| 1 |
1
심장 박동의 타입을 분류하는 방법에 있어서,복수의 심박 파형 데이터를 포함하는 데이터셋을 획득하는 단계;상기 데이터셋으로부터 학습용 심박 파형에 관한 입력 데이터를 생성하고, 상기 생성된 입력 데이터를 입력으로 하고 상기 학습용 심박 파형의 심장 박동의 타입을 출력으로 하는 학습 모델을 생성하는 단계;상기 데이터셋으로부터 샘플링된 각 배치(batch)에 대한 손실 가중치를 결정하고, 상기 각 배치에 대한 손실 가중치에 기초하여 손실 함수를 결정함으로써 상기 학습 모델을 학습시키는 단계; 및검사용 심박 파형을 상기 학습 모델에 입력하여 상기 검사용 심박 파형의 심장 박동의 타입을 분류하는 단계를 포함하는 것인, 심장 박동 타입 분류 방법
|
| 2 |
2
제 1 항에 있어서,상기 입력 데이터는 타겟 심박 파형, 상기 타겟 심박 파형의 심장 박동의 타입 및 상기 타겟 심박 파형과 인접한 인접 심박 파형을 포함하는 것인, 심장 박동 타입 분류 방법
|
| 3 |
3
제 1 항에 있어서,상기 학습용 심박 파형은 심전도(ECG: electrocardiography) 데이터로부터 추출된 R 피크 근방의 기설정된 샘플수의 심박 파형을 포함하는 것인, 심장 박동 타입 분류 방법
|
| 4 |
4
제 1 항에 있어서,상기 각 배치에 대한 손실 가중치는 하기의 수식에 기초하여 도출되는 것인, 심장 박동 타입 분류 방법
|
| 5 |
5
제 4 항에 있어서,상기 손실 함수는 하기의 수식에 기초하여 도출되는 것인, 심장 박동 타입 분류 방법
|
| 6 |
6
제 1 항에 있어서,상기 학습 모델은 복수의 콘벌루션 레이어, 적어도 하나의 완전연결 레이어 및 소프트맥스 함수 레이어를 포함하는 것인, 심장 박동 타입 분류 방법
|
| 7 |
7
제 6 항에 있어서,상기 학습 모델은 상기 복수의 콘벌루션 레이어 각각에 연결된 배치 정규화(Batch normalization) 레이어를 더 포함하는 것인, 심장 박동 타입 분류 방법
|
| 8 |
8
제 7 항에 있어서,상기 배치 정규화 레이어는 하기의 수식에 기초하여 배치 정규화를 수행하는 것인, 심장 박동 타입 분류 방법
|
| 9 |
9
제 6 항에 있어서,상기 학습 모델은 적어도 하나의 스킵 연결(Skip connections)을 더 포함하는 것인, 심장 박동 타입 분류 방법
|
| 10 |
10
제 1 항에 있어서,상기 검사용 심박 파형은 단일의 리드(single-lead)로부터 입력된 심전도 파형인 것인, 심장 박동 타입 분류 방법
|
| 11 |
11
심장 박동의 타입을 분류하는 장치에 있어서,복수의 심박 파형 데이터를 포함하는 데이터셋을 저장하는 저장부;상기 데이터셋으로부터 학습용 심박 파형에 관한 입력 데이터를 생성하고, 상기 생성된 입력 데이터를 입력으로 하고 상기 학습용 심박 파형의 심장 박동의 타입을 출력으로 하는 학습 모델을 생성하는 학습 모델 생성부;상기 데이터셋으로부터 샘플링된 각 배치(batch)에 대한 손실 가중치를 결정하고, 상기 각 배치에 대한 손실 가중치에 기초하여 손실 함수를 결정함으로써 상기 학습 모델을 학습시키는 학습부; 및검사용 심박 파형을 상기 학습 모델에 입력하여 상기 검사용 심박 파형의 심장 박동의 타입을 분류하는 분류부를 포함하는 것인, 심장 박동 타입 분류 장치
|
| 12 |
12
제 11 항에 있어서,상기 입력 데이터는 타겟 심박 파형, 상기 타겟 심박 파형의 심장 박동의 타입 및 상기 타겟 심박 파형과 인접한 인접 심박 파형을 포함하는 것인, 심장 박동 타입 분류 장치
|
| 13 |
13
제 11 항에 있어서,상기 각 배치에 대한 손실 가중치는 하기의 수식에 기초하여 도출되는 것인, 심장 박동 타입 분류 장치
|
| 14 |
14
제 13 항에 있어서,상기 손실 함수는 하기의 수식에 기초하여 도출되는 것인, 심장 박동 타입 분류 장치
|
