KR20220108677A - Arrhythmia classification method using densenet based on convolution neural network - Google Patents
Arrhythmia classification method using densenet based on convolution neural network Download PDFInfo
- Publication number
- KR20220108677A KR20220108677A KR1020210023566A KR20210023566A KR20220108677A KR 20220108677 A KR20220108677 A KR 20220108677A KR 1020210023566 A KR1020210023566 A KR 1020210023566A KR 20210023566 A KR20210023566 A KR 20210023566A KR 20220108677 A KR20220108677 A KR 20220108677A
- Authority
- KR
- South Korea
- Prior art keywords
- classification method
- arrhythmia
- arrhythmia classification
- block
- neural network
- Prior art date
Links
- 206010003119 arrhythmia Diseases 0.000 title claims abstract description 55
- 230000006793 arrhythmia Effects 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 title abstract description 3
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 14
- 230000007704 transition Effects 0.000 claims description 12
- 238000013145 classification model Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000033764 rhythmic process Effects 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 206010003658 Atrial Fibrillation Diseases 0.000 description 1
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 206010047302 ventricular tachycardia Diseases 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
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
- G06F17/153—Multidimensional correlation or convolution
-
- G06N3/0427—
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Fuzzy Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Algebra (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
Description
본 발명은 합성곱 신경망 기반의 덴스넷을 통한 부정맥 분류 방법에 관한 것으로서, 보다 상세하게는, CNN(Convolution Neural Network) 기반의 딥 러닝을 통한 부정맥 분류기의 구현에 관한 것이다.The present invention relates to a method of classifying an arrhythmia through a Densnet based on a convolutional neural network, and more particularly, to an implementation of an arrhythmia classifier through deep learning based on a Convolution Neural Network (CNN).
부정맥은 정상적인 심장 리듬에서 불규칙한 변화를 나타내는 심혈관 질환의 대표적인 유형으로 지속될 경우 심실성 빈맥이나 심방세동 등으로 발전하여 심장마비로 이어질 수 있다.Arrhythmia is a representative type of cardiovascular disease that shows irregular changes in normal heart rhythm, and if it continues, it can develop into ventricular tachycardia or atrial fibrillation, which can lead to heart attack.
이러한 부정맥은 발생 빈도가 불규칙하여 단시간 측정이 아닌 장시간 측정을 가지고 잠재적인 부정맥을 진단하게 된다. 장시간의 데이터를 임상의가 단 시간에 심전도를 분석하고 비정상적 심장 리듬을 관찰하는 것은 매우 어렵기에 자동 심전도 분류 시스템이 필요하다.Since these arrhythmias have irregular occurrence frequency, potential arrhythmias are diagnosed with long-term measurements rather than short-time measurements. Since it is very difficult for a clinician to analyze the ECG and observe abnormal heart rhythms in a short time based on long-term data, an automatic ECG classification system is needed.
규칙 기반(Rule based) 알고리즘의 경우 심전도(ECG: electrocardiogram) 특징점 추출 정확도에 의존적이며, 서포트 벡터 머신(SVM: Support Vector Machine) 등과 같은 다양한 머신러닝 기반의 분류 방법들이 시도되었으나 임상에서 활용하기에 불충분한 성능을 나타냄. 최근 숙련된 전문의보다 높은 정확도의 딥러닝을 활용한 모델들이 전문의의 의사 결정 보조 도구로서의 활용 가능성을 보인다.In the case of a rule-based algorithm, it is dependent on the ECG (electrocardiogram) feature point extraction accuracy, and various machine learning-based classification methods such as support vector machine (SVM) have been tried, but they are insufficient for clinical use. represents one performance. Recently, models using deep learning with higher accuracy than experienced specialists show potential for use as a decision aid for specialists.
본 발명은 자동 심전도 분류를 위해 CNN 기반의 DenseNet을 통한 부정맥 분류 방법을 제안한다. 기존의 자동 분류와 관련된 방법의 경우 전문가의 입력이 빈번하게 필요하고 새로운 환자의 심전도를 분류할 때 성능이 유지되지 않는 단점을 가진다. The present invention proposes an arrhythmia classification method using CNN-based DenseNet for automatic ECG classification. The existing method related to automatic classification frequently requires expert input and has disadvantages in that performance is not maintained when classifying the ECG of a new patient.
본 발명에서는 CNN 기반의 DenseNet을 이용하여 특징점 추출을 위한 의료 전문가의 개입을 최소화하고 비정형 데이터가 발생하더라도 신속히 대응 가능하며 새로운 데이터 발생시 모델을 지속적으로 추가 학습하여 부정맥을 분류함으로써, 분류의 신뢰도 및 연산량을 향상시킬 수 있다.In the present invention, by using CNN-based DenseNet, the intervention of medical experts for feature point extraction is minimized, and even when atypical data occurs, it can be quickly responded. can improve
본 발명의 기술적 사상에 따른 부정맥 분류 방법이 이루고자 하는 기술적 과제는 이상에서 언급한 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제는 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.The technical task to be achieved by the arrhythmia classification method according to the technical spirit of the present invention is not limited to the tasks mentioned above, and another task not mentioned will be clearly understood by those skilled in the art from the following description.
본 발명의 기술적 사상에 의한 일 실시예에 따른 합성곱 신경망(CNN)모델은 이미지와 같이 특정 부위가 주변 영역과 관련도가 높을 경우 적합한 딥러닝 구조이다. 본 발명에서는 합성곱 신경망 모델 중 높은 성능을 보여주는 Densely Connected Convolutional Networks(DenseNet) 구조를 이용하여 심전도 분류 모델을 생성하였다. DenseNet는 스킵 연결(Skip Connection) 구조를 가지고 있기 때문에 모델 입력 부분의 정보가 소실되지 않고 마지막까지 잘 전달될 수 있으며, Back propagation 연산을 수행할 때에도 모델 마지막 부분의 연산이 앞부분까지 잘 전달되어서 딥러닝의 문제점 중 하나인 기울기 소실(Gradient Vanishing) 문제를 완화하여 높은 성능을 보여주는 모델이다. DenseNet은 1차원 신호가 아닌, 이미지 분류 문제에 최적화 되어있는 모델이다. 따라서 본 발명에서는 DenseNet 기반의 1D convolution 연산을 사용한다. 또한, 심전도 데이터를 분류하는데 있어서 최적의 모델을 얻기 위해 복잡도가 낮은 모델에서부터 높은 모델까지 차례로 생성하여 학습한 뒤, 유효성(Validation)과 훈련(Training) 데이터 셋(Data Set) 각각에 대한 결과를 비교하고 이를 통해, 과적합(Overfitting)과 과소적합(Underfitting) 문제가 최소가 되는 지점에서 최선의 층 깊이(Layer Depth)와 하이퍼 파라미터(Hyper Parameter)를 찾아냈다. 이를 이용해 심전도 데이터에 맞는 최적의 DenseNet 모델을 생성하였다.A convolutional neural network (CNN) model according to an embodiment according to the technical idea of the present invention is a deep learning structure suitable when a specific part, such as an image, has high relevance to a surrounding area. In the present invention, an ECG classification model was generated using the Densely Connected Convolutional Networks (DenseNet) structure, which shows high performance among convolutional neural network models. Since DenseNet has a skip connection structure, the information of the model input part is not lost and can be transmitted well until the end. It is a model that shows high performance by alleviating the gradient vanishing problem, one of the problems of DenseNet is not a one-dimensional signal, but a model optimized for image classification problems. Therefore, in the present invention, 1D convolution operation based on DenseNet is used. In addition, in order to obtain an optimal model for classifying electrocardiogram data, a model with low complexity is sequentially created and trained from a low-complexity model, and then the results for each of the validation and training data sets are compared. And through this, we found the best Layer Depth and Hyper Parameter at the point where the overfitting and underfitting problems are minimized. Using this, an optimal DenseNet model was created for the ECG data.
본 발명에서는 심전도(electrocardiogram, ECG)를 이용하여 심장 박동에 문제가 있는 질병인 부정맥(Heart arrhythmia)의 여부를 판단하기 위한 모델을 생성하였다. 의료분야는 실수가 일어날 경우 문제의 심각성과 해결에 드는 비용이 크다. 민감도가 높은 모델을 제안한 본 발명은 의사결정 보조 도구로서 진단의 위험을 줄이는 데에 기여할 수 있을 것으로 보인다.In the present invention, using an electrocardiogram (ECG), a model for determining whether or not arrhythmia, a disease having a heartbeat problem, is generated. In the medical field, when a mistake occurs, the seriousness of the problem and the cost of solving it are high. The present invention, which has proposed a highly sensitive model, is expected to contribute to reducing the risk of diagnosis as a decision aid tool.
다만, 본 발명의 일 실시예에 따른 부정맥 분류 방법이 달성할 수 있는 효과는 이상에서 언급한 것들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.However, the effects that can be achieved by the arrhythmia classification method according to an embodiment of the present invention are not limited to those mentioned above, and other effects not mentioned may be clearly understood by those skilled in the art from the description below. There will be.
본 명세서에서 인용되는 도면을 보다 충분히 이해하기 위하여 각 도면의 간단한 설명이 제공된다.
도 1은 본 발명의 일 실시예에 따른 부정맥 분류 방법의 수행 단계를 도시한 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 전체 과정을 나타내는 도면이다.In order to more fully understand the drawings cited herein, a brief description of each drawing is provided.
1 is a flowchart illustrating the steps of performing an arrhythmia classification method according to an embodiment of the present invention.
2 is a view showing an entire process according to an embodiment of the present invention.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고, 이를 상세한 설명을 통해 상세히 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명은 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.Since the present invention can have various changes and can have various embodiments, specific embodiments are illustrated in the drawings and will be described in detail through the detailed description. However, this is not intended to limit the present invention to specific embodiments, and it should be understood that the present invention includes all modifications, equivalents and substitutes included in the spirit and scope of the present invention.
본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제 1, 제 2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.In describing the present invention, if it is determined that a detailed description of a related known technology may unnecessarily obscure the gist of the present invention, the detailed description thereof will be omitted. In addition, numbers (eg, first, second, etc.) used in the description process of the present specification are only identification symbols for distinguishing one component from other components.
또한, 본 명세서에서, 일 구성요소가 다른 구성요소와 "연결된다" 거나 "접속된다" 등으로 언급된 때에는, 상기 일 구성요소가 상기 다른 구성요소와 직접 연결되거나 또는 직접 접속될 수도 있지만, 특별히 반대되는 기재가 존재하지 않는 이상, 중간에 또 다른 구성요소를 매개하여 연결되거나 또는 접속될 수도 있다고 이해되어야 할 것이다.In addition, in this specification, when a component is referred to as "connected" or "connected" with another component, the component may be directly connected or directly connected to the other component, but in particular It should be understood that, unless there is a description to the contrary, it may be connected or connected through another element in the middle.
또한, 본 명세서에서 '~부'로 표현되는 구성요소는 2개 이상의 구성요소가 하나의 구성요소로 합쳐지거나 또는 하나의 구성요소가 보다 세분화된 기능별로 2개 이상으로 분화될 수도 있다. 또한, 이하에서 설명할 구성요소 각각은 자신이 담당하는 주기능 이외에도 다른 구성요소가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성요소 각각이 담당하는 주기능 중 일부 기능이 다른 구성요소에 의해 전담되어 수행될 수도 있음은 물론이다.In addition, in the present specification, two or more components may be combined into one component, or one component may be divided into two or more for each more subdivided function. In addition, each of the components to be described below may additionally perform some or all of the functions of other components in addition to the main functions they are responsible for, and some of the main functions of each component may be different It goes without saying that it may be performed exclusively by the component.
이하, 본 발명의 기술적 사상에 의한 실시예들을 차례로 상세히 설명한다.Hereinafter, embodiments according to the technical spirit of the present invention will be described in detail in turn.
일 실시예에 따른 부정맥 분류 방법의 합성곱 신경망(CNN)모델은 특정 부위가 주변 영역과 관련도가 높을 경우에 적합한 딥러닝 구조이다. 부정맥 분류 방법은, 합성곱 신경망 모델 중 높은 성능을 보여주는 덴스넷(DenseNet: Densely Connected Convolutional Networks) 구조를 이용하여 심전도 분류 모델을 생성할 수 있다. 부정맥 분류 방법의 덴스넷은 스킵 연결(Skip Connection) 구조를 가지고 있기 때문에 모델 입력 부분의 정보가 소실되지 않고 마지막까지 잘 전달될 수 있으며, 역전파(Back propagation) 연산을 수행할 때에도 모델 마지막 부분의 연산이 앞부분까지 잘 전달되므로, 딥러닝(Deep Learning)의 문제점 중 하나인 기울기 소실(Gradient Vanishing) 문제를 완화함으로써 높은 성능을 보여주는 모델일 수 있다. 부정맥 분류 방법의 덴스넷은 1차원 신호가 아닌, 이미지 분류 문제에 최적화 되어있는 모델일 수 있다.The convolutional neural network (CNN) model of the arrhythmia classification method according to an embodiment is a deep learning structure suitable when a specific region has high relevance to the surrounding region. The arrhythmia classification method can generate an ECG classification model using a DenseNet (Densely Connected Convolutional Networks) structure that shows high performance among convolutional neural network models. Since the Densnet of the arrhythmia classification method has a skip connection structure, the information in the model input part is not lost and can be transmitted well until the end, and even when the back propagation operation is performed, the information in the last part of the model is not lost. Since the operation is transmitted well to the front part, it can be a model showing high performance by alleviating the gradient vanishing problem, which is one of the problems of deep learning. Densnet of the arrhythmia classification method may be a model optimized for the image classification problem, not the one-dimensional signal.
따라서, 부정맥 분류 방법은 덴스넷 기반의 1차원 합성곱(1D convolution) 연산을 사용할 수 있다. 또한, 부정맥 분류 방법은 심전도 데이터를 분류하는데 있어서 최적의 모델을 얻기 위해 복잡도가 낮은 모델에서부터 높은 모델까지 차례로 생성하여 학습한 뒤, 유효성(Validation)과 훈련(Training) 데이터 세트(Data Set) 각각에 대한 결과를 비교함으로써, 과적합(Overfitting)과 과소적합(Underfitting) 문제가 최소인 지점에서 최선의 층 깊이(Layer Depth)와 하이퍼 파라미터(Hyper Parameter)를 찾아낼 수 있다. 부정맥 분류 방법은 이를 이용하여 심전도 데이터에 맞는 최적의 덴스넷 모델을 생성할 수 있다.Therefore, the arrhythmia classification method may use a 1D convolution operation based on Densnet. In addition, the arrhythmia classification method generates and learns from a low-complexity model to a high-complexity model sequentially in order to obtain an optimal model for classifying electrocardiogram data, and then applies it to each of the validation and training data sets. By comparing the results for , it is possible to find the best Layer Depth and Hyper Parameter at the point where the overfitting and underfitting problems are minimal. The arrhythmia classification method can use this to generate an optimal Densnet model that fits the ECG data.
도 1은 본 발명의 일 실시예에 따른 부정맥 분류 방법의 수행 단계를 도시한 흐름도이다.1 is a flowchart illustrating the steps of performing an arrhythmia classification method according to an embodiment of the present invention.
도 1을 참조하면, 부정맥 분류 방법은 부정맥 분류기에 의해 수행될 수 있다. 부정맥 분류기는 컴퓨팅 디바이스, 프로세서, 메모리, 데이터 송수신기, 회로 중 적어도 하나를 포함하는 분류기일 수 있다.Referring to FIG. 1 , the arrhythmia classification method may be performed by an arrhythmia classifier. The arrhythmia classifier may be a classifier comprising at least one of a computing device, a processor, a memory, a data transceiver, and circuitry.
단계(101)에서, 부정맥 분류기는, 심전도 신호를 입력 받을 수 있다. 부정맥 분류기는, 심전도 신호를 연결된 장치로부터 수신할 수도 있다. 심전도 신호는 데이터 형태 또는 데이터의 일부의 형태일 수도 있다.In
단계(102)에서, 부정맥 분류기는, 합성곱 신경망 기반의 덴스넷(DenseNet)을 이용하여 입력 받은 심전도 신호를 분석할 수 있다.In
일 실시예에 따르면, 부정맥 분류기는, 합성곱 신경망 기반의 덴스넷을 이용하는 심전도 분류 모델을 사용하여 입력 받은 심전도 신호를 분석할 수 있다.According to an embodiment, the arrhythmia classifier may analyze the received ECG signal by using an ECG classification model using Densnet based on a convolutional neural network.
일 실시예에 따르면, 심전도 분류 모델은, 과적합(Overfitting)과 과소적합(Underfitting)을 최소로 하도록 획득된 층 깊이(Layer Depth)와 하이퍼 파라미터(Hyper Parameter)를 이용하여 생성될 수 있다.According to an embodiment, the ECG classification model may be generated using a layer depth and a hyper parameter obtained to minimize overfitting and underfitting.
일 실시예에 따르면, 하이퍼 파라미터는, 성장률(Growth Rate), 윈도우 크기(Window Size), 축소(Reduction) 중 적어도 하나를 포함할 수 있다.According to an embodiment, the hyper parameter may include at least one of a growth rate, a window size, and a reduction.
일 실시예에 따르면, 합성곱 신경망 기반의 덴스넷은, 합성곱 블록(Convolution Block), 전이 블록(Transition Block)을 포함할 수 있다.According to an embodiment, the Densnet based on a convolutional neural network may include a convolution block and a transition block.
일 실시예에 따르면, 합성곱 블록은, 제1 합성곱 연산과 제2 합성곱 연산을 포함할 수 있다.According to an embodiment, the convolution block may include a first convolution operation and a second convolution operation.
일 실시예에 따르면, 제1 합성곱 연산 또는 제2 합성곱 연산은, 성장률을 기초로 특징 맵(Feature Map)을 생성할 수 있다.According to an embodiment, the first convolution operation or the second convolution operation may generate a feature map based on the growth rate.
일 실시예에 따르면, 전이 블록은, 합성곱 블록에서 획득된 정보를 압축할 수 있다.According to an embodiment, the transition block may compress information obtained from the convolution block.
일 실시예에 따르면, 전이 블록은, 합성곱 블록의 출력 중 심전도 특성을 추출할 수 있다.According to an embodiment, the transition block may extract an electrocardiogram characteristic from an output of the convolution block.
일 실시예에 따르면, 합성곱 신경망 기반의 덴스넷은, 배치정규화 또는 정류 선형 유닛을 이용하여 연산할 수 있다.According to an embodiment, the Densnet based on the convolutional neural network may be calculated using a batch normalization or commutation linear unit.
단계(103)에서, 부정맥 분류기는, 분석한 심전도 신호를 기초로 부정맥을 판단할 수 있다. 부정맥 분류기는, 분석한 심전도 신호를 기초로 부정맥 여부를 판단할 수 있다.In
도 2는 본 발명의 일 실시예에 따른 전체 과정을 나타내는 도면이다.2 is a view showing an entire process according to an embodiment of the present invention.
도 2를 참조하면, 부정맥 분류 방법에서 사용된 덴스넷(DenseNet)은 각각 합성곱 블록(Conv Block), 전이 블록(Transition Block)으로 2개의 블록으로 구성될 수 있으며, 하이퍼 파라미터는 각각 성장률(Growth Rate), 윈도우 크기(Window Size), 압축률(Reduction)로 구성될 수 있다.Referring to FIG. 2 , the DenseNet used in the arrhythmia classification method may be composed of two blocks, respectively, a Conv Block and a Transition Block, and the hyperparameter is a growth rate, respectively. Rate), window size, and compression rate (Reduction).
부정맥 분류 방법에서 가장 좋은 성능을 보여주는 하이퍼 파라미터는, 성장률(Growth Rate)이 32, 윈도우 크기(Window Size)가 10, 축소(Reduction)가 0.5로 사용될 수 있다. 부정맥 분류 방법의 하나의 합성곱 블록(Conv Block)은 2개의 합성곱(Convolution) 연산을 포함할 수 있다. 부정맥 분류 방법은, 첫 번째 합성곱(Convolution) 연산에서 2차원 합성곱(2D convolution) 연산의 1x1 Convolution을 대체하기 위해 1 합성곱(Convolution)을 사용할 수 있고, [4 * 성장률(growth rate)] 개의 특징 맵(Feature Map)을 생성할 수 있다. 부정맥 분류 방법은, 두 번째 합성곱(Convolution) 연산에서 윈도우 크기(Window Size) 만큼의 1차원 합성곱(1D Convolution) 연산을 수행할 수 있고, [4 * 성장률(growth rate)]개의 특징 맵(Feature Map)을 생성할 수 있다.As for the hyperparameters showing the best performance in the arrhythmia classification method, a growth rate of 32, a window size of 10, and a reduction of 0.5 may be used. One convolution block of the arrhythmia classification method may include two convolution operations. The arrhythmia classification method can use 1 convolution to replace the 1x1 convolution of the 2D convolution operation in the first convolution operation, [4 * growth rate] You can create a feature map for dogs. In the arrhythmia classification method, a 1D convolution operation can be performed as much as the window size in the second convolution operation, and [4 * growth rate] feature maps ( Feature Map) can be created.
부정맥 분류 방법은, 합성곱 블록(Conv Block)의 합성곱(Convolution) 연산 이전 단계에서는 배치정규화(Batch Normalization(엡실론(epsilon) = 1.001e-5))와 비선형적 특징을 잡아낼 수 있는 ReLU 활성화 함수(Activation Function) 연산을 차례로 수행할 수 있다.In the arrhythmia classification method, in the stage before the convolution operation of the conv block, batch normalization (epsilon = 1.001e-5) and the ReLU activation function that can capture non-linear features (Activation Function) Operations can be performed sequentially.
부정맥 분류 방법의 전이 블록(Transition Block)은 합성곱 블록(Conv Block)을 통해 얻어진 정보를 압축하여 다음 합성곱 블록(Conv Block)으로 전달하는 블록일 수 있다. 부정맥 분류 방법은, 전이 블록(Transition Block)에서 합성곱 블록(Conv Block)의 출력 중 의미 있는 ECG의 특성을 추출하여 다음 합성곱 블록(Conv Block)으로 전달할 수 있다. 부정맥 분류 방법은, 축소율(Reduction)을 0.5로 설정하여 합성곱 블록(Conv Block)의 출력이 전이 블록(Transition Block)을 통해 다음 합성곱 블록(Conv Block)에 입력될 때 특징 맵(Feature Map)의 개수를 절반으로 줄이도록 설정할 수 있으며, 평균 풀링(AP: Average Pooling)의 필터 크기(Filter Size)는 2, 스트라이드(Stride)는 2로 설정할 수 있다.The transition block of the arrhythmia classification method may be a block that compresses information obtained through the conv block and transmits it to the next conv block. In the arrhythmia classification method, meaningful ECG characteristics are extracted from the output of the conv block from the transition block and delivered to the next conv block. In the arrhythmia classification method, when the reduction ratio is set to 0.5 and the output of the conv block is input to the next conv block through the transition block, the feature map can be set to reduce the number of , and the filter size of average pooling (AP) can be set to 2, and the stride can be set to 2.
부정맥 분류 방법은, 모델에 데이터가 입력되면, 윈도우 크기(Window size)가 7, 스트라이드(Strides)가 2인 1차원 합성곱(Conv1D) 연산을 거친 후, 배치정규화(Batch Normalization), 정류 선형 유닛(ReLU: Rectified Linear Unit) 그리고 스트라이드(Strides)를 2로 갖는 최대 풀링(Max Pooling) 과정을 순서대로 통과한 후 총 12번의 합성곱 블록(Conv Block)과 3번의 전이 블록(Transition Block) 연산을 수행할 수 있다. 부정맥 분류 방법은, 최종적으로 1차원 합성곱(Conv1D) 연산 과정을 거친 후 평탄화 계층(Flatten Layer)을 거친 후 2개의 출력 노드(output node)와 연결되는 완전 연결 계층(Fully Connected Layer)에 연결하여 2차원 벡터(Vector)를 출력하는 연산을 수행할 수 있다.In the arrhythmia classification method, when data is input to the model, a one-dimensional convolution (Conv1D) operation with a window size of 7 and a strides of 2 is performed, and then batch normalization and rectification linear unit After passing (ReLU: Rectified Linear Unit) and Max Pooling with strides as 2 in order, a total of 12 Conv Block and 3 Transition Block operations are performed. can be done The arrhythmia classification method finally goes through a one-dimensional convolution (Conv1D) operation process, goes through a flatten layer, and then connects to a fully connected layer that is connected to two output nodes. An operation that outputs a two-dimensional vector (Vector) can be performed.
이상 본 명세서에서 설명한 기능적 동작과 본 주제에 관한 실시형태들은 본 명세서에서 개시한 구조들 및 그들의 구조적인 등가물을 포함하여 디지털 전자 회로나 컴퓨터 소프트웨어, 펌웨어 또는 하드웨어에서 혹은 이들 중 하나 이상의 조합에서 구현 가능하다.The functional operations described in this specification and the embodiments related to the present subject matter can be implemented in a digital electronic circuit, computer software, firmware, or hardware, including the structures disclosed herein and structural equivalents thereof, or in a combination of one or more thereof do.
본 명세서에서 기술하는 주제의 실시형태는 하나 이상의 컴퓨터 프로그램 제품, 다시 말해 데이터 처리 장치에 의한 실행을 위하여 또는 그 동작을 제어하기 위하여 유형의 프로그램 매체 상에 인코딩되는 컴퓨터 프로그램 명령에 관한 하나 이상의 모듈로서 구현될 수 있다. 유형의 프로그램 매체는 전파형 신호이거나 컴퓨터로 판독 가능한 매체일 수 있다. 전파형 신호는 컴퓨터에 의한 실행을 위하여 적절한 수신기 장치로 전송하기 위한 정보를 인코딩하기 위하여 생성되는 예컨대 기계가 생성한 전기적, 광학적 혹은 전자기 신호와 같은 인공적으로 생성된 신호이다. 컴퓨터로 판독 가능한 매체는 기계로 판독 가능한 저장장치, 기계로 판독 가능한 저장 기판, 메모리 장치, 기계로 판독 가능한 전파형 신호에 영향을 미치는 물질의 조합 혹은 이들 중 하나 이상의 조합일 수 있다.Embodiments of the subject matter described herein are one or more computer program products, ie one or more modules directed to computer program instructions encoded on a tangible program medium for execution by or for controlling the operation of a data processing device. can be implemented. A tangible program medium may be a radio wave signal or a computer-readable medium. A radio wave signal is an artificially generated signal, eg, a machine-generated electrical, optical or electromagnetic signal, that is generated to encode information for transmission to an appropriate receiver device for execution by a computer. The computer-readable medium may be a machine-readable storage device, a machine-readable storage substrate, a memory device, a combination of materials that affect a machine-readable radio wave signal, or a combination of one or more of these.
컴퓨터 프로그램(프로그램, 소프트웨어, 소프트웨어 어플리케이션, 스크립트 혹은 코드로도 알려져 있음)은 컴파일되거나 해석된 언어나 선험적 혹은 절차적 언어를 포함하는 프로그래밍 언어의 어떠한 형태로도 작성될 수 있으며, 독립형 프로그램이나 모듈, 컴포넌트, 서브루틴 혹은 컴퓨터 환경에서 사용하기에 적합한 다른 유닛을 포함하여 어떠한 형태로도 전개될 수 있다.A computer program (also known as a program, software, software application, script or code) may be written in any form of programming language, including compiled or interpreted language or a priori or procedural language, and may be written as a stand-alone program or module; It can be deployed in any form, including components, subroutines, or other units suitable for use in a computer environment.
컴퓨터 프로그램은 파일 시스템의 파일에 반드시 대응하는 것은 아니다. 프로그램은 요청된 프로그램에 제공되는 단일 파일 내에, 혹은 다중의 상호 작용하는 파일(예컨대, 하나 이상의 모듈, 하위 프로그램 혹은 코드의 일부를 저장하는 파일) 내에, 혹은 다른 프로그램이나 데이터를 보유하는 파일의 일부(예컨대, 마크업 언어 문서 내에 저장되는 하나 이상의 스크립트) 내에 저장될 수 있다.A computer program does not necessarily correspond to a file in a file system. A program may be placed in a single file provided to the requested program, or in multiple interacting files (eg, files storing one or more modules, subprograms, or portions of code), or portions of files that hold other programs or data. (eg, one or more scripts stored within a markup language document).
컴퓨터 프로그램은 하나의 사이트에 위치하거나 복수의 사이트에 걸쳐서 분산되어 통신 네트워크에 의해 상호 접속된 다중 컴퓨터 또는 하나의 컴퓨터 상에서 실행되도록 전개될 수 있다.The computer program may be deployed to be executed on a single computer or multiple computers located at one site or distributed over a plurality of sites and interconnected by a communication network.
부가적으로, 본 명세서에서 기술하는 논리 흐름과 구조적인 블록도는 개시된 구조적인 수단의 지원을 받는 대응하는 기능과 단계의 지원을 받는 대응하는 행위 및/또는 특정한 방법을 기술하는 것으로, 대응하는 소프트웨어 구조와 알고리즘과 그 등가물을 구축하는 데에도 사용 가능하다. Additionally, the logic flows and structural block diagrams described herein describe corresponding acts and/or specific methods supported by corresponding functions and steps supported by the disclosed structural means, and corresponding software. It can also be used to build structures and algorithms and their equivalents.
본 명세서에서 기술하는 프로세스와 논리 흐름은 입력 데이터 상에서 동작하고 출력을 생성함으로써 기능을 수행하기 위하여 하나 이상의 컴퓨터 프로그램을 실행하는 하나 이상의 프로그래머블 프로세서에 의하여 수행 가능하다.The processes and logic flows described herein may be performed by one or more programmable processors executing one or more computer programs to perform functions by operating on input data and generating output.
컴퓨터 프로그램의 실행에 적합한 프로세서는, 예컨대 범용 및 특수 목적의 마이크로프로세서 양자 및 어떤 종류의 디지털 컴퓨터의 어떠한 하나 이상의 프로세서라도 포함한다. 일반적으로, 프로세서는 읽기 전용 메모리나 랜덤 액세스 메모리 혹은 양자로부터 명령어와 데이터를 수신할 것이다. Processors suitable for the execution of computer programs include, for example, both general and special purpose microprocessors and any one or more processors of any kind of digital computer. Typically, the processor will receive instructions and data from read-only memory, random access memory, or both.
컴퓨터의 핵심적인 요소는 명령어와 데이터를 저장하기 위한 하나 이상의 메모리 장치 및 명령을 수행하기 위한 프로세서이다. 또한, 컴퓨터는 일반적으로 예컨대 자기, 자기광학 디스크나 광학 디스크와 같은 데이터를 저장하기 위한 하나 이상의 대량 저장 장치로부터 데이터를 수신하거나 그것으로 데이터를 전송하거나 혹은 그러한 동작 둘 다를 수행하기 위하여 동작가능 하도록 결합되거나 이를 포함할 것이다. 그러나, 컴퓨터는 그러한 장치를 가질 필요가 없다.A key element of a computer is one or more memory devices for storing instructions and data and a processor for executing instructions. Further, a computer is generally operably coupled to receive data from, transfer data to, or both of one or more mass storage devices for storing data, such as, for example, magnetic, magneto-optical disks or optical disks. or will include However, the computer need not have such a device.
본 기술한 설명은 본 발명의 최상의 모드를 제시하고 있으며, 본 발명을 설명하기 위하여, 그리고 당업자가 본 발명을 제작 및 이용할 수 있도록 하기 위한 예를 제공하고 있다. 이렇게 작성된 명세서는 그 제시된 구체적인 용어에 본 발명을 제한하는 것이 아니다. The present description sets forth the best mode of the invention, and provides examples to illustrate the invention and to enable any person skilled in the art to make or use the invention. This written specification does not limit the present invention to the specific terms presented.
따라서, 상술한 예를 참조하여 본 발명을 상세하게 설명하였지만, 당업자라면 본 발명의 범위를 벗어나지 않으면서도 본 예들에 대한 개조, 변경 및 변형을 가할 수 있다. 요컨대 본 발명이 의도하는 효과를 달성하기 위해 도면에 도시된 모든 기능 블록을 별도로 포함하거나 도면에 도시된 모든 순서를 도시된 순서 그대로 따라야만 하는 것은 아니며, 그렇지 않더라도 얼마든지 청구항에 기재된 본 발명의 기술적 범위에 속할 수 있다는 점을 밝힌다.Accordingly, although the present invention has been described in detail with reference to the above-described examples, those skilled in the art can make modifications, changes, and modifications to these examples without departing from the scope of the present invention. In short, in order to achieve the intended effect of the present invention, it is not necessary to separately include all the functional blocks shown in the drawings or follow all the orders shown in the drawings. indicate that it may be within the scope
Claims (9)
심전도 신호를 입력 받는 단계;
합성곱 신경망 기반의 덴스넷(DenseNet)을 이용하여 상기 입력 받은 심전도 신호를 분석하는 단계; 및
상기 분석한 심전도 신호를 기초로 부정맥을 판단하는 단계
를 포함하고, 상기 분석하는 단계는,
상기 합성곱 신경망 기반의 덴스넷을 이용하는 심전도 분류 모델을 사용하여 상기 입력 받은 심전도 신호를 분석하는 것을 특징으로 하는 부정맥 분류 방법.
In the method for classifying arrhythmias,
receiving an electrocardiogram signal;
analyzing the received ECG signal using a convolutional neural network-based DenseNet; and
Determining an arrhythmia based on the analyzed electrocardiogram signal
Including, the analyzing step,
An arrhythmia classification method, characterized in that the received ECG signal is analyzed using an ECG classification model using the convolutional neural network-based Densnet.
상기 심전도 분류 모델은,
과적합(Overfitting)과 과소적합(Underfitting)을 최소로 하도록 획득된 층 깊이(Layer Depth)와 하이퍼 파라미터(Hyper Parameter)를 이용하여 생성된 것을 특징으로 하는 부정맥 분류 방법.
According to claim 1,
The electrocardiogram classification model is
An arrhythmia classification method, characterized in that it is generated using a layer depth and a hyper parameter obtained to minimize overfitting and underfitting.
상기 하이퍼 파라미터는,
성장률(Growth Rate), 윈도우 크기(Window Size), 축소(Reduction) 중 적어도 하나를 포함하는 것을 특징으로 하는 부정맥 분류 방법.
3. The method of claim 2,
The hyperparameter is
An arrhythmia classification method, characterized in that it includes at least one of a growth rate, a window size, and a reduction.
상기 합성곱 신경망 기반의 덴스넷은,
합성곱 블록(Convolution Block), 전이 블록(Transition Block)을 포함하는 것을 특징으로 하는 부정맥 분류 방법.
According to claim 1,
Densnet based on the convolutional neural network,
Convolutional block (Convolution Block), an arrhythmia classification method comprising a transition block (Transition Block).
상기 합성곱 블록은,
제1 합성곱 연산과 제2 합성곱 연산을 포함하는 것을 특징으로 하는 부정맥 분류 방법.
5. The method of claim 4,
The convolution block is
Arrhythmia classification method comprising a first convolution operation and a second convolution operation.
상기 제1 합성곱 연산 또는 상기 제2 합성곱 연산은,
성장률을 기초로 특징 맵(Feature Map)을 생성하는 것을 특징으로 하는 부정맥 분류 방법.
6. The method of claim 5,
The first convolution operation or the second convolution operation is
Arrhythmia classification method, characterized in that for generating a feature map (Feature Map) based on the growth rate.
상기 전이 블록은,
상기 합성곱 블록에서 획득된 정보를 압축하는 것을 특징으로 하는 부정맥 분류 방법.
5. The method of claim 4,
The transition block is
Arrhythmia classification method, characterized in that the information obtained from the convolutional block is compressed.
상기 전이 블록은,
상기 합성곱 블록의 출력 중 심전도 특성을 추출하는 것을 특징으로 하는 부정맥 분류 방법.
5. The method of claim 4,
The transition block is
An arrhythmia classification method, characterized in that extracting an electrocardiogram characteristic from the output of the convolutional block.
상기 합성곱 신경망 기반의 덴스넷은,
배치정규화 또는 정류 선형 유닛을 이용하여 연산하는 것을 특징으로 하는 부정맥 분류 방법.According to claim 1,
Densnet based on the convolutional neural network,
Arrhythmia classification method, characterized in that it is calculated using a batch normalization or rectification linear unit.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20210011546 | 2021-01-27 | ||
| KR1020210011546 | 2021-01-27 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220108677A true KR20220108677A (en) | 2022-08-03 |
| KR102592762B1 KR102592762B1 (en) | 2023-10-24 |
Family
ID=82847513
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210023566A KR102592762B1 (en) | 2021-01-27 | 2021-02-22 | Arrhythmia classification method using densenet based on convolution neural network |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102592762B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024151113A1 (en) * | 2023-01-12 | 2024-07-18 | 주식회사 메디컬에이아이 | Method, program, and device for constructing model optimized for analysis of bio signals |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190141326A (en) * | 2018-06-14 | 2019-12-24 | 한국과학기술원 | Method and Apparatus for ECG Arrhythmia Classification using a Deep Convolutional Neural Network |
| KR20210008283A (en) * | 2019-07-13 | 2021-01-21 | 주식회사 딥바이오 | System and method for medical diagnosis using neural network and non-local block |
-
2021
- 2021-02-22 KR KR1020210023566A patent/KR102592762B1/en active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190141326A (en) * | 2018-06-14 | 2019-12-24 | 한국과학기술원 | Method and Apparatus for ECG Arrhythmia Classification using a Deep Convolutional Neural Network |
| KR20210008283A (en) * | 2019-07-13 | 2021-01-21 | 주식회사 딥바이오 | System and method for medical diagnosis using neural network and non-local block |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024151113A1 (en) * | 2023-01-12 | 2024-07-18 | 주식회사 메디컬에이아이 | Method, program, and device for constructing model optimized for analysis of bio signals |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102592762B1 (en) | 2023-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7094407B2 (en) | Three-dimensional (3D) convolution with 3D batch normalization | |
| CA3069891A1 (en) | Discovering novel features to use in machine learning techniques, such as machine learning techniques for diagnosing medical conditions | |
| Abd Elaziz et al. | Medical Image Classification Utilizing Ensemble Learning and Levy Flight‐Based Honey Badger Algorithm on 6G‐Enabled Internet of Things | |
| Doquire et al. | Feature selection for interpatient supervised heart beat classification | |
| CN117598674B (en) | Multi-parameter heart function monitoring system and method | |
| CN113966192A (en) | Deep neural network on ECG poincare map for atrial fibrillation classification | |
| CN115359066B (en) | Focus detection method and device for endoscope, electronic device and storage medium | |
| Barhatte et al. | QRS complex detection and arrhythmia classification using SVM | |
| Prakash et al. | A system for automatic cardiac arrhythmia recognition using electrocardiogram signal | |
| EP4427165A1 (en) | Managing a model trained using a machine learning process | |
| Carannante et al. | Trustworthy medical segmentation with uncertainty estimation | |
| KR20220108677A (en) | Arrhythmia classification method using densenet based on convolution neural network | |
| Guo et al. | Bone age assessment based on deep convolutional features and fast extreme learning machine algorithm | |
| Karri et al. | A real-time cardiac arrhythmia classification using hybrid combination of delta modulation, 1D-CNN and blended LSTM | |
| JP7501703B2 (en) | Data processing method and electronic device | |
| Sonia et al. | Cardiac abnormalities from 12‐Lead ECG signals prediction based on deep convolutional neural network optimized with nomadic people optimization algorithm | |
| CN111657921A (en) | Real-time electrocardio abnormality monitoring method and device, computer equipment and storage medium | |
| Raghukumar et al. | Predicting the myocardial infarction from predictive analytics through supervised machine learning | |
| CN118153704A (en) | Apparatus and method for anomaly detection | |
| CN113229798B (en) | Model migration training method, device, computer equipment and readable storage medium | |
| CN117441167A (en) | Error bounded approximation time series connection using a compact dictionary representation of time series | |
| JP2022056412A (en) | Method, system, and program (mobile ai) for selecting machine learning model | |
| US20210106248A1 (en) | ECG Analysis System | |
| CN111598870A (en) | Method for calculating coronary artery calcification ratio based on convolutional neural network end-to-end reasoning | |
| CN111476282A (en) | Data classification method and device, storage medium and electronic equipment |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E90F | Notification of reason for final refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |