KR20230044126A - 심전도 신호의 오류 복원 방법, 프로그램 및 장치 - Google Patents
심전도 신호의 오류 복원 방법, 프로그램 및 장치 Download PDFInfo
- Publication number
- KR20230044126A KR20230044126A KR1020220118468A KR20220118468A KR20230044126A KR 20230044126 A KR20230044126 A KR 20230044126A KR 1020220118468 A KR1020220118468 A KR 1020220118468A KR 20220118468 A KR20220118468 A KR 20220118468A KR 20230044126 A KR20230044126 A KR 20230044126A
- Authority
- KR
- South Korea
- Prior art keywords
- electrocardiogram signal
- signal
- error
- electrocardiogram
- lead
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000003062 neural network model Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 5
- 238000011084 recovery Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 2
- 238000002565 electrocardiography Methods 0.000 abstract description 114
- 210000000038 chest Anatomy 0.000 description 21
- 230000008569 process Effects 0.000 description 18
- 238000004891 communication Methods 0.000 description 13
- 238000010219 correlation analysis Methods 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 208000019622 heart disease Diseases 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 208000020446 Cardiac disease Diseases 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/25—Bioelectric electrodes therefor
- A61B5/276—Protection against electrode failure
-
- 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
- A61B5/25—Bioelectric electrodes therefor
- A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
- A61B5/28—Bioelectric electrodes therefor specially adapted for particular uses for electrocardiography [ECG]
-
- 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]
- A61B5/319—Circuits for simulating ECG signals
-
- 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]
- A61B5/327—Generation of artificial ECG signals based on measured signals, e.g. to compensate for missing leads
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Cardiology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 심전도 신호의 오류 복원 방법은 심전도 신호를 획득하는 단계, 상기 획득된 심전도 신호를 측정하기 위한 리드들 사이의 상관관계를 기초로, 상기 획득된 심전도 신호의 오류를 추정하는 단계 및 심전도 신호의 오류를 교정하기 위한 복원 정보를 기초로, 상기 오류가 추정된 심전도 신호를 복원하는 단계를 포함할 수 있다.
Description
본 개시의 내용은 심전도 신호의 오류 복원 방법에 관한 것으로, 구체적으로는 심전도 신호의 상관관계에 기초하여 심전도 신호의 측정 과정에서 발생한 오류를 검출하고 심전도 신호를 복원하는 방법에 관한 것이다.
심장의 이상 유무를 검사하기 위해서 임상적 진찰이나 영상검사 등이 이용되고 있다. 특히 심장 질환의 조기 진단을 위해 심전도를 측정하여 측정된 심전도 신호를 그래프의 형태로 표시하고, 그래프를 기초로 환자의 심장에서의 이상 유무를 판단하는 방법이 널리 이용되고 있다.
심전도(Electrocardiography, ECG)는 심장의 박동에 따라 심근에서 발생하는 활동 전류를 파장 형태로 기록한 것이다. 12 리드 심전도 방식은 환자의 신체에 10개의 전극을 부착하여 신호를 측정한다. 이때, 10개 전극 중 흉부리드 전극인 6개(V1 내지 V6)는 단극흉부 유도법에 따라 해부학상 특정 위치에 부착된다. 그리고, 나머지 4개의 전극은 환자의 사지, 즉 왼쪽 손과 발, 오른쪽 손과 발에 각각에 각각 부착된다. 다만, 왼쪽 손과 발, 오른쪽 손과 발에 각각에 각각 부착되는 전극은, 경우에 따라서, 가슴의 상부 좌우와 하부 좌우에 부착될 수도 있다.
일반적으로 심전도 신호를 측정하기 위해서는 10개의 심전도 전극 부착위치를 환자의 인체에서 찾아서 일일이 부착해야 한다. 그러나, 환자에게서 10개의 전극을 부착할 정확한 위치를 찾기는 쉽지 않으며, 의료진과 같은 숙련자가 사용하는 경우에도 종종 전극을 잘못 부착하여 진단이 불가능한 신호가 측정되거나 잘못된 진단이 발생하기도 한다.
따라서, 심전도 전극을 부착하여 올바른 신호를 측정하기 위해, 심전도 전극의 위치가 뒤바뀐 경우에도 이를 판단하고 리드 역전이 발생한 신호를 복원하여, 정상 심전도 신호를 빠르게 제공할 수 있는 방법이 필요한 실정이다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 심전도 신호를 기초로 잘못 부착된 심전도 전극에 의해 발생하는 리드 역전 케이스(lead reversal case)와 같은 오류를 판단하고, 오류가 판단된 신호를 올바른 신호로 복원하는 방법을 제공하는 것을 목적으로 한다.
본 개시는 학습된 딥러닝 모델을 이용하여 리드 역전 케이스와 같은 오류가 발생한 심전도 신호를 분류하는 방법을 제공하는 것을 목적으로 한다.
다만, 본 개시에서 해결하고자 하는 과제는 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재를 근거로 명확하게 이해될 수 있을 것이다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 심전도 신호의 오류 복원 방법은 심전도 신호를 획득하는 단계, 상기 획득된 심전도 신호를 측정하기 위한 리드들 사이의 상관관계를 기초로, 상기 획득된 심전도 신호의 오류를 추정하는 단계 및 심전도 신호의 오류를 교정하기 위한 복원 정보를 기초로, 상기 오류가 추정된 심전도 신호를 복원하는 단계를 포함할 수 있다.
대안적으로, 상기 획득된 심전도 신호를 측정하기 위한 리드들 사이의 상관관계를 기초로, 상기 획득된 심전도 신호의 오류를 추정하는 단계는, 상기 획득된 심전도 신호를 기초로, 상기 리드들 사이의 심전도 신호 관계를 나타내는 상관관계 매트릭스를 생성하는 단계 및 상기 상관관계 매트릭스를 기초로, 상기 획득된 심전도 신호 중 리드 역전이 발생한 심전도 신호를 검출하는 단계를 포함할 수 있다.
대안적으로, 상기 상관관계 매트릭스를 기초로, 상기 획득된 심전도 신호 중 리드 역전이 발생한 심전도 신호를 검출하는 단계는, 사전 학습된 제 1 신경망 모델로 상기 상관관계 매트릭스를 입력하여, 상기 획득된 심전도 신호 중 상기 리드 역전이 발생한 심전도 신호를 분류하는 단계를 포함할 수 있다.
대안적으로, 상기 획득된 심전도 신호를 측정하기 위한 리드들 사이의 상관관계를 기초로, 상기 획득된 심전도 신호의 오류를 추정하는 단계는, 사전 학습된 셀프-어텐션 기반 제 2 신경망 모델로 상기 심전도 신호를 입력하여, 상기 심전도 신호 중 리드 역전이 발생한 심전도 신호를 분류하는 단계를 포함할 수 있다.
대안적으로, 상기 획득된 심전도 신호를 측정하기 위한 리드들 사이의 상관관계를 기초로, 상기 획득된 심전도 신호의 오류를 추정하는 단계는, 대역 통과 필터를 이용하여, 상기 획득된 심전도 신호에서 상기 상관관계를 분석하기 위한 대상 신호를 추출하는 단계를 포함할 수 있다.
대안적으로, 상기 복원 정보는 정상 리드의 심전도 신호와 리드 역전이 발생한 심전도 신호 사이의 변환 관계를 나타내는 복원 테이블을 포함할 수 있다.
대안적으로, 상기 심전도 신호를 획득하기 위해 신체에 부착되는 전극은, 사지 말단부에 부착되는 복수의 전극들, 또는 흉부의 기설정된 위치에 부착되는 복수의 전극들 중 적어도 하나를 포함할 수 있다.
대안적으로, 상기 획득된 심전도 신호는 오른팔에 대응되는 제 1 전극 및 왼팔에 대응되는 제 2 전극을 기초로 생성되는 제1 심전도 신호, 상기 제1 전극 및 왼다리에 대응되는 제 3 전극을 기초로 생성되는 제2 심전도 신호, 또는 상기 제 2전극 및 상기 제 3 전극을 기초로 생성되는 제3 심전도 신호 또는 복수의 흉부 전극 각각에 대응되는 흉부 심전도 신호들 중 하나 이상을 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라, 심전도 신호의 오류 복원을 위한 동작들을 수행하는 컴퓨터 프로그램은, 심전도 신호를 획득하는 동작, 상기 획득된 심전도 신호를 측정하기 위한 리드들 사이의 상관관계를 기초로, 상기 획득된 심전도 신호의 오류를 추정하는 동작 및 심전도 신호의 오류를 교정하기 위한 복원 정보를 기초로, 상기 오류가 추정된 심전도 신호를 복원하는 동작을 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라, 심전도 신호의 오류 복원을 위한 컴퓨팅 장치는 적어도 하나의 코어를 포함하는 프로세서, 상기 프로세서에서 실행 가능한 프로그램 코드들을 포함하는 메모리 및 심전도 신호를 획득하기 위한 네트워크부를 포함할 수 있다. 상기 프로세서는 심전도 신호를 획득하고, 상기 획득된 심전도 신호를 측정하기 위한 리드들 사이의 상관관계를 기초로, 상기 획득된 심전도 신호의 오류를 추정하고, 심전도 신호의 오류를 교정하기 위한 복원 정보를 기초로, 상기 오류가 추정된 심전도 신호를 복원할 수 있다.
본 개시는 심전도 신호를 측정하기 위한 전극을 잘못 부착한 경우에도, 리드 역전 케이스를 탐지하여 올바른 심전도 신호를 복원하여 사용자에게 제공할 수 있다.
본 개시를 통해 심전도 신호가 잘못 측정된 경우 어떤 리드 역전 케이스인지 구체적으로 확인하고 교정하여 오진단을 막을 수 있다.
본 개시는 심전도 전극이 잘못 부착되어 리드 역전이 발생한 경우 추가적인 측정없이 심전도 신호를 복원하여 사용자에게 제공할 수 있다.
도 1은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록도이다.
도 2는 본 개시의 일 실시예에 따른 심전도 신호의 오류 복원 과정을 나타낸 블록도이다.
도 3은 본 개시의 일 실시예에 따른 심전도 전극 부착 위치 및 이에 대응되는 리드를 설명하는 도면이다.
도 4는 본 개시의 일 실시예에 따른 리드 역전 시 발생하는 신호를 설명하는 표이다.
도 5는 본 개시의 일 실시예에 따른 신경망 모델을 설명하는 도면이다.
도 6은 본 개시의 일 실시예에 따른 심전도 신호 오류 복원 방법을 나타낸 순서도이다.
도 2는 본 개시의 일 실시예에 따른 심전도 신호의 오류 복원 과정을 나타낸 블록도이다.
도 3은 본 개시의 일 실시예에 따른 심전도 전극 부착 위치 및 이에 대응되는 리드를 설명하는 도면이다.
도 4는 본 개시의 일 실시예에 따른 리드 역전 시 발생하는 신호를 설명하는 표이다.
도 5는 본 개시의 일 실시예에 따른 신경망 모델을 설명하는 도면이다.
도 6은 본 개시의 일 실시예에 따른 심전도 신호 오류 복원 방법을 나타낸 순서도이다.
아래에서는 첨부한 도면을 참조하여 본 개시의 기술 분야에서 통상의 지식을 가진 자(이하, 당업자)가 용이하게 실시할 수 있도록 본 개시의 실시예가 상세히 설명된다. 본 개시에서 제시된 실시예들은 당업자가 본 개시의 내용을 이용하거나 또는 실시할 수 있도록 제공된다. 따라서, 본 개시의 실시예들에 대한 다양한 변형들은 당업자에게 명백할 것이다. 즉, 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며, 이하의 실시예에 한정되지 않는다.
본 개시의 명세서 전체에 걸쳐 동일하거나 유사한 도면 부호는 동일하거나 유사한 구성요소를 지칭한다. 또한, 본 개시를 명확하게 설명하기 위해서, 도면에서 본 개시에 대한 설명과 관계없는 부분의 도면 부호는 생략될 수 있다.
본 개시에서 사용되는 "또는" 이라는 용어는 배타적 "또는" 이 아니라 내포적 "또는" 을 의미하는 것으로 의도된다. 즉, 본 개시에서 달리 특정되지 않거나 문맥상 그 의미가 명확하지 않은 경우, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 이해되어야 한다. 예를 들어, 본 개시에서 달리 특정되지 않거나 문맥상 그 의미가 명확하지 않은 경우, "X는 A 또는 B를 이용한다" 는 X가 A를 이용하거나, X가 B를 이용하거나, 혹은 X가 A 및 B 모두를 이용하는 경우 중 어느 하나로 해석될 수 있다.
본 개시에서 사용되는 "및/또는" 이라는 용어는 열거된 관련 개념들 중 하나 이상의 개념의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
본 개시에서 사용되는 "포함한다" 및/또는 "포함하는" 이라는 용어는, 특정 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는" 이라는 용어는, 하나 이상의 다른 특징, 다른 구성요소 및/또는 이들에 대한 조합의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다.
본 개시에서 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 단수는 일반적으로 "하나 또는 그 이상" 을 포함할 수 있는 것으로 해석되어야 한다.
본 개시에서 사용되는 "제 N(N은 자연수)" 이라는 용어는 본 개시의 구성요소들을 기능적 관점, 구조적 관점, 혹은 설명의 편의 등 소정의 기준에 따라 상호 구별하기 위해 사용되는 표현으로 이해될 수 있다. 예를 들어, 본 개시에서 서로 다른 기능적 역할을 수행하는 구성요소들은 제 1 구성요소 혹은 제 2 구성요소로 구별될 수 있다. 다만, 본 개시의 기술적 사상 내에서 실질적으로 동일하나 설명의 편의를 위해 구분되어야 하는 구성요소들도 제 1 구성요소 혹은 제 2 구성요소로 구별될 수도 있다.
본 개시에서 사용되는 "획득" 이라는 용어는, 외부 장치 혹은 시스템과의 유무선 통신 네트워크를 통해 데이터를 수신하는 것 뿐만 아니라, 온-디바이스(on-device) 형태로 데이터를 생성하는 것을 의미하는 것으로 이해될 수 있다.
한편, 본 개시에서 사용되는 용어 "모듈(module)", 또는 "부(unit)" 는 컴퓨터 관련 엔티티(entity), 펌웨어(firmware), 소프트웨어(software) 혹은 그 일부, 하드웨어(hardware) 혹은 그 일부, 소프트웨어와 하드웨어의 조합 등과 같이 컴퓨팅 자원을 처리하는 독립적인 기능 단위를 지칭하는 용어로 이해될 수 있다. 이때, "모듈", 또는 "부"는 단일 요소로 구성된 단위일 수도 있고, 복수의 요소들의 조합 혹은 집합으로 표현되는 단위일 수도 있다. 예를 들어, 협의의 개념으로서 "모듈", 또는 "부"는 컴퓨팅 장치의 하드웨어 요소 또는 그 집합, 소프트웨어의 특정 기능을 수행하는 응용 프로그램, 소프트웨어 실행을 통해 구현되는 처리 과정(procedure), 또는 프로그램 실행을 위한 명령어 집합 등을 지칭할 수 있다. 또한, 광의의 개념으로서 "모듈", 또는 "부"는 시스템을 구성하는 컴퓨팅 장치 그 자체, 또는 컴퓨팅 장치에서 실행되는 애플리케이션 등을 지칭할 수 있다. 다만, 상술한 개념은 하나의 예시일 뿐이므로, "모듈", 또는 "부"의 개념은 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 정의될 수 있다.
본 개시에서 사용되는 "모델(model)" 이라는 용어는 특정 문제를 해결하기 위해 수학적 개념과 언어를 사용하여 구현되는 시스템, 특정 문제를 해결하기 위한 소프트웨어 단위의 집합, 혹은 특정 문제를 해결하기 위한 처리 과정에 관한 추상화 모형으로 이해될 수 있다. 예를 들어, 신경망(neural network) "모델" 은 학습을 통해 문제 해결 능력을 갖는 신경망으로 구현되는 시스템 전반을 지칭할 수 있다. 이때, 신경망은 노드(node) 혹은 뉴런(neuron)을 연결하는 파라미터(parameter)를 학습을 통해 최적화하여 문제 해결 능력을 가질 수 있다. 신경망 "모델" 은 단일 신경망을 포함할 수도 있고, 복수의 신경망들이 조합된 신경망 집합을 포함할 수도 있다.
본 개시에서 사용되는 "데이터"는 "영상", 신호 등을 포함할 수 있다. 본 개시에서 사용되는 "영상" 이라는 용어는 이산적 이미지 요소들로 구성된 다차원 데이터를 지칭할 수 있다. 다시 말해, "영상"은 사람의 눈으로 볼 수 있는 대상의 디지털 표현물을 지칭하는 용어로 이해될 수 있다. 예를 들어, "영상"은 2차원 이미지에서 픽셀에 해당하는 요소들로 구성된 다차원 데이터를 지칭할 수 있다. "영상"은 3차원 이미지에서 복셀에 해당하는 요소들로 구성된 다차원 데이터를 지칭할 수 있다.
본 개시에서 사용되는 "리드 역전(lead reversal)"은 리드의 잘못된 배치를 의미할 수 있으며, 심전도 측정을 위한 전극(electrode)을 잘못된 위치에 부착한 경우 발생할 수 있다. 예를 들어, 사지 전극(limb electrodes) 중 중성 전극(neutral electrode) 이외의 전극이 잘못 배치된 리드 역전의 경우 특정 리드 신호가 다른 리드 신호로 변경될 수 있으며, 다른 특정 리드 신호는 반전되거나 회전될 수도 있고, 또 다른 특정 리드 신호는 변경되지 않을 수도 있다. 예를 들어, 사지 전극 중 중성 전극을 잘못 배치한 경우 사지 리드(limb leads) 신호뿐 아니라 흉부 리드(precordial leads) 신호도 왜곡될 수 있다. 이 경우, 리드 신호는 다른 리드 신호처럼 보이거나 신호의 크기가 거의 0처럼 축소되어 보일 수 있다.
전술한 용어의 설명은 본 개시의 이해를 돕기 위한 것이다. 따라서, 전술한 용어를 본 개시의 내용을 한정하는 사항으로 명시적으로 기재하지 않은 경우, 본 개시의 내용을 기술적 사상을 한정하는 의미로 사용하는 것이 아님을 주의해야 한다.
도 1은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록도이다.
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 데이터의 종합적인 처리 및 연산을 수행하는 하드웨어 장치 혹은 하드웨어 장치의 일부일 수도 있고, 통신 네트워크로 연결되는 소프트웨어 기반의 컴퓨팅 환경일 수도 있다. 예를 들어, 컴퓨팅 장치(100)는 집약적 데이터 처리 기능을 수행하고 자원을 공유하는 주체인 서버일 수도 있고, 서버와의 상호 작용을 통해 자원을 공유하는 클라이언트(client)일 수도 있다. 또한, 컴퓨팅 장치(100)는 복수의 서버들 및 클라이언트들이 상호 작용하여 데이터를 종합적으로 처리하는 클라우드 시스템(cloud system)일 수도 있다. 상술한 기재는 컴퓨팅 장치(100)의 종류와 관련된 하나의 예시일 뿐이므로, 컴퓨팅 장치(100)의 종류는 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
도 1을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 프로세서(processor)(110), 메모리(memory)(120), 및 네트워크부(network unit)(130)를 포함할 수 있다. 다만, 도 1은 하나의 예시일 뿐이므로, 컴퓨팅 장치(100)는 컴퓨팅 환경을 구현하기 위한 다른 구성들을 포함할 수 있다. 또한, 상기 개시된 구성들 중 일부만이 컴퓨팅 장치(100)에 포함될 수도 있다.
본 개시의 일 실시예에 따른 프로세서(110)는 컴퓨팅 연산을 수행하기 위한 하드웨어 및/또는 소프트웨어를 포함하는 구성 단위로 이해될 수 있다. 예를 들어, 프로세서(110)는 컴퓨터 프로그램을 판독하여 기계 학습을 위한 데이터 처리를 수행할 수 있다. 프로세서(110)는 기계 학습을 위한 입력 데이터의 처리, 기계 학습을 위한 특징 추출, 역전파(backpropagation)에 기반한 오차 계산 등과 같은 연산 과정을 처리할 수 있다. 이와 같은 데이터 처리를 수행하기 위한 프로세서(110)는 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치(GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit), 주문형 반도체(ASIC: application specific integrated circuit), 혹은 필드 프로그래머블 게이트 어레이(FPGA: field programmable gate array) 등을 포함할 수 있다. 상술한 프로세서(110)의 종류는 하나의 예시일 뿐이므로, 프로세서(110)의 종류는 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
프로세서(110)는 심전도 측정을 위한 전극이 잘못된 위치에 놓임으로 인해 발생하는 심전도 신호의 오류를 검출할 수 있다. 전극이 잘못된 위치에 놓인다는 것은, 특정 리드의 심전도 신호를 측정하기 위한 전극이 정상 위치를 벗어나서 놓인다는 것으로 이해될 수 있다. 전극이 잘못된 위치에 놓일 경우, 진단이 불가능한 심전도 신호가 측정되거나, 측정된 심전도 신호로 인해 오진단이 발생할 확률이 높아진다. 이러한 문제를 방지하기 위해서, 프로세서(110)는 측정된 심전도 신호를 기초로, 전극이 잘못된 위치에 놓임으로 인해 발생하는 심전도 신호의 오류를 검출할 수 있다.
예를 들어, 프로세서(110)는 심전도 신호를 분석하여, 전극이 잘못된 위치에 놓임으로 인해 발생하는 리드 역전 케이스를 탐지할 수 있다. 구체적으로, 프로세서(110)는 심전도 신호를 기초로 심전도 신호를 측정하기 위한 리드들 사이의 상관관계를 분석할 수 있다. 이때, 리드들 사이의 상관관계는 측정된 리드 별 신호를 기준으로 리드들 사이의 심전도 신호가 어떠한 연관성을 갖는지를 나타내는 분석 결과로 이해될 수 있다. 프로세서(110)는 측정된 심전도 신호를 기초로 분석된 리드들 사이의 상관관계를 이용하여, 리드 역전 케이스를 탐지할 수 있다. 프로세서(110)는 리드들 사이의 상관관계를 토대로, 어떠한 리드의 신호가 전극이 잘못된 위치에 놓임으로 인해 역전 형태로 측정되었는지를 검출할 수 있다. 이때, 리드 역전 케이스의 탐지를 위한 연산 과정은 프로그램 코드로 정의된 룰(rule) 기반의 로직(logic)에 따라 수행될 수도 있고, 프로그램 코드에 기반한 딥러닝 알고리즘을 기초로 수행될 수도 있다. 이러한 연산 과정을 통해, 프로세서(110)는 심전도 신호 측정을 위해 사용된 모든 리드들에 대해, 어떤 리드의 측정 신호에서 어떠한 역전 케이스가 발생했는지를 용이하게 탐지할 수 있다.
프로세서(110)는 심전도 신호의 오류를 검출할 수 있을 뿐만 아니라, 검출된 심전도 신호의 오류를 복원할 수 있다. 프로세서(110)는 심전도 신호의 오류를 교정하기 위해 미리 결정된 복원 정보를 기초로, 검출된 심전도 신호의 오류를 개선할 수 있다. 이때, 복원 정보는 전극이 잘못된 위치에 놓일 때 측정되는 리드 별 신호를 전극이 정상 위치에 놓일 때 측정되는 리드 별 신호로 변환하기 위해 사전 정의된 정보일 수 있다. 즉, 프로세서(110)는 복원 정보를 이용하여, 오류가 검출된 심전도 신호를 전극이 정상 위치에 놓일 때 측정되는 신호로 변환할 수 있다.
프로세서(110)를 통해 수행되는 심전도 신호의 오류 검출 및 복원 과정은, 질환의 진단 등에 정상적으로 사용 가능한 심전도 신호를 확보하는데 필요한 병원 환경의 리소스(resource)를 최소화 할 수 있다. 예를 들어, 심전도 신호의 측정을 위한 전극 설정이 잘못된 상태로 신호가 측정되더라도, 상술한 오류 검출 및 복원 과정은 전극 설정을 다시 하고 신호를 다시 측정해야 하는 작업의 번거로움을 최소화할 수 있다.
본 개시의 일 실시예에 따른 메모리(120)는 컴퓨팅 장치(100)에서 처리되는 데이터를 저장하고 관리하기 위한 하드웨어 및/또는 소프트웨어를 포함하는 구성 단위로 이해될 수 있다. 즉, 메모리(120)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 데이터 및 네트워크부(130)가 수신한 임의의 형태의 데이터를 저장할 수 있다. 예를 들어, 메모리(120)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리, 램(RAM: random access memory), 에스램(SRAM: static random access memory), 롬(ROM: read-only memory), 이이피롬(EEPROM: electrically erasable programmable read-only memory), 피롬(PROM: programmable read-only memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 메모리(120)는 데이터를 소정의 체제로 통제하여 관리하는 데이터베이스(database) 시스템을 포함할 수도 있다. 상술한 메모리(120)의 종류는 하나의 예시일 뿐이므로, 메모리(120)의 종류는 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
메모리(120)는 프로세서(110)가 연산을 수행하는데 필요한 데이터, 데이터의 조합, 및 프로세서(110)에서 실행 가능한 프로그램 코드(code) 등을 구조화 및 조직화하여 관리할 수 있다. 예를 들어, 메모리(120)는 후술할 네트워크부(130)를 통해 수신된 심전도 신호 또는 심전도 데이터를 저장할 수 있다. 메모리(120)는 신경망 모델이 심전도 신호 또는 심전도 신호와 관련된 다양한 데이터를 입력받아 학습을 수행하도록 동작시키는 프로그램 코드, 신경망 모델이 심전도 신호 또는 심전도 신호와 관련된 다양한 데이터를 입력 받아 컴퓨팅 장치(100)의 사용 목적에 맞춰 추론을 수행하도록 동작시키는 프로그램 코드, 및 프로그램 코드가 실행됨에 따라 생성된 가공 데이터 등을 저장할 수 있다.
본 개시의 일 실시예에 따른 네트워크부(130)는 임의의 형태의 공지된 유무선 통신 시스템을 통해 데이터를 송수신하는 구성 단위로 이해될 수 있다. 예를 들어, 네트워크부(130)는 근거리 통신망(LAN: local area network), 광대역 부호 분할 다중 접속(WCDMA: wideband code division multiple access), 엘티이(LTE: long term evolution), 와이브로(WiBro: wireless broadband internet), 5세대 이동통신(5G), 초광역대 무선통신(ultra wide-band), 지그비(ZigBee), 무선주파수(RF: radio frequency) 통신, 무선랜(wireless LAN), 와이파이(wireless fidelity), 근거리 무선통신(NFC: near field communication), 또는 블루투스(Bluetooth) 등과 같은 유무선 통신 시스템을 사용하여 데이터 송수신을 수행할 수 있다. 상술한 통신 시스템들은 하나의 예시일 뿐이므로, 네트워크부(130)의 데이터 송수신을 위한 유무선 통신 시스템은 상술한 예시 이외에 다양하게 적용될 수 있다.
네트워크부(130)는 임의의 시스템 혹은 임의의 클라이언트 등과의 유무선 통신을 통해, 프로세서(110)가 연산을 수행하는데 필요한 데이터를 수신할 수 있다. 또한, 네트워크부(130)는 임의의 시스템 혹은 임의의 클라이언트 등과의 유무선 통신을 통해, 프로세서(110)의 연산을 통해 생성된 데이터를 송신할 수 있다. 예를 들어, 네트워크부(130)는 심전도 신호 측정 장치, 병원 환경 내 데이터베이스, 클라우드 서버, 혹은 컴퓨팅 장치 등과의 통신을 통해 심전도 관련 데이터를 수신할 수 있다. 네트워크부(130)는 전술한 데이터베이스, 서버, 혹은 컴퓨팅 장치 등과의 통신을 통해, 신경망 모델의 출력 데이터, 및 프로세서(110)의 연산 과정에서 도출되는 중간 데이터, 가공 데이터 등을 송신할 수 있다.
도 2는 본 개시의 일 실시예에 따른 심전도 신호의 오류 복원 과정을 나타낸 블록도이다. 그리고, 도 4는 본 개시의 일 실시예에 따른 리드 역전 시 발생하는 신호를 설명하는 표이다.
도 2를 참조하면, 심전도 신호의 오류 복원을 위한 컴퓨팅 장치(200)는 입력 데이터(210)의 오류를 검출하기 위한 역전 감지 모듈(220) 및 입력 데이터(210)의 오류를 교정하기 위한 복원 모듈(230)을 포함할 수 있다. 본 개시에서 입력 데이터(210)는 적어도 하나의 리드에 대응되는 심전도 신호를 포함할 수 있다. 입력 데이터(210)는 심전도 측정을 위한 장치에서 생성되어 컴퓨팅 장치(200)로 전달될 수 있다. 컴퓨팅 장치(200)가 심전도 신호의 측정을 위한 전극을 포함하는 경우, 입력 데이터(210)는 컴퓨팅 장치(200)에서 직접 생성될 수도 있다.
역전 감지 모듈(220)은 필터 유닛(222), 상관관계 분석 유닛(224), 및 케이스 분류 유닛(226)을 포함할 수 있다.
필터 유닛(222)은 입력 데이터(210)의 분석이 용이하도록, 입력 데이터(210)의 노이즈를 필터링 할 수 있다. 예를 들어, 필터 유닛(222)은 입력 데이터(210)에서 분석 대상이 되는 특정 주파수 대역의 성분만을 통과시키는 대역 통과 필터(band pass filter)를 포함할 수 있다. 대역 통과 필터는 입력 데이터(210)에서 0.5Hz 내지 50Hz의 신호만을 통과시킬 수 있다. 다만, 0.5Hz 내지 50Hz라는 수치는 하나의 예시일 뿐이므로, 본 개시는 이러한 수치에 제한되지는 않는다. 필터 유닛(222)은 전원 케이블 등에서 발생하는 전원 노이즈인 전기 험(mains hum)을 감소시키기 위한 노치 필터(notch filter) 등을 더 포함할 수 있다.
상관관계 분석 유닛(224)은 리드 별 상관관계를 분석할 수 있다. 상관관계 분석 유닛(224)의 상관관계 분석은 입력 데이터(210) 또는 필터 유닛(222)의 출력 데이터를 기초로 수행될 수 있다. 상관관계 분석 유닛(224)은 리드들 사이의 심전도 신호가 리드 별로 어떠한 관련성을 갖는지를 분석함으로써, 리드들 사이의 심전도 신호 관계를 나타내는 N X N 크기(N은 자연수)의 상관관계 매트릭스를 생성할 수 있다. 예를 들어, 입력 데이터(210)가 12 리드 심전도 신호를 포함하는 경우, 상관관계 분석 유닛(224)은 12개의 리드들이 어떠한 형태적 상관관계를 갖는지 분석하고, 12X12 크기의 상관관계 매트릭스를 생성할 수 있다. 12X12 크기의 상관관계 매트릭스를 생성하기 위한 연산 과정은 하기 [수학식 1]을 참조할 수 있다.
[수학식 1]
X = X - E[X] ∈ RTC (X ∈ RTC,E[X] ∈ RC)
A = XTX ∈ RCC
상기 수학식 1에서 X는 심전도 신호이고, C는 채널 또는 리드, T는 시간, A는 인접행렬(Adjacency Matrix)을 나타낼 수 있다. E[X]는 확률변수 X의 기댓값일 수 있다.
이와 같이 상관관계 분석 유닛(224)은 심전도 신호를 기준으로 전체 리드들 간의 상관관계를 하나의 매트릭스로 정리할 수 있다. 상관관계 분석 유닛(224)은 케이스 분류 유닛(226)이 복잡한 신호 관계를 손쉽게 해석할 수 있도록, 전체 리드들의 신호 관계를 상관관계 매트릭스로 표현할 수 있다. 즉, 케이스 분류 유닛(226)은 상관관계 분석 유닛(224)을 통해 생성된 매트릭스를 이용하여 리드 별 신호의 특징 해석을 용이하게 수행하고, 리드 역전을 효과적으로 검출할 수 있다.
케이스 분류 유닛(226)은 상관관계 분석 유닛(224)에서 생성된 상관관계 매트릭스 또는 상관관계 정보를 기초로, 입력 데이터(210)에 포함된 신호의 리드 역전 여부를 판단하고, 리드 역전 케이스를 분류할 수 있다. 예를 들어, 케이스 분류 유닛(226)은 상관관계 매트릭스에 포함된 정보와 사전 결정된 정상 케이스 간 일치 정도를 비교하여 리드 역전이 존재하는지 여부를 판단할 수 있다. 그리고, 케이스 분류 유닛(226)은 판단 결과를 기초로 상관관계 매트릭스에서 리드 역전 케이스를 분류할 수 있다. 케이스 분류 유닛(226)은 제 1 신경망 모델을 이용하여 상관관계 매트릭스를 토대로 입력 데이터(210)에 존재하는 리드 역전 케이스를 분류할 수도 있다. 제 1 신경망 모델은 시각화 된 매트릭스를 입력받아 리드 역전 케이스를 검출하기 위한 컨볼루셔널(convolutional) 신경망 등을 포함할 수 있다. 제 1 신경망 모델은 리드 역전이 존재하지 않는 정상 케이스의 매트릭스를 라벨(label)로 하는 지도 학습(supervised learning)을 기반으로 학습될 수 있다. 다만, 신경망 모델은 지도 학습 이외에도 비지도 학습(unsupervised learning), 강화 학습(reinforce learning) 등의 학습을 기반으로 학습될 수 있다.
한편, 본 개시의 대안적 실시 예에 따르면, 상관관계 분석 유닛(224)의 연산 및 케이스 분류 유닛(226)의 연산은 제 2 신경망 모델로 대체될 수 있다. 예를 들어, 제 2 신경망 모델은 입력 데이터(210) 또는 필터 유닛(222)의 출력 데이터를 입력 받아 리드 역전 케이스를 분류할 수 있다. 제 2 신경망 모델은 입력 데이터(210) 또는 필터 유닛(22)의 출력 데이터를 기초로 리드 별 신호의 상관관계를 해석하기 위한 특징을 추출하고, 특징을 기초로 리드 역전 케이스를 분류하도록 학습될 수 있다. 이때, 제 2 신경망 모델은 셀프-어텐션 기반 연산을 수행하는 신경망을 포함할 수 있다.
복원 모듈(230)은 사전 결정된 복원 정보를 기초로, 역전 감지 모듈(220)에 의해 오류가 검출된 심전도 신호를 복원할 수 있다. 복원 모듈(230)은 복원 정보에 따라 케이스 분류 유닛(226)을 통해 검출된 리드 역전 케이스를 교정할 수 있다. 복원 모듈(230)은 심전도 신호의 복원을 위해 리드 역전 케이스 별 대응 신호 테이블(table)(이하, 복원 테이블)을 복원 정보로 이용할 수 있다. 복원 테이블은 정상 리드의 심전도 신호와 리드 역전이 발생한 심전도 신호 사이의 변환 관계를 나타내는 테이블 형태의 정보일 수 있다. 이때, 정상이란, 전극의 배치가 정상적인 리드 신호 측정을 위해 정해진 위치에 부착된 상태로 이해될 수 있다. 복원 테이블은 도 4를 참조할 수 있다. 예를 들어, 도 4의 복원 테이블에 따르면, 좌측 팔 전극과 우측 팔 전극이 뒤바뀌어 부착된 LA/RA 리드의 경우, 리드 I은 반전 신호이고, 리드 II 및 리드 III이 변경될 수 있다.(Lead I-> -(Lead I), Lead II -> Lead III, Lead III -> Lead II)
도 4의 테이블에서 "-"는 극성이 반전된 신호를 의미하며, "≒"는 거의 동일한 신호를 의미할 수 있다. CW는 RA->LA->LL->RA 방향으로 회전을 의미하고, CCW는 RA->LL->LA->RA 방향으로 회전을 의미할 수 있다. 복원 모듈(230)은 도4의 테이블을 포함하는 복원 테이블에 기초하여 리드 역전이 발생한 심전도 신호를 정상 리드의 심전도 신호로 변환함으로써, 오류가 존재하는 심전도 신호를 복원할 수 있다. 한편, 본 개시의 심전도 신호 오류 복원 방법은 12 리드 중 사지 리드를 중심으로 설명하였으나, 적용 대상은 이에 한정되지 않고 5리드, 3리드 또는 다른 리드 형태의 심전도 측정 방식도 포함될 수 있다.
다시 도 2를 참조하면, 출력 데이터(240)는 리드 역전이 발생한 심전도 신호를 정상 리드의 심전도 신호로 복원한 데이터일 수 있다. 출력 데이터(240)는 다양한 형태의 클라이언트에 전달되어 디스플레이 장치를 통해 표시될 수 있다.
심전도 신호의 오류를 복원하기 위한 컴퓨팅 장치(200)는 심전도 신호 측정을 위한 장치와 결합한 형태 또는 포함된 형태로 사용될 수도 있고, 별도의 장치에서 실시될 수도 있다. 그리고, 컴퓨팅 장치(200)에 의해 수행되는 복원 방법은 심전도 신호 측정 장치와 물리적으로 떨어진 위치의 서버 또는 컴퓨팅 장치에서 실시될 수 있다. 그리고, 컴퓨팅 장치(200)에 의해 수행되는 복원 방법은 측정된 신호를 네트워크를 통해 수신하여 분석하고 분석 결과를 다시 네트워크를 통해 송신하는 형태로 실시될 수 있다.
도 3은 본 개시의 일 실시예에 따른 심전도 전극 부착 위치 및 이에 대응되는 리드를 설명하는 도면이다.
도 3을 참조하면, 표준 12 리드(또는 12 유도) 심전도는 사지 리드(Limb Leads) 및 흉부 리드(Precordial Leads)를 포함할 수 있다. 사지 리드는 사지에 부착되는 4개의 전극(이하, 사지 전극)을 포함할 수 있다. 그리고, 흉부 리드는 흉부에 부착되는 6개의 전극(이하, 흉부 전극)을 포함할 수 있다.
사지 전극은 우측 팔 전극(RA), 좌측 팔 전극(LA), 우측 다리 전극(RL) 및 좌측 다리 전극(LL)을 포함할 수 있다. 우측 다리 전극(RL)은 공통 전극 또는 접지 전극일 수 있다. 사지 전극은 우측 팔, 좌측 팔, 우측 다리, 좌측 다리에 대응되는 위치에 각각 부착될 수 있다.
흉부 전극(또는 전흉부 전극)은 제1 흉부전극(V1), 제2 흉부전극(V2), 제3 흉부전극(V3), 제4 흉부전극(V4), 제5 흉부전극(V5) 및 제6 흉부전극(V6)을 포함할 수 있다.
사지 리드는 표준 사지 리드인 Lead I, II, II 및 증폭 사지 리드인 aVR, aVL, aVF를 포함할 수 있다. 사지 리드 중 표준 사지 리드는 쌍극 리드이므로 두 전극사이 전압 차이가 심전도 기록계에 기록된 자취를 의미할 수 있다. 예를 들어, 제1 리드(L1)는 우측 팔 전극(RA)과 좌측 팔 전극(LA) 사이의 전압차이, 제2 리드(L2)는 우측 팔 전극(RA)과 좌측 다리 전극(LL) 사이의 전압차이, 제3 리드(L3)는 좌측 팔 전극(LA)과 좌측 다리 전극(LL) 사이의 전압차이를 의미할 수 있다. 제1심전도 신호 또는 제1 채널 신호는 제1 리드(L1)에서 생성되는 신호이고, 제2심전도 신호 또는 제2 채널 신호는 제2 리드(L2)에서 생성되는 신호이고, 제3심전도 신호 또는 제3 채널 신호는 제3 리드(L3)에서 생성되는 신호일 수 있다. 사지 리드 중 증폭 사지 리드는 단극 리드이므로 우측 팔 전극(RA), 좌측 팔 전극(LA) 및 좌측 다리 전극(LL) 각각에 대응되는 제4 심전도 신호 내지 제6 심전도 신호를 생성할 수 있다.
흉부 리드는 단극 리드이므로 흉부 전극 각각에 대응되는 제7 심전도 신호 내지 제12 심전도 신호를 생성할 수 있다.
상술한 설명은 표준 12 리드 심전도 측정을 위한 하나의 예시일 뿐이므로, 본 개시는 이러한 예시에 한정되지는 않는다.
도 5는 본 개시의 일 실시예에 따른 신경망 모델을 설명하는 도면이다.
도 5를 참조하면, 리드 역전을 검출하기 위한 신경망 모델(320)은 심전도 신호의 측정을 위한 전체 리드들의 관련성을 나타내는 상관관계 데이터(310)를 입력으로 심전도 신호에서 리드 역전 케이스(330)를 분류할 수 있다. 이때, 상관관계 데이터(310)는 도 2의 상관관계 분석 유닛(224)에서 생성된 상관관계 매트릭스 일 수 있다.
신경망 모델(320)은 리드들 사이의 심전도 신호 관계를 나타내는 상관관계 매트릭스를 입력 받아 리드 별 심전도 신호 관계의 특징을 해석할 수 있다. 신경망 모델(320)은 특징 해석 과정에서 입력에 존재하는 신호들 중에서 리드 역전이 존재하는지 여부를 판단할 수 있다. 그리고, 신경망 모델(320)은 판단 결과를 기초로 입력 신호들 중에서 리드 역전 케이스를 분류할 수 있다.
예를 들어, 신경망 모델(320)은 상관관계 매트릭스를 기초로 12 리드 중 사지 리드에 대한 리드 역전 케이스를 분류할 수 있다. 12 리드 중 사지 리드에 대한 리드 역전 케이스를 분류하기 위한 알고리즘은 하기 [수학식 2]를 참조할 수 있다.
[수학식 2]
Z = flatten(A[:3,:])∈ R36
Y= f(Z,θ)∈ R8
Z는 리드 역전을 판단하기 위한 심전도 신호 중 사지 리드 3개에 대한 상관관계 매트릭스일 수 있다. θ는 리드 역전 케이스를 분류하는 신경망 모델의 파라미터일 수 있다. 예를 들어, flatten()은 다차원 배열 공간을 1차원으로 평탄화하는 함수일 수 있다.
도 6은 본 개시의 일 실시예에 따른 심전도 신호 오류 복원 방법을 나타낸 순서도이다.
도1 및 도 6을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 심전도 신호를 획득할 수 있다(S110). 컴퓨팅 장치(100)는 심전도 측정 장치와 연결되어 측정된 심전도 신호 또는 네트워크를 통해 전달된 심전도 신호를 이용할 수 있다. 이때, 컴퓨팅 장치(100)가 획득하는 심전도 신호는 표준 12 리드 방식으로 측정된 심전도 신호, 5리드, 3리드 또는 다양한 리드 방식으로 측정된 심전도 신호를 포함할 수 있다.
예를 들어, 심전도 신호를 획득하기 위해 신체에 부착되는 전극은, 표준 12 리드 방식에 따라 사지 말단부에 부착되는 복수의 사지 전극들 및 흉부의 기설정된 위치에 부착되는 복수의 흉부 전극들 중 적어도 하나를 포함할 수 있다.
예를 들어, 심전도 신호는 표준 12 리드 방식에 따라 오른팔에 대응되는 제 1 전극 및 왼팔에 대응되는 제 2 전극을 기초로 생성되는 제1 심전도 신호, 상기 제1 전극 및 왼다리에 대응되는 제 3 전극을 기초로 생성되는 제2 심전도 신호, 또는 상기 제 2전극 및 상기 제 3 전극을 기초로 생성되는 제3 심전도 신호 중 하나 이상을 포함할 수 있다.
컴퓨팅 장치(100)는 리드들 사이의 상관관계를 기초로 심전도 신호의 오류를 추정할 수 있다(S120). 컴퓨팅 장치(100)는 획득된 심전도 신호를 기초로, 리드들 사이의 심전도 신호 관계를 나타내는 상관관계 매트릭스를 생성할 수 있다. 그리고, 컴퓨팅 장치(100)는 상관관계 매트릭스를 기초로, 획득된 심전도 신호 중 리드 역전이 발생한 심전도 신호를 검출할 수 있다. 컴퓨팅 장치(100)는 리드 별 심전도 신호 간의 상관관계를 계산하는 과정에서 입력 신호를 전처리하거나, 가중치 등을 고려하여 상관관계 매트릭스를 생성할 수도 있다.
컴퓨팅 장치(100)는 상관관계 매트릭스를 기초로, 획득된 심전도 신호 중 리드 역전이 발생한 심전도 신호를 검출하는 과정에서, 사전 학습된 제 1 신경망 모델로 상관관계 매트릭스를 입력하여, 획득된 심전도 신호 중 상기 리드 역전이 발생한 심전도 신호를 분류할 수 있다. 컴퓨팅 장치(100)는 사전 학습된 셀프-어텐션 기반 제 2 신경망 모델로 상기 심전도 신호를 입력하여, 상기 심전도 신호 중 리드 역전이 발생한 심전도 신호를 분류할 수 있다.
컴퓨팅 장치(100)는 심전도 신호의 노이즈를 제거하기 위해 대역 통과 필터를 이용하여, 상기 획득된 심전도 신호에서 상기 상관관계를 분석하기 위한 대상 신호를 추출할 수 있다.
컴퓨팅 장치(100)는 오류가 추정된 심전도 신호를 복원해서 사용자에게 제공할 수 있다(S130). 컴퓨팅 장치(100)는 정상 리드의 심전도 신호와 리드 역전이 발생한 심전도 신호 사이의 변환 관계를 나타내는 복원 테이블을 활용하여 리드 역전이 추정된 심전도 신호를 복원할 수 있다. 예를 들어, 복원 테이블은 도 4에서 설명하는 테이블을 포함할 수 있다.
본 개시의 일 실시예에 따른 심전도 신호 오류 복원 방법을 통해, 심전도 전극이 잘못 부착되어 리드 역전이 발생한 경우에도, 잘못 부착된 전극에 대한 정보 및 리드 역전 케이스를 정확하게 판단할 수 있다. 그리고, 본 개시의 일 실시예에 따른 심전도 신호 오류 복원 방법을 통해, 전극을 다시 붙이거나 신호를 재측정없이 심전도 신호를 신속하게 제공할 수 있다.
앞서 설명된 본 개시의 다양한 실시예는 추가 실시예와 결합될 수 있고, 상술한 상세한 설명에 비추어 당업자가 이해 가능한 범주에서 변경될 수 있다. 본 개시의 실시예들은 모든 면에서 예시적인 것이며, 한정적이 아닌 것으로 이해되어야 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성요소들도 결합된 형태로 실시될 수 있다. 따라서, 본 개시의 특허청구범위의 의미, 범위 및 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 개시의 범위에 포함되는 것으로 해석되어야 한다.
Claims (10)
- 적어도 하나의 프로세서(processor)를 포함하는 컴퓨팅 장치에 의해 수행되는, 심전도 신호의 오류 복원 방법으로서,
심전도 신호를 획득하는 단계;
상기 획득된 심전도 신호를 측정하기 위한 리드(lead)들 사이의 상관관계를 기초로, 상기 획득된 심전도 신호의 오류(error)를 추정하는 단계; 및
심전도 신호의 오류를 교정하기 위한 복원 정보를 기초로, 상기 오류가 추정된 심전도 신호를 복원하는 단계;
를 포함하는,
방법.
- 제 1 항에 있어서,
상기 획득된 심전도 신호를 측정하기 위한 리드들 사이의 상관관계를 기초로, 상기 획득된 심전도 신호의 오류를 추정하는 단계는,
상기 획득된 심전도 신호를 기초로, 상기 리드들 사이의 심전도 신호 관계를 나타내는 상관관계 매트릭스(matrix)를 생성하는 단계; 및
상기 상관관계 매트릭스를 기초로, 상기 획득된 심전도 신호 중 리드 역전(reversal)이 발생한 심전도 신호를 검출하는 단계;
를 포함하는,
방법.
- 제 2 항에 있어서,
상기 상관관계 매트릭스를 기초로, 상기 획득된 심전도 신호 중 리드 역전이 발생한 심전도 신호를 검출하는 단계는,
사전 학습된 제 1 신경망 모델로 상기 상관관계 매트릭스를 입력하여, 상기 획득된 심전도 신호 중 상기 리드 역전이 발생한 심전도 신호를 분류하는 단계;
를 포함하는,
방법.
- 제 1 항에 있어서,
상기 획득된 심전도 신호를 측정하기 위한 리드들 사이의 상관관계를 기초로, 상기 획득된 심전도 신호의 오류를 추정하는 단계는,
사전 학습된 제 2 신경망 모델로 상기 심전도 신호를 입력하여, 상기 심전도 신호 중 리드 역전이 발생한 심전도 신호를 분류하는 단계;
를 포함하는,
방법.
- 제 1 항에 있어서,
상기 획득된 심전도 신호를 측정하기 위한 리드들 사이의 상관관계를 기초로, 상기 획득된 심전도 신호의 오류를 추정하는 단계는,
대역 통과 필터(band pass filter)를 이용하여, 상기 획득된 심전도 신호에서 상기 상관관계를 분석하기 위한 대상 신호를 추출하는 단계;
를 포함하는,
방법.
- 제 1 항에 있어서,
상기 복원 정보는,
정상 리드의 심전도 신호와 리드 역전이 발생한 심전도 신호 사이의 변환 관계를 나타내는 복원 테이블(table)을 포함하는,
방법.
- 제 1 항에 있어서,
상기 심전도 신호를 획득하기 위해 신체에 부착되는 전극은,
사지 말단부에 부착되는 복수의 전극들, 또는 흉부의 기설정된 위치에 부착되는 복수의 전극들 중 적어도 하나를 포함하는,
방법.
- 제 1 항에 있어서,
상기 획득된 심전도 신호는,
오른팔에 대응되는 제 1 전극 및 왼팔에 대응되는 제 2 전극을 기초로 생성되는 제1 심전도 신호, 상기 제 1 전극 및 왼다리에 대응되는 제 3 전극을 기초로 생성되는 제2 심전도 신호, 상기 제 2 전극 및 상기 제 3 전극을 기초로 생성되는 제3 심전도 신호 또는 복수의 흉부 전극 각각에 대응되는 흉부 심전도 신호들 중 하나 이상을 포함하는,
방법.
- 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램(program)으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서(processor)에서 실행되는 경우, 심전도 신호의 오류 복원을 위한 동작들을 수행하도록 하며,
상기 동작들은,
심전도 신호를 획득하는 동작;
상기 획득된 심전도 신호를 측정하기 위한 리드(lead)들 사이의 상관관계를 기초로, 상기 획득된 심전도 신호의 오류(error)를 추정하는 동작; 및
심전도 신호의 오류를 교정하기 위한 복원 정보를 기초로, 상기 오류가 추정된 심전도 신호를 복원하는 동작;
을 포함하는,
컴퓨터 프로그램.
- 심전도 신호의 오류 복원을 위한 컴퓨팅 장치로서,
적어도 하나의 코어(core)를 포함하는 프로세서(processor);
상기 프로세서에서 실행 가능한 프로그램 코드(code)들을 포함하는 메모리(memory); 및
심전도 신호를 획득하기 위한 네트워크부(network unit);
를 포함하고,
상기 프로세서는,
심전도 신호를 획득하고, 상기 획득된 심전도 신호를 측정하기 위한 리드(lead)들 사이의 상관관계를 기초로, 상기 획득된 심전도 신호의 오류(error)를 추정하고, 심전도 신호의 오류를 교정하기 위한 복원 정보를 기초로, 상기 오류가 추정된 심전도 신호를 복원하는 것을 특징으로 하는,
장치.
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2024516591A JP2024533526A (ja) | 2021-09-25 | 2022-09-22 | 心電図信号のエラー復元方法、プログラム及び装置 |
| PCT/KR2022/014204 WO2023048486A1 (ko) | 2021-09-25 | 2022-09-22 | 심전도 신호의 오류 복원 방법, 프로그램 및 장치 |
| EP22873190.7A EP4406478A1 (en) | 2021-09-25 | 2022-09-22 | Method, program and device for correcting error of electrocardiogram signal |
| CN202280063398.6A CN117979900A (zh) | 2021-09-25 | 2022-09-22 | 心电图信号的错误修复方法、程序及装置 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20210126783 | 2021-09-25 | ||
| KR1020210126783 | 2021-09-25 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230044126A true KR20230044126A (ko) | 2023-04-03 |
Family
ID=85936565
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220118468A KR20230044126A (ko) | 2021-09-25 | 2022-09-20 | 심전도 신호의 오류 복원 방법, 프로그램 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230044126A (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20240069647A (ko) | 2022-11-11 | 2024-05-20 | 주식회사 메디컬에이아이 | 생체 신호에 기초하여 사용자의 질병을 진단하는 전자 장치 및 그 제어 방법 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200068161A (ko) | 2018-12-04 | 2020-06-15 | 건양대학교산학협력단 | 기계학습 모델을 이용한 심장질환예측 시스템, 및 방법 |
-
2022
- 2022-09-20 KR KR1020220118468A patent/KR20230044126A/ko not_active Application Discontinuation
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200068161A (ko) | 2018-12-04 | 2020-06-15 | 건양대학교산학협력단 | 기계학습 모델을 이용한 심장질환예측 시스템, 및 방법 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20240069647A (ko) | 2022-11-11 | 2024-05-20 | 주식회사 메디컬에이아이 | 생체 신호에 기초하여 사용자의 질병을 진단하는 전자 장치 및 그 제어 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200335217A1 (en) | Methods and systems using mathematical analysis and machine learning to diagnose disease | |
| KR102141617B1 (ko) | 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 | |
| US11617528B2 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
| CA3069891A1 (en) | Discovering novel features to use in machine learning techniques, such as machine learning techniques for diagnosing medical conditions | |
| US10357205B2 (en) | Electrocardiogram analysis | |
| CN111095232A (zh) | 发掘用于机器学习技术中的基因组 | |
| CN114901145A (zh) | 使用深度神经网络和基于规则的系统进行心电图诊断的系统和方法 | |
| Katircioglu-Öztürk et al. | A window-based time series feature extraction method | |
| US9867577B2 (en) | Electrocardiogram analysis | |
| KR20230044126A (ko) | 심전도 신호의 오류 복원 방법, 프로그램 및 장치 | |
| Qiang et al. | Automatic detection and localisation of myocardial infarction using multi-channel dense attention neural network | |
| EP4406478A1 (en) | Method, program and device for correcting error of electrocardiogram signal | |
| CN117979900A (zh) | 心电图信号的错误修复方法、程序及装置 | |
| EP4406473A1 (en) | Method, program, and device for diagnosing thyroid dysfunction on basis of electrocardiogram | |
| Masanam et al. | Non-Contact Human Workload Assessment for Adaptive Intelligent Systems | |
| KR20240013676A (ko) | 심전도를 이용한 심근경색 진단 방법, 프로그램 및장치 | |
| KR20240139020A (ko) | 인공 지능 모델에 기반하여 잠재적 심방 세동을 식별하는 방법, 프로그램 및 장치 | |
| KR20200055582A (ko) | 심전도 신호 진단 파라미터 추출 디바이스 및 추출 방법 | |
| Spagnolo et al. | Medical Imaging: Artificial Intelligence (AI) and Decision Uncertainty-a Short Survey | |
| Kundra | An Energy Aware VLSI Framework for ECG Features Extraction for Wearable Devices in Healthcare | |
| CN117940071A (zh) | 以心电图为基础诊断左心室收缩功能障碍的方法、程序及装置 | |
| KR20240067480A (ko) | 심전도 데이터의 분석 방법, 프로그램 및 장치 | |
| KR20240013675A (ko) | 심전도를 이용한 건강 상태의 예측 방법, 프로그램및 장치 | |
| KR20240017321A (ko) | 심전도 판독을 위한 인공지능 모델의 업데이트 방법,프로그램 및 장치 | |
| Kan et al. | Detection and Semantic Segmentation of Atrial Fibrillation Signals Using U-Net Model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |