WO2023101089A1 - 머신 러닝을 이용하여 심전도 파형 분류 방법 및 장치 - Google Patents

머신 러닝을 이용하여 심전도 파형 분류 방법 및 장치 Download PDF

Info

Publication number
WO2023101089A1
WO2023101089A1 PCT/KR2021/019288 KR2021019288W WO2023101089A1 WO 2023101089 A1 WO2023101089 A1 WO 2023101089A1 KR 2021019288 W KR2021019288 W KR 2021019288W WO 2023101089 A1 WO2023101089 A1 WO 2023101089A1
Authority
WO
WIPO (PCT)
Prior art keywords
waveform
noise
electrocardiogram
value
index value
Prior art date
Application number
PCT/KR2021/019288
Other languages
English (en)
French (fr)
Inventor
이영신
김후현
송희석
조건욱
Original Assignee
(주)씨어스테크놀로지
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주)씨어스테크놀로지 filed Critical (주)씨어스테크놀로지
Publication of WO2023101089A1 publication Critical patent/WO2023101089A1/ko

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
    • A61B5/24—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]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle

Definitions

  • An embodiment of the present invention uses a deep learning-based segmentation algorithm to detect baseline, P, QRS(N), QRS(S), QRS(V), R peak, T, noise waveform and classify heartbeat of an electrocardiogram. it's about
  • An electrocardiogram reading system has been developed to assist medical personnel in analyzing the electrocardiogram.
  • a conventional electrocardiogram reading system detects R, P, and T peaks of a waveform, and detects and classifies arrhythmias based on rules.
  • a conventional electrocardiogram reading system receives and analyzes all 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 it has higher accuracy than existing methods.
  • Arrhythmia judgment using electrocardiogram can only be performed by medical staff with certain qualifications, but the reality is that there is a shortage of manpower compared to demand.
  • ECG ECG signal must be read from various perspectives, such as calculating the time difference between the shapes and sections of the P, QRS, and T waveforms, and analyzing the ECG rhythm.
  • Medical staff should observe the patient's condition in real time by monitoring the electrocardiogram of the bedridden patient, but continuous monitoring is difficult due to a lack of manpower. Since electrocardiogram analysis is directly related to the patient's life, it must be accurate and must be operated quickly in the event of an emergency.
  • Noise included in the ECG waveform is a factor that increases the reading time for medical staff to read the ECG, and causes a lot of economic loss.
  • general automatic reading there is a problem of providing inaccurate reading results to the user if noise cannot be accurately detected in real-time monitoring. Therefore, there is a need for a technology that increases accuracy and speed of reading by accurately detecting and removing noise.
  • the characteristic index value of each section of the P waveform, Q waveform, R waveform, S waveform, T waveform, and noise waveform included in the ECG waveform is checked, and the characteristic index value is calculated. Based on this, machine learning is used to quickly classify heart beats as normal beats (N), supraventricular beats (S), ventricular beats (V), noise, and remove noise to make quick and accurate medical decisions.
  • the purpose of the present invention is to provide an electrocardiogram waveform classification method and apparatus.
  • an electrocardiogram acquisition unit for obtaining electrocardiogram waveforms for a plurality of people; a classification unit that applies segmentation to the electrocardiogram waveform, checks a feature index value of each section of the electrocardiogram waveform, and labels a classification value for each section based on the feature index value; a noise sorting unit that selects only noise waveforms labeled as noise based on the classification value for each section; and a noise removal unit for removing only the noise waveform labeled as noise.
  • the characteristic index value of each section of the P waveform, Q waveform, R waveform, S waveform, T waveform, and noise waveform included in the ECG waveform is calculated. Based on the characteristic index value, the heart rate is quickly classified into normal heart rate (N), supraventricular heart rate (S), ventricular heart rate (V), and noise, and noise is removed to enable fast and accurate medical judgment. It has the effect of making it happen.
  • the waveform classified as noise can be learned by deep learning, and the noise waveform can be quickly detected from various ECG waveforms, and the noise waveform can be quickly removed to make an abnormal state of the patient at the moment when a medical judgment is required.
  • the noise waveform can be quickly removed to make an abnormal state of the patient at the moment when a medical judgment is required.
  • FIG. 1 is a diagram illustrating application of semantic segmentation to bio-signal data processing in the field of bio-signal processing according to the present embodiment.
  • FIG. 2 is a diagram illustrating point-by-point output of semantic segmentation according to the present embodiment.
  • FIG. 3 is a diagram illustrating electrocardiogram semantic segmentation according to the present embodiment.
  • P waves, Q, R, S, and T waves P waves, QRS complex, and T waves
  • electrocardiograms electrocardiograms
  • FIG. 5 is a diagram schematically illustrating an electrocardiogram noise discriminating apparatus according to an exemplary embodiment.
  • FIG. 6 is a diagram illustrating 2D image segmentation and 1D bio-signal segmentation according to the present embodiment.
  • FIG. 7 is a diagram showing annotation settings for each class according to the present embodiment.
  • FIG. 8 is a diagram illustrating point-by-point annotation according to this embodiment.
  • FIG. 9 is a diagram showing the structure of an encoder-decoder segmentation algorithm according to this embodiment.
  • FIG. 10 is a diagram showing a process of outputting a final output value for each point according to the present embodiment.
  • FIG. 11 is a diagram showing the starting point and ending point of a T waveform according to the present embodiment.
  • FIG. 1 is a diagram illustrating application of semantic segmentation to bio-signal data processing in the field of bio-signal processing according to the present embodiment.
  • the electrocardiogram noise discrimination apparatus 500 can be applied to one-dimensional (1D) biosignal data processing in the field of biosignal processing.
  • the electrocardiogram noise discrimination apparatus 500 applies semantic segmentation to divide the P waveform, QRS-complex (N, S, V), T waveform, and noise waveform included in the electrocardiogram waveform into waveform units.
  • FIG. 2 is a diagram illustrating point-by-point output of semantic segmentation according to the present embodiment.
  • the electrocardiogram noise discrimination apparatus 500 applies a one-dimensional cement segmentation algorithm to the input electrocardiogram waveform (raw data) and applies a value obtained by classifying the waveform in a point-by-point manner and outputs the result. .
  • FIG. 3 is a diagram illustrating electrocardiogram semantic segmentation according to the present embodiment.
  • the electrocardiogram noise discrimination apparatus 500 applies a value obtained by classifying the ECG waveform (point by point) to the input electrocardiogram waveform (raw data) by applying a one-dimensional cement segmentation algorithm, and if it is noise, Mark it as 1, and mark it as 0 if it is a normal waveform that is not noise.
  • P waves, Q, R, S, and T waves P waves, QRS complex, and T waves
  • electrocardiograms electrocardiograms
  • the ECG waveform appears as a series of beats, and beats can be largely divided into normal beat (N), supraventricular beat (S), and ventricular beat (V).
  • One beat of the ECG waveform basically includes a P waveform, a QRS waveform, and a T waveform.
  • the electrocardiogram noise discriminating device 500 detects P, Q, R, S, and T waves included in the electrocardiogram waveform, and determines normal beat (N), supraventricular beat (S), and ventricular beat (V). Classify.
  • the electrocardiogram noise discrimination apparatus 500 calculates a feature index value (Feature) from the localization of the P, Q, R, S, and T waveforms.
  • the electrocardiogram noise discriminating apparatus 500 classifies a PR interval, a QRS interval, a QT interval, an ST segment, and a RR interval for the input electrocardiogram waveform.
  • the electrocardiogram noise discriminating apparatus 500 classifies the heartbeat based on the characteristic information of the P waveform, Q waveform, R waveform, S waveform, and T waveform based on the PR interval, QRS interval, QT interval, ST segment, and RR interval (Classification )can do
  • the electrocardiogram noise discriminating apparatus 500 classifies heart beats into normal beat (N), supraventricular beat (S), and ventricular beat (V).
  • the electrocardiogram noise discrimination apparatus 500 may detect an abnormal state based on localization and classification information.
  • the electrocardiogram noise discriminating apparatus 500 performs localization on the electrocardiogram waveform, calculates a characteristic index value, and uses the characteristic index value to determine
  • Types of arrhythmia detection machine learning model design e.g., using feature index value A, feature index value B, and feature index value D to detect arrhythmia A, characteristic index value B, characteristic index value C, characteristic index value E, and characteristic index value B arrhythmia sleep by using F, abnormal beat detection using characteristic index value A and characteristic index value F).
  • the electrocardiogram noise discrimination apparatus 500 can perform precise localization using segmentation and obtain reliable and precise feature index values based on the localization result.
  • the electrocardiogram noise discrimination device 500 is used to detect other abnormal beats, arrhythmia, etc. based on the characteristic index value.
  • the electrocardiogram noise discriminating device 500 performs classification on the electrocardiogram waveform and classifies the heartbeat into normal beat (N), supraventricular beat (S), and ventricular beat ( V), and detect arrhythmias.
  • the electrocardiogram noise discriminating apparatus 500 applies a segmentation technique to the electrocardiogram waveform and checks characteristic index values of each section of the P waveform, Q waveform, R waveform, S waveform, T waveform, and noise waveform included in the electrocardiogram waveform.
  • the electrocardiogram noise discriminating device 500 quickly classifies heart beats as normal beats (N), supraventricular beats (S), ventricular beats (V), and noise based on the feature index value, and removes the noise to quickly and accurately To ensure accurate medical judgment is made.
  • FIG. 5 is a diagram schematically illustrating an electrocardiogram noise discriminating apparatus according to an exemplary embodiment.
  • Electrocardiogram noise discrimination apparatus 500 includes an electrocardiogram waveform acquisition unit 510, a classification unit 520, a noise selection unit 530, a noise removal unit 540, a learning unit 550, and an abnormal state detection unit. (560).
  • Components included in the electrocardiogram noise discrimination device 500 are not necessarily limited thereto.
  • Each component included in the electrocardiogram noise discrimination device 500 is connected to a communication path connecting a software module or a hardware module inside the device and can operate organically with each other. These components communicate using one or more communication buses or signal lines.
  • Each component of the electrocardiogram noise discrimination apparatus 500 shown in FIG. 5 means a unit that processes 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 electrocardiogram acquisition unit 510 acquires electrocardiogram waveforms for a plurality of people.
  • the electrocardiogram acquisition unit 510 acquires electrocardiogram waveforms for a plurality of people in the form of 256 samples per second.
  • the electrocardiogram acquisition unit 510 converts electrocardiogram waveforms for a plurality of people into one-dimensional data.
  • the classification unit 520 applies segmentation to the ECG waveform and checks a characteristic indicator value of each section of the ECG waveform.
  • the classification unit 520 labels a classification value for each section based on the feature index value.
  • the classification unit 520 checks characteristic index values of each section of the P, Q, R, S, T, and noise waveforms included in the ECG waveform.
  • the classification unit 520 calculates a noise probability value based on the feature index value for each section of the ECG waveform.
  • the classification unit 520 calculates the noise probability value to have a maximum value of 1, determines it as noise when it has a noise probability value higher than the threshold value and assigns a value of 1, and determines it to be normal when it has a low probability value below the threshold value. give it a value of 0
  • the classification unit 520 labels an interval having a value of 1 as noise.
  • the classification unit 520 labels a specific section of the electrocardiogram waveform as 0 based on the characteristic indicator value as a baseline.
  • the classification unit 520 labels it as 1 when a specific section of the ECG waveform is classified as a P waveform based on the feature indicator value.
  • the classification unit 520 labels it as 2 when a specific section of the ECG waveform is classified as a normal beat (N) of the QRS complex based on the feature index value.
  • the classification unit 520 labels it as 3 when a specific section of the ECG waveform is classified as a supraventricular beat (S) of the QRS complex based on the feature index value.
  • the classification unit 520 labels it as 4 when a specific section of the ECG waveform is classified as a ventricular beat (V) of the QRS complex based on the feature index value.
  • the classification unit 520 labels a specific section of the ECG waveform as a peak of the R waveform as 5 based on the feature indicator value.
  • the classification unit 520 labels a specific section of the electrocardiogram waveform as a T waveform based on the feature index value as 6.
  • the classification unit 520 labels a specific section of the electrocardiogram waveform as a noise waveform based on the feature index value as 7.
  • the classification unit 520 records values for P waveform, QRS waveform (normal beat (N), supraventricular beat (S), ventricular beat (V)), and T waveform among the ECG waveforms as multi-beat.
  • the noise selection unit 530 selects only noise waveforms labeled as noise based on the classification value for each section.
  • the noise removal unit 540 removes only noise waveforms labeled as noise.
  • the learning unit 550 generates an electrocardiogram learning result obtained by performing learning using only a noise waveform as an input.
  • the abnormal state detection unit 560 time-sequentially checks the classification value for each section in a state in which the value labeled as noise is removed, and detects an abnormal state (when a P waveform comes out again instead of a QRS waveform after a P waveform, arrhythmia, abnormal heartbeat) (S,V), ST, QTc, etc.) are detected.
  • FIG. 6 is a diagram illustrating 2D image segmentation and 1D bio-signal segmentation according to the present embodiment.
  • the electrocardiogram noise discrimination apparatus 500 applies a segmentation algorithm to the electrocardiogram (one-dimensional data) to segment the electrocardiogram waveform into meaningful units.
  • the electrocardiogram noise discrimination apparatus 500 detects and classifies the electrocardiogram waveform using a segmentation algorithm.
  • the electrocardiogram noise discriminating apparatus 500 is used to accurately classify a region in an electrocardiogram waveform using a segmentation algorithm.
  • the ECG noise discriminator 500 can remove the noise by applying a one-dimensional segmentation algorithm. .
  • the electrocardiogram noise discriminating apparatus 500 may learn various types of noise classified using a segmentation algorithm and remove various noises generated in the electrocardiogram waveform by reflecting the learning result.
  • the electrocardiogram noise discrimination apparatus 500 acquires 256 samples per second as samples for determining noise.
  • the electrocardiogram noise discriminating apparatus 500 classifies whether a sample is noise or not in a 1 or 0 method.
  • the electrocardiogram noise discrimination apparatus 500 calculates a probability value with a maximum of 1 as a noise probability value to determine whether a sample is noise, determines a high probability value as noise, and determines a low probability value as normal.
  • the electrocardiogram noise discrimination apparatus 500 may detect noise not only from the ECG but also from various bio-signals by using a segmentation algorithm.
  • 6(a) shows raw signal data.
  • 6(b) shows a state in which a certain section is classified into a corresponding class by the model (a state in which the section is annotated with the corresponding class).
  • FIG. 7 is a diagram showing annotation settings for each class according to the present embodiment.
  • the electrocardiogram noise discrimination apparatus 500 applies the segmentation technique to the electrocardiogram waveform, checks and classifies the characteristic index value of each section of the P waveform, Q waveform, R waveform, S waveform, T waveform, and noise waveform included in the electrocardiogram waveform. do.
  • the electrocardiogram noise discrimination apparatus 500 applies a segmentation technique to the electrocardiogram waveform and labels it as 0 when classifying it as a baseline.
  • the electrocardiogram noise discriminating apparatus 500 applies a segmentation technique to the electrocardiogram waveform and labels it as 1 when classifying it as a P waveform.
  • the electrocardiogram noise discrimination apparatus 500 applies a segmentation technique to the electrocardiogram waveform and labels it as 2 when classifying it as a normal beat (N) of the QRS complex.
  • the electrocardiogram noise discrimination apparatus 500 applies a segmentation technique to the electrocardiogram waveform and labels it as 3 if it is classified as a supraventricular beat (S) of the QRS complex.
  • the electrocardiogram noise discrimination apparatus 500 applies a segmentation technique to the electrocardiogram waveform and labels it as 4 when classifying it as a ventricular beat (V) of the QRS complex.
  • the electrocardiogram noise discriminating apparatus 500 applies the segmentation technique to the electrocardiogram waveform and classifies it as a peak of the R waveform, it is labeled as 5.
  • the electrocardiogram noise discrimination apparatus 500 applies a segmentation technique to the electrocardiogram waveform and labels it as 6 when classifying it as a T waveform.
  • the electrocardiogram noise discrimination apparatus 500 applies a segmentation technique to the electrocardiogram waveform and labels it as 7 when classifying it as a noise waveform.
  • the electrocardiogram noise discrimination apparatus 500 classifies important waveforms among electrocardiogram waveforms using a segmentation algorithm and records them as multi-labels.
  • the electrocardiogram noise discriminating apparatus 500 records values for P waveform, QRS waveform (N, S, V), and T waveform among electrocardiogram waveforms in multi-bit.
  • the ECG noise discrimination device 500 has a total of 7 labels.
  • the electrocardiogram noise discrimination apparatus 500 uses a segmentation algorithm to perform classification including a P waveform, a QRS waveform (N, S, V), a T waveform, and even a noise waveform.
  • the electrocardiogram noise discriminating apparatus 500 uses and learns a segmentation algorithm to distinguish a P waveform, a QRS waveform (N, S, V), a T waveform, and a noise waveform from an electrocardiogram waveform. Label by index.
  • the electrocardiogram noise discriminating apparatus 500 When performing learning, the electrocardiogram noise discriminating apparatus 500 generates a learning model using a result of deep learning by inputting the shape of a waveform.
  • the electrocardiogram noise discriminating apparatus 500 checks the labeled numbers to determine whether or not there is a problem in the electrocardiogram (a case where a P waveform comes out again instead of a QRS waveform after a P waveform) even with the sequence of numbers.
  • the electrocardiogram noise discriminating apparatus 500 can identify an electrocardiogram problem by checking indicators (labeled numbers) without needing to find a peak to identify an electrocardiogram problem.
  • FIG. 8 is a diagram illustrating point-by-point annotation according to this embodiment.
  • the electrocardiogram noise discriminating apparatus 500 prepares only waveforms classified as noise waveforms as input data for learning as a deep learning model.
  • the electrocardiogram noise discrimination apparatus 500 inputs raw data and answer data corresponding to the raw data to a deep learning model to generate a learning result.
  • the electrocardiogram noise discriminating apparatus 500 annotates as answer data in a point-by-point method for each class.
  • the electrocardiogram noise discriminating apparatus 500 may use a one-dimensional electrocardiogram value and reflect it on a graph image to output.
  • the electrocardiogram noise discriminating apparatus 500 continuously accumulates and updates annotated data in a point-by-point method for each class.
  • the electrocardiogram noise discrimination apparatus 500 inputs the electrocardiogram waveform data converted from 2-dimensional data to 1-dimensional data as input data to the segmentation algorithm. do.
  • the electrocardiogram noise discrimination apparatus 500 uses a noise learning result obtained by learning noise data, data that can be classified as normal data can be accurately classified as noise.
  • the electrocardiogram noise discriminating apparatus 500 separately labels noise data and converts it into input data that can be used for learning.
  • the electrocardiogram noise discrimination apparatus 500 classifies noise as noise when noise is generated in the middle of the electrocardiogram waveform using a segmentation algorithm.
  • the electrocardiogram noise discriminating apparatus 500 removes noise from the electrocardiogram waveform data using a segmentation algorithm, the data to be analyzed is reduced, so the calculation time required to analyze the electrocardiogram waveform can be reduced.
  • noise is recognized as a heartbeat in the ECG waveform, resulting in frequent erroneous reading results.
  • the electrocardiogram noise discrimination apparatus 500 processes not to use data labeled as noise in a later step.
  • the electrocardiogram noise discrimination apparatus 500 primarily determines whether or not noise is present in the initial data input using the annotation tool.
  • the electrocardiogram noise discrimination apparatus 500 trains a deep learning model on data determined to be noise, and detects noise in an electrocardiogram waveform that is subsequently input using the learned result.
  • FIG. 9 is a diagram showing the structure of an encoder-decoder segmentation algorithm according to this embodiment.
  • the electrocardiogram noise discriminating apparatus 500 generates a segmentation model by learning with a segmentation algorithm of an encoder and a decoder method.
  • the electrocardiogram noise discrimination apparatus 500 detects noise from time-series data by performing deep learning semantic segmentation.
  • the electrocardiogram noise discriminating apparatus 500 detects and excludes a noise waveform by using an AI segmentation algorithm.
  • the electrocardiogram noise discrimination apparatus 500 can learn various noise patterns using a segmentation algorithm and detect noise in the electrocardiogram waveform as a standardized part.
  • the electrocardiogram noise discrimination apparatus 500 uses auto encoder segmentation. When a two-dimensional image is input as input data, the electrocardiogram noise discriminating apparatus 500 encodes feature vectors by performing deep learning.
  • the electrocardiogram noise discriminating apparatus 500 uses a decoder to perform decoding so that it can be divided into labels suitable for output.
  • the electrocardiogram noise discriminating apparatus 500 performs compression using an encoder, and performs decoding so as to be divided into labels suitable for output using a decoder.
  • the electrocardiogram noise discriminating apparatus 500 learns raw data using a pre-learned learning model, it discriminates noise and labels a corresponding section as noise.
  • the electrocardiogram noise discriminating apparatus 500 marks the result value as 1 if it is noise as a segmentation result of 1/256 second, and marks the result value as 0 if it is not noise.
  • the electrocardiogram noise discrimination apparatus 500 may read a section marked with 1 among result values indicating whether or not noise is recognized as a noise section, and perform reading except for the noise section when analyzing the ECG waveform thereafter.
  • the electrocardiogram noise discrimination apparatus 500 classifies each beat in the ECG waveform and reads the rhythm and rhythm of two or more beats except for the noise section (section marked as 1).
  • the electrocardiogram noise discrimination apparatus 500 analyzes a valid waveform among electrocardiogram waveforms, it performs reading except for a noise section (section marked as 1).
  • the electrocardiogram noise discriminator 500 checks the one-dimensional value labeled according to the time-series index and reads it except for the noise section (section marked as 1).
  • FIG. 10 is a diagram showing a process of outputting a final output value for each point according to the present embodiment.
  • the electrocardiogram noise discrimination apparatus 500 has a classification probability value for each class for each section of the electrocardiogram waveform by using the segmentation model as an output value.
  • the electrocardiogram noise discriminating apparatus 500 finally determines a class with a value having the highest probability of being classified in each class for each section of the electrocardiogram waveform.
  • the electrocardiogram noise discriminating apparatus 500 outputs noise classes such as baseline, N, S, V, R peak, and noise at once as a result of the segmentation.
  • the electrocardiogram noise discriminating apparatus 500 outputs all probability values of a preset class for one point using a segmentation model (all probabilities are summed to 1), and finally classifies the corresponding point as V(4) with the highest probability. do.
  • 256 points make up 1 second
  • 2560 points make up 10 seconds.
  • the electrocardiogram noise discrimination apparatus 500 determines noise based on a deep learning result rather than a threshold value.
  • FIG. 11 is a diagram showing the starting point and ending point of a T waveform according to the present embodiment.
  • the electrocardiogram noise discriminating apparatus 500 may identify the class for each section at once.
  • the electrocardiogram noise discriminating apparatus 500 may analyze an electrocardiogram waveform in real time using a segmentation algorithm having a lightweight structure.
  • the electrocardiogram noise discriminating apparatus 500 reads noise from the electrocardiogram waveform using a segmentation algorithm and records data corresponding to the labeled one-dimensional index.
  • the electrocardiogram noise discriminating apparatus 500 may record a label as 0 or 1 or electrocardiogram voltage data according to a noise reading result.
  • the electrocardiogram noise discriminating apparatus 500 When electrocardiogram voltage data (raw data) is input to the segmentation algorithm, the electrocardiogram noise discriminating apparatus 500 outputs a corresponding label value. When electrocardiogram voltage data (raw data) is input, the electrocardiogram noise discrimination device 500 generates a feature vector using a segmentation algorithm, and labels a resultant value determined to be noise based on the feature vector.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Cardiology (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)

Abstract

머신 러닝을 이용하여 심전도 파형 분류 방법 및 장치를 개시한다. 본 실시예는 심전도 파형에 세그먼테이션 기법을 적용하여, 심전도 파형에 포함된 P 파형, Q 파형, R 파형, S 파형, T 파형, 노이즈 파형의 각 구간의 특징 지표값을 확인하고, 특징 지표값을 기반으로 심장 박동을 노멀 박동(N), 심실상 박동(S), 심실 박동(V), 노이즈를 빠르게 분류(Classification)하며, 노이즈를 제거하여 빠르고 정확하게 의학적인 판단이 이루어지도록 하는 머신 러닝을 이용하여 심전도 파형 분류 방법 및 장치를 제공한다.

Description

머신 러닝을 이용하여 심전도 파형 분류 방법 및 장치
본 발명의 일 실시예는 딥러닝 기반의 세그먼테이션 알고리즘을 이용하여 심전도의 베이스 라인, P, QRS(N), QRS(S), QRS(V), R peak, T, 노이즈 파형 감지 및 박동 분류에 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.
심전도 파형에서 비침습적 생체신호 수집방식에 의한 발생한 노이즈(Noise)를 포함한다. 심전도 파형에 포함된 노이즈로 인해 의료진이 심전도를 판독하는 데 있어 판독시간을 증가시키는 요인으로, 많은 경제적 손실이 발생한다. 일반적인 자동 판독을 이용하는 경우, 실시간 모니터링에서 노이즈를 정확히 감지해내지 못하면 사용자에게 정확하지 못한 판독 결과를 제공할 문제가 있다. 따라서, 노이즈를 정확히 감지 및 제거함으로써, 판독에 대한 정확성과 신속성을 높이는 기술을 필요로 한다.
본 실시예는 심전도 파형에 세그먼테이션 기법을 적용하여, 심전도 파형에 포함된 P 파형, Q 파형, R 파형, S 파형, T 파형, 노이즈 파형의 각 구간의 특징 지표값을 확인하고, 특징 지표값을 기반으로 심장 박동을 노멀 박동(N), 심실상 박동(S), 심실 박동(V), 노이즈를 빠르게 분류(Classification)하며, 노이즈를 제거하여 빠르고 정확하게 의학적인 판단이 이루어지도록 하는 머신 러닝을 이용하여 심전도 파형 분류 방법 및 장치를 제공하는 데 목적이 있다.
본 실시예의 일 측면에 의하면, 복수의 사람에 대한 심전도 파형을 획득하는 심전도 파형 획득부; 상기 심전도 파형에 세그먼테이션(Segmentation)을 적용하여, 상기 심전도 파형 각 구간의 특징 지표값을 확인하고, 상기 특징 지표값을 기반으로 상기 각 구간별 분류(Classification)값을 레이블링(Labeling)하는 분류부; 상기 각 구간별 분류값을 기반으로 노이즈로 레이블링된 노이즈 파형만을 선별하는 노이즈 선별부; 및 노이즈로 레이블링된 상기 노이즈 파형만을 제거하는 노이즈 제거부를 포함하는 것을 특징으로 하는 심전도 노이즈 판별장치를 제공한다.
이상에서 설명한 바와 같이 본 실시예에 의하면, 심전도 파형에 세그먼테이션 기법을 적용하여, 심전도 파형에 포함된 P 파형, Q 파형, R 파형, S 파형, T 파형, 노이즈 파형의 각 구간의 특징 지표값을 확인하고, 특징 지표값을 기반으로 심장 박동을 노멀 박동(N), 심실상 박동(S), 심실 박동(V), 노이즈를 빠르게 분류(Classification)하며, 노이즈를 제거하여 빠르고 정확하게 의학적인 판단이 이루어지도록 하는 효과가 있다.
본 실시예에 의하면, 노이즈로 분류된 파형을 딥러닝으로 학습하여, 다양한 심전도 파형으로부터 노이즈 파형을 빠르게 감지해낼 수 있으며, 노이즈 파형을 빠르게 제거하여 의학적인 판단을 필요로 하는 순간에 환자의 이상상태를 더욱 빨리 감지할 수 있는 실시간 시스템을 구축할 수 있는 효과가 있다.
본 실시예에 의하면, 오감지가 발생했을 경우, 해당 구간만 잘라서 학습 데이터로 입력하여 노이즈 파형의 검출 성능을 업데이트할 수 있는 효과가 있다.
도 1은 본 실시예에 따른 바이오 신호 처리 분야에서 생체 신호 데이터 처리에 시멘틱 세그먼테이션 적용을 나타난 도면이다.
도 2는 본 실시예에 따른 시멘틱 세그먼테이션의 포인트 바이 포인트 출력을 나타낸 도면이다.
도 3은 본 실시예에 따른 심전도 시멘틱 세그먼테이션을 나타낸 도면이다.
도 4는 본 실시예에 따른 P,Q,R,S,T파(P파, QRS복합체, T파)와 심전도의 특징지표를 나타낸 도면이다.
도 5는 본 실시예에 따른 심전도 노이즈 판별장치를 개략적으로 나타낸 도면이다.
도 6은 본 실시예에 따른 2D 이미지 세그먼테이션과 1D 생체신호 세그먼테이션을 나타낸 도면이다.
도 7은 본 실시예에 따른 클래스별 어노테이션 설정을 나타낸 도면이다.
도 8은 본 실시예에 따른 포인트 바이 포인트 어노테이션을 나타낸 도면이다.
도 9는 본 실시예에 따른 인코더-디코더 세그먼테이션 알고리즘 구조를 나타낸 도면이다.
도 10은 본 실시예에 따른 포인트별 최종 출력값 출력과정을 나타낸 도면이다.
도 11은 본 실시예에 따른 T 파형 시작점과 종료지점을 나타낸 도면이다.
<도면의 주요부분에 대한 부호의 설명>
500: 심전도 노이즈 판별장치
510: 심전도 파형 획득부
520: 분류부
530: 노이즈 선별부
540: 노이즈 제거부
550: 학습부
560: 이상 상태 검출부
이하, 본 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 실시예에 따른 바이오 신호 처리 분야에서 생체 신호 데이터 처리에 시멘틱 세그먼테이션 적용을 나타난 도면이다.
본 실시예에 따른 심전도 노이즈 판별장치(500)는 바이오 신호 처리(Bio Signal Processing) 분야에서 1차원(1D) 생체신호 데이터 처리에 적용될 수 있다. 심전도 노이즈 판별장치(500)는 시멘틱 세그먼테이션(Semantic Segmentation)을 응용하여, 심전도 파형에 포함된 P 파형, QRS-complex(N,S,V), T 파형, 노이즈 파형을 파형 단위로 분할한다.
도 2는 본 실시예에 따른 시멘틱 세그먼테이션의 포인트 바이 포인트 출력을 나타낸 도면이다.
본 실시예에 따른 심전도 노이즈 판별장치(500)는 1차원 시멘트 세그먼테이션 알고리즘을 적용하여 입력된 심전도 파형(로우 데이터)에 대해 포인트 바이 포인트(Point by point)로 파형을 분류한 값을 적용하여 출력한다.
도 3은 본 실시예에 따른 심전도 시멘틱 세그먼테이션을 나타낸 도면이다.
본 실시예에 따른 심전도 노이즈 판별장치(500)는 1차원 시멘트 세그먼테이션 알고리즘을 적용하여 입력된 심전도 파형(로우 데이터)에 대해 포인트 바이 포인트(Point by point)로 파형을 분류한 값을 적용하여 노이즈이면 1로 표기하고, 노이즈가 아닌 정상 파형이면 0으로 표기한다.
도 4는 본 실시예에 따른 P,Q,R,S,T파(P파, QRS복합체, T파)와 심전도의 특징지표를 나타낸 도면이다.
심전도 파형은 박동의 연속으로 나타나지며, 박동은 크게 노멀 박동(Normal Beat)(N), 심실상 박동(Supraventricular beat)(S), 심실 박동(Ventricular Beat)(V)으로 나눌 수 있다. 심전도 파형의 한 박동은 기본적으로 P 파형, QRS 파형, T 파형을 포함한다.
심전도 파형에서 비침습적 생체신호 수집방식에 의한 발생한 노이즈(Noise)를 포함한다. 심전도 노이즈 판별장치(500)는 심전도 파형에 포함된 P 파형, Q 파형, R 파형, S 파형, T 파형을 감지하고, 노멀 박동(N), 심실상 박동(S), 심실 박동(V)을 분류한다. 심전도 노이즈 판별장치(500)는 P 파형, Q 파형, R 파형, S 파형, T 파형의 로컬라이제이션(Localization)로부터 특징지표값(Feature)를 산출한다.
심전도 노이즈 판별장치(500)는 입력된 심전도 파형에 대한 PR 인터벌(Interval), QRS 인터벌, QT 인터벌, ST 세그먼트, RR 인터벌을 구분한다.
심전도 노이즈 판별장치(500)는 PR 인터벌, QRS 인터벌, QT 인터벌, ST 세그먼트, RR 인터벌을 기반으로 P 파형, Q 파형, R 파형, S 파형, T 파형의 특징정보를 기반으로 박동을 분류(Classification)할 수 있다
심전도 노이즈 판별장치(500)는 심장 박동을 노멀 박동(Normal Beat)(N), 심실상 박동(Supraventricular beat)(S), 심실 박동(Ventricular Beat)(V)으로 분류한다. 심전도 노이즈 판별장치(500)는 심전도 파형을 판독할 때, 로컬라이제이션(Localization)과 분류(Classification)정보를 기반으로 이상 상태를 감지할 수 있다.
심전도 노이즈 판별장치(500)는 심전도 파형에 대해 로컬라이제이션을 수행한 후 특징 지표값을 산출하고, 특징 지표값을 이용하여
종류의 부정맥 감지 머신러닝 모델 설계(예컨대, 특징 지표값A, 특징 지표값B, 특징 지표값D를 이용하여 A 부정맥 감지, 특징 지표값B, 특징 지표값C, 특징 지표값E, 특징 지표값F를 이요아여 B 부정맥 잠지, 특징 지표값A, 특징 지표값F를 이용하여 이상박동 감지)한다.
심전도 노이즈 판별장치(500)는 세그멘테이션을 이용하여 정밀한 로컬라이제이션을 수힝하고, 로커라이제이션 결과를 기반으로 신뢰할 수 있을 만큼 정밀한 특징지표값을 얻을 수 있다. 심전도 노이즈 판별장치(500)는 특징지표값을 기반으로 다른 이상박동, 부정맥등을 감지하는데 이용한다.
심전도 노이즈 판별장치(500)는 심전도 파형에 대해 분류(Classification)를 수행하여 심장 박동을 노멀 박동(Normal Beat)(N), 심실상 박동(Supraventricular beat)(S), 심실 박동(Ventricular Beat)(V)로 분류하고, 부정맥을 감지한다.
심전도 노이즈 판별장치(500)는 심전도 파형에 세그먼테이션 기법을 적용하여, 심전도 파형에 포함된 P 파형, Q 파형, R 파형, S 파형, T 파형, 노이즈 파형의 각 구간의 특징 지표값을 확인한다. 심전도 노이즈 판별장치(500)는 특징 지표값을 기반으로 심장 박동을 노멀 박동(N), 심실상 박동(S), 심실 박동(V), 노이즈를 빠르게 분류(Classification)하며, 노이즈를 제거하여 빠르고 정확하게 의학적인 판단이 이루어지도록 한다.
도 5는 본 실시예에 따른 심전도 노이즈 판별장치를 개략적으로 나타낸 도면이다.
본 실시예에 따른 심전도 노이즈 판별장치(500)는 심전도 파형 획득부(510), 분류부(520), 노이즈 선별부(530), 노이즈 제거부(540), 학습부(550), 이상 상태 검출부(560)를 포함한다. 심전도 노이즈 판별장치(500)에 포함된 구성요소는 반드시 이에 한정되는 것은 아니다.
심전도 노이즈 판별장치(500)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 5에 도시된 심전도 노이즈 판별장치(500)의 각 구성요소는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 소프트웨어적인 모듈, 하드웨어적인 모듈 또는 소프트웨어와 하드웨어의 결합으로 구현될 수 있다.
심전도 파형 획득부(510)는 복수의 사람에 대한 심전도 파형을 획득한다. 심전도 파형 획득부(510)는 복수의 사람에 대한 심전도 파형을 1초당 256개씩 샘플로 획득한다. 심전도 파형 획득부(510)는 복수의 사람에 대한 심전도 파형을 1차원 데이터로 컨버팅한다.
분류부(520)는 심전도 파형에 세그먼테이션(Segmentation)을 적용하여, 심전도 파형 각 구간의 특징 지표값을 확인한다. 분류부(520)는 특징 지표값을 기반으로 각 구간별 분류(Classification)값을 레이블링(Labeling)한다.
분류부(520)는 심전도 파형에 포함된 P 파형, Q 파형, R 파형, S 파형, T 파형, 노이즈 파형의 각 구간의 특징 지표값을 확인한다.
분류부(520)는 심전도 파형 각 구간별 특징 지표값을 기반으로 노이즈 확률값을 산출한다. 분류부(520)는 노이즈 확률값을 최대 1의 값을 갖도록 계산하여, 임계치 이상으로 높은 노이즈 확률값을 갖는 경우 노이즈로 판별하여 1의 값을 부여하고, 임계치 미만으로 낮은 확률값을 갖는 경우 정상으로 판별하여 0의 값을 부여한다. 분류부(520)는 1의 값을 갖는 구간을 노이즈로 레이블링한다.
분류부(520)는 특징 지표값을 기반으로 심전도 파형의 특정 구간이 베이스 라인으로 분류되면 0으로 레이블링한다. 분류부(520)는 특징 지표값을 기반으로 심전도 파형의 특정 구간이 P 파형으로 분류되면 1로 레이블링한다. 분류부(520)는 특징 지표값을 기반으로 심전도 파형의 특정 구간이 QRS 컴플렉스의 노멀 박동(N)으로 분류되면 2로 레이블링한다. 분류부(520)는 특징 지표값을 기반으로 심전도 파형의 특정 구간이 QRS 컴플렉스의 심실상 박동(S)으로 분류되면 3으로 레이블링한다. 분류부(520)는 특징 지표값을 기반으로 심전도 파형의 특정 구간이 QRS 컴플렉스의 심실 박동(V)으로 분류되면 4로 레이블링한다. 분류부(520)는 특징 지표값을 기반으로 심전도 파형의 특정 구간이 R 파형의 피크로 분류되면 5로 레이블링한다. 분류부(520)는 특징 지표값을 기반으로 심전도 파형의 특정 구간이 T 파형으로 분류되면 6으로 레이블링한다. 분류부(520)는 특징 지표값을 기반으로 심전도 파형의 특정 구간이 노이즈 파형으로 분류되면 7로 레이블링한다.
분류부(520)는 심전도 파형 중 P 파형, QRS 파형(노멀 박동(N), 심실상 박동(S), 심실 박동(V)), T 파형에 대한 값을 멀티 박동으로 기록한다.
노이즈 선별부(530)는 각 구간별 분류값을 기반으로 노이즈로 레이블링된 노이즈 파형만을 선별한다. 노이즈 제거부(540)는 노이즈로 레이블링된 노이즈 파형만을 제거한다.
학습부(550)는 노이즈 파형만을 입력으로 학습을 수행한 심전도 학습 결과를 생성한다. 이상 상태 검출부(560)는 노이즈로 레이블링된 값이 제거된 상태에서 각 구간별 분류값을 시계열적으로 확인하여 이상 상태(P 파형 다음에 QRS 파형이 아니라 다시 P 파형이 나오는 경우, 부정맥, 이상박동(S,V), ST, QTc 등)를 검출한다.
도 6은 본 실시예에 따른 2D 이미지 세그먼테이션과 1D 생체신호 세그먼테이션을 나타낸 도면이다.
심전도 노이즈 판별장치(500)는 심전도 파형에 세그먼테이션 알고리즘을 심전도(1차원 데이터)에 적용하여, 심전도 파형을 유의미한 단위로 세그먼테이션 한다.
심전도 노이즈 판별장치(500)는 세그먼테이션 알고리즘을 이용하여 심전도 파형을 감지하고 분류한다. 심전도 노이즈 판별장치(500)는 세그먼테이션 알고리즘을 이용하여 심전도 파형에서 영역을 정확하게 구분하는 데 이용된다.
도 6의(b)에 도시된 바와 같이, 움직임이나 접촉 상태에 따라 심전도 파형에 노이즈가 많이 섞여있는 경우, 심전도 노이즈 판별장치(500)는 세그먼테이션 알고리즘을 1차원으로 적용하여 노이즈를 제거할 수 있다.
심전도 노이즈 판별장치(500)는 세그먼테이션 알고리즘을 이용하여 구분한 다양한 노이즈 형태를 학습하고, 학습한 결과를 반영하여 심전도 파형에 발생한 다양한 노이즈를 제거할 수 있다.
심전도 노이즈 판별장치(500)는 노이즈를 판별하기 위한 샘플로 1초당 256개씩 샘플을 획득한다. 심전도 노이즈 판별장치(500)는 샘플이 노이즈인지 아닌지의 여부를 1 또는 0 방식으로 구분한다. 심전도 노이즈 판별장치(500)는 샘플이 노이즈인지를 판별하기 위해 노이즈 확률값으로 최대 1로 확률값으로 계산하여 높은 확률값을 노이즈로 판별하고, 낮은 확률값을 정상으로 판별한다.
심전도 노이즈 판별장치(500)는 세그먼테이션 알고리즘을 이용하여 ECG 뿐만 아니라 다양한 생체 신호에서도 노이즈를 검출할 수 있다.
도 6의 (a)는 로우 신호 데이터를 나타낸다. 도 6의 (b)는 모델에 의해 일정구간이 해당 클래스로 분류된 모습(구간을 해당 클래스로 어노테이션한 모습)을 나타낸다.
도 7은 본 실시예에 따른 클래스별 어노테이션 설정을 나타낸 도면이다.
심전도 노이즈 판별장치(500)는 심전도 파형에 세그먼테이션 기법을 적용하여, 심전도 파형에 포함된 P 파형, Q 파형, R 파형, S 파형, T 파형, 노이즈 파형의 각 구간의 특징 지표값을 확인하여 분류한다.
심전도 노이즈 판별장치(500)는 심전도 파형에 세그먼테이션 기법을 적용하여 베이스 라인으로 분류하는 경우 0으로 레이블링한다.
심전도 노이즈 판별장치(500)는 심전도 파형에 세그먼테이션 기법을 적용하여 P 파형으로 분류하는 경우 1로 레이블링한다. 심전도 노이즈 판별장치(500)는 심전도 파형에 세그먼테이션 기법을 적용하여 QRS 컴플렉스의 노멀 박동(N)으로 분류하는 경우 2로 레이블링한다. 심전도 노이즈 판별장치(500)는 심전도 파형에 세그먼테이션 기법을 적용하여 QRS 컴플렉스의 심실상 박동(S)으로 분류하는 경우 3으로 레이블링한다. 심전도 노이즈 판별장치(500)는 심전도 파형에 세그먼테이션 기법을 적용하여 QRS 컴플렉스의 심실 박동(V)으로 분류하는 경우 4로 레이블링한다. 심전도 노이즈 판별장치(500)는 심전도 파형에 세그먼테이션 기법을 적용하여 R 파형의 피크로 분류하는 경우, 5로 레이블링한다. 심전도 노이즈 판별장치(500)는 심전도 파형에 세그먼테이션 기법을 적용하여 T 파형으로 분류하는 경우 6으로 레이블링한다. 심전도 노이즈 판별장치(500)는 심전도 파형에 세그먼테이션 기법을 적용하여 노이즈 파형으로 분류하는 경우 7로 레이블링한다.
심전도 노이즈 판별장치(500)는 심전도 파형 중 중요 파형들을 세그먼테이션 알고리즘을 이용하여 분류하고 멀티 레이블로 기록한다. 심전도 노이즈 판별장치(500)는 심전도 파형 중 P 파형, QRS 파형(N, S, V), T 파형에 대한 값을 멀티 비트로 기록한다. 예컨대, 심전도 노이즈 판별장치(500)는 총 7개의 레이블을 가진다.
심전도 노이즈 판별장치(500)는 세그먼테이션 알고리즘을 이용을 해서 P 파형, QRS 파형(N, S, V), T 파형, 노이즈 파형까지 포함을 해서 구분을 수행한다. 심전도 노이즈 판별장치(500)는 심전도 파형에서 P 파형, QRS 파형(N, S, V), T 파형, 노이즈 파형을 구분하기 위해서 세그먼테이션 알고리즘을 이용하고 학습하는데, 학습을 위한 입력 데이터를 각각의 타임 인덱스 별로 레이블링한다.
심전도 노이즈 판별장치(500)는 학습을 수행할 때, 파형의 형태를 입력하여 딥러닝한 결과를 이용하여 학습 모델을 생성한다. 심전도 노이즈 판별장치(500)는 레이블링된 숫자를 확인하여 숫자의 순서를 가지고도 심전도에 문제(P 파형 다음에 QRS 파형이 아니라 다시 P 파형이 나오는 경우)가 있는지 없는지를 사후적으로 확인할 수 있다. 심전도 노이즈 판별장치(500)는 심전도 문제를 확인하기 위해 피크를 찾을 필요없이 지표(레이블링된 숫자)들을 확인하여 심전도 문제를 확인할 수 있다.
도 8은 본 실시예에 따른 포인트 바이 포인트 어노테이션을 나타낸 도면이다.
심전도 노이즈 판별장치(500)는 노이즈 파형으로 분류된 파형만을 딥러닝 모델로 학습하기 위한 입력 데이터로 준비한다. 심전도 노이즈 판별장치(500)는 로우 데이터(Raw data) 및 로우 데이터에 대응하는 정답 데이터를 딥러닝 모델로 입력하여 학습 결과를 생성한다. 심전도 노이즈 판별장치(500)는 정답 데이터로서 클래스별 포인트 바이 포인트 방식으로 어노테이션한다.
심전도 노이즈 판별장치(500)는 1차원의 심전도값(value)을 이용하여 그래프 이미지에 반영하여 출력할 수 있다. 심전도 노이즈 판별장치(500)는 클래스별 포인트 바이 포인트 방식으로 어노테이션된 데이터를 지속적으로 누적하여 업데이트한다.
심전도 노이즈 판별장치(500)는 세그먼테이션 알고리즘을 이용하여 심전도 파형에 적용을 하는 과정에서, 심전도 노이즈 판별장치(500)는 세그먼테이션 알고리즘에 입력 데이터로 2차원 데이터를 1차원으로 컨버팅된 심전도 파형 데이터를 입력한다.
심전도 노이즈 판별장치(500)는 노이즈 데이터를 학습시킨 노이즈 학습 결과를 이용하므로, 노멀 데이터로 분류될 수 있는 데이터를 노이즈로 정확하게 분류할 수 있다.
심전도 노이즈 판별장치(500)는 노이즈 데이터에 레이블을 별도로 지정하여 학습에 이용될 수 있는 입력 데이터로 컨버팅한다. 심전도 노이즈 판별장치(500)는 세그먼테이션 알고리즘을 이용하여 심전도 파형 중간에 노이즈가 발생하면 노이즈로 분류를 수행한다.
심전도 노이즈 판별장치(500)는 세그먼테이션 알고리즘을 이용하여 심전도 파형 데이터에서 노이즈를 제거하면, 분석할 데이터가 줄어들게 되므로, 심전도 파형을 분석하는 데 소요되는 연산 시간을 줄일 수 있다.
세그먼테이션 알고리즘을 이용하여 별도의 노이즈 검출을 수행하지 않는 경우, 심전도 파형에서 노이즈를 박동(搏動)으로 인식해서 오판독 결과가 빈번하게 발생한다.
별도의 노이즈 검출을 미수행하는 경우 별도의 2차 판독을 수행하여 수기로 오판독 결과를 고치는데 많은 시간이 소요된다. 하지만, 본 실시예에 따른 심전도 노이즈 판별장치(500)는 초기 세그먼테이션 알고리즘을 이용하여 노이즈를 검출하면 이후 단계에서 노이즈로 레이블링된 데이터를 사용하지 않도록 처리한다.
다시 말해, 심전도 노이즈 판별장치(500)는 어노테이션 툴을 이용하여 입력된 초기 데이터에서 노이즈인지의 여부를 1차적으로 판단해 준다. 심전도 노이즈 판별장치(500)는 노이즈로 판별된 데이터를 딥러닝 모델을 학습시키고, 학습된 결과를 이용하여 이후 입력되는 심전도 파형의 노이즈를 검출한다.
도 9는 본 실시예에 따른 인코더-디코더 세그먼테이션 알고리즘 구조를 나타낸 도면이다.
심전도 노이즈 판별장치(500)는 인코더와 디코더 방식의 세그먼테이션 알고리즘으로 학습하여 세그먼테이션 모델을 생성한다. 심전도 노이즈 판별장치(500)는 딥러닝의 시멘틱 세그먼테이션을 수행하여 시계열적 데이터로부터 노이즈를 검출한다. 심전도 노이즈 판별장치(500)는 AI 세그먼테이션 알고리즘을 이용을 해서 노이즈 파형을 검출해서 제외시킨다.
기존에 노이즈를 검출하기 위해서 일정한 시그널 프로세싱(예컨대, FFT(Fast Fourier Transform))을 수행해야 하는데, 노이즈가 발생하는 형태가 너무 다양하기 때문에 분류할 수 있는 임계치의 한계상 실제로 노이즈를 제거하는 데 어려움이 존재한다.
본 실시예에 따른 심전도 노이즈 판별장치(500)는 세그먼테이션 알고리즘을 이용하여 다양한 노이즈 패턴을 학습시켜서, 정형화된 부분으로 심전도 파형에서 노이즈를 검출할 수 있다.
심전도 노이즈 판별장치(500)는 오토 인코더 세그먼테이션을 이용한다. 심전도 노이즈 판별장치(500)는 2차원 이미지가 입력 데이터로서 입력되면, 딥러닝을 수행하여 특징 벡터들을 인코딩한다.
심전도 노이즈 판별장치(500)는 디코더를 이용하여 출력에 맞는 레이블로 다 나눠질 수 있도록 디코딩을 수행한다. 심전도 노이즈 판별장치(500)는 인코더를 이용하여 압축을 수행하고, 디코더를 이용하여 출력에 맞는 레이블로 나눠지도록 디코딩을 수행한다.
심전도 노이즈 판별장치(500)는 로우 데이터를 기 학습된 학습 모델을 이용하여 학습하면, 노이즈를 판별하여 해당 구간에 대해 노이즈로 레이블링을 수행한다.
심전도 노이즈 판별장치(500)는 256분의 1초로 세그먼테이션 결과로 노이즈이면 1로 결과값을 표기하고, 노이즈가 아니면 0으로 결과값을 표기한다. 심전도 노이즈 판별장치(500)는 노이즈 인지의 여부를 표기한 결과값 중 1로 표기된 구간은 노이즈 구간으로 판독하여 이후 심전도 파형을 분석할 때 노이즈 구간을 제외하고 판독을 수행할 수 있다.
심전도 노이즈 판별장치(500)는 심전도 파형에서 각각 박동을 분류하고, 두 개 이상의 박동에 대한 리듬, 율동을 판독하는 처리 과정에서 노이즈 구간(1로 표기된 구간)을 제외하고 판독을 수행한다.
심전도 노이즈 판별장치(500)는 심전도 파형 중 유효한 파형에 대해서 분석 수행할 때, 노이즈 구간(1로 표기된 구간)을 제외하고 판독을 수행한다. 심전도 노이즈 판별장치(500)는 심전도 파형을 분석할 때, 시계열적인 인덱스에 맞게 레이블링된 1차원적인 값을 확인하여 노이즈 구간(1로 표기된 구간)을 제외하고 판독을 수행한다.
도 10은 본 실시예에 따른 포인트별 최종 출력값 출력과정을 나타낸 도면이다.
심전도 노이즈 판별장치(500)는 세그먼테이션 모델을 이용하여 심전도 파형의 구간별로 각 클래스에 대한 분류 확률값을 출력값을 갖는다. 심전도 노이즈 판별장치(500)는 심전도 파형의 구간별로 각 클래스에서 가장 높게 분류될 확률을 갖는 값으로 클래스를 최종 결정한다.
심전도 노이즈 판별장치(500)는 세그멘테이션 결과로서 노이즈 클래스도 베이스라인, N, S, V, R peak, 노이즈와 같이 한번에 출력한다.
심전도 노이즈 판별장치(500)는 세그먼테이션 모델을 이용하여 한 개의 포인트에 대해서 기 설정된 클래스의 확률값을 모두 출력하고(확률 모두 합쳐서 1), 최종적으로는 가장 확률이 높은 V(4)로 해당 포인트로 분류한다. 여기서, 포인트가 256개 모여 1초가 되고 2560개가 모여 10초의 영역이 된다. 심전도 노이즈 판별장치(500)는 노이즈를 임계치가 아닌 딥러닝 결과를 기반으로 결정한다.
도 11은 본 실시예에 따른 T 파형 시작점과 종료지점을 나타낸 도면이다.
심전도 노이즈 판별장치(500)는 포인트 바이 포인트로 최종 출력값이 나오기 때문에 각 구간에 대한 시작, 종료지점을 알 수 있다. 심전도 노이즈 판별장치(500)는 각 구간에 대한 클래스를 한 번에 식별할 수 있다. 심전도 노이즈 판별장치(500)는 경량화된 구조를 갖는 세그먼테이션 알고리즘을 이용하여 실시간으로 심전도 파형을 분석할 수 있다.
심전도 노이즈 판별장치(500)는 세그먼테이션 알고리즘을 이용하여 심전도 파형에서 노이즈를 판독한 결과 데이터를 레이블링된 일차원적인 인덱스에 맞게 기록한다. 심전도 노이즈 판별장치(500)는 노이즈 판독 결과에 따라 레이블을 0이나 1로 기록하거나 심전도 볼테이지 데이터가 기록될 수 있다.
심전도 노이즈 판별장치(500)는 심전도 볼테이지 데이터(로우 데이터)를 세그먼테이션 알고리즘에 입력하면, 그에 맞는 레이블 값이 출력된다. 심전도 노이즈 판별장치(500)는 심전도 볼테이지 데이터(로우 데이터)가 입력되면 세그먼테이션 알고리즘을 이용하여 특징 백터를 생성하고, 특징 벡터를 기반으로 노이즈인지의 여부를 판별한 결과값을 레이블링한다.
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 (11)

  1. 복수의 사람에 대한 심전도 파형을 획득하는 심전도 파형 획득부;
    상기 심전도 파형에 세그먼테이션(Segmentation)을 적용하여, 상기 심전도 파형 각 구간의 특징 지표값을 확인하고, 상기 특징 지표값을 기반으로 상기 각 구간별 분류(Classification)값을 레이블링(Labeling)하는 분류부;
    상기 각 구간별 분류값을 기반으로 노이즈로 레이블링된 노이즈 파형만을 선별하는 노이즈 선별부; 및
    노이즈로 레이블링된 상기 노이즈 파형만을 제거하는 노이즈 제거부
    를 포함하는 것을 특징으로 하는 심전도 노이즈 판별장치.
  2. 제1항에 있어서,
    상기 분류부는,
    상기 심전도 파형에 포함된 P 파형, Q 파형, R 파형, S 파형, T 파형, 상기 노이즈 파형의 각 구간의 특징 지표값을 확인하는 것을 특징으로 하는 심전도 노이즈 판별장치.
  3. 제1항에 있어서,
    상기 분류부는,
    상기 심전도 파형 각 구간별 상기 특징 지표값을 기반으로 노이즈 확률값을 산출하고, 상기 노이즈 확률값을 최대 1의 값을 갖도록 계산하여, 임계치 이상으로 높은 노이즈 확률값을 갖는 경우 노이즈로 판별하여 1의 값을 부여하고, 임계치 미만으로 낮은 확률값을 갖는 경우 정상으로 판별하여 0의 값을 부여하는 것을 특징으로 하는 심전도 노이즈 판별장치.
  4. 제3항에 있어서,
    상기 분류부는,
    상기 1의 값을 갖는 구간을 상기 노이즈로 레이블링하는 것을 특징으로 하는 심전도 노이즈 판별장치.
  5. 제1항에 있어서,
    상기 노이즈 파형만을 입력으로 학습을 수행한 심전도 학습 결과를 생성하는 학습부
    를 추가로 포함하는 것을 특징으로 하는 심전도 노이즈 판별장치.
  6. 제1항에 있어서,
    상기 분류부는,
    상기 특징 지표값을 기반으로 상기 심전도 파형의 특정 구간이 베이스 라인으로 분류되면 0으로 레이블링하고, 상기 특징 지표값을 기반으로 상기 심전도 파형의 특정 구간이 P 파형으로 분류되면 1로 레이블링하고, 상기 특징 지표값을 기반으로 상기 심전도 파형의 특정 구간이 R 파형의 피크로 분류되면 5로 레이블링하고, 상기 특징 지표값을 기반으로 상기 심전도 파형의 특정 구간이 T 파형으로 분류되면 6으로 레이블링하고, 상기 특징 지표값을 기반으로 상기 심전도 파형의 특정 구간이 노이즈 파형으로 분류되면 7로 레이블링하는 것을 특징으로 하는 심전도 노이즈 판별장치.
  7. 제1항에 있어서,
    상기 분류부는,
    상기 특징 지표값을 기반으로 상기 심전도 파형의 특정 구간이 QRS 컴플렉스의 노멀 박동(N)으로 분류되면 2로 레이블링하고, 상기 특징 지표값을 기반으로 상기 심전도 파형의 특정 구간이 QRS 컴플렉스의 심실상 박동(S)으로 분류되면 3으로 레이블링하고, 상기 특징 지표값을 기반으로 상기 심전도 파형의 특정 구간이 QRS 컴플렉스의 심실 박동(V)으로 분류되면 4로 레이블링하는 것을 특징으로 하는 심전도 노이즈 판별장치.
  8. 제1항에 있어서,
    상기 심전도 파형 획득부는,
    복수의 사람에 대한 상기 심전도 파형을 1초당 256개씩 샘플로 획득하는 것을 특징으로 하는 심전도 노이즈 판별장치.
  9. 제1항에 있어서,
    상기 심전도 파형 획득부는,
    복수의 사람에 대한 상기 심전도 파형을 1차원 데이터로 컨버팅하는 것을 특징으로 하는 심전도 노이즈 판별장치.
  10. 제1항에 있어서,
    상기 분류부는,
    상기 심전도 파형 중 P 파형, QRS 파형(노멀 박동(N), 심실상 박동(S), 심실 박동(V)), T 파형에 대한 값을 멀티 박동으로 기록하는 것을 특징으로 하는 심전도 노이즈 판별장치.
  11. 제1항에 있어서,
    노이즈로 레이블링된 값이 제거된 상태에서 상기 각 구간별 분류값을 시계열적으로 확인하여 이상 상태를 검출하는 이상 상태 검출부
    를 추가로 포함하는 것을 특징으로 하는 심전도 노이즈 판별장치.
PCT/KR2021/019288 2021-12-02 2021-12-17 머신 러닝을 이용하여 심전도 파형 분류 방법 및 장치 WO2023101089A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2021-0170499 2021-12-02
KR1020210170499A KR102467211B1 (ko) 2021-12-02 2021-12-02 머신 러닝을 이용하여 심전도 파형 분류 방법 및 장치

Publications (1)

Publication Number Publication Date
WO2023101089A1 true WO2023101089A1 (ko) 2023-06-08

Family

ID=84235786

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/019288 WO2023101089A1 (ko) 2021-12-02 2021-12-17 머신 러닝을 이용하여 심전도 파형 분류 방법 및 장치

Country Status (2)

Country Link
KR (1) KR102467211B1 (ko)
WO (1) WO2023101089A1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102673765B1 (ko) 2023-10-17 2024-06-10 (주)씨어스테크놀로지 다중 환자별 맞춤형 심전도 판독 장치
KR102684410B1 (ko) * 2023-10-26 2024-07-12 (주)씨어스테크놀로지 디퓨전 모델을 이용한 부정맥 생성장치

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060129178A (ko) * 2003-09-12 2006-12-15 보디미디어 인코퍼레이티드 심장 관련 파라미터를 측정하기 위한 방법 및 장치
KR20190071815A (ko) * 2016-11-04 2019-06-24 이센티아 아이엔씨. 심전도 데이터를 컴퓨터로 구현하여 다루는 방법
KR20200100131A (ko) * 2018-01-19 2020-08-25 에니웨어 컴퍼니 리미티드 혼합 센싱에 기반한 생체 모니터링 및 분석 방법, 시스템
KR102271793B1 (ko) * 2020-12-11 2021-07-02 (주)씨어스테크놀로지 인공지능 기반 복합생체신호 빅데이터 통합처리 플랫폼 제공 시스템 및 이를 이용한 복합생체신호 빅데이터 통합처리 방법
KR102322234B1 (ko) * 2020-12-29 2021-11-05 (주)씨어스테크놀로지 딥러닝을 이용한 심전도 시각화 방법 및 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060129178A (ko) * 2003-09-12 2006-12-15 보디미디어 인코퍼레이티드 심장 관련 파라미터를 측정하기 위한 방법 및 장치
KR20190071815A (ko) * 2016-11-04 2019-06-24 이센티아 아이엔씨. 심전도 데이터를 컴퓨터로 구현하여 다루는 방법
KR20200100131A (ko) * 2018-01-19 2020-08-25 에니웨어 컴퍼니 리미티드 혼합 센싱에 기반한 생체 모니터링 및 분석 방법, 시스템
KR102271793B1 (ko) * 2020-12-11 2021-07-02 (주)씨어스테크놀로지 인공지능 기반 복합생체신호 빅데이터 통합처리 플랫폼 제공 시스템 및 이를 이용한 복합생체신호 빅데이터 통합처리 방법
KR102322234B1 (ko) * 2020-12-29 2021-11-05 (주)씨어스테크놀로지 딥러닝을 이용한 심전도 시각화 방법 및 장치

Also Published As

Publication number Publication date
KR102467211B1 (ko) 2022-11-16

Similar Documents

Publication Publication Date Title
WO2023101089A1 (ko) 머신 러닝을 이용하여 심전도 파형 분류 방법 및 장치
WO2022145519A1 (ko) 딥러닝을 이용한 심전도 시각화 방법 및 장치
WO2020141807A2 (ko) 딥러닝을 이용한 정상동율동 심전도 상태에서의 발작성 심방세동 예측방법
US7412395B2 (en) Automated scheduling of emergency procedure based on identification of high-risk patient
JP6901399B2 (ja) Ｅｃｇデバイス用のｅｃｇコントローラ、該ｅｃｇコントローラの作動の方法
WO2019088462A1 (ko) 혈압 추정 모델 생성 시스템 및 방법과 혈압 추정 시스템 및 방법
Jiang et al. High accuracy in automatic detection of atrial fibrillation for Holter monitoring
EP0327646A1 (en) Apparatus for measuring biological signals
WO2022014942A1 (ko) 딥러닝 기반 심전도를 이용한 심장 질환 진단 장치 및 그 방법
WO2023120775A1 (ko) 심전도 판독을 수정하기 위한 방법 및 장치
KR20060134196A (ko) Ｅｃｇ 신호를 판독하고 분석하는 방법 및 컴퓨터 장치
CN1191708A (zh) 检测急性心肌梗塞的方法和***
WO2022014943A1 (ko) 생성적 적대 신경망 알고리즘을 기반으로 하는 심전도 생성 장치 및 그 방법
WO2021096162A1 (ko) 심장신호 처리장치 및 방법, 이를 포함하는 모니터링 시스템
JPH08206088A (ja) 解析装置
WO2022014941A1 (ko) 딥러닝을 기반으로 하는 심장 질병 분류 장치 및 그 방법
Srinivas et al. Adaptive learning based heartbeat classification
WO2023101090A1 (ko) 딥 러닝을 이용하여 심방세동을 감지하는 방법 및 장치
WO2023058946A1 (ko) 시계열 기침음, 호흡음, 낭독음, 발성음 측정을 통한 호흡기 질환 예후 예측시스템 및 방법
Bosnjak et al. An approach to intelligent ischaemia monitoring
Cen et al. Intelligence ECG Monitoring System: Wireless platform and Arrhythmia classification using Residual neural network
WO2022169020A2 (ko) Ppg 기반 스펙트로그램 및 cnn에 기반하는 통증 평가 방법 및 장치
WO2023090532A1 (ko) 사용자 상태 진단을 위한 진단 정보 제공 방법 및 이를 수행하는 장치
Miyahara et al. Arrhythmia diagnosis by the IBM electrocardiogram analysis program
WO2024096165A1 (ko) 엑소좀 sers 신호를 이용한 인공지능 기반의 정신질환 진단 시스템 및 그 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: 21966515

Country of ref document: EP

Kind code of ref document: A1