KR20240067480A - 심전도 데이터의 분석 방법, 프로그램 및 장치 - Google Patents
심전도 데이터의 분석 방법, 프로그램 및 장치 Download PDFInfo
- Publication number
- KR20240067480A KR20240067480A KR1020220148500A KR20220148500A KR20240067480A KR 20240067480 A KR20240067480 A KR 20240067480A KR 1020220148500 A KR1020220148500 A KR 1020220148500A KR 20220148500 A KR20220148500 A KR 20220148500A KR 20240067480 A KR20240067480 A KR 20240067480A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- ecg
- electrocardiogram
- features
- principal component
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000007405 data analysis Methods 0.000 claims abstract description 25
- 238000003062 neural network model Methods 0.000 claims description 29
- 201000010099 disease Diseases 0.000 claims description 27
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000002565 electrocardiography Methods 0.000 description 157
- 238000004891 communication Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 15
- 238000000513 principal component analysis Methods 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 239000000284 extract Substances 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000013136 deep learning model Methods 0.000 description 5
- 230000003862 health status Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 208000010125 myocardial infarction Diseases 0.000 description 2
- 238000010009 beating Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 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
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004213 regulation of atrial cardiomyocyte membrane depolarization Effects 0.000 description 1
- 230000034225 regulation of ventricular cardiomyocyte membrane depolarization Effects 0.000 description 1
- 230000013577 regulation of ventricular cardiomyocyte membrane repolarization Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 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
- 238000007794 visualization technique Methods 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
- A61B5/316—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
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Cardiology (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Fuzzy Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
본 개시의 일 실시예에 따른 심전도 데이터 분석 방법은, 심전도 신호를 획득하는 단계, 상기 심전도 신호에 기초하여 복수의 특징들을 포함하는 심전도 특징 데이터를 생성하는 단계 및 하나 이상의 주성분을 기초로 상기 심전도 특징 데이터의 차원을 축소하여, 심전도 주성분 데이터를 생성하는 단계를 포함할 수 있다. 상기 하나 이상의 주성분은 상기 복수의 특징들 간의 상관관계에 기초하여 상기 복수의 특징들이 병합된 것을 특징으로 한다.
Description
본 개시의 내용은 의료 분야의 데이터 처리 기술에 관한 것으로, 구체적으로 심전도 신호에서 추출된 특징 데이터의 차원을 축소하여 분석을 용이하게 하는 방법에 관한 것이다.
심전도란 심박동과 관련된 전위를 신체 표면에서 도형으로 기록한 것으로, 표준 12유도 심전도 외에 운동부하 심전도, 활동 중 심전도 등이 있다. 심전도는 순환기 질환의 검진과 진단에 사용되며, 간단하게 획득 가능하다. 또한, 심전도는 비교적 저렴하며, 비침습적이고, 쉽게 반복하여 기록할 수 있는 장점이 있다.
도 1을 참조하면, 분석을 통해 심전도 신호로부터 복수의 특징(feature)들이 추출될 수 있다. 심전도는 심장에서 발생하는 전기적 신호를 기록한 것을 말하며, 통상적으로 10초 정도의 길이로 측정될 수 있다. 10초 동안에는 심장이 여러 번 뛰는 모습이 기록되어 있는데, 심장이 한번 뛸 때 기록된 것을 1 비트라고 명명할 수 있다. 심전도의 1비트는 심방 탈분극에 대응되는 P파, 심실 탈분극에 대응되는 QRS파, 심실 재분극에 대응되는 T파를 포함할 수 있다. 추출된 특징은 P 파의 시작점부터 QRS 파의 시작점까지의 간격인 ‘PR INTERVAL’, QRS 파의 간격인 ‘QRS duration’, P 파 중에서 +영역의 넓이인 ‘P AREA’, P 파 중에서 +값이 가장 높은 지점의 전압값인 ‘P AMP’ 등을 포함할 수 있다.
사용자는 심전도 신호에서 추출된 특징을 바탕으로 환자의 건강상태에 대해 분석할 수 있다. 다만, 특징 개수가 1개일 때는 그 의미를 쉽게 파악 수 있으나, 특징 개수가 수십개를 넘어가면 그 특징을 종합해서 결론을 내는 작업은 쉽지 않다. 더욱이 심전도 데이터가 1명의 것이 아니라 수백, 수천만개가 존재하고 이를 종합해 분석하고, 다른 데이터와의 관계까지 분석하려고 한다면 더욱 어려운 일이 된다.
따라서, 심전도 신호 또는 심전도 신호의 특징 데이터를 효과적으로 분석하기 위한 형태로 변환하는 방법이 필요한 실정이다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 심전도 신호에서 추출된 심전도 특징 데이터의 차원을 축소하여, 분석하기 용이한 형태의 데이터로 변환하는 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 데이터 분석 방법이 개시된다. 상기 방법은, 심전도 신호를 획득하는 단계, 상기 심전도 신호에 기초하여 복수의 특징들을 포함하는 심전도 특징 데이터를 생성하는 단계 및 하나 이상의 주성분을 기초로 상기 심전도 특징 데이터의 차원을 축소하여, 심전도 주성분 데이터를 생성하는 단계를 포함할 수 있다. 상기 하나 이상의 주성분은 상기 복수의 특징들 간의 상관관계에 기초하여 상기 복수의 특징들이 병합된 것을 특징으로 한다.
대안적으로, 상기 심전도 특징 데이터를 생성하는 단계는 기 설정된 특징 추출 알고리즘에 기초하여 n개(n은 자연수)의 특징을 추출하는 단계를 포함할 수 있다.
대안적으로, 상기 심전도 특징 데이터를 생성하는 단계는 사전 학습된 제1 신경망 모델로 상기 심전도 신호를 입력하여 n개의 특징을 추론하는 단계를 포함할 수 있다.
대안적으로, 상기 주성분은 심전도 주성분 데이터의 분산이 가장 큰 차원 축에 대응되는 제1 주성분을 포함하는 것을 특징으로 할 수 있다.
대안적으로, 상기 제1 주성분 및 상기 심전도 주성분 데이터를 제1 그래프로 시각화하는 단계를 더 포함할 수 있다.
대안적으로, 상기 제1 그래프는 제1 질병 영역 정보를 포함할 수 있다.
대안적으로, 상기 주성분은 상기 제1 주성분과 직교하는 제2 주성분을 더 포함할 수 있다.
대안적으로, 상기 제1 주성분 및 제2 주성분에 기초하여 상기 심전도 특징 데이터를 제2 그래프로 시각화하는 단계를 더 포함할 수 있다.
대안적으로, 사전 학습된 제2 신경망 모델로 상기 심전도 주성분 데이터를 입력하여 상기 심전도 주성분 데이터에 대응되는 질병을 예측하는 단계를 더 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램(program)이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 심전도 데이터의 분석을 위한 동작들을 수행하도록 한다. 이때, 상기 동작들은, 심전도 신호를 획득하는 동작, 상기 심전도 신호에 기초하여 복수의 특징들을 포함하는 심전도 특징 데이터를 생성하는 동작 및 하나 이상의 주성분을 기초로 상기 심전도 특징 데이터의 차원을 축소하여, 심전도 주성분 데이터를 생성하는 동작을 포함할 수 있다. 상기 하나 이상의 주성분은 상기 복수의 특징들 간의 상관관계에 기초하여 상기 복수의 특징들이 병합된 것을 특징으로 한다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라, 이미지 투영 방법을 통한 심전도 데이터의 입력을 위한 컴퓨팅 장치가 개시된다. 상기 장치는, 적어도 하나의 코어(core)를 포함하는 프로세서; 상기 프로세서에서 실행 가능한 프로그램 코드(code)들을 포함하는 메모리(memory); 및 심전도 데이터를 획득하기 위한 네트워크부(network unit)를 포함할 수 있다. 이때, 상기 프로세서는, 심전도 신호를 획득하고, 상기 심전도 신호에 기초하여 복수의 특징들을 포함하는 심전도 특징 데이터를 생성하고, 하나 이상의 주성분을 기초로 상기 심전도 특징 데이터의 차원을 축소하여, 심전도 주성분 데이터를 생성한다. 상기 하나 이상의 주성분은 상기 복수의 특징들 간의 상관관계에 기초하여 상기 복수의 특징들이 병합된 것을 특징으로 한다.
본 개시는 주성분 분석을 포함하는 데이터 차원 축소 방법을 이용하여 복수개의 특징을 포함하는 심전도 특징 데이터를 분석이 용이한 형태로 변환할 수 있다.
본 개시는 차원이 축소된 심전도 특징 데이터를 시각화하여 직관적인 분석을 가능하게 한다.
본 개시는 차원이 축소된 심전도 특징 데이터에 기초하여 사용자의 질병을 예측할 수 있다.
도 1은 심전도 신호에서 추출되는 심전도 특징 데이터를 설명하는 도면이다.
도 2는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록도이다.
도 3은 본 개시의 일 실시예에 따른 심전도 데이터 분석 장치를 설명하는 블록도이다.
도 4는 본 개시의 일 실시예에 따른 신경망 모델을 설명하는 블록도이다.
도 5는 본 개시의 일 실시예에 따른 심전도 데이터 분석 방법에서 심전도 특징 데이터의 차원을 축소하는 방법을 설명하는 도면이다.
도 6은 본 개시의 일 실시예에 따른 심전도 데이터의 차원을 축소한 결과를 시각화 한 도면이다.
도 7은 본 개시의 일 실시예에 따른 심전도 데이터의 시각화 방법을 설명하는 도면이다.
도 8은 본 개시의 일 실시예에 따른 신경망 모델을 설명하는 블록도이다.
도 9는 본 개시의 일 실시예에 따른 심전도 데이터 분석 방법을 설명하는 순서도이다.
도 10은 본 개시의 일 실시예에 따른 심전도 데이터 분석 방법을 설명하는 순서도이다.
도 2는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록도이다.
도 3은 본 개시의 일 실시예에 따른 심전도 데이터 분석 장치를 설명하는 블록도이다.
도 4는 본 개시의 일 실시예에 따른 신경망 모델을 설명하는 블록도이다.
도 5는 본 개시의 일 실시예에 따른 심전도 데이터 분석 방법에서 심전도 특징 데이터의 차원을 축소하는 방법을 설명하는 도면이다.
도 6은 본 개시의 일 실시예에 따른 심전도 데이터의 차원을 축소한 결과를 시각화 한 도면이다.
도 7은 본 개시의 일 실시예에 따른 심전도 데이터의 시각화 방법을 설명하는 도면이다.
도 8은 본 개시의 일 실시예에 따른 신경망 모델을 설명하는 블록도이다.
도 9는 본 개시의 일 실시예에 따른 심전도 데이터 분석 방법을 설명하는 순서도이다.
도 10은 본 개시의 일 실시예에 따른 심전도 데이터 분석 방법을 설명하는 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.
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 2는 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.
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 2는 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 심전도 신호의 특징을 추출하고, 추출한 특징에 주성분 분석을 수행할 수 있다. 그리고, 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 신호를 기초로 심전도 특징 데이터를 생성할 수 있다. 프로세서(110)는 심전도 특징 데이터의 차원을 축소할 수 있다. 그리고, 프로세서(110)는 차원이 축소된 심전도 특징 데이터를 시각화 하거나, 차원이 축소된 심전도 특징 데이터를 이용하여 심전도 측정 대상의 건강 상태를 예측할 수 있다.
예를 들어, 프로세서(110)는 심전도 신호를 입력으로 심전도 특징을 추출하는 딥러닝 모델을 학습시킬 수 있다. 그리고, 프로세서(110)는 학습된 딥러닝 모델을 이용하여 추론 대상 데이터인 심전도 신호를 기초로 사용자가 지정한 개수의 심전도 특징을 포함하는 심전도 특징 데이터를 생성할 수 있다. 프로세서(110)는 룰(rule) 기반 알고리즘을 이용하여 심전도 특징을 추출할 수도 있다.
프로세서(110)는 주성분 분석을 이용하여 심전도 특징 데이터의 차원을 축소할 수 있다. 그리고, 프로세서(110)는 차원이 축소된 심전도 특징 데이터가 가상의 공간 상에 표현되도록 시각화 할 수 있다. 프로세서(110)는 이러한 데이터 차원 축소 및 시각화를 통해 심전도에 대한 전문적인 지식이 없는 사람들도 직관적으로 분석 결과를 이해할 수 있는 형태로 데이터를 가공할 수 있다. 또한, 프로세서(110)는 주성분 분석을 통해 차원이 축소된 심전도 데이터를 기초로, 측정 대상에 대한 질환의 종류, 발병 여부, 경과 등을 진단하거나 질환의 발병을 예측하는 딥러닝 모델을 학습시킬 수 있다. 프로세서(110)는 차원 축소 데이터를 이용하여 딥러닝 모델이 데이터 해석 및 학습을 용이하게 수행할 수 있도록 할 수 있다. 그리고, 프로세서(110)는 학습된 딥러닝 모델을 이용하여 추론 대상인 차원 축소 데이터를 토대로 심전도 측정 대상의 건강 상태를 예측, 진단, 혹은 분류할 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 데이터를 저장할 수 있다. 메모리(120)는 심전도 특징 데이터의 생성 및 차원 축소를 수행하는 수학적 연산을 위한 프로그램 코드, 신경망 모델이 심전도 데이터를 입력받아 학습을 수행하도록 동작시키는 프로그램 코드, 신경망 모델이 심전도 데이터를 입력받아 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 병원 환경 내 데이터베이스, 의료 데이터의 표준화 등의 작업을 수행하는 클라우드 서버, 혹은 컴퓨팅 장치(100) 등과의 통신을 통해 심전도 데이터를 수신할 수 있다. 네트워크부(130)는 전술한 데이터베이스, 서버, 혹은 컴퓨팅 장치(100) 등과의 통신을 통해, 신경망 모델의 출력 데이터, 및 프로세서(110)의 연산 과정에서 도출되는 중간 데이터, 가공 데이터 등을 송신할 수 있다.
도 3은 본 개시의 일 실시예에 따른 심전도 데이터 분석 장치를 설명하는 블록도이다.
도 3을 참조하면, 심전도 데이터 분석 장치(200)는 입력 모듈(210), 특징 추출 모듈(220) 및 주성분 데이터 생성 모듈(230)을 포함할 수 있다. 심전도 데이터 분석 장치(200)는 시각화 모듈(240) 또는 분석 모듈(250)을 더 포함할 수 있다.
입력 모듈(210)은 사용자의 심전도 신호를 직접 측정하는 심전도 측정 장치 또는 네트워크를 통해 전달된 심전도 신호를 수신하기 위한 통신 모듈일 수 있다. 입력 모듈(210)이 심전도 신호를 수신하기 위한 통신 모듈인 경우, 입력 모듈(210)은 도 1의 네트워크부(130)에 대응될 수 있다.
특징 추출 모듈(220)은 기 설정된 특징 추출 알고리즘에 기초하여 사용자의 심전도 신호에서 하나 이상의 특징을 추출할 수 있다. 추가적인 실시예로, 특징 추출 모듈(220)은 심전도 신호를 입력하여 n개의 특징을 추론하기 위한 제1 신경망 모델을 포함할 수 있다. 예를 들어, 제1 신경망 모델은 심전도 신호 및 기 설정된 알고리즘에 의해 심전도 신호에서 추출된 복수의 특징을 기초로 학습될 수 있다.
주성분 데이터 생성 모듈(230)은 주성분 분석에 기초하여 심전도 특징 데이터의 차원을 축소하고 심전도 주성분 데이터를 생성할 수 있다. 예를 들어, 주성분 데이터 생성 모듈(230)은 복수개의 특징 변수를 하나의 주성분으로 변환할 수 있다. 구체적인 주성분 분석 방법에 대해서는 도 5에서 설명한다.
시각화 모듈(240)은 1개, 2개 또는 3개의 주성분을 포함하는 심전도 주성분 데이터를 그래프에 도시하여 사용자에게 제공할 수 있다. 구체적인 시각화 방법에 대해서는 도7에서 설명한다.
분석 모듈(250)은 통계적 방법을 이용하여 심전도 주성분 데이터에 대응되는 질병을 예측할 수 있다. 추가적인 실시예로, 분석 모듈(250)은 심전도 주성분 데이터 및 심전도 주성분 데이터를 기초로 판단된 질병 정보로 학습된 제2 신경망 모델을 포함할 수 있다. 사용자의 질병을 예측하기 위한 제2 신경망 모델은 심전도 주성분 데이터를 입력으로 질병 예측 데이터를 생성할 수 있다.
도 4는 본 개시의 일 실시예에 따른 신경망 모델을 설명하는 블록도이다.
도 4를 참조하면, 신경망 모델(320)은 심전도 신호 및 기 설정된 알고리즘에 의해 심전도 신호에서 추출된 복수의 특징을 기초로 학습될 수 있다. 심전도 신호의 특징을 추론하기 위한 신경망 모델(320)은 측정된 심전도 신호(310)를 입력으로 심전도 특징 데이터(330)를 생성할 수 있다.
예를 들어, 신경망 모델(320)은 심전도 데이터를 학습 데이터로 합성곱 신경망에 입력하여, 심전도 데이터에서 심전도 특징을 추출하고 해석할 수 있다. 신경망 모델(320)은 평균제곱오차(MSE: mean square error), 크로스 엔트로피(cross entropy) 등과 같은 손실 함수를 이용하여 합성곱 신경망의 해석 결과와 GT(ground truth) 간의 손실을 계산할 수 있다. 그리고, 신경망 모델(320)은 역전파와 통계적 경사 하강법(SGD, stochastic gradient descent) 등과 같은 최적화 기법을 통해 손실을 최소화하여 합성곱 신경망의 파라미터를 최적화할 수 있다. 신경망 모델(320)은 이와 같이 학습된 합성곱 신경망을 이용하여 추론 대상인 정형화 데이터를 기반으로 미래의 건강 상태에 관한 수치 값을 출력할 수 있다. 상술한 신경망의 종류는 하나의 예시일 뿐이며, 신경망의 종류는 심전도 데이터의 특성에 맞춰 순환(recurrent) 신경망, 다층 퍼셉트론(MLP: multi-layer perceptron) 신경망 등 다양하게 구성될 수 있다.
도 5는 본 개시의 일 실시예에 따른 심전도 데이터 분석 방법에서 심전도 특징 데이터의 차원을 축소하는 방법을 설명하는 도면이다.
도 5를 참조하면, 심전도 데이터 분석 방법은 주성분 분석(PCA, Principal Component Analysis)를 사용해서 심전도 특징 데이터의 차원을 축소할 수 있다. 예를 들어, 심전도 특징 데이터는 제1 특징(FT1) 및 제2 특징(FT2)을 포함할 수 있다. 심전도 데이터 분석 방법은 제1 특징(FT1) 및 제2 특징(FT2)을 선형 독립의 새로운 변수인 제1 주성분(PC1)으로 변환할 수 있다.
그래프 (a)는 제1 특징(FT1)을 X축, 제1 특징(FT1)을 Y축으로 심전도 특징 데이터들을 표시한 그래프이다. 제1 심전도 특징 데이터(DT_1), 제2 심전도 특징 데이터(DT_2), ?? , 제N 심전도 특징 데이터(DT_N)는 각각 제1 특징(FT1) 값 및 제2 특징(FT2) 값에 따라 그래프 (a)에 표시될 수 있다.
그래프 (a)에 표시된 제1 주성분(PC1) 축은 제1 심전도 특징 데이터(DT_1), 제2 심전도 특징 데이터(DT_2) ?? 제N 심전도 특징 데이터(DT_N)의 분산이 최대로 보존되는 축일 수 있다. 제1 주성분(PC1)은 제1 특징(FT1) 및 제2 특징(FT2) 두개의 변수에 포함된 정보를 최대한 포함하는 하나의 변수일 수 있다.
심전도 데이터 분석 방법은 주성분 분석을 사용해서 제1 심전도 특징 데이터(DT_1)를 제1 심전도 주성분 데이터(PDT_1)로 변환하고, 제2 심전도 특징 데이터(DT_2)를 제2 심전도 주성분 데이터(PDT_2)로 변환하는 방법으로 이해될 수 있다.
변환된 심전도 주성분 데이터는 그래프 (b)에 표시될 수 있다. 심전도 주성분 데이터는 심전도 특징 데이터의 모든 정보를 포함하는 변수인 제1 주성분(PC1) 변수 하나만을 포함할 수 있다. 따라서 사용자는 그래프 (b)를 통해 직관적으로 질병 상태 등을 판단할 수 있다.
도 5에서는 두개의 변수를 하나의 주성분으로 변환하는 과정을 설명하였으나, 본 개시는 이에 한정되는 것은 아니고 N개(N은 1보다 큰 정수)의 변수를 포함하는 심전도 특징 데이터를 M개(M은 0보다 크고 N보다 작은 정수)의 주성분으로 변환할 수 있다. 예를 들어, 심전도 특징 데이터에 세 개 이상의 특징이 포함되는 경우, 제1 주성분 외에 제2 주성분을 추출할 수 있다. 제1 주성분은 가장 분산이 큰 방향을 가진 고유 벡터의 형태이고, 제2 주성분은 제1 주성분과 직교하고 제1 주성분 다음으로 분산이 큰 고유 벡터의 형태일 수 있다.
심전도 데이터 분석 장치는 이와 같이 복잡도가 높은 심전도 특징 데이터의 차원을 축소함으로써, 심전도에 대한 직관적이고 손쉬운 해석이 가능하도록 할 수 있다.
도 6은 본 개시의 일 실시예에 따른 심전도 데이터의 차원을 축소한 결과를 시각화 한 도면이다.
도 6을 참조하면, 표 (a)는 심전도 특징 데이터의 예시이고, 표 (b)는 표 (a)의 심전도 특징 데이터를 주성분 분석을 이용하여 차원을 축소한 주성분 데이터의 예시일 수 있다.
표 (a)에 포함된 제1 특징(FT1)은 심박수이고, 제2 특징(FT2)은 QRS 기간(duration)이고, 제3 특징(FT3)은 PR 간격(interval)이고, 제4 특징(FT4)은 QRS 축(axis)일 수 있다. 표 (a)에 포함된 제1 데이터(DATA1), 제2 데이터(DATA2), 제3 데이터(DATA3)은 각각 다른 사용자의 심전도 특징 데이터일 수 있고, 동일 사용자의 다른 시기에 측정된 심전도 특징 데이터일 수도 있다.
표 (b)에 포함된 제1 주성분(PC1)은 제1 특징(FT1), 제2 특징(FT2), 제3 특징(FT3) 및 제4 특징(FT4)을 병합한 변수로, 각 특징의 정보를 최대한 포함하기 위해 분산을 최대화하는 변수일 수 있다. 표 (b)에 포함된 제2 주성분(PC2)은 제1 주성분(PC1)과 직교하는 성분의 변수일 수 있다.
표 (b)에서는 두개의 주성분을 예시적으로 설명하였으나, 심전도 데이터 분석 방법에서 심전도 특징 데이터에 포함된 특징을 고려하여 1개의 주성분만을 추출할 수도 있고, 2개 이상의 주성분을 추출할 수도 있다.
도 7은 본 개시의 일 실시예에 따른 심전도 데이터의 시각화 방법을 설명하는 도면이다.
도 6 및 도 7을 참조하면, 심전도 데이터 분석 장치는 심전도 특징 데이터에서 제1 주성분(PC1)을 추출하여 그래프 (a)에 제1 데이터(DATA1), 제2 데이터(DATA2), 제3 데이터(DATA3)를 표시할 수 있다. 그래프 (a)는 제1 주성분(PC1)을 변수로 하는 1차원 그래프일 수 있다. 심전도 데이터 분석 장치는 통계적 분석 또는 기 설정된 알고리즘을 통해 제1 질병(예를 들어, 심근경색)이 높은 확률로 발생하는 제1 영역(MI)을 설정할 수 있다. 사용자는 그래프 (a)에서 제3 데이터(DATA3)가 제1 질병에 해당할 확률이 높은 것으로 판단할 수 있다.
심전도 데이터 분석 장치는 심전도 특징 데이터에서 제1 주성분(PC1) 및 제2 주성분(PC2)을 추출하여 그래프 (b)에 제1 데이터(DATA1), 제2 데이터(DATA2), 제3 데이터(DATA3)를 표시할 수 있다. 그래프 (b)는 제1 주성분(PC1) 및 제2 주성분(PC2)을 변수로 하는 2차원 그래프일 수 있다. 심전도 데이터 분석 장치는 통계적 분석 또는 기 설정된 알고리즘을 통해 제1 질병(예를 들어, 심근경색)이 높은 확률로 발생하는 제1 영역(MI)을 설정할 수 있다. 사용자는 그래프 (b)에서 제3 데이터(DATA3)가 제1 질병에 해당할 확률이 높은 것으로 판단할 수 있다. 심전도 데이터 분석 장치는 이와 같이 차원이 축소된 심전도 데이터를 이용함으로써, 가상의 공간 상에 심전도의 위치와 다른 심전도와의 관계성을 시각적으로 표현할 수 있다.
한편, 심전도 데이터 분석 장치는 심전도 특징 데이터의 분석 과정에서 데이터의 특성 보존율이나 데이터 연산 속도 등을 고려하여 주성분 개수를 선택할 수 있다. 심전도 데이터 분석 장치는 분석 결과의 정확성을 높이기 위해 주성분 개수를 증가시키거나, 분석 속도를 빠르게 하기 위해 주성분 개수를 감소시킬 수 있다. 심전도 데이터 분석 장치는 데이터의 누적된 분산 비율이 기 설정된 비율(예를 들어 90%) 이상이 되도록 주성분 개수를 선택할 수 있다.
도 8은 본 개시의 일 실시예에 따른 신경망 모델을 설명하는 블록도이다.
도 8을 참조하면 제2 신경망 모델(420)은 심전도 주성분 데이터 및 심전도 주성분 데이터를 기초로 판단된 질병 정보를 학습 데이터로 사용할 수 있다. 사용자의 질병을 예측하기 위한 제2 신경망 모델(420)은 심전도 주성분 데이터(410)를 입력으로 질병 예측 데이터(330)를 생성할 수 있다.
제2 신경망 모델(420)에 대한 설명은 도 4에서 설명하는 신경망 모델(320)에 대한 설명을 참조한다.
도 9는 본 개시의 일 실시예에 따른 심전도 데이터 분석 방법을 설명하는 순서도이다.
도 2 및 도 9를 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.
컴퓨팅 장치(100)는 획득된 심전도 신호에서 특징을 추출하여 심전도 특징 데이터 생성할 수 있다(S120). 컴퓨팅 장치(100)는 기 설정된 특징 추출 알고리즘에 기초하여 n개(n은 자연수)의 특징을 추출할 수 있다. 도 1을 참조하면, 심전도 신호에서 추출하는 특징은 P 파의 시작점부터 QRS 파의 시작점까지의 간격인 ‘PR INTERVAL’, QRS 파의 간격인 ‘QRS duration’, P 파 중에서 +영역의 넓이인 ‘P AREA’, P 파 중에서 +값이 가장 높은 지점의 전압값인 ‘P AMP’ 등 다양한 특징을 포함할 수 있다.
컴퓨팅 장치(100)는 사전 학습된 제1 신경망 모델로 상기 심전도 신호를 입력하여 n개의 특징을 추론할 수 있다. 예를 들어, 제1 신경망 모델은 심전도 신호 및 기 설정된 알고리즘에 의해 심전도 신호에서 추출된 복수의 특징을 기초로 학습될 수 있다.
컴퓨팅 장치(100)는 주성분 분석에 기초하여 심전도 특징 데이터의 차원을 축소하고 심전도 주성분 데이터를 생성할 수 있다(S130). 예를 들어, 컴퓨팅 장치(100)는 도 5에서 설명하는 주성분 분석을 이용하여 심전도 특징 데이터의 차원을 축소하고 심전도 주성분 데이터를 생성할 수 있다. 주성분은 심전도 주성분 데이터의 분산이 가장 큰 차원 축에 대응되는 제1 주성분을 포함할 수 있고, 심전도 특징 데이터에 따라 더 많은 주성분을 추출할 수 있다.
추가적인 실시예로, 컴퓨팅 장치(100)는 심전도 특징 데이터의 차원을 축소하기 위해 주성분 분석 외에 독립성분분석(ICA:independent component analysis), 다차원 척도법(multidimensional scaling) 등을 사용하여 분석 대상이 되는 변수의 수를 줄일 수 있다.
컴퓨팅 장치(100)는 차원이 축소된 심전도 특징 데이터를 제공하고, 이를 통해 심전도 특징 데이터의 분석을 더 용이하게 할 수 있다.
도 10은 본 개시의 일 실시예에 따른 심전도 데이터 분석 방법을 설명하는 순서도이다.
도 2 및 도 10을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 주성분 분석에 기초하여 심전도 특징 데이터의 차원을 축소하고 심전도 주성분 데이터를 생성할 수 있다(S210). 심전도 주성분 데이터를 생성하는 과정은 도 9에서 설명하는 내용을 참조한다.
컴퓨팅 장치(100)는 심전도 주성분 데이터를 시각화 할 수 있다(S220). 예를 들어, 컴퓨팅 장치(100)에서 심전도 주성분 데이터를 시각화 한 결과는 도 7에 도시된 그래프 (a) 또는 그래프 (b)일 수 있다. 컴퓨팅 장치(100)는 심전도 특징 데이터에서 1개의 주성분을 추출하여 1차원 그래프에 도시하거나, 심전도 특징 데이터에서 2개의 주성분을 추출하여 2차원 그래프에 도시하거나, 심전도 특징 데이터에서 3개의 주성분을 추출하여 3차원 그래프에 도시할 수 있다.
컴퓨팅 장치(100)는 심전도 주성분 데이터에 대응되는 질병을 예측할 수 있다(S230). 컴퓨팅 장치(100)는 통계적 방법을 이용하여 심전도 주성분 데이터에 대응되는 질병을 예측할 수 있다. 도 7을 참조하면, 제1 질병에 해당하는 심전도 주성분 데이터가 제1 영역(MI)에 높은 확률로 위치하는 경우, 사용자의 심전도 데이터가 제1 영역(MI)에 위치하면 제1 질병으로 판단할 수 있다. 추가적인 실시예로, 컴퓨팅 장치(100)는 심전도 주성분 데이터 및 심전도 주성분 데이터를 기초로 판단된 질병 정보를 학습 데이터로 사용하여 제2 신경망 모델을 학습시킬 수 있다. 사용자의 질병을 예측하기 위한 제2 신경망 모델은 심전도 주성분 데이터를 입력으로 질병 예측 데이터를 생성할 수 있다.
컴퓨팅 장치(100)는 차원이 축소된 심전도 특징 데이터를 시각화하고 사용자에게 제공할 수 있다. 사용자는 시각화된 데이터를 통해 건강상태 및 건강상태의 변화를 직관적으로 이해할 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 (11)
- 적어도 하나의 프로세서(processor)를 포함하는 컴퓨팅 장치에 의해 수행되는, 심전도 데이터 분석 방법으로서,
심전도 신호를 획득하는 단계;
상기 심전도 신호에 기초하여 복수의 특징들을 포함하는 심전도 특징 데이터를 생성하는 단계; 및
하나 이상의 주성분을 기초로 상기 심전도 특징 데이터의 차원을 축소하여, 심전도 주성분 데이터를 생성하는 단계;를 포함하고,
상기 하나 이상의 주성분은 상기 복수의 특징들 간의 상관관계에 기초하여 상기 복수의 특징들이 병합된 것을 특징으로 하는,
방법. - 제 1 항에 있어서,
상기 심전도 특징 데이터를 생성하는 단계는 기 설정된 특징 추출 알고리즘에 기초하여 n개(n은 자연수)의 특징을 추출하는 단계;를 포함하는,
방법. - 제 1 항에 있어서,
상기 심전도 특징 데이터를 생성하는 단계는 사전 학습된 제1 신경망 모델로 상기 심전도 신호를 입력하여 n개의 특징을 추론하는 단계;를 포함하는,
방법. - 제 1 항에 있어서,
상기 주성분은 심전도 주성분 데이터의 분산이 가장 큰 차원 축에 대응되는 제1 주성분을 포함하는 것을 특징으로 하는,
방법. - 제 4 항에 있어서,
상기 제1 주성분 및 상기 심전도 주성분 데이터를 제1 그래프로 시각화하는 단계를 더 포함하는,
방법. - 제 5 항에 있어서,
상기 제1 그래프는 제1 질병 영역 정보를 포함하는 것을 특징으로 하는,
방법. - 제 4 항에 있어서,
상기 주성분은 상기 제1 주성분과 직교하는 제2 주성분을 더 포함하는 것을 특징으로 하는,
방법. - 제 8 항에 있어서,
상기 제1 주성분 및 제2 주성분에 기초하여 상기 심전도 특징 데이터를 제2 그래프로 시각화하는 단계를 더 포함하는,
방법. - 제 1 항에 있어서,
사전 학습된 제2 신경망 모델로 상기 심전도 주성분 데이터를 입력하여 상기 심전도 주성분 데이터에 대응되는 질병을 예측하는 단계;를 더 포함하는,
방법. - 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램(program)으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서(processor)에서 실행되는 경우, 심전도 데이터 분석을 위한 동작들을 수행하도록 하며,
상기 동작들은,
심전도 신호를 획득하는 동작;
상기 심전도 신호에 기초하여 복수의 특징들을 포함하는 심전도 특징 데이터를 생성하는 동작; 및
하나 이상의 주성분을 기초로 상기 심전도 특징 데이터의 차원을 축소하여, 심전도 주성분 데이터를 생성하는 동작;
을 포함하고,
상기 하나 이상의 주성분은 상기 복수의 특징들 간의 상관관계에 기초하여 상기 복수의 특징들이 병합된 것을 특징으로 하는,
컴퓨터 프로그램. - 심전도 데이터 분석을 위한 컴퓨팅 장치로서,
적어도 하나의 코어(core)를 포함하는 프로세서(processor);
상기 프로세서에서 실행 가능한 프로그램 코드(code)들을 포함하는 메모리(memory); 및
심전도 데이터를 획득하기 위한 네트워크부(network unit);
를 포함하고,
상기 프로세서는,
심전도 신호를 획득하고, 상기 심전도 신호에 기초하여 복수의 특징들을 포함하는 심전도 특징 데이터를 생성하고, 하나 이상의 주성분을 기초로 상기 심전도 특징 데이터의 차원을 축소하여, 심전도 주성분 데이터를 생성하고,
상기 하나 이상의 주성분은 상기 복수의 특징들 간의 상관관계에 기초하여 상기 복수의 특징들이 병합된 것을 특징으로 하는,
장치.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220148500A KR20240067480A (ko) | 2022-11-09 | 2022-11-09 | 심전도 데이터의 분석 방법, 프로그램 및 장치 |
| PCT/KR2023/017193 WO2024101759A1 (ko) | 2022-11-09 | 2023-11-01 | 심전도 데이터의 분석 방법, 프로그램 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220148500A KR20240067480A (ko) | 2022-11-09 | 2022-11-09 | 심전도 데이터의 분석 방법, 프로그램 및 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240067480A true KR20240067480A (ko) | 2024-05-17 |
Family
ID=91032774
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220148500A KR20240067480A (ko) | 2022-11-09 | 2022-11-09 | 심전도 데이터의 분석 방법, 프로그램 및 장치 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR20240067480A (ko) |
| WO (1) | WO2024101759A1 (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102417949B1 (ko) | 2022-03-24 | 2022-07-06 | (주)나눔테크 | 인공지능 기반 자동심장충격기용 심전도 분석 및 적용 방법 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101788803B1 (ko) * | 2016-10-12 | 2017-10-20 | 조선대학교 산학협력단 | 심전도를 이용한 개인 식별 정보 생성방법 및 그 개인 식별 정보를 이용한 개인 식별 방법 |
| CN109171712B (zh) * | 2018-09-28 | 2022-03-08 | 东软集团股份有限公司 | 心房颤动识别方法、装置、设备及计算机可读存储介质 |
| KR102488535B1 (ko) * | 2020-12-17 | 2023-01-17 | 포항공과대학교 산학협력단 | 위전도를 활용한 스트레스 수준 분석 시스템 및 방법 |
| KR20220104583A (ko) * | 2021-01-18 | 2022-07-26 | 주식회사 바디프랜드 | 인공지능을 통한 2차원 심전도의 3차원 심전도로의 변환 전처리 및 심장질환 예측 시스템 |
| CN115204297A (zh) * | 2022-07-14 | 2022-10-18 | 中国人民解放军南部战区总医院 | 一种基于多通道卷积神经网络的心电图分类方法及系统 |
-
2022
- 2022-11-09 KR KR1020220148500A patent/KR20240067480A/ko unknown
-
2023
- 2023-11-01 WO PCT/KR2023/017193 patent/WO2024101759A1/ko unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102417949B1 (ko) | 2022-03-24 | 2022-07-06 | (주)나눔테크 | 인공지능 기반 자동심장충격기용 심전도 분석 및 적용 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024101759A1 (ko) | 2024-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220093216A1 (en) | Discovering novel features to use in machine learning techniques, such as machine learning techniques for diagnosing medical conditions | |
| US20220093215A1 (en) | Discovering genomes to use in machine learning techniques | |
| JP2020536623A (ja) | モバイルデバイスを用いたユーザの健康の連続的監視 | |
| US20200155015A1 (en) | Topological features and time-bandwidth signature of heart signals as biomarkers to detect deterioration of a heart | |
| Azami et al. | Entropy analysis of univariate biomedical signals: Review and comparison of methods | |
| KR20230133230A (ko) | 심전도에 기초한 신경망 모델의 대조적인 사전 학습 방법, 프로그램 및 장치 | |
| Kumar et al. | Cardiovascular disease prognosis and severity analysis using hybrid heuristic methods | |
| KR20240067480A (ko) | 심전도 데이터의 분석 방법, 프로그램 및 장치 | |
| KR20240009349A (ko) | 심전도 판독에 기반한 시각화 콘텐츠를 제공하는 방법,프로그램 및 장치 | |
| KR20230044126A (ko) | 심전도 신호의 오류 복원 방법, 프로그램 및 장치 | |
| KR20230044124A (ko) | 설명 가능한 인공지능에 기반한 의료 데이터의 해석 방법, 프로그램 및 장치 | |
| JP2024537971A (ja) | 医療データに基づくディープラーニングモデルの学習及び推論方法、プログラム及び装置 | |
| KR20240009891A (ko) | 단기 측정된 심장 신호를 기반으로 장기 심박 변이도를생성하는 방법, 프로그램 및 장치 | |
| KR20240013674A (ko) | 심전도를 이용한 건강 상태의 예측 방법, 프로그램및 장치 | |
| KR20240148283A (ko) | 인공지능 기반 질환 예측 방법, 프로그램 및 장치 | |
| KR20240013675A (ko) | 심전도를 이용한 건강 상태의 예측 방법, 프로그램및 장치 | |
| KR20240135372A (ko) | 인공지능 모델을 해석하는 방법, 프로그램 및 장치 | |
| KR102442591B1 (ko) | 라벨 생성 방법, 프로그램 및 장치 | |
| KR20240139020A (ko) | 인공 지능 모델에 기반하여 잠재적 심방 세동을 식별하는 방법, 프로그램 및 장치 | |
| KR102502880B1 (ko) | 베이지안 최대엔트로피모델 추정 및 뇌 기능 동적 특성 평가 방법 | |
| KR20240139016A (ko) | 신경망 모델에 기반하여 노이즈를 포함한 심전도 신호를 선별하는 방법, 프로그램 및 장치 | |
| KR20240009883A (ko) | 심전도 기반 신경망 모델의 학습 방법, 프로그램 및장치 | |
| KR20240112753A (ko) | 생체 신호의 분석에 최적화 된 모델 구축 방법, 프로그램 및 장치 | |
| KR20240013673A (ko) | 심전도 세그먼트를 이용한 건강 상태의 예측 방법,프로그램 및 장치 | |
| WO2024014888A1 (ko) | 단기 측정된 심장 신호를 기반으로 장기 심박 변이도를 생성하는 방법, 프로그램 및 장치 |