[go: up one dir, main page]

WO2024049053A1 - 클러스터링을 이용하여 생체 신호 분석을 지원하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 - Google Patents

클러스터링을 이용하여 생체 신호 분석을 지원하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 Download PDF

Info

Publication number
WO2024049053A1
WO2024049053A1 PCT/KR2023/012039 KR2023012039W WO2024049053A1 WO 2024049053 A1 WO2024049053 A1 WO 2024049053A1 KR 2023012039 W KR2023012039 W KR 2023012039W WO 2024049053 A1 WO2024049053 A1 WO 2024049053A1
Authority
WO
WIPO (PCT)
Prior art keywords
clustering
data
biosignal
biosignal data
present
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/KR2023/012039
Other languages
English (en)
French (fr)
Inventor
안준호
하권우
이광로
정성훈
김진국
장재성
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huinno Co Ltd
Original Assignee
Huinno Co Ltd
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 Huinno Co Ltd filed Critical Huinno Co Ltd
Priority to JP2024575416A priority Critical patent/JP2025523502A/ja
Publication of WO2024049053A1 publication Critical patent/WO2024049053A1/ko
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • 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
    • A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
    • 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
    • A61B5/366—Detecting abnormal QRS complex, e.g. widening
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Definitions

  • the present invention relates to a method, system, and non-transitory computer-readable recording medium for supporting biosignal analysis using clustering.
  • wearable monitoring devices that can constantly monitor vital signs during daily life without visiting a hospital have been introduced.
  • Biosignals measured through wearable monitoring devices can be analyzed by automated or intelligent biosignal analysis models, and various cutting-edge technologies are being used to increase the accuracy of analysis.
  • the biological signal is an electrocardiogram signal
  • the important characteristics of the signal may appear differently depending on the characteristics of the measuring device or the characteristics of each subject, so even if an artificial intelligence-based analysis model is used, the analysis is difficult. It is difficult to analyze the ECG signal with 100% accuracy using a model alone, and it is essential for medical staff to directly inspect the ECG signal.
  • the present inventor(s) accurately and efficiently clustered biosignal data so that medical staff can efficiently collect a plurality of biosignal data (or analysis results thereof) with similar characteristics (shape, rhythm, pattern, etc.).
  • the purpose of the present invention is to solve all of the above-mentioned problems.
  • the present invention extracts features from a plurality of biosignal data related to biosignals, generates a plurality of feature vectors for each of the plurality of biosignal data based on the extracted features, and refers to the plurality of feature vectors to generate a plurality of feature vectors. Another purpose is to enable medical staff to efficiently inspect biosignal data and analysis result data based on clusters without experiencing the inefficiency of inspecting all biosignal data by performing clustering on biosignal data.
  • the present invention utilizes various information obtained from biosignal data to improve the accuracy of clustering and adjust the number of clusters according to the situation, thereby increasing both the efficiency and reliability of medical staff inspection of biosignal data analysis results. Do it as
  • a representative configuration of the present invention to achieve the above object is as follows.
  • a method for supporting bio-signal analysis using clustering features are extracted from a plurality of bio-signal data related to bio-signals, and the plurality of bio-signal data are based on the extracted features.
  • a method is provided including generating a plurality of feature vectors for each, and performing clustering on the plurality of biosignal data with reference to the plurality of feature vectors.
  • a system for supporting bio-signal analysis using clustering wherein features are extracted from a plurality of bio-signal data related to bio-signals, and the plurality of bio-signal data are based on the extracted features.
  • a system includes a feature extraction unit that generates a plurality of feature vectors for each feature vector, and a clustering management unit that performs clustering on the plurality of biosignal data with reference to the plurality of feature vectors.
  • an effect is achieved in which medical staff can efficiently inspect biosignal data and analysis result data based on clusters without experiencing the inefficiency of inspecting all biosignal data.
  • the accuracy of clustering can be improved by utilizing various information obtained from biosignal data and the number of clusters can be adjusted according to the situation, thereby increasing both the efficiency and reliability of medical staff inspection of biosignal data analysis results. The desired effect is achieved.
  • 1 is a diagram schematically showing the configuration of the entire system according to the present invention.
  • Figure 2 is a diagram illustrating the internal configuration of a biosignal analysis system according to an embodiment of the present invention.
  • Figure 3 is a diagram illustrating bio-signal data that is the subject of clustering according to an embodiment of the present invention.
  • Figure 4 is a diagram illustrating the structure of a model used for feature extraction according to an embodiment of the present invention.
  • Figure 5 is a diagram illustrating the results of hierarchical clustering according to an embodiment of the present invention.
  • Figure 6 is a diagram illustrating the degree to which an inspector's reading efficiency increases as clustering is performed according to an embodiment of the present invention.
  • FIGS. 7 to 10 are diagrams exemplarily showing the results of clustering on ECG signal data according to an embodiment of the present invention.
  • control unit 240 control unit
  • 1 is a diagram schematically showing the configuration of the entire system according to the present invention.
  • the entire system may be composed of a communication network 100, a biometric signal analysis system 200, and a device 300.
  • the communication network 100 can be configured regardless of communication mode, such as wired communication or wireless communication, and can be used as a local area network (LAN) or a metropolitan area network (MAN). ), and can be composed of various communication networks such as WAN (Wide Area Network).
  • the communication network 100 referred to in this specification may include a known short-range wireless communication network such as Wi-Fi, Wi-Fi Direct, LTE Direct, and Bluetooth. You can.
  • the communication network 100 is not necessarily limited thereto and may include at least a portion of a known wired or wireless data communication network, a known telephone network, or a known wired or wireless television communication network.
  • the communication network 100 is a wireless data communication network, including Wi-Fi communication, WiFi-Direct communication, Long Term Evolution (LTE) communication, and Bluetooth communication (Bluetooth Low Energy (BLE). Energy), infrared communication, ultrasonic communication, etc. may be implemented at least in part.
  • the communication network 100 is an optical communication network and may implement at least a portion of a conventional communication method such as LiFi (Light Fidelity).
  • the biosignal analysis system 200 extracts features from a plurality of biosignal data related to biosignals, and analyzes each of the plurality of biosignal data based on the extracted features.
  • a function of generating a plurality of feature vectors and performing clustering on a plurality of biosignal data by referring to the plurality of feature vectors can be performed.
  • biosignal analysis system 200 has been described as above, this description is illustrative and at least some of the functions or components required for the biosignal analysis system 200 can be installed within the device 300 as needed. It will be apparent to those skilled in the art that this may be realized or included within device 300.
  • the device 300 is a digital device that includes a function to communicate after connecting to the biosignal analysis system 200, and is equipped with a memory means and equipped with a microprocessor to perform calculations. Any digital device with capabilities can be adopted as the device 300 according to the present invention.
  • the device 300 is a wearable device such as smart glasses, smart watch, smart patch, smart band, smart ring, smart necklace, etc., or a smart phone, smart pad, desktop computer, laptop computer, workstation, PDA, web pad, mobile phone, etc. It could be a somewhat traditional device like:
  • the device 300 may include a sensing means (e.g., a contact electrode, an infrared sensor, etc.) for obtaining a predetermined biological signal from the human body, and may include a device for measuring the biological signal. It may include display means for providing various information to the user.
  • a sensing means e.g., a contact electrode, an infrared sensor, etc.
  • a device for measuring the biological signal may include display means for providing various information to the user.
  • the device 300 may further include an application program for performing functions according to the present invention.
  • These applications may exist in the form of program modules within the device 300.
  • the nature of this program module may be generally similar to the feature extraction unit 210, clustering management unit 220, communication unit 230, and control unit 240 of the biosignal analysis system 200, which will be described later.
  • at least part of the application may be replaced with a hardware device or firmware device that can perform substantially the same or equivalent functions as necessary.
  • Figure 2 is a diagram illustrating the internal configuration of a biosignal analysis system according to an embodiment of the present invention.
  • the biosignal analysis system 200 may include a feature extraction unit 210, a clustering management unit 220, a communication unit 230, and a control unit 240.
  • the feature extraction unit 210, clustering management unit 220, communication unit 230, and control unit 240 of the biosignal analysis system 200 are connected to an external system (not shown).
  • an external system may be program modules that communicate with These program modules may be included in the biosignal analysis system 200 in the form of operating systems, application modules, and other program modules, and may be physically stored in various known memory devices. Additionally, these program modules may be stored in a remote memory device capable of communicating with the biosignal analysis system 200. Meanwhile, these program modules include, but are not limited to, routines, subroutines, programs, objects, components, data structures, etc. that perform specific tasks or execute specific abstract data types according to the present invention.
  • the biosignal analysis system 200 may operate independently without external communication, and in this case, the communication unit 230 may not be included in the biosignal analysis system 200.
  • the feature extractor 210 can acquire a plurality of biosignal data measured from the body of the subject.
  • the biosignal data may be electrocardiogram signal data measured from the body of the subject, and this electrocardiogram signal data may be composed of beats including a QRS complex.
  • ECG signal data that is the subject of clustering may consist of a 5-bit sequence, and the section from the R peak of the first bit to the R peak of the last bit may be defined as one ECG signal data. There is (see Figure 3).
  • the feature extractor 210 may extract features from a plurality of biosignal data related to biosignals, and may extract features from each of the plurality of biosignal data based on the extracted features. Multiple feature vectors can be generated.
  • the feature extraction unit 210 may extract features from biosignal data using a feature extraction model learned through supervised learning.
  • the signal value changes significantly in the QRS complex included in the ECG signal
  • the bit position difference, bit height difference, Problems where clustering is not performed properly may occur due to baseline fluctuations, noise, etc.
  • features are extracted from original data, feature vectors are generated, and clustering is performed based on the feature vectors, thereby reducing problems that may occur when clustering based on original data.
  • the feature extraction unit 210 can normalize a plurality of raw data and extract features from the normalized data. By doing this, even if the length of the raw data varies depending on various factors such as heart rate, the length of the data that is the subject of clustering can be made the same (uniform).
  • the feature extraction unit 210 can extract features from a plurality of raw data using a feature extraction model, and the plurality of raw data are normalized according to the method described above to extract features. Can be input into the model.
  • the feature extraction model may be a model that optimizes the SE (Squeeze & Excitation) ResNet model for the purpose of the present invention.
  • the feature extractor 210 can extract a scaled R-R interval that reflects the characteristics of the rhythm between beats within a plurality of raw data related to the ECG signal, and
  • the extracted scaled R-R interval can be used as a standard for clustering, which will be described later.
  • Figure 4 is a diagram illustrating the structure of a model used for feature extraction according to an embodiment of the present invention.
  • the feature extraction unit 210 according to the present invention is not necessarily implemented according to the model shown in FIG. 4, but may be changed as much as necessary within the scope of achieving the purpose of the present invention.
  • the clustering management unit 220 may obtain analysis result data for a plurality of biosignal data from the biosignal analysis model.
  • the biosignal analysis model is a model that outputs an analysis result as to whether the biosignal data subject to analysis corresponds to an arrhythmia or outputs an analysis result as to what type of arrhythmia it corresponds to. It can be.
  • the biosignal analysis model analyzes the biosignal data of the subject being measured using a machine learning algorithm such as an artificial neural network, so that the biosignal data corresponds to a normal state from the perspective of arrhythmia.
  • a score can be calculated as to whether something is done (or not).
  • the biosignal analysis model analyzes the biosignal data of the subject being measured using a machine learning algorithm such as an artificial neural network to determine whether the biosignal data corresponds to a specific type of arrhythmia. (Or not) can be calculated.
  • a machine learning algorithm such as an artificial neural network
  • the score calculated by the biosignal analysis model is a probability of whether it corresponds to a normal state (or not) or to a specific type of arrhythmia (or not) ( It may be a concept that includes a value for at least one of probability, vector, matrix, and coordinate.
  • biosignals that can be analyzed by the biosignal analysis model include electrocardiogram (ECG), electromyogram (EMG), electroencephalogram (EEG), pulse wave (PPG), heart rate, body temperature, blood sugar, pupil change, blood pressure, and blood dissolved substances. Signals regarding oxygen amount, etc. may be included.
  • the clustering management unit 220 clusters a plurality of first type biosignal data analyzed as corresponding to the first type according to the biosignal analysis model among the plurality of biosignal data. can be performed.
  • the first type is the broadest concept indicating a type that can be determined by a biosignal analysis model, and includes a normal state from an arrhythmia perspective, an abnormal state from an arrhythmia perspective, and an arrhythmia.
  • a biosignal analysis model e.g., Atrial Premature Contraction (APC), Ventricular Premature Complexes (VPC), Atrial Fibrillation (A.Fib), paroxysmal supraventricular tachycardia ( PSVT; Paroxysmal Supra Ventricular Tachycardia), etc.
  • APC Atrial Premature Contraction
  • VPC Ventricular Premature Complexes
  • A.Fib Atrial Fibrillation
  • PSVT Paroxysmal Supra Ventricular Tachycardia
  • PSVT Paroxysmal Supra Ventricular Tachycardia
  • the clustering manager 220 may cluster a plurality of first type biosignal data analyzed as corresponding to the first type into at least one cluster.
  • biosignal data belonging to the same cluster may include common features (patterns, feature points, waveforms, etc.).
  • algorithms that can be used for clustering biosignal data according to an embodiment of the present invention include complete linkage clustering, k-means, mean shift, and Gaussian mixing.
  • Models such as Gaussian Mixture Model (GMM), DBSCAN (Density-Based Spatial Clustering of Applications with Noise), Self-Organizing Map (SOM), etc. can be assumed, but the clustering algorithm according to the present invention must be one of the above-mentioned It is not limited to what has been done, and it should be noted that changes can be made to any extent within the scope of achieving the purpose of the present invention.
  • the clustering manager 220 may perform clustering on the plurality of feature vectors extracted above.
  • the clustering manager 220 may refer to a plurality of feature vectors and perform clustering on a plurality of biosignal data corresponding to the plurality of feature vectors.
  • biosignal data (a plurality of raw data) according to an embodiment of the present invention may include data divided into Atrial Premature Complex (APC) or data divided into Ventricular Premature Complex (VPC), and the present invention
  • APC Atrial Premature Complex
  • VPC Ventricular Premature Complex
  • the clustering management unit 220 may separately perform clustering on data classified by APC and clustering on data classified by VPC.
  • the clustering manager 220 may perform clustering on biosignal data using hierarchical clustering technology.
  • the hierarchical clustering technology used in the present invention has the advantage of not having to determine the number of clusters in advance and making it possible to easily identify the structural relationships between clusters.
  • hierarchical clustering makes it possible to create only clusters at a level (number) appropriate for the analysis or reading situation, preventing unnecessary clustering from being performed and further improving reading (inspection) efficiency.
  • the clustering manager 220 performs clustering with reference to a distance map between a plurality of feature vectors generated based on features extracted from a plurality of biosignal data. can do. For example, as the distance between certain feature vectors increases, the biometric signal data corresponding to the feature vectors may be clustered to belong to different clusters, and as the distance between certain feature vectors decreases, the corresponding feature vectors may be clustered. Biosignal data corresponding to can be clustered so that they belong to the same cluster.
  • the clustering manager 220 may perform clustering by further referring to a distance map between a plurality of raw data.
  • the distance map between a plurality of raw data can be treated as an indicator indicating the difference between the shape or location of the QRS complex included in the original data.
  • the clustering management unit 220 when the distance difference between certain raw data is more than a predetermined value (i.e., when the shape or location of the QRS complex is different), the corresponding raw data A predetermined penalty can be assigned to the distance map between feature vectors corresponding to , thereby allowing the morphological similarity between biosignal data appearing in the original data to be reflected in clustering.
  • the clustering management unit 220 may perform complete linkage clustering with reference to the distance map calculated as above.
  • the clustering management unit 220 provides a cut-off distance threshold determined according to the ratio of the number of clusters to the total number of raw data in the hierarchical cluster constructed as a result of clustering. ), the layer (number) of clusters to be output as a result of clustering can be determined. For example, as shown in Figure 5, when the rate of increase in inspection efficiency due to clustering (total number of raw data/number of clusters) must be 20 times or more and the total number of raw data is 3,256, a total of 132 clusters are created. The layer can be determined as the output layer, and thus the inspection efficiency increase ratio can be 24.7.
  • Clustering according to the invention can increase inspection efficiency by about 20 times.
  • Figure 6 is a diagram illustrating the degree to which an inspector's reading efficiency increases as clustering is performed according to an embodiment of the present invention. Referring to FIG. 6, it can be seen that the larger the number of biosignal data (horizontal axis of FIG. 6) that is subject to clustering, the higher the inspection efficiency increase rate (vertical axis of FIG. 6) due to clustering.
  • FIGS. 7 to 10 are diagrams exemplarily showing the results of clustering on ECG signal data according to an embodiment of the present invention.
  • the communication unit 230 may perform a function that enables data transmission and reception to/from the feature extraction unit 210 and the clustering management unit 220.
  • control unit 240 may perform a function of controlling the flow of data between the feature extraction unit 210, the clustering management unit 220, and the communication unit 230. That is, the control unit 240 according to the present invention controls the data flow to/from the outside of the biosignal analysis system 200 or the data flow between each component of the biosignal analysis system 200, thereby controlling the feature extraction unit 210. ), the clustering management unit 220, and the communication unit 230 can each be controlled to perform their own functions.
  • electrocardiogram signal data an embodiment of analyzing electrocardiogram signal data is mainly described, but the biological signals that can be analyzed according to the present invention are not necessarily limited to electrocardiogram signals, and the scope within which the purpose of the present invention can be achieved is not limited. It should be noted that it can be used for other types of biological signals.
  • Embodiments according to the present invention described above can be implemented in the form of program instructions that can be executed through various computer components and recorded on a non-transitory computer-readable recording medium.
  • the non-transitory computer-readable recording medium may include program instructions, data files, data structures, etc., singly or in combination.
  • the program instructions recorded on the non-transitory computer-readable recording medium may be specially designed and configured for the present invention or may be known and usable by those skilled in the computer software field.
  • Examples of non-transitory computer-readable recording media include magnetic media such as hard disks, floppy disks and magnetic tapes, optical recording media such as CD-ROMs and DVDs, and magneto-optical media such as floptical disks.
  • magneto-optical media magneto-optical media
  • hardware devices specifically configured to store and execute program instructions, such as ROM, RAM, flash memory, etc.
  • program instructions include not only machine language code such as that created by a compiler, but also high-level language code that can be executed by a computer using an interpreter or the like.
  • the hardware device may be configured to operate as one or more software modules to perform processing according to the invention and vice versa.

Landscapes

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

Abstract

본 발명의 일 태양에 따르면, 클러스터링을 이용하여 생체 신호 분석을 지원하기 위한 방법으로서, 생체 신호에 관한 복수의 생체 신호 데이터로부터 특징을 추출하고, 상기 추출된 특징에 기초하여 상기 복수의 생체 신호 데이터 각각에 대한 복수의 특징 벡터를 생성하는 단계, 및 상기 복수의 특징 벡터를 참조하여 상기 복수의 생체 신호 데이터에 대한 클러스터링을 수행하는 단계를 포함하는 방법이 제공된다.

Description

클러스터링을 이용하여 생체 신호 분석을 지원하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
본 발명은 클러스터링을 이용하여 생체 신호 분석을 지원하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체에 관한 것이다.
근래에 들어, 병원 방문 없이 일상 생활 중에 상시적으로 생체 신호를 모니터링할 수 있는 웨어러블 모니터링 디바이스가 소개되고 있다. 웨어러블 모니터링 디바이스를 통해 측정된 생체 신호는 자동화된 또는 지능화된 생체 신호 분석 모델에 의해 분석될 수 있는데, 분석의 정확도를 높이기 위하여 다양한 최신 기술이 활용되고 있다.
인공 신경망 등 최신 기술이 적용된 분석 모델에 힘입어 분석의 정확도가 높아지고 있음에도 불구하고, 생체 신호에 대한 최종적인 판별 또는 진단을 내리기 위해서는 여전히 의료진(의사, 판독전문가 등)이 생체 신호 분석 모델의 분석 결과를 검수하는 과정을 거쳐야 한다.
그런데, 수일 또는 수주에 걸쳐서 측정된 생체 신호 데이터 또는 그 생체 신호 데이터에 대한 분석 결과 데이터는 수십만 건에 이를 정도로 방대하기 때문에, 의료진이 모든 데이터를 일일이 검수하는 데에 많은 시간과 노력이 소모된다는 문제점이 있다.
특히, 생체 신호가 심전도 신호인 경우에는 측정 디바이스의 특성이나 피측정자 개개인의 특성에 따라 신호의 중요 특징(QRS complex 형태 등)이 다르게 나타날 수 있기 때문에, 인공지능 기반 분석 모델을 이용한다고 하더라도 그 분석 모델만으로는 심전도 신호를 100% 정확하게 분석하기 어렵고, 의료진이 심전도 신호를 직접 검수하는 과정이 필수적으로 요구된다.
일 예로서, 60 BPM의 정상 박동수의 심전도 신호를 14일 동안 측정하는 경우를 가정하면, 총 120만개 이상의 비트(beat, QRS complex를 포함하는 데이터 단위) 데이터가 발생하게 되고, 그중 1% 정도의 데이터만 비정상(abnormal) 데이터에 해당한다고 하더라도 1만 2천개의 비정상 비트 데이터가 발생하게 되는데, 의료진이 이 정도로 방대한 데이터를 일일이 확인하고 검수하려면 굉장히 많은 노력과 시간을 투입해야 한다.
이에, 본 발명자(들)는, 생체 신호 데이터를 정확하고도 효율적으로 클러스터링함으로써, 의료진이 유사한 특징(형태, 리듬. 패턴 등)을 가지는 복수의 생체 신호 데이터(또는 그에 대한 분석 결과)를 효율적으로 검수할 수 있도록 지원하는 기술을 고안하였다.
본 발명은 상술한 문제점을 모두 해결하는 것을 그 목적으로 한다.
본 발명은 생체 신호에 관한 복수의 생체 신호 데이터로부터 특징을 추출하고, 그 추출된 특징에 기초하여 복수의 생체 신호 데이터 각각에 대한 복수의 특징 벡터를 생성하고, 복수의 특징 벡터를 참조하여 복수의 생체 신호 데이터에 대한 클러스터링을 수행함으로써, 의료진이 생체 신호 데이터를 전수 검수하는 비효율을 겪지 않고도 클러스터를 기준으로 생체 신호 데이터 및 그에 대한 분석 결과 데이터를 효율적으로 검수할 수 있도록 하는 것을 다른 목적으로 한다.
또한, 본 발명은 생체 신호 데이터로부터 얻어지는 다양한 정보를 활용하여 클러스터링의 정확도를 향상시키고 상황에 맞게 클러스터의 수를 조절함으로써, 생체 신호 데이터 분석 결과에 대한 의료진 검수의 효율성과 신뢰성을 모두 높이는 것을 다른 목적으로 한다.
상기 목적을 달성하기 위한 본 발명의 대표적인 구성은 다음과 같다.
본 발명의 일 태양에 따르면, 클러스터링을 이용하여 생체 신호 분석을 지원하기 위한 방법으로서, 생체 신호에 관한 복수의 생체 신호 데이터로부터 특징을 추출하고, 상기 추출된 특징에 기초하여 상기 복수의 생체 신호 데이터 각각에 대한 복수의 특징 벡터를 생성하는 단계, 및 상기 복수의 특징 벡터를 참조하여 상기 복수의 생체 신호 데이터에 대한 클러스터링을 수행하는 단계를 포함하는 방법이 제공된다.
본 발명의 다른 태양에 따르면, 클러스터링을 이용하여 생체 신호 분석을 지원하기 위한 시스템으로서, 생체 신호에 관한 복수의 생체 신호 데이터로부터 특징을 추출하고, 상기 추출된 특징에 기초하여 상기 복수의 생체 신호 데이터 각각에 대한 복수의 특징 벡터를 생성하는 특징 추출부, 및 상기 복수의 특징 벡터를 참조하여 상기 복수의 생체 신호 데이터에 대한 클러스터링을 수행하는 클러스터링 관리부를 포함하는 시스템이 제공된다.
이 외에도, 본 발명을 구현하기 위한 다른 방법, 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램을 기록하기 위한 비일시성의 컴퓨터 판독 가능한 기록 매체가 더 제공된다.
본 발명에 의하면, 의료진이 생체 신호 데이터를 전수 검수하는 비효율을 겪지 않고도 클러스터를 기준으로 생체 신호 데이터 및 그에 대한 분석 결과 데이터를 효율적으로 검수할 수 있게 되는 효과가 달성된다.
또한, 본 발명에 의하면, 생체 신호 데이터로부터 얻어지는 다양한 정보를 활용하여 클러스터링의 정확도를 향상시키고 상황에 맞게 클러스터의 수를 조절함으로써, 생체 신호 데이터 분석 결과에 대한 의료진 검수의 효율성과 신뢰성을 모두 높일 수 있게 되는 효과가 달성된다.
도 1은 본 발명에 따른 전체 시스템의 구성을 개략적으로 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 생체 신호 분석 시스템의 내부 구성을 예시적으로 나타내는 도면이다.
도 3은 본 발명의 일 실시예에 따라 클러스터링의 대상이 되는 생체 신호 데이터를 예시적으로 나타내는 도면이다.
도 4는 본 발명의 일 실시예에 따라 특징 추출을 위해 사용되는 모델의 구조를 예시적으로 나타내는 도면이다.
도 5는 본 발명의 일 실시예에 따라 계층적 클러스터링을 수해한 결과를 예시적으로 나타내는 도면이다.
도 6은 본 발명의 일 실시예에 따라 클러스터링을 수행함에 따라 검수자의 판독 효율이 높아지는 정도를 예시적으로 나타내는 도면이다.
도 7 내지 도 10은 본 발명의 일 실시예에 따라 심전도 신호 데이터에 대하여 클러스터링을 수행한 결과를 예시적으로 나타내는 도면이다.
<부호의 설명>
100: 통신망
200: 생체 신호 분석 시스템
210: 특징 추출부
220: 클러스터링 관리부
230: 통신부
240: 제어부
300: 디바이스
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 바람직한 실시예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
전체 시스템의 구성
이하, 본 발명에 따른 생체 신호 분석 시스템의 바람직한 실시예에 관하여 상세히 설명하면 다음과 같다.
도 1은 본 발명에 따른 전체 시스템의 구성을 개략적으로 나타내는 도면이다.
도 1에 도시되어 있는 바와 같이, 본 발명의 일 실시예에 따른 전체 시스템은, 통신망(100), 생체 신호 분석 시스템(200) 및 디바이스(300)로 구성될 수 있다.
먼저, 본 발명의 일 실시예에 따른 통신망(100)은 유선 통신이나 무선 통신과 같은 통신 양태를 가리지 않고 구성될 수 있으며, 근거리 통신망(LAN, Local Area Network), 도시권 통신망(MAN, Metropolitan Area Network), 광역 통신망(WAN, Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 바람직하게는, 본 명세서에서 말하는 통신망(100)은 와이파이(Wi-Fi), 와이파이 다이렉트(Wi-Fi Direct), LTE 다이렉트(LTE Direct), 블루투스(Bluetooth)와 같은 공지의 근거리 무선 통신망을 포함할 수 있다. 그러나, 통신망(100)은, 굳이 이에 국한될 필요 없이, 공지의 유무선 데이터 통신망, 공지의 전화망 또는 공지의 유무선 텔레비전 통신망을 그 적어도 일부에 있어서 포함할 수도 있다.
예를 들면, 통신망(100)은 무선 데이터 통신망으로서, 와이파이(WiFi) 통신, 와이파이 다이렉트(WiFi-Direct) 통신, 롱텀 에볼루션(LTE, Long Term Evolution) 통신, 블루투스 통신(저전력 블루투스(BLE; Bluetooth Low Energy) 포함), 적외선 통신, 초음파 통신 등과 같은 종래의 통신 방법을 적어도 그 일부분에 있어서 구현하는 것일 수 있다. 다른 예를 들면, 통신망(100)은 광 통신망으로서, 라이파이(LiFi, Light Fidelity) 등과 같은 종래의 통신 방법을 적어도 그 일부분에 있어서 구현하는 것일 수 있다.
다음으로, 본 발명의 일 실시예에 따른 생체 신호 분석 시스템(200)은, 생체 신호에 관한 복수의 생체 신호 데이터로부터 특징을 추출하고, 그 추출된 특징에 기초하여 복수의 생체 신호 데이터 각각에 대한 복수의 특징 벡터를 생성하고, 복수의 특징 벡터를 참조하여 복수의 생체 신호 데이터에 대한 클러스터링을 수행하는 기능을 수행할 수 있다.
한편, 생체 신호 분석 시스템(200)에 관하여 위와 같이 설명되었으나, 이러한 설명은 예시적인 것이고, 생체 신호 분석 시스템(200)에 요구되는 기능이나 구성요소의 적어도 일부가 필요에 따라 디바이스(300) 내에서 실현되거나 디바이스(300) 내에 포함될 수도 있음은 당업자에게 자명하다.
마지막으로, 본 발명의 일 실시예에 따른 디바이스(300)는 생체 신호 분석 시스템(200)에 접속한 후 통신할 수 있는 기능을 포함하는 디지털 기기로서, 메모리 수단을 구비하고 마이크로 프로세서를 탑재하여 연산 능력을 갖춘 디지털 기기라면 얼마든지 본 발명에 따른 디바이스(300)로서 채택될 수 있다. 디바이스(300)는 스마트 글래스, 스마트 워치, 스마트 패치, 스마트 밴드, 스마트 링, 스마트 넥클리스 등과 같은 웨어러블 디바이스이거나 스마트폰, 스마트 패드, 데스크탑 컴퓨터, 노트북 컴퓨터, 워크스테이션, PDA, 웹 패드, 이동 전화기 등과 같은 다소 전통적인 디바이스일 수 있다.
특히, 본 발명의 일 실시예에 따른 디바이스(300)는 인체로부터 소정의 생체 신호를 획득하기 위한 센싱 수단(예를 들면, 접촉 전극, 적외선 센서 등)을 포함할 수 있고, 생체 신호 측정에 관한 다양한 정보를 사용자에게 제공하기 위한 표시 수단을 포함할 수 있다.
또한, 본 발명의 일 실시예에 따르면, 디바이스(300)에는 본 발명에 따른 기능을 수행하기 위한 애플리케이션 프로그램이 더 포함되어 있을 수 있다. 이러한 애플리케이션은 해당 디바이스(300) 내에서 프로그램 모듈의 형태로 존재할 수 있다. 이러한 프로그램 모듈의 성격은 후술할 바와 같은 생체 신호 분석 시스템(200)의 특징 추출부(210), 클러스터링 관리부(220), 통신부(230) 및 제어부(240)와 전반적으로 유사할 수 있다. 여기서, 애플리케이션은 그 적어도 일부가 필요에 따라 그것과 실질적으로 동일하거나 균등한 기능을 수행할 수 있는 하드웨어 장치나 펌웨어 장치로 치환될 수도 있다.
생체 신호 분석 시스템의 구성
이하에서는, 본 발명의 구현을 위하여 중요한 기능을 수행하는 생체 신호 분석 시스템(200)의 내부 구성 및 각 구성요소의 기능에 대하여 살펴보기로 한다.
도 2는 본 발명의 일 실시예에 따른 생체 신호 분석 시스템의 내부 구성을 예시적으로 나타내는 도면이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 생체 신호 분석 시스템(200)은 특징 추출부(210), 클러스터링 관리부(220), 통신부(230) 및 제어부(240)를 포함할 수 있다. 본 발명의 일 실시예에 따르면, 생체 신호 분석 시스템(200)의 특징 추출부(210), 클러스터링 관리부(220), 통신부(230) 및 제어부(240)는 그 중 적어도 일부가 외부 시스템(미도시됨)과 통신하는 프로그램 모듈들일 수 있다. 이러한 프로그램 모듈들은 운영 시스템, 응용 프로그램 모듈 및 기타 프로그램 모듈의 형태로 생체 신호 분석 시스템(200)에 포함될 수 있으며, 물리적으로는 여러 가지 공지의 기억 장치 상에 저장될 수 있다. 또한, 이러한 프로그램 모듈들은 생체 신호 분석 시스템(200)과 통신 가능한 원격 기억 장치에 저장될 수도 있다. 한편, 이러한 프로그램 모듈들은 본 발명에 따라 후술할 특정 업무를 수행하거나 특정 추상 데이터 유형을 실행하는 루틴, 서브루틴, 프로그램, 오브젝트, 컴포넌트, 데이터 구조 등을 포괄하지만, 이에 제한되지는 않는다.
한편, 본 발명의 일 실시예에 따르면, 생체 신호 분석 시스템(200)은 외부와의 통신 없이 독자적으로 동작할 수 있으며, 이러한 경우 통신부(230)가 생체 신호 분석 시스템(200)에 포함되지 않을 수도 있음을 밝혀 둔다.
먼저, 본 발명의 일 실시예에 따른 특징 추출부(210)는, 피측정자의 신체로부터 측정되는 복수의 생체 신호 데이터를 획득할 수 있다. 여기서, 생체 신호 데이터는 피측정자의 신체로부터 측정되는 심전도 신호 데이터일 수 있고, 이러한 심전도 신호 데이터는 QRS complex를 포함하는 비트(beat) 단위로 구성될 수 있다.
예를 들면, 클러스터링의 대상이 되는 심전도 신호 데이터는 5개의 비트 스퀀스로 구성될 수 있고, 첫 비트의 R 피크(peak)부터 마지막 비트의 R 피크 까지의 구간이 하나의 심전도 신호 데이터로서 정의될 수 있다(도 3 참조).
그리고, 본 발명의 일 실시예에 따른 특징 추출부(210)는, 생체 신호에 관한 복수의 생체 신호 데이터로부터 특징을 추출할 수 있고, 상기 추출된 특징에 기초하여 상기 복수의 생체 신호 데이터 각각에 대한 복수의 특징 벡터를 생성할 수 있다.
예를 들면, 본 발명의 일 실시예에 따른 특징 추출부(210)는, 지도 학습(supervised learning)을 통해 학습된 특징 추출 모델을 이용하여 생체 신호 데이터로부터 특징을 추출할 수 있다.
본 발명의 일 실시예에 따르면, 심전도 신호에 포함되는 QRS complex에서는 신호값의 변화가 크게 나타나기 때문에, 생체 신호 데이터의 원 데이터(raw data)를 기준으로 클러스터링할 경우 비트 위치 차이, 비트 높이 차이, 기저선 변동, 노이즈 등으로 인해 클러스터링이 제대로 이루어지지 않게 되는 문제가 발생할 수 있다. 본 발명에 의하면, 원 데이터로부터 특징을 추출하여 특징 벡터를 생성하고 그 특징 벡터를 기준으로 클러스터링을 수행하게 되므로, 원 데이터를 기준으로 클러스터링하는 경우에 발생할 수 있는 문제점을 줄일 수 있게 된다.
나아가, 본 발명의 일 실시예에 따른 특징 추출부(210)는, 복수의 원 데이터를 정규화하고 그 정규화된 데이터로부터 특징을 추출할 수 있다. 이렇게 함으로써, 심박수 등 다양한 요인에 따라 원 데이터의 길이가 달라지는 경우에도 클러스터링의 대상이 되는 데이터의 길이를 동일하게(균일하게) 만들 수 있게 된다.
또한, 본 발명의 일 실시예에 따른 특징 추출부(210)는, 특징 추출 모델을 이용하여 복수의 원 데이터로부터 특징을 추출할 수 있으며, 복수의 원 데이터는 앞서 설명한 방식에 따라 정규화되어 특징 추출 모델에 입력될 수 있다. 예를 들면, 특징 추출 모델은 SE(Squeeze & Excitation) ResNet 모델을 본 발명의 목적에 따라 최적화한 모델일 수 있다.
한편, 본 발명의 일 실시예에 따른 특징 추출부(210)는, 심전도 신호에 관한 복수의 원 데이터 내부의 비트 간 리듬에 관한 특징이 반영되는 scaled R-R 간격(interval)을 추출할 수 있고, 이렇게 추출된 scaled R-R 간격은 후술할 클러스터링의 기준으로 활용될 수 있다.
도 4는 본 발명의 일 실시예에 따라 특징 추출을 위해 사용되는 모델의 구조를 예시적으로 나타내는 도면이다. 다만, 본 발명에 따란 특징 추출부(210)가 반드시 도 4에 도시된 모델에 따라 구현되는 것은 아니면, 본 발명의 목적을 달성할 수 있는 범위 내에서 얼마든지 변경될 수 있음을 밝혀 둔다.
다음으로, 본 발명의 일 실시예에 따른 클러스터링 관리부(220)는, 생체 신호 분석 모델로부터 복수의 생체 신호 데이터에 대한 분석 결과 데이터를 획득할 수 있다. 본 발명의 일 실시예에 따르면, 생체 신호 분석 모델은 분석의 대상이 되는 생체 신호 데이터가 부정맥에 해당하는지 여부에 대한 분석 결과를 출력하거나 어떤 유형의 부정맥에 해당하는지에 대한 분석 결과를 출력하는 모델일 수 있다.
예를 들어, 본 발명의 일 실시예에 따르면, 생체 신호 분석 모델은, 인공 신경망 등 머신 러닝 알고리즘을 이용하여 피측정자의 생체 신호 데이터를 분석함으로써, 생체 신호 데이터가 부정맥의 관점에서 정상 상태에 해당하는지(아니면 해당하지 않는지)에 관한 스코어를 산출할 수 있다.
다른 예를 들어, 본 발명의 일 실시예에 따르면, 생체 신호 분석 모델은, 인공 신경망 등 머신 러닝 알고리즘을 이용하여 피측정자의 생체 신호 데이터를 분석함으로써, 생체 신호 데이터가 특정 유형의 부정맥에 해당하는지(아니면 해당하지 않는지)에 관한 스코어를 산출할 수 있다.
여기서, 본 발명의 일 실시예에 따르면, 생체 신호 분석 모델에 의하여 산출되는 스코어는 정상 상태에 해당하는지(아니면 해당하지 않는지) 또는 특정 유형의 부정맥에 해당하는지(아니면 해당하지 않는지)에 관한 확률(probability), 벡터(vector), 행렬(matrix) 및 좌표(coordinate) 중 적어도 하나에 관한 값을 포함하는 개념일 수 있다.
한편, 생체 신호 분석 모델에 의하여 분석될 수 있는 생체 신호에는, 심전도(ECG), 근전도(EMG), 뇌파(EEG), 맥파(PPG), 심장 박동, 체온, 혈당, 동공 변화, 혈압, 혈중 용존 산소량 등에 관한 신호가 포함될 수 있다.
다음으로, 본 발명의 일 실시예에 따른 클러스터링 관리부(220)는, 복수의 생체 신호 데이터 중 생체 신호 분석 모델에 의하여 제1 유형에 해당하는 것으로 분석된 복수의 제1 유형 생체 신호 데이터에 대하여 클러스터링을 수행할 수 있다.
여기서, 본 발명의 일 실시예에 따르면, 제1 유형은, 생체 신호 분석 모델에 의하여 판별될 수 있는 유형을 가리키는 최광의의 개념으로서, 부정맥 관점에서의 정상 상태, 부정맥 관점에서의 비정상 상태, 부정맥 중 특정 유형에 해당하는 상태(예를 들면, 심방 조기 수축(Atrial Premature Contraction, APC), 심실조기수축(VPC; Ventricular Premature Complexes), 심방세동(A.Fib; Atrial fibrillation), 발작성상실성빈맥(PSVT; Paroxysmal Supra Ventricular Tachycardia) 등)를 모두 포괄할 수 있다.
구체적으로, 본 발명의 일 실시예에 따른 클러스터링 관리부(220)는, 제1 유형에 해당하는 것으로 분석된 복수의 제1 유형 생체 신호 데이터를 적어도 하나의 군집으로 클러스터링(clustering)할 수 있다. 본 발명의 일 실시예에 따르면, 이렇게 클러스터링이 수행됨에 따라 같은 군집에 속하게 되는 생체 신호 데이터들은 서로 공통되는 특징(패턴, 특징점, 파형 등)을 포함할 수 있다.
예를 들면, 본 발명의 일 실시예에 따른 생체 신호 데이터 클러스터링에 이용될 수 있는 알고리즘으로서, 완전 연결(complete linkage) 클러스터링, k-평균(k-means), 평균 이동(mean shift), 가우스 혼합 모델(Gaussian Mixture Model; GMM), DBSCAN(Density-Based Spatial Clustering of Applications with Noise), 자기 조직화 지도(Self-Organizing Map; SOM) 등을 상정할 수 있지만, 본 발명에 따른 클러스터링 알고리즘이 반드시 상기 열거된 것에 한정되는 것은 아니며, 본 발명의 목적을 달성할 수 있는 범위 내에서 얼마든지 변경될 수 있음을 밝혀 둔다.
또한, 본 발명의 일 실시예에 따른 클러스터링 관리부(220)는, 위의 추출된 복수의 특징 벡터에 대한 클러스터링을 수행할 수 있다.
그리고, 본 발명의 일 실시예에 따른 클러스터링 관리부(220)는, 복수의 특징 벡터를 참조하여 복수의 특징 벡터에 대응되는 복수의 생체 신호 데이터에 대한 클러스터링을 수행할 수 있다.
예를 들면, 본 발명의 일 실시예에 따른 생체 신호 데이터(복수의 원 데이터)에는 APC(Atrial Premature Complex)로 구분된 데이터 또는 VPC(Ventricular Premature Complex)로 구분된 데이터가 포함될 수 있고, 본 발명의 일 실시예에 따른 클러스터링 관리부(220)는, APC로 구분된 데이터에 대한 클러스터링과 VPC로 구분된 데이터에 대한 클러스터링을 따로 수행할 수 있다.
또한, 본 발명의 일 실시예에 따른 클러스터링 관리부(220)는, 계층적 클러스터링 기술을 이용하여 생체 신호 데이터에 대한 클러스터링을 수행할 수 있다. 본 발명에서 활용되는 계층적 클러스터링 기술에 의하면, 클러스터의 개수를 미리 정하지 않아도 되고 클러스터 간 구조적인 관계 쉽게 파악할 수 있게 되는 장점이 있다. 그리고, 계층적 클러스터링을 통해 분석 내지 판독 상황에 맞는 수준(수)의 클러스터만 생성할 수 있게 되므로, 불필요한 클러스터링이 실행되는 것을 막고 판독(검수) 효율을 더 높일 수 있게 된다.
구체적으로, 본 발명의 일 실시예에 따른 클러스터링 관리부(220)는, 복수의 생체 신호 데이터로부터 추출된 특징에 기초하여 생성되는 복수의 특징 벡터 사이의 거리 맵(distance map)을 참조하여 클러스터링을 수행할 수 있다. 예를 들면, 어떤 특징 벡터들 사이의 거리가 멀수록 해당 특징 벡터들에 대응하는 생체 신호 데이터들이 서로 다른 클러스터에 속하도록 클러스터링될 수 있고, 어떤 특징 벡터들 사이의 거리가 가까울수록 해당 특징 벡터들에 대응하는 생체 신호 데이터들이 서로 같은 클러스터에 속하도록 클러스터링될 수 있다.
보다 더 구체적으로, 본 발명의 일 실시예에 따른 클러스터링 관리부(220)는, 복수의 원 데이터 사이의 거리 맵(distance map)을 더 참조하여 클러스터링을 수행할 수 있다. 참고로, 복수의 원 데이터 사이의 거리 맵은 원 데이터에 포함되어 있는 QRS complex의 형태 또는 위치 사이의 차이를 나타내는 지표로서 취급될 수 있다. 예를 들면, 본 발명의 일 실시예에 따른 클러스터링 관리부(220)는, 어떤 원 데이터들이 거리 차이가 소정 값 이상인 경우에(즉, QRS complex의 형태 또는 위치가 상이한 경우에), 해당 원 데이터들에 대응되는 특징 벡터들 사이의 거리 맵에 소정의 페널티를 부여할 수 있으며, 이로써 원 데이터에서 나타나는 생체 신호 데이터 사이의 형태적 유사도가 클러스터링에 반영되도록 할 수 있다.
한편, 본 발명의 일 실시예에 따른 클러스터링 관리부(220)는, 위와 같이 계산된 거리 맵을 참조하여 완전 연결(complete linkage) 클러스터링을 수행할 수 있다.
그리고, 본 발명의 일 실시예에 따른 클러스터링 관리부(220)는, 클러스터링의 결과로서 구축된 계층 클러스터에서 전체 원 데이터 수 대비 클러스터 수의 비율에 따라 결정되는 컷-오프 거리 값(cut-off distance threshold)을 기준으로, 클러스터링의 결과로서 출력될 클러스터의 계층(수)을 결정할 수 있다. 예를 들면, 도 5에 도시된 바와 같이, 클러스터링에 따른 검수 효율 증가 비율(전체 원 데이터 수/클러스터 수)이 20배 이상이어야 하고 전체 원 데이터 수가 3,256개인 경우에, 총 132개의 클러스터를 생성시키는 계층을 출력 계층으로서 결정할 수 있고, 이로써 검수 효율 증가 비율은 24.7이 될 수 있다.
다시 말하면, 클러스터링에 따른 검수 효율 증가 비율이 20인 경우에, 의료진(검수자)는 20개의 심전도 신호 데이터를 일일이 검수하는 대신에 그 20개의 심전도 신호 데이터가 포함된 1개의 클러스터만 검수하면 되므로, 본 발명에 따른 클러스터링에 의해 검수 효율이 20배 정도 높아질 수 있게 된다.
한편, 도 6은 본 발명의 일 실시예에 따라 클러스터링을 수행함에 따라 검수자의 판독 효율이 높아지는 정도를 예시적으로 나타내는 도면이다. 도 6을 참조하면, 클러스터링의 대상이 되는 생체 신호 데이터 수(도 6의 가로축)가 많을수록 클러스터링에 따른 검수 효율 증가 비율(도 6의 세로축)이 높아지는 것을 확인할 수 있다.
한편, 도 7 내지 도 10은 본 발명의 일 실시예에 따라 심전도 신호 데이터에 대하여 클러스터링을 수행한 결과를 예시적으로 나타내는 도면이다.
도 7 및 도 8을 참조하면, APC로 분류된 18개의 심전도 신호 데이터가 하나의 클러스터로 클러스터링된 결과(도 7 참조)와 APC로 분류된 24개의 심전도 신호 데이터가 하나의 클러스터로 클러스터링 된 결과(도 8 참조)를 확인할 수 있다.
도 9 및 도 10을 참조하면, VPC로 분류된 16개의 심전도 신호 데이터가 하나의 클러스터로 클러스터링된 결과(도 9 참조)와 VPC로 분류된 9개의 심전도 신호 데이터가 하나의 클러스터로 클러스터링된 결과(도 10 참조)를 확인할 수 있다.
다음으로, 본 발명의 일 실시예에 따른 통신부(230)는 특징 추출부(210) 및 클러스터링 관리부(220)로부터의/로의 데이터 송수신이 가능하도록 하는 기능을 수행할 수 있다.
마지막으로, 본 발명의 일 실시예에 따른 제어부(240)는 특징 추출부(210), 클러스터링 관리부(220) 및 통신부(230) 간의 데이터의 흐름을 제어하는 기능을 수행할 수 있다. 즉, 본 발명에 따른 제어부(240)는 생체 신호 분석 시스템(200)의 외부로부터의/로의 데이터 흐름 또는 생체 신호 분석 시스템(200)의 각 구성요소 간의 데이터 흐름을 제어함으로써, 특징 추출부(210), 클러스터링 관리부(220) 및 통신부(230)에서 각각 고유 기능을 수행하도록 제어할 수 있다.
이상에서는, 심전도 신호 데이터를 분석하는 실시예에 대하여 주로 설명되어 있지만, 본 발명에 따른 분석 대상이 될 수 있는 생체 신호가 반드시 심전도 신호에만 한정되는 것은 아니며, 본 발명의 목적을 달성할 수 있는 범위 내에서 다른 종류의 생체 신호에까지 얼마든지 이용될 수 있음을 밝혀 둔다.
이상 설명된 본 발명에 따른 실시예들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 비일시성의 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 비일시성의 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 비일시성의 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다. 비일시성의 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 상기 실시예들에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등하게 또는 등가적으로 변형된 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다.

Claims (13)

  1. 클러스터링을 이용하여 생체 신호 분석을 지원하기 위한 방법으로서,
    생체 신호에 관한 복수의 생체 신호 데이터로부터 특징을 추출하고, 상기 추출된 특징에 기초하여 상기 복수의 생체 신호 데이터 각각에 대한 복수의 특징 벡터를 생성하는 단계, 및
    상기 복수의 특징 벡터를 참조하여 상기 복수의 생체 신호 데이터에 대한 클러스터링을 수행하는 단계를 포함하는
    방법.
  2. 제1항에 있어서,
    상기 특징 벡터 생성 단계에서, 상기 복수의 생체 신호 데이터를 정규화하고, 상기 정규화된 복수의 생체 신호 데이터로부터 특징을 추출하는
    방법.
  3. 제1항에 있어서,
    상기 클러스터링 수행 단계에서, 제1 분류에 해당하는 생체 신호에 관한 복수의 생체 신호 데이터에 대한 클러스터링과 제1 분류에 해당하는 생체 신호에 관한 복수의 생체 신호 데이터에 대한 클러스터링을 따로 수행하는
    방법.
  4. 제1항에 있어서,
    상기 클러스터링 수행 단계에서, 상기 특징 벡터 사이의 거리 맵(distance map)을 참조하여 상기 복수의 생체 신호 데이터에 대한 클러스터링을 수행하는
    방법.
  5. 제4항에 있어서,
    상기 클러스터링 수행 단계에서, 상기 복수의 생체 신호 데이터의 원 데이터 사이의 거리 맵을 더 참조하여 상기 복수의 생체 신호 데이터에 대한 클러스터링을 수행하는
    방법.
  6. 제1항에 있어서,
    상기 클러스터링 수행 단계에서, 상기 복수의 생체 신호 데이터에 대한 계층적 클러스터링을 수행하고, 생체 신호 데이터 검수 효율에 근거하여 상기 클러스터링의 결과로서 출력될 클러스터의 수를 결정하는
    방법.
  7. 제1항에 따른 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 비일시성의 컴퓨터 판독 가능 기록 매체.
  8. 클러스터링을 이용하여 생체 신호 분석을 지원하기 위한 시스템으로서,
    생체 신호에 관한 복수의 생체 신호 데이터로부터 특징을 추출하고, 상기 추출된 특징에 기초하여 상기 복수의 생체 신호 데이터 각각에 대한 복수의 특징 벡터를 생성하는 특징 추출부, 및
    상기 복수의 특징 벡터를 참조하여 상기 복수의 생체 신호 데이터에 대한 클러스터링을 수행하는 클러스터링 관리부를 포함하는
    시스템.
  9. 제8항에 있어서,
    상기 특징 추출부는, 상기 복수의 생체 신호 데이터를 정규화하고, 상기 정규화된 복수의 생체 신호 데이터로부터 특징을 추출하는
    시스템.
  10. 제8항에 있어서,
    상기 클러스터링 관리부는, 제1 분류에 해당하는 생체 신호에 관한 복수의 생체 신호 데이터에 대한 클러스터링과 제1 분류에 해당하는 생체 신호에 관한 복수의 생체 신호 데이터에 대한 클러스터링을 따로 수행하는
    시스템.
  11. 제8항에 있어서,
    상기 클러스터링 관리부는, 상기 특징 벡터 사이의 거리 맵을 참조하여 상기 복수의 생체 신호 데이터에 대한 클러스터링을 수행하는
    시스템.
  12. 제11항에 있어서,
    상기 클러스터링 관리부는, 상기 복수의 생체 신호 데이터의 원 데이터 사이의 거리 맵을 더 참조하여 상기 복수의 생체 신호 데이터에 대한 클러스터링을 수행하는
    시스템.
  13. 제8항에 있어서,
    상기 클러스터링 관리부는, 상기 복수의 생체 신호 데이터에 대한 계층적 클러스터링을 수행하고, 생체 신호 데이터 검수 효율에 근거하여 상기 클러스터링의 결과로서 출력될 클러스터의 수를 결정하는
    시스템.
PCT/KR2023/012039 2022-08-30 2023-08-14 클러스터링을 이용하여 생체 신호 분석을 지원하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 Ceased WO2024049053A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2024575416A JP2025523502A (ja) 2022-08-30 2023-08-14 クラスタリングを利用して生体信号分析を支援するための方法、システムおよび非一過性のコンピュータ読み取り可能な記録媒体

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020220109506A KR102805202B1 (ko) 2022-08-30 2022-08-30 클러스터링을 이용하여 생체 신호 분석을 지원하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
KR10-2022-0109506 2022-08-30

Publications (1)

Publication Number Publication Date
WO2024049053A1 true WO2024049053A1 (ko) 2024-03-07

Family

ID=90098284

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/012039 Ceased WO2024049053A1 (ko) 2022-08-30 2023-08-14 클러스터링을 이용하여 생체 신호 분석을 지원하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체

Country Status (3)

Country Link
JP (1) JP2025523502A (ko)
KR (1) KR102805202B1 (ko)
WO (1) WO2024049053A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006271876A (ja) * 2005-03-30 2006-10-12 Kyoto Univ スパイクソーティング装置、スパイクソーティング方法、スパイクソーティングプログラムおよび記録媒体
KR20110113392A (ko) * 2010-04-09 2011-10-17 한국 한의학 연구원 유비쿼터스 헬스 케어 서비스 방법
JP2013500757A (ja) * 2009-07-31 2013-01-10 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ 心弾道図信号解析の方法および装置
KR20150006949A (ko) * 2013-07-09 2015-01-20 중앙대학교 산학협력단 생체 신호를 이용한 감정 인식 방법 및 그 장치
JP2016530019A (ja) * 2013-09-09 2016-09-29 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 母体腹部のｅｃｇ記録からの胎児心拍数の抽出

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102716356B1 (ko) 2019-01-25 2024-10-10 삼성전자주식회사 생체신호 측정용 텍스쳐 인터페이스 및 이를 포함한 생체신호 측정장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006271876A (ja) * 2005-03-30 2006-10-12 Kyoto Univ スパイクソーティング装置、スパイクソーティング方法、スパイクソーティングプログラムおよび記録媒体
JP2013500757A (ja) * 2009-07-31 2013-01-10 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ 心弾道図信号解析の方法および装置
KR20110113392A (ko) * 2010-04-09 2011-10-17 한국 한의학 연구원 유비쿼터스 헬스 케어 서비스 방법
KR20150006949A (ko) * 2013-07-09 2015-01-20 중앙대학교 산학협력단 생체 신호를 이용한 감정 인식 방법 및 그 장치
JP2016530019A (ja) * 2013-09-09 2016-09-29 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 母体腹部のｅｃｇ記録からの胎児心拍数の抽出

Also Published As

Publication number Publication date
KR20240030450A (ko) 2024-03-07
JP2025523502A (ja) 2025-07-23
KR102805202B1 (ko) 2025-05-13

Similar Documents

Publication Publication Date Title
Gradl et al. Real-time ECG monitoring and arrhythmia detection using Android-based mobile devices
Murugesan et al. Ecgnet: Deep network for arrhythmia classification
CN105228508B (zh) 一种测定用于分类的危险评分的系统
Demirel et al. Energy-efficient real-time heart monitoring on edge–fog–cloud internet of medical things
CN113095302B (zh) 用于心律失常分类的深度模型、利用该模型的方法及装置
Leutheuser et al. Comparison of real-time classification systems for arrhythmia detection on Android-based mobile devices
He et al. An advanced two-step DNN-based framework for arrhythmia detection
WO2023120775A1 (ko) 심전도 판독을 수정하기 위한 방법 및 장치
Lu et al. An arrhythmia classification algorithm using C-LSTM in physiological parameters monitoring system under internet of health things environment
Dang et al. A novel deep convolutional neural network for arrhythmia classification
Bridge et al. Artificial intelligence to detect abnormal heart rhythm from scanned electrocardiogram tracings
WO2022010149A1 (ko) 얼굴 표정에 관한 데이터 세트를 생성하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능 기록 매체
Cheng Attention-Enhanced Multi-Scale Feature Optimization for Silent Myocardial Infarction and Early Atrial Fibrillation Detection in ECG Signals
Dwivedi et al. Machine learning models of 6-lead ECGs for the interpretation of left ventricular hypertrophy (LVH)
WO2022131698A1 (ko) 웨어러블 디바이스를 이용하여 생체 신호를 모니터링하기 위한 방법, 서버, 디바이스 및 비일시성의 컴퓨터 판독 가능 기록 매체
WO2024049053A1 (ko) 클러스터링을 이용하여 생체 신호 분석을 지원하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
WO2025023629A1 (ko) 심정지 및 사망에 관한 위험도를 추정하기 위한 방법 및 시스템
WO2020091229A1 (ko) 인공 신경망을 이용하여 부정맥을 인식하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
KR102573416B1 (ko) 생체 신호 분석 모델의 출력 데이터를 관리하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
WO2023287118A1 (ko) 생체 신호 분석 모델의 출력 데이터를 관리하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
WO2023003236A1 (ko) 생체 신호 분석 모델의 학습 데이터를 관리하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
WO2025230144A1 (ko) 추론 모델을 이용하여 생체 신호 데이터에 대한 레이블링을 하기 위한 방법 및 시스템
Yakut et al. Electro-mechanical data fusion for heart health monitoring
Türetken et al. Embedded Deep Learning for Sleep Staging
CN115862843B (zh) 心肌肌钙蛋升高类型、心血管疾病的辅助判识系统及设备

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: 23860731

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2024575416

Country of ref document: JP

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 23860731

Country of ref document: EP

Kind code of ref document: A1