KR102417949B1

KR102417949B1 - 인공지능 기반 자동심장충격기용 심전도 분석 및 적용 방법

Info

Publication number: KR102417949B1
Application number: KR1020220036544A
Authority: KR
Inventors: 이병석; 박정회; 박종서; 김원재; 윤남식
Original assignee: (주)나눔테크
Priority date: 2022-03-24
Filing date: 2022-03-24
Publication date: 2022-07-06

Abstract

본 발명은 인공지능 기반 자동심장충격기용 심전도 분석 및 적용 방법에 관한 것으로서, 자동심장충격기에 내장되어 있는 심전도 분석 기술의 정확도를 높이기 위한 모델을 자동심장충격기에 적용 분석하여 충격(Shock)과 비충격(No-Shock)의 판단이 정확하게 이루어지도록 하여, 전기충격이 필요한 환자에게만 전기충격이 이루어지도록 한 기술에 관한 것이다.
즉, 본 발명은 ECG데이터 저장소, 제1ECG특징 추출부, ECG기계학습부로 구성되는 기계학습용 컴퓨터 장치 및 이와 연결되고 심전도 측정부, 제2ECG특징 추출부, ECG 인공지능 엔진으로 구성되는 자동심장충격기로 이루어진 시스템의 인공지능 기반 자동심장충격기용 심전도 분석 및 적용 방법에 있어서, ECG데이터를 수집하여 기계학습용 컴퓨터 장치의 ECG데이터 저장소에 저장하는 단계(S1)와, 상기 저장된 ECG데이터를 조각단위로 쪼개어 데이터 세트를 만드는 단계(S2)와, 상기 데이터 세트의 각 조각마다 심장리듬의 타입을 기록하는 형태로 1차 라벨링을 하고, 1차 라벨링된 조각마다 심장충격 여부를 기록하는 2차 라벨링 단계(S3)와, 상기 라벨링된 데이터 세트에 디지털 필터를 적용하여 노이즈를 제거하는 단계(S4)와, 상기 디지털 필터가 적용된 데이터 세트에서 ECG신호를 분석하여 특징을 추출하는 단계(S5)와, 상기 ECG신호의 특징이 추출된 학습용 데이터 세트를 입력값으로 하고, 2차 라벨링된 심장충격 여부를 분류 결과로 설정하여 지도학습 방식과 심층신경망(DNN)으로 딥러닝을 수행하는 ECG기계학습 단계(S6)와, 상기 ECG기계학습을 통해 만들어진 신경망 구조, 활성화 함수, 가중치와 같은 인공지능 모델을 이용해서 ECG신호의 특징이 추출된 테스트용 데이터 세트를 입력값으로 하고, 2차 라벨링된 심장충격 여부를 분류 결과로 설정하여 ECG기계학습 테스트를 진행하는 단계(S7)와, 상기 디지털 필터, ECG신호 분석 후 추출, ECG 기계학습 테스트 결과와 1차 라벨링된 심장리듬 데이터 세트를 이용하여 인공지능 기반 ECG 분석 성능을 평가하는 단계(S8)와, 상기 평가된 인공지능 기반 ECG 분석 성능 평가를 통해 최종적으로 선택된 신경망 구조, 활성화 함수, 가중치, 충격 판정 임계값을 포함하는 ECG 분석 인공지능 모델과 디지털 필터, ECG 특징 추출 알고리즘을 자동심장충격기에 동일하게 적용하는 단계(S9);로 이루어지는 것을 특징으로 한다.

Description

인공지능 기반 자동심장충격기용 심전도 분석 및 적용 방법{Artificial Intelligence Based ECG Analysis and Application for Automated External Defibrillator}

본 발명은 인공지능 기반 자동심장충격기용 심전도 분석 및 적용 방법에 관한 것으로서, 자동심장충격기에 내장되어 있는 심전도 분석 기술의 정확도를 높이기 위한 모델을 자동심장충격기에 적용 분석하여 충격(Shock)과 비충격(No-Shock)의 판단이 정확하게 이루어지도록 하여, 전기충격이 필요한 환자에게만 전기충격이 이루어지도록 한 기술에 관한 것이다.

일반적으로 자동심장충격기(또는 자동제세동기 Automated External Defibrillator, AED)는 자동으로 심장세동을 제거하는 장치로서, 심장박동이 불규칙한 부정맥 환자이거나 심장박동이 정지되어 각 조직으로 혈류가 중단되면서 생체활동에 필수적인 산소 등의 공급이 중단되는 현상인 급성심정지 (SCA: Sudden Cardiac Arrest) 현상이 발생할 때, 외부로부터 전기충격을 주어서 심장박동을 정상적으로 돌아오도록 하는 장치이다.

이러한 자동심장충격기의 사용과정은 환자의 몸에 부착되는 패드를 통해 환자의 심전도(ECG)를 측정하여, 해당 환자에게 충격(Shock)을 선택할지 비충격(No-Shock)을 선택할지 기기 스스로 판단하여, 전기충격이 이루어지고 있다.

따라서, 자동심장충격기에서 판단되는 것이 전기충격의 여부를 결정하기 때문에 정확한 판단이 요구되며, 전기충격이 필요한 환자에게 전기충격이 제대로 적용되지 않거나, 전기충격이 필요 없는 환자에게 까지 불필요한 전기충격이 가해지는 문제점이 있었다.

그러나 지금까지의 자동심장충격기는 심전도를 분석할 때 심전도의 규칙 기반의 알고리즘에 의해서만 판단하기 때문에 판단정확도가 떨어지게 되고, 심전도 파형의 복잡성으로 심전도 규칙의 판단 기준을 쉽게 변경할 수 없기 때문에 판단력의 상승을 크게 기대할 수 없는 구조이다.

등록특허 제10-2143705호(자동심장충격기의 패드 부착 안내시스템 및 그 부착 안내방법)

본 발명은 상기와 같은 문제점을 해결하기 위해 안출한 것으로서, 자동심장충격기의 심전도 분석을 딥러닝(Deep Learning)을 이용한 기계학습(Machine Learning)을 통해, 실제 적용되는 자동심장충격기의 충격(Shock)과 비충격(No-Shock)의 판단이 정확하게 이루어지도록 하여 전기충격이 필요한 환자에게만 전기충격이 이루어지도록 한 인공지능 기반 자동심장충격기용 심전도 분석 및 적용 방법을 제공함에 목적을 두고 있다.

본 발명은 ECG데이터 저장소, 제1ECG특징 추출부, ECG기계학습부로 구성되는 기계학습용 컴퓨터 장치 및 이와 연결되고 심전도 측정부, 제2ECG특징 추출부, ECG 인공지능 엔진으로 구성되는 자동심장충격기로 이루어진 시스템의 인공지능 기반 자동심장충격기용 심전도 분석 및 적용 방법에 있어서, ECG데이터를 수집하여 기계학습용 컴퓨터 장치의 ECG데이터 저장소에 저장하는 단계(S1)와, 상기 저장된 ECG데이터를 조각단위로 쪼개어 데이터 세트를 만드는 단계(S2)와, 상기 데이터 세트의 각 조각마다 심장리듬의 타입을 기록하는 형태로 1차 라벨링을 하고, 1차 라벨링된 조각마다 심장충격 여부를 기록하는 2차 라벨링 단계(S3)와, 상기 라벨링된 데이터 세트에 디지털 필터를 적용하여 노이즈를 제거하는 단계(S4)와, 상기 디지털 필터가 적용된 데이터 세트에서 ECG신호를 분석하여 특징을 추출하는 단계(S5)와, 상기 ECG신호의 특징이 추출된 학습용 데이터 세트를 입력값으로 하고, 2차 라벨링된 심장충격 여부를 분류 결과로 설정하여 지도학습 방식과 심층신경망(DNN)으로 딥러닝을 수행하는 ECG기계학습 단계(S6)와, 상기 ECG기계학습을 통해 만들어진 신경망 구조, 활성화 함수, 가중치와 같은 인공지능 모델을 이용해서 ECG신호의 특징이 추출된 테스트용 데이터 세트를 입력값으로 하고, 2차 라벨링된 심장충격 여부를 분류 결과로 설정하여 ECG기계학습 테스트를 진행하는 단계(S7)와, 상기 디지털 필터, ECG신호 분석 후 추출, ECG 기계학습 테스트 결과와 1차 라벨링된 심장리듬 데이터 세트를 이용하여 인공지능 기반 ECG 분석 성능을 평가하는 단계(S8)와, 상기 평가된 인공지능 기반 ECG 분석 성능 평가를 통해 최종적으로 선택된 신경망 구조, 활성화 함수, 가중치, 충격 판정 임계값을 포함하는 ECG 분석 인공지능 모델과 디지털 필터, ECG 특징 추출 알고리즘을 자동심장충격기에 동일하게 적용하는 단계(S9);로 이루어지는 것을 특징으로 한다.

또한 상기 ECG데이터 저장소에 저장하는 단계(S1)에서 수집되는 ECG데이터는 환자로부터 얻어진 실제 ECG데이터와 전자신호를 합성하여 만든 전자합성 ECG데이터로 이루어지는 것을 특징으로 한다.

또한 상기 ECG데이터 저장소에 저장하는 단계(S1)에서 ECG데이터는 자동심장충격기의 심전도 측정부와 같은 샘플링 주파수로 변경하여 저장하는 것을 특징으로 한다.

또한 상기 조각단위로 쪼개어 데이터 세트를 만드는 단계(S2)에서 자동심장충격기의 ECG 인공지능 엔진이 분석 가능한 조각단위로 쪼개는 것을 특징으로 한다.

또한 상기 조각단위로 쪼개어 데이터 세트를 만드는 단계(S2)에서 데이터 세트는 지도학습 방법으로 딥러닝을 위한 학습용 데이터 세트와 기계학습 테스트를 위한 테스트용 데이터 세트로 이루어지는 것을 특징으로 한다.

또한 상기 라벨링 단계(S3)에서 1차 라벨링은 심장리듬을 VF: 심실세동, VT: 심실빈맥, NSR: 정상 심장 박동, ASYS: 무수축, OTHER: 충격을 줄 수 없는 모든 심장 박동과 같이 총 5종류의 분류하고 해당되는 심장리듬에 맞게 선택하여 라벨링 되는 것을 특징으로 한다.

또한 상기 라벨링 단계(S3)에서 2차 라벨링은 1차 라벨링의 심장리듬 종류 및 조합에 따라 SHOCK : 충격 또는 NO-SHOCK : 비충격으로 충격여부를 라벨링하는 것을 특징으로 한다.

또한 상기 ECG기계학습 테스트를 진행하는 단계(S7)에서 테스트 데이터 세트를 입력으로 한 후 ECG 인공지능 모델의 출력값인 AI-VALUE가 충격 판정 임계값 이상이면 AI-SHOCK로 인공지능이 충격으로 판정하고 충격 판정 임계값 미만이면 AI-NO-SHOCK로 인공지능이 비-충격으로 판정하는 것을 특징으로 한다.

또한 상기 인공지능 기반 ECG 분석 성능을 평가하는 단계(S8)에서 C-DF를 디지털 필터의 조합 개수, C-FE를 추출된 ECG특징의 조합수, C-ML을 ECG 인공지능 모델에서 충격 여부를 판정하는 임계값에 따라 총 수행해야 할 기계학습 조합의 개수일 때, C-DF ×C-FE × C-ML의 수만큼 ECG기계학습 테스트를 진행한 결과 중에서 자동심장충격기에서 적용이 가능할 최적의 조합을 선택하는 것을 특징으로 한다.

또한 상기 인공지능 기반 ECG 분석 성능을 평가하는 단계(S8)에서 충격여부 라벨과 ECG 인공지능 모델 결과의 일치 조합에 따라 참양성(True Positive. TP), 참음성(True Negative. TN), 위양성(False Positive. FP), 위음성(False Negative. FN)으로 판정하는 것을 특징으로 한다.

또한 상기 인공지능 기반 ECG 분석 성능을 평가하는 단계(S8)에서 충격 여부 라벨이 SHOCK이고 ECG 인공지능 모델 결과가 AI-SHOCK이면 참양성(TP), 충격 여부 라벨이 SHOCK인데 ECG 인공지능 모델 결과가 AI-NO-SHOCK이면 위음성(FN), 충격 여부 라벨이 NO-SHOCK이고 ECG 인공지능 모델 결과가 AI-NO-SHOCK이면 참음성(TN), 충격 여부 라벨이 NO-SHOCK인데 ECG 인공지능 모델 결과가 AI-SHOCK이면 위양성(FP)으로 판정하는 것을 특징으로 한다.

본 발명은 ECG데이터를 통해 심장리듬의 특성을 추출하고, 추출된 ECG신호의 특징과 데이터 세트를 이용하여 지도학습 방식의 기계학습을 수행함으로써, 실제 적용되는 자동심장충격기의 충격(Shock)과 비충격(No-Shock)의 판단이 정확하게 이루어지도록 하여 전기충격이 필요한 환자에게만 전기충격이 이루어지도록 한 효과를 갖는다.

도 1은 본 발명의 인공지능 기반 자동심장충격기용 심전도 분석 및 적용 방법에서 기계학습용 컴퓨터 장치와 자동심장충격기의 연결 구성을 나타낸 도면
도 2은 본 발명의 인공지능 기반 자동심장충격기용 심전도 분석 및 적용 방법을 나타낸 도면
도 3은 본 발명의 인공지능 기반 자동심장충격기용 심전도 분석 및 적용 방법의 과정을 나타낸 흐름도
도 4는 본 발명에서 딥러닝 방법을 나타낸 흐름도

이하 본 발명의 바람직한 실시예를 상세히 설명하면 다음과 같다. 그리고 본 발명을 설명함에 있어서, 관련된 공지기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

본 발명은 ECG데이터 저장소(110), 제1ECG특징 추출부(120), ECG기계학습부(130)로 구성되는 기계학습용 컴퓨터 장치(100) 및 이와 연결되고 심전도 측정부(210), 제2ECG특징 추출부(220), ECG 인공지능 엔진(230)으로 구성되는 자동심장충격기(200)로 이루어진 시스템의 인공지능 기반 자동심장충격기용 심전도 분석 및 적용 방법에 관한 기술이다.

상기 기계학습용 컴퓨터 장치(100)는 다양한 ECG데이터가 저장되는 ECG데이터 저장소(110), 특정 알고리즘을 통해 ECG의 특징을 추출하는 제1ECG특징 추출부(120), 학습용 데이터와 테스트용 데이터를 이용한 딥러닝을 수행하는 ECG기계학습부(130)로 구성된다.

그리고 상기 자동심장충격기(200)는 실제 환자의 심전도를 측정하는 심전도 측정부(210), 이미 입력된 알고리즘을 통해 ECG 특징을 추출하는 제2ECG특징 추출부(220), ECG 기계학습을 통해 생성된 ECG 인공지능 모델을 기반으로 ECG특징을 분석하여 심장충격 여부를 판단하는 ECG 인공지능 엔진(230)으로 구성된다.

본 발명은 ECG데이터 저장소에 저장된 ECG데이터를 이용하여 기계학습용 컴퓨터 장치에서 기계학습을 수행한 다음 그 최종 결과값인 알고리즘과 ECG 분석 인공지능 모델을 자동심장충격기에 적용하는 기술로서, 기계학습의 모든 과정이 기계학습용 컴퓨터 장치에서 이루어진다. 상기 기계학습용 컴퓨터 장치는 노트북, 데스크톱, 슈퍼컴퓨터, 서버, 개인 단말기와 같이 자동연산 기능을 할 수 있는 기계장치를 포함할 수 있다.

그리고 기계학습용 컴퓨터 장치는 단일 구성으로 이루어져 모든 과정을 수행할 수 있으나, 복수로 구성되어 각 단계별로 서로다른 기계학습용 컴퓨터 장치가 처리할 수 있다.

이러한 본 발명의 구체적인 방법은 도 2에 도시한 바와 같이 ECG데이터를 수집하여 기계학습용 컴퓨터 장치의 ECG데이터 저장소에 저장하는 단계(S1)와, 상기 저장된 ECG데이터를 조각단위로 쪼개어 데이터 세트를 만드는 단계(S2)와, 상기 데이터 세트의 각 조각마다 심장리듬의 타입을 기록하는 형태로 1차 라벨링을 하고, 1차 라벨링된 조각마다 심장충격 여부를 기록하는 2차 라벨링 단계(S3)와, 상기 라벨링된 데이터 세트에 디지털 필터를 적용하여 노이즈를 제거하는 단계(S4)와, 상기 디지털 필터가 적용된 데이터 세트에서 ECG신호를 분석하여 특징을 추출하는 단계(S5)와, 상기 ECG신호의 특징이 추출된 학습용 데이터 세트를 입력값으로 하고, 2차 라벨링된 심장충격 여부를 분류 결과로 설정하여 지도학습 방식과 심층신경망(DNN)으로 딥러닝을 수행하는 ECG기계학습 단계(S6)와, 상기 ECG기계학습을 통해 만들어진 신경망 구조, 활성화 함수, 가중치와 같은 인공지능 모델을 이용해서 ECG신호의 특징이 추출된 테스트용 데이터 세트를 입력값으로 하고, 2차 라벨링된 심장충격 여부를 분류 결과로 설정하여 ECG기계학습 테스트를 진행하는 단계(S7)와, 상기 디지털 필터, ECG신호 분석 후 추출, ECG 기계학습 테스트 결과와 1차 라벨링된 심장리듬 데이터 세트를 이용하여 인공지능 기반 ECG 분석 성능을 평가하는 단계(S8)와, 상기 평가된 인공지능 기반 ECG 분석 성능 평가를 통해 최종적으로 선택된 신경망 구조, 활성화 함수, 가중치, 충격 판정 임계값을 포함하는 ECG 분석 인공지능 모델과 디지털 필터, ECG 특징 추출 알고리즘을 자동심장충격기에 동일하게 적용하는 단계(S9);로 이루어지는 것을 특징으로 한다.

상기 ECG데이터 저장소에 저장하는 단계(S1)에서 수집되는 ECG데이터는 도 3에 도시한 바와 같이 환자로부터 얻어진 실제 ECG데이터와 전자신호를 합성하여 만든 전자합성 ECG데이터로 이루어게 된다.

여기서 실제 ECG데이터는 병원과 같은 곳에서 실제 환자를 대상으로 수집한 ECG데이터와 전임상 시험을 통해 수집한 ECG데이터로 적용될 수 있는데, 이때 수집한 ECG데이터 중에서 ECG 채널이 Lead-II가 아닌 데이터이거나, 잡음이 심해서 충격 여부를 판정할 수 없는 ECG데이터이거나, ECG신호가 포화한 데이터는 기계학습에 사용될 수 없기 때문에 제외한다.

이렇게 수집한 ECG데이터는 샘플링 주파수, 데이터 형식, 신호 단위가 각각 다르므로 적용할 자동심장충격기의 심전도 측정부와와 같은 규격으로 변환해야한다. 즉, 기계학습 모델을 적용할 자동심장충격기의 아날로그-디지털 변환기(Analog-Digital Converter)와 같은 샘플링 주파수로 변환하고, ECG신호는 nV 단위 정수형(Integer)으로 변환한다.

상기와 같이 환자로부터 수집한 ECG데이터는 자동심장충격기가 심장리듬을 분석할 때 실제로 입력되는 ECG신호와 같으므로 학습용 데이터와 테스트용 데이터로는 적합하지만, 충격(Shock)과 비-충격(No-Shock)의 경계를 학습하기에는 부족하다. 따라서, 충격(Shock)과 비-충격(No-Shock)의 경계를 학습하기 위하여 ECG 신호를 만들어서 합성한 전자 합성 ECG데이터를 더 만드는 것이다.

상기 전자합성 ECG데이터는 심장리듬의 파형(Waveform), 심박수(Beats Per Minute, BPM), 진폭(Amplitude)을 다양하게 조합해서 신호를 합성한다.

상기 심장리듬의 파형은 Coarse VFib, Fine VFib, Poly VTach, Mono VTach, Normal Sinus, Asystole, Multifocal PVCs, PVC1 LV R On T, PVC1 LV Early, PVC1 Left Vent, PVC2 RV R On T, PVC2 RV Early, PVC2 Right Vent, Nodal PNC, AFib, SupraVTach, Nodal Rhythm, Paroxys-mal ATach, ATach, Missed Beat, Sinus Ar-rhythmia, Atrial Flutter의 파형 특성을 조합하여 생성하게 된다.

그리고 진폭의 범위는 0.1~0.5 mV(△0.05 mV), 1~3.5 mV(△0.5 mV)으로 이루어지고, 심박수 범위는 Mono VTach가 120~300 BPM (△5 BPM), Normal Sinus은 10~360 BPM (△5 BPM)으로 이루어진다. (여기서 △는 증가 값을 의미한다)

상기 조각단위로 쪼개어 데이터 세트를 만드는 단계(S2)는 변환과정을 거친 실제 ECG데이터와 새롭게 만들어진 전자합성 ECG데이터를 자동심장충격기의 ECG 인공지능 엔진이 심장리듬을 분석 가능한 작은 단위로 분할하여 데이터 세트를 만들게 된다.

본 발명의 기계학습은 지도학습(Supervised Learning)유형으로 적용되기 때문에, 상기 조각단위로 쪼개어 데이터 세트를 만드는 단계(S2)에서 데이터 세트는 딥러닝에 필요한 학습용 데이터 세트와 기계학습 테스트를 위한 테스트용 데이터 세트로 구분된다.

상기 학습용 데이터 세트는 전자합성 ECG데이터 전체와 수집한 ECG데이터 중에서 일부를 사용한다. 이때 학습용 데이터 세트를 구성할 때 ECG신호의 진폭이 0.1 mV 미만인 ECG 데이터는 제외한다.

그리고 테스트용 데이터 세트는 상기 ECG기계학습 테스트를 진행하는 단계(S7)에서 사용한다.

본 발명의 라벨링 단계(S3)는 심장리듬의 타입을 기록하는 1차 라벨링과 심장충격 여부를 기록하는 2차 라벨링으로 이루어진다. 상기 1차 라벨링과 2차 라벨링은 각 데이터 세트의 각 ECG조각마다 라벨링하는 것으로서, 학습용 데이터 세트의 기계학습과 심장리듬 분석의 성능을 테스트하기 위하여 1차 및 2차 라벨링을 하게 되는 것이다.

상기 라벨링 단계(S3)에서 심장리듬에 해당하는 1차 라벨링은 ECG데이터베이스에 기록된 주석(Annotation), 전문가의 분석을 통해 설정한다. 즉, 1차 라벨링은 VF: 심실세동, VT: 심실빈맥, NSR: 정상 심장 박동, ASYS : 무수축, OTHER: 충격을 줄 수 없는 모든 심장 박동과 같이 총 5종류의 분류하고 해당되는 심장리듬에 맞게선택하여 라벨링 된다.

상기 OTHER 항목은 심실 조기 수축(Premature ventricular contractions), 발작성 상심실성 빈맥(Supraventricular tachycardia), 동성 서맥(sinus bradycardia), 심방세동/심방조동(Atrial fibrillation/atrial flutter), 2도/3도 방실차단(Second or third-degree heart block), 가속접합리듬(Accelerated Junctional Rhythm), 심장박동기 리듬(Pacemaker Rhythm)을 포함한다.

상기 데이터 세트 중에서 ECG 신호의 진폭이 0.1 mV 미만인 ECG 조각은 ASYS로 라벨링 한다. 그리고 VF와 VT로 라벨이 붙은 ECG 조각 중에서 심박수가 늦어서 비-충격(No-Shock)이면 OTHER로 라벨링 한다.

그리고 라벨링 단계(S3)에서 2차 라벨링은 1차 라벨링의 심장리듬 종류 및 조합에 따라 SHOCK 또는 NO-SHOCK로 충격여부를 라벨링 하게 된다. 즉, ECG 조각의 심장리듬에서 충격이 필요하면 충격(SHOCK), 충격이 필요하지 않으면 비-충격(NO-SHOCK)으로 라벨링 한다. 예를 들어서 VF, VT : SHOCK 로 라벨링 하거나, NSR, ASYS, OTHER : NO-SHOCK로 라벨링 하게 된다.

이렇게 라벨링이 완료된 데이터 세트는 상기 노이즈를 제거하는 단계(S4)를 통해 디지털 필터(Digital Filter)를 적용하게 된다. 상기 디지털 필터는 ECG신호의 잡음을 제거하고 신호를 원활하게 분석할 수 있도록 한 필터이다. 상기 디지털 필터의 적용 순서는 다음과 같다.

첫째, 데이터 세트에서 nV급 정수형 ECG 신호를 mV급 부동소수점(Floating-point)으로 변환한다. 둘째, 기저선 변동 잡음(Baseline Wander), 전력선 간섭 잡음(Power-line Interference)을 제거하고 ECG 신호를 쉽게 분석할 수 있도록 대역 통과 필터(Band-Pass Filter)를 적용한다. 셋째, 필요에 따라서는 이동 평균 필터(Mov-mean Filter)를 적용할 수 있다.

상기 데이터 세트의 주파수, 필터 차수, 적용하는 디지털 필터의 종류에 따른 디지털 필터 조합에 따라 기계학습의 결과가 달라진다. 따라서 기계학습의 평가를 통해 최적의 디지털 필터의 조합을 선택해야 하며, 똑같은 성능을 얻기 위해서는 선택한 디지털 필터의 조합과 같게 자동심장충격기에 적용한다.

상기 ECG신호를 분석하여 특징을 추출하는 단계(S5)에서는 디지털 필터를 적용한 데이터 세트에서 ECG신호를 분석해서 특징 추출(Feature extraction)을 하는 과정이다. 특징을 추출하기 위해서는 ECG 신호의 심박수(Rate), 전도성(Conduction), 리듬의 안정성(Stability of the rhythm), 진폭(Amplitude) 등을 특징으로 이용할 수 있다. 고속 푸리에 변환(Fast Fourier Transform, FFT), 웨이블릿(Wavelet) 변환 등을 이용해서 ECG 신호를 분석해서 특징을 추출할 수 있다. 그밖에도 ECG 신호의 특징에 대한 평균, 표준편차, 첨도 등 통계적인 방법으로도 추출할 수 있다.

아울러, 특징 추출에 사용한 분석 방법과 알고리즘 조합은 자동심장충격기에도 같게 적용한다.

그리고 나서 상기 지도학습 방식과 심층신경망(DNN)으로 딥러닝을 수행하는 ECG기계학습 단계(S6)를 거치게 되는데, 일반적으로 지도학습(Supervised Learning)은 비지도학습(unsupervised Learning)과 달리 학습 데이터를 가지고 예시적으로 각 데이터가 가지는 의미를 미리 알려주고(또는 학습시키고) 새롭게 입력된 데이터의 의미를 알아내는 딥러닝 방법이다.

딥러닝은 상기 ECG신호를 분석하여 특징을 추출하는 단계(S5)에서 ECG특징 추출을 입력으로 하고, 충격 여부 라벨인 SHOCK과 NO-SHOCK을 분류 결과로 설정한다.

딥러닝은 순차 모델(Sequential Model)로 심층신경망(Deep Neural Network; DNN)을 구성한다. 입력층(Input Layer)은 ECG특징 추출의 데이터를 입력으로 한다. 은닉측(Hidden Layer)은 활성화 함수(Activation Function)으로 비선형 데이터를 해결하기 위해 쌍곡선 탄젠트(Hyperbolic Tangent) 함수를 사용하고, 벡터를 확률 분포로 변환하는 소프트맥스(Softmax) 함수를 사용한다. 출력층(Output Layer)은 활성화 함수(Activation Function)으로 0과 1사이의 값으로 변환하는 시그모이드(Sigmoid) 함수를 사용한다.

심층신경망 모델의 입력층(Input Layer)은 ECG특징 추출과 동일한 노드(Node)로 구성되어 있고 출력층(Output Layer)은 1개의 노드로 구성되어 있다. ECG특징 추출 데이터가 [FE(1), FE(2), …, FE(n)]라고 하면 입력측의 노드는 [L1(1), L1(2), …, L1(n)]이 된다. 여기서 n은 ECG특징 추출 데이터의 총 수를 의미한다. 은닉층은 L2, L3, L4 등 3개의 층으로 구성하며, 각 층은 n2, n3, n4 개의 노드로 구성한다. 그리고 활성화 함수로 쌍곡선 탄젠트와 소프트 맥스를 사용한다. 은닉층은 ECG분석 성능을 향상시키기 위해 층이 추가될 수 있다. 출력층은 1개의 노드로 구성하며, 시그모이드(Sigmoid) 함수를 사용한다.

이렇게 ECG특징 추출을 이용해서 ECG 기계학습 모델을 구성하면 심층신경망 모델의 노드 수와 은닉층의 수가 적어지면서 자동심장충격기의 ECG인공지능 엔진을 적은 자원으로 만들 수 있다.

이와 같이 기계학습을 거치게 되면, 상기 ECG기계학습 테스트를 진행하는 단계(S7) 기계학습을 통해 만들어진 신경망 구조, 활성화 함수, 가중치 등 ECG 인공지능 모델을 이용해서 ECG신호의 특징이 추출된 테스트용 데이터 세트를 입력값으로 하고, 2차 라벨링된 심장충격 여부를 분류 결과로 설정하여 ECG 기계학습을 테스트한다.

ECG 기계학습 테스트는 먼저 테스트용 데이터 세트의 ECG특징 값을 ECG인공지능 모델에 입력한다. 입력된 ECG특징 값은 학습된 심층신경망 구조, 활성화 함수, 가중치에 따라 신경망 노드를 지나간 후 출력층의 시그모이드 함수를 거치면서 0과 1사이의 AI-VALUE 값을 출력한다. AI-VALUE 값은 1에 근접할수록 충격에 근접하며, 0에 근접할수록 비-충격에 근접해진다.

최종적으로 충격과 비-충격은 AI-VALUE의 임곗값(Threshold)으로 결정한다. AI-VALUE가 임곗값을 넘으면 AI-SHOCK 인공지능이 충격으로 판정하고, AI-VALUE가 임곗값을 넘지 못하면 AI-NO-SHOCK 인공지능이 비-충격으로 판정한다.

이와 같이 임계값(Threshold)에 따라 충격 여부의 판정이 달라지기 때문에, 임계값(Threshold)의 조합에 따라 ECG기계학습 테스트를 진행해야 한다. 따라서, 상기 ECG기계학습 테스트를 진행하는 단계(S7)에서 C-DF를 디지털 필터의 조합 개수, C-FE를 추출된 ECG특징의 조합수, C-ML을 ECG 인공지능 모델에서 충격 여부를 판정하는 임계값에 따라 총 수행해야 할 기계학습 조합의 개수일 때, C-DF ×C-FE × C-ML의 수만큼 ECG기계학습 테스트를 진행한다. 그리고 그 결과 중에서 자동심장충격기에서 적용이 가능할 최적의 조합을 선택하는 것이다.

그리고 나서 인공지능 기반 ECG 분석 성능을 평가하는 단계(S8)를 거치게 된다. 상기 단계는 디지털 필터, ECG특징 추출 등 알고리즘과 ECG기계학습을 통해 만들어진 신경망 구조, 활성화 함수, 가중치 등 ECG 인공지능 모델과 인공지능이 충격을 판정하는 기준인 임계값 조합중에서 자동심장충격기에 적용하기 위한 ECG분석 인공지능 모델을 선택하기 위해 인공지능 기반 ECG 분석 성능 평가를 진행한다.

상기 인공지능 기반 ECG 분석 성능을 평가하는 단계(S8)는 ECG 기계학습 테스트 결과와 1차 라벨링된 심장리듬 데이터 세트를 이용하여 디지털 필터, ECG특징 추출 알고리즘 등 알고리즘에 대한 평가와 신경망 구조, 활성화 함수, 가중치, 충격 판정 임계값 등 ECG 분석 인공지능 모델에 대한 성능을 평가하는 것으로서, 충격여부 라벨과 ECG 인공지능 모델 결과의 일치 조합에 따라 참양성(True Positive. TP), 참음성(True Negative. TN), 위양성(False Positive. FP), 위음성(False Negative. FN)으로 판정한다.

상기 참양성(TP)은 충격성 심장리듬을 정확하게 판정했을 경우이고, 참음성(TN)은 비-충경성 심장리듬을 정확하게 판정했을 경우이다. 그리고 위양성(FP)는 충격이 필요 없는 상황에서 충격성 심장리듬으로 틀리게 판정했을 경우이고, 위음성(FN)은 충격이 필요한 상황에서 비-충격성 심장리듬으로 틀리게 판정했을 경우이다.

즉, 인공지능 기반 ECG 분석 성능을 평가하는 단계(S8)는 충격여부 라벨과 기계학습 모델 결과의 일치 조합을 총 4가지 형태로 판정하는 것으로서, 구체적으로 충격 여부 라벨이 SHOCK이고 ECG 인공지능 모델 결과가 AI-SHOCK이면 참양성(TP), 충격 여부 라벨이 SHOCK인데 ECG 인공지능 모델 결과가 AI-NO-SHOCK이면 위음성(FN), 충격 여부 라벨이 NO-SHOCK이고 ECG 인공지능 모델 결과가 AI-NO-SHOCK이면 참음성(TN), 충격 여부 라벨이 NO-SHOCK인데 ECG 인공지능 모델 결과가 AI-SHOCK이면 위양성(FP)으로 판정하는 것이다.

자동심장충격기는 충격이 필요한 리듬의 민감도(Sensitivity)보다는 충격이 필요 없는 리듬의 특이도(Specificity)가 중요하다. 민감도와 특이도는 상기 판정결과를 이용하여 아래와 같이 계산하게 된다. 상기 민감도(Sensitivity)는 TP / (TP + FN)식에 의해 계산되고, 특이도(Specificity)는 TN / (FP + TN) 식에 의해 계산되는 것이 바람직하다.

국제규격에서 자동심장충격기의 민감도(Sensitivity)와 특이도(Specificity)는 다음과 같이 요구된다. 심실세동(VF)의 민감도(Sensitivity)는 90% 이상, 심실빈맥(VT)의 민감도(Sensitivity)는 75% 이상, 정상 심장 박동(NSR) 특이도(Specificity)는 99% 이상, 무수축(Asys) 특이도(Specificity)는 95% 이상, 충격을 줄 수 없는 모든 심장 박동의 특이도(Specificity)는 95% 으로 요구된다.

그리고 나서 심장리듬 라벨에 따른 심장리듬 판정기준을 이용하여 자동심장충격기에 적용할 ECG분석 인공지능 모델 조합을 선택한다. 즉 예를들어 심장리듬 라벨이 VF 중에서 충격 여부 라벨이 SHOCK이고 ECG분석 인공지능 모델 결과가 AI-SHOCK이면 TP-VF로 판정하고, 심장리듬 라벨이 VT 중에서 충격 여부 라벨이 SHOCK이고 ECG분석 인공지능 모델 결과가 AI-SHOCK이면 TP-VT로 판정하고, 심장리듬 라벨이 NSR 중에서 충격 여부 라벨이 NO-SHOCK이고 ECG분석 인공지능 모델 결과가 AI-NO-SHOCK이면 TN-NSR로 판정하고, 심장리듬 라벨이 ASYS 중에서 충격 여부 라벨이 NO-SHOCK이고 ECG분석 인공지능 모델 결과가 AI-NO-SHOCK이면 TN-ASYS로 판정하고, 심장리듬 라벨이 OTHER 중에서 충격 여부 라벨이 NO-SHOCK이고 ECG분석 인공지능 모델 결과가 AI-NO-SHOCK이면 TN-OTHER로 판정한다.

위 판정에서 TP-VF와 TP-VT는 민감도(Sensitivity)와 같으며, TN-NSR, TN-ASYS, TN-OTHER는 특이도(Specificity)와 같다

그리고 전자 합성 ECG 데이터 세트의 심장리듬 라벨 중에서 다음 기준을 만족하는 ECG분석 인공지능 모델의 조합을 선택한다.

- TP-VF = 1

- TP-VT = 1

- TN-NSR = 1

- TN-ASYS = 1

- TN-OTHER > 0.95

상기 선택한 ECG분석 인공지능 모델 조합 중에서 테스트 데이터 세트의 심장리듬 라벨 중 다음 기준을 만족하는 ECG분석 인공지능 모델의 조합을 선택한다.

- TP-VF > 0.95

- TP-VT > 0.95

- TN-NSR > 0.99

- TN-ASYS > 0.99

- TN-OTHER > 0.95

그리고 나서 상기 선택한 ECG분석 인공지능 모델 조합 중에서 자동심장충격기에 적용이 가능한 조합을 선택한다. 만약에, 원하는 성능이 나오지 않거나 성능 개선이 필요하거나, 라벨을 수정하면 데이터 세트 생성부터 다시 수행한다.

최종적으로 본 발명은 상기 평가된 인공지능 기반 ECG 분석 성능 평가를 통해 최종적으로 선택된 신경망 구조, 활성화 함수, 가중치, 충격 판정 임계값을 포함하는 ECG 분석 인공지능 모델과 디지털 필터, ECG 특징 추출 알고리즘을 자동심장충격기에 동일하게 적용하는 단계(S9);를 거치게 된다.

즉, ECG기계학습부에서 최종 선택된 ECG분석 인공지능 모델의 신경망 구조, 활성화 함수, 가중치, 충격 판정 임계값이 자동심장충격기의 ECG인공지능 엔진으로 제공되는 것이고, 제1 ECG특징 추출부의 디지털 필터와 ECG특징 추출 알고리즘은 자동심장충격기의 제2 ECG특징 추출부로 디지털 필터의 조건과 ECG특징 추출 알고리즘을 제공하게 되어, 최종적으로 사용하게 될 자동심장충격기의 심전도 분석 기술의 정확도를 높이고 충격(Shock)과 비충격(No-Shock)의 판단이 정확하게 이루어지는 것이다.

이상에서 본 발명은 상기 실시예를 참고하여 설명하였지만 본 발명의 기술사상 범위 내에서 다양한 변형실시가 가능함은 물론이다.

S1 ~ S9 : 인공지능 기반 자동심장충격기용 심전도 분석 및 적용 방법
100 : 기계학습용 컴퓨터 장치 110 : ECG데이터 저장소
120 : 제1ECG특징 추출부 130 : ECG기계학습부
200 : 자동심장충격기 210 : 심전도 측정부
220 : 제2ECG특징 추출부 230 : ECG 인공지능 엔진

Claims

ECG데이터 저장소, 제1ECG특징 추출부, ECG기계학습부로 구성되는 기계학습용 컴퓨터 장치 및 이와 연결되고 심전도 측정부, 제2ECG특징 추출부, ECG 인공지능 엔진으로 구성되는 자동심장충격기로 이루어진 시스템의 인공지능 기반 자동심장충격기용 심전도 분석 및 적용 방법에 있어서,
ECG데이터를 수집하여 기계학습용 컴퓨터 장치의 ECG데이터 저장소에 저장하는 단계(S1)와,
상기 저장된 ECG데이터를 조각단위로 쪼개어 데이터 세트를 만드는 단계(S2)와,
상기 데이터 세트의 각 조각마다 심장리듬의 타입을 기록하는 형태로 1차 라벨링을 하고, 1차 라벨링된 조각마다 심장충격 여부를 기록하는 2차 라벨링 단계(S3)와,
상기 라벨링된 데이터 세트에 디지털 필터를 적용하여 노이즈를 제거하는 단계(S4)와,
상기 디지털 필터가 적용된 데이터 세트에서 ECG신호를 분석하여 특징을 추출하는 단계(S5)와,
상기 ECG신호의 특징이 추출된 학습용 데이터 세트를 입력값으로 하고, 2차 라벨링된 심장충격 여부를 분류 결과로 설정하여 지도학습 방식과 심층신경망(DNN)으로 딥러닝을 수행하는 ECG기계학습 단계(S6)와,
상기 ECG기계학습을 통해 만들어진 신경망 구조, 활성화 함수, 가중치와 같은 인공지능 모델을 이용해서 ECG신호의 특징이 추출된 테스트용 데이터 세트를 입력값으로 하고, 2차 라벨링된 심장충격 여부를 분류 결과로 설정하여 ECG기계학습 테스트를 진행하는 단계(S7)와,
상기 디지털 필터, ECG신호 분석 후 추출, ECG 기계학습 테스트 결과와 1차 라벨링된 심장리듬 데이터 세트를 이용하여 인공지능 기반 ECG 분석 성능을 평가하는 단계(S8)와,
상기 평가된 인공지능 기반 ECG 분석 성능 평가를 통해 최종적으로 선택된 신경망 구조, 활성화 함수, 가중치, 충격 판정 임계값을 포함하는 ECG 분석 인공지능 모델과 디지털 필터, ECG 특징 추출 알고리즘을 자동심장충격기에 동일하게 적용하는 단계(S9);로 이루어지는 것을 특징으로 하는 인공지능 기반 자동심장충격기용 심전도 분석 및 적용 방법
제 1항에 있어서,
상기 ECG데이터 저장소에 저장하는 단계(S1)에서 수집되는 ECG데이터는 환자로부터 얻어진 실제 ECG데이터와 전자신호를 합성하여 만든 전자합성 ECG데이터로 이루어지는 것을 특징으로 하는 인공지능 기반 자동심장충격기용 심전도 분석 및 적용 방법
제 1항에 있어서,
상기 ECG데이터 저장소에 저장하는 단계(S1)에서 ECG데이터는 자동심장충격기의 심전도 측정부와 같은 샘플링 주파수로 변경하여 저장하는 것을 특징으로 하는 인공지능 기반 자동심장충격기용 심전도 분석 및 적용 방법
제 1항에 있어서,
상기 조각단위로 쪼개어 데이터 세트를 만드는 단계(S2)에서 자동심장충격기의 ECG 인공지능 엔진이 분석 가능한 조각단위로 쪼개는 것을 특징으로 하는 인공지능 기반 자동심장충격기용 심전도 분석 및 적용 방법
제 1항에 있어서,
상기 조각단위로 쪼개어 데이터 세트를 만드는 단계(S2)에서 데이터 세트는 지도학습 방법으로 딥러닝을 위한 학습용 데이터 세트와 기계학습 테스트를 위한 테스트용 데이터 세트로 이루어지는 것을 특징으로 하는 인공지능 기반 자동심장충격기용 심전도 분석 및 적용 방법
제 1항에 있어서,
상기 라벨링 단계(S3)에서 1차 라벨링은 심장리듬을 VF: 심실세동, VT: 심실빈맥, NSR: 정상 심장 박동, ASYS: 무수축, OTHER: 충격을 줄 수 없는 모든 심장 박동과 같이 총 5종류의 분류하고 해당되는 심장리듬에 맞게 선택하여 라벨링 되는 것을 특징으로 하는 인공지능 기반 자동심장충격기용 심전도 분석 및 적용 방법
제 6항에 있어서,
상기 라벨링 단계(S3)에서 2차 라벨링은 1차 라벨링의 심장리듬 종류 및 조합에 따라 SHOCK : 충격 또는 NO-SHOCK : 비충격으로 충격여부를 라벨링하는 것을 특징으로 하는 인공지능 기반 자동심장충격기용 심전도 분석 및 적용 방법
제 1항에 있어서,
상기 ECG기계학습 테스트를 진행하는 단계(S7)에서 테스트 데이터 세트를 입력으로 한 후 ECG 인공지능 모델의 출력값인 AI-VALUE가 충격 판정 임계값 이상이면 AI-SHOCK로 인공지능이 충격으로 판정하고 충격 판정 임계값 미만이면 AI-NO-SHOCK로 인공지능이 비-충격으로 판정하는 것을 특징으로 하는 인공지능 기반 자동심장충격기용 심전도 분석 및 적용 방법
제 1항에 있어서,
상기 인공지능 기반 ECG 분석 성능을 평가하는 단계(S8)에서 C-DF를 디지털 필터의 조합 개수, C-FE를 추출된 ECG특징의 조합수, C-ML을 ECG 인공지능 모델에서 충격 여부를 판정하는 임계값에 따라 총 수행해야 할 기계학습 조합의 개수일 때, C-DF ×C-FE × C-ML의 수만큼 ECG기계학습 테스트를 진행한 결과 중에서 자동심장충격기에서 적용이 가능할 최적의 조합을 선택하는 것을 특징으로 하는 인공지능 기반 자동심장충격기용 심전도 분석 및 적용 방법
제 1항에 있어서,
상기 인공지능 기반 ECG 분석 성능을 평가하는 단계(S8)에서 충격여부 라벨과 ECG 인공지능 모델 결과의 일치 조합에 따라 참양성(True Positive. TP), 참음성(True Negative. TN), 위양성(False Positive. FP), 위음성(False Negative. FN)으로 판정하는 것을 특징으로 하는 인공지능 기반 자동심장충격기용 심전도 분석 및 적용 방법
제 10항에 있어서,
상기 인공지능 기반 ECG 분석 성능을 평가하는 단계(S8)에서 충격 여부 라벨이 SHOCK이고 ECG 인공지능 모델 결과가 AI-SHOCK이면 참양성(TP), 충격 여부 라벨이 SHOCK인데 ECG 인공지능 모델 결과가 AI-NO-SHOCK이면 위음성(FN), 충격 여부 라벨이 NO-SHOCK이고 ECG 인공지능 모델 결과가 AI-NO-SHOCK이면 참음성(TN), 충격 여부 라벨이 NO-SHOCK인데 ECG 인공지능 모델 결과가 AI-SHOCK이면 위양성(FP)으로 판정하는 것을 특징으로 하는 인공지능 기반 자동심장충격기용 심전도 분석 및 적용 방법