 제2 심음과 같은 신호 분할의 한계가 있는 것으로 나타난다.
한편, 본 발명의 발명자들은 종래의 심장 신호 기반 심장 신호 분할 시스템의 한계를 극복하기 위한 방안으로 심장 신호의 크기와 함께 위상 (phase) 특성이 반영된 스팩트로그램 (spectrogram) 데이터가 신호 분할의 정확도 향상에 기여할 수 있음을 인지할 수 있었다.
나아가, 본 발명의 발명자들은, 신뢰도 높은 정보를 제공하기 위해, 스팩트로그램 데이터를 학습하여 신호를 분할하도록 학습된 인공 신경망 네트워크 기반의 모델을 심장 신호 분할 시스템에 적용할 수 있었다.
이때, 본 발명의 발명자들은, 스팩트로그램 데이터를 획득하기 위한 변환 (transform) 단계에서, 심장 신호의 주요 구간 (예를 들어, 제1 심음 및 제2 심음) 의 주파수 대역을 고려하여 스팩트로그램 변환이 가능한 모듈을 적용하고자 하였다. 더욱이, 이와 같이 변환된, 위상 특성이 반영된 스팩트로그램 데이터를 신호 분할 모델의 학습에 적용하고자 하였다.
더욱이 본 발명의 발명자들은 데이터에 대한 전처리, 예를 들어 노이즈 제거를 수행하도록 학습된 신호 처리 모델을 심장 신호 분할 시스템에 적용하고자 하였다.
그 결과, 본 발명의 발명자들은, 신호 분할 모델에 대한 주요 주파수 대역 집중적인 학습이 수행될 수 있어 신호 분할 성능이 보다 향상될 수 있음을 인지할 수 있었다.
특히, 본 발명의 발명자들은, 설명 가능한 (learnable) 스팩트로그램 데이터 기반의 새로운 심장 신호 분할 시스템을 제공함으로써, 심음의 정확도 높은 분할뿐만 아니라 심장 질환 발병 여부를 높은 정확도로 분류할 수 있음을 기대할 수 있었다.
이에, 본 발명이 해결하고자 하는 과제는, 개체로부터 획득된 심장 신호로부터 스팩트로그램 데이터를 획득하고, 위상 특성이 반영된 스팩트로그램 데이터 기반의 분할 모델을 이용하여 신호를 분할하도록 구성된, 심장 신호 분할 방법 및 디바이스를 제공하는 것이다.
본 발명의 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
전술한 바와 같은 과제를 해결하기 위하여 본 발명의 실시예에 따른 심장 신호 분할 방법이 제공된다. 본 발명의 실시예에 따른 방법은, 프로세서에 의해 구현되는 심장 신호 분할 방법으로서, 프로세서에 의해 구현되는 심장 신호 분할 방법으로서, 개체의 심장 신호를 수신하는 단계, 복소수 특징이 반영된 스팩트로그램 (spectrogram) 데이터를 획득하도록, 심장 신호에 대하여 웨이블릿 (wavelets) 변환을 수행하는 단계, 및 복소수 특징이 반영된 스팩트로그램 데이터를 입력으로 하여 신호를 복수의 구간으로 분할하도록 학습된 신호 분할 모델을 이용하여, 스팩트로그램 데이터를 복수의 구간으로 분할하는 단계를 포함한다.
본 발명의 특징에 따르면, 상기 방법은 웨이블릿 변환을 수행하는 단계 이후에, 심장 신호를 입력으로 하여 전처리 (preprocessing) 된 신호를 출력하도록 학습된 신호 처리 모델을 이용하여, 스팩트로그램 데이터에 대한 전처리를 수행하는 단계를 더 포함할 수 있다.
본 발명의 다른 특징에 따르면, 신호 처리 모델은, 학습용 스팩트로그램 데이터를 입력으로 하여 노이즈 (noise) 를 검출하고, 학습용 스팩트로그램 데이터에 대하여 노이즈를 제거하도록 비지도학습 (unsupervised) 된 모델이고, 전처리를 수행하는 단계는, 신호 처리 모델을 이용하여, 스팩트로그램 데이터에 대하여 노이즈를 제거하는 단계를 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 신호 처리 모델은, 노이즈 검출 네트워크 및 판별자 (Discriminator) 를 포함하는, GAN (Generative adversarial network) 를 기반으로 비지도학습된 모델일 수 있다.
본 발명의 또 다른 특징에 따르면, 신호 처리 모델은, 노이즈 검출 네트워크를 이용하여 학습용 스팩트로그램 데이터로부터 노이즈를 검출하는 단계, 유사 스팩트로그램 데이터를 생성하도록, 학습용 스팩트로그램 데이터에 대하여 노이즈를 제거하는 단계, 노이즈가 미리 제거된 표준 스팩트로그램 데이터를 수신하는 단계, 판별자를 이용하여 유사 스팩트로그램 데이터 및 표준 스팩트로그램 데이터를 평가하는 단계, 및 평가 결과에 기초하여 노이즈 검출 네트워크 및 상기 판별자를 업데이트하는 단계를 통해 학습된 모델일 수 있다.
본 발명의 또 다른 특징에 따르면, 웨이블릿 변환을 수행하는 단계는, 가버 필터 (Gabor filters) 를 이용한 가버 웨이블릿 변환을 수행하는 단계를 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 스팩트로그램 데이터는, 심장 신호에 대한 실수부 및 허수부를 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 웨이블릿 변환을 수행하는 단계는, 심장 신호에 대한 주요 주파수 영역을 결정하는 단계, 및 주요 주파수 영역에 대응하는 주파수 영역에 기초하여 웨이블릿 변환을 수행하는 단계를 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 신호 분할 모델은, CV CNN (Complex-valued Convolutional Neural Network) 구조를 가질 수 있다.
본 발명의 또 다른 특징에 따르면, 신호 분할 모델은, 활성 함수 (Activation Function) 로서 CReLU (complexed-valued ReU) 가 적용된 모델일 수 있다.
본 발명의 또 다른 특징에 따르면, 신호 분할 모델은, 복소수 값의 배치 정규화 (Complex-valued Batch Normalization) 가 적용된 모델일 수 있다.
본 발명의 또 다른 특징에 따르면, 신호 분할 모델은, 심장 신호를 입력으로 하여 제1 신음 (S1) 및 제2 심음 (S2) 을 분할하도록 학습된 모델일 수 있다.
본 발명의 또 다른 특징에 따르면, 신호 분할 모델은, 심장 신호를 입력으로 하여, 제1 심음, 제2 심음, 수축기 (systole) 및 이완기 (Diastole) 를 분할하도록 학습된 모델일 수 있다.
본 발명의 또 다른 특징에 따르면, 심장 신호는, 심음도 (ECG; electrocardiogram 또는 EKG; Elektro kardiogramm) 또는 심전도일 수 있다.
전술한 바와 같은 과제를 해결하기 위하여 본 발명의 다른 실시예에 따른 심장 신호 분할용 디바이스가 제공된다. 본 발명의 다른 실시예에 따른 디바이스는, 개체의 심장 신호를 수신하도록 구성된 통신부, 및 통신부와 통신하도록 연결된 프로세서를 포함한다. 이때, 프로세서는, 복소수 특징이 반영된 스팩트로그램 (spectrogram) 데이터를 획득하도록, 심장 신호에 대하여 웨이블릿 (wavelets) 변환을 수행하고, 복소수 특징이 반영된 스팩트로그램 데이터를 입력으로 하여 신호를 복수의 구간으로 분할하도록 학습된 신호 분할 모델을 이용하여, 스팩트로그램 데이터를 복수의 구간으로 분할하도록 구성된다.
본 발명의 특징에 따르면, 프로세서는, 심장 신호를 입력으로 하여 전처리 (preprocessing) 된 신호를 출력하도록 학습된 신호 처리 모델을 이용하여, 스팩트로그램 데이터에 대한 전처리를 수행하도록 더 구성될 수 있다.
본 발명의 다른 특징에 따르면, 신호 처리 모델은, 학습용 스팩트로그램 데이터를 입력으로 하여 노이즈 (noise) 를 검출하고, 학습용 스팩트로그램 데이터에 대하여 노이즈를 제거하도록 비지도학습 (unsupervised) 된 모델일 수 있다. 이때, 프로세서는, 신호 처리 모델을 이용하여, 스팩트로그램 데이터에 대하여 노이즈를 제거하도록 더 구성될 수 있다.
본 발명의 또 다른 특징에 따르면, 프로세서는, 가버 필터 (Gabor filters) 를 이용하여 가버 웨이블릿 변환을 수행하도록 구성될 수 있다.
본 발명의 또 다른 특징에 따르면, 프로세서는, 심장 신호에 대한 주요 주파수 영역을 결정하고, 주요 주파수 영역에 대응하는 주파수 영역에 기초하여 웨이블릿 변환을 수행하도록 더 구성될 수 있다.
기타 실시예의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명은, 심장 신호에 대하여 위상 특성이 반영된 스팩트로그램 데이터를 적용한 심장 신호 분할 시스템을 제공함에 따라, 심장 질환의 신뢰도 높은 진단에 기여할 수 있다.
이에, 본 발명은, 신뢰도 낮은 정보를 제공하는 종래의 청진음 기반 분석 방법의 한계를 극복할 수 있다.
특히, 본 발명은, 스팩트로그램 데이터에 대한 전처리를 수행하는 신호 처리 모델, 나아가 스팩트로그램 데이터를 입력으로 하여 신호를 분할하도록 학습된 복수의 신호 분할 모델이 적용된 심장 신호 분할 시스템을 제공함으로써, 심장 질환의 발병에 대한 신뢰도 높은 정보를 제공할 수 있다.
따라서, 의료진은 CT, MRI 등의 추가 진단 절차 없이 심장 질환 의심 개체에 대한 정보를 획득할 수 있어, 심장 질환에 대한 신속한 진단이 가능할 수 있다.
즉, 본 발명은 심장 질환 발병 여부에 대한 정보를 제공함에 따라, 심장 질환의 조기 진단 및 좋은 치료 예후에 기여할 수 있다.
본 발명에 따른 효과는 이상에서 예시된 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 발명 내에 포함되어 있다.
도 1은 본 발명의 실시예에 따른 스팩트로그램 데이터를 이용한 심장 신호 분할 시스템을 설명하기 위한 개략도이다.
도 2a는 본 발명의 실시예에 따른 심장 신호 분할용 디바이스를 설명하기 위한 개략도이다.
도 2b는 본 발명의 실시예에 따른 심장 신호 분할용 디바이스로부터 정보를 제공받는 사용자 디바이스를 설명하기 위한 개략도이다.
도 3은 본 발명의 실시예에 따른 심장 신호 분할용 디바이스에서 스팩트로그램 데이터에 기반하여 심장 신호 분할 방법을 설명하기 위한 개략적인 순서도이다.
도 4는 본 발명의 실시예에 따른 심장 신호 분할용 디바이스에서 심장 신호를 분할하는 절차를 예시적으로 도시한 것이다.
도 5는 본 발명의 실시예에 따른 심장 신호 분할용 디바이스에서 스팩트로그램 데이터에 대한 전처리 철차를 설명하기 위한 개략적인 순서도이다.
도 6a 및 6b는 본 발명의 실시예에 따른 심장 신호 분할용 디바이스에서 스팩트로그램 데이터에 대한 전처리 철차를 예시적으로 도시한 것이다.
도 7a는 본 발명의 다양한 실시예에 적용되는 신호 처리 모델의 구조를 예시적으로 도시한 것이다.
도 7b는 본 발명의 다양한 실시예에 적용되는 신호 처리 모델의 학습 절차를 예시적으로 도시한 것이다.
도 8은 본 발명의 다양한 실시예에 적용되는 신호 분할 모델의 구조를 예시적으로 도시한 것이다.
도 9a 및 9b, 10a 내지 10c는 본 발명의 실시예에 따른 심장 신호 분할용 디바이스의 평가 결과를 도시한 것이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조부호가 사용될 수 있다.
본 문서에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
본 문서에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상" 등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는(3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.
본 문서에서 사용된 "제1," "제2," "첫째," 또는 "둘째," 등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다. 예를 들면, 제1 사용자 기기와 제2 사용자 기기는, 순서 또는 중요도와 무관하게, 서로 다른 사용자 기기를 나타낼 수 있다. 예를 들면, 본 문서에 기재된 권리범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 바꾸어 명명될 수 있다.
어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.
본 문서에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~ 를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것만을 반드시 의미하지 않을 수 있다. 대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된)프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.
본 문서에서 사용된 용어들은 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 다른 실시예의 범위를 한정하려는 의도가 아닐 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 용어들은 본 문서에 기재된 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가질 수 있다. 본 문서에 사용된 용어들 중 일반적인 사전에 정의된 용어들은, 관련 기술의 문맥상 가지는 의미와 동일 또는 유사한 의미로 해석될 수 있으며, 본 문서에서 명백하게 정의되지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 경우에 따라서, 본 문서에서 정의된 용어일지라도 본 문서의 실시 예들을 배제하도록 해석될 수 없다.
본 발명의 여러 실시예들의 각각 특징들이 부분적으로 또는 전체적으로 서로 결합 또는 조합 가능하며, 당업자가 충분히 이해할 수 있듯이 기술적으로 다양한 연동 및 구동이 가능하며, 각 실시예들이 서로에 대하여 독립적으로 실시 가능할 수도 있고 연관 관계로 함께 실시 가능할 수도 있다.
본 명세서의 해석의 명확함을 위해, 이하에서는 본 명세서에서 사용되는 용어들을 정의하기로 한다.
본 명세서에서 사용되는 용어, "심장 신호"는 심음도 (Phonocardiogram; PCG) 또는 심전도 (ECG; electrocardiogram 또는 EKG; Elektro kardiogramm) 신호를 의미할 수 있다.
본 발명의 특징에 따르면, 심장 신호는 심음도일 수 있으나, 이에 제한되는 것은 아니다.
본 발명의 일 실시예에 따르면, 심장 신호는 심장 주기 동안의 심음에 대한 신호를 의미할 수 있다. 이때, 심장 신호는 제1 심음 (S1), 제2 심음 (S2), 수축기 (systole) 및 이완기 (Diastole) 의 "복수의 구간"을 포함할 수 있다.
그러나, 이에 제한되는 것은 아니며 심장 신호는, 심장 질환이 있는 개체인 경우 제3 심음 (S3) 및 제4 심음 (S4) 을 포함할 수 있다.
보다 구체적으로, "제1 심음"은 심실 수축 초기에 이첨판과 삼첨판의 폐쇄 시 혈액이 판막벽에 부딪치는 소리로서, 길고 둔한 저음일 수 있다.
"제2 심음"은 심실확장 직후에 대동맥판과 폐동맥판이 닫힘으로써 일어나는 진동음으로서 짧은 고음일 수 있다.
"제3 심음"은 제2 심음 후 0.12초 내지 0.16초 사이의 심장 확장기 초에 일어나는 심실의 충만음일 수 있다. 이는 방실 판막이 열려 심방으로부터 들어온 혈액이 심실을 통과한 직후에 발생되는 아주 약하고 짧은 음으로 청진 상으로도 구별될 수 있으며 심장 질환의 첫 징후일 수 있다. 특히, 제3 심음은 갑상선 기능항진증, 빈혈로 좌심실의 박동량이 많을 경우, 대동맥 폐쇄 부전증, 승모판이나 삼첨판의 역류, 심장중격 결손증, 폐성심등 심장의 순환부담이 클 때는 검출될 수 있다.
"제4 심음"은 정상 심장인 사람에게는 일반적으로 들을 수 없으며 선천성 심장 질환자에서 청취되는 심음일 수 있다. 더욱이, 제4 심음은 대동맥 협착증, 허혈성 심질환, 동성 부정맥, 심부전증 등에서 들을 수 있기 때문에 임상적으로 중요할 수 있다.
이에 제한되는 것은 아니며, 심장 신호는 심전도이고, 제1 파형 (P), 제2 파형 (Q), 제3 파형 (R), 제4 파형 (S), 및 제5 파형 (T) 의 복수의 구간을 포함할 수도 있다.
본 명세서에서 사용되는 용어, "스팩트로그램 데이터"는 심장 신호에 대한 위상 (phase) 정보를 포함하는 특징을 의미할 수 있다.
이때, "복소수 특징이 반영된 스팩트로그램 데이터"는 실수부 (real part) 및 허수부 (imaginary part) 를 갖는 데이터로서, 복소수 웨이블릿 (Complex wavelets) 변환에 의해 획득될 수 있다.
예를 들어, 복소수 특징이 반영된 스팩트로그램 데이터는 가버 필터 (Gabor filters) 를 이용한 가버 웨이블릿 변환에 의해 획득될 수 있다. 획득된 스팩트로그램 데이터는, 실수부 및 허수부를 포함할 수 있다.
한편, 복소수 특징이 반영된 스팩트로그램 데이터의 획득 방법은 이에 제한되는 것은 아니다.
이러한 복소수 특징이 반영된 스팩트로그램 데이터는, 설명 가능한 (learnable) 데이터로서, 다른 스칼로그램 데이터보다 S1, S2의 특정 구간에 대한 특성이 보다 높은 수준으로 반영될 수 있다. 이에, 복소수 특징이 반영된 스팩트로그램 데이터는 심장 신호 분할에 적용될 수 있다.
본 명세서에서 사용되는 용어, "신호 분할 모델"은 복소수 특징이 반영된 스팩트로그램 데이터를 입력으로 하여, 제1 심음 또는 제2 심음, 나아가 이완기 및 수축기를 분할하도록 학습된 모델일 수 있다.
즉, 신호 분할 모델은, 복소수 특징이 반영된 스팩트로그램 데이터에 대하여 제1 심음 구간 및 제2 심음 구간, 나아가 이완기 구간 및 수축기 구간을 분할하도록 학습된 모델일 수 있다.
나아가 신호 분할 모델은 복소수 특징이 반영된 스팩트로그램 데이터를 입력으로 하여, 심장 질환과 연관도가 높은 제3 심음 및 제4 심음을 분할하도록 더욱 학습될 수 있다.
그러나, 이에 제한되는 것은 아니며 신호 분할 모델은 심전도 기반의 복소수 특징이 반영된 스팩트로그램 데이터를 입력으로 하여, 제1 파형 (P), 제2 파형 (Q), 제3 파형 (R), 제4 파형 (S), 및 제5 파형 (T) 의 복수의 구간을 분할하도록 학습될 수도 있다.
이때, 본 발명의 특징에 따르면, 신호 분할 모델은 CV CNN (Complex-valued Convolutional Neural Network) 구조를 갖는 분할 모델일 수도 있다.
보다 구체적으로, 신호 분할 모델은, 스팩트로그램 데이터의 실수부 및 허수부의 두 개의 입력 채널을 갖고, 이로부터 특징을 추출하도록 구성된 CV CNN 구조를 가질 수 있다.
본 발명의 다른 특징에 따르면, 신호 분할 모델은 활성 함수 (Activation Function) 로서 CReLU (complexed-valued ReU) 가 적용된 모델일 수 있다.
이때, CReLU는 실수부와 허수부가 동시에 '양'이거나 '음'일 때 코시-리만 방정식 (Cauchy-Riemann equations) 을 충족하는 함수로서, 위상에서 정교한 비선형 (non- linear) 작업이 가능하며, 위상 링에서 4가지 다른 패턴으로 표현될 수 있다.
그러나, 이에 제한되는 것은 아니며, modReLU 또는 zRELU의 복소수 함수가 활성 함수로서 채택될 수 있다.
본 발명의 또 다른 특징에 따르면, 신호 분할 모델은 학습에 있어서 복소수 배치 정규화 (Complex Batch Normalization) 가 적용된 모델일 수 있다.
이때, 복소수 배치 정규화는, 복소수 값에 적용 가능한 배치 정규화를 의미할 수 있으며, 오버핏팅 (overfitting) 의 위험을 감소시킬 수 있다.
보다 구체적으로, 복소수 배치 정규화는, 실수부 및 허수부를 갖는 복소수 파라미터에 대응하는 '쉬프트 파라미터 (shift parameter)' 및 함수의 비선형성을 유지하기 위한 '스케일링 파라미터 (scaling parameter)'에 기초하여 정의될 수 있다.
한편, 본 발명의 신호 분할 모델은, Complex-valued U-net, Complex-valued SegNet, Complex-valued VGG-16, Complex-valued ResNet일 수 있으나, 이에 제한되지 않고 보다 다양한 CV-CNN 구조 기반의 모델일 수 있다.
본 명세서에서 사용되는 용어, "신호 처리 모델"은 심장 신호, 특히 스팩트로그램 데이터를 입력으로 하여 노이즈를 검출하고, 나아가 노이즈가 제거된 신호를 출력하도록 비지도학습된 (unsupervised) 모델일 수 있다.
여기서, "비지도학습"이란, 입력 값만 있는 훈련 데이터, 즉 출력 값에 대한 라벨링이 없는 데이터를 이용하여 입력들의 규칙성을 찾는 학습 방법을 의미할 수 있다.
이때, 신호 처리 모델은 노이즈를 생성하기 위한 GAN (Generative adversarial network) 등에 기반할 수 있으나, 신호 처리 모델은 복소수 특징이 반영된 데이터로부터 노이즈가 제거된 데이터를 출력하도록, Complex-valued U-net, Complex-valued SegNet, Complex-valued VGG-16, Complex-valued ResNet일 수도 있다.
이하에서는, 도 1, 도 2a 내지 2b를 참조하여, 본 발명의 다양한 실시예에 따른 심장 신호 분할용 디바이스를 상세히 설명한다.
도 1은 본 발명의 실시예에 따른 스팩트로그램 데이터를 이용한 심장 신호 분할 시스템을 설명하기 위한 개략도이다.
먼저, 도 1을 참조하면, 심장 신호 분할 시스템 (1000) 은, 사용자의 심장 신호, 특히 스팩트로그램 데이터를 기초로 심장 질환과 관련된 정보를 제공하도록 구성된 시스템일 수 있다. 이때, 심장 신호 분할 시스템 (1000) 은, 스팩트로그램 데이터에 기초하여, 신호를 분할하도록 구성된 심장 신호 분할용 디바이스 (100), 사용자 디바이스 (200) 및 사용자의 심장 신호를 측정하도록 구성된 심장 신호 측정용 디바이스 (400) 로 구성될 수 있다.
먼저, 심장 신호 분할용 디바이스 (100) 는 심장 신호 측정용 디바이스 (400) 로부터 제공된 사용자의 심장 신호를 스팩트로그램 데이터로 변환하고, 이를 기초로 심장 신호를 분할하기 위해 다양한 연산을 수행하는 범용 컴퓨터, 랩탑, 및/또는 데이터 서버 등을 포함할 수 있다.
사용자 디바이스 (200) 는 심장 신호 분할과 연관된 정보가 저장된 웹 페이지를 제공하는 웹 서버 (web server) 또는 모바일 웹 사이트를 제공하는 모바일 웹 서버 (mobile web server) 에 액세스하기 위한 디바이스일 수 있으나, 이에 한정되지 않는다.
심장 신호 측정용 디바이스 (400) 는, 심장 신호 분할용 디바이스 (100) 와 통신하는 통신 모듈이 구비된 전자 청진기일 수 있으나, 이에 제한되는 것은 아니다.
보다 구체적으로, 심장 신호 분할용 디바이스 (100) 는 심장 신호 측정용 디바이스 (400) 로부터 심장 신호를 수신하고, 수신된 심장 신호를 스팩트로그램 데이터로 전환한 후 신호를 복수의 구간으로 분할하도록 구성될 수 있다.
심장 신호 분할용 디바이스 (100) 는 분할된 신호를 사용자 디바이스 (200) 로 제공할 수 있다.
이와 같이 심장 신호 분할용 디바이스 (100) 로부터 제공되는 데이터는 사용자 디바이스 (200) 에 설치된 웹 브라우저를 통해 웹 페이지로 제공되거나, 어플리케이션, 또는 프로그램 형태로 제공될 수 있다. 다양한 실시예에서 이러한 데이터는 클라이언트-서버 환경에서 플랫폼에 포함되는 형태로 제공될 수 있다.
다음으로, 사용자 디바이스 (200) 는 신호 분할 결과 제공을 요청하고 분석 결과 데이터를 나타내기 위한 사용자 인터페이스를 제공하는 전자 장치로서, 스마트폰, 태블릿 PC (Personal Computer), 노트북 및/또는 PC 등 중 적어도 하나를 포함할 수 있다.
사용자 디바이스 (200) 는 심장 신호 분할용 디바이스 (100) 로부터 신호 분할 결과를 수신할 수 있다. 이때, 수신된 결과는 사용자 디바이스 (200) 의 표시부를 통해 표시될 수 있다. 여기서, 신호 분할 결과는, 제1 심음, 제2 심음, 제3 심음 및 제4 심음, 나아가 이완기 또는 수축기일 수 있고, 예측 값 (예를 들어, 분할 확률) 등을 포함할 수 있다. 그러나, 이에 제한되는 것은 아니며, 심장 신호 측정용 디바이스 (400) 가 심전도 측정기일 경우, 신호 분할 결과는, 제1 파형 (P), 제2 파형 (Q), 제3 파형 (R), 제4 파형 (S), 및 제5 파형 (T) 을 포함할 수 있다.
다음으로, 도 2a를 참조하여, 본 발명의 심장 신호 분할용 디바이스 (100) 의 구성 요소에 대하여 구체적으로 설명한다.
도 2a는 본 발명의 일 실시예에 따른 심장 신호 분할용 디바이스를 설명하기 위한 개략도이다.
도 2a를 참조하면, 심장 신호 분할용 디바이스 (100) 는 저장부 (110), 통신부 (120) 및 프로세서 (130) 를 포함한다.
먼저, 저장부 (110) 는 신호 분할 결과를 제공을 위한 다양한 데이터를 저장할 수 있다. 다양한 실시예에서 저장부 (110) 는 플래시 메모리 타입, 하드디스크 타입, 멀티미디어 카드 마이크로 타입, 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램, SRAM, 롬, EEPROM, PROM, 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
통신부 (120) 는 심장 신호 분할용 디바이스 (100) 가 외부 장치와 통신이 가능하도록 연결한다. 통신부 (120) 는 유/무선 통신을 이용하여 사용자 디바이스 (200) 와 연결되어 다양한 데이터를 송수신할 수 있다. 구체적으로, 통신부 (120) 는 심장 신호 측정용 디바이스 (400) 로부터 개체의 심장 신호를 수신하고 사용자 디바이스 (200) 로 분할 결과를 전달할 수 있다.
프로세서 (130) 는 저장부 (110) 및 통신부 (120) 와 동작 가능하게 연결되며, 개체에 대한 스팩트로그램 데이터를 분석하기 위한 다양한 명령들을 수행할 수 있다.
구체적으로, 프로세서 (130) 는 통신부 (120) 를 통해 심장 신호 측정용 디바이스 (400) 로부터 개체의 심장 신호를 수신하고, 수신된 심장 신호를 기반하여 스팩트로그램 데이터를 결정하고, 신호를 분할할 수 있다.
더욱이, 프로세서 (130) 는 스팩트로그램 데이터에 기초하여 신호를 분할하도록 구성된 복수의 신호 분할 모델에 기초할 수 있다.
이와 같이 본 발명은 심장 신호를 분할하고, 임상적으로 유의미한 정보를 제공하는 특정 구간을 정확도로 분할하여 제공함에 따라, 심장 질환의 조기 진단 및 좋은 치료 예후에 기여할 수 있다.
한편, 도 2b를 함께 참조하면, 사용자 디바이스 (200) 는 통신부 (210), 표시부 (220), 저장부 (230) 및 프로세서 (240) 를 포함한다.
통신부 (210) 는 사용자 디바이스 (200) 가 외부 장치와 통신이 가능하도록 연결한다. 통신부 (210) 는 유/무선 통신을 이용하여 심장 신호 분할용 디바이스 (100) 와 연결되어 다양한 데이터를 송수신할 수 있다. 구체적으로, 통신부 (210) 는 심장 신호 분할용 디바이스 (100) 로부터 심장 신호 분할 결과를 수신할 수 있다.
표시부 (220) 는 심장 신호 분할 결과를 나타내기 위한 다양한 인터페이스 화면을 표시할 수 있다.
다양한 실시예에서 표시부 (220) 는 터치스크린을 포함할 수 있으며, 예를 들면, 전자 펜 또는 사용자의 신체의 일부를 이용한 터치 (touch), 제스처 (gesture), 근접, 드래그 (drag), 스와이프 (swipe) 또는 호버링 (hovering) 입력 등을 수신할 수 있다.
저장부 (230) 는 결과 데이터를 나타내기 위한 사용자 인터페이스를 제공하기 위해 사용되는 다양한 데이터를 저장할 수 있다. 다양한 실시예에서 저장부 (230) 는 플래시 메모리 타입 (flash memory type), 하드디스크 타입 (hard disk type), 멀티미디어 카드 마이크로 타입 (multimedia card micro type), 카드 타입의 메모리 (예를 들어 SD 또는 XD 메모리 등), 램 (Random Access Memory, RAM), SRAM (Static Random Access Memory), 롬 (Read-Only Memory, ROM), EEPROM (Electrically Erasable Programmable Read-Only Memory), PROM (Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
프로세서 (240) 는 통신부 (210), 표시부 (220) 및 저장부 (230) 와 동작 가능하게 연결되며, 정보를 나타내기 위한 사용자 인터페이스를 제공하기 위한 다양한 명령들을 수행할 수 있다.
이하에서는 도 3 및 4를 참조하여 본 발명의 일 실시예에 따른 심장 신호 분할 방법에 대하여 설명한다.
도 3은 본 발명의 실시예에 따른 심장 신호 분할용 디바이스에서 스팩트로그램 데이터에 기반하여 심장 신호 분할 방법을 설명하기 위한 개략적인 순서도이다. 도 4는 본 발명의 실시예에 따른 심장 신호 분할용 디바이스에서 심장 신호를 분할하는 절차를 예시적으로 도시한 것이다.
먼저, 도 3을 참조하면 본 발명의 일 실시예에 따른 심장 신호 분할 방법에 따라 개체의 심장 신호가 수신된다 (S310). 그 다음, 신호 처리 모델에 의해 심장 신호에 대한 전처리가 수행되고 (S320). 최종적으로, 신호 분할 모델에 의해 심장 신호가 복수의 구간으로 분할된다 (S330).
예를 들어, 도 4를 함께 참조하면, 개체의 심장 신호가 수신되는 단계 (S310) 에서, 전술한 심장 신호 측정용 디바이스로부터 심장 신호 (412) 가 획득된다. 이때, 심장 신호 (412) 는 노이즈를 포함할 수 있다.
그 다음, 전처리가 수행되는 단계 (S320) 에서, 심장 신호 (412) 는 신호 처리 모델 (420) 에 입력된다. 그 결과, 노이즈 (422) 가 결정되고, 노이즈가 제거된 심장 신호 (424) 가 획득될 수 있다. 선택적으로, 노이즈가 제거되는 단계 (S320) 에서, 신호 처리 모델 (420) 에 의해 노이즈가 제거된 심장 신호 (424) 가 출력될 수 있다. 즉, 신호 처리 모델 (420) 은 노이즈를 검출하고, 노이즈가 제거된 신호를 출력하도록 비지도학습된 (unsupervised) 모델일 수 있다.
그 다음, 심장 신호가 복수의 구간으로 분할되는 단계 (S330) 에서, 노이즈가 제거된 심장 신호 (424) 가 신호 분할 모델 (430) 에 입력된다. 그 다음, 노이즈가 제거된 심장 신호 (424) 는 제1 심음 (S1) 및 제2 심음 (S2), 나아가 기타 심음 (예를 들어, 이완기 및 수축기) 의 복수의 구간으로 분할되어 출력 (분할) 될 수 있다.
즉, 심장 신호가 복수의 구간으로 분할되는 단계 (S330) 의 결과로 분할된 심장 신호 (432) 가 획득 가능할 수 있다.
한편, 본 발명의 특징에 따르면, 정확도 높은 심장 신호의 분할을 위해, 복소수 특징이 반영된 스팩트로그램 데이터가 심장 분할에 이용될 수 있다.
이하에서는 도 5 및 6a 및 6b를 참조하여 본 발명의 다른 실시예에 따른 심장 신호 분할 방법에 대하여 설명한다.
도 5는 본 발명의 실시예에 따른 심장 신호 분할용 디바이스에서 스팩트로그램 데이터에 대한 전처리 철차를 설명하기 위한 개략적인 순서도이다.
도 6a 및 6b는 본 발명의 실시예에 따른 심장 신호 분할용 디바이스에서 스팩트로그램 데이터에 대한 전처리 철차를 예시적으로 도시한 것이다.
먼저, 도 5를 참조하면 본 발명의 일 실시예에 따른 심장 신호 분할 방법에 따라 개체의 심장 신호가 수신된다 (S410). 그 다음, 복소수 특징이 반영된 스팩트로그램 데이터가 획득되도록, 웨이블릿 변환이 수행되고 (S420), 선택적으로 전처리가 수행된 후 (S430), 신호 분할 모델에 의해 심장 신호 (스팩트로그램 데이터) 가 복수의 구간으로 분할된다 (S440).
본 발명의 특징에 따르면, 심장 신호가 수신되는 단계 (S410) 에서 심전도의 심장 신호가 수신되고, 웨이블릿 변환이 수행되는 단계 (S420) 에서 심전도 신호에 대한 웨이블릿 변환이 수행될 수 있다.
본 발명의 다른 특징에 따르면, 웨이블릿 변환이 수행되는 단계 (S420) 에서, 가버 필터 (Gabor filters) 를 이용한 가버 웨이블릿 변환이 수행될 수 있다.이때, 도 6a 및 도 6b를 함께 참조하면, 웨이블릿 변환이 수행되는 단계 (S420) 의 결과로 스팩트로그램 데이터 (512) 가 획득될 수 있다. 이때, 가버 웨이블릿 변환과 같은 복소수 웨이블릿 (Complex wavelets) 변환에 의해 획득된 스팩트로그램 데이터 (512) 는, 실수부 (real part) 및 허수부 (imaginary part) 를 포함할 수 있다. 즉, 이러한 복소수 특징이 반영된 스팩트로그램 데이터는, 심장 신호에 대한 위상 차를 반영할 수 있다.
다시 도 5를 참조하면, 웨이블릿 변환이 수행되는 단계 (S420) 에서, 심장 신호에 대한 주요 주파수 영역이 결정되고, 주요 주파수 영역에 대응하는 주파수 영역 기초하여 웨이블릿 변환이 수행될 수도 있다.
즉, 웨이블릿 변환이 수행되는 단계 (S420) 에서, 웨이블릿 변환은 S1, S2 나아가 수축기 및 이완기와 같은 임상적으로 유의미한 구간 집중적으로 수행될 수 있다.
선택적으로, 웨이블릿 변환이 수행되는 단계 (S420) 에서, 심전도 신호 기반의 복소수 특징이 반영된 스팩트로그램 데이터의 웨이블릿 변환은 제1 파형 (P), 제2 파형 (Q), 제3 파형 (R), 제4 파형 (S), 및 제5 파형 (T) 의 구간 집중적으로 수행될 수 있다.
선택적으로 전처리가 수행되는 단계 (S430) 에서, 신호 처리 모델에 의해 스팩트로그램 데이터에 대한 전처리가 수행될 수 있다.
예를 들어, 다시 도 6a를 참조하면, 전처리가 수행되는 단계 (S430) 에서, 스팩트로그램 데이터 (512) 는 신호 처리 모델 (420) 에 입력된다. 그 결과, 노이즈 (522) 가 결정되고, 노이즈가 제거된 스팩트로그램 데이터 (524) 가 획득될 수 있다. 이때, 신호 처리 모델 (420) 은 노이즈가 제거된 스팩트로그램 데이터 (524) 를 출력하도록 더욱 구성될 수 있다.
한편, 신호 처리 모델 (420) 은, 실수부 및 허수부를 포함하는 복소수 특징이 반영된 스팩트로그램 데이터 (512) 에 대한 노이즈를 제거하기 위해, CV (Complex-valued) 네트워크 구조를 갖는 모델일 수 있다.
다시 도 5를 참조하면, 복수의 구간으로 분할되는 단계 (S440) 에서, 신호 분할 모델에 의해 심장 신호가 복수의 구간으로 분할될 수 있다.
이때, 신호 분할 모델은, CV CNN (Complex-valued Convolutional Neural Network) 구조를 가질 수 있다.
예를 들어, 도 6a를 참조하면, 복수의 구간으로 분할되는 단계 (S440) 에서, 노이즈가 제거된 스팩트로그램 데이터 (524) 가 신호 분할 모델 (430) 에 입력된다. 이때, 신호 분할 모델 (430) 은, 스팩트로그램 데이터의 실수부 및 허수부의 두 개의 입력 채널을 갖고, 이로부터 특징을 추출하도록 구성된 CV CNN 구조를 가질 수 있다. 즉, 입력된 노이즈가 제거된 스팩트로그램 데이터 (524) 의 실수부 및 허수부 각각에 대한 특징 맵 (feature map) 이 결정될 수 있다. 그 다음, CReLU (complexed-valued ReU) 가 적용되어 다양한 연산이 이루어지고, 실수부 및 허수부 각각으로부터 추출된 특징 맵에 대한 머징이 수행되고, 실수 값에 대한 출력값이 0 (S1), 1 (수추기 또는 이완기), 또는 2 (S2) 로 출력될 수 있다. 즉, 심장 신호가 제1 심음 (S1) 및 제2 심음 (S2), 나아가 기타 심음 (예를 들어, 이완기 및 수축기) 의 복수의 구간으로 분할되어 출력될 수 있다.
즉, 심장 신호가 복수의 구간으로 분할되는 단계 (S440) 의 결과로 분할된 심장 신호 (432) 가 획득 가능할 수 있다.
이와 같은 본 발명의 다양한 실시예에 따른 복소수 특징이 반영된 데이터 및 이들 데이터의 특성에 따라 특성화된 구조를 갖는 모델 기반의 심장 신호 분할 방법에 의해 심장 신호에 대한 정확도 높은 분할이 가능할 수 있다.
이에, 의료진은 개체의 심장 질환과 연관된 신뢰도 높은 정보를 획득할 수 있어, 심장 질환 의심 개체에 대한 심장 질환의 정확한 조기 진단이 가능할 수 있다.
한편, 심장 신호가 복수의 구간으로 분할되는 단계 (S440) 에서 심장 신호는 제1 파형 (P), 제2 파형 (Q), 제3 파형 (R), 제4 파형 (S), 및 제5 파형 (T) 의 복수의 구간으로 분할되어 출력될 수도 있다.
즉, 심장 신호의 분할 시스템은, 심전도 신호에 대한 제1 파형, 제2 파형, 제3 파형, 제4 파형 및 제5 파형의 분할에 적용될 수 있다.
이하에서는 도 7a 및 7b를 참조하여 본 발명의 다양한 실시예에 이용되는 신호 처리 모델의 구조 및 학습 방법을 설명한다.
도 7a는 본 발명의 다양한 실시예에 적용되는 신호 처리 모델의 구조를 예시적으로 도시한 것이다. 도 7b는 본 발명의 다양한 실시예에 적용되는 신호 처리 모델의 학습 절차를 예시적으로 도시한 것이다.
먼저 도 7a를 참조하면, 본 발명의 본 발명의 다양한 실시예에서 이용되는 신호 처리 모델은, 복소수 특징이 반영된 스팩트로그램 데이터의 전처리를 위한 복소수 U-Net (COMPLEX U-NET) 구조를 가질 수 있으나, 이에 제한되는 것은 아니다.
보다 구체적으로, 도 7a의 U 자 형태의 신호 처리 모델은 입력된 복소수 특징이 반영된 스팩트로그램 데이터 (이미지) 에 대한 전역적 특징을 추출하고, 이로부터 노이즈를 추출하고, 복소수 마스킹 (Complex masking) 하는 마스크 프로세싱 (Mask processing) 을 수행하는 구조를 갖는다. 이때, 마스킹된 노이즈는 입력된 스팩트로그램 데이터로부터 제거되어, 최종적으로 '노이즈가 제거된 스팩트로그램 데이터'가 출력될 수 있다.
한편, 도 7b를 함께 참조하면, 신호 처리 모델은 GAN (Generative adversarial network) 에 기반하여 비지도 학습이 수행될 수 있다.
특히, 신호 처리 모델은, 노이즈 검출 네트워크 (720) 및 판별자 (Discriminator) (740) 을 포함하고, 노이즈 검출 네트워크 (720) 및 판별자 (740) 가 경쟁을 통해 학습이 수행될 수 있다.
보다 구체적으로, 노이즈 검출 네트워크 (720) 에 노이즈가 포함된 학습용 스팩트로그램 데이터 (712) 가 입력되면, 노이즈 (722) 가 검출된다. 검출된 노이즈 (722) 가 학습용 스팩트로그램 데이터 (712) 에 제거되고, 그 결과 유사 스팩트로그램 데이터 (732) 가 생성된다. 이때, 노이즈가 제거된 유사 스팩트로그램 데이터 (732) 와 노이즈가 미리 제거된 표준 스팩트로그램 데이터 (714) 가 판별자 (740) 에 입력되면, 판별자 (740) 는 입력된 데이터에 대한 참 또는 거짓 (742) 을 판별하여 평가를 수행한다. 그 다음, 평가 결과에 기초하여 노이즈 검출 네트워크 (720) 및 판별자 (740) 가 업데이트된다. 예를 들어, 판별자 (740) 가 유사 스팩트로그램 데이터 (732) (거짓) 와 표준 스팩트로그램 데이터 (714) (참) 을 구별하기 어려울 때까지, 노이즈 검출 네트워크 (720) 에 대한 업데이트가 수행될 수 있다. 선택적으로, 학습 단계에서 유사 스팩트로그램 데이터 (732) 를 이용한 학습이 더욱 수행될 수도 있다.
그러나 신호 처리 모델의 학습 방법은 스팩트로그램 데이터를 이용한 방법에 제한되는 것은 아니다. 예를 들어, 학습 단계에서 신호 처리 모델은, 심장 신호가 입력되면, 자체적으로 심장 신호를 스팩트로그램 데이터로 전환할 수도 있다. 그 다음, 노이즈가 제거된 스팩트로그램 데이터에 대한 역변환 (Inverse transform) 을 통해 다시 신호를 출력할 수 있다. 판별자 (740) 는 해당 신호에 대해서 '노이즈 없음' 또는 '노이즈 있음'을 판별할 수 있다. 나아가, 분할 단계에서 역변환을 수행하기 전 스팩트로그램의 복소수 값의 사용이 가능할 수 있다.
즉, 이러한 비지도학습 절차에 따라 신호 처리 모델은 입력된 스팩트로그램 데이터로부터 노이즈를 검출하고 나아가 노이즈가 제거된 데이터를 생성하도록 학습될 수 있다.
다음으로, 도 8을 참조하여 본 발명의 다양한 실시예에 이용되는 신호 분할 모델의 특징 추출을 위한 구조를 설명한다.
도 8은 본 발명의 다양한 실시예에 적용되는 신호 분할 모델의 구조를 예시적으로 도시한 것이다.
도 8을 참조하면, 복소수 특징이 반영된 스팩트로그램 데이터의 복소수 값 처리된 이미지 (Complex-valued image) 가 준비되고, 입력 특징 맵 (Input feature map) 을 통해 실수부 및 허수부 각각이 두 개의 채널 (Channel Q, Channel I) 에 입력된다. 그 다음, 두 개의 커널 (Kernel q, Kernel i) 에서 컨볼루션이 수행될 수 있다. 보다 구체적으로, 복소수 벡터 'h = x + yi (여기서, x 및 y는 실 벡터 (real vector))' 가 복소수 필터 행렬 (complex filter matrix) 'W = A + iB (여기서, A 및 B는 실 행렬 (real matrices))'에 의해 컨볼루션될 수 있다. 그 다음, 커플링 연산 (Coupling computation) 을 통해 출력 특징 맵 (Output feature map) 으로부터 실수부 및 허수부 각각에 대한 특징 맵 (feature map) 이 결정될 수 있다.
그 다음, CV-CNN 이후 동일한 층에서 복소수 값의 배치 정규화 (CBatchNorm; complexed Batch normalization), CReLU 등의 연산이 수행된다. 이때, CV-CNN, CBatchNorm 및 CReLU의 연산층이 복수로 존재할 수 있다.
최종적으로, 머징 층 (Merging layer) 에서 실수부 및 허수부 각각으로부터 추출된 특징 맵에 대한 머징이 수행되고, 출력층의 소프트맥스 층 (softmax layer) 을 통해 출력값이 0 (S1), 1 (수추기 또는 이완기), 또는 2 (S2) 로 출력될 수 있다.
즉, CV-CNN 구조의 신호 분할 모델을 통해, 심장 신호가 제1 심음 (S1) 및 제2 심음 (S2), 나아가 기타 심음 (예를 들어, 이완기 및 수축기) 의 복수의 구간으로 분할되어 출력 (분할) 될 수 있다.
그러나, 이에 제한되는 것은 아니며, 심전도 신호 기반의 복소수 특징이 반영된 스펙트로그램 데이터가 입력될 경우, CV-CNN 구조의 신호 분할 모델을 통해, 소프트맥스 층으로부터 제1 파형 (P), 제2 파형 (Q), 제3 파형 (R), 제4 파형 (S), 및 제5 파형 (T) 이 출력될 수도 있다.
평가: 심장 신호 분할용 디바이스의 분할 성능 평가
이하에서는, 도 9a, 9b, 도 10a 내지 10b를 참조하여, 본 발명의 일 실시예에 따른 심장 신호 분할용 디바이스의 평가 결과를 설명한다.
도 9a 및 9b, 10a 내지 10c는 본 발명의 실시예에 따른 심장 신호 분할용 디바이스의 평가 결과를 도시한 것이다.
먼저 도 9a의 (a), (b) 및 (c)를 참조하면, 웨이블릿 변환 단계에서 복소수 특징이 반영되지 않은, 변환된 스팩트로그램과 함께 PCG 신호가 도시된다.
보다 구체적으로, 복소수 특징이 반영되지 않았을 때, S1 및 S2와 같은 주요 구간뿐만 아니라 노이즈 구간을 포함한 넓은 영역에서 스팩트로그램 변환이 수행된 것으로 나타난다.
한편, 도 9b의 (a), (b) 및 (c)를 참조하면, 웨이블릿 변환 단계에서 복소수 특징이 반영되어, 변환된 스팩트로그램과 함께 PCG 신호가 도시된다.
이때, 웨이블릿 변환 단계에서 복소수 특징을 고려하여 변환된 스팩트로그램은, S1 및 S2와 같은 주요 구간 집중적으로 웨이블릿 변환이 수행된 것으로 나타난다.
즉, 복소수 특징이 반영된 스팩트로그램은, 심장 신호에 대한 위상차를 반영할 수 있어 본 발명의 다양한 실시예에 따른 신호 분할 방법에 적용될 수 있다. 특히, 심장 신호 모델의 입력 데이터로서 적용될 수 있다.
다음으로, 도 10a 내지 10c를 참조하면, 본 발명의 다양한 실시예에 이용되는 신호 분할 모델의 평가 결과가 도시된다. 이때, 신호 분할 모델은, 입력된 스팩트로그램 데이터에 대하여 0 (S1), 1 (수축기 및 이완기), 또는 2 (S2) 의 심음을 분할하도록 학습된 모델일 수 있다. 그러나, 이의 출력 값은 이에 제한되는 것은 아니다.
보다 구체적으로 본 발명의 다양한 실시예에 이용되는 신호 분할 모델은, PCG 신호에 대하여 기 설정된 정답 (Ground truth) 과 매우 높은 유사도로 예측 값 (prediction) 을 결정한 것으로 나타난다.
즉, 이는 신호 분할 모델이 S1 및 S2 심음 그리고 이완기 및 수축기의 심음을 매우 높은 정확도로 분할한 것을 의미할 수 있다.
이상의 결과에 따라, 복소수 특징이 반영된 스팩트로그램 데이터를 학습 데이터로 이용하여 신호를 분할하도록 학습된 신호 분할 모델이 본 발명의 다양한 실시예에 따른 방법에 적용될 수 있다.
이에, 본 발명은, 신뢰도 낮은 정보를 제공하는 종래의 청진음 기반 분석 방법의 한계를 극복할 수 있다.
즉, 본 발명은 임상적으로 유의미한 심장 신호를 분할하여 제공함에 따라 심장 질환의 조기 진단 및 좋은 치료 예후에 기여할 수 있다.
이상 첨부된 도면을 참조하여 본 발명의 실시예들을 더욱 상세하게 설명하였으나, 본 발명은 반드시 이러한 실시예로 국한되는 것은 아니고, 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형 실시될 수 있다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
Claims (20)
- 프로세서에 의해 구현되는 심장 신호 분할 방법으로서,개체의 심장 신호를 수신하는 단계;복소수 특징이 반영된 스팩트로그램 (spectrogram) 데이터를 획득하도록,상기 심장 신호에 대하여 웨이블릿 (wavelets) 변환을 수행하는 단계, 및상기 복소수 특징이 반영된 상기 스팩트로그램 데이터를 입력으로 하여 신호를 복수의 구간으로 분할하도록 학습된 신호 분할 모델을 이용하여, 상기 스팩트로그램 데이터를 복수의 구간으로 분할하는 단계를 포함하는, 심장 신호 분할 방법.
- 제1항에 있어서,상기 웨이블릿 변환을 수행하는 단계 이후에,심장 신호를 입력으로 하여 전처리 (preprocessing) 된 신호를 출력하도록 학습된 신호 처리 모델을 이용하여, 상기 스팩트로그램 데이터에 대한 전처리를 수행하는 단계를 더 포함하며,상기 신호 처리 모델은,노이즈 검출 네트워크 및 판별자 (Discriminator) 를 포함하는, GAN (Generative adversarial network) 를 기반으로 비지도학습된 모델인,심장 신호 분할 방법.
- 제2항에 있어서,상기 신호 처리 모델은,학습용 스팩트로그램 데이터를 입력으로 하여 노이즈 (noise) 를 검출하고,상기 학습용 스팩트로그램 데이터에 대하여 상기 노이즈를 제거하도록 비지도학습 (unsupervised) 된 모델이고,상기 전처리를 수행하는 단계는,상기 신호 처리 모델을 이용하여, 상기 스팩트로그램 데이터에 대하여 노이즈를 제거하는 단계를 포함하는, 심장 신호 분할 방법.
- 제2항에 있어서,상기 신호 처리 모델은,상기 노이즈 검출 네트워크를 이용하여 학습용 스팩트로그램 데이터로부터 노이즈를 검출하는 단계;유사 스팩트로그램 데이터를 생성하도록, 상기 학습용 스팩트로그램 데이터에 대하여 상기 노이즈를 제거하는 단계;노이즈가 미리 제거된 표준 스팩트로그램 데이터를 수신하는 단계;상기 판별자를 이용하여 상기 유사 스팩트로그램 데이터 및 상기 표준 스팩트로그램 데이터를 평가하는 단계, 및평가 결과에 기초하여 상기 노이즈 검출 네트워크 및 상기 판별자를 업데이트하는 단계를 통해 학습된 모델인, 심장 신호 분할 방법.
- 제1항에 있어서,상기 웨이블릿 변환을 수행하는 단계는,가버 필터 (Gabor filters) 를 이용한 가버 웨이블릿 변환을 수행하는 단계를 포함하는, 심장 신호 분할 방법.
- 제1항에 있어서,상기 스팩트로그램 데이터는,상기 심장 신호에 대한 실수부 및 허수부를 포함하는, 심장 신호 분할 방법.
- 제1항에 있어서,상기 웨이블릿 변환을 수행하는 단계는,상기 심장 신호에 대한 주요 주파수 영역을 결정하는 단계, 및상기 주요 주파수 영역에 대응하는 주파수 영역에 기초하여 웨이블릿 변환을 수행하는 단계를 포함하는, 심장 신호 분할 방법.
- 제1항에 있어서,상기 신호 분할 모델은,CV CNN (Complex-valued Convolutional Neural Network) 구조를 갖는, 심장 신호 분할 방법.
- 제1항에 있어서,상기 신호 분할 모델은,활성 함수 (Activation Function) 로서 CReLU (complexed-valued ReU) 가 적용된 모델인, 심장 신호 분할 방법.
- 제1항에 있어서,상기 신호 분할 모델은,쉬프트 파라미터 (shift parameter) 및 스케일링 파라미터 (scaling parameter) 기반의복소수 값의 배치 정규화 (Complex-valued Batch Normalization) 가 적용된 모델인, 심장 신호 분할 방법.
- 제1항에 있어서,상기 신호 분할 모델은,심장 신호를 입력으로 하여 제1 신음 (S1) 및 제2 심음 (S2) 을 분할하도록 학습된 모델이거나,상기 신호 분할 모델은,심장 신호를 입력으로 하여, 제1 심음, 제2 심음, 수축기 (systole) 및 이완기 (Diastole) 를 분할하도록 학습된 모델인,심장 신호 분할 방법.
- 제1항에 있어서,상기 심장 신호는, 심음도 (Phonocardiogram; PCG) 또는 심전도 (ECG; electrocardiogram 또는 EKG; Elektro kardiogramm) 인, 심장 신호 분할 방법.
- 개체의 심장 신호를 수신하도록 구성된 통신부, 및상기 통신부와 통신하도록 연결된 프로세서를 포함하고,상기 프로세서는,복소수 특징이 반영된 스팩트로그램 (spectrogram) 데이터를 획득하도록, 상기 심장 신호에 대하여 웨이블릿 (wavelets) 변환을 수행하고,상기 복소수 특징이 반영된 상기 스팩트로그램 데이터를 입력으로 하여 신호를 복수의 구간으로 분할하도록 학습된 신호 분할 모델을 이용하여, 상기 스팩트로그램 데이터를 복수의 구간으로 분할하도록 구성된, 심장 신호 분할용 디바이스.
- 제13항에 있어서,상기 프로세서는,심장 신호를 입력으로 하여 전처리 (preprocessing) 된 신호를 출력하도록 학습된 신호 처리 모델을 이용하여, 상기 스팩트로그램 데이터에 대한 전처리를 수행하도록 더 구성된, 심장 신호 분할용 디바이스.
- 제14항에 있어서,상기 신호 처리 모델은,학습용 스팩트로그램 데이터를 입력으로 하여 노이즈 (noise) 를 검출하고,상기 학습용 스팩트로그램 데이터에 대하여 상기 노이즈를 제거하도록 비지도학습 (unsupervised) 된 모델이고,상기 프로세서는,상기 신호 처리 모델을 이용하여, 상기 스팩트로그램 데이터에 대하여 노이즈를 제거하도록 더 구성된, 심장 신호의 분할용 디바이스.
- 제13항에 있어서,상기 프로세서는,가버 필터 (Gabor filters) 를 이용하여 가버 웨이블릿 변환을 수행하도록 구성된, 심장 신호의 분할용 디바이스.
- 제13항에 있어서,상기 프로세서는,상기 심장 신호에 대한 주요 주파수 영역을 결정하고,상기 주요 주파수 영역에 대응하는 주파수 영역에 기초하여 웨이블릿 변환을 수행하도록 더 구성된, 심장 신호의 분할용 디바이스.
- 제13항에 있어서,상기 신호 분할 모델은,CV CNN (Complex-valued Convolutional Neural Network) 구조를 갖는, 심장 신호의 분할용 디바이스.
- 제13항에 있어서,상기 신호 분할 모델은,활성 함수 (Activation Function) 로서 CReLU (complexed-valued ReU) 가 적용된 모델인, 심장 신호의 분할용 디바이스.
- 제13항에 있어서,상기 신호 분할 모델은,복소수 값의 배치 정규화 (Complex-valued Batch Normalization) 가 적용된 모델인, 심장 신호의 분할용 디바이스.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210152606A KR20230067770A (ko) | 2021-11-08 | 2021-11-08 | 심장 신호 분할 방법 및 이를 이용한 심장 신호 분할용 디바이스 |
KR10-2021-0152606 | 2021-11-08 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2023080697A1 true WO2023080697A1 (ko) | 2023-05-11 |
Family
ID=86241874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/KR2022/017194 WO2023080697A1 (ko) | 2021-11-08 | 2022-11-04 | 심장 신호 분할 방법 및 이를 이용한 심장 신호 분할용 디바이스 |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR20230067770A (ko) |
WO (1) | WO2023080697A1 (ko) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102652747B1 (ko) * | 2023-10-30 | 2024-04-01 | 스마트사운드주식회사 | 인공 지능 모델 학습 방법 및 이를 위한 전자 장치 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200046244A1 (en) * | 2018-08-08 | 2020-02-13 | Tata Consultancy Services Limited | Parallel implementation of deep neural networks for classifying heart sound signals |
JP2020022581A (ja) * | 2018-08-06 | 2020-02-13 | 哲生 畑中 | 心電解析システム |
WO2020128134A1 (en) * | 2018-12-18 | 2020-06-25 | Nokia Technologies Oy | Data denoising based on machine learning |
KR102186159B1 (ko) * | 2020-04-22 | 2020-12-03 | 가천대학교 산학협력단 | 피어슨 상관계수 및 뉴로-퍼지 네트워크 기반 심음 분석 방법 및 시스템 |
US20210090734A1 (en) * | 2019-09-20 | 2021-03-25 | Kaushik Kunal SINGH | System, device and method for detection of valvular heart disorders |
-
2021
- 2021-11-08 KR KR1020210152606A patent/KR20230067770A/ko unknown
-
2022
- 2022-11-04 WO PCT/KR2022/017194 patent/WO2023080697A1/ko unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020022581A (ja) * | 2018-08-06 | 2020-02-13 | 哲生 畑中 | 心電解析システム |
US20200046244A1 (en) * | 2018-08-08 | 2020-02-13 | Tata Consultancy Services Limited | Parallel implementation of deep neural networks for classifying heart sound signals |
WO2020128134A1 (en) * | 2018-12-18 | 2020-06-25 | Nokia Technologies Oy | Data denoising based on machine learning |
US20210090734A1 (en) * | 2019-09-20 | 2021-03-25 | Kaushik Kunal SINGH | System, device and method for detection of valvular heart disorders |
KR102186159B1 (ko) * | 2020-04-22 | 2020-12-03 | 가천대학교 산학협력단 | 피어슨 상관계수 및 뉴로-퍼지 네트워크 기반 심음 분석 방법 및 시스템 |
Also Published As
Publication number | Publication date |
---|---|
KR20230067770A (ko) | 2023-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021025461A1 (ko) | 초음파 영상 기반의 기계 학습을 통한 관상동맥 병변 진단 시스템 및 이의 진단 방법 | |
US20180235487A1 (en) | Method and system for cuffless blood pressure estimation using photoplethysmogram features and pulse transit time | |
WO2022146057A1 (ko) | 전기적 바이오 시그널 데이터를 수치 벡터로 변환하는 방법 및 장치, 이를 이용하여 질병을 분석하는 방법 및 장치 | |
WO2023080697A1 (ko) | 심장 신호 분할 방법 및 이를 이용한 심장 신호 분할용 디바이스 | |
WO2021015381A1 (en) | Pulmonary function estimation | |
WO2020009387A1 (ko) | 순환신경망을 이용한 구간혈압 추정 방법 및 그 방법을 구현하기 위한 구간 혈압 추정 장치 | |
WO2018203712A1 (en) | Determining health markers using portable devices | |
WO2022119155A1 (ko) | 설명 가능한 다중 심전도 부정맥 진단 장치 및 방법 | |
WO2021025459A1 (ko) | 광 간섭 단층 영상 기반의 고위험 병변 진단 시스템 및 이의 진단 방법 | |
WO2022114822A1 (ko) | 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 방법 및 컴퓨팅 장치 | |
WO2021261808A1 (ko) | 병변 판독 결과 표시 방법 | |
WO2021091066A1 (en) | System and method for passive subject specific monitoring | |
WO2018016891A1 (en) | Real time authentication based on blood flow parameters | |
WO2022140583A1 (en) | Classifying biomedical acoustics based on image representation | |
Riaz et al. | A novel embedded system design for the detection and classification of cardiac disorders | |
Brusco et al. | Development of an intelligent PDA-based wearable digital phonocardiograph | |
WO2022220649A1 (ko) | 심전도 이미지에 기반한 환자 평가 시스템 및 방법 | |
Zhu et al. | Feature extraction from a novel ECG model for arrhythmia diagnosis | |
Kotb et al. | Improving the recognition of heart murmur | |
WO2023239151A1 (ko) | 흉부 방사선 데이터를 수치 벡터로 변환하는 방법 및 장치, 이를 이용하여 질병을 분석하는 방법 및 장치 | |
WO2023113452A1 (ko) | 인공 지능 기반 의료 텍스트의 노이즈 데이터 필터링 방법, 장치 및 프로그램 | |
WO2022119347A1 (ko) | 초음파 영상 기반의 딥 러닝을 통한 관상동맥 경화반 조직 분석 방법, 장치 및 기록매체 | |
Abhishek et al. | ESP8266-based Real-time Auscultation Sound Classification | |
WO2014192990A1 (ko) | 혈관영상에서의 움직임 추정 방법 및 그 장치 | |
WO2021162490A2 (ko) | 칼슘 스코어 및 질환을 예측하는 방법 |
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: 22890428 Country of ref document: EP Kind code of ref document: A1 |