1 |
1
피험자의 심전도 신호를 모니터링하는 단계; 상기 모니터링된 심전도 신호에 대해 학습된 뉴럴 네트워크를 적용하여 상기 심전도 신호의 특성을 분류함으로써, 상기 피험자의 심방 세동의 형태를 판단하는 단계를 포함하고,상기 뉴럴 네트워크는, 시간 영역에서 상기 심전도 신호의 자유도를 측정하는 양자화된 셰넌 엔트로피(Quantized Shannon entropy)를 이용하는 모델링을 통해 학습되는,심방 세동 판단 방법
|
2 |
2
제1항에 있어서,상기 양자화된 셰넌 엔트로피(Quantized Shannon entropy)는,상기 심전도 신호의 A-리드에서 측정된 k번째 신호를 양자화한 결과를 이용하여 도출되는, 심방 세동 판단 방법
|
3 |
3
제2항에 있어서,상기 양자화된 셰넌 엔트로피(Quantized Shannon entropy)는,상기 A-리드에서 서로 다른 형태의 심방 세동을 구분하는 확률밀도함수를 이용하여 결정되는, 심방 세동 판단 방법
|
4 |
4
제2항에 있어서,상기 양자화된 셰넌 엔트로피(Quantized Shannon entropy)는,최적의 p-value를 갖는 최적화 상수값을 이용하여 결정되는, 심방 세동 판단 방법
|
5 |
5
피험자의 심전도 신호를 모니터링하는 단계; 상기 모니터링된 심전도 신호에 대해 학습된 뉴럴 네트워크를 적용하여 상기 심전도 신호의 특성을 분류함으로써, 상기 피험자의 심방 세동의 형태를 판단하는 단계를 포함하고,상기 뉴럴 네트워크는,시간 영역의 신호를 푸리에 변환한 주파수 영역의 신호에 대한 파워 스펙트럼 밀도(Power spectrum density, PSD)를 이용한 모델링을 통해 학습되는, 심방 세동 판단 방법
|
6 |
6
하드웨어와 결합되어 제1항 내지 제5항 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램
|
7 |
7
심방 세동 판단 장치는 프로세서 및 컴퓨터에서 읽을 수 있는 명령어를 포함하는 메모리를 포함하고,상기 명령어가 상기 프로세서에서 실행되면, 상기 프로세서는, 피험자의 심전도 신호를 모니터링하고, 상기 모니터링된 심전도 신호에 대해 학습된 뉴럴 네트워크를 적용하여 상기 심전도 신호의 특성을 분류함으로써, 상기 피험자의 심방 세동의 형태를 판단하고,상기 뉴럴 네트워크는, 시간 영역에서 상기 심전도 신호의 자유도를 측정하는 양자화된 셰넌 엔트로피(Quantized Shannon entropy)를 이용하는 모델링을 통해 학습되는,심방 세동 판단 장치
|
8 |
8
제7항에 있어서,상기 양자화된 셰넌 엔트로피(Quantized Shannon entropy)는,상기 심전도 신호의 A-리드에서 측정된 k번째 신호를 양자화한 결과를 이용하여 도출되는, 심방 세동 판단 장치
|
9 |
9
제8항에 있어서,상기 양자화된 셰넌 엔트로피(Quantized Shannon entropy)는,상기 A-리드에서 서로 다른 형태의 심방 세동을 구분하는 확률밀도함수를 이용하여 결정되는, 심방 세동 판단 장치
|
10 |
10
제8항에 있어서,상기 양자화된 셰넌 엔트로피(Quantized Shannon entropy)는,최적의 p-value를 갖는 최적화 상수값을 이용하여 결정되는, 심방 세동 판단 장치
|
11 |
11
심방 세동 판단 장치는 프로세서 및 컴퓨터에서 읽을 수 있는 명령어를 포함하는 메모리를 포함하고,상기 명령어가 상기 프로세서에서 실행되면, 상기 프로세서는, 피험자의 심전도 신호를 모니터링하고, 상기 모니터링된 심전도 신호에 대해 학습된 뉴럴 네트워크를 적용하여 상기 심전도 신호의 특성을 분류함으로써, 상기 피험자의 심방 세동의 형태를 판단하고,상기 뉴럴 네트워크는,시간 영역의 신호를 푸리에 변환한 주파수 영역의 신호에 대한 파워 스펙트럼 밀도(Power spectrum density, PSD)를 이용한 모델링을 통해 학습되는, 심방 세동 판단 장치
|